一种基于用户画像的用户服务系统、方法及电子设备

技术领域

本申请涉及数据处理技术领域，尤其是涉及一种基于用户画像的用户服务系统、方法及电子设备。

背景技术

随着社会科技的发展和人民生活水平的进步，越来越多的人开始使用各种各样的客户端，因此，客户端的数据在流通过程中的数据安全和数据隐私泄露问题就面临着诸多的挑战。

而传统“复制式”的数据流通方式让商业隐私信息以及个人隐私信息等产生严重泄漏，无法满足用户的对应数据进行隐私保护和数据安全性的需求。

发明内容

有鉴于此，本申请的目的在于提供一种基于用户画像的用户服务系统、方法及电子设备，本申请通过不将对初始用户画像局部模型进行训练过程中的目标用户数据进行上传，而是将各个客户端中模型的网络参数进行上传，实现对客户端数据进行隐私保护的目的，进而提高了数据的安全性。

第一方面，本申请实施例提供了一种基于用户画像的用户服务系统，所述基于用户画像的用户服务系统包括多个客户端和中央服务器：

每个所述客户端，用于基于获取到的目标用户数据对构建好的初始用户画像局部模型进行训练，确定更新后所述初始用户画像局部模型的中间局部网络参数，并将所述中间局部网络参数发送至所述中央服务器；根据所述中央服务器发送的中间全局网络参数对更新后的所述初始用户画像局部模型再次进行训练，直至确定训练好的目标用户画像局部模型，并将所述目标用户画像局部模型对应的目标局部网络参数发送至所述中央服务器；

所述中央服务器，用于根据多个客户端发送的所述多个中间局部网络参数，对构建好的初始用户画像全局模型进行训练，确定更新后的所述初始用户画像全局模型的中间全局网络参数，并将所述中间全局网络参数发送至各个所述客户端；基于各个所述客户端发送的各个所述目标局部网络参数和更新后的所述初始用户画像全局模型，确定目标用户画像全局模型，以便各个所述客户端使用所述目标用户画像全局模型对各个目标用户进行用户类型的划分以及进行服务推荐。

进一步的，所述客户端通过以下方式确定目标用户数据：

获取初始用户数据；

针对所述初始用户数据进行隐私脱敏处理，生成目标用户数据。

进一步的，在所述基于获取到的目标用户数据对构建好的初始用户画像局部模型进行训练之前，所述客户端具体用于：

根据预设迭代次数和预设模型收敛条件，判断是否需要对构建好的初始用户画像局部模型进行训练；

若构建好的初始用户画像局部模型未满足所述预设迭代次数和/或所述预设模型收敛条件，则对构建好的初始用户画像局部模型中进行训练。

进一步的，所述客户端通过以下方式确定构建好的初始用户画像局部模型：

获取样本用户数据和所述样本用户数据中的样本用户标签；所述样本用户标签用于表征每个所述样本用户的真实样本用户画像类型；

将所述样本用户数据输入初始神经网络进行训练，确定每个所述样本用户对应的预设样本用户画像类型；

当每个样本用户对应的所述真实样本用户画像类型与所述样本用户对应的所述预设样本用户画像类型之间的损失值小于预设阈值，训练截止，确定构建好的初始用户画像局部模型。

进一步的，所述中央服务器，具体用于：

针对多个中间局部网络参数进行参数聚合处理，确定聚合后的网络参数；

根据聚合后的网络参数，对构建好的初始用户画像全局模型进行训练，确定更新后的所述初始用户画像全局模型的中间全局网络参数。

进一步的，在所述根据多个客户端发送的所述多个中间局部网络参数，对构建好的初始用户画像全局模型进行训练之前，所述中央服务器还用于：

接收各个客户端发送的连接请求；

根据各个所述连接请求，确定每个所述客户端是否满足预设连接权限；

若是，则建立与所述客户端的连接。

第二方面，本申请提供的实施例还提供了一种基于用户画像的用户服务方法，应用于第一方面所述的任一所述的基于用户画像的用户服务系统中的任一客户端，所述基于隐私计算的用户画像确定方法，包括：

