用户分析模型优化方法及装置与流程

1.本发明涉及数据处理技术领域，特别是涉及一种用户分析模型优化方法及装置。


背景技术：

2.随着互联网技术不断发展，电子时代已经融入到了身边各行各业中，餐饮、出行、金融等，电商更是与生活紧密相关，其中跨境电子商务建立了生产企业与个体批发商、零售商乃至消费者的直接联系，有效减少了商品流转成本。
3.目前，现有对跨境电商用户分析时，由于电商数据分布在多个电商平台中，电商数据不集中，这使得用户分析模型构建能力较差，而在单一电商平台下，由于用户消费习惯与标注成本的问题，良好的数据标签往往很难获取，个人购物记录无法采集并标注足量的训练样本，甚至部分场景中完全没有标签，这使得基于现有用户数据所构建的用户行为分析模型精确度较低。


技术实现要素：

4.有鉴于此，本发明提供一种用户行为分析模型的优化方法及装置、存储介质、终端，主要目的在于解决现有用户行为分析模型精确度较低的问题。
5.依据本发明一个方面，提供了一种用户行为分析模型的优化方法，包括：
6.获取半监督共享模型并将所述半监督共享模型发布至区块链网络中，以使得所述区块链网络中的各个节点将所述半监督共享模型下载至本地，而所述半监督共享模型用于基于半监督用户数据分析用户行为；
7.接收所述各个节点上传的子模型参数，所述子模型参数为各个节点基于本地数据通过半监督学习得到的；
8.根据所述子模型参数对所述半监督共享模型进行优化。
9.进一步地，所述根据所述子模型参数对所述半监督共享模型的参数进行优化包括：
10.根据与所述各个节点分别对应的子模型参数计算加权平均值；
11.利用所述加权平均值对所述半监督共享模型的参数进行更新。
12.进一步地，所述获取半监督共享模型并将所述半监督共享模型发布至区块链网络中，以使得所述区块链网络中的各个节点将所述半监督共享模型下载至本地之后，所述方法还包括：
13.所述各个节点基于第一数据和第二数据并利用所述半监督共享模型分别进行半监督学习，得到与各个节点分别对应的子模型参数，所述第一数据为与节点对应的标签数据，所述第二数据为与节点对应的非标签数据；
14.所述各个节点将所述子模型参数上传至所述区块链网路中。
15.进一步地，所述所述各个节点基于第一数据和第二数据并利用所述半监督共享模型分别进行半监督学习包括：
16.所述各个节点根据所述第一数据和所述第二数据分别计算第一损失函数和第二损失函数，所述第一损失函数为域混淆损失函数，所述第二损失函数为域分类损失函数；
17.当所述第一损失函数和所述第二损失函数达到平衡状态时，将当前模型参数确定为所述子模型参数，所述平衡状态用于标识所述半监督共享模型对所述第一数据和所述第二数据的处理结果满足预设条件。
18.进一步地，所述所述各个节点基于第一数据和第二数据并利用所述半监督共享模型分别进行半监督学习还包括：
19.所述各个节点基于所述第一数据和所述第二数据分别计算第三损失函数，所述第三损失函数用于标识所述半监督共享模型学习所述第二数据效果；
20.根据所述第三损失函数对所述子模型参数进行更新。
21.进一步地，所述根据所述子模型参数对所述半监督共享模型进行优化之后，所述方法还包括：
22.根据样本数据校验优化后的半监督共享模型是否完全收敛；
23.所述获取半监督共享模型并将所述半监督共享模型发布至区块链网络中包括：
24.若根据样本数据校验优化后的半监督共享模型未完全收敛，则获取所述优化后的半监督共享模型并发布至所述区块链网络中，以使得所述区块链网络中的各个节点将所述半监督共享模型下载至本地。
25.进一步地，所述方法还包括：
26.若根据样本数据校验优化后的半监督共享模型完全收敛，则将所述优化后的半监督共享模型发布至所述区块链网络中，以使得所述各个节点根据所述优化后的半监督共享模型分析用户行为。
27.依据本发明另一个方面，提供了一种用户行为分析模型的优化装置，包括：
28.获取模块，用于获取半监督共享模型；
29.发布模块，用于将所述获取模块获取的所述半监督共享模型发布至区块链网络中，以使得所述区块链网络中的各个节点将所述半监督共享模型下载至本地，而所述半监督共享模型用于基于半监督用户数据分析用户行为；
30.接收模块，用于接收所述各个节点上传的子模型参数，所述子模型参数为各个节点基于本地数据通过半监督学习得到的；
