[发明专利]业务数据的推送方法、装置和服务器

权利要求书

1.一种业务数据的推送方法，其特征在于，包括：

获取用户对象的标识信息，以及用户对象的特征数据；其中，所述特征数据至少包括非业务类特征数据；

根据所述用户对象的标识信息，确定所述用户对象的客群类型；

调用预设的目标用户预测模型中与所述用户对象的客群类型相匹配的预测子模型处理所述用户对象的特征数据，以确定所述用户对象是否为目标用户；其中，所述预设的目标用户预测模型至少包括第一预测子模型和第二预测子模型；所述第一预测子模型为预先根据第一数据方中的第一样本数据与第二数据方中的第二样本数据基于横向联邦学习建立得到的；所述第二预测子模型为预先根据第一样本数据与第二样本数据，并结合第一预测子模型的数据知识基于联邦迁移学习建立得到的；

在确定所述用户对象为目标用户的情况下，向所述用户对象推送合适的目标业务数据。

2.根据权利要求1所述的方法，其特征在于，所述客群类型包括：特征齐全的第一客群类型和特征不齐全的第二客群类型。

3.根据权利要求2所述的方法，其特征在于，所述第一预测子模型与第一客群类型匹配，所述第二预测子模型与第二客群类型匹配。

4.根据权利要求3所述的方法，其特征在于，所述预设的目标用户预测模型按照以下方式建立：

第一服务器响应关于预设的目标用户预测模型的第一训练请求，根据基于横向联邦学习的协议规则，与第二服务器合作进行样本数据融合，以确定出第一客群类型的样本用户中的第一正样本用户、第一负样本用户，以及第二客群类型的样本用户中的第二正样本用户、第二负样本用户；其中，所述第一服务器为部署于第一数据方一侧的服务器，所持有的第一样本数据至少包含全量样本用户的非业务类特征数据，所述全量样本用户包括第一客群类型的样本用户和第二客群类型的样本用户；所述第二服务器为部署于第二数据方一侧的服务器，所持有的第二样本数据至少包含有全量正样本用户的业务类特征数据；

从所述第一样本数据中获取第一正样本用户的非业务类特征数据、第一负样本用户的非业务类特征数据，作为第一分组样本数据；从所述第一样本数据中获取第二正样本用户的非业务类特征数据、第二负样本用户的非业务类特征数据，作为第二分组样本数据；

根据所述第一分组样本数据，训练得到第一预测子模型；

根据所述第二分组样本数据，以及所述第一预测子模型，通过联邦迁移学习训练得到第二预测子模型；

组合所述第一预测子模型和所述第二预测子模型，得到预设的目标用户预测模型。

5.根据权利要求4所述的方法，其特征在于，根据所述第一分组样本数据，训练得到第一预测子模型，包括：

从所述第一分组样本数据中的第一正样本用户的非业务类特征数据中抽取多个数据，并标注为第一正样本训练数据；从所述第一分组样本数据中的第一负样本用户的非业务类特征数据中抽取多个数据，并标注为第一负样本训练数据；

组合所述第一正样本训练数据和第一负样本训练数据，得到第一类训练数据；

利用所述第一类训练数据，训练得到第一预测子模型。

6.根据权利要求4所述的方法，其特征在于，根据所述第二分组样本数据，以及所述第一预测子模型，通过联邦迁移学习训练得到第二预测子模型，包括：

从所述第二分组样本数据中的第二正样本用户的非业务类特征数据中抽取多个数据，并标注为第二正样本训练数据；从所述第二分组样本数据中的第二负样本用户的非业务类特征数据中抽取多个数据，并标注为第二负样本训练数据；

组合所述第二正样本训练数据和第二负样本训练数据，得到第二类训练数据；

调用预设的第一预测子模型处理所述第二类训练数据，得到对应的预测值；

将所述第二类训练数据与对应的预测值进行组合，得到组合后的第二类训练数据；

利用所述组合后的第二类训练数据，训练得到第二预测子模型。

7.根据权利要求2所述的方法，其特征在于，所述第一客群类型包括银行代发工资客群，所述第二客群类型包括非银行代发工资客群。