CN112910953B

CN112910953B - 业务数据的推送方法、装置和服务器

Info

Publication number: CN112910953B
Application number: CN202110047198.9A
Authority: CN
Inventors: 陈珊珊
Original assignee: Industrial and Commercial Bank of China Ltd ICBC
Current assignee: Industrial and Commercial Bank of China Ltd ICBC
Priority date: 2021-01-14
Filing date: 2021-01-14
Publication date: 2023-02-17
Anticipated expiration: 2041-01-14
Also published as: CN112910953A

Abstract

本说明书提供了业务数据的推送方法、装置和服务器。基于该方法，在人工智能领域，服务器在向用户对象进行业务数据推送时，先确定出用户对象的客群类型，进而调用预先根据两方的样本数据基于横向联邦学习建立的预设的目标用户预测模型中与用户对象的客群类型相匹配的预测子模型来处理该用户对象的特征数据，以确定出该用户对象是否属于目标用户；在确定该用户对象为目标用户的情况下，再调用预先根据两方的样本数据基于纵向联邦学习建立的预设的用户画像预测模型处理该用户对象的特征数据，得到用户对象的画像标签；进而可以根据画像标签，生成并根据相匹配的目标推送规则，有针对性地向该用户对象精准地推送合适的目标业务数据，提高推送成功率。

Description

业务数据的推送方法、装置和服务器

技术领域

本说明书属于人工智能技术领域，尤其涉及业务数据的推送方法、装置和服务器。

背景技术

在许多业务数据的推送场景(例如，理财业务的推荐场景等)中，往往难以准确地预判出待推送业务数据的用户对象是否是潜在的会接受该业务数据的目标用户，也难以精准地预判出适合该用户对象的具体的业务数据。导致基于现有方法在向用户对象推送业务数据时常常存在推送不精准、业务数据推送效果差等技术问题。

针对上述问题，目前尚未提出有效的解决方案。

发明内容

本说明书提供了一种业务数据的推送方法、装置和服务器，以准确地识别出用户对象是否为目标用户对象，并在确定用户对象为目标用户的情况下，进一步确定并根据该用户对象的需求倾向，对该用户对象精准地推送适合的目标业务数据，从而可以得到较好的推送效果，提高推送成功率。

本说明书提供了一种业务数据的推送方法，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；

在确定所述用户对象为目标用户的情况下，调用预设的用户画像预测模型处理所述用户对象的特征数据，以得到所述用户对象的画像标签；其中，所述预设的用户画像预测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纵向联邦学习建立得到的；

根据所述用户对象的画像标签，生成与所述用户对象匹配的目标推送规则；

根据所述目标推送规则，向所述用户对象推送相应的目标业务数据。

在一个实施例中，所述客群类型包括：管户客群和非管户客群。

在一个实施例中，所述预设的目标用户预测模型包括第一预测子模型和第二预测子模型；其中，所述第一预测子模型与管户客群匹配，所述第二预测子模型与非管户客群匹配。

在一个实施例中，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，以确定出管户客群样本用户中的第一正样本用户、第一负样本用户、第一伪负样本用户，以及非管户客群样本用户中的第二正样本用户、第二混合负样本用户；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管户客群样本用户和非管户客群样本用户；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、第二混合负样本用户的非业务类特征数据，作为第二分组样本数据；

利用所述第一分组样本数据，训练得到第一预测子模型；利用所述第二分组样本数据，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。

在一个实施例中，利用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；

利用所述第一正样本训练数据和所述第一负样本训练数据，训练得到第一预测子模型。

在一个实施例中，利用所述第二分组样本数据，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混合负样本用户的业务类特征数据中随机抽取多个数据，并标注为第二负样本训练数据；

利用所述第二正样本训练数据和所述第二负样本训练数据，训练得到第二预测子模型。

在一个实施例中，所述预设的用户画像预测模型按照以下方式建立：

第一服务器响应关于预设的用户画像预测模型的第二训练请求，根据基于纵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，得到携带有预设的画像标签的第三训练数据；其中，所述第三训练数据包括正样本用户的非业务类特征数据；所述预设的画像标签根据正样本用户的业务类特征数据确定；

利用所述携带有预设的画像标签的第三训练数据，训练得到预设的用户画像预测模型。

在一个实施例中，所述预设的用户画像预测模型包括多个画像预测子模型，其中，不同的画像预测子模型用于预测不同的画像标签。

在一个实施例中，所述目标业务数据包括适合用户对象的保险业务产品和/或保险业务服务；相应的，所述目标推送规则包括保险业务营销方案。

在一个实施例中，所述非业务类特征数据包括以下至少之一：月收入、月消费金额、存款余额；所述业务类特征数据包括以下至少之一：赠险标识、保费、保额。

在一个实施例中，画像标签包括以下至少之一：缴费期限倾向标签、保费倾向标签、保额倾向标签。

本说明书还提供了一种模型的训练方法，应用于部署于第一数据方一侧的第一服务器，包括：

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，以确定出管户客群样本用户中的第一正样本用户、第一负样本用户、第一伪负样本用户，以及非管户客群样本用户中的第二正样本用户、第二混合负样本用户；其中，所述第一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管户客群样本用户和非管户客群样本用户；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；

响应关于预设的用户画像预测模型的第二训练请求，根据基于纵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，得到携带有预设的画像标签的第三训练数据；其中，所述第三训练数据包括正样本用户的非业务类特征数据；所述预设的画像标签根据正样本用户的业务类特征数据确定；所述第一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；

本说明书还提供了一种业务数据的推送装置，包括：

获取模块，用于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；

确定模块，用于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；

第一调用模块，用于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；

第二调用模块，用于在确定所述用户对象为目标用户的情况下，调用预设的用户画像预测模型处理所述用户对象的特征数据，以得到所述用户对象的画像标签；其中，所述预设的用户画像预测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纵向联邦学习建立得到的；

生成模块，用于根据所述用户对象的画像标签，生成与所述用户对象匹配的目标推送规则；

推送模块，用于根据所述目标推送规则，向所述用户对象推送相应的目标业务数据。

本说明书还提供了一种服务器，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现所述模型的训练方法和/或所述业务数据的推送方法的相关步骤。

本说明书提供的一种业务数据的推送方法、装置和服务器，服务器在向用户对象进行业务数据推送时，可以先确定出用户对象的客群类型，进而可以调用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的预设的目标用户预测模型中的与用户对象的客群类型相匹配的预测子模型来处理该用户对象的特征数据，以准确地识别出该用户对象是否属于潜在的会接受所推送的业务数据的目标用户；在确定该用户对象为目标用户的情况下，进一步调用预先根据第一样本数据和第二样本数据基于纵向联邦学习建立的预设的用户画像预测模型处理该用户对象的特征数据，以得到用户对象的画像标签；进而可以根据上述画像标签，分析用户对象的需求倾向和个人偏好，并生成与该用户对象相匹配的目标推送规则；再根据该目标推送规则，有针对性地向该用户对象精准地推送合适的目标业务数据，从而可以得到较好的推送效果，提高推送成功率，实现对用户对象的业务数据的精准推送。

附图说明

为了更清楚地说明本说明书实施例，下面将对实施例中所需要使用的附图作简单地介绍，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是应用本说明书实施例提供的业务数据的推送方法的数据处理系统的结构组成的一个实施例的示意图；

图2是本说明书的一个实施例提供的业务数据的推送方法的流程示意图；

图3是在一个场景示例中，应用本说明书实施例提供的业务数据的推送方法的一种实施例的示意图；

图4是本说明书的一个实施例提供的模型训练方法的流程示意图；

图5是本说明书的一个实施例提供的模型训练方法的流程示意图；

图6是本说明书的一个实施例提供的业务数据的推送方法的流程示意图；

图7是本说明书的一个实施例提供的服务器的结构组成示意图；

图8是本说明书的一个实施例提供的业务数据的推送装置的结构组成示意图；

图9是本说明书的一个实施例提供的模型训练装置的结构组成示意图；

图10是在一个场景示例中，应用本说明书实施例提供的业务数据的推送方法的一种实施例的示意图；

图11是在一个场景示例中，应用本说明书实施例提供的业务数据的推送方法的一种实施例的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。

考虑到基于现有的业务数据的推送方法，在存在数据隔离的情况下，往往都是利用单个数据方中的样本数据训练用于预测潜在的会接受所推送的业务数据的目标用户的预测模型，再利用该预测模型对待推送业务数据的用户对象进行预测，以确定该用户对象是否为潜在的目标用户，进而根据预测结果对该用户对象进行业务数据的推送。

首先，由于上述方法在训练预测模型时使用的样本数据往往只有单个数据方中的样本数据，所使用的样本数据相对有限，导致训练得到预测模型的模型精度相对较差。

其次，通常使用的样本数据中正样本往往比较明确的，但负样本往往可能会存在许多的不确定性，进而影响到模型精度造成影响。

例如，在大多数的预测模型的模型训练过程中，往往是将样本数据中历史上最终接受业务数据的用户对象标记为正样本用户；而将样本数据中除正样本用户外剩余的最终没有接受业务数据的用户对象直接标记为负样本用户。

实际上，最终没有接受业务数据的用户对象的情况是相对比较复杂的。其中，存在许多用户对象是之前被推送过业务数据，但最终没有接受所推送的业务数据，这类用户对象确实属于负样本用户(也可以称为纯负样本用户)。

