模型更新方法、装置、系统及设备与流程

1.本文件涉及数据处理技术领域，尤其涉及一种模型更新方法、装置、系统及设备。


背景技术：

2.随着计算机技术的快速发展，企业为用户提供的应用服务的种类和数量也越来越多，随之而来的用户数据的数据量日益增加，数据结构也日趋复杂，为此，企业多采用基于知识图谱构建的图神经网络模型，以处理错综复杂的用户数据。
3.企业在构建了图神经网络模型后，可以基于本地用户数据对图神经网络模型的模型参数进行更新，但是企业本地存储的用户私有数据的数据量少，数据质量差，且为保障用户数据的隐私安全，不同企业之间，甚至同一企业内的不同业务单元之间无法实现数据协作，所以，基于本地用户数据对图神经网络模型的模型参数进行更新，就使得模型参数更新准确性差，因此，需要一种能够提高模型参数的更新准确性的解决方案。


技术实现要素：

4.本说明书实施例的目的是提供一种模型更新方法、装置、系统及设备，以提供一种能够提高模型参数的更新准确性的解决方案。
5.为了实现上述技术方案，本说明书实施例是这样实现的：
6.第一方面，一种模型更新方法，包括：接收针对第一特征提取模型的更新请求，并基于待训练的第一特征提取模型和第一图结构数据，确定与所述第一图结构数据对应的第一特征向量，所述第一图结构数据由目标用户的第一特征信息确定；将所述第一特征向量发送给服务端，并接收所述服务端发送的模型参数，所述模型参数由所述服务端基于所述第一特征向量、第二特征向量，对待训练的第一分类模型进行训练，得到的训练后的第一分类模型的参数，所述第二特征向量为目标客户端基于预先训练的第二特征提取模型和第二图结构数据确定的向量，所述第二图结构数据由所述目标用户的第二特征信息确定，所述第二特征提取模型为基于历史图结构数据训练得到，所述历史图结构数据由预设数量的历史特征信息构建，所述第一分类模型用于根据所述第一特征提取模型提取出的第一特征向量和所述第二提取模型提取出的第二特征向量，对所述目标用户的特征信息进行分类处理；基于所述模型参数，对所述第一特征提取模型进行更新处理，并基于更新处理后的第一特征提取模型对本地用户数据进行分类处理。
7.第二方面，本说明书实施例提供的一种模型更新方法，包括：接收第一客户端发送的第一特征向量和目标客户端发送的第二特征向量，所述第一特征向量为所述第一客户端基于待训练的第一特征提取模型和第一图结构数据确定的向量，所述第二特征向量为所述目标客户端基于预先训练的第二特征提取模型和第二图结构数据确定的向量，所述第二图结构数据由所述目标用户的第二特征信息确定，所述第二特征提取模型为基于历史图结构数据训练得到，所述历史图结构数据由预设数量的历史特征信息构建；基于所述第一特征向量、所述第二特征向量，对待训练的第一分类模型进行训练，得到训练后的第一分类模
型，所述第一分类模型用于根据所述第一特征提取模型提取出的第一特征向量和所述第二提取模型提取出的第二特征向量，对所述目标用户的特征信息进行分类处理；将所述训练后的第一分类模型的模型参数发送给所述第一客户端，以使所述第一客户端基于所述模型参数对所述第一特征提取模型进行更新处理，并基于更新处理后的第一特征提取模型对所述第一客户端本地的用户数据进行处理。
8.第三方面，本说明书实施例提供的一种模型更新系统，包括服务端和多个第一客户端，其中：所述第一客户端，用于接收针对第一特征提取模型的更新请求，并基于待训练的第一特征提取模型和第一图结构数据，确定与所述第一图结构数据对应的第一特征向量，所述第一图结构数据由目标用户的第一特征信息确定；所述服务端，用于接收所述多个第一客户端发送的第一特征向量和目标客户端发送的第二特征向量，所述第二特征向量为所述目标客户端基于预先训练的第二特征提取模型和第二图结构数据确定的向量，所述第二图结构数据由所述目标用户的第二特征信息确定，所述第二特征提取模型为基于历史图结构数据训练得到，所述历史图结构数据由预设数量的历史特征信息构建；所述服务端，用于基于所述第一特征向量、所述第二特征向量，对待训练的第一分类模型进行训练，得到训练后的第一分类模型，所述第一分类模型用于根据所述第一特征提取模型提取出的第一特征向量和所述第二提取模型提取出的第二特征向量，对所述目标用户的特征信息进行分类处理，并将所述训练后的第一分类模型的模型参数发送给所述多个第一客户端；所述第一客户端，用于基于所述模型参数，对所述第一特征提取模型进行更新处理，并基于更新处理后的第一特征提取模型对本地用户数据进行分类处理。
9.第四方面，本说明书实施例提供的一种模型更新方法，应用于联邦学习客户端，包括：接收针对节点分类模型的更新请求，并基于第一图结构数据对所述节点分类模型进行训练，得到训练后的节点分类模型；将所述训练后的节点分类模型的第一模型参数发送给联邦学习服务端，并接收所述联邦学习服务端基于目标客户端发送的第二模型参数以及所述联邦学习客户端发送的第一模型参数，确定的所述节点分类模型的目标模型参数，所述第二模型参数为所述目标客户端基于预定数量的历史图结构数据对所述节点分类模型进行训练得到的模型参数；基于所述目标模型参数对所述训练后的节点分类模型进行更新，得到更新处理后的节点分类模型，并基于所述更新处理后的节点分类模型对本地用户数据进行分类处理。
10.第五方面，本说明书实施例提供的一种模型更新方法，应用于联邦学习服务端，包括：接收联邦学习客户端发送的第一模型参数和目标客户端发送的第二模型参数，所述第一模型参数为所述联邦学习客户端基于第一图结构数据对待训练的节点分类模型进行训练得到的模型参数，所述第二模型参数为所述目标客户端基于预定数量的历史图结构数据对所述节点分类模型进行训练得到的模型参数；基于所述第一模型参数、所述第二模型参数，确定所述节点分类模型的目标模型参数；将所述目标模型参数发送给所述联邦学习客户端，以使所述联邦学习客户端基于所述目标模型参数对训练后的节点分类模型进行更新处理，并基于更新处理后的节点分类模型对所述联邦学习客户端本地的用户数据进行处理。
11.第六方面，本说明书实施例提供的一种模型更新方法，应用于区块链系统，包括：基于预先部署在所述区块链系统中的智能合约，接收联邦学习客户端发送的第一模型参数
和目标客户端发送的第二模型参数，所述第一模型参数为所述联邦学习客户端基于第一图结构数据对待训练的节点分类模型进行训练得到的模型参数，所述第二模型参数为所述目标客户端基于预定数量的历史图结构数据对所述节点分类模型进行训练得到的模型参数；基于所述智能合约、所述第一模型参数和所述第二模型参数，确定所述节点分类模型的目标模型参数；将所述目标模型参数发送给所述联邦学习客户端，以使所述联邦学习客户端基于所述目标模型参数对训练后的节点分类模型进行更新处理，并基于更新处理后的节点分类模型对所述联邦学习客户端本地的用户数据进行处理。
12.第七方面，本说明书实施例提供了一种模型更新系统，包括联邦学习服务端和多个联邦学习客户端，其中：所述联邦学习客户端，用于接收针对节点分类模型的更新请求，并基于第一图结构数据对所述节点分类模型进行训练，得到训练后的节点分类模型；所述联邦学习服务端，用于接收所述联邦学习客户端发送的第一模型参数和目标客户端发送的第二模型参数，所述第二模型参数为所述目标客户端基于预定数量的历史图结构数据对所述节点分类模型进行训练得到的模型参数；所述联邦学习服务端，用于基于所述第一模型参数、所述第二模型参数，确定所述节点分类模型的目标模型参数，并将所述目标模型参数发送给所述联邦学习客户端；所述联邦学习客户端，用于基于所述目标模型参数对所述训练后的节点分类模型进行更新，得到更新处理后的节点分类模型，并基于所述更新处理后的节点分类模型对本地用户数据进行分类处理。
13.第八方面，本说明书实施例提供了一种模型更新装置，所述装置包括：第一接收模块，用于接收针对第一特征提取模型的更新请求，并基于待训练的第一特征提取模型和第一图结构数据，确定与所述第一图结构数据对应的第一特征向量，所述第一图结构数据由目标用户的第一特征信息确定；向量发送模块，用于将所述第一特征向量发送给服务端，并接收所述服务端发送的模型参数，所述模型参数由所述服务端基于所述第一特征向量、第二特征向量，对待训练的第一分类模型进行训练，得到的训练后的第一分类模型的参数，所述第二特征向量为目标客户端基于预先训练的第二特征提取模型和第二图结构数据确定的向量，所述第二图结构数据由所述目标用户的第二特征信息确定，所述第二特征提取模型为基于历史图结构数据训练得到，所述历史图结构数据由预设数量的历史特征信息构建，所述第一分类模型用于根据所述第一特征提取模型提取出的第一特征向量和所述第二提取模型提取出的第二特征向量，对所述目标用户的特征信息进行分类处理；模型更新模块，用于基于所述模型参数，对所述第一特征提取模型进行更新处理，并基于更新处理后的第一特征提取模型对本地用户数据进行分类处理。
14.第九方面，本说明书实施例提供了一种模型更新装置，所述装置包括：向量接收模块，用于接收第一客户端发送的第一特征向量和目标客户端发送的第二特征向量，所述第一特征向量为所述第一客户端基于待训练的第一特征提取模型和第一图结构数据确定的向量，所述第二特征向量为所述目标客户端基于预先训练的第二特征提取模型和第二图结构数据确定的向量，所述第二图结构数据由所述目标用户的第二特征信息确定，所述第二特征提取模型为基于历史图结构数据训练得到，所述历史图结构数据由预设数量的历史特征信息构建；模型训练模块，用于基于所述第一特征向量、所述第二特征向量，对待训练的第一分类模型进行训练，得到训练后的第一分类模型，所述第一分类模型用于根据所述第一特征提取模型提取出的第一特征向量和所述第二提取模型提取出的第二特征向量，对所
述目标用户的特征信息进行分类处理；数据发送模块，用于将所述训练后的第一分类模型的模型参数发送给所述第一客户端，以使所述第一客户端基于所述模型参数对所述第一特征提取模型进行更新处理，并基于更新处理后的第一特征提取模型对所述第一客户端本地的用户数据进行处理。
15.第十方面，本说明书实施例提供了一种模型更新装置，所述装置包括：第一接收模块，用于接收针对节点分类模型的更新请求，并基于第一图结构数据对所述节点分类模型进行训练，得到训练后的节点分类模型；数据发送模块，用于将所述训练后的节点分类模型的第一模型参数发送给联邦学习服务端，并接收所述联邦学习服务端基于目标客户端发送的第二模型参数以及所述联邦学习客户端发送的第一模型参数，确定的所述节点分类模型的目标模型参数，所述第二模型参数为所述目标客户端基于预定数量的历史图结构数据对所述节点分类模型进行训练得到的模型参数；模型更新模块，用于基于所述目标模型参数对所述训练后的节点分类模型进行更新，得到更新处理后的节点分类模型，并基于所述更新处理后的节点分类模型对本地用户数据进行分类处理。
16.第十一方面，本说明书实施例提供了一种模型更新装置，包括：数据接收模块，用于接收联邦学习客户端发送的第一模型参数和目标客户端发送的第二模型参数，所述第一模型参数为所述联邦学习客户端基于第一图结构数据对待训练的节点分类模型进行训练得到的模型参数，所述第二模型参数为所述目标客户端基于预定数量的历史图结构数据对所述节点分类模型进行训练得到的模型参数；参数确定模块，用于基于所述第一模型参数、所述第二模型参数，确定所述节点分类模型的目标模型参数；参数发送模块，用于将所述目标模型参数发送给所述联邦学习客户端，以使所述联邦学习客户端基于所述目标模型参数对训练后的节点分类模型进行更新处理，并基于更新处理后的节点分类模型对所述联邦学习客户端本地的用户数据进行处理。
