基于循环神经网络的数据处理方法、设备及介质技术

本申请公开了一种基于循环神经网络的数据处理方法、装置、设备和介质，该方法包括：获取待处理时序数据，将所述待处理时序数据输入至数据处理模型中；所述数据处理模型为对不同时刻的循环神经网络模型进行迭代训练得到的，其中，同一时刻的循环神经网络模型为第二样本时序数据联合同一目标时刻的第一设备的第一样本时序数据进行联邦前向传播训练后，进行联邦后向传播训练得到的；基于所述数据处理模型对所述待处理时序数据执行预设数据处理流程，得到所述待处理时序数据的目标预测标签。本申请解决现有技术中，不同数据方之间不能直接进行时序数据的交互，导致模型构建时长过长，计算效率变低的技术问题。

【技术实现步骤摘要】
基于循环神经网络的数据处理方法、设备及介质
本申请涉及金融科技(Fintech)的人工智能
，尤其涉及一种基于循环神经网络的数据处理方法、设备及介质。
技术介绍
随着金融科技，尤其是互联网科技金融的不断发展，越来越多的技术(如分布式、区块链Blockchain、人工智能等)应用在金融领域，但金融业也对技术提出了更高的要求，如对金融业对数据处理也有更高的要求。循环神经网络(RecurrentNeuralNetwork，RNN)模型常用于处理时序数据，其中，时序数据指的是基于时间序列排列的数据，时序数据包括同一用户的同一时刻，在不同数据源如不同服务器上的特征数据，例如，用户X在便利店购买了A商品，在便利店的服务器中产生一条新的销售记录，同时，用户X在银行系统的服务器也伴随着产生一条新的支出记录，另外，时序数据还包括同一用户的不同时刻，在不同数据源如不同服务器上的特征数据，例如，同一用户在不同时刻消耗的水费、电费和燃气费等特征数据为同一用户的不同时刻，在不同数据源上的特征数据。目前，不同时序数据存储在不同数据持有方或者数据方的服务器上，出于对时序数据的隐私保护，不同服务器之间不能直接进行时序数据的交互，即各服务器之间不能共享各自的时序数据以进行联合建模，进而导致各服务器建模的时序数据过少，且建模的时序数据的特征丰富度过低，导致模型构建时所花费的时长变长，导致计算效率变低。
技术实现思路
本申请的主要目的在于提供一种基于循环神经网络的数据处理方法、装置、设备和介质，旨在解决现有技术中，不同数据方之间不能直接进行时序数据的交互，导致模型构建时长过长，计算效率变低的技术问题。为实现上述目的，本申请提供一种基于循环神经网络的数据处理方法，所述基于循环神经网络的数据处理方法应用于第二设备，所述第二设备中包括各个时刻的具有预设标签的第二样本时序数据，所述基于循环神经网络的数据处理方法包括：获取待处理时序数据，将所述待处理时序数据输入至数据处理模型中；所述数据处理模型为对不同时刻的循环神经网络模型进行迭代训练得到的，其中，同一时刻的循环神经网络模型为第二样本时序数据联合同一目标时刻的第一设备的第一样本时序数据进行联邦前向传播训练后，进行联邦后向传播训练得到的；基于所述数据处理模型对所述待处理时序数据执行预设数据处理流程，得到所述待处理时序数据的目标预测标签。本申请还提供一种基于循环神经网络的数据处理装置，所述基于循环神经网络的数据处理装置应用于第二设备，所述第二设备中包括各个时刻的具有预设标签的第二样本时序数据，所述基于循环神经网络的数据处理装置包括：第一获取模块，用于获取待处理时序数据，将所述待处理时序数据输入至数据处理模型中；所述数据处理模型为对不同时刻的循环神经网络模型进行迭代训练得到的，其中，同一时刻的循环神经网络模型为第二样本时序数据联合同一目标时刻的第一设备的第一样本时序数据进行联邦前向传播训练后，进行联邦后向传播训练得到的；处理模块，用于基于所述数据处理模型对所述待处理时序数据执行预设数据处理流程，得到所述待处理时序数据的目标预测标签。