获取目标用户数据；

基于获取到的所述目标用户数据对构建好的初始用户画像局部模型进行训练，确定更新后所述初始用户画像局部模型的中间局部网络参数；

根据中央服务器发送的中间全局网络参数对更新后的所述初始用户画像局部模型进行再次训练，直至确定训练好的目标用户画像局部模型以及所述目标用户画像局部模型对应的目标局部网络参数，以便所述中央服务器基于所述目标局部网络参数生成目标用户画像全局模型。

第三方面，本申请提供的实施例还提供了一基于用户画像的用户服务方法，应用于如权第一方面任一所述的基于用户画像的用户服务系统中的中央服务器，所述基于隐私计算的用户画像确定方法，包括：

获取多个客户端发送的多个中间局部网络参数；

根据所述多个所述中间局部网络参数，对构建好的初始用户画像全局模型进行训练，确定更新后的所述初始用户画像全局模型的中间全局网络参数；

基于各个所述客户端发送的各个所述目标局部网络参数更新后的所述初始用户画像全局模型，确定目标用户画像全局模型，以便各个客户端使用所述目标用户画像全局模型对各个目标用户进行用户类型的划分以及进行服务推荐。

本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的第三方面或第四方面的基于用户画像的用户服务方法的步骤。

本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述的第三方面或第四方面的基于用户画像的用户服务方法的步骤。

本申请实施例提供的基于用户画像的用户服务系统、方法及电子设备，与现有技术中相比，本申请提供的实施例通过将各个客户端在本地进行模型训练过程中生成的中间局部网络参数，输入中央服务器中的初始用户画像全局模型进行不断的迭代训练，并将更新后的初始用户画像全局模型的中间全局网络参数发送至各个客户端，通过各个客户端和中央服务器之间的不断交互，完成中央服务器汇总目标用户画像全局模型的安装确定，通过仅仅将各个客户端中模型的网络参数上传，而不直接上传内部数据的方式，实现了对客户端数据进行隐私保护的目的，进而提高了数据的安全性。

为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1示出了本申请实施例所提供的一种基于用户画像的用户服务系统的结构框图；

图2示出了本申请实施例所提供的一种基于用户画像的用户服务方法的流程图之一；

图3示出了本申请实施例所提供的一种基于用户画像的用户服务方法的流程图之二；

图4示出了本申请实施例所提供的一种电子设备的结构示意图。

图中：

10-基于用户画像的用户服务系统；100-客户端；200-中央服务器；400-电子设备；410-处理器；420-存储器；430-总线。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例，都属于本申请保护的范围。

首先，对本申请可适用的应用场景进行介绍。本申请可应用于数据处理技术领域。

经研究发现，传统“复制式”的数据流通方式让商业隐私信息以及个人隐私信息等产生严重泄漏，无法满足用户的对应数据进行隐私保护和数据安全性的需求。

且传统“复制式”的数据流通方式在数据提供方(即中央服务器)处展开计算，虽然可以让数据不出域，但会暴露业务方(即客户端)的计算规则与计算模型，进而暴露业务方的商业隐私，出于对不同客户端数据归属、安全以及隐私保护等的顾虑，传统的数据流通方式无法满足用户的需求。

且现有技术中，数据价值链不同环节之间流动受阻、分工协作脆弱，很难形成有效闭环。

其中，数据价值链是描述数据价值创造的理论创新,它将数据价值创造活动分为基本价值活动和增值性活动,通过这些价值活动,实现数据的价值创造以及在传递过程中的价值增值。数据价值链理论与传统价值链理论不同,强调通过对价值链各节点上数据的采集、传输、存储、分析以及应用,实现数据的价值创造以及在传递过程中的价值增值。

基于此，本申请实施例提供了一种基于用户画像的用户服务系统、方法及电子设备，通过直接将各个客户端中模型的网络参数进行上传，实现了对客户端数据进行隐私保护的目的，进而提高了数据的安全性。

请参阅图1，图1为本申请实施例所提供的一种基于用户画像的用户服务系统的结构框图。如图1中所示，本申请实施例提供的基于用户画像的用户服务系统10包括多个客户端100和中央服务器200。

