机器学习模型进行训练、预测的方法、装置、设备及介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113095507A(43)申请公布日2021.07.09(21)申请号202110363780.6(22)申请日2021.04.02(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申请人蚂蚁区块链科技（上海）有限公司(72)发明人杨文玉陈远史诚姚经纬李书博吴冕杨仁慧(74)专利代理机构北京晋德允升知识产权代理有限公司11623代理人王戈(51)Int.Cl.G06N20/00(2019.01)G06F21/57(2013.01)G06F21/62(2013.01)权利要求书3页说明书14页附图6页(54)发明名称机器学习模型进行训练、预测的方法、装置、设备及介质(57)摘要本说明书实施例公开了一种对机器学习模型进行训练、预测的方法、装置、设备及介质。方案包括：获取多个机构的加密后的用户特征数据；将所述加密后的用户特征数据输入可信执行环境；在所述可信执行环境中对所述加密后的用户特征数据进行解密，得到解密后的用户特征数据；在所述可信执行环境中对针对同一用户的用户特征数据进行对齐处理，得到对齐处理后的训练用特征数据；在所述可信执行环境中采用所述训练用特征数据对机器学习模型进行训练。CN113095507ACN113095507A权利要求书1/3页1.一种对机器学习模型进行训练的方法，包括：获取多个机构的加密后的用户特征数据；将所述加密后的用户特征数据输入可信执行环境；在所述可信执行环境中对所述加密后的用户特征数据进行解密，得到解密后的用户特征数据；在所述可信执行环境中对针对同一用户的用户特征数据进行对齐处理，得到对齐处理后的训练用特征数据；在所述可信执行环境中采用所述训练用特征数据对机器学习模型进行训练。2.根据权利要求1所述的方法，所述在所述可信执行环境中对针对同一用户的用户特征数据进行对齐处理，具体包括：确定所述针对同一用户的用户特征数据中各个子特征的特征标识；按照预设的特征标识的排列顺序，对所述各个子特征进行排列组合。3.根据权利要求2所述的方法，还包括：对于处于数据缺失状态的特征标识，采用预设的标准数据进行填充。4.根据权利要求1所述的方法，所述获取多个机构的加密后的用户特征数据，具体包括：获取各个机构发送的加密后的用户特征数据集；一个所述用户特征数据集中包含多个用户条目；每个所述用户条目包含用户标识以及与所述用户标识对应的用户特征数据；所述加密后的用户特征数据集中的多个用户条目作为一个整体被加密处理过；所述在所述可信执行环境中对针对同一用户的用户特征数据进行对齐处理之前，还包括：在所述可信执行环境中从解密后得到的各个用户特征数据集中查找同一个用户标识对应的用户特征数据。5.根据权利要求4所述的方法，所述用户标识是各个机构基于用户的身份信息采用统一的算法生成的。6.根据权利要求5所述的方法，所述身份信息具体包括：姓名、身份证号码和银行卡号。7.根据权利要求1至6任一项所述的方法，对用户特征数据的加密方式为非对称加密方式，在所述可信执行环境中生成所述非对称加密方式中的公钥和私钥；采用所述公钥对所述用户特征数据进行加密，采用所述私钥对所述用户特征数据进行解密。8.一种使用机器学习模型进行预测的方法，包括：获取多个机构针对同一用户的加密后的用户特征数据；将所述加密后的用户特征数据输入可信执行环境；在所述可信执行环境中对所述加密后的用户特征数据进行解密，得到解密后的用户特征数据；在所述可信执行环境中对所述用户特征数据进行对齐处理，得到对齐处理后的预测用特征数据；在所述可信执行环境中采用训练完毕的机器学习模型对所述预测用特征数据进行预测。9.根据权利要求8所述的方法，所述在所述可信执行环境中对所述用户特征数据进行2CN113095507A权利要求书2/3页对齐处理，具体包括：确定所述用户特征数据中各个子特征的特征标识；按照预设的特征标识的排列顺序，对所述各个子特征进行排列组合。10.根据权利要求9所述的方法，还包括：对于处于数据缺失状态的特征标识，采用预设的标准数据进行填充。11.根据权利要求8所述的方法，所述获取多个机构针对同一用户的加密后的用户特征数据，具体包括：获取各个机构发送的用户特征数据信息；所述用户特征数据信息包括用户标识以及与所述用户标识对应的加密后的用户特征数据。12.根据权利要求11所述的方法，所述用户标识是各个机构基于用户的身份信息采用统一的算法生成的。13.根据权利要求12所述的方法，所述身份信息具体包括：姓名、身份证号码和银行卡号。14.根据权利要求8至13任意一项所述的方法，所述对用户特征数据的加密方式为非对称加密方式，在所述可信执行环境中生成所述非对称加密方式中的公