31.优化模块，用于根据所述子模型参数对所述半监督共享模型进行优化。
32.进一步地，所述优化模块包括：
33.第一计算单元，用于根据与所述各个节点分别对应的子模型参数计算加权平均值；
34.第一更新单元，用于利用所述加权平均值对所述半监督共享模型的参数进行更新。
35.进一步地，所述装置还包括：
36.半监督学习模块，用于所述各个节点基于第一数据和第二数据并利用所述半监督共享模型分别进行半监督学习，得到与各个节点分别对应的子模型参数，所述第一数据为与节点对应的标签数据，所述第二数据为与节点对应的非标签数据；
37.上传模块，用于所述各个节点将所述子模型参数上传至所述区块链网路中。
38.进一步地，所述半监督学习模块包括：
39.第二计算单元，用于所述各个节点根据所述第一数据和所述第二数据分别计算第一损失函数和第二损失函数，所述第一损失函数为域混淆损失函数，所述第二损失函数为域分类损失函数；
40.确定单元，用于当所述第一损失函数和所述第二损失函数达到平衡状态时，将当前模型参数确定为所述子模型参数，所述平衡状态用于标识所述半监督共享模型对所述第一数据和所述第二数据的处理结果满足预设条件。
41.进一步地，所述半监督学习模块还包括：
42.第三计算单元，用于所述各个节点基于所述第一数据和所述第二数据分别计算第三损失函数，所述第三损失函数用于标识所述半监督共享模型学习所述第二数据效果；
43.第二更新单元，用于根据所述第三损失函数对所述子模型参数进行更新。
44.进一步地，所述装置还包括：
45.校验模块，用于根据样本数据校验优化后的半监督共享模型是否完全收敛。
46.进一步地，
47.所述发布模块，还用于若根据样本数据校验优化后的半监督共享模型未完全收敛，则获取所述优化后的半监督共享模型并发布至所述区块链网络中，以使得所述区块链网络中的各个节点将所述半监督共享模型下载至本地。
48.进一步地，
49.所述发布模块，还用于若根据样本数据校验优化后的半监督共享模型完全收敛，则将所述优化后的半监督共享模型发布至所述区块链网络中，以使得所述各个节点根据所述优化后的半监督共享模型分析用户行为。
50.根据本发明的又一方面，提供了一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述用户行为分析模型的优化方法对应的操作。
51.根据本发明的再一方面，提供了一种终端，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
52.所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述用户行为分析模型的优化方法对应的操作。
53.借由上述技术方案，本发明实施例提供的技术方案至少具有下列优点：
54.本发明提供了一种用户行为分析模型的优化方法及装置，与现有技术相比，本发明实施例通过获取半监督共享模型并将所述半监督共享模型发布至区块链网络中，以使得所述区块链网络中的各个节点将所述半监督共享模型下载至本地，而所述半监督共享模型用于基于半监督用户数据分析用户行为；接收所述各个节点上传的子模型参数，所述子模型参数为各个节点基于本地数据通过半监督学习得到的；根据所述子模型参数对所述半监督共享模型进行优化，能够基于各节点的半监督数据对用户行为分析模型进行优化，实现了确保各节点数据安全性前提下的协同建模，避免了现有技术中各电商平台缺乏用户标签数据而导致无法构建或优化用户行为分析模型的问题，共同提升用户行为分析模型的精确度。
55.上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，
而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
56.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
57.图1示出了本发明实施例提供的一种用户行为分析模型的优化方法流程图；
58.图2示出了本发明实施例提供的另一种用户行为分析模型的优化方法流程图；
59.图3示出了本发明实施例提供的另一种模型和区块链网络结构示意图；
60.图4示出了本发明实施例提供的一种用户行为分析模型的优化装置组成框图；