上述中，用户画像的用户服务系统由多个客户端100和中央服务器200组成，且多个客户端100和中央服务器200之间的关联关系为使用但不限制于使用联邦学习的方式。

联邦学习(Federated Learning)是一种分布式机器学习技术，其核心思想是通过在多个拥有本地数据的数据源之间进行分布式模型训练，在不需要交换本地个体或样本数据的前提下，仅通过交换模型参数或中间结果的方式，构建基于虚拟融合数据下的全局模型，从而实现数据隐私保护和数据共享计算的平衡，即“数据可用不可见”、“数据不动模型动”的应用新范式。

每个所述客户端100，用于基于获取到的目标用户数据对构建好的初始用户画像局部模型进行训练，确定更新后所述初始用户画像局部模型的中间局部网络参数，并将所述中间局部网络参数发送至所述中央服务器200；根据所述中央服务器200发送的中间全局网络参数对更新后的所述初始用户画像局部模型再次进行训练，直至确定训练好的目标用户画像局部模型，并将所述目标用户画像局部模型对应的目标局部网络参数发送至所述中央服务器200。

这里，在目标用户画像全局模型的训练过程中，每个客户端100通过获取到的目标用户数据对构建好的初始用户画像局部模型进行训练，生产更新后所述初始用户画像局部模型以及更新后所述初始用户画像局部模型的中间局部网络参数，便于中央服务器200中的构建好的初始用户画像全局模型根据上述中间局部网络参数进行自身的用户画像全局模型的训练。

其中，客户端100在接收到中央服务器200发送的中间全局网络参数之后，继续对更新后所述初始用户画像局部模型进行训练，不断更新迭代用户画像局部模型，并不断输出中间局部网络参数给中央服务器200，直至确定训练好的目标用户画像局部模型，并将目标用户画像局部模型对应的目标局部网络参数发送至中央服务器200后，至此完成客户端100与中央服务器200之间的交互。

这样，客户端100通过仅仅发送局部网络参数给中央服务器200，而不发送自身本地训练的样本数据集，即不进行原始的本地数据的共享，因此，实现了数据提供方(客户端100)“信息零出库”，数据需求方(中央服务器200)“隐私零泄漏”，进而实现了对目标用户的隐私保护。

上述中，由于客户端100的数量为多个，因此，采集到的用户数据的维度更加的多元化，可以包括但不限制于包括政务、运营商以及互联网等维度的用户数据，进而，本申请提供的实施例可对非自身客户端100的用户进行用户画像的类型分析，且本申请提供的实施例可以通过区块链技术，替代联邦学习中的可信第三方，负责保存和更新用户画像全局模型，协调、配置各个客户端100对构建好的初始用户画像局部模型进行训练。

可选的，所述客户端100通过以下子步骤确定目标用户数据：

子步骤1、获取初始用户数据。

该步骤中，客户端100中的初始用户数据包括但不限制于包括用户在该客户端100中填写的类型的数据，如用户的身份数据、用户的采买数据以及用户的互联网使用数据等，这些数据都是用户的个人隐私数据。

子步骤2、针对所述初始用户数据进行隐私脱敏处理，生成目标用户数据。

该步骤中，本申请提供的实施例可以采用自适应差分隐私方法在初始用户数据中添加噪声，并根据先验知识，动态调整裁剪阈值，对上初始用户数据隐私脱敏处理，生成目标用户数据。

这里，脱敏处理其实就是将数据进行混淆隐藏。

其中，本申请提供的实施例以具体实施例一说明添加噪声的方式：

在第t轮训练初始用户画像局部模型中，用户U

这样，在将初始用户数据进行隐私脱敏处理后，生成目标用户数据。

可选的，在所述基于获取到的目标用户数据对构建好的初始用户画像局部模型进行训练之前，所述客户端100具体用于：

1)根据预设迭代次数和预设模型收敛条件，判断是否需要对构建好的初始用户画像局部模型进行训练。

这里，若初始用户画像局部模型已经到达了预设迭代次数，且初始用户画像局部模型在初始训练的时候已经到达了预设模型收敛条件，则不需要对构建好的初始用户画像局部模型进行训练。

2)若构建好的初始用户画像局部模型未满足所述预设迭代次数和/或所述预设模型收敛条件，则对构建好的初始用户画像局部模型中进行训练。

这里，若构建好的初始用户画像局部模型未满足所述预设迭代次数和/或所述预设模型收敛条件，则由客户端100主动发起与中央服务器200进行连接请求，并在中央服务器200同意后，接收中央服务器200发送的中间全局网络参数，开始对构建好的初始用户画像局部模型中进行训练。

