基于纵向联邦学习的信用分析方法和装置与流程

计算;推算;计数设备的制造及其应用技术1.本公开涉及人工智能领域，尤其涉及基于纵向联邦学习的信用分析方法和装置。背景技术：2.联邦学习指的是多个数据拥有方在原始数据不出本地的情况下也可进行模型训练并得到最终模型的计算过程，并且保证模型效果与聚合训练效果的差距足够小；根据数据分布情况，可以把联邦学习分为横向联邦学习、纵向联邦学习以及联邦迁移学习。3.纵向联邦学习在信用分析等金融业务领域中具有广阔的应用前景，在纵向联邦学习场景下，同一样本的不同特征分属于不同的训练参与者，并且样本标签与特征也是处于分离的状态。现有技术中，信用分析方案在构建信用分析模型时，对具有样本标签的参与者进行了特征转换，但对于不具有样本标签的参与者，仍然采用其原始的特征数据进行模型训练，极大影响了模型的稳定性和可扩展性，进而影响信用分析可靠性。因此，需要提供一种改进的信用分析方案，以解决上述现有技术中存在的问题。技术实现要素：4.本公开提供了基于纵向联邦学习的信用分析方法、装置、系统和存储介质，可以在纵向联邦学习的场景下，避免标签数据泄漏，提高了各节点数据的安全性和模型的稳定性。5.一方面，基于纵向联邦学习的信用分析方法，应用于信用分析端，所述方法包括：6.响应于终端发送的携带有待分析对象信息的信用分析请求，对所述待分析对象信息进行行为特征匹配，得到相匹配的第一行为特征值；并将所述待分析对象信息发送至数据协助端，以由所述数据协助端对所述待分析对象信息进行行为特征匹配、特征分箱查询、证据权重查询以及信用分类处理；7.对所述待分析对象信息相匹配的第一行为特征值进行特征分箱查询，以确定所述第一行为特征值所属的第一特征分箱；8.对所述第一行为特征值所属的第一特征分箱进行证据权重查询，以得到所述第一行为特征值所属的第一特征分箱的第一证据权重值；9.调用信用分类模型对所述所属的第一特征分箱的第一证据权重值进行信用分类处理，得到第一信用分类信息；10.接收所述数据协助端反馈的加密的第二信用分类信息，并对所述加密的第二信用分类信息进行解密处理；11.调用预设信用分析模型对所述第一信用分类信息和解密的所述第二信用分类信息进行信用分析计算处理，得到待分析对象的信用分析结果。12.另一方面，本公开提供基于纵向联邦学习的信用分析方法，应用于数据协助端，所述方法包括：13.响应于信用分析端发送的待分析对象信息，对所述待分析对象信息进行行为特征匹配，得到相匹配的第二行为特征值；14.对所述待分析对象信息相匹配的第二行为特征值进行特征分箱查询，以确定所述第二行为特征值所属的第二特征分箱；15.对所述第二行为特征所属的第二特征分箱进行证据权重查询，以得到所述第二行为特征所属的第二特征分箱的加密的第二证据权重值；16.调用信用分类模型对所述所属的第二特征分箱的加密的第二证据权重值进行信用分类处理，得到加密的第二信用分类信息；17.将所述加密的第二信用分类信息发送至所述信用分析端，以由所述信用分析端根据所述加密的第二信用分类信息和第一信用分类信息进行信用分析计算处理，得到待分析对象的信用分析结果。18.另一方面，本公开提供基于纵向联邦学习的信用分析装置，应用于信用分析端，所述装置包括：19.第一特征匹配模块：用于响应于终端发送的携带有待分析对象信息的信用分析请求，对所述待分析对象信息进行行为特征匹配，得到相匹配的第一行为特征值；20.第一特征分箱查询模块：用于对所述待分析对象信息相匹配的第一行为特征值进行特征分箱查询，以确定所述第一行为特征值所属的第一特征分箱；21.第一证据权重值查询模块：用于对所述第一行为特征值所属的第一特征分箱进行证据权重查询，以得到所述第一行为特征值所属的第一特征分箱的第一证据权重值；22.第一分类模块：用于调用信用分类模型对所述所属的第一特征分箱的第一证据权重值进行信用分类处理，得到第一信用分类信息；23.对象信息发送模块：用于将所述待分析对象信息发送至数据协助端，以由所述数据协助端对所述待分析对象信息进行行为特征匹配、特征分箱查询、证据权重查询以及信用分类处理；24.解密模块：用于接收所述数据协助端反馈的加密的第二信用分类信息，并对所述加密的第二信用分类信息进行解密处理；25.分析结果生成模块：用于调用预设信用分析模型对所述第一信用分类信息和所述解密的所述第二信用分类信息进行信用分析计算处理，得到待分析对象的信用分析结果。26.另一方面，本公开提供基于纵向联邦学习的信用分析装置，应用于数据协助端，所述装置包括：27.第二特征匹配模块：用于响应于信用分析端发送的待分析对象信息，对所述待分析对象信息进行行为特征匹配，得到相匹配的第二行为特征值；28.第二特征分箱查询模块：用于对所述待分析对象信息相匹配的第二行为特征值进行特征分箱查询，以确定所述第二行为特征值所属的第二特征分箱；29.第二证据权重值查询模块：用于对所述第二行为特征所属的第二特征分箱进行证据权重查询，以得到所述第二行为特征所属的第二特征分箱的加密的第二证据权重值；30.第二分类模块：用于调用信用分类模型对所述所属的第二特征分箱的加密的第二证据权重值进行信用分类处理，得到加密的第二信用分类信息；31.分类信息发送模块：用于将所述加密的第二信用分类信息发送至所述信用分析端，以由所述信用分析端根据所述加密的第二信用分类信息和第一信用分类信息进行信用分析计算处理，得到待分析对象的信用分析结果。32.另一方面，本公开提供基于纵向联邦学习的信用分析系统，所述系统包括信用分析端和数据协助端：33.所述信用分析端用于响应于终端发送的携带有待分析对象信息的信用分析请求，对所述待分析对象信息进行行为特征匹配，得到相匹配的第一行为特征值；并将所述待分析对象信息发送至数据协助端；对所述待分析对象信息相匹配的第一行为特征值进行特征分箱查询，以确定所述第一行为特征值所属的第一特征分箱；对所述第一行为特征值所属的第一特征分箱进行证据权重查询，以得到所述第一行为特征值所属的第一特征分箱的第一证据权重值；调用信用分类模型对所述所属的第一特征分箱的第一证据权重值进行信用分类处理，得到第一信用分类信息；34.所述数据协助端用于响应于所述信用分析端发送的待分析对象信息，对所述待分析对象信息进行行为特征匹配，得到相匹配的第二行为特征值；对所述待分析对象信息相匹配的第二行为特征值进行特征分箱查询，以确定所述第二行为特征值所属的第二特征分箱；对所述第二行为特征所属的第二特征分箱进行证据权重查询，以得到所述第二行为特征所属的第二特征分箱的加密的第二证据权重值；调用信用分类模型对所述所属的第二特征分箱的加密的第二证据权重值进行信用分类处理，得到加密的第二信用分类信息；以及，将所述加密的第二信用分类信息发送至所述信用分析端；35.所述信用分析端还用于接收所述数据协助端反馈的加密的第二信用分类信息，并对所加密的第二信用分类信息进行解密处理；调用预设信用分析模型对所述第一信用分类信息和解密的第二信用分类信息进行信用分析计算处理，得到待分析对象的信用分析结果。36.另一方面提供了基于纵向联邦学习的信用分析设备，所述设备包括处理器和存储器，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如上述的基于纵向联邦学习的信用分析方法。37.另一方面提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如上述的基于纵向联邦学习的信用分析方法。38.本公开提供的基于纵向联邦学习的信用分析方法、装置、设备、系统和存储介质，具有如下技术效果：39.本公开的信用分析方法响应于终端发送的携带有待分析对象信息的信用分析请求，对待分析对象信息进行行为特征匹配，得到相匹配的第一行为特征值；并将待分析对象信息发送至数据协助端，以由数据协助端对待分析对象信息进行行为特征匹配、特征分箱查询、证据权重查询以及信用分类处理；对待分析对象信息相匹配的第一行为特征值进行特征分箱查询，以确定第一行为特征值所属的第一特征分箱；对第一行为特征值所属的第一特征分箱进行证据权重查询，以得到第一行为特征值所属的第一特征分箱的第一证据权重值；调用信用分类模型对所属的第一特征分箱的第一证据权重值进行信用分类处理，得到第一信用分类信息；接收数据协助端反馈的加密的第二信用分类信息，并对加密的第二信用分类信息进行解密处理；调用预设信用分析模型对第一信用分类信息和解密的第二信用分类信息进行信用分析计算处理，得到待分析对象的信用分析结果。如此，信用分析端和数据协助端均利用证据权重值进行信用分类处理，提高了信用分类模型的稳定性和可扩展性，进而提高了分析结果的可靠性；并且，信用分析端根据加密的第二信用分类信息进行信用分析计算处理，能够有效避免第二信用分析端的特征数据泄露，提高了信息安全性。附图说明40.为了更清楚地说明本公开实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。41.图1是本公开实施例提供的一种系统的示意图；42.图2是本公开实施例提供的基于纵向联邦学习的信用分析方法的流程示意图；43.图3是本公开实施例提供的基于纵向联邦学习的信用分类模型训练方法的流程示意图；44.图4是本公开实施例提供的基于纵向联邦学习的信用分析方法的流程示意图；45.图5是本公开实施例提供的基于纵向联邦学习的信用分析方法的流程示意图；46.图6是本公开实施例提供的基于纵向联邦学习的信用分析装置的结构示意图；47.图7是本公开实施例提供的基于纵向联邦学习的信用分析装置的结构示意图；48.图8是本公开实施例提供的基于纵向联邦学习的信用分析方法或信用分类模型训练方法的服务器的硬件结构框图。具体实施方式49.下面将结合本公开实施例中的附图，对本公开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公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。