61.图5示出了本发明实施例提供的另一种用户行为分析模型的优化装置组成框图；
62.图6示出了本发明实施例提供的一种终端的结构示意图。
具体实施方式
63.下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
64.针对现有对跨境电商用户分析时，由于电商数据分布在多个电商平台中，电商数据不集中，这使得用户分析模型构建能力较差，而在单一电商平台下，由于用户消费习惯与标注成本的问题，良好的数据标签往往很难获取，个人购物记录无法采集并标注足量的训练样本，甚至部分场景中完全没有标签，这使得基于现有用户数据所构建的用户行为分析模型精确度较低。本发明实施例提供了一种用户行为分析模型的优化方法，如图1所示，该方法包括：
65.101、获取半监督共享模型并将所述半监督共享模型发布至区块链网络中。
66.进一步地，以使得所述区块链网络中的各个节点将所述半监督共享模型下载至本地。其中，所述半监督共享模型用于基于半监督用户数据分析用户行为，而区块链网络中各节点可以为电商平台，每个电商平台拥有自己的用户数据，本步骤中所述的半监督用户数据为由标签数据和非标签数据组成的，用户行为可以为用户消费习惯、用户偏好、用户消费能力等。
67.在本技术实施例中，用户行为分析模型训练发布者首先确定神经网络构架，并完成模型参数初始化，而后将网络结构与超参数通过区块链网络的中心节点上传并发布至区块链网络中，从而区块链网络中的各个节点均能接收到中心节点发布的半监督共享模型，而本技术对神经网络构架和区块链的具体形式不做限定。
68.102、接收所述各个节点上传的子模型参数。
69.其中，所述子模型参数为各个节点基于本地数据通过半监督学习得到的。
70.需要说明的是，用户行为分析模型的优化系统在基于中心节点在区块链网络中发布半监督共享模型后，区块链网络中的各电商平台节点将半监督共享模型下载至本地，并
分别根据电商平台自身的用户数据进行模型学习，并得到各自的半监督共享模型的子模型参数，而后各节点再通过区块链网络将各自学习得到的子模型参数上传，以使得用户行为分析模型优化系统接收各个节点上传的子模型参数。而具体的子模型参数、区块链数据传输方式可以根据不同的应用场景进行设定，本技术实施例对此不做具体限定。
71.103、根据所述子模型参数对所述半监督共享模型进行优化。
72.具体地，本步骤可以为接收区块链网络中各个节点发来的子模型参数，而后根据多组子模型参数计算加权平均值，并根据得到的加权平均值对半监督共享模型进行优化，但不限于此。
73.本发明提供了一种用户行为分析模型的优化方法及装置，与现有技术相比，本发明实施例通过获取半监督共享模型并将所述半监督共享模型发布至区块链网络中，以使得所述区块链网络中的各个节点将所述半监督共享模型下载至本地，而所述半监督共享模型用于基于半监督用户数据分析用户行为；接收所述各个节点上传的子模型参数，所述子模型参数为各个节点基于本地数据通过半监督学习得到的；根据所述子模型参数对所述半监督共享模型进行优化，能够基于各节点的半监督数据对用户行为分析模型进行优化，实现了确保各节点数据安全性前提下的协同建模，避免了现有技术中各电商平台缺乏用户标签数据而导致无法构建或优化用户行为分析模型的问题，共同提升用户行为分析模型的精确度。
74.进一步的，作为上述实施例具体实施方式的细化和扩展，为了完整说明本实施例的具体实施过程，提供了另一种用户行为分析模型的优化方法，如图2所示，该方法包括：
75.201、获取半监督共享模型并将所述半监督共享模型发布至区块链网络中。
76.进一步地，以使得所述区块链网络中的各个节点将所述半监督共享模型下载至本地，其中，所述半监督共享模型用于基于半监督用户数据分析用户行为。而本步骤中相关的概念解释和具体实施方式可以参考所述步骤101中相应描述，本技术实施例在此不再赘述。
77.202、各个节点基于第一数据和第二数据并利用所述半监督共享模型分别进行半监督学习。
78.进一步地，得到与各个节点分别对应的子模型参数。其中，所述第一数据为与节点对应的标签数据，所述第二数据为与节点对应的非标签数据。
79.具体地，步骤202可以包括：所述各个节点根据所述第一数据和所述第二数据分别计算第一损失函数和第二损失函数；当所述第一损失函数和所述第二损失函数达到平衡状态时，将当前模型参数确定为所述子模型参数。