17.第十二方面，本说明书实施例提供了一种模型更新装置，所述装置为区块链系统中的装置，包括：数据接收模块，用于基于预先部署在所述区块链系统中的智能合约，接收联邦学习客户端发送的第一模型参数和目标客户端发送的第二模型参数，所述第一模型参数为所述联邦学习客户端基于第一图结构数据对待训练的节点分类模型进行训练得到的模型参数，所述第二模型参数为所述目标客户端基于预定数量的历史图结构数据对所述节点分类模型进行训练得到的模型参数；参数确定模块，用于基于所述智能合约、所述第一模型参数和所述第二模型参数，确定所述节点分类模型的目标模型参数；参数发送模块，用于将所述目标模型参数发送给所述联邦学习客户端，以使所述联邦学习客户端基于所述目标模型参数对训练后的节点分类模型进行更新处理，并基于更新处理后的节点分类模型对所述联邦学习客户端本地的用户数据进行处理。
18.第十三方面，本说明书实施例提供了一种模型更新设备，所述模型更新设备包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：接收针对第一特征提取模型的更新请求，并基于待训练的第一特征提取模型和第一图结构数据，确定与所述第一图结构数据对应的第一特征向量，所述第一图结构数据由目标用户的第一特征信息确定；将所述第一特征向量发送给服务端，并接收所述服务端发送的模型参数，所述模型参数由所述服务端基于所述第一特征向量、第二特征向量，对待训练的第一分类模型进行训练，得到的训练后的第一分类模型的参数，所述第二特征向量
为目标客户端基于预先训练的第二特征提取模型和第二图结构数据确定的向量，所述第二图结构数据由所述目标用户的第二特征信息确定，所述第二特征提取模型为基于历史图结构数据训练得到，所述历史图结构数据由预设数量的历史特征信息构建，所述第一分类模型用于根据所述第一特征提取模型提取出的第一特征向量和所述第二提取模型提取出的第二特征向量，对所述目标用户的特征信息进行分类处理；基于所述模型参数，对所述第一特征提取模型进行更新处理，并基于更新处理后的第一特征提取模型对本地用户数据进行分类处理。
19.第十四方面，本说明书实施例提供了一种模型更新设备，所述模型更新设备包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：接收第一客户端发送的第一特征向量和目标客户端发送的第二特征向量，所述第一特征向量为所述第一客户端基于待训练的第一特征提取模型和第一图结构数据确定的向量，所述第二特征向量为所述目标客户端基于预先训练的第二特征提取模型和第二图结构数据确定的向量，所述第二图结构数据由所述目标用户的第二特征信息确定，所述第二特征提取模型为基于历史图结构数据训练得到，所述历史图结构数据由预设数量的历史特征信息构建；基于所述第一特征向量、所述第二特征向量，对待训练的第一分类模型进行训练，得到训练后的第一分类模型，所述第一分类模型用于根据所述第一特征提取模型提取出的第一特征向量和所述第二提取模型提取出的第二特征向量，对所述目标用户的特征信息进行分类处理；将所述训练后的第一分类模型的模型参数发送给所述第一客户端，以使所述第一客户端基于所述模型参数对所述第一特征提取模型进行更新处理，并基于更新处理后的第一特征提取模型对所述第一客户端本地的用户数据进行处理。
20.第十五方面，本说明书实施例提供了一种模型更新设备，所述模型更新设备包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：接收针对节点分类模型的更新请求，并基于第一图结构数据对所述节点分类模型进行训练，得到训练后的节点分类模型；将所述训练后的节点分类模型的第一模型参数发送给联邦学习服务端，并接收所述联邦学习服务端基于目标客户端发送的第二模型参数以及所述联邦学习客户端发送的第一模型参数，确定的所述节点分类模型的目标模型参数，所述第二模型参数为所述目标客户端基于预定数量的历史图结构数据对所述节点分类模型进行训练得到的模型参数；基于所述目标模型参数对所述训练后的节点分类模型进行更新，得到更新处理后的节点分类模型，并基于所述更新处理后的节点分类模型对本地用户数据进行分类处理。
21.第十六方面，本说明书实施例提供了一种模型更新设备，所述模型更新设备包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：接收联邦学习客户端发送的第一模型参数和目标客户端发送的第二模型参数，所述第一模型参数为所述联邦学习客户端基于第一图结构数据对待训练的节点分类模型进行训练得到的模型参数，所述第二模型参数为所述目标客户端基于预定数量的历史图结构数据对所述节点分类模型进行训练得到的模型参数；基于所述第一模型参数、所述第二模型参数，确定所述节点分类模型的目标模型参数；将所述目标模型参数发送给所述联邦学习客户端，以使所述联邦学习客户端基于所述目标模型参数对训练后的节点分类模型进行更新处理，并基于更新处理后的节点分类模型对所述联邦学习客户端本地的用户数据进
行处理。
22.第十七方面，本说明书实施例提供了一种模型更新设备，所述模型更新设备为区块链系统中的设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：基于预先部署在所述区块链系统中的智能合约，接收联邦学习客户端发送的第一模型参数和目标客户端发送的第二模型参数，所述第一模型参数为所述联邦学习客户端基于第一图结构数据对待训练的节点分类模型进行训练得到的模型参数，所述第二模型参数为所述目标客户端基于预定数量的历史图结构数据对所述节点分类模型进行训练得到的模型参数；基于所述智能合约、所述第一模型参数和所述第二模型参数，确定所述节点分类模型的目标模型参数；将所述目标模型参数发送给所述联邦学习客户端，以使所述联邦学习客户端基于所述目标模型参数对训练后的节点分类模型进行更新处理，并基于更新处理后的节点分类模型对所述联邦学习客户端本地的用户数据进行处理。
附图说明
23.为了更清楚地说明本说明书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说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
24.图1a为本说明书一种模型更新方法实施例的流程图；
25.图1b为本说明书一种模型更新方法的处理过程示意图；
26.图2为本说明书一种模型更新方法的示意图；
27.图3为本说明书又一种模型更新方法的处理过程示意图；
28.图4a为本说明书又一种模型更新方法实施例的流程图；
29.图4b为本说明书又一种模型更新方法的处理过程示意图；
30.图5为本说明书又一种模型更新方法的处理过程示意图；
31.图6为本说明书一种模型更新系统的示意图；
32.图7a为本说明书又一种模型更新方法实施例的流程图；
33.图7b为本说明书又一种模型更新方法的处理过程示意图；
34.图8为本说明书又一种模型更新方法的处理过程示意图；
35.图9a为本说明书又一种模型更新方法实施例的流程图；
36.图9b为本说明书又一种模型更新方法的处理过程示意图；
37.图10a为本说明书又一种模型更新方法实施例的流程图；
38.图10b为本说明书又一种模型更新方法的处理过程示意图；
39.图11为本说明书一种模型更新装置实施例的结构示意图；
40.图12为本说明书另一种模型更新装置实施例的结构示意图；
41.图13为本说明书另一种模型更新装置实施例的结构示意图；
42.图14为本说明书另一种模型更新装置实施例的结构示意图；
43.图15为本说明书另一种模型更新装置实施例的结构示意图；
44.图16为本说明书一种模型更新设备的结构示意图。
具体实施方式
45.本说明书实施例提供一种模型更新方法、装置、系统及设备。
46.为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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他实施例，都应当属于本说明书保护的范围。
47.实施例一
48.如图1a和1b所示，本说明书实施例提供一种模型更新方法，该方法的执行主体可以为客户端，该客户端可以是服务器或终端设备，其中，服务器可以是独立的服务器，也可以是由多个服务器组成的服务器集群，终端设备可以如个人计算机等设备，也可以如手机、平板电脑等移动终端设备。该方法具体可以包括以下步骤：
49.在s102中，接收针对第一特征提取模型的更新请求，并基于待训练的第一特征提取模型和第一图结构数据，确定与第一图结构数据对应的第一特征向量。
50.其中，第一特征提取模型可以是基于预设深度学习算法构建的模型，用于对图结构数据进行特征提取处理，得到与图结构数据对应的特征向量，第一图结构数据可以由目标用户的第一特征信息确定，第一特征信息可以包括目标用户的属性信息(如性别、年龄、地区等)、行为信息(如购买行为、通话行为等)等。
51.在实施中，随着计算机技术的快速发展，企业为用户提供的应用服务的种类和数量也越来越多，随之而来的用户数据的数据量日益增加，数据结构也日趋复杂，为此，企业多采用基于知识图谱构建的图神经网络模型，以处理错综复杂的用户数据。企业在构建了图神经网络模型后，可以基于本地用户数据对图神经网络模型的模型参数进行更新，但是企业本地存储的用户私有数据的数据量少，数据质量差，且为保障用户数据的隐私安全，不同企业之间，甚至同一企业内的不同业务单元之间无法实现数据协作，所以，基于本地用户数据对图神经网络模型的模型参数进行更新，就使得模型参数更新准确性差，因此，需要一种能够提高模型参数的更新准确性的解决方案。为此，本说明书实施例提供一种可以解决上述问题的技术方案，具体可以参见下述内容。
52.以客户端为能够为用户提供资源转移业务的机构所使用的客户端为例，由于不同的机构所拥有的用户私有数据不同，且每个机构所拥有的用户私有数据可能存在数据量较小，数据质量较差的问题，因此，为使本地使用的第一特征提取模型达到较好的使用效果(即基于第一特征提取模型提取出的特征向量符合预设分类处理需求)，可以通过与服务端的数据交互对本地使用的第一特征提取模型的模型参数进行更新操作。
53.例如，以第一特征提取模型是基于图神经网络(graph neural network，gnn)构建的模型为例，可以获取本地存储的目标用户的属性信息、行为信息等第一特征信息，并基于第一特征信息构建第一图结构数据。在接收到针对第一特征提取模型的更新请求的情况下，可以将第一图结构数据输入gnn模型，以得到与第一图结构数据对应的第一特征向量。其中，可以基于预设模型更新周期，触发针对第一特征提取模型的更新请求，通过第一图结构数据可以提高针对目标用户的第一特征信息的数据利用率。
54.在s104中，将第一特征向量发送给服务端，并接收服务端发送的模型参数。