50.需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。51.对本公开实施例进行进一步详细说明之前，对本公开实施例中涉及的名词和术语进行说明，本公开实施例中涉及的名词和术语适用于如下的解释。52.逻辑回归算法(logidtic regression，lr)：是一种经典的线性机器学习算法，通过log损失函数定义损失loss，一般通过梯度下降算法来学习模型参数。53.同态加密：同态加密是一种加密形式，它允许人们对密文进行特定形式的代数运算得到仍然是加密的结果，将其解密所得到的结果对明文进行同样的运算结果一样。同态加密可分为部分同态加密和全同态加密，部分同态加密仅支持单一类型的密文域同态运算(加或乘同态)，全同态加密能够实现任意次密文的加、乘同态运算。54.人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。55.近年来，随着人工智能技术研究和进步，人工智能技术在多个领域得到广泛应用，本公开实施例提供的方案涉及人工智能的机器学习等技术，具体涉及联邦学习技术。56.联邦学习与传统的集中式机器学习不同，联邦学习具有分布式、本地计算等特征，将训练任务下发到用户侧，数据保持在用户本地，保证了用户数据的隐私；此外，通过引入更多的用户参与，联邦学习可以整体上拓展训练数据集，从而提升总体模型的质量。用于联邦学习的模型训练数据可存储于分布式系统的节点中，例如区块链节点等。区块链(blockchain)是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层。区块链底层平台可以包括用户管理、基础服务、智能合约以及运营监控等处理模块。其中，用户管理模块负责所有区块链参与者的身份信息管理，包括维护公私钥生成(账户管理)、密钥管理以及用户真实身份和区块链地址对应关系维护(权限管理)等，并且在授权的情况下，监管和审计某些真实身份的交易情况，提供风险控制的规则配置(风控审计)；基础服务模块部署在所有区块链节点设备上，用来验证业务请求的有效性，并对有效请求完成共识后记录到存储上，对于一个新的业务请求，基础服务先对接口适配解析和鉴权处理(接口适配)，然后通过共识算法将业务信息加密(共识管理)，在加密之后完整一致的传输至共享账本上(网络通信)，并进行记录存储；智能合约模块负责合约的注册发行以及合约触发和合约执行，开发人员可以通过某种编程语言定义合约逻辑，发布到区块链上(合约注册)，根据合约条款的逻辑，调用密钥或者其它的事件触发执行，完成合约逻辑，同时还提供对合约升级注销的功能；运营监控模块主要负责产品发布过程中的部署、配置的修改、合约设置、云适配以及产品运行中的实时状态的可视化输出，例如：告警、监控网络情况、监控节点设备健康状态等。57.本公开实施例提供了一种基于纵向联邦学习的信用分析方法，具体通过如下实施例进行说明：58.请参阅图1，图1是本公开实施例提供的一种系统的示意图，如图1所示，该系统可以至少包括信用分析端01和数据协助端02。信用分析端01和数据协助端02可以包括服务器等实体设备，也可以包括运行于实体设备中的软体，例如应用程序等；信用分析端01和数据协助端02可以通过有线或无线通信方式进行直接或间接地连接，以实现信用分析端01和数据协助端02间的交互，本公开在此不做限制。59.本公开实施例中，服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn(content delivery network，内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。60.本公开实施例中，信用分析端01可以设置有待分析对象集的第一样本行为特征数据和第一样本行为特征数据对应的分类标签数据，用于进行分类模型的第一分类子模型的训练学习。其中，待分析对象集中包括大量的待分析对象，在一些实施例中，待分析对象可以为用户的标识信息，例如用户的身份证号和手机号等能够表征用户身份的唯一识别信息；分类标签数据可以包括待分析对象集中的各待分析对象各自对应的对象标签，该对象标签表征待分析对象的分类信息。61.本公开实施例中，数据协助端02可以设置有待分析对象集的第二样本行为特征数据，用于进行分类模型的第二分类子模型的训练学习。62.本公开实施例中，在分类模型的训练过程中，信用分析端01和数据协助端02通过交换训练过程中的残差信息以实现分类模型的约束训练。63.在实际应用中，信用分析端01还可以用于基于信用分类模型提供待分析对象的信用分析服务，在信用分析过程中，信用分析端01基于信用分类模型的第一分类子模型得到待分析对象的第一信用分类信息；数据协助端02基于信用分类模型的第二分类子模型向信用分析端01提供待分析对象的加密的第二信用分类信息，信用分析端基于该第一信用分类信息和加密的第二信用分类信息生成待分析对象的信用分析结果。64.此外，需要说明的是，图1所示的仅仅是一种基于纵向联邦学习的信用分析的系统，在实际应用中，还可以包括更多或更少的节点，例如可以包括两个或两个以上的数据协助端02，两个或两个以上的数据协助端02可以与信用分析端01进行数据通信，以实现分类模型的训练和信用分析。65.以下基于上述系统结合图2介绍基于纵向联邦学习的信用分析方法，请参阅图2，图2是本公开实施例提供的基于纵向联邦学习的信用分析方法的流程示意图，本公开提供了如实施例或流程图的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置、系统或设备产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图2所示，方法可以包括：66.s201：信用分析端响应于终端发送的携带有待分析对象信息的信用分析请求，对待分析对象信息进行行为特征匹配，得到相匹配的第一行为特征值。67.本公开实施例中，待分析对象信息可以包括至少一个待分析对象，如至少一个用户的标识信息，如用户的唯一编码、身份证号或者手机号等。需要说明的是，待分析对象为前述的待分析对象集中的任一待分析对象；信用分析端用于接收信用分析请求以及输出信用分析结果，数据协助端用于协助信用分析端进行待分析对象的信用分析。68.在实际应用中，信用分析端中预存待分析对象与第一行为特征值间的映射关系，信用分析端基于该映射关系，确定与待分析对象信息匹配的第一行为特征值。69.s203：对待分析对象信息相匹配的第一行为特征值进行特征分箱查询，以确定第一行为特征值所属的第一特征分箱。70.本公开实施例中，信用分析端预存有第一行为特征值与第一特征分箱的对应关系，通过查询第一行为特征值和第一特征分箱的对应关系，可以确定第一行为特征值所属的第一特征分箱。或者，在步骤s203之前还可以包括：对待分析对象集进行特征分箱处理；具体地，根据第一分箱规则和第一样本行为特征数据对待分析对象集进行特征分箱处理，得到多个第一特征分箱；以得到第一行为特征值与第一行为特征值的对应关系。71.s205：对第一行为特征值所属的第一特征分箱进行证据权重查询，以得到第一行为特征值所属的第一特征分箱的第一证据权重值。72.本公开实施例中，信用分析端可以预存第一特征分箱与第一证据权重值的对应关系。或者，步骤s205可以为：对第一行为特征值所属的第一特征分箱进行证据权重计算；具体地，可以根据所属的第一特征分箱中各待分析对象的各自的分类标签进行证据权重计算，得到所属的第一特征分箱的第一证据权重值。73.s207：信用分析端调用信用分类模型对所属的第一特征分箱的第一证据权重值进行信用分类处理，得到第一信用分类信息。74.本公开实施例中，信用分类模型包括部署在信用分析端的第一分类子模型和部署在数据协助端的第二分类子模型。在确定对应的第一行为特征值后，信用分析端调用预先部署的第一分类子模型，将所属的第一特征分箱的第一证据权重值输入该第一分类子模型以进行分类处理，得到第一信用分类信息。75.s209：信用分析端将待分析对象信息发送至数据协助端。76.s211：数据协助端响应于信用分析端发送的待分析对象信息，对待分析对象信息进行行为特征匹配，得到相匹配的第二行为特征值。77.本公开实施例中，数据协助端中预存待分析对象信息与第二行为特征值间的映射关系，数据协助端基于该映射关系，确定待分析对象信息对应的第二行为特征值。78.s213：对待分析对象信息相匹配的第二行为特征值进行特征分箱查询，以确定第二行为特征值所属的第二特征分箱。79.本公开实施例中，数据协助端预存有第二行为特征值与第二特征分箱的对应关系，通过查询第二行为特征值和第二特征分箱的对应关系，可以确定第二行为特征值所属的第二特征分箱。或者，在步骤s213之前还可以包括：对待分析对象集进行特征分箱处理；具体地，根据第二分箱规则和第二样本行为特征数据对待分析对象集进行特征分箱处理，得到多个第二特征分箱；以得到第二行为特征值与第二行为特征值的对应关系。80.s215：对第二行为特征所属的第二特征分箱进行证据权重查询，以得到第二行为特征所属的第二特征分箱的加密的第二证据权重值。81.本公开实施例中，数据协助端可以预存第二特征分箱与加密的第二证据权重值的对应关系。或者，步骤s215可以为：对第二行为特征值所属的第二特征分箱进行证据权重计算；具体地，信用分析端调用预设加密算法对分类标签数据进行标签加密处理，并将得到的加密的分类标签数据发送至数据协助端，数据协助端在加密的分类标签数据中确定所属的第二特征分箱中各待分析对象的各自的加密的分类标签，并根据各自的加密的分类标签生成所属的第二特征分箱的加密标签加和，将该所属的第二特征分箱的加密标签加和发送至信用分析端；然后信用分析端调用预设加密算法对所属的第二特征分箱的加密标签加和进行解密处理，得到所属的第二特征分箱的标签加和，并根据所属的第二特征分箱的标签加和进行证据权重计算，得到所属的第二特征分箱的第二证据权重值。