本公开涉及联合学习,尤其涉及一种联合学习模型的确定方法及装置。
背景技术:
1、在联合学习中,往往是通过多个参与方的参与方数据训练神经网络模型,得到每个参与方的网络模型,根据每个参与方的网络模型,得到联合学习模型。每个参与方的参与方数据是每个参与方采集得到的,因为每个参与方的业务不同或者采集数据的主体不同,每个参与方的参与方数据的数据质量和数量都不一样,因此如果直接使用多个参与方的参与方数据训练神经网络模型,得到的联合学习模型的精度低。
2、在实现本公开构思的过程中,发明人发现相关技术中至少存在如下技术问题:在联合学习中,直接使用多个参与方的参与方数据进行训练,得到的模型的精度低的问题。
技术实现思路
1、有鉴于此,本公开实施例提供了一种联合学习模型的确定方法、装置、电子设备及计算机可读存储介质,以解决现有技术中,在联合学习中,直接使用多个参与方的参与方数据进行训练,得到的模型的精度低的问题。
2、本公开实施例的第一方面,提供了一种联合学习模型的确定方法,包括:获取联合学习的主题,根据主题获取目标样例数据;提取目标样例数据的第一哈希特征和每个参与方的参与方数据的第二哈希特征;根据第一哈希特征和多个第二哈希特征,从多个参与方中确定出多个目标参与方;对多个目标参与方的参与方数据进行聚类操作,得到聚类结果;利用聚类结果训练神经网络模型,得到联合学习模型。
3、本公开实施例的第二方面,提供了一种联合学习模型的确定装置,包括:获取模块,被配置为获取联合学习的主题,根据主题获取目标样例数据;提取模块,被配置为提取目标样例数据的第一哈希特征和每个参与方的参与方数据的第二哈希特征;确定模块,被配置为根据第一哈希特征和多个第二哈希特征,从多个参与方中确定出多个目标参与方;聚类模块,被配置为对多个目标参与方的参与方数据进行聚类操作,得到聚类结果;训练模块,被配置为利用聚类结果训练神经网络模型,得到联合学习模型。
4、本公开实施例的第三方面,提供了一种电子设备,包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序,该处理器执行计算机程序时实现上述方法的步骤。
5、本公开实施例的第四方面,提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述方法的步骤。
6、本公开实施例与现有技术相比存在的有益效果是:获取联合学习的主题,根据主题获取目标样例数据;提取目标样例数据的第一哈希特征和每个参与方的参与方数据的第二哈希特征;根据第一哈希特征和多个第二哈希特征,从多个参与方中确定出多个目标参与方;对多个目标参与方的参与方数据进行聚类操作,得到聚类结果;利用聚类结果训练神经网络模型,得到联合学习模型。采用上述技术手段,可以解决现有技术中,在联合学习中,直接使用多个参与方的参与方数据进行训练,得到的模型的精度低的问题,进而提高联合学习中模型的精度。
1.一种联合学习模型的确定方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述提取所述目标样例数据的第一哈希特征和每个参与方的参与方数据的第二哈希特征,包括:
3.根据权利要求1所述的方法,其特征在于,所述根据所述第一哈希特征和多个所述第二哈希特征,从多个所述参与方中确定出多个目标参与方之后,所述方法还包括:
4.根据权利要求1所述的方法,其特征在于,所述利用所述聚类结果训练神经网络模型,得到联合学习模型之后,所述方法还包括:
5.根据权利要求4所述的方法,其特征在于,所述按照预测规则为多个所述目标参与方分配所述目标资源,包括:
6.根据权利要求1所述的方法,其特征在于,所述对多个所述目标参与方的参与方数据进行聚类操作,得到聚类结果之后,所述方法还包括:
7.根据权利要求6所述的方法,其特征在于,所述利用所述聚类结果训练所述待训练模型,得到联合学习模型,包括:
8.一种联合学习模型的确定装置,其特征在于,包括:
9.一种电子设备,包括存储器、处理器以及存储在所述存储器中并且可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。