但是，还存在许多用户对象实际上是由于之前没有被推送过业务数据，导致最终没有接受业务数据的。这类用户对象中存在部分用户对象如果之前被推送过业务数据，是会接受所推送的业务数据的。因此，这类用户对象并不是纯负样本用户，而是一种伪负样本用户。

而基于现有方法，在训练模型时，往往是直接将上述伪负样本用户标记成负样本用户使用，这样势必会在模型训练过程中引入负样本数据的分布偏移，进而影响模型的训练，导致得到的预测模型会存在误差、模型精度较差，影响后续使用该预测模型预测目标用户的准确度。

此外，基于现有方法只对用户对象是否为目标用户进行预测，并没有考虑、分析用户对象关于业务数据的个性化需求、偏好，导致用户对象对所推送的业务数据的接受度较低。

针对产生上述问题的根本原因，本说明书首先考虑可以通过基于横向联邦学习的协议规则，综合利用第一数据方中的第一样本数据和第二数据方中的第二样本数据，以扩充用于模型训练的样本数据。

在具体利用第一数据方中的第一样本数据和第二数据方中的第二样本数据时，又进一步发现：不同数据方由于所基于的数据渠道不同，且相互之间还存在数据隔离，导致不同数据方对样本数据的标记往往也会存在较大的差异，甚至还存在数据标签混乱的问题；并且，受限于数据隔离，也难以直接合作使用不同数据方所持有的样本数据。

例如，总公司虽然并不专门负责业务数据的推送，但总公司可以持有全量样本用户的非业务类的特征数据。而专门负责业务数据推送的子公司通常是针对总公司已有的样本用户进行业务数据的推送。在具体推送业务数据时，总公司往往是只通过与子公司共用的共有渠道来推送子公司的业务数据。而在子公司一侧，除了使用共有渠道外，还可以通过总公司不具有的自有渠道来推送业务数据。例如，在总公司一侧，对于样本用户a基于共有渠道的记录数据，被标记为负样本用户。而在子公司一侧，对于同样的样本用户a基于自有渠道的记录数据，则被标记为正样本。

并且，有些情况下，子公司只会记录下推送成功的用户(对应正样本用户)的业务类特征数据，对于推送失败的用户(对应负样本用户)的相关数据则不作记录。

因此，总公司往往持有全量样本用户的非业务类特征数据(可以记为第一样本数据)，而子公司往往持有全量正样本用户(即业务数据推送成功的用户)的业务类特征数据(可以记为第二样本数据)。

此外，受相关规定的制约，总公司和子公司通常不能直接相互流转各自所持有的数据，导致难以直接联合使用双方所持有的数据来训练模型。

考虑到上述情况，本说明书进一步结合数据处理场景中的具体特点，以及第一样本数据和第二样本数据之间的关联性，具体实施前，针对伪负样本对模型训练的影响，部署于第一数据方、持有第一样本数据的第一服务器，和部署于第二数据方、持有第二样本数据的第二服务器可以先区分样本用户中的管户客群和非管户客群，再根据基于横向联邦学习的协议规则，通过合作进行数据融合，综合利用双方所持有的数据训练得到包含有与管户客群对应的第一预测子模型和与非管户客群对应的第二预测子模型的精度较高的预设的目标用户预测模型。

进一步，第一服务器和第二服务器还基于预设的目标用户预测模型的预测结果，根据基于纵向联邦学习的协议规则，通过合作进行数据融合，综合利用双方所持有的数据训练得到能够精细地刻画出用户对象的个性化需求倾向的预设的用户画像预测模型。

这样，具体实施时，服务器在接入待推送业务数据的用户对象的特征数据后，可以先确定出用户对象的客群类型，进而可以调用预设的目标用户预测模型中与用户对象的客群类型相匹配的预测子模型来处理该用户对象的特征数据，以准确地识别出该用户对象是否属于潜在的会接受所推送的业务数据的目标用户。在确定该用户对象为目标用户的情况下，进一步调用预设的用户画像预测模型处理该用户对象的特征数据，以得到用户对象的画像标签。进而可以根据上述画像标签，生成与该用户对象相匹配的目标推送规则，并根据该目标推送规则，有针对性地向该用户对象推送合适的目标业务数据。从而可以得到较好的推送效果，提高推送成功率，实现对用户对象的业务数据的精准推送。

本说明书实施例提供一种业务数据的推送方法，所述业务数据的推送方法具体可以应用于包含有第一服务器和第二服务器的数据处理系统中。其中，可以参阅图1所示。第一服务器和第二服务器可以通过有线或无线的方式相连，以进行相应的数据交互。

在本实施例中，上述第一服务器具体可以理解为部署于第一数据方(或者称第一数据域，例如，总公司)一侧的服务器。上述第一服务器可以持有第一数据方中的第一样本数据。其中，上述第一样本数据具体可以理解为从第一数据方中获取的样本数据。上述第一样本数据中的每一条样本数据具体可以包括用户对象的标识信息(例如，用户甲的身份ID、用户甲的手机号、用户甲的姓名等)和与该标识信息对应的与业务数据不直接相关的非业务类特征数据(例如，用户甲的职业、用户甲的月收入、用户甲的违约次数等)两部分数据。上述非业务类特征数据进一步可以包括多种不同的非业务类特征。

在本实施例中，上述第二服务器具体可以理解为部署于第二数据方(或者称第二数据域，例如，子公司)一侧的服务器。上述第二服务器可以持有第二数据方中的第二样本数据。其中，上述第二样本数据具体可以理解为从第二数据方中获取的样本数据。上述第二样本数据中的每一条样本数据具体可以包括用户对象的标识信息和与该标识信息对应的与业务数据直接相关的业务类特征数据两部分数据。上述业务类特征数据进一步可以包括多种不同业务类特征。

其中，上述第二样本数据中的用户对象的标识信息包含于第一样本数据中的用户对象的标识信息。

此外，由于第一数据方和第二数据方之间还存在数据隔离，第一服务器无法将所持有的第一样本数据直接传输给第二服务器。相应的，第二服务器也无法将所持有的第二样本数据直接传输给第一服务器。

在本实施例中，具体实施之前(建模阶段)，第一服务器和第二服务器可以根据基于横向联邦学习的协议规则，合作进行数据融合，根据分别持有的第一样本数据和第二样本数据，在全量样本用户中确定出全量正样本用户；并且通过区分管户客群和非管户客群，分离得到负样本明确且不存在伪负样本的第一类训练数据(对应管户客群中的第一正样本用户和第一负样本用户)，以及存在伪负样本的第二类训练数据(对应非管户客群中的第二正样本用户和第二混合负样本用户)；再分别利用上述第一类训练数据训练得到针对管户客群的第一预测子模型，利用第二类训练数据训练得到针对非管户客群的第二预测子模型；组合上述第一预测子模型和第二预测子模型，得到包含有两个预测子模型的预设的目标用户预测模型，从而降低了模型训练过程中使用伪负样本引入的负样本数据分布偏移对模型精度的影响，得到精度较高、效果较好的预设的目标用户预测模型。

进一步，第一服务器和第二服务器还可以根据基于纵向联邦学习的协议规则，通过合作进行数据融合，利用第一样本数据中的非业务类特征数据作为训练模型时正样本用户的特征数据，利用第二样本数据中的业务类特征数据确定相应的预设的画像标签，得到携带有预设的画像标签的第三训练数据；再利用上述携带有预设的画像标签的第三训练数据，训练得到能够精细地预测、刻画用户对象对业务数据的个性化需求倾向和个人偏好，效果较好的预设的用户画像预测模型。

按照上述方式，第一服务器和第二服务器可以通过合作训练得到精度较高、效果较好预设的目标用户预测模型和预设的用户画像预测模型。

第一服务器和/或第二服务器可以持有并调用上述训练得到的两个预测模型，也可以根据合作协议，将上述两个预测模型提供给第三方的第三服务器使用。

具体实施时(推送阶段)，接入待推送业务数据的数据对象的服务器(可以是第一服务器，也可以是第二服务器，还可以是第三服务器)可以先根据用户对象的标识信息，确定出用户对象的客群类型；进而可以调用预设的目标用户预测模型中与用户对象的客群类型相匹配的预测子模型来处理该用户对象的特征数据，以准确地识别出该用户对象是否属于潜在的会接受所推送的业务数据的目标用户；在确定该用户对象为目标用户的情况下，进一步调用预设的用户画像预测模型处理该用户对象的特征数据，以得到用户对象的画像标签；进而可以根据上述画像标签，生成与该用户对象相匹配的目标推送规则，并根据该目标推送规则，有针对性地向该用户对象推送合适的目标业务数据。

从而可以使得用户对象更愿意接受被推送的业务数据，得到较好的推送效果，提高推送成功率，实现对用户对象的业务数据的精准推送。

在本实施例中，所述第一服务器、第二服务器具体可以包括一种应用于业务数据处理平台一侧，能够实现数据传输、数据处理等功能的后台服务器。具体的，所述第一服务器、第二服务器例如可以为一个具有数据运算、存储功能以及网络交互功能的电子设备。或者，所述第一服务器、第二服务器也可以为运行于该电子设备中，为数据处理、存储和网络交互提供支持的软件程序。在本实施例中，并不具体限定所述第一服务器、第二服务器所包含的服务器数量。所述第一服务器、第二服务器具体可以为一个服务器，也可以为几个服务器，或者，由若干服务器形成的服务器集群。