进一步地，信用分析端调用预设加密算法对所属的第二特征分箱的第二证据权重值进行权重加密处理，并将所属的第二特征分箱的加密的第二证据权重值发送至数据协助端。82.在实际应用中，预设加密算法可以包括但不限于同态加密算法等，具体地，可以为部分同态加密和全同态加密。在一些实施例中，预设加密算法可以具体为加法同态加密算法，如paillier算法等。83.s217：数据协助端调用信用分类模型对所属的第二特征分箱的加密的第二证据权重值进行信用分类处理，得到加密的第二信用分类信息。84.本公开实施例中，在确定待分析对象对应的第二行为特征值后，数据协助端调用预先部署的第二分类子模型，将所属的第二特征分箱的加密的第二证据权重值输入该第二分类子模型以进行分类处理，得到加密的第二信用分类信息。85.s219：数据协助端将加密的第二信用分类信息发送至信用分析端。86.s221：信用分析端接收数据协助端反馈的加密的第二信用分类信息，并对加密的第二信用分类信息进行解密处理。87.本公开实施例中，信用分析端调用预设加密算法对加密的第二信用分类信息进行解密处理，得到第二信用分类信息。88.s223：调用预设信用分析模型对第一信用分类信息和解密的第二信用分类信息进行信用分析计算处理，得到待分析对象的信用分析结果。89.本公开实施例中，第一信用分类信息为第一分类子模型的第一输出值，第二信用分类信息为第二分类子模型的第二输出值，结合第一输出值和第二输出值才能够得到信用分类模型的总输出，然后将得到的总输出作为预设信用分析模型的输入变量，基于预设信用分析模型分析得到待分析对象的信用分析结果，信用分析结果可以为信用等级，也可以为信用评分。90.需要说明的是，上述步骤s203和s211可以并行执行或分时执行，不以其步骤标号为限。91.在一些实施例中，信用分类模型为评分卡模型，信用分类模型为对逻辑回归模型进行约束训练得到的。相应的，预设信用分析模型的表达式为西格玛函数，该西格玛函数如下述公式一所示：[0092][0093]其中x表征上述信用分类模型的总输出，即完整的信用分类信息，x＝ua+ub；具体地，x等于上述第一输出值与第二输出值的加和。ub为第一信用分类信息，ua为第二信用分类信息。基于该西格玛函数，可以得到待分析对象的西格玛值σ，该西格玛值为区间[0 1]中的任意值。在具体的应用实例中，可以基于该西格玛值确定待分析对象的分类标签等信用分析结果，例如在用户信用评价时，可以基于该西格玛值确定用户的信用等级或信用评分。[0094]综上，信用分析端和数据协助端均利用证据权重值进行信用分类处理，提高了信用分类模型的稳定性和可扩展性，进而提高了分析结果的可靠性；并且，信用分析端根据加密的第二信用分类信息进行信用分析计算处理，能够有效避免第二信用分析端的特征数据泄露，提高了信息安全性。[0095]基于上述部分或全部实施方式，本公开实施例中，在步骤s201之前，方法还可以包括：[0096]s301：信用分析端基于分类标签数据对第一样本行为特征数据进行证据权重特征转换，得到各第一特征分箱对应的第一权重特征数据。[0097]本公开实施例中，信用分析端设置有待分析对象集的第一样本行为特征数据和第一样本行为特征数据对应的分类标签数据，数据协助端设置有待分析对象集的第二样本行为特征数据。其中，待分析对象集中包括大量的待分析对象，在一些实施例中，待分析对象可以为样本的标识信息，例如样本id，举例来说，可以为用户的身份证号、手机号或用户编码等能够表征用户身份的唯一识别信息。分类标签数据可以包括待分析对象集中的各待分析对象各自对应的对象标签，该对象标签表征待分析对象的分类信息。在一些实施例中，分类标签数据中可以包括第一分类标签和第二分类标签，即任一待分析对象的对象标签可以为第一分类标签或第二分类标签。[0098]在实际应用中，在步骤s301之前还可以包括样本对齐的步骤，以使信用分析端和数据协助端分别确定待分析对象集，以及待分析对象集对应的第一样本行为特征数据、第二样本行为特征数据和分类标签数据，该样本对齐的步骤可以同现有技术，本公开在此不做限制。[0099]需要说明的是，第一样本行为特征数据可以包括至少一种特征对应的数据，第二样本行为特征数据可以包括至少一种特征对应的数据，第一样本行为特征数据中对应的各种特征与第二样本行为特征数据对应的各种特征可以完全不同，也可以部分重叠。[0100]在一些实施例中，行为特征可以包括但不限于待分析对象对应用户的消费行为特征、收支行为特征、信贷行为特征、储蓄行为特征和年龄特征等，对象标签可以表征用户的信用还贷情况等。需要说明的是，行为特征可以是与信用分析相关的任意特征，对象标签可以是与信用分析相关的任意形式的标签，本公开在此不做限制。[0101]s303：信用分析端调用预设加密算法对分类标签数据进行标签加密处理，得到加密的分类标签数据。[0102]s305：信用分析端将加密的分类标签数据发送至数据协助端。[0103]在实际应用中，步骤s303可以具体为：信用分析端调用预设的同态加密算法，同态加密分类标签数据中各待分析对象各自的对象标签，得到各待分析对象各自的加密对象标签，基于各待分析对象和各自的加密对象标签生成加密的分类标签数据。在一些实施例中，对象标签为二分类标签，加密的分类标签数据可以表征为(idi,[[yi]],[[1-yi]])，其中，yi表征第一分类标签，1-yi表征第二分类标签，[[]]表征加密操作，[[yi]]表征第一加密分类标签，[[1-yi]]表征第二加密分类标签，i为待分析对象索引。[0104]在实际应用中，信用分析端将得到的加密的分类标签数据发送至数据协助端，以使数据协助端执行下述步骤s307。需要说明的是，上述步骤s301和s303可以为并行执行，也可以是分时执行，并不以其步骤标号的顺序为限。[0105]s307：数据协助端根据加密的分类标签数据对第二样本行为特征数据进行加密证据权重特征转换，得到各第二特征分箱对应的加密的第二权重特征数据。[0106]本公开实施例中，数据协助端接收信用分析端发送的加密的分类标签数据后，基于该加密的分类标签数据进行证据权重特征转换，在分类标签数据为加密状态的情况下，数据协助端得到的权重特征数据也为加密状态。在一些实施例中，加密的标签数据包括待分析对象集中各待分析对象各自对应的加密对象标签，加密对象标签包括第一加密分类标签或第二加密分类标签。[0107]基于上述部分或全部实施方式，本公开实施例中，第一样本行为特征数据可以包括待分析对象的第一行为特征值，在步骤s301之前，方法还可以包括：[0108]s401：信用分析端根据第一分箱规则和第一样本行为特征数据对待分析对象集进行特征拆分，得到多个第一特征分箱和各第一特征分箱各自对应的第一分箱标识。[0109]具体实施例中，信用分析端采用第一分箱规则将第一样本行为特征数据对应的各特征变量进行离散化，进而将待分析对象集拆分为多个第一特征分箱。具体地，第一分箱规则可以为现有的分箱规则，例如等频分箱、等距分箱或卡方分箱等；例如，对于数值型特征变量，可以根据数值范围或除数取余结果进行分箱，或者，对于类别型变量，可以基于设定的类别属性进行分箱。具体地，第一特征分箱与第一分箱标识一一对应，第一分箱标识为用于识别第一特征分箱的信息，例如唯一识别编码等。[0110]具体实施例中，当第一样本行为特征数据对应于两种或两种以上的特征时，信用分析端可以分别基于各种特征对待分析对象集进行拆分，得到各种特征各自对应的第一特征分箱。需要说明的是，第一分箱规则可以包括至少一种预设分箱规则，基于不同种类的特征进行分箱时，可以采用第一分箱规则中与该种特征对应的预设分箱规则进行离散化，得到对应的两种或两种以上的第一特征分箱。[0111]相应的，基于步骤s401，上述步骤s301包括：[0112]s3011：信用分析端根据分类标签数据对各第一特征分箱进行证据权重计算，得到各第一特征分箱各自对应的第一证据权重值。[0113]s3012：信用分析端将第一特征分箱中的待分析对象的第一行为特征值转换为对应的第一证据权重值。[0114]s3013：信用分析端基于各第一特征分箱各自对应的第一证据权重值和第一分箱标识生成第一权重特征数据。[0115]具体实施例中，信用分析端可以根据各第一特征分箱各自对应的分类标签数据和待分析对象集对应的分类标签数据，计算各第一特征分箱各自的第一证据权重值。具体地，对于任一第一特征分箱，可以根据第一特征分箱中的各个待分析对象各自的对象标签和待分析对象集中所有待分析对象的对象标签进行证据权重计算，得到对应的第一证据权重值。[0116]在一些实施例中，待分析对象的对象标签可以为第一分类标签或第二分类标签。具体地，第一分类标签可以表征响应，第二分类标签可以表征不响应；或者，第一分类标签可以表征违约，第二分类标签表征未违约，当然第一分类标签和第二分类标签可以表征更多其他的对象分类信息，本公开在此不做限制。[0117]具体地，信用分析端可以基于下述公式二计算各第一特征分箱的第一证据权重值：[0118][0119]其中，woei为第一特征分箱j的第一证据权重值，pyj表征第一特征分箱j中对象标签为第一分类标签的待分析对象的数量与对象标签为第二分类标签的待分析对象的数量的比值，pnj表征待分析对象集中对象标签为第一分类标签的待分析对象的数量与对象标签为第二分类标签的待分析对象的数量的比值。[0120]需要说明的是，第一证据权重值的计算方式不限于上述公式二，也可以基于其它方式确定该第一证据权重值，例如iv值计算等。[0121]进一步地，在得到各第一特征分箱各自对应的第一证据权重值后，信用分析端可以将每个第一特征分箱中所包含的待分析对象的第一行为特征值替换为其对应的第一证据权重值，进而基于各个第一特征分箱各自对应的第一证据权重值和第一特征分箱标识生成第一权重特征数据。