(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211178609.9 (22)申请日 2022.09.27 (71)申请人 深圳先进技 术研究院 地址 518055 广东省深圳市南 山区西丽大 学城学苑大道1068号 (72)发明人 郭媛君　杨之乐　吴承科　冯伟　 王尧　 (74)专利代理 机构 深圳市科进知识产权代理事 务所(普通 合伙) 44316 专利代理师 刘建伟 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 40/00(2012.01) G06N 20/20(2019.01) G06F 21/62(2013.01)G06F 21/60(2013.01) (54)发明名称 基于隐私计算的电子保函价值预测方法及 装置 (57)摘要 本发明涉及一种基于隐私计算的电子保函 价值预测方法及装置。 该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。 权利要求书1页 说明书6页 附图2页 CN 115423208 A 2022.12.02 CN 115423208 A 1.一种基于隐私计算的电子保函 价值预测方法， 其特 征在于， 包括以下步骤： 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； 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； 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。 2.根据权利要求1所述的基于隐私计算的电子保函价值预测方法， 其特征在于， 在步骤 S103之后， 所述方法还 包括： 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。 3.根据权利要求2所述的基于隐私计算的电子保函价值预测方法， 其特征在于， 步骤 S104具体包括： 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。 4.根据权利要求3所述的基于隐私计算的电子保函价值预测方法， 其特征在于， 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。 5.根据权利要求1所述的基于隐私计算的电子保函价值预测方法， 其特征在于， 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， 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。 6.根据权利要求1所述的基于隐私计算的电子保函价值预测方法， 其特征在于， 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。 7.根据权利要求1所述的基于隐私计算的电子保函价值预测方法， 其特征在于， 机器学 习模型基于建 设工程项目特 征预测电子保函 价值。 8.根据权利要求7所述的基于隐私计算的电子保函价值预测方法， 其特征在于， 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。 9.一种基于隐私计算的电子保函 价值预测装置， 其特 征在于， 包括： 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； 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； 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。 10.根据权利要求9所述的基于隐私计算的电子保函价值预测装置， 其特征在于， 所述 装置还包括： 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。权　利　要　求　书 1/1 页 2 CN 115423208 A 2基于隐私计算的电子保函价值预测方 法及装置 技术领域 [0001]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 [0002]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 。 发明内容 [0003]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。 [0004]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： [0005]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； [0006]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； [0007]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。 [0008]进一步地， 在步骤S10 3之后， 方法还 包括： [0009]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。 [0010]进一步地， 步骤S104具体包括： [0011]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。 [0012]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。 [0013]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。说　明　书 1/6 页 3 CN 115423208 A 3