(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 202111642212.6 (22)申请日 2021.12.2 9 (71)申请人 北京五八信息技 术有限公司 地址 100083 北京市海淀区学清路甲18号 中关村东升科技园学院园三层3 01室 (72)发明人 彭飞　 (74)专利代理 机构 北京润泽恒知识产权代理有 限公司 1 1319 专利代理师 杨柳苑 (51)Int.Cl. G06N 20/00(2019.01) G06K 9/62(2022.01) G06F 9/445(2018.01) (54)发明名称 训练方法、 系统、 电子设备及可读介质 (57)摘要 本发明实施例提供了一种训练方法、 系统、 电子设备及可读介质， 所述方法包括： 采用若干 模型训练参数对待训练的模型进行训练； 所述模 型训练参数为分别基于从用户数据中获取的用 户相同、 维度不同的目标用户数据生成， 所述用 户数据为所述用户与应用程序的相关数据； 当训 练后的所述模 型满足收敛条件时， 将所述模型作 为训练完成的用于预测用户卸载所述应用程序 的卸载风险程度的卸载预测模型。 本发明实施例 可以通过多个维度的用户数据进行模 型训练， 因 此得到能够准确预测用户卸载应用程序的卸载 风险程度的卸载预测模型。 权利要求书2页 说明书13页 附图3页 CN 114462618 A 2022.05.10 CN 114462618 A 1.一种训练方法， 其特 征在于， 包括： 采用若干模型训练参数对待训练的模型进行训练； 所述模型训练参数为分别基于从用 户数据中获取 的用户相同、 维度不同的目标用户数据生成， 所述用户数据为所述用户与应 用程序的相关数据； 当训练后的所述模型满足收敛条件时， 将所述模型作为训练完成的用于预测用户卸载 所述应用程序的卸载风险程度的卸载 预测模型。 2.根据权利要求1所述的方法， 其特征在于， 所述待训练 的模型的模型包括联邦学习聚 合模型和联邦学习分模型， 涉及联邦学习协作端， 所述联邦学习协作端中包括联邦学习聚 合模型， 所述联邦学习协作端与至少一个联邦学习 数据端互相通信， 所述联邦学习 数据端 中包括联邦学习分模型， 且本地存储有用户对应的用户数据， 所述用户数据为所述用户与 应用程序的相关数据； 所述采用若干模型训练参数对待训练的模型进行训练， 包括： 接收所述联邦学习数据端发送的梯度数据和损失数据； 所述梯度数据和所述损失数 据， 为所述联邦学习数据端根据本地存储的目标用户数据以及其他联邦学习数据端发送的 梯度数据和损失数据， 迭代对所述联邦学习分模型训练后生成； 其中， 所述目标用户数据与 其他联邦学习协作端用于对其 他联邦学习模型训练的目标用户数据对应的用户相同； 采用所述梯度数据和所述损失数据对所述联邦学习聚合模型进行训练； 所述当训练后的所述模型满足收敛条件时， 将所述模型作为训练完成的用于预测用户 卸载所述应用程序的卸载风险程度的卸载 预测模型， 包括： 当训练后的所述联邦学习聚合模型满足收敛条件时， 将所述联邦学习聚合模型和所述 联邦学习分模型， 作为训练完成的用于预测用户卸载所述应用程序的卸载风险程度的卸载 预测模型。 3.根据权利要求2所述的方法， 其特征在于， 所述用户数据至少包括： 应用程序使用数 据、 应用程序性能数据、 应用程序崩溃数据以及应用程序推送数据、 公共基础数据以及卸载 状态数据。 4.根据权利要求2所述的方法， 其特征在于， 所述接收所述联邦学习数据端发送的梯度 数据和损失数据， 包括： 创建加密 密钥和解密 密钥； 向所述联邦学习数据端发送所述加密 密钥； 接收所述联邦学习数据端发送采用所述加密 密钥加密后的梯度数据和损失数据； 采用所述解密密钥对所述加密后的所述梯度 数据和所述损失数据进行解密， 得到解密 后的所述梯度数据和所述损失数据。 5.