一种基于联合学习的服务者信用评估系统及方法与流程

1.本发明涉及服务者信用评估技术领域，特别涉及一种基于联合学习的服务者信用评估系统及方法。


背景技术：

2.目前的信用评估主要是银行对借款人信用情况进行评估的一种活动。银行贷款的最基本条件是信用，信用好就容易取得银行贷款支持，信用差就难以取得银行贷款支持。而借款人信用是由多种因素构成的，包括借款人资产负债状况、经营管理水平、产品经济效益及市场发展趋势等等。为了对借款人信用状况有一个统一的基本的正确的估价，以便正确掌握银行贷款，就必须对借款人信用状况进行评估。信用评估的方法主要有两种：银行机构自己对借款人信用状况进行评估；委托专门的评估机构对借款人信用状况进行评估。
3.但是，现有技术的信用评估是基于大数据或者基于多维度数据进行数据统计，并在后期处理中以共享的形式进行信息分析处理，导致用户数据泄露严重，无法满足用户保护隐私的需求，且信用评估系统固化且单一，对于实时动态的行为和时时变化的用户心理，无法准确进行用户评估。


技术实现要素：

4.本发明的目的在于提供一种基于联合学习的服务者信用评估系统及方法，使用加密的用户id对齐技术得到服务系统和征信系统的共同用户id数据集，服务系统和征信系统双方都不会暴露各自数据，得到相同id后，可以使用相同id数据进行联合学习建立系统，采用联合学习技术，保护数据隐私的同时，联合多方数据构建以联合学习为基础的服务者信用系统，提高评估精准度，以解决上述背景技术中提出的问题。
5.为实现上述目的，本发明提供如下技术方案：一种基于联合学习的服务者信用评估系统，包括初步评估系统，所述初步评估系统包括协作端、用户端、服务系统、征信系统和初始端，所述初始端接收初始参数，并以初始参数为依据构建服务系统和征信系统，所述用户端与服务系统相互连接，用户端通过业务办理向服务系统留存服务者的基本信息；
6.所述协作端与服务系统相互连接，所述协作端通过同态加密算法生成秘钥对，并将秘钥对中的公钥发送至服务系统，所述服务系统通过公钥对服务者的基本信息加密并交换用于计算梯度和损失函数的模型中间结果；所述服务系统计算加密的梯度，并将加密的梯度数据返回至协作端；
7.所述协作端与征信系统相互连接，所述协作端通过同态加密算法生成秘钥对，将公钥发送至征信系统，所述征信系统通过公钥对个人征信数据加密并交换用于计算梯度和损失函数的模型中间结果；所述征信系统计算加密的梯度以及系统的总损失数据，并将加密的梯度以及系统的总损失数据返回至协作端；
8.所述协作端与解密梯度和总损失数据，并将解密后的数据值分别发送至服务系统和征信系统，服务系统和征信系统分别利用解密的梯度更新各自的系统参数。
9.进一步地，所述基本信息包括年龄、性别、技能、工作年限和服务次数。
10.进一步地，所述服务系统设置有接收单元、存储单元、识别单元、匹配单元和输出单元，所述接收单元接收来自用户端提供的数据以及初始端提供的数据，存储单元接收来自两个端口的数据并将两类数据进行存储，所述识别单元识别两类数据中是否存在关于启动文本的信息。
11.进一步地，所述识别单元未识别启动文本的信息，将数据依次存储，形成信用评估系统的数据体系，为信用评估提供数据支持。
12.进一步地，所述识别单元识别两类数据中存在启动文本的信息，匹配单元将服务系统中关于启动文本相关联的信息全部调出，并生成数据集，该数据集通过输出单元发送至协作端。
13.根据本发明的另一方面，提供一种基于联合学习的服务者信用评估方法，包括以下步骤：
14.s101：输入初始参数，构建服务者信用体系。
15.s102：协作端用同态加密算法生成秘钥对，将公钥发给服务系统和征信系统；
16.s103：服务系统和征信系统加密并交换用于计算梯度和损失函数的模型中间结果；
17.s104：服务系统和征信系统各自计算加密的梯度，征信系统方还负责计算模型的总损失；
18.s105：服务系统和征信系统将加密的值发给协作端；
19.s106：协作端解密梯度和总损失，并将解密后的值分别返回给服务系统和征信系统；
20.s107：服务系统和征信系统利用解密的梯度更新各自的模型参数。