55.其中，模型参数可以由服务端基于第一特征向量、第二特征向量，对待训练的第一分类模型进行训练，得到的训练后的第一分类模型的参数，第二特征向量可以为目标客户端基于预先训练的第二特征提取模型和第二图结构数据确定的向量，第二图结构数据可以由目标用户的第二特征信息确定，第二特征提取模型可以是基于预设深度学习算法构建的模型，用于对图结构数据进行特征提取处理，得到与图结构数据对应的特征向量，第二特征提取模型可以为基于历史图结构数据训练得到，历史图结构数据由预设数量的历史特征信息构建，第一分类模型用于根据第一特征提取模型提取出的第一特征向量和第二提取模型提取出的第二特征向量，对目标用户的特征信息进行分类处理，模型参数可以是训练后的第一分类模型的梯度、损失等。
56.在实施中，同一用户可能与多个服务提供方存在数据往来关系，而不同的服务提供方服务的用户量(即处理的数据量)和数据处理能力不同，因而，可以将数据处理能力强、数据处理量大的服务提供方的客户端作为目标客户端，即目标客户端可以是存储有预先训练的第二特征提取模型的客户端，且用于训练第二特征提取模型的历史图结构数据是由预设数量的历史特征信息构建的，即目标客户端的第二特征提取模型为提取准确性高的模型。
57.如图2所示，服务端可以接收本地(即客户端1)发送的第一特征向量，以及目标客户端基于第二图结构数据和预先训练的第二特征提取模型提取的第二特征向量，对待训练的第一分类模型进行训练，得到的训练后的第一分类模型的参数。
58.例如，假设目标用户与银行1和银行2存在数据往来关系，而银行1的用户量小于银行2，且银行1的数据处理能力小于银行2，因此，可以基于银行2的目标客户端，获取银行2存储的目标用户的第二特征信息，并基于该第二特征信息，构建第二图结构数据，再基于预先训练的第二特征提取模型和第二图结构数据，确定第二特征向量。银行1的客户端可以在接收到第一特征提取模型的更新请求的情况下，获取与目标用户对应的第一特征信息，并基于第一特征信息构建第一图结构数据，再基于待训练的第一特征提取模型和第一图结构数据，确定第一特征向量。服务端可以基于接收到的第一特征向量和第二特征向量，对待训练的第一分类模型进行训练，得到训练后的第一分类模型的模型参数，并将模型参数返回给银行1的客户端。
59.这样，由于目标客户端的第二特征提取模型是基于由预定数量的历史特征信息构建的历史图结构数据进行训练得到的，所以，目标客户端的第二特征提取模型的特征提取效果好，即在第二特征提取模型的辅助下，服务端基于第一特征向量和第二特征向量进行训练得到的第一分类模型的分类效果好。
60.在s106中，基于模型参数，对第一特征提取模型进行更新处理，并基于更新处理后的第一特征提取模型对本地用户数据进行分类处理。
61.在实施中，可以基于模型参数，对第一特征提取模型进行更新处理，这样，可以提高第一特征提取模型的模型效果，即基于更新处理后的第一特征提取模型提取出的特征向量，对本地用户数据进行分类处理的分类准确性高。
62.此外，为保证数据传输过程中的安全性，服务端可以为客户端生成一个客户端标识，并基于预设验证信息生成算法(如预设哈希算法)、模型参数和客户端标识，生成与客户端对应的第一验证信息。
63.这样，客户端就可以基于本地存储的客户端标识、预设验证信息生成算法和接收到的模型参数，生成第二验证信息，在基于第二验证信息和接收到的第一验证信息进行验证处理，以确定模型参数在传输过程中是否被篡改。
64.验证通过后，在基于模型参数，对第一特征提取模型进行更新处理，得到更新处理后的第一特征提取模型。
65.本说明书实施例提供一种模型更新方法，接收针对第一特征提取模型的更新请求，并基于待训练的第一特征提取模型和第一图结构数据，确定与第一图结构数据对应的第一特征向量，第一图结构数据由目标用户的第一特征信息确定，将第一特征向量发送给服务端，并接收服务端发送的模型参数，模型参数由服务端基于第一特征向量、第二特征向量，对待训练的第一分类模型进行训练，得到的训练后的第一分类模型的参数，第二特征向量为目标客户端基于预先训练的第二特征提取模型和第二图结构数据确定的向量，第二图结构数据由目标用户的第二特征信息确定，第二特征提取模型为基于历史图结构数据训练得到，历史图结构数据由预设数量的历史特征信息构建，第一分类模型用于根据第一特征提取模型提取出的第一特征向量和第二提取模型提取出的第二特征向量，对目标用户的特征信息进行分类处理，基于模型参数，对第一特征提取模型进行更新处理，并基于更新处理后的第一特征提取模型对本地用户数据进行分类处理。这样，由于目标客户端的第二特征提取模型是基于由预设数量的历史特征信息构建的历史图结构数据进行训练得到的，因而，可以在目标客户端的第二特征提取模型的参与下，提高对第一分类模型的训练准确性，再基于训练后的第一分类模型的模型参数，对第一特征提取模型进行更新处理，可以提高更新处理的第一特征提取模型的特征提取准确性，并提高后续对本地数据进行分类处理的分类准确性，同时，由于客户端仅将第一特征向量发送给服务端，保证了本地用户私有数据的隐私安全。
66.实施例二
67.如图3所示，本说明书实施例提供一种模型更新方法，该方法的执行主体可以为客户端，该客户端可以是服务器或终端设备，其中，服务器可以是独立的服务器，也可以是由多个服务器组成的服务器集群，终端设备可以如个人计算机等设备，也可以如手机、平板电脑等移动终端设备。该方法具体可以包括以下步骤：
68.在s102中，接收针对第一特征提取模型的更新请求，并基于待训练的第一特征提取模型和第一图结构数据，确定与第一图结构数据对应的第一特征向量。
69.在s104中，将第一特征向量发送给服务端，并接收服务端发送的模型参数。
70.在s106中，基于模型参数，对第一特征提取模型进行更新处理，并基于更新处理后的第一特征提取模型对本地用户数据进行分类处理。
71.在s302中，获取第四图结构数据。
72.其中，第四图结构数据可以是由本地存储的历史特征信息构建的，例如，第四图结构数据可以是本地存储的近1个月内所有用户的历史特征信息构建的。
73.在s304中，基于第四图结构数据，对目标分类模型进行训练，得到预先训练的目标分类模型。
74.其中，目标分类模型可以为基于第四图结构数据，对由预设分类子模型和更新处理后的第一特提取模型构建的模型进行训练得到。
75.在实施中，预设分类子模型可以是由预设深度学习算法构建的分类模型，可以将第四图结构数据输入更新处理后的第一特征提取模型，得到与第四图结构数据对应的特征向量，在将该特征向量输入预设分类子模型，以对目标分类模型进行模型训练，得到训练后的目标分类模型。
76.此外，还可以接收服务端发送的训练后的第一分类模型，即预设分类子模型可以为服务端发送的训练后的第一分类模型。即可以基于本地存储的第四图结构数据对由更新处理后的第一特提取模型和训练后的第一分类模型构建的目标分类模型进行个性化训练，以提高训练后的目标分类模型与本地的数据处理需求的匹配度，也可以有效降低在对模型进行打分时对其他域的数据的依赖。
77.在s306中，接收针对第三图结构数据的节点分类请求。
78.其中，第三图结构数据可以是任意待分类的图结构数据。
79.在s308中，将第三图结构数据输入预先训练的目标分类模型，得到与第三图结构数据对应的节点分类结果。
80.在实施中，由于目标分类模型是基于本地存储的第四图结构数据进行训练得到的，所以，预先训练的目标分类模型与本地的数据处理需求的匹配度高，因此，基于预先训练的目标分类模型对第三图结构数据进行分类处理，得到的节点分类结果的准确性高。
81.本说明书实施例提供一种模型更新方法，接收针对第一特征提取模型的更新请求，并基于待训练的第一特征提取模型和第一图结构数据，确定与第一图结构数据对应的第一特征向量，第一图结构数据由目标用户的第一特征信息确定，将第一特征向量发送给服务端，并接收服务端发送的模型参数，模型参数由服务端基于第一特征向量、第二特征向量，对待训练的第一分类模型进行训练，得到的训练后的第一分类模型的参数，第二特征向量为目标客户端基于预先训练的第二特征提取模型和第二图结构数据确定的向量，第二图结构数据由目标用户的第二特征信息确定，第二特征提取模型为基于历史图结构数据训练得到，历史图结构数据由预设数量的历史特征信息构建，第一分类模型用于根据第一特征提取模型提取出的第一特征向量和第二提取模型提取出的第二特征向量，对目标用户的特征信息进行分类处理，基于模型参数，对第一特征提取模型进行更新处理，并基于更新处理后的第一特征提取模型对本地用户数据进行分类处理。这样，由于目标客户端的第二特征提取模型是基于由预设数量的历史特征信息构建的历史图结构数据进行训练得到的，因而，可以在目标客户端的第二特征提取模型的参与下，提高对第一分类模型的训练准确性，再基于训练后的第一分类模型的模型参数，对第一特征提取模型进行更新处理，可以提高更新处理的第一特征提取模型的特征提取准确性，并提高后续对本地数据进行分类处理的分类准确性，同时，由于客户端仅将第一特征向量发送给服务端，保证了本地用户私有数据的隐私安全。
82.实施例三
83.如图4a和图4b所示，本说明书实施例提供一种模型更新方法，该方法的执行主体可以为服务端，该服务端可以是服务器或终端设备，其中，服务器可以是独立的服务器，也可以是由多个服务器组成的服务器集群，终端设备可以如个人计算机等设备，也可以如手机、平板电脑等移动终端设备。该方法具体可以包括以下步骤：
84.在s402中，接收第一客户端发送的第一特征向量和目标客户端发送的第二特征向
量。
85.其中，第一特征向量可以为第一客户端基于待训练的第一特征提取模型和第一图结构数据确定的向量，第二特征向量可以为目标客户端基于预先训练的第二特征提取模型和第二图结构数据确定的向量，第二图结构数据可以由目标用户的第二特征信息确定，第二特征提取模型可以为基于历史图结构数据训练得到，历史图结构数据可以由预设数量的历史特征信息构建。
86.在实施中，服务端可以接收一个或多个第一客户端发送的第一特征向量，以及一个或多个目标客户端发送的第二特征向量，本说明书实施例对第一客户端和目标客户端的数量不作具体限定。
87.在s404中，基于第一特征向量、第二特征向量，对待训练的第一分类模型进行训练，得到训练后的第一分类模型。
88.其中，第一分类模型可以是基于预设机器学习算法构建的分类模型，用于根据第一特征提取模型提取出的第一特征向量和第二提取模型提取出的第二特征向量，对目标用户的特征信息进行分类处理，例如，第一分类模型可以是基于神经网络算法构建的分类模型，用于根据第一特征向量和第二特征向量，对目标用户的特征信息进行分类处理。
89.在实施中，可以将第一特征向量和第二特征向量输入第一分类模型进行模型训练，得到训练后的第一分类模型。
90.在s406中，将训练后的第一分类模型的模型参数发送给第一客户端，以使第一客户端基于模型参数对第一特征提取模型进行更新处理，并基于更新处理后的第一特征提取模型对第一客户端本地的用户数据进行处理。
91.在实施中，由于目标客户端的第二分类模型是预先训练的模型，因此，服务端仅将训练后的第一分类模型的模型参数发送给第一客户端，以使第一客户端基于模型参数对第一特征提取模型进行更新处理。
92.此外，服务端还可以接收目标客户端的模型参数更新请求，即服务端可以响应于模型参数更新请求，将训练后的第一分类模型的模型参数发送给目标客户端，以使目标客户端基于模型参数对第二特征提取模型进行更新处理，并基于更新处理后的第二特征提取模型对目标客户端本地的用户数据进行处理。