本申请还提供一种基于循环神经网络的数据处理设备，所述基于循环神经网络的数据处理设备为实体设备，所述基于循环神经网络的数据处理设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述基于循环神经网络的数据处理方法的程序，所述基于循环神经网络的数据处理方法的程序被处理器执行时可实现如上述的基于循环神经网络的数据处理方法的步骤。本申请还提供一种介质，所述介质上存储有实现上述基于循环神经网络的数据处理方法的程序，所述基于循环神经网络的数据处理方法的程序被处理器执行时实现如上述的基于循环神经网络的数据处理方法的步骤。本申请通过获取待处理时序数据，将所述待处理时序数据输入至数据处理模型中；所述数据处理模型为对不同时刻的循环神经网络模型进行迭代训练得到的，其中，同一时刻的循环神经网络模型为第二样本时序数据联合同一目标时刻的第一设备的第一样本时序数据进行联邦前向传播训练后，进行联邦反向传播训练得到的；基于所述数据处理模型对所述待处理时序数据执行预设数据处理流程，得到所述待处理时序数据的目标预测标签。与现有技术中基于少量时序数据进行建模，进而处理待处理时序数据相比，在本申请中，基于在得到待处理时序数据后，基于已经训练完成的数据处理模型对所述待处理时序数据执行预设数据处理流程，以得到目标预测标签的技术手段，由于数据处理模型为对不同时刻的循环神经网络模型进行迭代训练得到的，其中，同一时刻的循环神经网络模型为第二样本时序数据联合同一目标时刻的第一设备的第一样本时序数据进行联邦前向传播训练后，进行联邦反向传播训练得到的，也即，由于每个时刻的循环神经网络模型都联邦了该时刻不同的参与方的时序数据进行训练，因而，在保护参与方用户隐私的情况下提升特征丰富度，将各个参与方的小孤岛数据分析变为大数据分析，降低模型构建时所花费的时长，以提升计算效率，且由于实现了基于海量时序数据联邦构建模型，因而提升了对待处理时序数据进行类型等预测的准确性，解决现有技术中，不同参与方之间不能直接进行时序数据的交互，致使难以准确对时序数据进行预测的技术问题。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。为了更清楚地说明本申请实施例或现有技术中的技术方案，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地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本申请基于循环神经网络的数据处理方法第一实施例的流程示意图；图2为本申请基于循环神经网络的数据处理方法第一实施例中所述基于所述数据处理模型对所述待处理时序数据执行预设基于循环神经网络的数据处理流程的步骤之前的细化流程示意图；图3为本申请实施例方案涉及的硬件运行环境的设备结构示意图；图4为本申请基于循环神经网络的数据处理方法中的第一场景示意图；图5为本申请基于循环神经网络的数据处理方法中的第二场景示意图。本申请目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。本申请实施例提供一种基于循环神经网络的数据处理方法，在本申请基于循环神经网络的数据处理方法的第一实施例中，所述基于循环神经网络的数据处理方法应用于第二设备，参照图1，所述基于循环神经网络的数据处理方法包括：步骤S10，获取待处理时序数据，将所述待处理时序数据输入至数据处理模型中；所述数据处理模型为对不同时刻的循环神经网络模型进行迭代训练得到的，其中，同一时刻的循环神经网络模型为第二样本时序数据联合同一目标时刻的第一设备的第一样本时序数据进行联邦前向传播训练后，进行联邦反向传播训练本文档来自技高网...

