1.协同学习框架下基于知识迁移的隐私保护方法，其特征是，包括：

将本地隐私数据集分割成互不相交的若干份隐私子集，基于每一个隐私子集，训练对应的一个隐私模型；

协同学习：将公共数据提交给隐私模型，隐私模型使用聚合机制，利用知识迁移给公共数据集标注标签；

在获得足够的标注后的数据后，训练本地交互模型，在每一轮的训练中上传部分参数至服务器，服务器更新维护全局参数并提供最新的参数供各方下载，参与方下载最新参数优化本地交互模型。

2.如权利要求1所述的协同学习框架下基于知识迁移的隐私保护方法，其特征是，在获得足够的标注后的数据后，对数据进行清洗，剔除没有被聚合机制标注标签的数据，清洗完成后的数据集作为交互模型的训练数据。

3.如权利要求1所述的协同学习框架下基于知识迁移的隐私保护方法，其特征是，模型训练时，初始化本地交互模型参数，同时服务器初始化全局参数和计数器值；

从服务器下载参数，替换本地相关参数，运行SGD算法，优化本地交互模型，产生新一轮的参数；

计算两次权重更新的梯度差，并将其排序，选择更新值较大的参数上传至服务器；

服务器接收上传的参数，并更新全局参数和计算器值，根据计数器值将参数排序供参与方下载；

不断进行模型参数优化直至本地交互模型收敛到预定目标，结束训练。

4.如权利要求1所述的协同学习框架下基于知识迁移的隐私保护方法，其特征是，基于每一个隐私子集，训练对应的一个隐私模型，隐私子集的训练方式根据训练目标和数据集类型而定。

5.如权利要求1所述的协同学习框架下基于知识迁移的隐私保护方法，其特征是，隐私模型使用聚合机制，利用知识迁移给公共数据集标注标签，具体为：在聚合机制中会提前设定一个阈值和噪音参数；

在输入一个数据后，每个隐私模型会对该数据预测一个标签，聚合机制首先会统计所有预测结果投票数，若大部分隐私模型的预测都同意某一结果，则加入高斯噪声后输出该标签，若隐私模型对预测结果有分歧，无法达成一致，则丢弃该数据，将标签标记为空。

6.如权利要求5所述的协同学习框架下基于知识迁移的隐私保护方法，其特征是，在获取到带噪音标签的数据文件后，需要进行数据清洗，去除没有被聚合机制打上标签的数据，即标签显示为空的数据，形成一个新的数据集，作为本地交互模型的训练集。

7.如权利要求1所述的协同学习框架下基于知识迁移的隐私保护方法，其特征是，服务器接收上传的参数，并更新全局参数和计算器值，之后，设置一个衰减参数，获得衰减后的计算器值，服务器对衰减后计数器值进行排序，各参与方会优先下载具有较大计数器值的参数。

8.协同学习框架下基于知识迁移的隐私保护系统，其特征是，包括：本地端和服务端；

所述本地端将本地隐私数据集分割成互不相交的若干份隐私子集，基于每一个隐私子集，训练对应的一个隐私模型；

协同学习时，将公共数据提交给隐私模型，隐私模型使用聚合机制，利用知识迁移给公共数据集标注标签；

在获得足够的标注后的数据后，训练本地交互模型，在每一轮的训练中上传部分参数至服务器；

所述服务器更新维护全局参数并提供最新的参数供各方下载，参与方下载最新参数优化本地交互模型。

9.一种计算机设备，其特征是，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1-7任一所述的协同学习框架下基于知识迁移的隐私保护方法的步骤。

10.一种计算机可读存储介质，其特征是，其上存储有计算机程序，该程序被处理器执行时实现权利要求1-7任一所述的协同学习框架下基于知识迁移的隐私保护方法的步骤。