参阅图2所示，本说明书实施例提供了一种业务数据的推送方法。其中，该方法具体实施时，可以包括以下内容。

S201：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。

S202：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。

S203：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。

S204：在确定所述用户对象为目标用户的情况下，调用预设的用户画像预测模型处理所述用户对象的特征数据，以得到所述用户对象的画像标签；其中，所述预设的用户画像预测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纵向联邦学习建立得到的。

S205：根据所述用户对象的画像标签，生成与所述用户对象匹配的目标推送规则。

S206：根据所述目标推送规则，向所述用户对象推送相应的目标业务数据。

通过上述实施例，服务器可以利用预先根据多方分别持有的样本数据基于横向联邦学习联合建立的预设的目标用户预测模型准确地识别确定出待推送业务数据的用户对象是否为潜在会接受业务数据的目标用户；在确定用户对象为目标用户的情况下，进一步利用预先根据多方分别持有样本数据基于纵向联邦学习联合建立的预设的用户画像预测模型精细地确定出能够反映出该用户对象的个性化需求倾向和个人偏好的画像标签；进而可以根据画像标签，有针对性向该用户对象精准地推送适合的目标业务数据，使得用户对象更愿意接受被推送的业务数据，提高了推送的成功率。

在一个实施例中，该方法具体可以应用于服务器一侧。其中，该服务器具体可以是部署于第一数据方一侧的第一服务器，也可以是部署于第二数据方一侧的第二服务器，还可以是部署于区别于第一数据方和第二数据方的第三方一侧的第三服务器。

其中，上述第一数据方具体可以为持有第一样本数据的数据方。上述第一样本数据具体可以包含有全量样本用户的非业务类特征数据。上述第二数据方具体可以为持有第二样本数据的数据方。上述第一样本数据具体可以包含有全量正样本用户的业务类特征数据。所述全量正样本用户为全量样本用户的子集。上述第三数据方具体可以区别于上述第一数据方和第二数据方，不持有样本数据的第三方。

在一个实施例中，上述业务类特征数据具体可以理解为与待推送的业务数据直接关联的特征数据，上述非业务类特征数据具体可以理解为与待推送的业务数据间接关联的特征数据。其中，上述业务数据具体可以包括：保险业务产品、保险业务服务、理财业务产品、理财业务服务等。当然，上述所列举的业务数据只是一种示意性说明。具体实施时，根据具体的应用场景和处理需求，上述业务数据还可以包括其他类型的业务数据。对此，本说明书不作限定。

在一个实施例中，随着业务数据、第一数据方、第二数据方的不同，上述业务类特征数据和非业务类特征数据可以具体可以分别包含不同类型的特征。

下面以业务数据为保险业务产品，第一数据方为银行总行，第二数据方为银行总行下属的保险业务子公司为例进行具体说明。

在本实施例中，上述非业务类特征数据具体可以包括以下所列举的特征中的一个或多个：月收入、月消费额、存库额、职业等。相应的，上述业务类特征数据具体可以包括以下所列举的特征中的一个或多个：赠险标识、历史保费、历史保额、历史购买的险种等等。

在本实施例中，部署于第一数据方一侧的第一服务器可以持有全量样本用户的非业务类特征数据，作为第一样本数据。由于第一数据方不是主要负责进行业务数据的推送，而是通过与第二数据方共用的共有渠道(例如，银行的银保等)，协助第二数据方推送业务数据。因此，在第一数据方所持有的第一样本数据中的全量样本用户中被标记出的正样本用户(即，接受所推送的业务数据的用户)往往是不全的。

部署于第二数据方一侧的第二服务器主要负责业务数据的推送。并且，由于第二数据方与第一数据方之间的关联关系，第二数据方往往主要针对第一数据方所持有的全量样本用户进行相关的业务数据的推送，并记录下推送成功的样本用户(记为正样本用户)，以及推送成功的正样本用户的业务类特征数据。

此外，第二数据方除了使用与第一数据方共用的共有渠道推送业务数据外，还会使用其他第一数据方不具有的自有渠道(例如，保险公司的自销渠道等)推送业务数据，并记录下正样本用户，以及正样本用户的业务类特征数据。对于这类正样本用户，由于第一数据方和第二数据方存在数据隔离，第一数据方是无法知晓的，也无法在第一数据方一侧标记出的。

因此，第二服务器可以持有全量正样本用户的业务类特征数据，作为第二样本数据。并且上述全量正样本用户往往还是全量样本用户的子集。

在一个实施例中，服务器在准备对用户对象进行业务数据推送时，可以先获取该用户对象的标识信息，以及与该用户对象的特征数据。

其中，上述标识信息具体可以为包括用于指示用户对象的姓名、身份ID、手机号、账户名等标识信息。上述用户对象的特征数据具体可以是该用户对象的非业务类特征数据。当然，上述用户对象的特征数据还可以是该用户对象的非业务类特征数据和业务类特征数据的组合。

在一个实施例中，服务器可以先根据用户对象的标识信息，通过数据查询，例如，查询预设的客群列表，确定出该用户对象所属的客群类型。

在一个实施例中，上述客群类型具体可以包括：管户客群和非管户客群。

在本实施例中，通过先将用户对象按照管户客群和非管户客群进行客群类型的划分，以便后续可以调用预设的目标用户预测模型中相匹配的预测子模型，精准地确定出该用户对象是否为目标用户。

在一个实施例中，上述管户客群具体可以理解为一种有专人负责服务、维护的客群。对于管户客群，服务器往往持有较为全面的特征数据，以及较为完整的历史推送记录。

上述非管户客群具体可以理解为一种没有专人负责服务、维护的客群。对这非管户客群，服务器所持有的特征数据往往是不全面的，并且所持有的历史推送记录也往往是不完整的。

相应的，第一服务器所持有的第一样本数据中的全量样本用户也可以包括：由第一数据方提供专人负责服务、维护的管户客群，以及没有提供专人负责服务、维护的非管户客群。其中，对于管户客群，第一服务器持有完整的基于共有渠道的历史推送记录；对于非管户客群，第一服务器所持有的基于共有渠道的历史推送记录是完整。此外，对于管户客群、非管户群第一服务器都不持有基于除共有渠道以外的其他渠道(例如，第二数据方的自有渠道)的历史推送记录。

在一个实施例中，服务器具体实施时，可以先根据用户对象的客群类型，从预设的目标用户预测模型所包含的预测子模型中确定出相匹配的预测子模型；进而可以调用上述相匹配的预测子模型处理所述用户对象的特征数据，根据模型输出的处理结果，确定该用户对象是否为目标用户。

在一个实施例中，上述目标用户具体可以理解为一种具有相对较高概率会接受被推送的业务数据的潜在的客群用户。

在一个实施例中，上述预设的目标用户预测模型具体可以理解为第一服务器和第二服务器预先合作利用各自所持有的第一样本数据和第二样本数据基于横向联邦学习训练得到的能够基于用户对象的特征数据预测该用户对象属于目标用户的概率值的预测模型。关于上述预设的目标用户预测模型的训练方式后续将另做说明。

在一个实施例中，具体的，在客群类型包括：管户客群和非管户客群的情况下，上述预设的目标用户预测模型具体可以包括第一预测子模型和第二预测子模型两种不同的预测子模型。其中，上述第一预测子模型与管户客群匹配，上述第二预测子模型与非管户客群匹配。

在本实施例中，上述第一预测子模型具体可以是预先利用管户客群的非业务类特征数据(可以记为第一类训练数据)训练得到的，针对管户客群能够较为精准地确定出用户对象是否为目标用户的预测子模型。上述第二预测子模型具体可以是预先利用非管户客群的非业务类特征数据(可以记为第二类训练数据)训练得到的，针对非管户客群能够较为精准地确定出用户对象是否为目标用户的预测子模型。

通过建立并利用上述包含有对应管户客群的第一预测子模型，以及对应非管户客群的第二预测子模型的预设的目标用户预测模型，能够更加精细地确定出用户对象是否为潜在的会接受业务数据的目标用户。

在一个实施例中，在确定用户对象的客群类型为管户客群的情况下，可以将预设的目标用户预测模型中的第一预测子模型确定为相匹配的预测子模型；进而可以调用第一预测子模型来处理该用户对象的特征数据，以确定该用户对象是否为目标用户。

在确定用户对象的客群类型为非管户客群的情况下，可以将预设的目标用户预测模型中的第二预测子模型确定为相匹配的预测子模型；进而可以调用第二预测子模型来处理该用户对象的特征数据，以确定该用户对象是否为目标用户。

在一个实施例中，在利用上述预设的目标用户预测模型，确定出用户对象为目标用户的情况下，进一步，可以调用预设的用户画像预测模型处理该用户对象的特征数据，以根据模型输出，精细地确定出该用户对象的业务画像标签。

在一个实施例中，上述预设的用户画像预测模型具体可以理解为第一服务器和第二服务器预先合作利用各自所持有的第一样本数据和第二样本数据基于纵向联邦学习训练得到的能够基于用户对象的特征数据预测出与该用户对象匹配的关于业务数据的画像标签的预测模型。关于上述预设的用户画像预测模型的训练方式后续将另做说明。