可选的，所述客户端100通过以下子步骤确定构建好的初始用户画像局部模型：

子步骤1、获取样本用户数据和所述样本用户数据中的样本用户标签；所述样本用户标签用于表征每个所述样本用户的真实样本用户画像类型。

该步骤中，样本用户数据标签可以表示为P＝{

这里，非结构化数据是数据结构不规则或不完整，没有预定义的数据模型，不方便用数据库二维逻辑表来表现的数据。包括所有格式的办公文档、文本、图片,HTML、各类报表、图像以及音频/视频信息。

子步骤2、将所述样本用户数据输入初始神经网络进行训练，确定每个所述样本用户对应的预设样本用户画像类型。

该步骤中，预设样本用户画像类型可以表示为D

子步骤3、当每个样本用户对应的所述真实样本用户画像类型与所述样本用户对应的所述预设样本用户画像类型之间的损失值小于预设阈值，训练截止，确定构建好的初始用户画像局部模型。

该步骤中，本申请提供的实施例中可以使用但不限制于使用softmax回归算法来训练初始用户画像局部模型。

这里，softmax回归算法本身可以作为一个学习算法来优化分类结果，它只是神经网络中的一层额外的处理层，用于将神经网络的输出变成了一个概率分布输出。

所述中央服务器200，用于根据多个客户端100发送的所述多个中间局部网络参数，对构建好的初始用户画像全局模型进行训练，确定更新后的所述初始用户画像全局模型的中间全局网络参数，并将所述中间全局网络参数发送至各个所述客户端100；基于各个所述客户端100发送的各个所述目标局部网络参数和更新后的所述初始用户画像全局模型，确定目标用户画像全局模型，以便各个所述客户端100使用所述目标用户画像全局模型对各个目标用户进行用户类型的划分以及进行服务推荐。

这里，中央服务器200使用基于平均迭代的联邦学习深度神经网络方法(Federated Averaging)训练初始用户画像全局模型以及更新后的初始用户画像全局模型，确定目标用户画像局部模型，且在训练完成后，并目标用户画像局部模型分发给每个客户端100，客户端100使用本地数据和目标用户画像局部模型输出的每个类别的目标用户的兴趣标签的分布，作为群组的用户画像。

上述中，中央服务器200训练得到的中间全局网络参数可以在下次迭代时分发给需要训练的客户端100。

其中，中央服务器200中包括每个客户端100的目标用户数据，且中央服务器200中每个客户端100的目标用户数据的获取方式包括但不限制于为：中央服务器200根据自身的训练用户数据训练初始神经网络后，并将客户端100中的目标用户数据映射到自身的训练用户数据的特征空间向量中，且中央服务器200中的目标用户数据仅存储用户的身份属性。

这里，以一个具体实施例说明基于用户画像的用户服务系统10对各个目标用户进行用户类型的划分以及进行服务推荐的过程：

将营销触点的样本用户标签，将用户类型划为了解、感兴趣、购买客户和忠实客户四类，将工业互联网平台(Industrial intelligent cloud system，)INDICS)上的样本用户数据进行清洗、特征提取和打标签，并将处理后的样本用户以及对应的样本用户标签作为联邦学习的客户端100参与者，随机抽取一定量的样本用户标签进行联邦学习，并在客户端100上采用softmax回归算法训练样本用户的用户类型，将每轮训练的中间局部网络参数上传给中央服务器200进行参数聚合和更新，获得全局的用户画像全局模型，以便各个所述客户端100使用所述目标用户画像全局模型对各个目标用户进行用户类型的划分以及进行服务推荐，以便提高作业务效率。