80.其中，所述第一损失函数为域混淆损失函数，所述第二损失函数为域分类损失函数，所述平衡状态用于标识所述半监督共享模型对所述第一数据和所述第二数据的处理结果满足预设条件。而所述平衡状态可以为第一损失函数和第二损失函数均趋向于稳定状态，但不限于此。
81.示例性的，本技术实施例提供了如图3所示的模型结构和区块链网络，在神经网络最后一层全连接层前添加一个分类器，该分类器的输入个数等于前一全连接层的输出，而该分类器的输出为2，用来判断本次输入来自标签数据还是非标签数据，而域混淆损失函数和域分类损失函数即为该层的损失函数。
82.具体地，本步骤中的域混淆损失函数ld为：
83.ld(ω
repr
，ωd)＝-∑1[y＝d]log(qd)
[0084]
其中，ω
repr
代表卷积层参数，ωd代表分类层参数，y表示判断结果，d表示输入数据源域，1代表来自标签数据集，0表示来自非标签数据集，qd表示网络输出。
[0085]
域分类损失函数l
conf
为：
[0086][0087]
其中，d表示数据集大小。在本技术实施例中，计算域混淆损失函数和域分类损失函数时，可以固定分类层参数来优化卷积层参数。通过域混淆损失函数优化半监督共享模型参数，能够使得模型无法分辨输入输入来自标签数据还是非标签数据，而通过域分类损失函数优化半监督共享模型参数，能够使得模型更加清晰分辨域的来源，这两个损失函数是互相对立的，因此通过两个损失函数的竞争达到一个平衡点时，表明半监督共享模型能够较好的处理半监督数据，即半监督共享模型能够同时优化标签数据和非标签数据，提升了半监督共享模型的性能。
[0088]
进一步地，在本技术实施例中步骤202还可以包括：各个节点基于所述第一数据和所述第二数据分别计算第三损失函数；根据所述第三损失函数对所述子模型参数进行更新。其中，所述第三损失函数用于标识所述半监督共享模型学习所述第二数据效果。
[0089]
具体地，第三损失函数可以为：
[0090][0091]
其中，ωc表示网络的分层参数，表示标签数据的标签概率分布。在本技术实施例中，在神经网络结构的最后一层网络后添加软标签层，并利用知识蒸馏技术来保留训练标签数据的知识以学习未标签数据，通过将标签数据的概率分布迁移到未标签数据中，以此为标签数据分配伪标签，使得区块链网络中的每个电商平台节点在本地能够首先对未标签数据进行训练优化，而后再上传至区块链网络中以便于根据各节点的子模型参数进行参数聚合和对模型进行优化，多维度的提升了半监督共享模型的性能。
[0092]
203、各个节点将所述子模型参数上传至所述区块链网路中。
[0093]
204、接收所述各个节点上传的子模型参数。
[0094]
其中，所述子模型参数为各个节点基于本地数据通过半监督学习得到的。
[0095]
区块链网络中的以各电商平台构建的各节点，根据电商平台自身的本地数据进行模型学习得到相应的子模型参数之后，通过区块链网络将各自的子模型参数上传，以实现本步骤中的接收各个节点上传的子模型参数。
[0096]
205、根据所述子模型参数对所述半监督共享模型进行优化。
[0097]
在本技术实施例中，所述步骤205可以包括：根据与所述各个节点分别对应的子模型参数计算加权平均值；利用所述加权平均值对所述半监督共享模型的参数进行更新。
[0098]
在本技术实施例中，通过结合各节点上传的子模型参数对半监督共享模型进行参数优化，能够避免在电商平台缺乏用户标签数据时无法构建和优化用户行为分析模型的问题，使得能够在保障各电商平台之间用户隐私不泄露的前提下实现协同建模，共同提升神经网络的利用率和用户行为分析模型的精确度。
[0099]
206、根据样本数据校验所述优化后的半监督共享模型是否完全收敛。其中，样本
数据可以为根据历史用户数据构成的半监督数据，即样本数据中既包含有标签数据又包含有非标签数据，而数据的标签可以根据不同的应用场景进行设定，本技术实施例对此不做具体限定。而本步骤中的判断半监督共享模型是否完全收敛可以根据模型的损失函数进行判断，如当模型的损失函数几乎不变时则可以判断半监督共享模型完全收敛。
[0100]
207a、若根据样本数据校验所述优化后的半监督共享模型未完全收敛，则获取所述优化后的半监督共享模型并发布至所述区块链网络中。
[0101]