93.本说明书实施例提供一种模型更新方法，接收第一客户端发送的第一特征向量和目标客户端发送的第二特征向量，第一特征向量为第一客户端基于待训练的第一特征提取模型和第一图结构数据确定的向量，第二特征向量为目标客户端基于预先训练的第二特征提取模型和第二图结构数据确定的向量，第二图结构数据由目标用户的第二特征信息确定，第二特征提取模型为基于历史图结构数据训练得到，历史图结构数据由预设数量的历史特征信息构建，基于第一特征向量、第二特征向量，对待训练的第一分类模型进行训练，得到训练后的第一分类模型，第一分类模型用于根据第一特征提取模型提取出的第一特征向量和第二提取模型提取出的第二特征向量，对目标用户的特征信息进行分类处理，将训练后的第一分类模型的模型参数发送给第一客户端，以使第一客户端基于模型参数对第一特征提取模型进行更新处理，并基于更新处理后的第一特征提取模型对第一客户端本地的用户数据进行处理。这样，由于目标客户端的第二特征提取模型是基于由预设数量的历史特征信息构建的历史图结构数据进行训练得到的，因而，可以在目标客户端的第二特征提
取模型的参与下，提高对第一分类模型的训练准确性，第一客户端就可以基于训练后的第一分类模型的模型参数对第一特征提取模型进行更新，可以提高更新处理的第一特征提取模型的特征提取准确性，并提高后续对第一客户端本地数据进行分类处理的分类准确性，同时，由于客户端(即第一客户端和目标客户端)仅将特征向量发送给服务端，保证了客户端本地用户私有数据的隐私安全。
94.实施例四
95.如图5所示，本说明书实施例提供一种模型更新方法，该方法的执行主体可以为服务端，该服务端可以是服务器或终端设备，其中，服务器可以是独立的服务器，也可以是由多个服务器组成的服务器集群，终端设备可以如个人计算机等设备，也可以如手机、平板电脑等移动终端设备。该方法具体可以包括以下步骤：
96.在s502中，基于多个第一客户端和目标客户端发送的用户标识，确定目标用户。
97.在实施中，第一客户端和目标客户端可以将本地存储的用户标识发送给服务端，服务端可以对第一客户端与目标客户端发送的用户标识进行匹配处理，将第一客户端和目标客户端共有的用户标识对应的用户，确定为目标用户。
98.例如，假设第一客户端和目标客户端以用户的通讯号码作为用户标识，第一客户端和目标客户端可以将本地存储的通讯号码发送给服务端，服务端可以将目标客户端和第一客户端共有的通讯号码对应的用户，确定为目标用户。
99.此外，为保护用户私有数据的隐私安全，服务端接收到的用户标识可以是基于预设加密算法进行处理后的标识，即第一客户端和目标客户端可以基于预先约定的加密算法对本地存储的用户标识进行加密，并将加密处理后的用户标识发送给服务端，服务端可以基于加密处理后的用户标识，确定目标用户。
100.上述目标用户的确定方法是一种可选地、可实现的确定方法，在实际应用场景中，还可以有多种不同的确定方法，可以根据实际应用场景的不同而有所不同，本说明书实施例对此不作具体限定。
101.在s504中，将目标用户的用户标识发送给第一客户端，以使第一客户端基于目标用户的用户标识，确定目标用户的第一特征信息，并基于目标用户的第一特征信息，构建第一图结构数据。
102.在s506中，将目标用户的用户标识发送给目标客户端，以使目标客户端基于目标用户的用户标识，确定目标用户的第二特征信息，并基于目标用户的第二特征信息，构建第二图结构数据。
103.在实施中，为保证数据传输过程中的安全性，服务端可以为目标客户端以及第一客户端分别生成对应的客户端标识，并基于预设验证信息生成算法(如预设哈希算法)、目标用户的用户标识和客户端标识，生成与客户端对应的目标验证信息，以使客户端(即第一客户端和目标客户端)可以根据目标验证信息，对接收到的目标用户的用户标识进行安全验证。
104.在s402中，接收第一客户端发送的第一特征向量和目标客户端发送的第二特征向量。
105.在s508中，对第一特征向量和第二特征向量进行合并处理，得到第三特征向量。
106.在实施中，服务端可以对第一特征向量和第二特征向量进行合并处理，得到第三
特征向量。此外，第三特征向量的确定方法还可以有多种，例如，在第一特征向量与第二特征向量的维度相同时，可以将第一特征向量和第二特征向量的均值，确定为第三特征向量，或者，还可以通过预设回归算法，对第一特征向量和第二特征向量进行处理，以得到第三特征向量，第三特征向量的确定方法可以根据实际应用场景的不同而有所不同，本说明书实施例对此不做具体限定。
107.此外，为保护用户私有数据的隐私安全，第一特征向量可以为第一客户端基于预设隐私加密算法对目标向量进行加密处理得到的向量，目标向量可以为第一客户端通过待训练的第一特征提取模型，对第一图结构数据进行特征提取处理得到的向量。
108.其中，预设隐私加密算法可以是同态加密(homomorphic encryption，he)算法、差分隐私(differential privacy，dp)加密算法等加密算法。
109.在s510中，基于第三特征向量，对待训练的第一分类模型进行训练，得到训练后的第一分类模型。
110.在s406中，将训练后的第一分类模型的模型参数发送给第一客户端，以使第一客户端基于模型参数对第一特征提取模型进行更新处理，并基于更新处理后的第一特征提取模型对第一客户端本地的用户数据进行处理。
111.本说明书实施例提供一种模型更新方法，本说明书实施例提供一种模型更新方法，接收第一客户端发送的第一特征向量和目标客户端发送的第二特征向量，第一特征向量为第一客户端基于待训练的第一特征提取模型和第一图结构数据确定的向量，第二特征向量为目标客户端基于预先训练的第二特征提取模型和第二图结构数据确定的向量，第二图结构数据由目标用户的第二特征信息确定，第二特征提取模型为基于历史图结构数据训练得到，历史图结构数据由预设数量的历史特征信息构建，基于第一特征向量、第二特征向量，对待训练的第一分类模型进行训练，得到训练后的第一分类模型，第一分类模型用于根据第一特征提取模型提取出的第一特征向量和第二提取模型提取出的第二特征向量，对目标用户的特征信息进行分类处理，将训练后的第一分类模型的模型参数发送给第一客户端，以使第一客户端基于模型参数对第一特征提取模型进行更新处理，并基于更新处理后的第一特征提取模型对第一客户端本地的用户数据进行处理。这样，由于目标客户端的第二特征提取模型是基于由预设数量的历史特征信息构建的历史图结构数据进行训练得到的，因而，可以在目标客户端的第二特征提取模型的参与下，提高对第一分类模型的训练准确性，第一客户端就可以基于训练后的第一分类模型的模型参数对第一特征提取模型进行更新，可以提高更新处理的第一特征提取模型的特征提取准确性，并提高后续对第一客户端本地数据进行分类处理的分类准确性，同时，由于客户端(即第一客户端和目标客户端)仅将特征向量发送给服务端，保证了客户端本地用户私有数据的隐私安全。
112.实施例五
113.本说明书实施例提供一种模型更新系统，该模型更新系统包括：包括服务端和多个第一客户端，其中：
114.第一客户端，用于接收针对第一特征提取模型的更新请求，并基于待训练的第一特征提取模型和第一图结构数据，确定与第一图结构数据对应的第一特征向量，第一图结构数据由目标用户的第一特征信息确定。
115.服务端，用于接收多个第一客户端发送的第一特征向量和目标客户端发送的第二
特征向量，第二特征向量为目标客户端基于预先训练的第二特征提取模型和第二图结构数据确定的向量，第二图结构数据由目标用户的第二特征信息确定，第二特征提取模型为基于历史图结构数据训练得到，历史图结构数据由预设数量的历史特征信息构建。
116.服务端，用于基于第一特征向量、第二特征向量，对待训练的第一分类模型进行训练，得到训练后的第一分类模型，第一分类模型用于根据第一特征提取模型提取出的第一特征向量和第二提取模型提取出的第二特征向量，对目标用户的特征信息进行分类处理，并将训练后的第一分类模型的模型参数发送给多个第一客户端。
117.第一客户端，用于基于模型参数，对第一特征提取模型进行更新处理，并基于更新处理后的第一特征提取模型对本地用户数据进行分类处理。
118.例如，模型更新系统中可以有服务端和多个第一客户端，以资源转移场景下的风险用户识别为例，假设第一客户端和目标客户端分别存储有若干用户的特征信息(如资源转移行为信息等)，第一客户端和目标客户端可以将本地存储的用户的用户标识发送给服务端，服务端可以根据接收到的用户标识，确定目标用户，例如，假设第一客户端1发送的用户标识有标识1、标识2和标识3，第一客户端2发送的用户标识有标识1、标识2和标识4，目标客户端发送的用户标识有标识2和标识4，那么，可以将这三个客户端共有的标识2对应的用户，确定为目标用户。
119.服务端可以将目标用户的用户标识分别发送给第一客户端和目标客户端，并接收第一客户端发送的第一特征向量和目标客户端发送的第二特征向量，再基于第一特征向量和第二特征向量，确定与目标用户对应的第三特征向量。
120.服务端可以基于目标用户的用户标识，获取目标用户的风险类别，并基于与目标用户对应的第三特征向量，对待训练的第一分类模型进行训练，得到训练后的第一分类模型，并将训练后的第一分类模型的梯度、损失等模型参数返回给第一客户端。这样，服务端就可以根据数据量较小的用户标签(即风险类别)计算损失，降低模型训练的成本，节约处理资源，提高处理效率，并根据损失进行反向传播，在计算反向传播时，只有第一客户端进行模型参数的更新，保证了目标客户端的模型效能，提高了训练效率。
121.如图6所示，第一客户端可以基于接收到的模型参数对第一特征提取模型进行更新处理，并基于更新处理后的第一特征提取模型对本地用户数据进行分类处理，以确定是否存在风险用户。例如，第一客户端可以基于更新处理后的第一特征提取模型对本地存储的第三图结构数据进行特征提取处理，并将提取出的与第三图结构数据对应的特征向量输入预先训练的第二分类模型，以得到与第三图结构数据对应的用户的用户类别，并根据用户类别确定用户是否为风险用户。
122.或者，第一客户端还可以将第三图结构数据输入预先训练的目标分类模型，得到与第三图结构数据对应的节点分类结果，并根据节点分类结果确定是否存在风险用户，其中，目标分类模型可以为基于第四图结构数据，对由预设分类子模型和更新处理后的第一特提取模型构建的模型进行训练得到，预设分类子模型可以为服务端发送的训练后的第一分类模型。
123.此外，上述是模型更新系统在资源场景下进行风险用户识别为例，除此之外，模型更新系统还可以应用于用户关系识别等多种应用场景。
124.本说明书实施例提供一种模型更新系统，由于目标客户端的第二特征提取模型是
基于由预设数量的历史特征信息构建的历史图结构数据进行训练得到的，因而，可以在目标客户端的第二特征提取模型的参与下，提高对第一分类模型的训练准确性，第一客户端就可以基于训练后的第一分类模型的模型参数对第一特征提取模型进行更新，可以提高更新处理的第一特征提取模型的特征提取准确性，并提高后续对第一客户端本地数据进行分类处理的分类准确性，同时，由于客户端(即第一客户端和目标客户端)仅将特征向量发送给服务端，保证了客户端本地用户私有数据的隐私安全。