在一个实施例中，上述画像标签具体可以理解为用于反映用户对象对于所倾向接受的业务数据中的某一个属性维度的需求或偏好的标签数据。

在一个实施例中，在业务数据为保险业务产品或保险业务服务，应用场景为保险业务营销场景的情况下，上述画像标签具体可以包括以下所列举的多种画像标签的一种或多种：缴费期限倾向标签、保费倾向标签、保额倾向标签等等。当然，需要说明的是，上述所列举的画像标签只是一种示意性说明。

具体实施时，根据具体的业务数据和具体的应用场景，上述画像标签还可以包括其他类型的画像标签。例如，在业务数据为理财产品，应用场景为理财产品的营销场景的情况下，上述画像标签还可以是年化收益率倾向标签、固定持有时长倾向标签、理财风险等级倾向标签等等。

在一个实施例中，上述预设的用户画像预测模型具体可以包含有多个画像预测子模型。其中，所述多个画像预测子模型中的各个画像预测子模型分别对应一种画像标签。

相应的，可以调用预设的用户画像预测模型所包含的多个画像预测子模型分别处理用户对象的特征数据，得到对应该用户对象的多个不同画像标签，进而可以利用上述多个不同画像标签更加精细、全面地刻画出该用户对象的个性化需求倾向或偏好。

在一个实施例中，可以根据用户对象的画像标签，有针对性地为该用户对象定制相匹配的目标推送规则；进而可以根据目标推送规则，向该用户对象推送合适的目标业务数据。

在一个实施例中，上述目标推送规则具体可以是一种与用户对象匹配、适用于该用户对象的业务数据的构建方式，业务数据的营销方案，或者业务数据的推荐策略等。对应于不同的业务数据和应用场景，上述目标推送规则还可以是其他内容的规则数据。对此，本说明书不作限定。

在一个实施例中，具体的，服务器可以先根据用户对象的画像标签，有针对性确定出适合于该用户对象的目标推送规则；进而可以根据目标推送规则，配置出与该用户对象匹配度较高、用户对象接受概率较大的目标业务数据；再根据目标推送规则，选用该用户对象所偏好的且能及时触达的推送方式，向该用户对象推送目标业务数据。

用户对象在接收到上述根据目标推送规则推送的目标业务数据时，相对的，有较大的概率会愿意接受该目标业务数据。从而可以有效地提高推送成功率，得到较好的推送效果。

由上可见，基于本说明书实施例提供的业务数据的推送方法，服务器在向用户对象进行业务数据推送时，可以先确定出用户对象的客群类型，进而可以调用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的预设的目标用户预测模型中与用户对象的客群类型相匹配的预测子模型来处理该用户对象的特征数据，以准确地识别出该用户对象是否属于潜在的会接受所推送的业务数据的目标用户；在确定该用户对象为目标用户的情况下，进一步调用预先根据第一样本数据和第二样本数据基于纵向联邦学习建立的预设的用户画像预测模型处理该用户对象的特征数据，以得到用户对象的画像标签；进而可以根据上述画像标签，生成与该用户对象相匹配的目标推送规则，并根据该目标推送规则，有针对性地向该用户对象推送合适的目标业务数据，从而可以得到较好的推送效果，提高推送成功率，实现对用户对象的业务数据的精准推送。

在一个实施例中，上述服务器所调用的预设的目标用户预测模型(可以记为模型A)具体可以是第一服务器和第二服务器预先根据各自所分别持有的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。

在一个实施例中，具体实施时，对于第一服务器一侧，具体可以按照以下方式训练上述预设的目标用户预测模型。

S1：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，以确定出管户客群样本用户中的第一正样本用户、第一负样本用户、第一伪负样本用户，以及非管户客群样本用户中的第二正样本用户、第二混合负样本用户；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管户客群样本用户和非管户客群样本用户；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；

S2：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、第二混合负样本用户的非业务类特征数据，作为第二分组样本数据；

S3：利用所述第一分组样本数据，训练得到第一预测子模型(可以记为模型A1)；利用所述第二分组样本数据，训练得到第二预测子模型(可以记为模型A2)；

S4：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。

通过上述实施例，第一服务器可以先根据基于横向联邦学习的协议规则，通过横向联邦学习框架与第二服务器进行合作，在各自所持有的样本数据不出域的前提下，在第一服务器一侧所持有的全量样本用户中确定并标记出全量正样本用户；并基于客群类型将全量样本用户划分为管户客群样本用户和非管户客群样本用户；进而根据管户客群、非管户客群的特点，有区分地利用所持有的第一样本数据中管户客群样本用户的非业务类特征数据，训练与管户客群对应的第一预测子模型，利用非管户客群样本用户的非业务类特征数据，训练与非管户客群对应的第二预测子模型，从而可以得到能够较为精准地识别确定潜在的目标用户的预设的目标用户预测模型。

在一个实施例中，上述第一训练请求具体可以是由第一服务器发起的，也可以是由第二服务器发起的。对此，本说明书不作限定。

在一个实施例中，考虑到在一些情况下，第一服务器和第二服务器之间可能存在数据隔离，双方无法直接交互各自所分别持有第一样本数据和第二样本数据。因此，可以利用横向联邦学习框架，根据基于横向联邦学习的协议规则合作，进行安全的样本数据融合，以打破数据隔离的限制，同时也不会向对方直接泄露己方所持有的样本数据。

通过上述数据融合，第一服务器可以在己方所持有的第一样本数据中的全量样本用户中确定并标记出全量的正样本用户(例如，在正样本用户中设置用于指示正样本用户的预设的标记信息)；同时，第一服务器还可以将上述全量样本数据划分为管户客群样本用户和非管户客群样本用户两组。

进一步，对于管户客群样本用户，第一服务器可以先通过检索管户客群样本用户的标记信息，从管户客群样本用户中确定出正样本用户，作为第一正样本用户。此外，由于第一服务器还持有针对管户客群样本用户完整的基于共有渠道的历史推送记录。因此，第一服务器可以根据管户客群样本用户的历史推送记录，对管户客群样本用户中除去第一正样本用户以外的剩余管户客群样本用户进行筛选，筛选出之前推送过业务数据，但没有接受所推送的业务数据的样本用户，作为第一负样本用户(即，纯负样本用户)；同时，将剩余的样本用户(即，之前没有推送过业务数据的样本用户)，作为第一伪负样本用户。

对于非管户客群样本用户，第一服务器可以先通过检索非管户客群样本用户的标记信息，从非管户客群样本用户中确定出正样本用户，作为第二正样本用户。此外，由于第一服务器所持有针对非管户客群样本用户的基于共有渠道的历史推送记录是不完整。因此，针对非管户客群，第一服务器是无法像针对管户客群那样清晰地区分出纯负样本用户和伪负样本用户。第一服务器可以将非管户客群样本用户中除去第二正样本用户以外的剩余非管户客群样本用户统计确定为第二混合负样本用户。

通过上述实施例，第一服务器和第二服务器可以通过基于横向联邦学习的协议规则进行合作，在第一服务器所持有的全量样本用户中的管户客群的样本用户中确定并标识出第一正样本用户、第一负样本用户、第一伪负样本用户；同时，在非管户客群的样本用户中确定并标识出第二正样本用户、第二混合负样本用户。

在一个实施例中，针对管户客群，第一服务器可以从所持有的第一样本数据中，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。这样得到的第一分组样本数据不会掺杂有伪负样本用户的非业务类特征数据，不存在负样本的数据偏移，具有较好的训练效果。

同时，针对非管户客群，第一服务器可以从所持有的第一样本数据中，获取第二正样本用户的业务类特征数据、第二混合样本用户的非业务类特征数据，作为第二分组样本数据。

这样第一服务器可以较为准确地从所持有的第一样本数据中拆分出后续用于训练针对不同客群类型的不同预测子模型的第一组分样本数据和第二组分样本数据。

在一个实施例中，上述利用所述第一分组样本数据，训练得到第一预测子模型，具体实施时，可以包括以下内容。

S1：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；

S2：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；

S3：利用所述第一正样本训练数据和所述第一负样本训练数据，训练得到第一预测子模型。

通过上述实施例，由于事先将存在伪负样本的第二分组样本数据剥离，因此，可以有效地消除模型训练时使用伪负样本所引入的负样本数据漂移所产生的模型误差，从而可以利用上述管户客群的第一正样本训练数据、第一负样本训练数据，训练得到针对管户客群的精度较高、效果较好的第一预测子模型。

在一个实施例中，具体训练时，可以采用Lookalike方法，利用所述第一正样本训练数据和所述第一负样本训练数据，进行模型训练，以得到符合要求的第一预测子模型。

其中，上述Lookalike方法，也可以称为相似人群扩展方法，具体可以是一种基于种子用户通过一定的算法评估模型，找到更多拥有潜在关联性的相似人群的技术。基于Lookalike方法，具体实现时，可以有效地综合运用多种技术，例如协同过滤、node2vec等，以对用户进行拓展，得到效果较好的用于预测目标用户的预测子模型。