进一步地，以使得所述区块链网络中的各个节点将所述半监督共享模型下载至本地。当半监督共享模型未完全收敛时，表明该模型还具有优化空间，所以此时可以通过区块链网络中的中心节点将已经优化但未完全达到优化指标的模型再次发布至区块链网络中，以使得区块链网络中的各个节点再次将半监督共享模型下载至本地并根据本地半监督数据再次进行学习，以得到进一步优化的子模型参数并进行上传，即循环执行上述步骤201至步骤206。
[0102]
与所述步骤207a并列的步骤207b、若根据样本数据校验所述优化后的半监督共享模型完全收敛，则将所述优化后的半监督共享模型发布至所述区块链网络中。
[0103]
进一步地，以使得所述各个节点根据所述优化后的半监督共享模型分析用户行为。
[0104]
在本技术实施例中，通过重复执行：中心节点在区块链网络中发布半监督共享模型-区块链网络中各节点将模型下载至本地并利用各自的用户数据进行模型学习-各节点上传各自得到的子模型参数-根据各节点的子模型参数进行参数聚合-将聚合后的神经网络参数上传至区块链网络中，直至得到半监督共享模型完全收敛，确保了优化后的用户行为分析模型具有高精确度。并且通过将优化后的用户行为分析模型上传至区块链网络中，以使得各电商平台能够利用优化模型进行用户行为分析，实现了多电商平台协同优化用户行为分析模型，得到各电商平台均可用的半监督共享模型。
[0105]
本发明提供了一种用户行为分析模型的优化方法及装置，与现有技术相比，本发明实施例通过获取半监督共享模型并将所述半监督共享模型发布至区块链网络中，以使得所述区块链网络中的各个节点将所述半监督共享模型下载至本地，而所述半监督共享模型用于基于半监督用户数据分析用户行为；接收所述各个节点上传的子模型参数，所述子模型参数为各个节点基于本地数据通过半监督学习得到的；根据所述子模型参数对所述半监督共享模型进行优化，能够基于各节点的半监督数据对用户行为分析模型进行优化，实现了确保各节点数据安全性前提下的协同建模，避免了现有技术中各电商平台缺乏用户标签数据而导致无法构建或优化用户行为分析模型的问题，共同提升用户行为分析模型的精确度。
[0106]
进一步的，作为对上述图1所示方法的实现，本技术实施例提供了一种用户行为分析模型的优化装置，如图4所示，该装置包括：获取模块31、发布模块32、接收模块33、优化模块34。
[0107]
获取模块31，用于获取半监督共享模型；
[0108]
发布模块32，用于将所述获取模块获取的所述半监督共享模型发布至区块链网络中，以使得所述区块链网络中的各个节点将所述半监督共享模型下载至本地，而所述半监督共享模型用于基于半监督用户数据分析用户行为；
[0109]
接收模块33，用于接收所述各个节点上传的子模型参数，所述子模型参数为各个节点基于本地数据通过半监督学习得到的；
[0110]
优化模块34，用于根据所述子模型参数对所述半监督共享模型进行优化。
[0111]
进一步地，如图5所示，所述优化模块34包括：
[0112]
第一计算单元341，用于根据与所述各个节点分别对应的子模型参数计算加权平均值；
[0113]
第一更新单元342，用于利用所述加权平均值对所述半监督共享模型的参数进行更新。
[0114]
进一步地，如图5所示，所述装置还包括：
[0115]
半监督学习模块35，用于所述各个节点基于第一数据和第二数据并利用所述半监督共享模型分别进行半监督学习，得到与各个节点分别对应的子模型参数，所述第一数据为与节点对应的标签数据，所述第二数据为与节点对应的非标签数据；
[0116]
上传模块36，用于所述各个节点将所述子模型参数上传至所述区块链网路中。
[0117]
进一步地，如图5所示，所述半监督学习模块35包括：
[0118]
第二计算单元351，用于所述各个节点根据所述第一数据和所述第二数据分别计算第一损失函数和第二损失函数，所述第一损失函数为域混淆损失函数，所述第二损失函数为域分类损失函数；
[0119]
确定单元352，用于当所述第一损失函数和所述第二损失函数达到平衡状态时，将当前模型参数确定为所述子模型参数，所述平衡状态用于标识所述半监督共享模型对所述第一数据和所述第二数据的处理结果满足预设条件。
[0120]
进一步地，如图5所示，所述半监督学习模块35还包括：
[0121]
