(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111315373.4 (22)申请日 2021.11.08 (65)同一申请的已公布的文献号 申请公布号 CN 113888322 A (43)申请公布日 2022.01.04 (73)专利权人 国网电子商务有限公司 地址 100053 北京市西城区广义 街7号楼8 层8018室 专利权人 国网区块链科技 （北京） 有限公司 　 国网山东省电力公司信息通信公 司　 国家电网有限公司 (72)发明人 赵丙镇　职亮亮　李达　周磊　 苏展　薛文昊　李江涛　杨冠群　 黄振　(74)专利代理 机构 北京集佳知识产权代理有限 公司 11227 代理人 林哲生 (51)Int.Cl. G06Q 40/02(2012.01) G06F 21/64(2013.01) G06N 20/00(2019.01) (56)对比文件 CN 113568973 A,2021.10.2 9 WO 202018 8874 A1,2020.09.24 审查员 张媛 (54)发明名称 一种信用评价方法、 系统、 存储介质及电子 设备 (57)摘要 本发明实施例提供了一种信用评价方法、 系 统、 存储介质及电子设备。 其中， 方法包括： 第一 节点对信用评价申请信息进行解析， 确定第二节 点在进行信用评价时需求的数据类型； 第一节点 向第二节 点发送联邦学习计算请求信息； 第一节 点在接收到信用评价指标后， 利用信用评价指标 进行数据筛选， 得到与信用评价指标对应的筛选 数据； 第一节 点将筛选数据输入第一本地模型进 行训练， 得到更新后的第一本地模型， 并将更新 后的第一本地模型发送至云服务端进行模型融 合处理； 第一节点接收云服务端发送的综合信用 评价模型， 将筛选数据输入综合信用评价模型 中， 得到第一节点的信用评价数据。 本发明能够 解决企业数据安全隐私问题。 权利要求书3页 说明书10页 附图3页 CN 113888322 B 2022.04.08 CN 113888322 B 1.一种信用评价方法， 其特 征在于， 包括： 第一节点接收第 二节点发送的信用评价申请信 息； 所述第 一节点和所述第 二节点为同 一联盟链上的节点； 所述第一节点对所述信用评价申请信 息进行解析， 确定所述第 二节点在进行信用评价 时需求的数据类型； 在所述第一节点具有与所述数据类型对应的信用评价数据时， 所述第 一节点向所述第 二节点发送联邦学习计算请求信息， 具体包括： 在所述第一节点具有与所述数据类型对应 的信用评价数据时， 确定待发送数据类型； 对所述待发送数据类型进 行加密计算， 得到加密 计算结果； 将所述加密计算结果和联邦学习计算请求数据作为联邦学习计算请求信息发送 至所述第二节点； 所述第一节点在接收到信用评价指标后， 利用所述信用评价指标进行数据筛选， 得到 与所述信用评价指标对应的筛选数据； 所述信用评价指标是所述第二节点在根据所述联邦 学习计算请求信息确定所述第一节点满足信用评价申请条件后向所述第一节点发送的； 其 中， 根据所述联邦学习计算请求信息确定所述第一节点是否满足信用评价申请条件的方 法， 具体包括： 从所述联邦学习计算请求信息中解析得到信用评价数据的数据类型个数； 在 所述第一节点的个数为多个时， 按照数据类型个数由多到少的顺序对所述第一节点进 行排 序， 将排名位于前 预设个数的第一节点作为满足信用评价申请条件的第一节点； 所述第一节点将所述筛选数据输入第 一本地模型进行训练， 得到更新后的第 一本地模 型， 并将所述更新后的第一本地模型发送至云服务端； 所述云服务端用于接 收所述更新后 的第一本地模型和更新后的第二本地模型， 所述更新后的第二本地模型是所述第二节点将 所述第二节点具有的与所述信用评价指标对应的数据输入第二本地模型训练后得到的； 所述第一节点接收所述云服务端发送的综合信用评价模型， 将所述筛选数据输入所述 综合信用评价模型中， 得到所述第一节点的信用评价数据； 所述综合信用评价模型是所述 云服务端根据所述更新后的第一本地模型和所述更新后的第二本地模型进行模型融合后 得到的。 2.