在一个实施例中，上述利用所述第二分组样本数据，训练得到第二预测子模型，具体实施时，可以包括以下内容。

S1：从所述第二分组样本数据中的第二正样本用户的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；

S2：从所述第二分组样本数据中的第二混合负样本用户的业务类特征数据中随机抽取多个数据，并标注为第二负样本训练数据；

S3：利用所述第二正样本训练数据和所述第二负样本训练数据，训练得到第二预测子模型。

通过上述实施例，可以在一定程度上降低除模型训练时由于使用了伪负样本所引入的负样本数据漂移所产生的误差影响，利用非管户客群的第二正样本训练数据、第二负样本训练数据，训练得到针对非管户客群的第二预测子模型。

在本实施例中，可以将上述标注后的第一正样本训练数据和第一负样本训练数据记为用于训练第一预测子模型的第一类训练数据。将上述标注后的第二正样本训练数据和第二负样本训练数据记为用于训练第二预测子模型的第二类训练数据。

在一个实施例中，具体训练时，可以采用Lookalike方法，利用所述第二正样本训练数据和所述第二混合负样本训练数据，进行模型训练，以得到符合要求的第二预测子模型。

在一个实施例中，具体实施时，第一服务器还可以通过其他途径，针对第二混合负样本用户，获取与上述第二混合负样本用户关联的历史业务信息；并根据上述关联的历史业务信息，进行推测，以从第二混合负样本用户中进一步筛选出具有较大概率属于纯负样本用户的样本用户，作为第二预测负样本用户。相应的，可以从所述第二分组样本数据中的第二混合负样本用户的业务类特征数据中，有针对性地抽取上述第二预测负样本用户的非业务类特征数据，作为第二负样本训练数据，参与第二预测子模型的训练。从而有效地降低除训练时负样本数据漂移所产生的影响，训练得到针对非管户客群的精度更高、效果更好的预测子模型。

在一个实施例中，具体训练第二预测子模型时，还可以分别从第一负样本训练数据和第二混合负样本训练数据中分别抽取多个数据，以利用管户客群中的纯负样本削弱非管户客群中伪负样本的影响，得到组合后的第二混合负样本数据。进一步，可以利用上述组合后的第二混合负样本数据参第二预测子模型的训练，以降低除训练时负样本数据漂移所产生的影响，得到针对非管户客群的精度更高、效果更好的预测子模型。

在一个实施例中，上述服务器所调用的预设的用户画像预测模型(可以记为模型B)具体可以是第一服务器和第二服务器预先根据各自所分别持有的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，基于纵向联邦学习建立得到的。

在一个实施例中，具体实施时，对于第一服务器一侧，具体可以按照以下方式训练上述预设的用户画像预测模型。

S1：第一服务器响应关于预设的用户画像预测模型的第二训练请求，根据基于纵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，得到携带有预设的画像标签的第三训练数据；其中，所述第三训练数据包括正样本用户的非业务类特征数据；所述预设的画像标签根据正样本用户的业务类特征数据确定；

S2：利用所述携带有预设的画像标签的第三训练数据，训练得到预设的用户画像预测模型。

通过上述实施例，第一服务器可以根据基于纵向联邦学习的协议规则，与第二服务器进行合作，由第二服务器利用所持有的业务类特征数据确定出正样本用户的预设的画像标签，再与第一服务器所持有的正样本用户的非业务类特征数据融合，得到携带有包含了业务类特征数据的数据知识的预设的画像标签的第三训练数据；进而可以利用上述第三训练数据，训练得到能够较为精准地预测确定出用户关于业务数据的画像标签的预设的用户画像预测模型。

在一个实施例中，上述第二训练请求具体可以是由第一服务器发起的，也可以是由第二服务器发起的。对此，本说明书不作限定。

在一个实施例中，考虑到在一些场景下第一服务器和第二服务器之间可能存在数据隔离，双方无法直接交互各自所分别持有第一样本数据和第二样本数据。因此，可以利用纵向联邦学习框架，根据基于纵向联邦学习的协议规则合作，进行安全的样本数据融合，以打破数据隔离的限制，同时也不会向对方直接泄露己方所持有的数据。

通过上述数据融合，第二服务器可以利用己方所持有的第二样本数据中的业务类特征数据，确定出正样本用户的预设的画像标签(例如，缴费期限倾向标签、保费倾向标签、保额倾向标签等)；同时，第一服务器可以从所持有的第一样本数据中获取正样本用户的非业务类特征数据；进而第一服务器和第二服务器可以通过合作将对应同一个正样本用户的预设的画像标签和非业务类特征数据进行组合，得到上述携带有预设的画像标签的第三训练数据。

在一个实施例中，具体融合时，第一服务器和第二服务器还可以通过合作将对应同一个正样本用户的预设的画像标签，以及非业务类特征数据和业务类特征数据这三种数据进行组合，得到相对更加完整、丰富的携带有预设的画像标签的第三训练数据，从而可以训练得到更加准确的预设的用户画像预测模型。

在一个实施例中，具体训练预设的用户画像预测模型时，可以利用所述携带有预设的画像标签的第三训练数据，对初始模型进行学习训练，以得到预设的用户画像预测模型。

在一个实施例中，训练预设的用户画像预测模型的正样本用户具体可以是预先利用预设的目标用户预测模型所确定并标记为目标用户的样本用户。这样可以使得所训练得到的预设的目标用户预测模型与预设的用户画像预测模型具有更强的结合性。

在一个实施例中，所述预设的用户画像预测模型具体可以包括一个画像预测子模型，也可以包括多个画像预测子模型，其中，不同的画像预测子模型用于预测不同的画像标签。

通过上述实施例，可以利用预设的用户画像预测模型同时预测出用户对象多个不同的画像标签；进而可以根据上述多个不同的画像标签，更加精细地刻画出用户对象的需求倾向和个人偏好，从而可以为该用户对象生成匹配度更高、效果更好的目标推送规则。

在一个实施例中，在所述预设的用户画像预测模型包括多个画像预测子模型的情况下，第二服务器在与第一服务器根据基于纵向联邦学习的协议规则进行数据融合的过程中，可以根据所持有的正样本用户的不同的业务类特征数据生成多种不同的预设的画像标签。这样最后通过数据融合得到的第三训练数据中可以包含有多组第三训练数据。其中，同一组的第三训练数据携带有同一种预设的画像标签。

相应的，在训练时，可以利用上述多组第三训练数据分别训练多个初始模型，得到分别对应不同的画像标签的多个画像预测子模型；再组合所述多个画像预测子模型，得到预设的用户画像预测模型。

在一个实施例中，以保险业务营销场景为例，所述目标业务数据具体可以包括保险业务产品和/或保险业务服务；相应的，所述目标推送规则具体可以包括保险业务营销方案。

这样在保险业务营销场景中，可以先利用预设的目标用户预测模型确定待营销的当前用户对象是否是属于潜在的会接受所营销的保险业务的目标用户；在确定当前用户对象属于目标用户的情况下，再利用预设的用户画像预测模型预测出该用户对象与保险业务相关的画像标签，进而可以根据上述画像标签确定出当前用户对象对于保险业务的需求倾向和个人偏好；进一步，可以结合上述个性化的需求倾向和个人偏好，生成与当前用户对象匹配的、当前用户对象接受度较高的保险业务营销方案；进而可以根据上述保险业务营销方案，向当前用户对象精准地进行合适的险业务产品和/或保险业务服务的营销处理。从而可以有效地提高营销成功率，同时也能够精准地针对用户的个性化的需求倾向和偏好，向用户推荐合适的保险业务，提高了用户的服务体验。

在一个实施例中，以保险业务营销场景为例，所述非业务类特征数据具体可以包括以下至少之一：月收入、月消费金额、存款余额等；所述业务类特征数据具体可以包括以下至少之一：赠险标识、保费、保额等。当然，上述所列举的非业务类特征数据、业务类特征数据只是一种示意性说明。具体实施时，根据具体的应用场景和处理需求，上述非业务类特征数据、业务类特征数据还可以包括其他类型的数据。对此，本说明书不作限定。

通过获取并利用上述多样化的业务类特征数据和非业务类特征数据，可以训练得到针对保险业务营销场景的精度更高、效果更好的预设的目标用户预测模型和预设的用户画像预测模型。

在一个实施例中，以保险业务营销场景为例，所述画像标签具体可以包括以下至少之一：缴费期限倾向标签、保费倾向标签、保额倾向标签等。当然，上述所列举的画像标签只是一种示意性说明。具体实施时，根据具体的应用场景和处理需求，上述画像标签还可以包括其他类型的标签数据。对此，本说明书不作限定。

通过利用上述多样化的画像标签，可以在保险业务营销场景中，更加精细、全面地刻画出用户对象关于保险业务的个性化的需求倾向和个人偏好，从而可以更加精准地对用户对象进行合适的保险业务营销。

在一个实施例中，可以参阅图3所示，在按照上述方式训练得到预设的目标用户预测模型和预设的用户画像预测模型之后，还可以将上述两个模型分为两层模型组合在一起，得到组合处理模型。其中，组合处理模型中的第一层模型为预设的目标用户预测模型A，第二层模型为预设的用户画像预测模型B。并且，上述预设的目标用户预测模型A中又进一步可以包含有两个分别对应管户客群和非管户客群的第一预测子模型A1和第二预测子模型A2。上述预设的用户画像预测模型B中又进一步可以包含有分别对应多个(例如，n个)不同的画像标签的多个画像标签预测子模型，分别记为：画像标签预测子模型B1、画像标签预测子模型B2、画像标签预测子模型B3……画像标签预测子模型Bn。