第三计算单元353，用于所述各个节点基于所述第一数据和所述第二数据分别计算第三损失函数，所述第三损失函数用于标识所述半监督共享模型学习所述第二数据效果；
[0122]
第二更新单元354，用于根据所述第三损失函数对所述子模型参数进行更新。
[0123]
进一步地，如图5所示，所述装置还包括：
[0124]
校验模块37，用于根据样本数据校验优化后的半监督共享模型是否完全收敛。
[0125]
进一步地，如图5所示，
[0126]
所述发布模块32，还用于若根据样本数据校验优化后的半监督共享模型未完全收敛，则获取所述优化后的半监督共享模型并发布至所述区块链网络中，以使得所述区块链网络中的各个节点将所述半监督共享模型下载至本地。
[0127]
进一步地，如图5所示，
[0128]
所述发布模块32，还用于若根据样本数据校验优化后的半监督共享模型完全收敛，则将所述优化后的半监督共享模型发布至所述区块链网络中，以使得所述各个节点根据所述优化后的半监督共享模型分析用户行为。
[0129]
本技术提供了一种用户行为分析模型的优化方法及装置，与现有技术相比，本发明实施例通过获取半监督共享模型并将所述半监督共享模型发布至区块链网络中，以使得所述区块链网络中的各个节点将所述半监督共享模型下载至本地，而所述半监督共享模型用于基于半监督用户数据分析用户行为；接收所述各个节点上传的子模型参数，所述子模
型参数为各个节点基于本地数据通过半监督学习得到的；根据所述子模型参数对所述半监督共享模型进行优化，能够基于各节点的半监督数据对用户行为分析模型进行优化，实现了确保各节点数据安全性前提下的协同建模，避免了现有技术中各电商平台缺乏用户标签数据而导致无法构建或优化用户行为分析模型的问题，共同提升用户行为分析模型的精确度。
[0130]
根据本发明一个实施例提供了一种存储介质，所述存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的用户行为分析模型的优化方法。
[0131]
图6示出了根据本发明一个实施例提供的一种终端的结构示意图，本发明具体实施例并不对终端的具体实现做限定。
[0132]
如图6所示，该终端可以包括：处理器(processor)402、通信接口(communications interface)404、存储器(memory)404、以及通信总线408。
[0133]
其中：处理器402、通信接口404、以及存储器406通过通信总线408完成相互间的通信。
[0134]
通信接口404，用于与其它设备比如客户端或其它服务器等的网元通信。
[0135]
处理器402，用于执行程序410，具体可以执行上述用户行为分析模型的优化实施例中的相关步骤。
[0136]
具体地，程序410可以包括程序代码，该程序代码包括计算机操作指令。
[0137]
处理器402可能是中央处理器cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。终端包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个cpu；也可以是不同类型的处理器，如一个或多个cpu以及一个或多个asic。
[0138]
存储器406，用于存放程序410。存储器406可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0139]
程序410具体可以用于使得处理器402执行以下操作：
[0140]
获取半监督共享模型并将所述半监督共享模型发布至区块链网络中，以使得所述区块链网络中的各个节点将所述半监督共享模型下载至本地，而所述半监督共享模型用于基于半监督用户数据分析用户行为；
[0141]
接收所述各个节点上传的子模型参数，所述子模型参数为各个节点基于本地数据通过半监督学习得到的；
[0142]
根据所述子模型参数对所述半监督共享模型进行优化。
[0143]
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
[0144]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修
改、等同替换、改进等，均应包括在本发明的保护范围之内。