举例来说，将第一特征分箱j中的各待分析对象的第一行为特征值(如月平均消费额或年龄等)替换为该第一特征分箱j的woej，相应的，第一权重特征数据可以表征为(binj,woej)，其中，binj表征第一特征分箱j的第一分箱标识，j为子集索引。[0122]在一些实施例中，当第一样本行为特征数据对应于两种或两种以上特征时，第一权重特征数据中还可以包括第一特征索引，相应的，第一权重特征数据可以表征为(binkj,woekj)，k表征第一特征索引，binkj为特征k对应的第一特征分箱j的第一分箱标识，woekj为特征k对应的第一特征分箱j的第一证据权重值。[0123]相应的，在一个具体实例中，信用分析端替换后的特征示例可以如表一所示，其中，第一权重特征数据对应于五种特征，第一特征索引分别为0-4，待分析对象id1至id4在各特征中对应的第一权重特征值如表一所示。[0124]样本id特征0特征1特征2特征3特征4id1woe01woe11woe21woe31woe41id2woe02woe12woe22woe32woe42id3woe03woe13woe23woe33woe43id4woe01woe11woe21woe31woe41[0125]表一[0126]进一步地，第二样本行为特征数据包括待分析对象的第二行为特征值，在步骤s301之前，方法还可以包括：[0127]s403：数据协助端根据第二分箱规则和第二样本行为特征数据对待分析对象集进行特征拆分，得到多个第二特征分箱和各第二特征分箱各自对应的第二分箱标识。[0128]具体实施例中，数据协助端采用第二分箱规则将第二样本行为特征数据对应的各特征变量进行离散化，进而将待分析对象集拆分为多个第二特征分箱。第二分箱规则可以与前述的第一分箱规则相同，也可以与前述的第一分箱规则不同，具体可以基于第二样本行为特征数据对应的各特征来设定。第二特征分箱与第二分箱标识一一对应，第二分箱标识为用于识别第二特征分箱的信息，例如唯一识别编码等。[0129]具体实施例中，当第二样本行为特征数据对应于两种或两种以上的特征时，数据协助端可以分别基于各种特征对待分析对象集进行拆分，得到各种特征各自对应的第二特征分箱。需要说明的是，与第一分箱规则相类似的，第二分箱规则可以包括至少一种预设分箱规则，基于不同种类的特征进行分箱时，可以采用第二分箱规则中与该种特征对应的预设分箱规则进行离散化，得到对应的两种或两种以上的第二特征分箱。[0130]相应的，基于步骤s403，上述步骤s307包括：[0131]s3071：数据协助端根据加密的分类标签数据生成的各第二特征分箱各自的加密标签加和信息。[0132]s3072：数据协助端将各第二特征分箱各自的加密标签加和信息发送至信用分析端。[0133]具体实施例中，数据协助端根据加密的分类标签数据可以确定待分析对象集中包含的待分析对象的加密对象标签，即可以确定各第二特征分箱各自对应的加密的分类标签数据。然后，将每个第二特征分箱对应的加密的分类标签数据中同种类别的加密对象标签进行加和处理，得到各第二特征分箱各自的加密标签加和信息，该加密标签加和信息包括对应的各类别的加密对象标签加和。举例来说，当加密对象标签类别包括第一加密分类标签和第二加密分类标签时，加密标签加和信息包括第一加密标签加和第二加密标签加和，其中，第一加密标签加和为第二特征分箱对应的加密的分类标签数据中所有第一加密分类标签的加和，第二加密标签加和为第二特征分箱对应的加密的分类标签数据中所有第二加密分类标签的加和。[0134]具体地，加密标签加和信息可以表征为其中，表征第二特征分箱binj的第一加密标签加和，表征第二特征分箱binj的第二加密标签加和。其中，i是待分析对象的索引，j是特征分箱的索引。[0135]s3073：信用分析端接收数据协助端反馈的、根据加密的分类标签数据生成的各第二特征分箱各自的加密标签加和信息。[0136]s3074：信用分析端调用预设加密算法对各加密标签加和信息进行标签加和解密处理，得到各第二特征分箱各自的标签加和信息。[0137]s3075：信用分析端根据标签加和信息对对应的第二特征分箱进行证据权重计算，得到各第二特征分箱各自对应的第二证据权重值。[0138]具体实施例中，信用分析端基于前述的预设加密算法对接收到的每个第二特征分箱的加密标签加和信息进行解密处理，得到每个第二特征分箱的标签加和信息，如基于加法同步加密算法进行解密处理。然后，根据得到的各标签加和信息确定每个第二特征分箱的第二证据权重值，第二证据权重值的确定方式与前述步骤中第一证据权重值的确定方式相类似，在此不再赘述。[0139]s3076：信用分析端调用预设加密算法对第二证据权重值进行权重加密处理，得到各第二特征分箱各自对应的加密的第二证据权重值。[0140]s3077：信用分析端将各自对应的加密的第二证据权重值发送至数据协助端。[0141]具体实施例中，为避免信用分析端的分类标签数据泄漏，信用分析端将各第二特征分箱各自对应的第二证据权重值加密后发送至数据协助端，以使数据协助端基于加密的第二证据权重值进行特征转换。[0142]s3078：数据协助端将第二特征分箱中的待分析对象的第二行为特征值转换为对应的加密的第二证据权重值。[0143]s3079：数据协助端根据各第二特征分箱各自对应的加密的第二证据权重值和第二分箱标识生成加密的第二权重特征数据。[0144]具体实施例中，在得到各第二特征分箱各自对应的加密的第二证据权重值后，数据协助端可以将每个第二特征分箱中所有的待分析对象的第二行为特征值替换为其对应的加密的第二证据权重值，进而基于各个第二特征分箱的加密的第二证据权重值和第二特征分箱标识生成加密的第二权重特征数据。举例来说，将第一特征分箱j中的各待分析对象的第二行为特征值替换为该第二特征分箱j对应的加密的第二证据权重值[[woej]]，相应的，第一权重特征数据可以表征为(binj,[[woej]])，其中，binj表征第二特征分箱j的第二分箱标识。[0145]在一些实施例中，当第二样本行为特征数据对应于两种或两种以上特征时，加密的第二权重特征数据中还可以包括第二特征索引，相应的，第二权重特征数据可以表征为(binkj,[[woekj]])，k表征第二特征索引，binkj为特征k对应的第二特征分箱j的第二分箱标识，[[woekj]]为特征k对应的第二特征分箱j的加密的第二证据权重值。[0146]相应的，在一个具体实例中，数据协助端替换后的特征示例可以如表二所示，其中，加密的第二权重特征数据对应于五种特征，第二特征索引分别为5-9，与前述表一相对应的，待分析对象id1至id4在各特征中对应的加密的第二特征值如表二所示。[0147]样本id特征5特征6特征7特征8特征9id1[[woe51]][[woe61]][[woe71]][[woe81]][[woe91]]id2[[woe52]][[woe62]][[woe72]][[woe82]][[woe92]]id3[[woe53]][[woe63]][[woe73]][[woe83]][[woe93]]id4[[woe51]][[woe61]][[woe71]][[woe81]][[woe91]][0148]表二[0149]综上，数据协助端基于加密的分类标签数据进行了特征转换，得到了加密的第二权重特征数据，在提高稳定性的同时避免信用分析端的分类标签数据泄漏，提高了信息安全性。[0150]现有技术中在进行联邦学习时需要引入第三方节点，第三方节点主要用于提供模型训练过程中的加解密服务，但增设第三方节点会引入信息泄露风险。为了解决在进行联邦学习时存在数据安全隐患以及敏感信息泄露等问题，基于上述部分或全部实施方式，在步骤s207之前，方法还包括基于纵向联邦学习的信用分类模型训练方法，请参考图3，图3是本公开实施例提供的基于纵向联邦学习的信用分类模型训练方法的流程示意图。具体的如图3所示，方法可以包括：[0151]s501：信用分析端调用待训练的分类模型对第一权重特征数据进行信用分类处理，得到第一样本分类特征信息。[0152]在实际应用中，在得到第一权重特征数据之后，信用分析端可以将第一权重特征数据输入分类模型的第一分类子模型中进行信用分类处理，得到第一样本分类特征信息。其中，第一分类子模型模块可以设置在信用分析端中，具体的可以设置在信用分析端的第一算法组件中。[0153]在实际应用中，信用分析端基于预先存储的分类标签数据和第一样本行为特征数据进行了特征分箱和特征转换，第一分类子模型基于转换后的特征数据得到第一样本分类特征数据，需要说明的是，第一样本分类特征数据是分类模型的部分输出值，需结合下述第二分类子模型的输出值才能够得到完整的输出值。[0154]s503：数据协助端调用待训练的分类模型对加密的第二权重特征数据进行加密信用分类处理，得到加密的第二样本分类特征信息。[0155]s505：数据协助端将加密的第二样本分类特征信息发送至信用分析端。[0156]在实际应用中，在得到加密的第二权重特征数据之后，数据协助端可以将加密的第二权重特征数据输入分类模型的第二分类子模型中进行信用分类处理，得到加密的第二样本分类特征信息，然后将其发送至信用分析端。其中，第二分类子模型模块可以设置在数据协助端中，具体的可以设置在数据协助端的第二算法组件中。[0157]s507：信用分析端根据第一样本分类特征信息、加密的第二样本分类特征信息和分类标签数据生成分类模型的总残差。[0158]在实际应用中，步骤s507可以包括：[0159]s5071：信用分析端调用预设加密算法对加密的第二样本分类特征信息进行特征信息解密处理，得到第二样本分类特征信息。[0160]s5072：信用分析端根据第一样本分类特征信息、第二样本分类特征信息和分类标签数据生成总残差。[0161]具体实施例中，信用分析端对加密的第二样本分类特征信息进行解密处理，得到第二样本分类特征信息，结合第一样本分类特征信息和第二样本分类特征信息得到完整的样本分类特征信息，进而基于完整的样本分类特征信息和分类标签数据确定分类模型当前的总残差。