其中，只有被第一层模型预测为目标用户的用户对象的特征数据才会通过第一层模型流入第二层模型，以触发对该用户对象进行画像标签的预测。

具体实施时，输入组合处理模型的用户对象的特征数据，在进入第一层模型后，会通过分类器，分流到与该用户对象的客群类型相匹配的一个预测子模型(例如，第一预测子模型A1，或者第二预测子模型A2)中进行处理，以确定该用户对象是否属于目标用户。在确定该用户对象属于目标用户之后，该用户对象的特征数据才会从第一层模型流入到第二层模型中进行下步处理。

用户对象的特征数据在进入第二层模型后，会被同时流入第二层模型中的各个画像标签预测子模型B1、B2……Bn进行处理，以得到与该用户对象对应的n个画像标签。

最终通过上述组合处理模型可以输出被确定为目标用户的用户对象的n个画像标签。

在一个实施例中，具体实施时，服务器还可以利用上述组合处理模型对批量的用户对象进行业务数据的推送。具体的，服务器可以将批量的用户对象的特征数据输入值组合处理模型中的第一层模型进行处理。第一层模型可以根据批量的用户对象的特征数据，筛选出属于目标用户的多个用户对象，得到目标用户名单。进而可以将目标用户名单中的用户对象的特征数据传输至第二层模型进行处理。第二层模型可以根据目标用户名单上的用户对象的特征数据，确定出目标用户名单上的各个用户对象的画像标签，作为最终的模型输出。

进而，服务器可以根据目标用户名单上的各个用户对象的画像标签，针对目标用户名单上的各个用户对象生成匹配的目标推送规则。再根据目标推送规则，批量对向目标用户名单上的多个用户对象，推送合适的目标业务数据。从而可以实现批量、高效且精准的业务数据的推送。

由上可见，本说明书实施例提供的业务数据的推送方法，在向用户对象进行业务数据推送时，可以先确定出用户对象的客群类型，进而可以调用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的预设的目标用户预测模型中与用户对象的客群类型相匹配的预测子模型来处理该用户对象的特征数据，以准确地识别出该用户对象是否属于潜在的会接受所推送的业务数据的目标用户；在确定该用户对象为目标用户的情况下，进一步调用预先根据第一样本数据和第二样本数据基于纵向联邦学习建立的预设的用户画像预测模型处理该用户对象的特征数据，以得到用户对象的画像标签；进而可以根据上述画像标签，生成与该用户对象相匹配的目标推送规则，并根据该目标推送规则，有针对性地向该用户对象推送合适的目标业务数据，从而可以得到较好的推送效果，提高推送成功率，实现对用户对象的业务数据的精准推送。还通过在训练预设的目标用户预测模型时，区分管户客群和非管户客群，使持有第一数据方中的第一样本数据的第一服务器和持有第二数据方中的第二样本数据的第二服务器，根据基于横向联邦学习的协议规则，通过合作进行数据融合，以分离得到负样本明确且不存在伪负样本的第一类训练数据，以及存在伪负样本的第二类训练数据；再分别利用上述第一类训练数据训练只针对管户客群的第一预测子模型，利用第二类训练数据训练只针对非管户客群的第二预测子模型，以得到包含有两个预测子模型的预设的目标用户预测模型，降低了模型训练过程中伪负样本引入的分布偏移对模型精度的影响，得到精度较高、效果较好的预设的目标用户预测模型。还通过在训练预设的用户画像预测模型时，使持有第一数据方中的第一样本数据的第一服务器和持有第二数据方中的第二样本数据的第二服务器，根据基于纵向联邦学习的协议规则，通过合作进行数据融合，利用第一样本数据中的非业务类特征数据作为训练模型时正样本用户的特征数据，利用第二样本数据中的业务类特征数据确定相应的预设的画像标签，得到携带有预设的画像标签的第三训练数据；再利用上述携带有预设的画像标签的第三训练数据，训练得到能够精细地预测、刻画用户对象对业务数据的个性化需求倾向，效果较好的预设的用户画像预测模型。

参阅图4所示，本说明书实施例还提供了一种模型的训练方法，以训练得到符合要求的预设的目标用户预测模型。其中，该方法具体可以应用于部署于第一数据方一侧的第一服务器。具体实施时，可以包括以下内容。

S401：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，以确定出管户客群样本用户中的第一正样本用户、第一负样本用户、第一伪负样本用户，以及非管户客群样本用户中的第二正样本用户、第二混合负样本用户；其中，所述第一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管户客群样本用户和非管户客群样本用户；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；

S402：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、第二混合负样本用户的非业务类特征数据，作为第二分组样本数据；

S403：利用所述第一分组样本数据，训练得到第一预测子模型；利用所述第二分组样本数据，训练得到第二预测子模型；

S404：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。

在本实施例中，通过在训练预设的目标用户预测模型时，区分并利用管户客群和非管户客群的样本数据特点，使持有第一数据方中的第一样本数据的第一服务器和持有第二数据方中的第二样本数据的第二服务器，根据基于横向联邦学习的协议规则，通过合作进行数据融合，以分离得到负样本明确且不存在伪负样本的第一类训练数据(包括第一正样本训练数据和第一负样本训练数据)，以及存在伪负样本的第二类训练数据(包括第二正样本训练数据和第二负样本训练数据)；再分别利用上述第一类训练数据训练针对管户客群的第一预测子模型，利用第二类训练数据训练针对非管户客群的第二预测子模型，以得到包含有两个预测子模型的预设的目标用户预测模型，降低了模型训练过程中伪负样本引入的分布偏移对模型精度的影响，得到精度较高、效果较好的预设的目标用户预测模型。

参阅图5所示，本说明书实施例还提供了一种模型的训练方法，以训练得到符合要求的预设的用户画像预测模型。其中，该方法具体可以应用于部署于第一数据方一侧的第一服务器。具体实施时，可以包括以下内容。

S501：响应关于预设的用户画像预测模型的第二训练请求，根据基于纵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，得到携带有预设的画像标签的第三训练数据；其中，所述第三训练数据包括正样本用户的非业务类特征数据；所述预设的画像标签根据正样本用户的业务类特征数据确定；所述第一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；

S502：利用所述携带有预设的画像标签的第三训练数据，训练得到预设的用户画像预测模型。

在本实施例中，通过在训练预设的用户画像预测模型时，使持有第一数据方中的第一样本数据的第一服务器和持有第二数据方中的第二样本数据的第二服务器，根据基于纵向联邦学习的协议规则，通过合作进行数据融合，利用第一样本数据中的非业务类特征数据作为训练模型时正样本用户的特征数据，利用第二样本数据中的业务类特征数据确定相应的预设的画像标签，得到携带有预设的画像标签的第三训练数据；再利用上述携带有预设的画像标签的第三训练数据，训练得到能够精细地预测、刻画用户对象对业务数据的个性化需求倾向和个人偏好，效果较好的预设的用户画像预测模型。

参阅图6所示，本说明书实施例还提供了另一种业务数据的推送方法。该方法具体实施时，可以包括以下内容。

S601：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；

S602：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；

S603：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；

S604：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相应的目标业务数据。

在本实施例中，通过区分用户对象的客群类型，并利用上述预设的目标用户预测模型中相匹配的预测子模型准确地确定出该用户对象是否为潜在的目标用户，进而可以对该用户对象进行相应的业务数据推送，从而可以提高业务数据的推送成功率。

本说明书实施例还提供一种服务器，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器具体实施时可以根据指令执行以下步骤：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；在确定所述用户对象为目标用户的情况下，调用预设的用户画像预测模型处理所述用户对象的特征数据，以得到所述用户对象的画像标签；其中，所述预设的用户画像预测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纵向联邦学习建立得到的；根据所述用户对象的画像标签，生成与所述用户对象匹配的目标推送规则；根据所述目标推送规则，向所述用户对象推送相应的目标业务数据。

为了能够更加准确地完成上述指令，参阅图7所示，本说明书实施例还提供了另一种具体的服务器，其中，所述服务器包括网络通信端口701、处理器702以及存储器703，上述结构通过内部线缆相连，以便各个结构可以进行具体的数据交互。

其中，所述网络通信端口701，具体可以用于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。

所述处理器702，具体可以用于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；在确定所述用户对象为目标用户的情况下，调用预设的用户画像预测模型处理所述用户对象的特征数据，以得到所述用户对象的画像标签；其中，所述预设的用户画像预测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纵向联邦学习建立得到的；根据所述用户对象的画像标签，生成与所述用户对象匹配的目标推送规则；根据所述目标推送规则，向所述用户对象推送相应的目标业务数据。

所述存储器703，具体可以用于存储相应的指令程序。

在本实施例中，所述网络通信端口701可以是与不同的通信协议进行绑定，从而可以发送或接收不同数据的虚拟端口。例如，所述网络通信端口可以是负责进行web数据通信的端口，也可以是负责进行FTP数据通信的端口，还可以是负责进行邮件数据通信的端口。此外，所述网络通信端口还可以是实体的通信接口或者通信芯片。例如，其可以为无线移动网络通信芯片，如GSM、CDMA等；其还可以为Wifi芯片；其还可以为蓝牙芯片。

