基于隐私计算的电子保函价值预测方法及装置与流程

1.本发明涉及电子保函领域，具体而言，涉及一种基于隐私计算的电子保函价值预测方法及装置。


背景技术：

2.担保函是指银行、保险公司、担保公司或个人应申请人的请求，向第三方开立的一种书面信用担保凭证。电子担保函是信息时代的产物，同纸质保函一样，由银行、保险公司、担保公司或其他担保人应投保人的请求，向受益人开立的一种电子化担保凭证，保证在申请人未能按双方协议履行其责任或义务时，由担保人代其履行一定金额、一定时限范围内的某种支付或经济赔偿责任，电子担保函一般是由保证人以使用ca证书进行电子签名的数据电文为介质，通过计算机网络向受益人开立的具有法律效力的担保凭证，但市面上并未出现对生成的电子保函进行价值预测的方案。


技术实现要素：

3.本发明实施例提供了一种基于隐私计算的电子保函价值预测方法及装置，以至少解决现有技术中未出现电子保函价值预测的技术问题。
4.根据本发明的一实施例，提供了一种基于隐私计算的电子保函价值预测方法，包括以下步骤：
5.s101:构建机器学习模型，使用联邦学习方法在机器学习模型中设计符合保函价值预测的特征变量模板；
6.s102:各参与方基于本地机器学习模型的特征变量模板收集数据，并输入至各自的本地机器学习模型进行训练，输出各参与方对于保函价值贡献度的数值向量；
7.s103:公共机器学习模型对于各参与方生成的贡献值向量，建立一个自注意力模型，将所有贡献值映射为单一向量，并动态计算各参与方的权重。
8.进一步地，在步骤s103之后，方法还包括：
9.s104:将映射的单一向量输入至各参与方的本地机器学习模型，进行最终保函价值预测。
10.进一步地，步骤s104具体包括：
11.将预测值与历史保函实际价值对比，使用两者最小均方误差作为损失，将损失值按当前时刻相同权重分配给各本地机器学习模型，使用梯度下降法更新各参与方的本地机器学习模型参数。
12.进一步地，在整个过程中，联邦学习方法使用同态加密算法，将各参与方的贡献值向量与权重加密。
13.进一步地，联邦学习方法为各参与方可借助其他方数据进行联合建模，各方无需共享数据资源，在数据不出本地的情况下，进行数据联合训练，建立共享的机器学习模型中。
14.进一步地，机器学习模型为结合前馈神经网络、xgboost的面向回归分析的集成式机器学习模型，机器学习模型目标为输出某个具体值。
15.进一步地，机器学习模型基于建设工程项目特征预测电子保函价值。
16.进一步地，建设工程项目特征包括项目类型、体量、预计工期、项目关键参与方历史项目管理表现。
17.根据本发明的另一实施例，提供了一种基于隐私计算的电子保函价值预测装置，包括：
18.模型构建单元，用于构建机器学习模型，使用联邦学习方法在机器学习模型中设计符合保函价值预测的特征变量模板；
19.训练单元，用于各参与方基于本地机器学习模型的特征变量模板收集数据，并输入至各自的本地机器学习模型进行训练，输出各参与方对于保函价值贡献度的数值向量；
20.权重计算单元，用于公共机器学习模型对于各参与方生成的贡献值向量，建立一个自注意力模型，将所有贡献值映射为单一向量，并动态计算各参与方的权重。
21.进一步地，装置还包括：
22.价值预测单元，用于将映射的单一向量输入至各参与方的本地机器学习模型，进行最终保函价值预测。
23.一种存储介质，存储介质存储有能够实现上述任意一项基于隐私计算的电子保函价值预测方法的程序文件。
24.一种处理器，处理器用于运行程序，其中，程序运行时执行上述任意一项的基于隐私计算的电子保函价值预测方法。
25.本发明实施例中的基于隐私计算的电子保函价值预测方法及装置，首先构建机器学习模型，使用联邦学习方法在机器学习模型中设计符合保函价值预测的特征变量模板；再各参与方基于本地机器学习模型的特征变量模板收集数据，并输入至各自的本地机器学习模型进行训练，输出各参与方对于保函价值贡献度的数值向量；最后公共机器学习模型对于各参与方生成的贡献值向量，建立一个自注意力模型，将所有贡献值映射为单一向量，并动态计算各参与方的权重，预测电子保函价值，对于担保公司来说可作为高价值参考，提高保险人员工作效率。
附图说明
26.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
27.图1为本发明基于隐私计算的电子保函价值预测方法的流程图；
28.图2为本发明基于隐私计算的电子保函价值预测方法的一优选流程图；
29.图3为本发明基于隐私计算的电子保函价值预测装置的模块图；
30.图4为本发明基于隐私计算的电子保函价值预测装置的一优选模块图。
具体实施方式
31.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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