[0162]s509：信用分析端基于总残差训练分类模型，得到信用分类模型。[0163]在实际应用中，分类模型包括部署在信用分析端的第一分类子模型和部署在数据协助端的第二分类子模型。基于总残差对第一分类子模型和第二分类子模型进行约束训练，得到对应的第一分类子模型和第二分类子模型，结合第一分类子模型和第二分类子模型得到信用分类模型。[0164]在实际应用中，上述分类模型可以为基于逻辑回归算法的逻辑回归模型。对于传统的逻辑回归算法，假设h是一个训练数据集，i是其中的样本索引，样本总数为h，相应的平均损失函数l如下述公式三所示：[0165][0166]其中，x为样本的特征值，y为样本的标签，w为模型的权重系数。[0167]进一步地，对上述的公式三进行泰勒展开，得到其二阶近似如下述公式四：[0168][0169]进一步地，根据梯度下降法，对上述公式四求偏导，得到模型的梯度信息，其表达式如下述公式五：[0170][0171]更进一步地，基于上述梯度信息和学习率η可以确定模型的更新量和更新后的权重系数，更新后的权重系数基于下述公式六得到；其中，wn+1为更新后的权重系数，wn为模型当前的权重系数，n为迭代次数：[0172][0173]本公开实施例中，基于纵向联邦学习的分类模型分布在信用分析端和数据协助端，特征也分布在信用分析端和数据协助端，基于前述的步骤s301至s307，信用分析端和数据协助端分别进行了特征转换，相应的，基于上述传统的逻辑回归算法，在一个具体的实施例中，信用分析端的梯度信息和数据协助端的梯度信息的表达式分别如下述公式七和公式八：[0174][0175][0176]其中，xb表征第一特征数据，即第一权重特征数据，xa表征第二特征数据，即加密的第二权重特征数据，wb表征第一分类子模型的权重系数，wa表征第二分类子模型的权重系数，yb表征设置在信用分析端的对象标签数据；相应的，xbi表征样本idi的第一证据权重特征值，xai表征样本idi的第二证据权重特征值，ybi表征样本idi的对象标签。[0177]进一步地，基于上述公式七和八，本公开的第一分类子模型对第一权重特征数据进行信用分类处理得到的第一样本分类特征信息可以表征为下述公式九，第二分类子模型对加密的第二权重特征数据进行信用分类处理得到的加密的第二样本分类特征信息可以表征为下述公式十：[0178]ub＝wb*xbꢀꢀꢀꢀꢀꢀꢀꢀꢀ(九)[0179][[ua]]＝wa*[[xa]]ꢀꢀꢀꢀꢀꢀꢀꢀꢀ(十)[0180]其中，ub表征第一样本分类特征信息，[[ua]]表征加密的第二样本分类特征信息，[[xa]]表征加密的第二权重特征数据。[0181]进一步地，数据协助端将第二分类子模型输出的加密的第二样本分类特征信息[[ua]]发送至信用分析端，以使信用分析端对其进行解密处理，得到第一样本分类特征信息ub，然后信用分析端基于第一样本分类特征信息、第二样本分类特征信息和分类标签数据确定分类模型的总残差，总残差的表达式如下述公式十一所示，其中d_real为总残差：[0182][0183]进一步地，基于得到的总残差，以及上述公式七和八，可以得到第一分类子模型的第一梯度信息和第二分类子模型的第二梯度信息，第一梯度信息的表达式如下述公式十二所示，第二梯度信息的表达式如下述公式十三所示：[0184][0185][0186]在实际应用中，步骤s509包括：[0187]s5091：信用分析端根据梯度下降法，对总残差和第一权重特征数据进行梯度计算，得到第一分类子模型的第一梯度信息。[0188]具体实施例中，基于上述的逻辑回归模型，信用分析端可以基于上述公式十二，根据总残差和第一权重特征数据确定第一分类子模型的第一梯度信息。然后根据第一梯度信息判断第一分类子模型是否处于收敛状态，进而根据判断结果执行下述步骤s601或步骤s603。[0189]s5092：信用分析端对总残差进行残差模糊处理，得到模糊后的总残差。[0190]s5093：信用分析端并将模糊后的总残差发送至数据协助端；[0191]具体实施例中，步骤s5092可以具体为：随机生成与总残差同维度的第一随机向量，基于第一随机向量对总残差进行残差模糊处理，得到模糊后的总残差；在一个实施例中，模糊后的总残差可以表征为dmask＝dreal+rb，其中rb为第一随机向量。然后，信用分析端将模糊后的总残差发送至数据协助端，以使数据协助端执行下述步骤s5094，s605和s607。[0192]需要说明的是，步骤s5091可以与步骤s5092并行执行或分时执行。[0193]s5094：数据协助端进行梯度计算，得到第二分类子模型的第二加密梯度信息。[0194]具体实施例中，步骤s5091具体为：数据协助端根据梯度下降法，对模糊后的总残差和加密的第二权重特征数据进行梯度计算，得到第二分类子模型的第二加密梯度信息。具体地，基于加密的第二权重特征数据得到的梯度信息也为加密的信息，数据协助端基于该第二加密梯度信息可以生成对应的第二梯度信息。[0195]具体地，在步骤s5094之后，方法还包括第二梯度信息的生成步骤：[0196]s5095：数据协助端对第二加密梯度信息进行梯度信息模糊处理，得到模糊后的第二加密梯度信息。[0197]s5096：数据协助端将第二加密梯度信息发送至信用分析端。[0198]具体地，步骤s5095可以具体为：数据协助端随机生成与第二加密梯度信息同维度的第二随机向量，基于第二随机向量对第二加密梯度信息进行梯度信息模糊处理，得到模糊后的第二加密梯度信息，然后，数据协助端将模糊后的第二加密梯度信息发送至信用分析端。[0199]s5097：信用分析端响应于数据协助端反馈的模糊后的第二加密梯度信息，基于残差模糊处理对应的残差模糊信息对模糊后的第二加密梯度信息进行去模糊处理，并调用预设加密算法对模糊后的第二加密梯度信息进行梯度信息解密处理，得到模糊后的第二梯度信息。[0200]s5098：信用分析端将模糊后的第二梯度信息发送至数据协助端。[0201]具体地，第二加密梯度信息为数据协助端基于上述公式十三，根据模糊后的总残差和加密的第二权重特征数据得到的信息，因此，第二加密梯度信息包含残差模糊处理对应的残差模糊信息和加密的第二权重特征数据对应的加密信息。信用分析端在接收到数据协助端反馈的模糊后的第二加密梯度信息后，基于该残差模糊处理对应的残差模糊信息对其进行第一去模糊处理，以去除残差模糊信息；调用预设加密算法对其进行解密处理，以去除第二加密梯度信息中的加密信息，进而得到模糊后的第二梯度信息，该模糊后的第二梯度信息仅包括梯度信息模糊处理对应的梯度模糊信息。然后，将模糊后的第二梯度信息发送至数据协助端。[0202]s5099：数据协助端基于梯度信息模糊处理对应的梯度模糊信息对模糊后的第二梯度信息进行去模糊处理，得到第二梯度信息。[0203]具体地，数据协助端基于梯度信息模糊处理对应的梯度模糊信息对模糊后的第二梯度信息进行第二去模糊处理，得到第二分类子模型真实的第二梯度信息。[0204]在一个实施例中，上述模糊后的第二加密梯度信息可以表征为其中ra为第二随机向量，[[xa]]为加密的第二权重特征数据；相应的，信用分析端在接收到该模糊后的第二加密梯度信息后，调用预设加密算法对其解密，去除[[xa]]所引入的第二加密梯度信息中的加密信息，并且，减去残差模糊处理对应的残差模糊信息进而得到模糊后的第二梯度信息并将该模糊后的第二梯度信息发送至数据协助端；数据协助端将模糊后的第二梯度信息减去第二随机向量ra，完成第二去模糊处理，得到第二分类子模型的第二梯度信息[0205]在实际应中，在上述步骤s5091之后，方法还包括信用分析端对第二分类子模型进行收敛状态检测的步骤，以及：[0206]s601：若信用分析端基于第一梯度信息检测到第一分类子模型处于收敛状态，将当前的第一分类子模型确定为信用分类模型的第一分类子模型。[0207]s603：若信用分析端基于第一梯度信息检测到第一分类子模型未处于收敛状态，基于第一梯度信息调整第一分类子模型的模型参数，根据调整后的分类模型重复上述信用分类处理至基于总残差训练分类模型的步骤。[0208]具体实施例中，基于上述步骤s5091得到的第一梯度信息，信用分析端可以检测第一分类子模型当前是否为收敛状态。具体地，可以根据第一梯度信息确定第一分类子模型参数的第一更新量，若第一更新量小于等于第一预设阈值，则确定第一分类子模型处于收敛状态，将当前的第一分类子模型确定为信用分类模型的第一分类子模型。若第一更新量大于第一预设阈值，确定第一分类子模型未处于收敛状态，重复上述步骤s501-s509，至第一分类子模型收敛。[0209]在一个实施例中，当分类模型为上述的逻辑回归模型时，调整第一分类子模型的模型参数可以具体为调整第一分类子模型的权重系数。基于上述公式五，根据第一梯度信息可以得到第一分类子模型的权重系数的第一更新量基于该第一更新量可以检测第一分类子模型是否收敛，以及若检测到第一分类子模型未收敛，基于该第一更新量更新第一分类子模型的权重系数。[0210]在实际应中，在上述步骤s5091之后，方法还包括数据协助端对第二分类子模型进行收敛状态检测的步骤，以及：[0211]s605：若数据协助端基于第二加密梯度信息对应的第二梯度信息确定第二分类子模型处于收敛状态，将当前的第二分类子模型确定为信用分类模型的第二分类子模型。[0212]s607：若数据协助端基于第二加密梯度信息对应的第二梯度信息确定第二分类子模型未处于收敛状态，基于第二梯度信息调整第二分类子模型的模型参数，基于调整后的分类模型重复上述分类处理至将加密的第二样本分类特征信息发送至信用分析端的步骤。[0213]具体实施例中，基于前述步骤得到的第二梯度信息，数据协助端可以确定第二分类子模型当前是否为收敛状态。具体地，可以根据第二梯度信息确定第二分类子模型参数的第二更新量，若第二更新量小于等于第二预设阈值，则确定第二分类子模型处于收敛状态，将当前的第二分类子模型确定为信用分类模型的第二分类子模型。