[发明专利]一种基于联邦团渗透的银行客户群体挖掘方法

说明书

本发明涉及一种基于联邦团渗透的银行客户群体挖掘方法。协调端(Coordinator)表示数据聚合方。包括如下步骤：各银行端之间基于客户网络进行隐私保护求交集得到重叠客户；各银行端分别计算客户局部相似度矩阵，并使用同态加密技术加密矩阵，并发送给协调端；协调端聚合局部相似度矩阵，得到加密的全局相似度矩阵，并发送给各银行端；各银行端在由重叠客户组成的重叠客户网络上发现所有的k团，得到k团集合；各银行端根据解密的全局相似度矩阵和k团集合在重叠客户网络上进行k团渗透；各银行端根据k团渗透结果划分银行客户群体，输出银行客户群体挖掘结构。本发明可以在保护银行客户数据隐私的情况下，联合多个银行的客户信息提高银行客户群体挖掘的精确度。

技术领域

本发明涉及联邦学习技术领域，特别一种基于联邦团渗透的银行客户群体挖掘方法。

背景技术

银行需要了解客户行为，围绕客户需求进行价值挖掘，同时，这也意味着银行需要获取更多的客户信息，以实现精准分析。近几年，互联网隐私泄露事件层出不穷，与此同时，隐私泄露事件引起了越来越多用户的关注，政府也越来越注重网络安全。欧盟于2018年颁布了《通用保护条例》(GDPR)保护用户的数据隐私，中国、美国等许多国家也相继制定和完善了一系列隐私保护法规，处罚隐私泄露行为。联邦学习(federated learning)是Google提出的去中心化的，隐私保护分布式机器学习框架，其以去中心化的分布式计算支持大规模数据的分布式并行处理，通过本地计算与加密传输保证银行端的秘密数据不在计算过程中泄露。研究基于联邦团渗透的银行客户群体挖掘方法具有重要价值。在保护银行客户的数据隐私的同时，联合多个银行的客户信息对银行客户群体进行挖掘，既不违反隐私保护法律规定，也能充分利用银行拥有的客户数据，更准确地帮助其挖掘银行客户群体，进而，可以建立高质量的银行客户画像、进行精准广告投放和检测金融犯罪。

发明内容

本发明的目的在于提供一种基于联邦团渗透的银行客户群体挖掘方法，可以在保护银行客户隐私的同时，更加准确地对银行客户群体进行划分。

为实现上述目的，本发明的技术方案是：一种基于联邦团渗透的银行客户群体挖掘方法，提供一种系统，该系统包括银行端重叠客户识别模块、银行端客户相似度计算模块、协调端客户相似度聚合模块、银行端客户网络k团发现模块、银行端客户网络k团渗透模块和银行端客户群体划分模块；该系统按如下步骤进行银行客户群体挖掘：

步骤S1、所述银行端重叠客户识别模块在各银行端P_h分别读取银行客户网络G(V,E,R,A)，其中V表示客户集，E表示边集，R表示特征集合，A是客户特征矩阵；随机选择一个银行端生成RSA加密算法秘钥对，并发送RSA公钥给其他所有银行端；所选银行端使用RSA公钥加密客户ID，分别与其他银行端使用RSA公钥加密的客户ID计算交集；所选银行端对得到的交集点求公共交集得到重叠客户集，并将重叠客户集发送到其他银行端，各银行端P_h得到公共重叠客户集X_h；

步骤S2、所述银行端客户相似度计算模块随机选择一个银行端生成同态加密算法的秘钥对，并发送秘钥对给其他所有银行端；银行端P_h计算客户特征矩阵A_h的维度|a_h|，使用同态加密算法公钥对|a_h|进行加密，并发送给协调端；其中，a_h是客户的特征向量，协调端是数据聚合方，聚合P_h发送的加密数据；协调端接收各银行端P_h发送的加密客户特征矩阵维度|a_h|，对加密状态的|a_h|进行相加得到全局客户特征矩阵维度，并将全局客户特征矩阵维度发送给各银行端P_h；各银行端P_h使用同态加密算法私钥解密全局客户特征矩阵维度，根据全局客户特征矩阵维度和客户特征矩阵A_h计算重叠客户之间的局部相似度，得到重叠客户的局部相似度矩阵S_h；各银行端P_h使用同态加密算法公钥加密S_h，并发送S_h到协调端；