21.进一步地，所述初始参数为人为设定的标准数据。
22.进一步地，所述初始参数是以用户行为统计所得数据为基础，经过逻辑运算获得的数据。
23.进一步地，所述解密后的值分别返回服务系统和征信系统过程中经过可信判断单元进行判断，可信判断单元内预设有可信值和可信度分配表，可信判断单元根据经过筛选后的数据信息的来源和可信度分配表，对各个数据信息分配可信度，并将各个可信度与可信值比较，可信判断单元根据比较结果确定相应的数据信息是否可信。
24.进一步地，筛选后的数据信息由异常数据筛选单元筛选存储数据后获得。
25.与现有技术相比，本发明的有益效果是：本发明提出的一种基于联合学习的服务者信用评估系统及方法，使用加密的用户id对齐技术得到服务系统和征信系统的共同用户id数据集，服务系统和征信系统双方都不会暴露各自数据，得到相同id后，可以使用相同id数据进行联合学习建立系统，采用联合学习技术，保护数据隐私的同时，联合多方数据构建以联合学习为基础的服务者信用系统，提高评估精准度。
附图说明
26.图1为本发明的基于联合学习的服务者信用评估系统的结构框图；
27.图2为本发明的基于联合学习的服务者信用评估系统的工作原理图；
28.图3为本发明的基于联合学习的服务者信用评估系统的服务系统结构图；
29.图4为本发明的基于联合学习的服务者信用评估系统的可信判断单元连接图；
30.图5为本发明的基于联合学习的服务者信用评估系统的权限和信用值关系图；
31.图6为本发明实施例一中的基于联合学习的服务者信用评估方法的流程图；
32.图7为本发明实施例二中的基于联合学习的服务者信用评估方法的流程图。
33.图中：1、初步评估系统；11、协作端；12、用户端；13、服务系统；131、接收单元；132、存储单元；133、识别单元；134、匹配单元；135、输出单元；14、征信系统；15、初始端；16、可信判断单元。
具体实施方式
34.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
35.实施例一
36.参阅图1至图5，一种基于联合学习的服务者信用评估系统，包括初步评估系统1，初步评估系统1包括协作端11、用户端12、服务系统13、征信系统14和初始端15，初始端15接收初始参数，并以初始参数为依据构建服务系统13和征信系统14，用户端12与服务系统13相互连接，用户端12通过业务办理向服务系统13留存服务者的基本信息；基本信息包括年龄、性别、技能、工作年限和服务次数，基本信息可延伸至亲属关系，家庭成员，工作地点，所属公司状态等，基本信息越多，对用于的信用状态掌握越全面。
37.协作端11与服务系统13相互连接，协作端11通过同态加密算法生成秘钥对，并将秘钥对中的公钥发送至服务系统13，服务系统13通过公钥对服务者的基本信息加密并交换用于计算梯度和损失函数的模型中间结果；服务系统13计算加密的梯度，并将加密的梯度数据返回至协作端11；协作端11使用加密的用户id对齐技术得到服务系统13和征信系统14的共同用户id数据集，服务系统13和征信系统14双方都不会暴露各自数据，得到相同id后，可以使用相同id数据进行联合学习建立系统，采用联合学习技术，保护数据隐私的同时，联合多方数据构建以联合学习为基础的服务者信用系统，提高评估精准度。
38.协作端11与征信系统14相互连接，协作端11通过同态加密算法生成秘钥对，将公钥发送至征信系统14，征信系统14通过公钥对个人征信数据加密并交换用于计算梯度和损失函数的模型中间结果；征信系统14计算加密的梯度以及系统的总损失数据，并将加密的梯度以及系统的总损失数据返回至协作端11；协作端11也可设置存储器，用于存储服务系统13和征信系统14的信息，便于对服务者信用评估系统进行整体掌控，令各个处理阶段的数据均处于监控状态，利于异常数据的查找和分析。
39.协作端11与解密梯度和总损失数据，并将解密后的数据值分别发送至服务系统13和征信系统14，服务系统13和征信系统14分别利用解密的梯度更新各自的系统参数。