根据权利要求1所述的信用评价方法， 其特征在于， 所述综合信用评价模型的生成方 法， 具体包括： 所述第一节点接收所述云服务端发送的预测模型； 所述预测模型是所述云服务端根据 所述更新后的第一本地模型和所述更新后的第二本地模型进行模型融合后得到的； 所述第一节点将所述筛 选数据输入所述预测模型中进行训练， 得到第一训练模型； 所述第一节点将所述第 一训练模型发送至所述云服务端； 所述云服务端还用于接收所 述第二节点 发送的第二训练模型， 所述第二训练模型是所述第二节点将所述第二节点具有 的与所述信用评价指标对应的数据输入所述预测模型中进 行训练后得到的； 所述云服务端 根据所述第一训练模型和所述第二训练模型对所述预测模型进行更新操作， 将更新后的预 测模型分别发送至所述第一节点和所述第二节点； 所述第一节点判断是否满足模型训练结束条件， 若不满足， 则返回步骤 “所述第一节点 接收所述云服 务端发送的预测模型 ”， 若满足， 则得到综合信用评价模型。 3.根据权利要求1所述的信用评价方法， 其特征在于， 所述将所述筛选数据输入第 一本 地模型进行训练， 得到更新后的第一本地模型， 具体包括：权　利　要　求　书 1/3 页 2 CN 113888322 B 2将所述筛 选数据输入深度置信网络模型进行训练， 得到训练后的权 重参数； 获取所述深度置信网络模型的训练前的权 重参数； 将所述训练后的权重参数与 所述训练前的权重参数的差值作为第 一本地参数， 基于所 述第一本地 参数得到更新后的第一本地模型。 4.根据权利要求1所述的信用评价方法， 其特 征在于， 还 包括： 将所述信用评价申请信 息、 所述联邦学习计算请求信 息和所述信用评价数据中的至少 一种存储在区块链中。 5.一种信用评价系统， 其特 征在于， 包括： 申请信息接收模块， 用于实现第一节点接收第二节点发送的信用评价申请信息； 所述 第一节点和所述第二节点 为同一联盟链上的节点； 解析模块， 用于实现所述第一节点对所述信用评价申请信息进行解析， 确定所述第二 节点在进行信用评价时需求的数据类型； 请求信息发送模块， 用于在所述第一节点具有与所述数据类型对应的信用评价数据 时， 所述第一节点向所述第二节点 发送联邦学习计算请求信息； 其中， 所述请求信息发送模 块， 具体用于： 在所述第一节 点具有与所述数据类型对应的信用评价数据时， 确定待发送数 据类型； 对所述待发送数据类型进行加密计算， 得到加密计算结果； 将所述加密计算结果和 联邦学习计算请求数据作为联邦学习计算请求信息发送至所述第二节点； 筛选模块， 用于实现所述第一节点在接收到信用评价指标后， 利用所述信用评价指标 进行数据筛选， 得到与所述信用评价指标对应的筛选数据； 所述信用评价指标是所述第二 节点在根据所述联邦学习计算请求信息确定所述第一节点满足信用评价申请条件后向所 述第一节点发送的； 其中， 所述筛选模块， 具体用于： 从所述联邦学习计算请求信息中解析 得到信用评价数据的数据类型个数； 在所述第一节点的个数为多个时， 按照数据类型个数 由多到少的顺序对所述第一节点进行排序， 将排名位于前预设个数的第一节点作为满足信 用评价申请条件的第一节点； 第一训练模块， 用于实现所述第一节点将所述筛选数据输入第一本地模型进行训练， 得到更新后的第一本地模型， 并将所述更新后的第一本地模型发送至云服务端； 所述云服 务端用于接收所述更新后的第一本地模型和更新后的第二本地模型， 所述更新后的第二本 地模型是所述第二节点将所述第二节点具有的与所述信用评价指标对应的数据输入第二 本地模型训练后得到的； 信用评价模块， 用于实现所述第一节点接收所述云服务端发送的综合信用评价模型， 将所述筛选数据输入所述综合信用评价模型中， 得到所述第一节点的信用评价数据； 所述 综合信用评价模型是所述云服务端根据所述更新后的第一本地模型和所述更新后的第二 本地模型进行模型融合后得到的。 6.根据权利要求5所述的信用评价系统， 其特 征在于， 所述信用评价模块， 具体包括： 预测模型接收单元， 用于实现所述第一节点接收所述云服务端发送的预测模型； 所述 预测模型是所述云服务端根据所述更新后的第一本地模型和所述更新后的第二本地模型 进行模型融合后得到的； 第二训练单元， 用于实现所述第一节点将所述筛选数据输入所述预测模型中进行训 练， 得到第一训练模型；权　利　要　求　书 2/3 页 3 CN 113888322 B 3