若第二更新量大于第二预设阈值，确定第二分类子模型未处于收敛状态，重复上述步骤s501-s509，至第二分类子模型收敛。其中，第一预设阈值和第二预设阈值可以相同也可以不同。[0214]在一个实施例中，当分类模型为上述的逻辑回归模型时，调整第二分类子模型的模型参数与前述的调整第一分类子模型的模型参数的方式相类似，在此不再赘述，相应的，第二更新量为[0215]综上，上述技术方案由信用分析端进行分类标签数据的加密，无需第三方节点的参与，能够避免标签数据泄漏，提高信用分析端的数据安全性；并且，数据协助端的第二分类子模型将基于加密的第二权重特征数据得到的加密的输出值发送至信用分析端，确保了数据协助端特征数据的安全性；此外，在信用分析端和数据协助端均进行了特征转换，提高了第一分类子模型和第二分类子模型的稳定性，进而提高了模型整体的稳定性和可扩展性。[0216]基于上述本公开的技术方案，本公开实施例提出的基于纵向联邦学习的信用分类模型训练方法可应用于金融领域、保险领域、电商领域等，例如电商企业和金融企业合作进行用户的信用分类模型训练时，金融企业端具有用户的信贷特征数据，以及用户违约记录标签数据或信用评级标签数据，电商企业具有用户的消费特征数据，现以金融企业端的信贷特征数据为第一样本行为特征数据，用户违约记录标签数据作为分类标签数据，用户的消费特征数据作为第二样本行为特征数据，以金融企业端作为信用分析端和电商企业作为数据协助端，联合进行用户的信用分类模型的训练，其中，金融企业端设置第一分类子模型，电商企业端设置第二分类子模型，具体训练过程可参阅本公开实施例上述的模型训练方法。[0217]在具体采用信用分类模型和预设信用分析模型对相关用户数据进行信用分析时，可由金融企业端为信用分析端，基于用户数据来进行用户的信用评级分析或违约分析。具体地，金融企业端获取有待分析的用户信贷特征数据，电商企业端获取有待分析的用户消费特征数据，金融企业端采用第一分类子模型得到用户数据对应的第一信用分类信息，并通过与电商企业端的交互得到加密的第二信用分类信息，加密的第二信用分类信息为电商企业端基于第二分类子模型和用户数据得到的。具体的预测过程可参见本公开实施例上述的信用分析方法。[0218]以下结合图4介绍本公开实施例提供的一种基于纵向联邦学习的信用分析方法，应用于信用分析端，信用分析端设置有待分析对象集的第一样本行为特征数据和第一样本行为特征数据对应的分类标签数据，如图4所示，方法包括：[0219]s701：响应于终端发送的携带有待分析对象信息的信用分析请求，对待分析对象信息进行行为特征匹配，得到相匹配的第一行为特征值；并将待分析对象信息发送至数据协助端，以由数据协助端对待分析对象信息进行行为特征匹配、特征分箱查询、证据权重查询以及信用分类处理；[0220]s703：对待分析对象信息相匹配的第一行为特征值进行特征分箱查询，以确定第一行为特征值所属的第一特征分箱；[0221]s705：对第一行为特征值所属的第一特征分箱进行证据权重查询，以得到第一行为特征值所属的第一特征分箱的第一证据权重值；[0222]s707：调用信用分类模型对所属的第一特征分箱的第一证据权重值进行信用分类处理，得到第一信用分类信息；[0223]s709：接收数据协助端反馈的加密的第二信用分类信息，并对加密的第二信用分类信息进行解密处理；[0224]s711：调用预设信用分析模型对第一信用分类信息和解密的第二信用分类信息进行信用分析计算处理，得到待分析对象的信用分析结果。[0225]在一些实施例中，在步骤s701之前，方法还包括：[0226]s1：基于分类标签数据对第一样本行为特征数据进行证据权重特征转换，得到各第一特征分箱对应的第一权重特征数据；[0227]s2：调用预设加密算法对分类标签数据进行标签加密处理，得到加密的分类标签数据；[0228]s3：将加密的分类标签数据发送至数据协助端，以由数据协助端进行加密证据权重特征转换，得到各第二特征分箱对应的加密的第二权重特征数据。[0229]在一些实施例中，第一样本行为特征数据包括待分析对象的第一行为特征值，在步骤s1之前，方法还包括：根据第一分箱规则和第一样本行为特征数据对待分析对象集进行特征拆分，得到多个第一特征分箱和各第一特征分箱各自对应的第一分箱标识。[0230]相应的，步骤s1包括：[0231]s11：根据分类标签数据对各第一特征分箱进行证据权重计算，得到各第一特征分箱各自对应的第一证据权重值；[0232]s12：将第一特征分箱中的待分析对象的第一行为特征值转换为对应的第一证据权重值；[0233]s13：基于各第一特征分箱各自对应的第一证据权重值和第一分箱标识生成第一权重特征数据。[0234]在一些实施例中，步骤s3包括：[0235]s31：接收数据协助端反馈的、根据加密的分类标签数据生成的各第二特征分箱各自的加密标签加和信息；[0236]s32：调用预设加密算法对各加密标签加和信息进行标签加和解密处理，得到各第二特征分箱各自的标签加和信息；[0237]s33：根据标签加和信息对对应的第二特征分箱进行证据权重计算，得到各第二特征分箱各自对应的第二证据权重值；[0238]s34：调用预设加密算法对第二证据权重值进行权重加密处理，得到各第二特征分箱各自对应的加密的第二证据权重值；[0239]s35：将各自对应的加密的第二证据权重值发送至数据协助端；以由数据协助端根据各自对应的加密的第二证据权重值进行各第二特征分箱的加密证据权重特征转换，得到加密的第二权重特征数据。[0240]在一些实施例中，步骤s707之前，方法还包括：[0241]s4：调用待训练的分类模型对第一权重特征数据进行信用分类处理，得到第一样本分类特征信息；[0242]s5：接收数据协助端反馈的、通过调用待训练的分类模型对加密的第二权重特征数据进行加密信用分类处理得到的加密的第二样本分类特征信息；[0243]s6：根据第一样本分类特征信息、加密的第二样本分类特征信息和分类标签数据生成分类模型的总残差；[0244]s7：并基于总残差训练分类模型，得到信用分类模型。[0245]在一些实施例中，分类模型包括部署在信用分析端的第一分类子模型和部署在数据协助端的第二分类子模型，s7包括：[0246]s71：根据梯度下降法，对总残差和第一权重特征数据进行梯度计算，得到第一分类子模型的第一梯度信息；[0247]s72：若基于第一梯度信息检测到第一分类子模型处于收敛状态，将当前的第一分类子模型确定为信用分类模型的第一分类子模型；[0248]s73：对总残差进行残差模糊处理，得到模糊后的总残差，并将模糊后的总残差发送至数据协助端；以由数据协助端进行梯度计算，得到第二分类子模型的第二加密梯度信息；以及对第二分类子模型进行收敛状态检测。[0249]在一些实施例中，在s73中将模糊后的总残差发送至数据协助端；以由数据协助端进行梯度计算，得到第二分类子模型的第二加密梯度信息之后，方法还包括：[0250]s74：接收数据协助端反馈的、通过对第二加密梯度信息进行梯度信息模糊处理得到的模糊后的第二加密梯度信息；[0251]s75：基于残差模糊处理对应的残差模糊信息对模糊后的第二加密梯度信息进行去模糊处理，并调用预设加密算法对模糊后的第二加密梯度信息进行梯度信息解密处理，得到模糊后的第二梯度信息；[0252]s76：将模糊后的第二梯度信息发送至数据协助端，以由数据协助端基于梯度信息模糊处理对应的梯度模糊信息对模糊后的第二梯度信息进行去模糊处理，得到第二梯度信息。[0253]在一些实施例中，在s71之后，方法还包括：[0254]s77：若基于第一梯度信息检测到第一分类子模型未处于收敛状态，基于第一梯度信息调整第一分类子模型的模型参数，根据调整后的分类模型重复上述信用分类处理至基于总残差训练分类模型的步骤。[0255]在一些实施例中，步骤s6包括：[0256]s61：调用预设加密算法对加密的第二样本分类特征信息进行特征信息解密处理，得到第二样本分类特征信息；[0257]s62：根据第一样本分类特征信息、第二样本分类特征信息和分类标签数据生成总残差。[0258]以下结合图5介绍本公开实施例提供的一种基于纵向联邦学习的信用分析方法，应用于数据协助端，数据协助端设置有待分析对象集的第二样本行为特征数据，如图5所示，方法包括：[0259]s801：响应于信用分析端发送的待分析对象信息，对待分析对象信息进行行为特征匹配，得到相匹配的第二行为特征值；[0260]s803：对待分析对象信息相匹配的第二行为特征值进行特征分箱查询，以确定第二行为特征值所属的第二特征分箱；[0261]s805：对第二行为特征所属的第二特征分箱进行证据权重查询，以得到第二行为特征所属的第二特征分箱的加密的第二证据权重值；[0262]s807：调用信用分类模型对所属的第二特征分箱的加密的第二证据权重值进行信用分类处理，得到加密的第二信用分类信息；[0263]s809：将加密的第二信用分类信息发送至信用分析端，以由信用分析端根据加密的第二信用分类信息和第一信用分类信息进行信用分析计算处理，得到待分析对象的信用分析结果。[0264]在一些实施例中，在步骤s801之前，方法还可以包括：s901根据加密的分类标签数据对第二样本行为特征数据进行加密证据权重特征转换，得到各第二特征分箱对应的加密的第二权重特征数据。[0265]具体的，在s901之前，方法还包括：[0266]s902：根据第二分箱规则和第二样本行为特征数据对待分析对象集进行特征拆分，得到多个第二特征分箱和各第二特征分箱各自对应的第二分箱标识。[0267]相应的，基于步骤s901，上述步骤s902包括：[0268]s9021：根据加密的分类标签数据生成的各第二特征分箱各自的加密标签加和信息。