125.实施例六
126.如图7a和7b所示，本说明书实施例提供一种模型更新方法，该方法的执行主体可以为联邦学习客户端，联邦学习客户端可以是服务器或终端设备，其中，服务器可以是独立的服务器，也可以是由多个服务器组成的服务器集群，终端设备可以如个人计算机等设备，也可以如手机、平板电脑等移动终端设备。该方法具体可以包括以下步骤：
127.在s702中，接收针对节点分类模型的更新请求，并基于第一图结构数据对节点分类模型进行训练，得到训练后的节点分类模型。
128.其中，节点分类模型可以为多个联邦学习客户端的共有模型，在联邦学习场景下，可以有1个联邦学习服务端和c个联邦学习客户端(c》＝2)，c个联邦学习客户端所使用的节点分类模型相同，第一图结构数据可以是基于用户的特征信息构建的。
129.在实施中，以联邦学习客户端为能够为用户提供资源转移业务的机构所使用的客户端为例，由于不同的机构所拥有的用户私有数据不同，且每个机构所拥有的用户私有数据可能存在数据量较小，数据质量较差的问题，因此，为使本地使用的节点分类模型达到较好的使用效果，多个机构可以通过联邦学习对本地使用的节点分类模型的模型参数进行更新操作。如同一用户可以与多个不同的银行存在数据往来关系，每个银行存储的用户私有数据不同，为更准确的对用户进行描述，以便后续为用户提供更优质的服务，多个银行可以通过联邦学习对节点分类模型的模型参数进行更新，以通过更新后的节点分类模型对用户私有数据进行处理。
130.参与联邦学习的每个机构的联邦学习客户端可以接收联邦学习服务端下发的针对节点分类模型的模型参数的更新指令，即联邦学习客户端在并接收到针对节点分类模型的更新请求的情况下，可以基于第一图结构数据对节点分类模型进行训练，得到训练后的节点分类模型。
131.另外，节点分类模型可以是任意图神经网络模型，例如，节点分类模型可以是由图神经网络(graph neural networks，gnn)构成的图神经网络模型，也可以是由gnn和多层感知器(multi-layer perception，mlp)构成的图神经网络模型，在实际应用场景中，节点分类模型的构建方法可以有多种，可以根据实际应用场景的不同而有所不同，本说明书实施例对此不做具体限定。
132.在s704中，将训练后的节点分类模型的第一模型参数发送给联邦学习服务端，并接收联邦学习服务端基于目标客户端发送的第二模型参数以及联邦学习客户端发送的第一模型参数，确定的节点分类模型的目标模型参数。
133.其中，第二模型参数可以为目标客户端基于预定数量的历史图结构数据对节点分类模型进行训练得到的模型参数。
134.在实施中，由于目标客户端的节点分类模型是基于由预定数量的历史图结构数据
进行训练得到的，所以，目标客户端的节点分类模型的节点分类效果好，即在第二模型参数的辅助下，服务端确定的节点分类模型的目标模型参数，可以提高节点分类模型的分类效果。
135.在s706中，基于目标模型参数对训练后的节点分类模型进行更新，得到更新处理后的节点分类模型，并基于更新处理后的节点分类模型对本地用户数据进行分类处理。
136.在实施中，为保证数据传输过程中的安全性，联邦学习服务端可以为参与联邦学习的每个联邦学习客户端生成一个客户端标识，并基于预设验证信息生成算法(如预设哈希算法)、目标模型参数和客户端标识，生成与每个联邦学习客户端对应的验证信息。
137.这样，联邦学习客户端就可以基于本地存储的客户端标识、预设验证信息生成算法和目标模型参数，生成对应的验证信息，在基于生成的验证信息和接收的验证信息进行验证处理，以确定目标模型参数在传输过程中是否被篡改。
138.验证通过后，在基于目标模型参数对训练后的节点分类模型进行更新，得到更新处理后的节点分类模型，并基于更新处理后的节点分类模型对本地用户数据进行分类处理。
139.本说明书实施例提供一种模型更新方法，接收针对节点分类模型的更新请求，并基于第一图结构数据对节点分类模型进行训练，得到训练后的节点分类模型，将训练后的节点分类模型的第一模型参数发送给联邦学习服务端，并接收联邦学习服务端基于目标客户端发送的第二模型参数以及联邦学习客户端发送的第一模型参数，确定的节点分类模型的目标模型参数，第二模型参数为目标客户端基于预定数量的历史图结构数据对节点分类模型进行训练得到的模型参数，基于目标模型参数对训练后的节点分类模型进行更新，得到更新处理后的节点分类模型，并基于更新处理后的节点分类模型对本地用户数据进行分类处理。这样，可以通过多个联邦学习客户端的参与，提高对节点分类模型的模型参数更新的准确性，且由于第二模型参数是目标客户端基于预定数量的历史图结构数据对节点分类模型机械能训练得到的模型参数，因而，可以在第二模型参数的辅助下，提高节点分类模型的模型参数更新准确性，同时，由于客户端(即联邦学习客户端和目标客户端)仅将模型参数发送给联邦学习服务端，保证了客户端本地用户私有数据的隐私安全。
140.实施例七
141.如图8所示，本说明书实施例提供一种模型更新方法，该方法的执行主体可以为联邦学习客户端，联邦学习客户端可以是服务器或终端设备，其中，服务器可以是独立的服务器，也可以是由多个服务器组成的服务器集群，终端设备可以如个人计算机等设备，也可以如手机、平板电脑等移动终端设备。该方法具体可以包括以下步骤：
142.在s702中，接收针对节点分类模型的更新请求，并基于第一图结构数据对节点分类模型进行训练，得到训练后的节点分类模型。
143.在s704中，将训练后的节点分类模型的第一模型参数发送给联邦学习服务端，并接收联邦学习服务端基于目标客户端发送的第二模型参数以及联邦学习客户端发送的第一模型参数，确定的节点分类模型的目标模型参数。
144.在s706中，基于目标模型参数对所述训练后的节点分类模型进行更新，得到更新处理后的节点分类模型，并基于所述更新处理后的节点分类模型对本地用户数据进行分类处理。
145.在s802中，接收针对第三图结构数据的节点分类请求。
146.在s804中，将第三图结构数据输入更新处理后的节点分类模型，得到与第三图结构数据对应的节点分类结果。
147.在实施中，在实际应用中，上述s804的处理方式可以多种多样，以下提供一种可选的实现方式，具体可以参见下述步骤一～步骤三处理：
148.步骤一，获取第四图结构数据。
149.步骤二，基于第四图结构数据，对更新处理后的节点分类模型进行训练，得到训练后的目标节点分类模型。
150.步骤三，将第三图结构数据输入训练后的目标节点分类模型，得到与第三图结构数据对应的节点分类结果。
151.在实施中，在联邦学习客户端本地基于第四图结构数据，对更新处理后的节点分类模型进行针对性的再训练，以得到与本地的节点分类需求匹配度高的训练后的目标节点分类模型。
152.本说明书实施例提供一种模型更新方法，接收针对节点分类模型的更新请求，并基于第一图结构数据对节点分类模型进行训练，得到训练后的节点分类模型，将训练后的节点分类模型的第一模型参数发送给联邦学习服务端，并接收联邦学习服务端基于目标客户端发送的第二模型参数以及联邦学习客户端发送的第一模型参数，确定的节点分类模型的目标模型参数，第二模型参数为目标客户端基于预定数量的历史图结构数据对节点分类模型进行训练得到的模型参数，基于目标模型参数对训练后的节点分类模型进行更新，得到更新处理后的节点分类模型，并基于更新处理后的节点分类模型对本地用户数据进行分类处理。这样，可以通过多个联邦学习客户端的参与，提高对节点分类模型的模型参数更新的准确性，且由于第二模型参数是目标客户端基于预定数量的历史图结构数据对节点分类模型机械能训练得到的模型参数，因而，可以在第二模型参数的辅助下，提高节点分类模型的模型参数更新准确性，同时，由于客户端(即联邦学习客户端和目标客户端)仅将模型参数发送给联邦学习服务端，保证了客户端本地用户私有数据的隐私安全。
153.实施例八
154.如图9a和图9b所示，本说明书实施例提供一种模型更新方法，该方法的执行主体可以为联邦学习服务端，联邦学习服务端可以是服务器或终端设备，其中，服务器可以是独立的服务器，也可以是由多个服务器组成的服务器集群，终端设备可以如个人计算机等设备，也可以如手机、平板电脑等移动终端设备。该方法具体可以包括以下步骤：
155.在s902中，接收联邦学习客户端发送的第一模型参数和目标客户端发送的第二模型参数。
156.其中，第一模型参数可以为联邦学习客户端基于第一图结构数据对待训练的节点分类模型进行训练得到的模型参数，第二模型参数可以为目标客户端基于预定数量的历史图结构数据对节点分类模型进行训练得到的模型参数。
157.在s904中，基于第一模型参数、第二模型参数，确定节点分类模型的目标模型参数。
158.在实施中，联邦学习服务端可以将多个联邦学习客户端发送的第一模型参数，以及目标客户端发送的第二模型参数的均值，作为节点分类模型的目标模型参数。
159.此外，目标客户端可以有多个，且目标模型参数的确定方法可以有多种，本说明书实施例对目标客户端的数量和目标模型参数的确定方法不做具体限定。
160.在s906中，将目标模型参数发送给联邦学习客户端，以使联邦学习客户端基于目标模型参数对训练后的节点分类模型进行更新处理，并基于更新处理后的节点分类模型对联邦学习客户端本地的用户数据进行处理。
161.此外，联邦学习服务端还可以基于与每个联邦学习客户端以及目标客户端对应的预设权重、第一模型参数和第二模型参数，确定节点分类模型的目标模型参数。
162.由于不同的联邦学习客户端和目标客户端拥有的用户私有数据的数据量不同，所以，可以为不同的联邦学习客户端和目标客户端分配预设权重，以确定节点分类模型的目标模型参数。
163.上述目标模型参数的确定方法是一种可选地、可实现的更新方法，在实际应用场景中还可以有多种不同的确定方法，可以根据实际应用场景的不同而有所不同，可以根据实际应用场景的不同而有所不同，本说明书实施例对此不作具体限定。
164.另外，联邦学习服务端还可以基于预设的多个更新周期，在参与联邦学习的联邦学习客户端中选取多个联邦学习客户端，以及在多个目标客户端中选择预定数量的目标客户端进行模型参数的更新处理。例如，参与联邦学习的联邦学习客户端可以有c个，目标客户端有g个，假设共有e个预设更新周期，在第一个更新周期内，可以在c个联邦学习客户端中随机选取f个联邦学习客户端(f《＝c)，在g个目标客户端中随机选取h个目标客户端(h《＝g)，联邦学习服务端可以根据f个联邦学习客户端发送的第一模型参数，以及h个目标客户端发送的第二模型参数，确定节点分类模型的目标参数。联邦学习客户端可以基于目标参数，对训练后的节点分类模型进行更新，得到更新处理后的节点分类模型。
165.在第2个更新周期(e》＝2)，可以从c个联邦学习客户端中再随机选取a个联邦学习客户端(a《＝c)，在g个目标客户端中随机选取i个目标客户端(i《＝g)，联邦学习服务端可以根据a个联邦学习客户端发送的第一模型参数，以及i个目标客户端发送的第二模型参数(该第二模型参数可以是基于第一图结构数据对更新处理后的节点分类模型进行训练得到的节点分类模型的模型参数)，确定节点分类模型的目标参数，联邦学习客户端可以基于目标参数，对更新处理后的节点分类模型再次进行更新，得到更新处理后的节点分类模型。以此类推，直到第e个更新周期结束。