可选的，所述中央服务器200，具体用于：

1)针对多个中间局部网络参数进行参数聚合处理，确定聚合后的网络参数。

这里，本申请提供的实施例中的参数聚合方式包括但不限制于包括求和后取平均值的方式。

2)根据聚合后的网络参数，对构建好的初始用户画像全局模型进行训练，确定更新后的所述初始用户画像全局模型的中间全局网络参数。

这里，确定更新后的所述初始用户画像全局模型的输入为参与联邦学习的中间局部网络参数w

确定更新后的所述初始用户画像全局模型的具体方式如下：

initialize w0；//初始化局部网络参数；

for t＝1,2,...,T do；//t次迭代中的每一次通信；

m←max(γ*N,1),γ∈[0,1]；//m目标用户数量，N是目标用户类别总数；

Ct←random set of m set；//随机选择本轮目标用户放入联邦学习集合中；

for C∈Ct do；//联邦学习的每个目标用户；

end for；；

end for；

可选的，在所述根据多个客户端100发送的所述多个中间局部网络参数，对构建好的初始用户画像全局模型进行训练之前，所述中央服务器200还用于：

1)接收各个客户端100发送的连接请求。

2)根据各个所述连接请求，确定每个所述客户端100是否满足预设连接权限。

这里，预设连接权限包括但不限制于为预设连接中央服务器200的客户端100连接次数阈值，若该客户端100为超过连接次数阈值的下一个客户端100，则该客户端100不能在本轮建立与中央服务器200的连接，可以在下一轮建立与中央服务器200的连接。

3)若是，则建立与所述客户端100的连接。

本申请实施例提供的基于用户画像的用户服务系统10，与现有技术相比，本申请提供的实施例通过将各个客户端100在本地进行模型训练过程中生成的中间局部网络参数，输入中央服务器200中的初始用户画像全局模型进行不断的迭代训练，并将更新后的初始用户画像全局模型的中间全局网络参数发送至各个客户端100，通过各个客户端100和中央服务器200之间的不断交互，完成中央服务器200汇总目标用户画像全局模型的安装确定，通过仅仅将各个客户端100中模型的网络参数上传，而不直接上传内部数据的方式，实现了对客户端100数据进行隐私保护的目的，进而提高了数据的安全性。

本申请提供的实施例通过对用户数据进行隐私脱敏处理来实现隐私计算，保证了用户数据的安全性，且目标用户画像全局模型能够实现为不同的目标用户进行精准的定制化的服务推荐和营销服务方案。

本申请提供的实施例中的隐私计算能够增强对于目标用户数据的保护，降低数据泄露风险。同传统的数据安全手段相比，本申请提供的实施例中的隐私计算在保证用户数据安全的前提下，尽可能使用户数据价值最大化。

请参阅图2，图2为本申请一实施例提供的一种基于用户画像的用户服务方法的流程图之一。如图2中所示，本申请实施例提供的基于用户画像的用户服务方法，包括以下步骤：

S201、获取目标用户数据。

可选的，通过以下方式确定目标用户数据：

获取初始用户数据。

针对所述初始用户数据进行隐私脱敏处理，生成目标用户数据。

S202、基于获取到的所述目标用户数据对构建好的初始用户画像局部模型进行训练，确定更新后所述初始用户画像局部模型的中间局部网络参数。

可选的，在所述基于获取到的目标用户数据对构建好的初始用户画像局部模型进行训练之前，所述基于用户画像的用户服务方法还包括：

根据预设迭代次数和预设模型收敛条件，判断是否需要对构建好的初始用户画像局部模型进行训练。

若构建好的初始用户画像局部模型未满足所述预设迭代次数和/或所述预设模型收敛条件，则对构建好的初始用户画像局部模型中进行训练。

可选的，通过以下方式确定构建好的初始用户画像局部模型：

获取样本用户数据和所述样本用户数据中的样本用户标签；所述样本用户标签用于表征每个所述样本用户的真实样本用户画像类型。

将所述样本用户数据输入初始神经网络进行训练，确定每个所述样本用户对应的预设样本用户画像类型。

当每个样本用户对应的所述真实样本用户画像类型与所述样本用户对应的所述预设样本用户画像类型之间的损失值小于预设阈值，训练截止，确定构建好的初始用户画像局部模型。

S203、根据中央服务器发送的中间全局网络参数对更新后的所述初始用户画像局部模型进行再次训练，直至确定训练好的目标用户画像局部模型以及所述目标用户画像局部模型对应的目标局部网络参数，以便所述中央服务器基于所述目标局部网络参数生成目标用户画像全局模型。