在本实施例中，所述处理器702可以按任何适当的方式实现。例如，处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等。本说明书并不作限定。

在本实施例中，所述存储器703可以包括多个层次，在数字系统中，只要能保存二进制数据的都可以是存储器；在集成电路中，一个没有实物形式的具有存储功能的电路也叫存储器，如RAM、FIFO等；在系统中，具有实物形式的存储设备也叫存储器，如内存条、TF卡等。

本说明书实施例还提供一种服务器，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器具体实施时可以根据指令执行以下步骤：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，以确定出管户客群样本用户中的第一正样本用户、第一负样本用户、第一伪负样本用户，以及非管户客群样本用户中的第二正样本用户、第二混合负样本用户；其中，所述第一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管户客群样本用户和非管户客群样本用户；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、第二混合负样本用户的非业务类特征数据，作为第二分组样本数据；利用所述第一分组样本数据，训练得到第一预测子模型；利用所述第二分组样本数据，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。

本说明书实施例还提供一种服务器，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器具体实施时可以根据指令执行以下步骤：响应关于预设的用户画像预测模型的第二训练请求，根据基于纵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，得到携带有预设的画像标签的第三训练数据；其中，所述第三训练数据包括正样本用户的非业务类特征数据；所述预设的画像标签根据正样本用户的业务类特征数据确定；所述第一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；利用所述携带有预设的画像标签的第三训练数据，训练得到预设的用户画像预测模型。

本说明书实施例还提供一种服务器，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器具体实施时可以根据指令执行以下步骤：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；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相应的目标业务数据。

本说明书实施例还提供了一种基于上述业务数据的推送方法的计算机存储介质，所述计算机存储介质存储有计算机程序指令，在所述计算机程序指令被执行时实现：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；在确定所述用户对象为目标用户的情况下，调用预设的用户画像预测模型处理所述用户对象的特征数据，以得到所述用户对象的画像标签；其中，所述预设的用户画像预测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纵向联邦学习建立得到的；根据所述用户对象的画像标签，生成与所述用户对象匹配的目标推送规则；根据所述目标推送规则，向所述用户对象推送相应的目标业务数据。

本说明书实施例还提供了一种基于上述模型的训练方法的计算机存储介质，所述计算机存储介质存储有计算机程序指令，在所述计算机程序指令被执行时实现：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，以确定出管户客群样本用户中的第一正样本用户、第一负样本用户、第一伪负样本用户，以及非管户客群样本用户中的第二正样本用户、第二混合负样本用户；其中，所述第一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管户客群样本用户和非管户客群样本用户；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、第二混合负样本用户的非业务类特征数据，作为第二分组样本数据；利用所述第一分组样本数据，训练得到第一预测子模型；利用所述第二分组样本数据，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。

在本实施例中，上述存储介质包括但不限于随机存取存储器(Random AccessMemory,RAM)、只读存储器(Read-Only Memory,ROM)、缓存(Cache)、硬盘(Hard DiskDrive,HDD)或者存储卡(Memory Card)。所述存储器可以用于存储计算机程序指令。网络通信单元可以是依照通信协议规定的标准设置的，用于进行网络连接通信的接口。

在本实施例中，该计算机存储介质存储的程序指令具体实现的功能和效果，可以与其它实施方式对照解释，在此不再赘述。

参阅图8所示，在软件层面上，本说明书实施例还提供了一种业务数据的推送装置，该装置具体可以包括以下的结构模块。

获取模块801，具体可以用于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；

确定模块802，具体可以用于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；

第一调用模块803，具体可以用于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；

第二调用模块804，具体可以用于在确定所述用户对象为目标用户的情况下，调用预设的用户画像预测模型处理所述用户对象的特征数据，以得到所述用户对象的画像标签；其中，所述预设的用户画像预测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纵向联邦学习建立得到的；

生成模块805，具体可以用于根据所述用户对象的画像标签，生成与所述用户对象匹配的目标推送规则；

推送模块806，具体可以用于根据所述目标推送规则，向所述用户对象推送相应的目标业务数据。

需要说明的是，上述实施例阐明的单元、装置或模块等，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

由上可见，本说明书实施例提供的业务数据的推送装置，能针对性地生成与用户对象相匹配的目标推送规则，并根据该目标推送规则，向该用户对象精准地推送合适的目标业务数据，得到较好的推送效果，提高推送成功率，实现对用户对象的业务数据的精准推送。

参阅图9所示，在软件层面上，本说明书实施例还提供了一种模型训练装置，该装置具体可以包括以下的结构模块。

融合模块901，具体可以用于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，以确定出管户客群样本用户中的第一正样本用户、第一负样本用户、第一伪负样本用户，以及非管户客群样本用户中的第二正样本用户、第二混合负样本用户；其中，所述第一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管户客群样本用户和非管户客群样本用户；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；

获取模块902，具体可以用于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、第二混合负样本用户的非业务类特征数据，作为第二分组样本数据；

训练模块903，具体可以用于利用所述第一分组样本数据，训练得到第一预测子模型；利用所述第二分组样本数据，训练得到第二预测子模型；

组合模块904，具体可以用于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。

由上可见，基于本说明书实施例提供的模型训练装置，可以综合利用第一数据方中的第一样本数据和第二数据方中第二样本数据，降低了模型训练过程中伪负样本引入的分布偏移对模型精度的影响，训练得到精度较高、效果较好的预设的目标用户预测模型。

在一个具体的场景示例中，可以应用本说明书提供的上述方法协助银行下属的保险子公司进行保险业务的精准营销。具体实施过程，可以参阅以下内容。

在本场景示例中，保险精准营销工作是一类银行重要的业务复杂的机器学习应用场景，用以辅助保险代理人和银行的客户经理精准挖掘出保险潜在购买客户(例如，目标用户)，提高保险产品营销效率。

目前“银行+保险”(以下简称银保)模式下的保险产品存在如下的问题：1、数据隔离。大型银行常设立有保险子公司，但其保险营销数据出于监管政策的限制，保险子公司和银行的数据不能直接流通，导致用于保险营销建模样本数据分离，只能基于各方数据单独建模。2、现有模型缺乏业务可解释性。保险产品因为业务复杂，营销难度较大。需要保险代理人详细解释保险条款，线上购买比例较小，缺乏业务可解释性的推荐模型对保险代理人的帮助有限。3、负样本定义不精确，纯负样本少。营销建模场景下，通常纯负样本(营销失败的样本，例如，纯负样本用户)数量有限，负样本在大多数情况下被定义为未购险客户样本，但此类样本包含因为没有营销过所以没有购险的伪负样本(例如，伪负样本用户)，样本发生偏移，导致基于此类负样本建模的效果不佳。

在本场示例中，考虑可以同时引入横向联邦学习和纵向联邦学习两种联邦学习，来进行营销建模。

其中，联邦学习是指在进行机器学习的过程中，各参与方可借助其他方数据进行联合建模。各方无须共享原始数据，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。联邦学习通常分三类，在本场景示例中，主要使用了横向联邦和纵向联邦两类联邦学习技术，同时提出了一种双层联邦学习的建模方案。

联邦学习的原理是通过加密交互方式模型中间结果，而非原始数据的方式达到保护隐私，实现安全的多方数据联合模型训练。其中，加密交互：是指联邦学习过程中所有信息交换均采用加密模式，参与方仅可见自有数据。数据脱敏：是指联邦学习过程中交换原始数据通过不可逆的特征提取和转换，使得无需交换原始信息情况下，可以取得无损的模型训练效果(即联邦学习效果与双方数据全可见情况下的模型训练效果一致)。

其中，横向联邦学习具体是指在数据集的样本特征重叠较多，而样本ID重叠较少的情况下，我们采用横向联邦把数据按特征维度对齐，取出双方样本特征相同而用户不完全相同的那部分数据进行训练。

纵向联邦学习具体是指在数据集的样本ID重叠较多，而样本特征重叠较少的情况下，我们采用纵向联邦把数据以样本ID对齐，取出双方数据ID相同而数据特征不完全相同的那部分数据进行训练。

在本场景示例中，采用基于Lookalike方法的双层联邦学习技术解决银行+保险模式下保险精准营销建模存在的问题。使得因监管政策限制导致存在数据隔离的银行(例如，第一数据方)和银行的保险子公司(例如，第二数据方)能够实现数据的安全融合建模和模型可解释性。提高了保险营销模型的客户挖掘准确率。

具体实施时，首先可以通过横向联邦学习技术，将银行和保险子公司数据(例如，第一数据方的第一样本数据和第二数据方的第二样本数据)进行安全融合，训练保险客户挖掘模型，得到保险潜客名单，此为第一层联邦模型(例如，预设的目标用户预测模型)。再基于此模型输出的保险客户营销名单，训练多个保险画像模型，生成保险画像标签，根据此标签倾向指定营销策略，此为第二次联邦模型(例如，预设的用户画像预测模型)。

具体训练建模时，可以参阅图10所示。基于双层联邦学习建立的银保精准营销系统流程包括：1，银行和保险子公司分别进行数据准备工作；2，基于Lookalike方法和横向联邦学习技术对银行和保险子公司的样本数据实施安全融合并训练第一层联邦模型“保险客户挖掘模型”；3，生成保险购买意向营销清单,；4，基于纵向联邦训技术训练第二层联邦模型，包含多个“保险画像模型”；5，生成保险代理人的营销策略,(例如，目标推送规则)，再根据营销策略进行保险营销(例如，根据目标推送规则推送目标业务数据)。