根据权利要求2所述的方法， 其特征在于， 在所述采用所述梯度 数据和所述损失数据 对所述联邦学习聚合模型进行训练之后， 所述方法还 包括： 当训练后的所述联邦学习聚合模型的损失数据小于预设阈值 时， 确定为训练后的所述 联邦学习聚合模型满足收敛 条件。 6.根据权利要求2所述的方法， 其特征在于， 所述用户数据包括卸载状态数据， 所述联 邦学习数据端， 用于 向所述应用程序发送推送消息； 若未接 收到所述应用程序针对所述推 送消息的回调消息， 则将所述应用程序对应的用户的卸 载状态数据记录为已卸 载状态； 若 接收到所述应用程序针对所述推送消息的回调消息， 则将所述应用程序对应的用户的卸载权　利　要　求　书 1/2 页 2 CN 114462618 A 2状态数据记录为未卸载状态。 7.根据权利要求2所述的方法， 其特征在于， 所述用户数据包括卸载状态数据， 所述联 邦学习数据端， 用于若不能通过其他应用程序打开所述应用程序， 则将所述应用程序对应 的用户的卸 载状态数据记录为已卸载状态； 若能够通过其他应用程序打开所述应用程序， 则将所述应用程序对应的用户的卸载状态数据记录为未卸载状态。 8.一种卸载预测方法， 其特 征在于， 所述方法包括： 获取分卸载风险程度； 所述分卸载风险程度为基于待预测用户的用户数据输入至卸载 预测模型后所 得， 所述用户数据为待预测用户与应用程序的相关数据； 将所述分卸载风险程度输入至所述卸载预测模型， 得到所述待预测用户对所述应用程 序的聚合卸载风险程度； 根据所述聚合卸载风险程度生成针对所述待预测用户对应的卸载处 理策略。 9.根据权利要求8所述的方法， 其特征在于， 所述卸载预测模型包括训练完成的联邦学 习聚合模型和训练完成的联邦学习分模型， 所述分卸载风险程度为将待 预测用户的用户数 据输入至训练完成的联邦学习分模型后所得； 所述将所述分卸载风险程度输入至所述卸载 预测模型， 得到所述待预测用户对所述应用程序的聚合卸载风险程度， 包括： 将所述分卸载风险程度输入至训练完成的联邦学习聚合模型， 得到所述待预测用户对 所述应用程序的聚合卸载风险程度。 10.一种卸载预测模型训练系统， 其特征在于， 包括联邦学习协作端和至少一个联邦学 习数据端， 所述联邦学习协作端中包括联邦学习聚合模型， 所述联邦学习 数据端中包括联 邦学习分模型， 且本地存储有用户维度对应的用户数据， 所述用户数据为所述用户与应用 程序的相关数据， 其中： 所述联邦学习数据端， 用于从所述用户数据中获取目标用户数据； 所述目标用户数据 与其他联邦学习协作端用于对所述其他联邦学习模型训练的目标用户数据对应的用户相 同； 获取所述其他联邦学习数据端发送的梯度数据和损失数据； 采用所述目标用户数据， 以 及其他联邦学习数据端发送的梯度数据和损失数据迭代对所述联邦学习分模型进 行训练， 得到梯度数据和损失数据； 所述联邦学习协作端， 用于接收所述联邦学习数据端发送的梯度数据和损 失数据； 采 用所述梯度数据和所述损失数据对所述联邦学习聚合模型进 行训练； 当训练后的所述联邦 学习聚合模型满足收敛条件时， 将所述联邦学习聚合模型和所述联邦学习分模型， 作为训 练完成的用于预测用户卸载 所述应用程序的卸载风险程度的卸载 预测模型。 11.一种电子设备， 其特征在于， 包括处理器、 通信接口、 存储器和通信总 线， 其中， 所述 处理器、 所述 通信接口以及所述存 储器通过 所述通信总线完成相互间的通信； 所述存储器， 用于存放计算机程序； 所述处理器， 用于执行存储器上所存放的程序时， 实现如权利要求1 ‑9任一项所述的方 法。 12.一个或多个计算机可读介质， 其上存储有指令， 当由一个或多个处理器执行时， 使 得所述处理器执行如权利要求1 ‑9任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 114462618 A 3