本发明专利技术提供了一种电子合同的风险预测方法以及系统，方法包括以下步骤：接收所有合同签署方发送的加密数据集，利用纵向联邦算法将加密数据集进行对齐，获得对齐样本，并对对齐样本进行线性回归模型加密训练，并将数据回传给合同签署方；解密各合同签署方发送的待检测的加密的特征数据，得到解密特征数据，将解密特征数据发送至对应的合同签署方；接收各合同签署方发送的根据所述特征数据计算得到的预测值，根据所述预测值计算风险值，根据所述风险值判断待检测合同是否存在风险。将合同特征数据与联邦学习算法结合，获得与特征数据关联的模型，只需提取待检测合同的特征数据就可以计算出该电子合同的风险值，以此保护用户的财产安全。产安全。产安全。
【技术实现步骤摘要】
一种电子合同的风险预测方法以及系统
[0001]本专利技术涉及电子合同领域，具体涉及电子合同的风险预测和提示领域。
技术介绍
[0002]在签署合同时，签署双方都不希望合同内容被泄露，所以会对合同进行隐私保护，例如参与方在不泄露各自数据的前提下通过协作对他们的数据进行联合机器学习和联合分析。在隐私保护的计算框架下，参与方的数据明文不出本地，在保护数据安全的同时实现多源数据跨域合作，可以破解数据保护与融合应用难题。目前，隐私计算的技术路线主要包括多方安全计算、可信执行环境和联邦学习。
[0003]但是，在合同签署时，合同数据可能会存在风险，例如没有规定具体的交货量，或交货时间不清楚等问题。可以利用曾经签署过的合同对现在需要签署的合同进行风险预知，那么合同数据需要流通，但此时又会出现一个问题，数据流通和隐私保护产生了矛盾。而普通的联邦学习算法在流通性上存在易被病毒攻击，易被对抗攻击以及隐私易被泄露的问题。现在急需一种既能使合同数据流通又能保护隐私的新算法，在对合同的隐私保护的同时还能进行风险提示。
技术实现思路
[0004]为了解决签署合同时，合同的风险控制问题，本申请提供一种能够预测电子合同风险的方法以及系统。
[0005]一种电子合同的风险预测方法，包括以下步骤：接收所有合同签署方发送的加密数据集，利用纵向联邦算法将所述加密数据集进行对齐，获得对齐样本，并对所述对齐样本进行线性回归模型加密训练，并将数据回传给合同签署方；解密各合同签署方发送的待检测的加密的特征数据，得到解密特征数据，将所述解密特征数据发送至对应的合同签署方；接收各合同签署方发送的根据所述特征数据计算得到的预测值，根据所述预测值计算风险值，根据所述风险值判断待检测合同是否存在风险。
[0006]利用纵向联邦学习算法训练模型，在己方数据获得保护的情况下，可以共同提升模型效果，确保最后的计算效果更精准。
[0007]进一步地，对所述对齐样本进行线性回归模型加密训练，并将数据回传给合同签署方，包括以下步骤：发送公钥给所述合同签署方；接收所述合同签署方利用同态加密交互计算获得的梯度和损失以及合同签署方生成的掩码；解密所述梯度和损失并回传给所述合同签署方。
[0008]进一步地，合同签署方根据所述特征数据计算得到预测值，包括以下步骤：
获取已签署合同的特征数据，训练所述特征数据得到线性回归模型；接收解密后的梯度和损失，去除掩码后获得模型参数，根据所述模型参数更新所述线性回归模型，获得新模型；将所述解密特征数据带入所述新模型计算得到预测值。
[0009]进一步地，接收合同签署方发送的加密数据集之后，还包括源信息检测，具体为：将所述加密数据集分成若干份，对若干份加密数据集进行训练，剔除异常的数据集，重新组合剩下的数据集，获得新加密数据集。源信息检测可识别异常数据集以防止异常数据攻击联邦学习服务端，造成模型失效。
[0010]进一步地，所述特征数据为项目数据与平均项目数据的比值，所述项目数据包括总金额、单价、交货时间、货物量以及货物种类。利用项目数据和平均项目数据计算合同特征数据，利用特征数据计算合同风险值，最大限度保护用户的财产安全。
[0011]一种电子合同的签署方法，如预测不存在风险，则签署合同；如预测存在风险，则合同签署双方协商解决。
[0012]一种电子合同的风险预测系统，用于实现上述的电子合同的风险预测方法，包括：至少两个合同签署方客户端以及联邦学习服务端；所述合同签署方客户端发送加密数据集给所述联邦学习服务端；所述联邦学习服务端利用纵向联邦算法将所述加密数据集进行对齐，获得对齐样本，并对所述对齐样本进行线性回归模型加密训练，并将数据回传给合同签署方客户端。
[0013]进一步地，所述合同签署方客户端包括：存储单元，存储已签署的合同；数据采集单元，采集所述已签署的合同的特征数据；模型建立单元，根据所述特征数据建立并训练线性回归模型；计算单元，根据待检测的特征数据计算预测值。