本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。
32.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
33.实施例1
34.根据本发明一实施例，提供了一种基于隐私计算的电子保函价值预测方法，参见图1，包括以下步骤：
35.s101:构建机器学习模型，使用联邦学习方法在机器学习模型中设计符合保函价值预测的特征变量模板；
36.s102:各参与方基于本地机器学习模型的特征变量模板收集数据，并输入至各自的本地机器学习模型进行训练，输出各参与方对于保函价值贡献度的数值向量；
37.s103:公共机器学习模型对于各参与方生成的贡献值向量，建立一个自注意力模型，将所有贡献值映射为单一向量，并动态计算各参与方的权重。
38.本发明实施例中的基于隐私计算的电子保函价值预测方法，首先构建机器学习模型，使用联邦学习方法在机器学习模型中设计符合保函价值预测的特征变量模板；再各参与方基于本地机器学习模型的特征变量模板收集数据，并输入至各自的本地机器学习模型进行训练，输出各参与方对于保函价值贡献度的数值向量；最后公共机器学习模型对于各参与方生成的贡献值向量，建立一个自注意力模型，将所有贡献值映射为单一向量，并动态计算各参与方的权重，预测电子保函价值，对于担保公司来说可作为高价值参考，提高保险人员工作效率。
39.其中，在步骤s103之后，参见图2，方法还包括：
40.s104:将映射的单一向量输入至各参与方的本地机器学习模型，进行最终保函价值预测。
41.其中，步骤s104具体包括：
42.将预测值与历史保函实际价值对比，使用两者最小均方误差作为损失，将损失值按当前时刻相同权重分配给各本地机器学习模型，使用梯度下降法更新各参与方的本地机器学习模型参数。
43.其中，在整个过程中，联邦学习方法使用同态加密算法，将各参与方的贡献值向量与权重加密。
44.其中，联邦学习方法为各参与方可借助其他方数据进行联合建模，各方无需共享数据资源，在数据不出本地的情况下，进行数据联合训练，建立共享的机器学习模型中。
45.其中，机器学习模型为结合前馈神经网络、xgboost的面向回归分析的集成式机器学习模型，机器学习模型目标为输出某个具体值。
46.其中，机器学习模型基于建设工程项目特征预测电子保函价值。
47.其中，建设工程项目特征包括项目类型、体量、预计工期、项目关键参与方历史项目管理表现。
48.下面以具体实施例，对本发明的基于隐私计算的电子保函价值预测方法进行详细说明：
49.本发明的基于隐私计算的电子保函价值预测方法使用结合前馈神经网络、xgboost等面向回归分析的集成式机器学习模型(ensmblemodel)，面向回归分析指该机器学习模型目标是输出某个具体值，而不是像分类模型那样输出每个可能类别的概率值，该机器学习模型基于建设工程项目特征，如项目类型、体量、预计工期、项目关键参与方历史项目管理表现等，预测电子保函价值，对于担保公司来说可作为高价值参考，提高保险人员工作效率。
50.本发明在进行机器学习的过程中，可能涉及诸多承包商、担保人、承包人各方的隐私信息，比如项目参与方财务情况、历史延误合同金额、延误时间等，甚至也包括承包商所使用的工人个人信息，这些信息对于保函价值预测非常重要，但存在隐私信息泄漏风险。因此，本发明基于联邦学习方法，为各参与方可借助其他方数据进行联合建模。各方无需共享数据资源，即数据不出本地的情况下，进行数据联合训练，建立共享的机器学习模型中。
51.在联邦学习方法中，首先设计符合保函价值预测的特征变量模板，用于将变量输入至机器学习模型；然后将担保公司的本地机器学习模型分发给各参与方，各参与方基于特征变量模板收集数据，输入本地机器学习模型训练，本地机器学习模型输出的是代表该特定参与方对于保函价值贡献度的数值向量；公共机器学习模型对于各方生成的贡献值向量，建立一个自注意力模型(self-attention)，将所有贡献值映射为单一向量，并动态计算各参与方的权重，即注意力值。
52.该单一向量输入至担保公司的本地机器学习模型，进行最终保函价值预测，该预测值与历史保函实际价值对比，使用两者最小均方误差作为损失，将损失值按当前时刻相同权重分配给各本地机器学习模型，使用梯度下降法更新各参与方的本地机器学习模型参数。在整个过程中，联邦学习方法使用同态加密算法，将各参与方的贡献值向量与权重加密，由此保证参与方的隐私信息安全的前提下，最大程度利用全项目数据进行保函价值准确预测。
53.实施例2
54.根据本发明的另一实施例，提供了一种基于隐私计算的电子保函价值预测装置，参见图3，包括：