具体的，步骤1：银行和保险子公司分别进行数据准备工作。

步骤2：基于采用Lookalike方法的横向联邦学习技术对总行和保险子公司的样本数据实施安全融合并训练保险客户挖掘模型。此模型又分为：银行管户客群模型A1(例如，第一预测子模型)，和银行非管户模型A2(例如，第二预测子模型)。

实际应用时，管户客群对应的保险代理人针对管户客群可以使用A1模型作预测。在对非管户客群进行营销时，可以使用A2模型进行预测，再通过微信群发、智能语音机器人电话营销等营销成本较低的方式进行保险营销。

其中，上述银行的管户客群有客户经理专人服务，资产星级和信用评分都较高，营销记录完整(例如，历史推送记录)、银行特征(例如，非业务类特征数据)全面，但是占银行整体客群数量较小。非管户客群因为无客户经理专门服务，无营销记录，样本中伪负样本比例很大，银行特征缺失较多。因此，可以区分管户和非管户客群分开建模。具体的，可以分别针对管户客群和非管户客群建立模型A1和A2。

在构建A1模型时，进行样本选取时，正样本可以为银保+自销渠道购买保险的管户客群清单。负样本为未购险客户名单(包含纯负样本和伪负样本)的随机抽样。此场景基于横向联邦学习框架建模，即客户信息同时出现在两方机构，特征相同。因为此场景下子公司客户均为银行客户，所以样本选取为两方机构共有客户，选取样本为银行侧的特征。

在进行特征定义时，使用银行侧的特征。银行特征通常维度高，资产和消费类特征较为全面，但是缺少保单特征(例如，业务类特征数据)，例如，保额、保费、保期、投保人、被保人、赠险标识等重要保险画像等。银行特征可以包括：资产、负债、存款余额、保险余额、学历、教育背景、职业信息、银行交易信息、月均消费金额、大客户标识、客户星级、营销接触次数、响应次数、保险购险标志、线上购物频繁度、代发工资标识等。而保险公司特征相较银行特征较少，尤其资产类、交易类、工资特征缺失。保险特征包括：保额、保费、保险期限、投保历史、投保人、被保人、赠险标识等。

在进行标签定义时，可以将正样本定义为购险客户；负样本定义为没有购险客户。又因银行总体客户基数非常庞大，没有营销所以没有购买保险的伪负样本非常庞大，在联邦学习框架下训练全部数亿级别样本不太可能，所以此处负样本全部选取，伪负样本随机抽样。

再训练A1模型输出预估值，以得到高购保倾向客户清单。

在构建A2模型时，除样本选取对应客群为非管户客群外，其他过程与A1模型类似，在此不做赘述。

步骤3：生成保险代理人营销清单。基于以上步骤二的模型，生成保险潜客名单(例如，目标用户名单)供保险代理人使用。

步骤4：根据步骤三生成的客户清单，基于纵向联邦学习技术训练多个保险画像模型。保险画像标签可以包含缴费期限倾向、保额倾向、保费倾向等标签。三个标签可以为根据保险子公司的持有的特征确定的，银行侧因为监管政策限制没有此类特征。此为第二层保险画像模型B。

其中，纵向联邦的定义为双方机构用户一致，特征分离，建模使用双方共同特征。具体样本选取和特征选取，如下详释。B模型根据第一层保险客户挖掘模型A1、A2预估得出的待营销客户清单。

在本场景示例中，具体训练了三个保险画像模型(例如，画像标签预测子模型)，有别于第一层模型，B模型属于回归模型。其中，标签定义分别包括：缴费期限倾向B1、保额倾向B2、保费倾向B3。训练得到的模型的预估值为具体的缴费年限、保额的数值等。

以保额倾向模型B2为例，具体建模方案包含如下关键内容：进行样本选取时，由于保险子公司全部正样本。此类客户可以同时具备两机构特征，标签定义在子公司侧。在进行特征定义时，使用银行侧特征。因为模型待预估样本含有非子公司的总行未购险用户，此类客户不具备子公司特征。因此B模型只选取银行特征。在进行标签定义时，样本对应的保额，只在保险子公司侧定义，银行侧无此标签。

具体使用时，可以使用第一层模型输出的待营销客户清单作为预估对象。在使用第二层模型针对上述预估对象处理，得到预估值，作为对第一次联邦模型输出的客户的保额建议。

步骤5：生成保险代理人的营销策略。根据如上模型B1、B2、B3生成每个客户的保险投保倾向，可以根据客户的缴费年限、保额数值等保险投保倾向制定精细化的营销策略，提高保险代理人对客户营销的专业度。比如保险代理人在营销某客户的时候，可以更精准地建议客户购买具体的保额数值、保费数值，有效提高保险产品的可解释性。如果只有第一层模型，客户接到保险代理人电话，只有一句建议是购买保险，但是客户马上会咨询“保额哪些种类”、“保费有哪些种类”，在这样的情况下，第二层模型可以立即辅助保险代理人回答客户的问题，甚至主动给予建议。

需要说明的是，在上述流程过程中，参阅图11所示，数据准备工作完成后，银行和其保险子公司各自持有的数据分布相对比较复杂、混乱。其中，银行客户分为管户客群和非管户客群，管户客群有对应的银行客户经理，资产星级较高，有营销记录，可以提供纯负样本(营销失败样本)，基于此模型建模效果较好。非管户客群资产评级较低，无营销记录只有购买记录，对应客群的负样本中伪负样本(没有营销过所以没有购买)比例很高。基于此模型建模效果较差。

具体的，样本分布有如下特点：保险购买渠道分为自销(例如，自有渠道)和银保(例如，共有渠道)。保险子公司有全量保险购买正样本(例如，全量正样本用户)，包含自销正样本和银保正样本。保险子公司的客户一般为银行的客户，但受监管政策约束银行没有保险子公司的自销渠道正样本。此部分客户在银行侧标签为负，在子公司侧为正出现标签冲突。

具体的，参阅图11所示，客群①表示总行中购买子公司保险的客户，客群①对应保险子公司的客群②。客群①和客群②在双方均为正样本。客群③表示保险子公司自销渠道子公司保险购买客户，在保险子公司侧为正样本。客群③在总行对应客群④，总行不知道客群④的购买情况，因此，客群④在总行侧认作负样本。因此，在数据准备阶段双方需要进行数据安全融合，之后才能开始训练建模。

通过上述场景示例，应用本说明书提供的方法，实现了基于双层联邦学习技术的银行+保险模式下保险精准营销建模。使由于数据监管权限限制无法实现的银行和保险子公司可以打破数据隔离，进行联合建模。扩充了保建模时险样本量和特征维度，有效提高保险营销的精准度，节省了保险代理人的营销成本，提高了营销成功率，优化了营销策略。

虽然本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构、类等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

通过以上的实施例的描述可知，本领域的技术人员可以清楚地了解到本说明书可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本说明书的技术方案本质上可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，移动终端，服务器，或者网络设备等)执行本说明书各个实施例或者实施例的某些部分所述的方法。

本说明书中的各个实施例采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。本说明书可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。

虽然通过实施例描绘了本说明书，本领域普通技术人员知道，本说明书有许多变形和变化而不脱离本说明书的精神，希望所附的权利要求包括这些变形和变化而不脱离本说明书的精神。

Claims

1.一种业务数据的推送方法，其特征在于，包括：

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：管户客群和非管户客群。

3.根据权利要求2所述的方法，其特征在于，所述预设的目标用户预测模型包括第一预测子模型和第二预测子模型；其中，所述第一预测子模型与管户客群匹配，所述第二预测子模型与非管户客群匹配。

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：

5.根据权利要求4所述的方法，其特征在于，利用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；

6.根据权利要求4所述的方法，其特征在于，利用所述第二分组样本数据，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混合负样本用户的业务类特征数据中随机抽取多个数据，并标注为第二负样本训练数据；

7.根据权利要求1所述的方法，其特征在于，所述预设的用户画像预测模型按照以下方式建立：

8.根据权利要求7所述的方法，其特征在于，所述预设的用户画像预测模型包括多个画像预测子模型，其中，不同的画像预测子模型用于预测不同的画像标签。

9.根据权利要求8所述的方法，其特征在于，所述目标业务数据包括适合用户对象的保险业务产品和/或保险业务服务；相应的，所述目标推送规则包括保险业务营销方案。

10.根据权利要求9所述的方法，其特征在于，所述非业务类特征数据包括以下至少之一：月收入、月消费金额、存款余额；所述业务类特征数据包括以下至少之一：赠险标识、保费、保额。

11.根据权利要求10所述的方法，其特征在于，所述画像标签包括以下至少之一：缴费期限倾向标签、保费倾向标签、保额倾向标签。

12.一种模型的训练方法，其特征在于，应用于部署于第一数据方一侧的第一服务器，包括：

13.一种模型的训练方法，其特征在于，应用于部署于第一数据方一侧的第一服务器，包括：

14.一种业务数据的推送装置，其特征在于，包括：

15.一种服务器，其特征在于，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现权利要求1至11，12，13中任一项所述方法的步骤。