[0014]进一步地，所述联邦学习服务端包括：模型训练单元，接收合同签署方发送的加密数据集，利用纵向联邦算法将所述加密数据集进行对齐，获得对齐样本，并对所述对齐样本进行线性回归模型加密训练，并将数据回传给合同签署方；解密单元，发送公钥给合同签署方，解密合同签署方发送的待检测的加密的特征数据，得到解密特征数据；计算单元，接收合同签署方发送的根据所述特征数据计算得到的预测值，根据所述预测值计算风险值，根据所述风险值判断待检测合同是否存在风险。
[0015]一种计算机存储介质，其上存储有计算机程序，所述计算机程序的处理器执行时用于实现上述的电子合同的风险预测方法。
[0016]通过本专利技术的电子合同的风险预测方法，利用纵向联邦学习算法以及同态加密技术，防止隐私泄露，在保护双发数据的同时提升模型效果。将合同特征数据与联邦学习算法结合，通过特征数据的模型学习，获得与特征数据关联的模型，只需提取待检测合同的特征数据就可以计算出该电子合同的风险值，根据风险值提示用户该电子合同是否有风险，以此保护用户的财产安全。
附图说明
[0017]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，下面描述中的附图仅仅是本申请的一些实施例，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他的附图。
[0018]图1是电子合同的风险预测方法流程示意简图；图2是电子合同的风险预测系统示意图。
具体实施方式
[0019]为使得本申请的申请目的、特征、优点能够更加的明显和易懂，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本申请一部分实施例，而非全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
[0020]下面结合附图和具体实施例，进一步阐明本专利技术。
[0021]实施例1本实施例提供一种电子合同的风险预测方法，以联邦学习服务端作为第三方处理器的角度进行方法说明。
[0022]如图1所示，联邦学习服务端接收所有合同签署方发送的加密数据集，利用纵向联邦算法将所述加密数据集进行对齐，获得对齐样本。并对对齐样本进行线性回归模型加密训练，并将数据回传给合同签署方，具体为：联邦学习服务端发送公钥给所述合同签署方；接收所述合同签署方利用同态加密交互计算获得的梯度和损失以及合同签署方生成的掩码；解密所述梯度和损失并回传给所述合同签署方。
[0023]合同签署方根据所述特征数据计算得到预测值，包括以下步骤：获取已签署合同的特征数据，训练特征数据得到线性回归模型；接收解密后的梯度和损失，去除掩码后获得模型参数，根据模型参数更新所述线性回归模型，获得新模型；将解密特征数据带入所述新模型计算得到预测值。
[0024]解密各合同签署方发本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种电子合同的风险预测方法，其特征在于，包括以下步骤：接收合同签署方发送的加密数据集，利用纵向联邦算法将所述加密数据集进行对齐，获得对齐样本，并对所述对齐样本进行线性回归模型加密训练，并将数据回传给合同签署方；解密各合同签署方发送的待检测的加密的特征数据，得到解密特征数据，将所述解密特征数据发送至对应的合同签署方；接收各合同签署方发送的根据所述特征数据计算得到的预测值，根据所述预测值计算风险值，根据所述风险值判断待检测合同是否存在风险。2.根据权利要求1所述的电子合同的风险预测方法，对所述对齐样本进行线性回归模型加密训练，并将数据回传给合同签署方，包括以下步骤：发送公钥给所述合同签署方；接收所述合同签署方利用同态加密交互计算获得的梯度和损失以及合同签署方生成的掩码；解密所述梯度和损失并回传给所述合同签署方。3.根据权利要求2所述的电子合同的风险预测方法，合同签署方根据所述特征数据计算得到预测值，包括以下步骤：获取已签署合同的特征数据，训练所述特征数据得到线性回归模型；接收解密后的梯度和损失，去除掩码后获得模型参数，根据所述模型参数更新所述线性回归模型，获得新模型；将所述解密特征数据带入所述新模型计算得到预测值。4.根据权利要求1所述的电子合同的风险预测方法，接收合同签署方发送的加密数据集之后，还包括源信息检测，具体为：将所述加密数据集分成若干份，对若干份加密数据集进行训练，剔除异常的数据集，重新组合剩下的数据集，获得新加密数据集。5.根据权利要求1
‑
4所述任意一项的电子合同的风险预测方法，所述特征数据为项目数据与平均项目数据的比值，所述项目数据包括总金额、单价、交货时间、货物量以及货物种类。...
【专利技术属性】
技术研发人员：李学谦，金宏洲，程亮，
申请(专利权)人：杭州天谷信息科技有限公司，
类型：发明
国别省市：
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。