【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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。