40.服务系统13设置有接收单元131、存储单元132、识别单元133、匹配单元134和输出单元135，接收单元131接收来自用户端12提供的数据以及初始端15提供的数据，存储单元132接收来自两个端口的数据并将两类数据进行存储，识别单元133识别两类数据中是否存
在关于启动文本的信息；当识别单元133未识别启动文本的信息时，将数据依次存储，形成信用评估系统的数据体系，为信用评估提供数据支持，例如启动文本的信息为服务者的姓名，则信用评估系统所提供的信息能够在用户自身提供的基本信息的基础上获得亲属关系，朋友关系以及相应的亲属、朋友的信用数据；当识别单元133识别两类数据中存在启动文本的信息时，匹配单元134依据识别单元133识别两个独立列表之间相同的特定词汇，例如相同的人名，识别之后匹配单元134将服务系统13中关于启动文本相关联的信息全部调出，并生成数据集，该数据集通过输出单元135发送至协作端11。
41.参阅图6，为了更好的展现基于联合学习的服务者信用评估系统的工作流程，本实施例现提出一种基于联合学习的服务者信用评估方法，包括以下步骤：
42.s101：输入初始参数，构建服务者信用体系，其中初始参数是以用户行为统计所得数据为基础，经过逻辑运算获得的数据；
43.s102：协作端11用同态加密算法生成秘钥对，将公钥发给服务系统13和征信系统14；
44.s103：服务系统13和征信系统14加密并交换用于计算梯度和损失函数的模型中间结果；
45.s104：服务系统13和征信系统14各自计算加密的梯度，征信系统14还负责计算模型的总损失，依据梯度进行分析获得信用度和权限相匹配的阶梯关系，信用度越高的用户能够获取的权限越高，两者之间存在正比关系，关于比例，则依据需求进行设定，梯度密度越高，则信用和权限所对应的关系分布越细，使用该信用评估系统的企业安全性越高；
46.s105：服务系统13和征信系统14将加密的值发给协作端11；
47.s106：协作端11解密梯度和总损失，并将解密后的值分别返回给服务系统13和征信系统14；
48.s107：服务系统13和征信系统14利用解密的梯度更新各自的模型参数，解密后的值分别返回服务系统13和征信系统14过程中经过可信判断单元16进行判断，可信判断单元16内预设有可信值和可信度分配表，可信判断单元16根据经过筛选后的数据信息的来源和可信度分配表，对各个数据信息分配可信度，并将各个可信度与可信值比较，可信判断单元16根据比较结果确定相应的数据信息是否可信，其中筛选后的数据信息由异常数据筛选单元筛选存储数据后获得。
49.实施例二
50.参阅图1至图5，一种基于联合学习的服务者信用评估系统，包括初步评估系统1，初步评估系统1包括协作端11、用户端12、服务系统13、征信系统14和初始端15，初始端15接收初始参数，并以初始参数为依据构建服务系统13和征信系统14，用户端12与服务系统13相互连接，用户端12通过业务办理向服务系统13留存服务者的基本信息；基本信息包括年龄、性别、技能、工作年限和服务次数，基本信息可延伸至亲属关系，家庭成员，工作地点，所属公司状态等，基本信息越多，对用于的信用状态掌握越全面。
51.协作端11与服务系统13相互连接，协作端11通过同态加密算法生成秘钥对，并将秘钥对中的公钥发送至服务系统13，服务系统13通过公钥对服务者的基本信息加密并交换用于计算梯度和损失函数的模型中间结果；服务系统13计算加密的梯度，并将加密的梯度数据返回至协作端11；协作端11使用加密的用户id对齐技术得到服务系统13和征信系统14
的共同用户id数据集，服务系统13和征信系统14双方都不会暴露各自数据，得到相同id后，可以使用相同id数据进行联合学习建立系统，采用联合学习技术，保护数据隐私的同时，联合多方数据构建以联合学习为基础的服务者信用系统；其中，征信系统14即为消费者信用信息系统，根据各种渠道的用户端12口获取信用记录，依据信用记录来针对每个用户提供个人信用分析，含有广泛而精确的消费者信息，可以解决用户信息量不足时，对服务者信用评估系统的初步成型和完善，帮助服务者信用评估系统以最有效的和最快速的方式构建评估体系，提高评估精准度。