[0269]s9022：将各第二特征分箱各自的加密标签加和信息发送至信用分析端，以由信用分析端根据加密的分类标签数据生成的各第二特征分箱各自的加密标签加和信息，并调用预设加密算法对各加密标签加和信息进行标签加和解密处理，得到各第二特征分箱各自的标签加和信息，根据标签加和信息对对应的第二特征分箱进行证据权重计算，得到各第二特征分箱各自对应的第二证据权重值，然后调用预设加密算法对第二证据权重值进行权重加密处理，得到各第二特征分箱各自对应的加密的第二证据权重值，并将各自对应的加密的第二证据权重值发送至数据协助端。[0270]s9023：将第二特征分箱中的待分析对象的第二行为特征值转换为对应的加密的第二证据权重值。[0271]s9024：根据各第二特征分箱各自对应的加密的第二证据权重值和第二分箱标识生成加密的第二权重特征数据。[0272]在一些实施例中，在步骤s807之前，方法还可以包括：[0273]s903：调用待训练的分类模型对加密的第二权重特征数据进行加密信用分类处理，得到加密的第二样本分类特征信息。[0274]s905：将加密的第二样本分类特征信息发送至信用分析端，以由信用分析端根据第一样本分类特征信息、第二样本分类特征信息和分类标签数据生成总残差，基于总残差训练分类模型，得到信用分类模型。[0275]在一些实施例中，第二梯度信息可以包括采用下述方式确定：[0276]1)接收信用分析端发送的、通过对总残差进行残差模糊处理得到的模糊后的总残差；[0277]2)对第二加密梯度信息进行梯度信息模糊处理，得到模糊后的第二加密梯度信息；[0278]3)将模糊后的第二加密梯度信息发送至信用分析端，以使信用分析端响应于数据协助端反馈的模糊后的第二加密梯度信息，基于残差模糊处理对应的残差模糊信息对模糊后的第二加密梯度信息进行去模糊处理，并调用预设加密算法对模糊后的第二加密梯度信息进行梯度信息解密处理，得到模糊后的第二梯度信息，并将模糊后的第二梯度信息发送至数据协助端；[0279]4)基于梯度信息模糊处理对应的梯度模糊信息对模糊后的第二梯度信息进行去模糊处理，得到第二梯度信息。[0280]在一些实施例中，在步骤4)之后，方法还包括：[0281]s906：若数据协助端基于第二加密梯度信息对应的第二梯度信息确定第二分类子模型处于收敛状态，将当前的第二分类子模型确定为信用分类模型的第二分类子模型。[0282]s907：若数据协助端基于第二加密梯度信息对应的第二梯度信息确定第二分类子模型未处于收敛状态，基于第二梯度信息调整第二分类子模型的模型参数，基于调整后的分类模型重复上述分类处理至将加密的第二样本分类特征信息发送至信用分析端的步骤。[0283]本公开实施例还提供了一种基于纵向联邦学习的信用分析装置，应用于信用分析端，信用分析端设置有待分析对象集的第一样本行为特征数据和第一样本行为特征数据对应的分类标签数据，如图6所示，装置包括：[0284]第一特征匹配模块110：用于响应于终端发送的携带有待分析对象信息的信用分析请求，对待分析对象信息进行行为特征匹配，得到相匹配的第一行为特征值；[0285]第一特征分箱查询模块120：用于对待分析对象信息相匹配的第一行为特征值进行特征分箱查询，以确定第一行为特征值所属的第一特征分箱；[0286]第一证据权重值查询模块130：用于对第一行为特征值所属的第一特征分箱进行证据权重查询，以得到第一行为特征值所属的第一特征分箱的第一证据权重值；[0287]第一分类模块140：用于调用信用分类模型对所属的第一特征分箱的第一证据权重值进行信用分类处理，得到第一信用分类信息；[0288]对象信息发送模块150：用于将待分析对象信息发送至数据协助端，以由数据协助端对待分析对象信息进行行为特征匹配、特征分箱查询、证据权重查询以及信用分类处理[0289]解密模块160：用于接收数据协助端反馈的加密的第二信用分类信息，并对加密的第二信用分类信息进行解密处理；[0290]分析结果生成模块170：用于调用预设信用分析模型对第一信用分类信息和解密的第二信用分类信息进行信用分析计算处理，得到待分析对象的信用分析结果。[0291]在一些实施例中，装置还包括：[0292]第一权重特征转换模块：用于响应于终端发送的携带有待分析对象信息的信用分析请求，对待分析对象信息进行行为特征匹配，得到相匹配的第一行为特征值之前，基于分类标签数据对第一样本行为特征数据进行证据权重特征转换，得到各第一特征分箱对应的第一权重特征数据；[0293]标签加密模块：用于调用预设加密算法对分类标签数据进行标签加密处理，得到加密的分类标签数据；[0294]标签数据发送模块：用于将加密的分类标签数据发送至数据协助端，以由数据协助端进行加密证据权重特征转换，得到各第二特征分箱对应的加密的第二权重特征数据。[0295]在一些实施例中，第一样本行为特征数据包括待分析对象的第一行为特征值，装置还包括第一分箱模块：用于基于分类标签数据对第一样本行为特征数据进行证据权重特征转换，得到各第一特征分箱对应的第一权重特征数据之前，根据第一分箱规则和第一样本行为特征数据对待分析对象集进行特征拆分，得到多个第一特征分箱和各第一特征分箱各自对应的第一分箱标识。[0296]相应的，步骤第一权重特征转换模块包括：[0297]第一证据权重计算单元：用于根据分类标签数据对各第一特征分箱进行证据权重计算，得到各第一特征分箱各自对应的第一证据权重值；[0298]第一证据权重转换单元：用于将第一特征分箱中的待分析对象的第一行为特征值转换为对应的第一证据权重值；[0299]第一权重特征数据生成单元：用于基于各第一特征分箱各自对应的第一证据权重值和第一分箱标识生成第一权重特征数据。[0300]在一些实施例中，标签数据发送模块包括：[0301]加密标签加和信息接收单元：用于接收数据协助端反馈的、根据加密的分类标签数据生成的各第二特征分箱各自的加密标签加和信息；[0302]标签加和解密单元：用于调用预设加密算法对各加密标签加和信息进行标签加和解密处理，得到各第二特征分箱各自的标签加和信息；[0303]第二证据权重计算单元：用于根据标签加和信息对对应的第二特征分箱进行证据权重计算，得到各第二特征分箱各自对应的第二证据权重值；[0304]第二证据权重加密单元：用于调用预设加密算法对第二证据权重值进行权重加密处理，得到各第二特征分箱各自对应的加密的第二证据权重值；[0305]第二证据权重发送单元：用于将各自对应的加密的第二证据权重值发送至数据协助端；以由数据协助端根据各自对应的加密的第二证据权重值进行各第二特征分箱的加密证据权重特征转换，得到加密的第二权重特征数据。[0306]在一些实施例中，装置还包括：[0307]第一分类模型模块：用于在调用信用分类模型对所属的第一特征分箱的第一证据权重值进行信用分类处理，得到第一信用分类信息之前，调用待训练的分类模型对第一权重特征数据进行信用分类处理，得到第一样本分类特征信息；[0308]分类特征信息接收模块：用于接收数据协助端反馈的、通过调用待训练的分类模型对加密的第二权重特征数据进行加密信用分类处理得到的加密的第二样本分类特征信息；[0309]总残差生成模块：用于根据第一样本分类特征信息、加密的第二样本分类特征信息和分类标签数据生成分类模型的总残差；[0310]分类模型训练模块：用于并基于总残差训练分类模型，得到信用分类模型。[0311]在一些实施例中，分类模型包括部署在信用分析端的第一分类子模型和部署在数据协助端的第二分类子模型，分类模型训练模块包括：[0312]第一梯度计算单元：用于根据梯度下降法，对总残差和第一权重特征数据进行梯度计算，得到第一分类子模型的第一梯度信息；[0313]第一模型检测单元：用于若基于第一梯度信息检测到第一分类子模型处于收敛状态，将当前的第一分类子模型确定为信用分类模型的第一分类子模型；[0314]总残差发送单元：用于对总残差进行残差模糊处理，得到模糊后的总残差，并将模糊后的总残差发送至数据协助端；以由数据协助端进行梯度计算，得到第二分类子模型的第二加密梯度信息；以及对第二分类子模型进行收敛状态检测。[0315]在一些实施例中，方法还包括：[0316]第二加密梯度信息接收单元：用于在将模糊后的总残差发送至数据协助端；以由数据协助端进行梯度计算，得到第二分类子模型的第二加密梯度信息之后，接收数据协助端反馈的、通过对第二加密梯度信息进行梯度信息模糊处理得到的模糊后的第二加密梯度信息；[0317]第一梯度信息处理单元：用于基于残差模糊处理对应的残差模糊信息对模糊后的第二加密梯度信息进行去模糊处理，并调用预设加密算法对模糊后的第二加密梯度信息进行梯度信息解密处理，得到模糊后的第二梯度信息；[0318]第二梯度信息处理单元：用于将模糊后的第二梯度信息发送至数据协助端，以由数据协助端基于梯度信息模糊处理对应的梯度模糊信息对模糊后的第二梯度信息进行去模糊处理，得到第二梯度信息。[0319]在一些实施例中，第一模型检测单元还用于：若基于第一梯度信息检测到第一分类子模型未处于收敛状态，基于第一梯度信息调整第一分类子模型的模型参数，根据调整后的分类模型重复上述信用分类处理至基于总残差训练分类模型的步骤。[0320]在一些实施例中，总残差生成模块包括：[0321]特征信息解密单元：用于调用预设加密算法对加密的第二样本分类特征信息进行特征信息解密处理，得到第二样本分类特征信息；[0322]总残差生成单元：用于根据第一样本分类特征信息、第二样本分类特征信息和分类标签数据生成总残差。[0323]本公开实施例还提供了一种基于纵向联邦学习的信用分析装置，应用于数据协助端，数据协助端设置有待分析对象集的第二样本行为特征数据，如图7所示，装置包括：[0324]第二特征匹配模块210：用于响应于信用分析端发送的待分析对象信息，对待分析对象信息进行行为特征匹配，得到相匹配的第二行为特征值；[0325]第二特征分箱查询模块220：用于对待分析对象信息相匹配的第二行为特征值进行特征分箱查询，以确定第二行为特征值所属的第二特征分箱；[0326]第二证据权重值查询模块230：用于对第二行为特征所属的第二特征分箱进行证据权重查询，以得到第二行为特征所属的第二特征分箱的加密的第二证据权重值；[0327]第二分类模块240：用于调用信用分类模型对所属的第二特征分箱的加密的第二证据权重值进行信用分类处理，得到加密的第二信用分类信息；[0328]分类信息发送模块250：用于将加密的第二信用分类信息发送至信用分析端，以由信用分析端根据加密的第二信用分类信息和第一信用分类信息进行信用分析计算处理，得到待分析对象的信用分析结果。