(19)中华 人民共和国 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 202111646847.3 (22)申请日 2021.12.2 9 (71)申请人 北京百度网讯科技有限公司 地址 100085 北京市海淀区上地十街10号 百度大厦2层 (72)发明人 刘吉　余孙婕　张维嘉　刘浩　 祝恒书　窦德景　熊辉　 (74)专利代理 机构 中科专利商标代理有限责任 公司 11021 代理人 鄢功军 (51)Int.Cl. G06Q 30/02(2012.01) G06Q 50/16(2012.01) G06F 21/62(2013.01) G06K 9/62(2022.01) (54)发明名称 训练模型的方法、 确定 资产估值的方法和装 置 (57)摘要 本公开提供了一种训练模型的方法、 确定资 产估值的方法、 装置、 设备、 存储介质以及程序产 品， 涉及人工智 能技术领域， 尤其涉及深度学习 和自然语言理解等技术领域。 具体实现方案为： 根据第一特征数据集， 确定事件级表征； 根据事 件级表征， 针对第一模型进行多任务学习， 得到 第一价格分布数据， 并将第一价格 分布数据发送 至中央服务器； 根据第二特征数据集， 确定第一 地域内表征； 为第一地域内表征增加噪声信号， 得到加噪地域内表征， 并将加噪地域内表征发送 至客户端； 以及响应于接收到来自中央服务器的 加噪参数梯度， 根据加噪参数梯度， 调整第一模 型的参数。 权利要求书4页 说明书15页 附图10页 CN 114331540 A 2022.04.12 CN 114331540 A 1.一种训练模型的方法， 包括： 根据第一特 征数据集， 确定事 件级表征； 根据所述事件级表征， 针对第 一模型进行多任务学习， 得到第一价格分布数据， 并将所 述第一价格分布数据发送至中央服 务器； 根据第二特 征数据集， 确定第一 地域内表征； 为所述第一地域内表征增加噪声信号， 得到加噪地域内表征， 并将所述加噪地域内表 征发送至客户端； 以及 响应于接收到来自所述中央服务器的加噪参数梯度， 根据所述加噪参数梯度， 调整所 述第一模型的参数。 2.根据权利要求1所述的方法， 还 包括： 获取敏感度和差分隐私参数； 根据所述敏感度和所述差分隐私参数， 计算第一 参数； 从均匀分布的样本空间中抽样， 得到第二 参数； 以及 根据所述第一 参数和所述第二 参数， 计算所述噪声信号的噪声值。 3.根据权利要求2所述的方法， 所述根据所述敏感度和所述差分隐私参数， 计算第 一参 数， 包括： 根据以下公式计算所述第一 参数： 其中， 所述b为所述第一 参数， 所述Δf为所述敏感度， 所述 ε为所述差分隐私参数。 4.根据权利要求2所述的方法， 所述根据所述第 一参数和所述第 二参数， 计算所述噪声 信号的噪声值， 包括： 根据以下公式计算所述噪声值： f‑1＝‑b·sign( α )·ln(1‑2·|α |) 其中， 所述f‑1为所述噪声值， 所述b为所述第一 参数， 所述α 为所述第二 参数。 5.根据权利要求1所述的方法， 其中， 所述根据第一特征数据集， 确定事件级表征， 包 括： 根据所述第一特 征数据集， 确定交易事 件图； 以及 利用所述交易事 件图进行表征 学习， 得到所述事 件级表征。 6.根据权利要求5所述的方法， 其中， 所述第一特征数据集包括： 多个交易事件的资产 概况特征和时间特 征。 7.根据权利要求6所述的方法， 其中， 所述根据 所述第一特征数据集， 确定交易事件图， 包括： 根据所述多个交易事件的资产概况特征和时间特征， 确定所述多个交易事件中与 预测 目标相关的第一交易事 件； 以及 根据所述第一交易事 件的资产概况 特征和时间特 征， 确定所述交易事 件图。 8.根据权利要求1所述的方法， 其中， 所述根据第 二特征数据集， 确定第 一地域内表征， 包括： 根据所述第二特 征数据集， 确定第一 地域图； 以及权　利　要　求　书 1/4 页 2 CN 114331540 A 2利用所述第一 地域图进行表征 学习， 得到所述第一 地域内表征。 9.根据权利要求8所述的方法， 其中， 所述第二特征数据集包括： 多个交易事件的资产 概况特征、 时间特 征和地域特征。 10.根据权利要求9所述的方法， 其中， 所述根据所述第二特征数据集， 确定第一地域 图， 包括： 根据所述多个交易事 件的地域特征， 将所述多个交易事 件分为多个交易事 件集合； 针对多个交易事 件集合中的每 个交易事 件集合， 确定所述交易事 件集合中与预测目标相关的第二交易事 件； 以及 根据所述第二交易事 件的资产概况 特征、 时间特 征和地域特征， 确定所述第一 地域图。 11.根据权利要求1所述的方法， 其中， 所述根据所述事件级表征， 针对第 一模型进行多 任务学习， 得到第一 价格分布数据， 包括： 根据所述事 件级表征 所对应的区域， 将所述事 件级表征分成多个表征集 合； 以及 分别根据所述多个表征集合中的每个表征集合， 执行针对第一模型的学习任务， 得到 所述第一价格分布数据， 其中， 所述多个表征集合所对应的学习任务之间共享至少 部分模 型参数。 12.一种训练模型的方法， 包括： 接收来自客户端的加噪地 域内表征； 根据第三特 征数据集合和所述加噪地 域内表征， 确定地 域级表征； 根据所述加噪地域内表征和所述地域级表征， 针对第二模型进行多任务学习， 得到第 二价格分布数据； 将所述第二 价格分布数据发送至中央服 务器； 以及 响应于接收到来自所述中央服务器的加噪参数梯度， 根据所述加噪参数梯度， 调整所 述第二模型的参数。 13.根据权利要求12所述的方法， 其中， 所述根据第 三特征数据集合和所述加噪地域内 表征， 确定地 域级表征， 包括： 根据所述第三特 征数据集和所述加噪地 域内表征， 确定第二 地域图； 以及 利用所述第二 地域图进行表征 学习， 得到所述第二 地域内表征； 以及 根据所述第二社内级表征和所述加噪地 域内表征， 确定所述 地域级表征。 14.根据权利要求13所述的方法， 其中， 所述根据 所述第三特征数据集和所述加噪地域 内表征， 确定第二 地域图， 包括： 根据所述第 三特征数据集和所述加噪地域内表征所对应的地域， 将所述第 三特征数据 集和所述加噪地 域内表征分为多个地 域特征集合； 针对多个地 域特征集合中的每 个地域特征集合， 确定所述 地域特征集合中与预测目标相关的目标 特征； 以及 根据所述目标 特征， 确定所述第二 地域图。 15.根据权利要求12所述的方法， 其中， 所述根据 所述加噪地域内表征和所述地域级表 征， 针对第二模型进行多任务学习， 得到第二 价格分布数据， 包括： 根据所述加噪地域内表征和所述地域级表征所对应的地域， 将所述加噪地域内表征和 所述地域级表征分成多个表征集 合； 以及权　利　要　求　书 2/4 页 3 CN 114331540 A 3