166.本说明书实施例提供一种模型更新方法，接收联邦学习客户端发送的第一模型参数和目标客户端发送的第二模型参数，第一模型参数为联邦学习客户端基于第一图结构数据对待训练的节点分类模型进行训练得到的模型参数，第二模型参数为目标客户端基于预定数量的历史图结构数据对节点分类模型进行训练得到的模型参数，基于第一模型参数、第二模型参数，确定节点分类模型的目标模型参数，将目标模型参数发送给联邦学习客户端，以使联邦学习客户端基于目标模型参数对训练后的节点分类模型进行更新处理，并基于更新处理后的节点分类模型对联邦学习客户端本地的用户数据进行处理。这样，可以通过多个联邦学习客户端的参与，提高对节点分类模型的模型参数更新的准确性，且由于第二模型参数是目标客户端基于预定数量的历史图结构数据对节点分类模型机械能训练得到的模型参数，因而，可以在第二模型参数的辅助下，提高节点分类模型的模型参数更新准确性，同时，由于客户端(即联邦学习客户端和目标客户端)仅将模型参数发送给联邦学习
服务端，保证了客户端本地用户私有数据的隐私安全。
167.实施例九
168.本说明书实施例提供一种模型更新系统，该模型更新系统包括：联邦学习服务端和多个联邦学习客户端，其中：
169.联邦学习客户端，用于接收针对节点分类模型的更新请求，并基于第一图结构数据对节点分类模型进行训练，得到训练后的节点分类模型。
170.联邦学习服务端，用于接收联邦学习客户端发送的第一模型参数和目标客户端发送的第二模型参数，第二模型参数为目标客户端基于预定数量的历史图结构数据对节点分类模型进行训练得到的模型参数。
171.联邦学习服务端，用于基于第一模型参数、第二模型参数，确定节点分类模型的目标模型参数，并将目标模型参数发送给联邦学习客户端。
172.联邦学习客户端，用于基于目标模型参数对训练后的节点分类模型进行更新，得到更新处理后的节点分类模型，并基于更新处理后的节点分类模型对本地用户数据进行分类处理。
173.例如，以资源转移场景下的风险用户识别为例，假设联邦学习客户端和目标客户端分别存储有若干用户的特征信息(如用户属性信息和资源转移行为信息)，联邦学习客户端可以基于本地存储的用户特征信息，构建第一图结构数据，目标客户端也可以根据本地存储的用户特征信息，构建历史图结构数据。
174.联邦学习客户端可以在接收到针对节点分类模型的更新请求的情况下，基于第一图结构数据对节点分类模型进行训练，得到训练后的节点分类模型，将训练后的节点分类模型的模型参数确定为第一模型参数。目标客户端可以基于预定数量的历史图结构数据在本地对节点分类模型进行训练，将训练得到的节点分类模型的模型参数确定为第二模型参数。
175.联邦学习服务端可以基于第一模型参数、第二模型参数，确定节点分类模型的目标模型参数，并将目标模型参数返回给联邦学习客户端。
176.联邦学习客户端可以基于目标模型参数对训练后的节点分类模型进行更新，得到更新处理后的节点分类模型，并在接收针对第三图结构数据的节点分类请求的情况下，将第三图结构数据输入更新处理后的节点分类模型，得到与第三图结构数据对应的节点分类结果，在基于节点分类结果，确定是否存在风险用户。或者，联邦学习客户端可以基于第四图结构数据对更新处理后的节点分类模型进行针对性的再训练，得到训练后的目标节点分类模型，并将第三图结构数据输入训练后的目标节点分类模型，以得到与第三图结构数据对应的节点分类结果。
177.本说明书实施例提供一种模型更新系统，可以通过多个联邦学习客户端的参与，提高对节点分类模型的模型参数更新的准确性，且由于第二模型参数是目标客户端基于预定数量的历史图结构数据对节点分类模型机械能训练得到的模型参数，因而，可以在第二模型参数的辅助下，提高节点分类模型的模型参数更新准确性，同时，由于客户端(即联邦学习客户端和目标客户端)仅将模型参数发送给联邦学习服务端，保证了客户端本地用户私有数据的隐私安全。
178.实施例十
179.如图10a和图10b所示，本说明书实施例提供一种模型更新方法，该方法的执行主体可以为区块链系统。该方法具体可以包括以下步骤：
180.在s1002中，基于预先部署在区块链系统中的智能合约，接收联邦学习客户端发送的第一模型参数和目标客户端发送的第二模型参数。
181.其中，第一模型参数可以为联邦学习客户端基于第一图结构数据对待训练的节点分类模型进行训练得到的模型参数，第二模型参数可以为目标客户端基于预定数量的历史图结构数据对节点分类模型进行训练得到的模型参数，节点分类模型可以为多个联邦学习客户端和目标客户端的共有模型，智能合约可以基于预先设定的规则生成，其中的预先设定的规则可以包括如判断模型参数更新指令的接收时间是否处于有效更新时间内、联邦学习服务端是否具有模型参数更新权限等。
182.在实施中，可以根据区块链所具有的功能，开发相应的可信应用程序，该可信应用程序可以被封装成一个独立的应用程序，由参与联邦学习的各个参与方(如联邦学习客户端)和目标客户端安装在本地的终端设备或服务器中。或者，联邦学习的参与方和目标客户端也可以共同约定某一应用程序作为可信应用程序，并通过该可信应用程序向区块链系统发送相关信息(如发送模型参数等)。
183.区块链系统可以基于预先部署的智能合约，获取节点分类模型的第一模型参数和第二模型参数。例如，区块链系统可以基于预先部署的智能合约，确定当前时间是否达到预设的针对节点分类模型的模型参数更新时间，在到达预设的模型参数更新时间的情况下，可以获取与节点分类模型对应的第一模型参数和第二模型参数。
184.在s1004中，基于智能合约、第一模型参数和第二模型参数，确定节点分类模型的目标模型参数。
185.在实施中，区块链系统可以将多个联邦学习客户端发送的第一模型参数，以及目标客户端发送的第二模型参数的均值，作为节点分类模型的目标模型参数。
186.在s1006中，将目标模型参数发送给联邦学习客户端，以使联邦学习客户端基于目标模型参数对训练后的节点分类模型进行更新处理，并基于更新处理后的节点分类模型对联邦学习客户端本地的用户数据进行处理。
187.本说明书实施例提供一种模型更新方法，基于预先部署在区块链系统中的智能合约，接收联邦学习客户端发送的第一模型参数和目标客户端发送的第二模型参数，第一模型参数为联邦学习客户端基于第一图结构数据对待训练的节点分类模型进行训练得到的模型参数，第二模型参数为目标客户端基于预定数量的历史图结构数据对节点分类模型进行训练得到的模型参数，基于智能合约、第一模型参数和第二模型参数，确定节点分类模型的目标模型参数，将目标模型参数发送给联邦学习客户端，以使联邦学习客户端基于目标模型参数对训练后的节点分类模型进行更新处理，并基于更新处理后的节点分类模型对联邦学习客户端本地的用户数据进行处理。这样，可以通过多个联邦学习客户端的参与，提高对节点分类模型的模型参数更新的准确性，且由于第二模型参数是目标客户端基于预定数量的历史图结构数据对节点分类模型机械能训练得到的模型参数，因而，可以在第二模型参数的辅助下，提高节点分类模型的模型参数更新准确性，同时，由于客户端(即联邦学习客户端和目标客户端)仅将模型参数发送给联邦学习服务端，保证了客户端本地用户私有数据的隐私安全，并且，通过区块链系统存储第一模型参数、第二模型参数和目标模型参
数，可以保证数据的安全性，提高数据的可回溯性。
188.实施例十一
189.以上为本说明书实施例提供的模型更新方法，基于同样的思路，本说明书实施例还提供一种模型更新装置，如图11所示。
190.该模型更新装置包括：第一接收模块1101、向量发送模块1102和模型更新模块1103，其中：
191.第一接收模块1101，用于接收针对第一特征提取模型的更新请求，并基于待训练的第一特征提取模型和第一图结构数据，确定与所述第一图结构数据对应的第一特征向量，所述第一图结构数据由目标用户的第一特征信息确定；
192.向量发送模块1102，用于将所述第一特征向量发送给服务端，并接收所述服务端发送的模型参数，所述模型参数由所述服务端基于所述第一特征向量、第二特征向量，对待训练的第一分类模型进行训练，得到的训练后的第一分类模型的参数，所述第二特征向量为目标客户端基于预先训练的第二特征提取模型和第二图结构数据确定的向量，所述第二图结构数据由所述目标用户的第二特征信息确定，所述第二特征提取模型为基于历史图结构数据训练得到，所述历史图结构数据由预设数量的历史特征信息构建，所述第一分类模型用于根据所述第一特征提取模型提取出的第一特征向量和所述第二提取模型提取出的第二特征向量，对所述目标用户的特征信息进行分类处理；
193.模型更新模块1103，用于基于所述模型参数，对所述第一特征提取模型进行更新处理，并基于更新处理后的第一特征提取模型对本地用户数据进行分类处理。
194.本说明书实施例中，所述装置还包括：
195.第二接收模块，用于接收针对第三图结构数据的节点分类请求；
196.结果获取模块，用于将所述第三图结构数据输入预先训练的目标分类模型，得到与所述第三图结构数据对应的节点分类结果，所述目标分类模型为基于第四图结构数据，对由预设分类子模型和所述更新处理后的第一特提取模型构建的模型进行训练得到。
197.本说明书实施例中，所述装置还包括：
198.数据获取模块，用于获取所述第四图结构数据；
199.模型训练模块，用于基于所述第四图结构数据，对所述目标分类模型进行训练，得到所述预先训练的目标分类模型。
200.本说明书实施例中，所述预设分类子模型为所述服务端发送的所述训练后的第一分类模型。
201.基于同样的思路，本说明书实施例还提供一种模型更新装置，如图12所示。
202.该模型更新装置包括：向量接收模块1201、模型训练模块1202和数据发送模块模块1203，其中：
203.向量接收模块1201，用于接收第一客户端发送的第一特征向量和目标客户端发送的第二特征向量，所述第一特征向量为所述第一客户端基于待训练的第一特征提取模型和第一图结构数据确定的向量，所述第二特征向量为所述目标客户端基于预先训练的第二特征提取模型和第二图结构数据确定的向量，所述第二图结构数据由所述目标用户的第二特征信息确定，所述第二特征提取模型为基于历史图结构数据训练得到，所述历史图结构数据由预设数量的历史特征信息构建；
204.模型训练模块1202，用于基于所述第一特征向量、所述第二特征向量，对待训练的第一分类模型进行训练，得到训练后的第一分类模型，所述第一分类模型用于根据所述第一特征提取模型提取出的第一特征向量和所述第二提取模型提取出的第二特征向量，对所述目标用户的特征信息进行分类处理；
205.数据发送模块1203，用于将所述训练后的第一分类模型的模型参数发送给所述第一客户端，以使所述第一客户端基于所述模型参数对所述第一特征提取模型进行更新处理，并基于更新处理后的第一特征提取模型对所述第一客户端本地的用户数据进行处理。
206.本说明书实施例中，所述装置还包括：
207.用户确定模块，用于基于多个所述第一客户端和所述目标客户端发送的用户标识，确定所述目标用户；
208.第一发送模块，用于将所述目标用户的用户标识发送给所述第一客户端，以使所述第一客户端基于所述目标用户的用户标识，确定所述目标用户的第一特征信息，并基于所述目标用户的第一特征信息，构建所述第一图结构数据；