[0329]在一些实施例中，装置还可以包括第二权重特征转换模块：用于在用于响应于信用分析端发送的待分析对象信息，对待分析对象信息进行行为特征匹配，得到相匹配的第二行为特征值之前，根据加密的分类标签数据对第二样本行为特征数据进行加密证据权重特征转换，得到各第二特征分箱对应的加密的第二权重特征数据。[0330]具体的，装置还包括第二分箱模块：用于在根据加密的分类标签数据对第二样本行为特征数据进行加密证据权重特征转换，得到各第二特征分箱对应的加密的第二权重特征数据之前，根据第二分箱规则和第二样本行为特征数据对待分析对象集进行特征拆分，得到多个第二特征分箱和各第二特征分箱各自对应的第二分箱标识。[0331]相应的，第二权重特征转换模块包括：[0332]加密标签加和信息生成单元：用于根据加密的分类标签数据生成的各第二特征分箱各自的加密标签加和信息。[0333]加密标签加和信息发送单元：用于将各第二特征分箱各自的加密标签加和信息发送至信用分析端，以由信用分析端根据加密的分类标签数据生成的各第二特征分箱各自的加密标签加和信息，并调用预设加密算法对各加密标签加和信息进行标签加和解密处理，得到各第二特征分箱各自的标签加和信息，根据标签加和信息对对应的第二特征分箱进行证据权重计算，得到各第二特征分箱各自对应的第二证据权重值，然后调用预设加密算法对第二证据权重值进行权重加密处理，得到各第二特征分箱各自对应的加密的第二证据权重值，并将各自对应的加密的第二证据权重值发送至数据协助端。[0334]第二证据权重转换单元：用于将第二特征分箱中的待分析对象的第二行为特征值转换为对应的加密的第二证据权重值。[0335]第二权重特征数据生成单元：用于根据各第二特征分箱各自对应的加密的第二证据权重值和第二分箱标识生成加密的第二权重特征数据。[0336]在一些实施例中，装置还可以包括：[0337]第二分类模型模块：用于在调用信用分类模型对所属的第二特征分箱的加密的第二证据权重值进行信用分类处理，得到加密的第二信用分类信息之前，调用待训练的分类模型对加密的第二权重特征数据进行加密信用分类处理，得到加密的第二样本分类特征信息。[0338]分类特征信息发送模块：用于将加密的第二样本分类特征信息发送至信用分析端，以由信用分析端根据第一样本分类特征信息、第二样本分类特征信息和分类标签数据生成总残差，基于总残差训练分类模型，得到信用分类模型。[0339]在一些实施例中，还包括第二梯度信息确定模块，用于：[0340]1)接收信用分析端发送的、通过对总残差进行残差模糊处理得到的模糊后的总残差；[0341]2)对第二加密梯度信息进行梯度信息模糊处理，得到模糊后的第二加密梯度信息；[0342]3)将模糊后的第二加密梯度信息发送至信用分析端，以使信用分析端响应于数据协助端反馈的模糊后的第二加密梯度信息，基于残差模糊处理对应的残差模糊信息对模糊后的第二加密梯度信息进行去模糊处理，并调用预设加密算法对模糊后的第二加密梯度信息进行梯度信息解密处理，得到模糊后的第二梯度信息，并将模糊后的第二梯度信息发送至数据协助端；[0343]4)基于梯度信息模糊处理对应的梯度模糊信息对模糊后的第二梯度信息进行去模糊处理，得到第二梯度信息。[0344]在一些实施例中，还包括第二模型检测模块：用于若数据协助端基于第二加密梯度信息对应的第二梯度信息确定第二分类子模型处于收敛状态，将当前的第二分类子模型确定为信用分类模型的第二分类子模型。以及用于若数据协助端基于第二加密梯度信息对应的第二梯度信息确定第二分类子模型未处于收敛状态，基于第二梯度信息调整第二分类子模型的模型参数，基于调整后的分类模型重复上述分类处理至将加密的第二样本分类特征信息发送至信用分析端的步骤。[0345]上述装置实施例中的装置与方法实施例基于同样的申请构思。[0346]本公开实施例提供了一种基于纵向联邦学习的信用分析设备，该设备包括处理器和存储器，该存储器中存储有至少一条指令或至少一段程序，该至少一条指令或该至少一段程序由该处理器加载并执行以实现如上述方法实施例所提供的基于纵向联邦学习的信用分析方法或基于纵向联邦学习的信用分类模型训练方法。[0347]存储器可用于存储软件程序以及模块，处理器通过运行存储在存储器的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、功能所需的应用程序等；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器还可以包括存储器控制器，以提供处理器对存储器的访问。[0348]本公开实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例，图8是本公开实施例提供的一种基于纵向联邦学习的信用分析方法的服务器的硬件结构框图。如图8所示，该服务器800可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(central processing units，cpu)810(处理器810可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)、用于存储数据的存储器830，一个或一个以上存储应用程序823或数据822的存储介质820(例如一个或一个以上海量存储设备)。其中，存储器830和存储介质820可以是短暂存储或持久存储。存储在存储介质820的程序可以包括一个或一个以上模块，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器810可以设置为与存储介质820通信，在服务器800上执行存储介质820中的一系列指令操作。服务器800还可以包括一个或一个以上电源860，一个或一个以上有线或无线网络接口850，一个或一个以上输入输出接口840，和/或，一个或一个以上操作系统821，例如windows servertm，mac os xtm，unixtm,linuxtm，freebsdtm等等。[0349]输入输出接口840可以用于经由一个网络接收或者发送数据。上述的网络具体实例可包括服务器800的通信供应商提供的无线网络。在一个实例中，输入输出接口840包括一个网络适配器(network interface controller，nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，输入输出接口840可以为射频(radio frequency，rf)模块，其用于通过无线方式与互联网进行通讯。[0350]本领域普通技术人员可以理解，图8所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，服务器800还可包括比图8中所示更多或者更少的组件，或者具有与图8所示不同的配置。[0351]本公开的实施例还提供了一种存储介质，存储介质可设置于服务器之中以保存用于实现方法实施例中一种图像的加噪处理方法相关的至少一条指令或至少一段程序，该至少一条指令或该至少一段程序由该处理器加载并执行以实现上述方法实施例提供基于纵向联邦学习的信用分析方法或基于纵向联邦学习的信用分类模型训练方法。[0352]可选地，在本实施例中，上述存储介质可以位于计算机网络的多个网络服务器中的至少一个网络服务器。可选地，在本实施例中，上述存储介质可以包括但不限于：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。[0353]根据本公开的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种可选实现方式中提供的方法。[0354]由上述本公开提供的基于纵向联邦学习的信用分析方法、装置、设备、系统、服务器或存储介质的实施例可见，本公开的在信用分类模型的构建过程中，在信用分析端和数据协助端均进行了特征转换，提高了信用分类模型的稳定性和可扩展性，进而提高了分析结果的可靠性；并且，数据协助端基于加密的分类标签数据进行了特征转换，在提高稳定性的同时避免信用分析端的分类标签数据泄漏，提高了信息安全性。此外，信用分析端进行分类标签数据的加密，无需第三方节点的参与，能够避免标签数据泄漏，提高信用分析端的数据安全性；数据协助端的第二分类子模型将基于加密的第二权重特征数据得到的加密的输出值发送至信用分析端，确保了数据协助端特征数据的安全性。[0355]需要说明的是：上述本公开实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本公开特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。[0356]本公开中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备和存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。[0357]本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指示相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。[0358]以上所述仅为本公开的较佳实施例，并不用以限制本公开，凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!