55.模型构建单元201，用于构建机器学习模型，使用联邦学习方法在机器学习模型中设计符合保函价值预测的特征变量模板；
56.训练单元202，用于各参与方基于本地机器学习模型的特征变量模板收集数据，并输入至各自的本地机器学习模型进行训练，输出各参与方对于保函价值贡献度的数值向量；
57.权重计算单元203，用于公共机器学习模型对于各参与方生成的贡献值向量，建立一个自注意力模型，将所有贡献值映射为单一向量，并动态计算各参与方的权重。
58.本发明实施例中的基于隐私计算的电子保函价值预测装置，首先构建机器学习模
型，使用联邦学习方法在机器学习模型中设计符合保函价值预测的特征变量模板；再各参与方基于本地机器学习模型的特征变量模板收集数据，并输入至各自的本地机器学习模型进行训练，输出各参与方对于保函价值贡献度的数值向量；最后公共机器学习模型对于各参与方生成的贡献值向量，建立一个自注意力模型，将所有贡献值映射为单一向量，并动态计算各参与方的权重，预测电子保函价值，对于担保公司来说可作为高价值参考，提高保险人员工作效率。
59.其中，参见图4，装置还包括：
60.价值预测单元204，用于将映射的单一向量输入至各参与方的本地机器学习模型，进行最终保函价值预测。
61.下面以具体实施例，对本发明的基于隐私计算的电子保函价值预测装置进行详细说明：
62.本发明的基于隐私计算的电子保函价值预测装置使用结合前馈神经网络、xgboost等面向回归分析的集成式机器学习模型(ensmblemodel)，面向回归分析指该机器学习模型目标是输出某个具体值，而不是像分类模型那样输出每个可能类别的概率值，该机器学习模型基于建设工程项目特征，如项目类型、体量、预计工期、项目关键参与方历史项目管理表现等，预测电子保函价值，对于担保公司来说可作为高价值参考，提高保险人员工作效率。
63.本发明在进行机器学习的过程中，可能涉及诸多承包商、担保人、承包人各方的隐私信息，比如项目参与方财务情况、历史延误合同金额、延误时间等，甚至也包括承包商所使用的工人个人信息，这些信息对于保函价值预测非常重要，但存在隐私信息泄漏风险。因此，本发明基于联邦学习方法，为各参与方可借助其他方数据进行联合建模。各方无需共享数据资源，即数据不出本地的情况下，进行数据联合训练，建立共享的机器学习模型中。
64.模型构建单元201：在联邦学习方法中，首先设计符合保函价值预测的特征变量模板，用于将变量输入至机器学习模型；训练单元202：将担保公司的本地机器学习模型分发给各参与方，各参与方基于特征变量模板收集数据，输入本地机器学习模型训练，本地机器学习模型输出的是代表该特定参与方对于保函价值贡献度的数值向量；权重计算单元203：公共机器学习模型对于各方生成的贡献值向量，建立一个自注意力模型(self-attention)，将所有贡献值映射为单一向量，并动态计算各参与方的权重，即注意力值。
65.价值预测单元204：该单一向量输入至担保公司的本地机器学习模型，进行最终保函价值预测，该预测值与历史保函实际价值对比，使用两者最小均方误差作为损失，将损失值按当前时刻相同权重分配给各本地机器学习模型，使用梯度下降法更新各参与方的本地机器学习模型参数。在整个过程中，联邦学习方法使用同态加密算法，将各参与方的贡献值向量与权重加密，由此保证参与方的隐私信息安全的前提下，最大程度利用全项目数据进行保函价值准确预测。
66.实施例3
67.一种存储介质，存储介质存储有能够实现上述任意一项基于隐私计算的电子保函价值预测方法的程序文件。
68.实施例4
69.一种处理器，处理器用于运行程序，其中，程序运行时执行上述任意一项的基于隐
私计算的电子保函价值预测方法。
70.上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
71.在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
72.在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的系统实施例仅仅是示意性的，例如单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
73.作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
74.另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
75.集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
76.以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。