209.第二发送模块，用于将所述目标用户的用户标识发送给所述目标客户端，以使所述目标客户端基于所述目标用户的用户标识，确定所述目标用户的第二特征信息，并基于所述目标用户的第二特征信息，构建所述第二图结构数据。
210.本说明书实施例中，所述模型训练模块1202，用于：
211.对所述第一特征向量和所述第二特征向量进行合并处理，得到所述第三特征向量；
212.基于所述第三特征向量，对所述待训练的第一分类模型进行训练，得到所述训练后的第一分类模型。
213.本说明书实施例中，所述第一特征向量为所述第一客户端基于预设隐私加密算法对目标向量进行加密处理得到的向量，所述目标向量为所述第一客户端通过所述待训练的第一特征提取模型，对所述第一图结构数据进行特征提取处理得到的向量。
214.本说明书实施例中，所述预设隐私加密算法为同态加密算法或差分隐私加密算法。
215.本说明书实施例提供一种模型更新装置，由于目标客户端的第二特征提取模型是基于由预设数量的历史特征信息构建的历史图结构数据进行训练得到的，因而，可以在目标客户端的第二特征提取模型的参与下，提高对第一分类模型的训练准确性，第一客户端就可以基于训练后的第一分类模型的模型参数对第一特征提取模型进行更新，可以提高更新处理的第一特征提取模型的特征提取准确性，并提高后续对第一客户端本地数据进行分类处理的分类准确性，同时，由于客户端(即第一客户端和目标客户端)仅将特征向量发送给服务端，保证了客户端本地用户私有数据的隐私安全。
216.实施例十二
217.基于同样的思路，本说明书实施例还提供一种模型更新装置，如图13所示。
218.该模型更新装置包括：第一接收模块1301、数据发送模块1302和模型更新模块1303，其中：
219.第一接收模块1301，用于接收针对节点分类模型的更新请求，并基于第一图结构数据对所述节点分类模型进行训练，得到训练后的节点分类模型；
220.数据发送模块1302，用于将所述训练后的节点分类模型的第一模型参数发送给联邦学习服务端，并接收所述联邦学习服务端基于目标客户端发送的第二模型参数以及所述联邦学习客户端发送的第一模型参数，确定的所述节点分类模型的目标模型参数，所述第二模型参数为所述目标客户端基于预定数量的历史图结构数据对所述节点分类模型进行训练得到的模型参数；
221.模型更新模块1303，用于基于所述目标模型参数对所述训练后的节点分类模型进行更新，得到更新处理后的节点分类模型，并基于所述更新处理后的节点分类模型对本地用户数据进行分类处理。
222.本说明书实施例中，所述装置还包括：
223.第二接收模块，用于接收针对第三图结构数据的节点分类请求；
224.结果确定模块，用于将所述第三图结构数据输入所述更新处理后的节点分类模型，得到与所述第三图结构数据对应的节点分类结果。
225.本说明书实施例中，所述结果确定模块，用于：
226.获取第四图结构数据；
227.基于第四图结构数据，对所述更新处理后的节点分类模型进行训练，得到训练后的目标节点分类模型；
228.将所述第三图结构数据输入所述训练后的目标节点分类模型，得到与所述第三图结构数据对应的节点分类结果。
229.基于同样的思路，本说明书实施例还提供一种模型更新装置，如图14所示。
230.该模型更新装置包括：数据接收模块1401、参数确定模块1402和参数发送模块14103，其中：
231.数据接收模块1401，用于接收联邦学习客户端发送的第一模型参数和目标客户端发送的第二模型参数，所述第一模型参数为所述联邦学习客户端基于第一图结构数据对待训练的节点分类模型进行训练得到的模型参数，所述第二模型参数为所述目标客户端基于预定数量的历史图结构数据对所述节点分类模型进行训练得到的模型参数；
232.参数确定模块1402，用于基于所述第一模型参数、所述第二模型参数，确定所述节点分类模型的目标模型参数；
233.参数发送模块1403，用于将所述目标模型参数发送给所述联邦学习客户端，以使所述联邦学习客户端基于所述目标模型参数对训练后的节点分类模型进行更新处理，并基于更新处理后的节点分类模型对所述联邦学习客户端本地的用户数据进行处理。
234.本说明书实施例提供一种模型更新装置，可以通过多个联邦学习客户端的参与，提高对节点分类模型的模型参数更新的准确性，且由于第二模型参数是目标客户端基于预定数量的历史图结构数据对节点分类模型机械能训练得到的模型参数，因而，可以在第二模型参数的辅助下，提高节点分类模型的模型参数更新准确性，同时，由于客户端(即联邦学习客户端和目标客户端)仅将模型参数发送给联邦学习服务端，保证了客户端本地用户私有数据的隐私安全。
235.实施例十三
236.基于同样的思路，本说明书实施例还提供一种模型更新装置，如图15所示。
237.该模型更新装置为区块链系统中的装置，包括：数据接收模块1501、参数确定模块
1502和参数发送模块1503，其中：
238.数据接收模块1501，用于基于预先部署在所述区块链系统中的智能合约，接收联邦学习客户端发送的第一模型参数和目标客户端发送的第二模型参数，所述第一模型参数为所述联邦学习客户端基于第一图结构数据对待训练的节点分类模型进行训练得到的模型参数，所述第二模型参数为所述目标客户端基于预定数量的历史图结构数据对所述节点分类模型进行训练得到的模型参数；
239.参数确定模块1502，用于基于所述智能合约、所述第一模型参数和所述第二模型参数，确定所述节点分类模型的目标模型参数；
240.参数发送模块1503，用于将所述目标模型参数发送给所述联邦学习客户端，以使所述联邦学习客户端基于所述目标模型参数对训练后的节点分类模型进行更新处理，并基于更新处理后的节点分类模型对所述联邦学习客户端本地的用户数据进行处理。
241.本说明书实施例提供一种模型更新装置，基于预先部署在区块链系统中的智能合约，接收联邦学习客户端发送的第一模型参数和目标客户端发送的第二模型参数，第一模型参数为联邦学习客户端基于第一图结构数据对待训练的节点分类模型进行训练得到的模型参数，第二模型参数为目标客户端基于预定数量的历史图结构数据对节点分类模型进行训练得到的模型参数，基于智能合约、第一模型参数和第二模型参数，确定节点分类模型的目标模型参数，将目标模型参数发送给联邦学习客户端，以使联邦学习客户端基于目标模型参数对训练后的节点分类模型进行更新处理，并基于更新处理后的节点分类模型对联邦学习客户端本地的用户数据进行处理。这样，可以通过多个联邦学习客户端的参与，提高对节点分类模型的模型参数更新的准确性，且由于第二模型参数是目标客户端基于预定数量的历史图结构数据对节点分类模型机械能训练得到的模型参数，因而，可以在第二模型参数的辅助下，提高节点分类模型的模型参数更新准确性，同时，由于客户端(即联邦学习客户端和目标客户端)仅将模型参数发送给联邦学习服务端，保证了客户端本地用户私有数据的隐私安全，并且，通过区块链系统存储第一模型参数、第二模型参数和目标模型参数，可以保证数据的安全性，提高数据的可回溯性。
242.实施例十四
243.基于同样的思路，本说明书实施例还提供一种模型更新设备，如图16所示。
244.模型更新设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器1601和存储器1602，存储器1602中可以存储有一个或一个以上存储应用程序或数据。其中，存储器1602可以是短暂存储或持久存储。存储在存储器1602的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对模型更新设备中的一系列计算机可执行指令。更进一步地，处理器1601可以设置为与存储器1602通信，在模型更新设备上执行存储器1602中的一系列计算机可执行指令。模型更新设备还可以包括一个或一个以上电源1603，一个或一个以上有线或无线网络接口1604，一个或一个以上输入输出接口1605，一个或一个以上键盘1606。
245.具体在本实施例中，模型更新设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对模型更新设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可
执行指令：
246.接收针对第一特征提取模型的更新请求，并基于待训练的第一特征提取模型和第一图结构数据，确定与所述第一图结构数据对应的第一特征向量，所述第一图结构数据由目标用户的第一特征信息确定；
247.将所述第一特征向量发送给服务端，并接收所述服务端发送的模型参数，所述模型参数由所述服务端基于所述第一特征向量、第二特征向量，对待训练的第一分类模型进行训练，得到的训练后的第一分类模型的参数，所述第二特征向量为目标客户端基于预先训练的第二特征提取模型和第二图结构数据确定的向量，所述第二图结构数据由所述目标用户的第二特征信息确定，所述第二特征提取模型为基于历史图结构数据训练得到，所述历史图结构数据由预设数量的历史特征信息构建，所述第一分类模型用于根据所述第一特征提取模型提取出的第一特征向量和所述第二提取模型提取出的第二特征向量，对所述目标用户的特征信息进行分类处理；
248.基于所述模型参数，对所述第一特征提取模型进行更新处理，并基于更新处理后的第一特征提取模型对本地用户数据进行分类处理。
249.可选地，所述方法还包括：
250.接收针对第三图结构数据的节点分类请求；
251.将所述第三图结构数据输入预先训练的目标分类模型，得到与所述第三图结构数据对应的节点分类结果，所述目标分类模型为基于第四图结构数据，对由预设分类子模型和所述更新处理后的第一特提取模型构建的模型进行训练得到。
252.可选地，在所述将所述第三图结构数据输入预先训练的目标节点分类模型，得到与所述第三图结构数据对应的节点分类结果之前，所述方法还包括：
253.获取所述第四图结构数据；
254.基于所述第四图结构数据，对所述目标分类模型进行训练，得到所述预先训练的目标分类模型。
255.可选地，所述预设分类子模型为所述服务端发送的所述训练后的第一分类模型。
256.另外，模型更新设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对模型更新设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：
257.接收第一客户端发送的第一特征向量和目标客户端发送的第二特征向量，所述第一特征向量为所述第一客户端基于待训练的第一特征提取模型和第一图结构数据确定的向量，所述第二特征向量为所述目标客户端基于预先训练的第二特征提取模型和第二图结构数据确定的向量，所述第二图结构数据由所述目标用户的第二特征信息确定，所述第二特征提取模型为基于历史图结构数据训练得到，所述历史图结构数据由预设数量的历史特征信息构建；
258.基于所述第一特征向量、所述第二特征向量，对待训练的第一分类模型进行训练，得到训练后的第一分类模型，所述第一分类模型用于根据所述第一特征提取模型提取出的第一特征向量和所述第二提取模型提取出的第二特征向量，对所述目标用户的特征信息进行分类处理；
259.将所述训练后的第一分类模型的模型参数发送给所述第一客户端，以使所述第一客户端基于所述模型参数对所述第一特征提取模型进行更新处理，并基于更新处理后的第一特征提取模型对所述第一客户端本地的用户数据进行处理。