52.协作端11与征信系统14相互连接，协作端11通过同态加密算法生成秘钥对，将公钥发送至征信系统14，征信系统14通过公钥对个人征信数据加密并交换用于计算梯度和损失函数的模型中间结果；征信系统14计算加密的梯度以及系统的总损失数据，并将加密的梯度以及系统的总损失数据返回至协作端11；协作端11也可设置存储器，用于存储服务系统13和征信系统14的信息，便于对服务者信用评估系统进行整体掌控，令各个处理阶段的数据均处于监控状态，利于异常数据的查找和分析。
53.协作端11与解密梯度和总损失数据，并将解密后的数据值分别发送至服务系统13和征信系统14，服务系统13和征信系统14分别利用解密的梯度更新各自的系统参数。
54.服务系统13设置有接收单元131、存储单元132、识别单元133、匹配单元134和输出单元135，接收单元131接收来自用户端12提供的数据以及初始端15提供的数据，存储单元132接收来自两个端口的数据并将两类数据进行存储，识别单元133识别两类数据中是否存在关于启动文本的信息；识别单元133未识别启动文本的信息，将数据依次存储，形成信用评估系统的数据体系，为信用评估提供数据支持，例如启动文本的信息为服务者的姓名，则信用评估系统所提供的信息能够在用户自身提供的基本信息的基础上获得亲属关系，朋友关系以及相应的亲属、朋友的信用数据；识别单元133识别两类数据中存在启动文本的信息，匹配单元134依据识别单元133识别两个独立列表之间相同的特定词汇，例如相同的人名，识别之后匹配单元134将服务系统13中关于启动文本相关联的信息全部调出，并生成数据集，该数据集通过输出单元135发送至协作端11。
55.参阅图7，为了更好的展现基于联合学习的服务者信用评估系统的工作流程，本实施例现提出一种基于联合学习的服务者信用评估方法，包括以下步骤：
56.s101：输入初始参数，构建服务者信用体系，其中，初始参数为人为设定的标准数据，通常设定初始人员的信用均为100，若承诺被成功遵守一次则相应的信用值会被提高，若未遵守承诺完成任务，则相应的信用值会被扣除；
57.s102：协作端11用同态加密算法生成秘钥对，将公钥发给服务系统13和征信系统14；
58.s103：服务系统13和征信系统14加密并交换用于计算梯度和损失函数的模型中间结果；
59.s104：服务系统13和征信系统14各自计算加密的梯度，征信系统14还负责计算模型的总损失，依据梯度进行分析获得信用度和权限相匹配的阶梯关系，信用度越高的用户能够获取的权限越高，两者之间存在正比关系，关于比例，则依据需求进行设定，梯度密度越高，则信用和权限所对应的关系分布越细，使用该信用评估系统的企业安全性越高；
60.s105：服务系统13和征信系统14将加密的值发给协作端11；
61.s106：协作端11解密梯度和总损失，并将解密后的值分别返回给服务系统13和征信系统14；
62.s107：服务系统13和征信系统14利用解密的梯度更新各自的模型参数，解密后的值分别返回服务系统13和征信系统14过程中经过可信判断单元16进行判断，可信判断单元16内预设有可信值和可信度分配表，可信判断单元16根据经过筛选后的数据信息的来源和可信度分配表，对各个数据信息分配可信度，并将各个可信度与可信值比较，可信判断单元16根据比较结果确定相应的数据信息是否可信，其中筛选后的数据信息由异常数据筛选单元筛选存储数据后获得。
63.综上所述：本发明提出的一种基于联合学习的服务者信用评估系统及方法，使用加密的用户id对齐技术得到服务系统13和征信系统14的共同用户id数据集，服务系统13和征信系统14双方都不会暴露各自数据，得到相同id后，可以使用相同id数据进行联合学习建立系统，采用联合学习技术，保护数据隐私的同时，联合多方数据构建以联合学习为基础的服务者信用系统，提高评估精准度。
64.以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。