本申请实施例提供的基于用户画像的用户服务方法，与现有技术相比，本申请提供的实施例通过将各个客户端在本地进行模型训练过程中生成的中间局部网络参数，输入中央服务器中的初始用户画像全局模型进行不断的迭代训练，并将更新后的初始用户画像全局模型的中间全局网络参数发送至各个客户端，通过各个客户端和中央服务器之间的不断交互，完成中央服务器汇总目标用户画像全局模型的安装确定，通过仅仅将各个客户端中模型的网络参数上传，而不直接上传内部数据的方式，实现了对客户端数据进行隐私保护的目的，进而提高了数据的安全性。

本申请提供的实施例通过对用户数据进行隐私脱敏处理来实现隐私计算，保证了用户数据的安全性，且目标用户画像全局模型能够实现为不同的目标用户进行精准的定制化的服务推荐和营销服务方案。

本申请提供的实施例中的隐私计算能够增强对于目标用户数据的保护，降低数据泄露风险。同传统的数据安全手段相比，本申请提供的实施例中的隐私计算在保证用户数据安全的前提下，尽可能使用户数据价值最大化。

请参阅图3，图3为本申请实施例所提供的一实施例提供的一种基于用户画像的用户服务方法的流程图之二。如图3中所示，所述基于用户画像的用户服务方法包括以下步骤：

S301、获取多个客户端发送的多个中间局部网络参数。

S302、根据所述多个所述中间局部网络参数，对构建好的初始用户画像全局模型进行训练，确定更新后的所述初始用户画像全局模型的中间全局网络参数。

可选的，所述根据所述多个所述中间局部网络参数，对构建好的初始用户画像全局模型进行训练，确定更新后的所述初始用户画像全局模型的中间全局网络参数，包括：

针对多个中间局部网络参数进行参数聚合处理，确定聚合后的网络参数。

根据聚合后的网络参数，对构建好的初始用户画像全局模型进行训练，确定更新后的所述初始用户画像全局模型的中间全局网络参数。

可选的，在所述根据多个客户端发送的所述多个中间局部网络参数，对构建好的初始用户画像全局模型进行训练之前，所述基于用户画像的用户服务方法还包括：

接收各个客户端发送的连接请求。

根据各个所述连接请求，确定每个所述客户端是否满足预设连接权限。

若是，则建立与所述客户端的连接。

S303、基于各个所述客户端发送的各个所述目标局部网络参数更新后的所述初始用户画像全局模型，确定目标用户画像全局模型，以便各个客户端使用所述目标用户画像全局模型对各个目标用户进行用户类型的划分以及进行服务推荐。

本申请实施例提供的基于用户画像的用户服务方法，与现有技术相比，本申请提供的实施例通过将各个客户端在本地进行模型训练过程中生成的中间局部网络参数，输入中央服务器中的初始用户画像全局模型进行不断的迭代训练，并将更新后的初始用户画像全局模型的中间全局网络参数发送至各个客户端，通过各个客户端和中央服务器之间的不断交互，完成中央服务器汇总目标用户画像全局模型的安装确定，通过仅仅将各个客户端中模型的网络参数上传，而不直接上传内部数据的方式，实现了对客户端数据进行隐私保护的目的，进而提高了数据的安全性。

本申请提供的实施例通过对用户数据进行隐私脱敏处理来实现隐私计算，保证了用户数据的安全性，且目标用户画像全局模型能够实现为不同的目标用户进行精准的定制化的服务推荐和营销服务方案。

本申请提供的实施例中的隐私计算能够增强对于目标用户数据的保护，降低数据泄露风险。同传统的数据安全手段相比，本申请提供的实施例中的隐私计算在保证用户数据安全的前提下，尽可能使用户数据价值最大化。

请参阅图4，图4为本申请实施例所提供的一种电子设备的结构示意图。如图4中所示，所述电子设备400包括处理器410、存储器420和总线430。

所述存储器420存储有所述处理器410可执行的机器可读指令，当电子设备400运行时，所述处理器410与所述存储器420之间通过总线430通信，所述机器可读指令被所述处理器410执行时，可以执行如上述图2以及图3所示方法实施例中的基于用户画像的用户服务方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。

本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行如上述图2以及图3所示方法实施例中的基于用户画像的用户服务方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。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，又例如，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通信接口，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。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。