【技术保护点】
1.一种基于循环神经网络的数据处理方法，其特征在于，所述基于循环神经网络的数据处理方法应用于第二设备，所述第二设备中包括各个时刻的具有预设标签的第二样本时序数据，所述基于循环神经网络的数据处理方法包括：/n获取待处理时序数据，将所述待处理时序数据输入至数据处理模型中；/n所述数据处理模型为对不同时刻的循环神经网络模型进行迭代训练得到的，其中，同一时刻的循环神经网络模型为第二样本时序数据联合同一目标时刻的第一设备的第一样本时序数据进行联邦前向传播训练后，进行联邦反向传播训练得到的；/n基于所述数据处理模型对所述待处理时序数据执行预设数据处理流程，得到所述待处理时序数据的目标预测标签。/n

【技术特征摘要】
1.一种基于循环神经网络的数据处理方法，其特征在于，所述基于循环神经网络的数据处理方法应用于第二设备，所述第二设备中包括各个时刻的具有预设标签的第二样本时序数据，所述基于循环神经网络的数据处理方法包括：
获取待处理时序数据，将所述待处理时序数据输入至数据处理模型中；
所述数据处理模型为对不同时刻的循环神经网络模型进行迭代训练得到的，其中，同一时刻的循环神经网络模型为第二样本时序数据联合同一目标时刻的第一设备的第一样本时序数据进行联邦前向传播训练后，进行联邦反向传播训练得到的；
基于所述数据处理模型对所述待处理时序数据执行预设数据处理流程，得到所述待处理时序数据的目标预测标签。


2.如权利要求1所述基于循环神经网络的数据处理方法，其特征在于，所述基于所述数据处理模型对所述待处理时序数据执行预设数据处理流程的步骤之前，所述方法包括：
获取具有预设标签的第二样本时序数据；
对不同时刻的循环神经网络模型进行迭代训练，其中，同一时刻的循环神经网络模型为第二样本时序数据联合同一目标时刻的第一设备的第一样本时序数据进行联邦前向传播训练后，进行联邦反向传播训练得到的；
将所述目标模型设置为所述数据处理模型。


3.如权利要求2所述基于循环神经网络的数据处理方法，其特征在于，所述第二设备与第一设备进行预设联邦通信，
所述对不同时刻的循环神经网络模型进行迭代训练，其中，同一时刻的循环神经网络模型为第二样本时序数据联合同一目标时刻的第一设备的第一样本时序数据进行联邦前向传播训练后，进行联邦反向传播训练得到的步骤，包括：
基于接收的所述第一设备在目标时刻的前向传播的第一中间参数，所述目标时刻的第二样本时序数据和目标时刻的循环神经网络模型的第二模型子参数，确定第二设备在目标时刻的第二中间参数；
基于所述第二设备在目标时刻的第二中间参数以及所述目标时刻的预设预测模型，计算所述第二设备在目标时刻的第二中间梯度，以更新所述目标时刻的循环神经网络模型的第二模型子参数并计算所述目标时刻的第一中间梯度；
将所述目标时刻的第一中间梯度发送给所述第一设备，以供所述第一设备基于所述目标时刻的第一中间梯度更新所述目标时刻的循环神经网络模型的第一模型子参数；
将所述第二设备在目标时刻的第二中间参数发送给所述第一设备，以供所述第一设备确定所述目标时刻对应下一时刻的循环算子，以供所述第二设备对不同时刻的循环神经网络模型进行迭代训练，直到得到满足预设条件的目标模型。


4.如权利要求3所述基于循环神经网络的数据处理方法，其特征在于，所述基于所述第二设备在目标时刻的第二中间参数以及所述目标时刻的预设预测模型，计算所述第二设备在目标时刻的第二中间梯度的步骤，包括：
基于所述第二设备在目标时刻的第二中间参数以及所述目标时刻的循环神经网络的预设预测模型，确定在所述目标时刻的所述第二样本时序数据的目标时刻预测结果；
确定所述目标时刻预测结果和所述预设标签之间的损失值；
基于所述损失值，计算所述第二设备在目标时刻的第二中间梯度。


5.如权利要求3-4任一项所述基于循环神经网络的数据处理方法，其特征在于，所述第一设备包括多个，所述多个第一设备与所述第二设备通过预设第三方进行预设联邦通信；
所述接收第一设备在目标时刻的前向传播的第一中间参数，其中，第一设备在目标时刻的第一中间参数是通过所述第一设备在目标时刻的循环算子、在目标时刻的第一样本时序数据和目标时刻的循环神经网络模型的第一模型子参数确定的，所述第一设备的循环算子为初始参数或所述第一设备前向传播的、所述目标时刻对应上一时刻的第一中间参数的步骤，包括：
接收第三方发送的在目标时刻的前向传播的第一中间参数，其中，所述第一中间参数是第三方基于接收到的各第一设备在目标时刻的各第一中间子参数，进行预设联合处理得到的，其...

【专利技术属性】
技术研发人员：张天豫，范力欣，吴锦和，蔡杭，李月，
申请(专利权)人：深圳前海微众银行股份有限公司，
类型：发明
国别省市：广东;44