联合训练用户聚类模型的、用户聚类方法及装置.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115114980A(43)申请公布日2022.09.27(21)申请号202210747044.5(22)申请日2022.06.28(71)申请人支付宝（杭州）信息技术有限公司地址310000浙江省杭州市西湖区西溪路556号8层B段801-11(72)发明人许小龙张长浩王维强(74)专利代理机构北京亿腾知识产权代理事务所(普通合伙)11309专利代理师陈霁周良玉(51)Int.Cl.G06K9/62(2022.01)G06N3/04(2006.01)G06N3/08(2006.01)G06F21/60(2013.01)权利要求书6页说明书20页附图9页(54)发明名称联合训练用户聚类模型的、用户聚类方法及装置(57)摘要本说明书实施例提供一种基于隐私保护的联合训练用户聚类模型、用户聚类方法及装置，用户聚类模型包括各客户端的图神经网络和服务端的聚类子模型，方法通过第一客户端执行，包括：利用其第一图神经网络处理其以用户为节点的第一图结构，得到多个样本用户的第一嵌入向量，样本用户是各客户端的图结构共有的用户；加密各第一嵌入向量，得到各样本用户的第一密文向量；将其发送至服务端，以使服务端基于各客户端发送的密文向量确定各样本用户的用户表征，利用聚类子模型，基于各用户表征确定不同样本用户之间的相似度；从服务端获取基于与相似度正相关的有待最小化的目标值确定的梯度相关数据；根据梯度相关数据，更新第一图神经网络。CN115114980ACN115114980A权利要求书1/6页1.一种基于隐私保护的联合训练用户聚类模型的方法，所述用户聚类模型包括部署于多个客户端的图神经网络和部署于服务端的聚类子模型，所述方法通过所述多个客户端中任意的第一客户端执行，包括：利用本地的第一图神经网络处理本地持有的、以用户为节点的第一图结构，得到多个样本用户的第一嵌入向量，所述多个样本用户是所述多个客户端共有的用户；加密各样本用户的第一嵌入向量，将得到的各样本用户的第一密文向量发送至服务端，以使所述服务端基于各客户端发送的密文向量确定各样本用户的用户表征，并利用所述聚类子模型，基于各样本用户的用户表征确定不同样本用户之间的相似度；从所述服务端获取梯度相关数据，所述梯度相关数据基于有待最小化的目标值确定，所述目标值与所述不同样本用户之间的相似度正相关；根据所述梯度相关数据，更新所述第一图神经网络。2.如权利要求1所述的方法，其中，所述第一客户端持有所述第一图结构中各用户的第一特征；所述利用本地的第一图神经网络处理本地持有的、以用户为节点的第一图结构，包括：将所述第一图结构，以及各用户的第一特征输入所述第一图神经网络。3.如权利要求1所述的方法，还包括：对所述第一图结构中各用户的用户标识进行哈希运算，得到哈希值集合；将所述哈希值集合发送至所述服务端，以使所述服务端基于各客户端发送的哈希值集合，确定各方共有哈希值集合；从所述服务端获取共有哈希值集合，将所述共有哈希值集合对应的用户确定为样本用户。4.如权利要求1所述的方法，其中，所述加密各样本用户的第一嵌入向量，包括：利用差分隐私算法，在各样本用户的第一嵌入向量中添加第一噪声向量；或利用所述服务端的目标公钥，加密各样本用户的第一嵌入向量。5.如权利要求1所述的方法，其中，所述梯度相关数据是使用服务端的私钥加密的梯度密文；所述根据所述梯度相关数据，更新所述第一图神经网络，包括：使用所述服务端的目标公钥，解密所述梯度密文，得到梯度明文；根据梯度明文，更新所述第一图神经网络。6.如权利要求1所述的方法，其中，所述梯度相关数据是所述服务端利用差分隐私算法添加有噪声的扰动梯度；所述根据所述梯度相关数据，更新所述第一图神经网络，包括：根据所述扰动梯度，更新所述第一图神经网络。7.一种基于隐私保护联合训练用户聚类模型的方法，所述用户聚类模型包括部署于多个客户端的图神经网络和部署于服务端的聚类子模型，所述方法通过服务端执行，包括：从多个客户端分别获取多个样本用户的密文向量，其中来自任意的第一客户端的第一密文向量，是该第一客户端利用其本地的第一图神经网络处理本地持有的、以用户为节点的第一图结构并加密得到的，所述多个样本用户是所述多个客户端共有的用户；基于各客户端发送的密文向量确定各样本用户的用户表征；利用所述聚类子模型及各2CN115114980A权利要求书2/6页用户表征，确定不同样本用户之间的相似度；确定有待最小化的目标值，其与所述不同样本用户之间的相似度正相关；根据所述目标值，确定梯度相关数据；将所述梯度相关数据发送至各客户端，以使得各客户端根据所述梯度相关数据，更新其本地的图神经网络。8.如权利要求7所述的方法，还包括：从各客户端获取其各自的哈希值集合，所述哈希值集合