260.可选地，在所述接收第一客户端发送的第一特征向量和目标客户端发送的第二特征向量之前，所述方法还包括：
261.基于多个所述第一客户端和所述目标客户端发送的用户标识，确定所述目标用户；
262.将所述目标用户的用户标识发送给所述第一客户端，以使所述第一客户端基于所述目标用户的用户标识，确定所述目标用户的第一特征信息，并基于所述目标用户的第一特征信息，构建所述第一图结构数据；
263.将所述目标用户的用户标识发送给所述目标客户端，以使所述目标客户端基于所述目标用户的用户标识，确定所述目标用户的第二特征信息，并基于所述目标用户的第二特征信息，构建所述第二图结构数据。
264.可选地，所述基于所述第一特征向量、所述第二特征向量，对待训练的第一分类模型进行训练，得到训练后的第一分类模型，包括：
265.对所述第一特征向量和所述第二特征向量进行合并处理，得到所述第三特征向量；
266.基于所述第三特征向量，对所述待训练的第一分类模型进行训练，得到所述训练后的第一分类模型。
267.可选地，所述第一特征向量为所述第一客户端基于预设隐私加密算法对目标向量进行加密处理得到的向量，所述目标向量为所述第一客户端通过所述待训练的第一特征提取模型，对所述第一图结构数据进行特征提取处理得到的向量。
268.可选地，所述预设隐私加密算法为同态加密算法或差分隐私加密算法。
269.另外，模型更新设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对模型更新设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：
270.接收针对节点分类模型的更新请求，并基于第一图结构数据对所述节点分类模型进行训练，得到训练后的节点分类模型；
271.将所述训练后的节点分类模型的第一模型参数发送给联邦学习服务端，并接收所述联邦学习服务端基于目标客户端发送的第二模型参数以及所述联邦学习客户端发送的第一模型参数，确定的所述节点分类模型的目标模型参数，所述第二模型参数为所述目标客户端基于预定数量的历史图结构数据对所述节点分类模型进行训练得到的模型参数；
272.基于所述目标模型参数对所述训练后的节点分类模型进行更新，得到更新处理后的节点分类模型，并基于所述更新处理后的节点分类模型对本地用户数据进行分类处理。
273.可选地，所述方法还包括：
274.接收针对第三图结构数据的节点分类请求；
275.将所述第三图结构数据输入所述更新处理后的节点分类模型，得到与所述第三图结构数据对应的节点分类结果。
276.可选地，所述将所述第三图结构数据输入所述更新处理后的节点分类模型，得到与所述第三图结构数据对应的节点分类结果，包括：
277.获取第四图结构数据；
278.基于第四图结构数据，对所述更新处理后的节点分类模型进行训练，得到训练后的目标节点分类模型；
279.将所述第三图结构数据输入所述训练后的目标节点分类模型，得到与所述第三图结构数据对应的节点分类结果。
280.另外，模型更新设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对模型更新设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：
281.接收联邦学习客户端发送的第一模型参数和目标客户端发送的第二模型参数，所述第一模型参数为所述联邦学习客户端基于第一图结构数据对待训练的节点分类模型进行训练得到的模型参数，所述第二模型参数为所述目标客户端基于预定数量的历史图结构数据对所述节点分类模型进行训练得到的模型参数；
282.基于所述第一模型参数、所述第二模型参数，确定所述节点分类模型的目标模型参数；
283.将所述目标模型参数发送给所述联邦学习客户端，以使所述联邦学习客户端基于所述目标模型参数对训练后的节点分类模型进行更新处理，并基于更新处理后的节点分类模型对所述联邦学习客户端本地的用户数据进行处理。
284.另外，模型更新设备可以为区块链系统中的设备，包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对模型更新设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：
285.基于预先部署在所述区块链系统中的智能合约，接收联邦学习客户端发送的第一模型参数和目标客户端发送的第二模型参数，所述第一模型参数为所述联邦学习客户端基于第一图结构数据对待训练的节点分类模型进行训练得到的模型参数，所述第二模型参数为所述目标客户端基于预定数量的历史图结构数据对所述节点分类模型进行训练得到的模型参数；
286.基于所述智能合约、所述第一模型参数和所述第二模型参数，确定所述节点分类模型的目标模型参数；
287.将所述目标模型参数发送给所述联邦学习客户端，以使所述联邦学习客户端基于所述目标模型参数对训练后的节点分类模型进行更新处理，并基于更新处理后的节点分类模型对所述联邦学习客户端本地的用户数据进行处理。
288.本说明书实施例提供一种模型更新设备，由于目标客户端的第二特征提取模型是基于由预设数量的历史特征信息构建的历史图结构数据进行训练得到的，因而，可以在目标客户端的第二特征提取模型的参与下，提高对第一分类模型的训练准确性，再基于训练后的第一分类模型的模型参数，对第一特征提取模型进行更新处理，可以提高更新处理的
第一特征提取模型的特征提取准确性，并提高后续对本地数据进行分类处理的分类准确性，同时，由于客户端仅将第一特征向量发送给服务端，保证了本地用户私有数据的隐私安全。
289.实施例十五
290.本说明书实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述模型更新方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(read-only memory，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等。
291.本说明书实施例提供一种计算机可读存储介质，由于目标客户端的第二特征提取模型是基于由预设数量的历史特征信息构建的历史图结构数据进行训练得到的，因而，可以在目标客户端的第二特征提取模型的参与下，提高对第一分类模型的训练准确性，再基于训练后的第一分类模型的模型参数，对第一特征提取模型进行更新处理，可以提高更新处理的第一特征提取模型的特征提取准确性，并提高后续对本地数据进行分类处理的分类准确性，同时，由于客户端仅将第一特征向量发送给服务端，保证了本地用户私有数据的隐私安全。
292.上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
293.在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(programmable logic device，pld)(例如现场可编程门阵列(field programmable gate array，fpga))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片pld上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(hardware description language，hdl)，而hdl也并非仅有一种，而是有许多种，如abel(advanced boolean expression language)、ahdl(altera hardware description language)、confluence、cupl(cornell university programming language)、hdcal、jhdl(java hardware description language)、lava、lola、myhdl、palasm、rhdl(ruby hardware description language)等，目前最普遍使用的是vhdl(very-high-speed integrated circuit hardware description language)与verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，
就可以很容易得到实现该逻辑方法流程的硬件电路。
294.控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(application specific integrated circuit，asic)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：arc625d、atmel at91sam、microchip pic18f26k20以及silicone labs c8051f320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
295.上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
296.为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
297.本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
298.本说明书的实施例是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
299.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
300.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
301.在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
302.内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。
303.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
304.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
305.本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
306.本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
307.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
308.以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。