1.一种合约生成模型构建方法，其特征在于，所述合约生成模型构建方法应用于联邦学习中的参与者与组织者，所述合约生成模型构建方法包括以下步骤：当检测到所述参与者接收到建模指令时，获取所述参与者对应的合约关联数据，并对所述合约关联数据进行特征提取，得到特征矩阵；

将所述特征矩阵输入卷积神经网络的卷积层，将所述特征矩阵与预设卷积核进行点乘计算，得到所述卷积层输出的目标特征；

将经过批量标准化处理的目标特征输入到所述卷积神经网络的激活层，得到所述激活层输出的模型参数；

将所述模型参数发送给所述组织者，由所述组织者对所述模型参数进行整合和梯度反向传递，得到合约生成模型。

2.如权利要求1所述的合约生成模型构建方法，其特征在于，所述将所述特征矩阵与预设卷积核进行点乘计算，得到所述卷积层输出的目标特征的步骤之后，包括：对所述目标特征做正态分布，计算所述目标特征的标准差和均值；

根据所述标准差和所述均值，计算所述目标特征对应的目标数值，并将所述目标数值作为经过批量标准化处理的目标特征。

3.如权利要求2所述的合约生成模型构建方法，其特征在于，所述将经过批量标准化处理的目标特征输入到所述卷积神经网络的激活层，得到所述激活层输出的模型参数的步骤包括：

将所述目标数值输入到所述卷积神经网络的激活层，通过所述激活层中的线性整流函数，将所述目标数值中小于零的目标数值修改为零，将修改后的目标数值作为所述激活层输出的模型参数。

4.如权利要求1所述的合约生成模型构建方法，其特征在于，所述将所述模型参数发送给所述组织者，对所述模型参数进行整合和梯度反向传递，得到合约生成模型的步骤包括：将所述模型参数发送给所述组织者，以使所述组织者根据所述模型参数和预设整合算法，得到目标模型参数，并由所述组织者将所述目标模型参数发送给所述参与者；

由所述参与者根据所述目标模型参数，对所述模型参数进行更新，得到合约生成模型。

5.如权利要求4所述的合约生成模型构建方法，其特征在于，所述根据所述目标模型参数，对所述模型参数进行更新，得到合约生成模型的步骤包括：通过预设损失函数计算所述目标模型参数的损失值；

根据所述损失值和预设梯度下降算法，对所述模型参数进行更新，得到合约生成模型。

6.如权利要求5所述的合约生成模型构建方法，其特征在于，所述根据所述损失值和预设梯度下降算法，对所述模型参数进行更新，得到合约生成模型的步骤包括：若所述损失值小于或等于预设阈值，则根据所述目标模型参数，对所述模型参数进行更新，得到合约生成模型；

若所述损失值大于预设阈值，则调整所述目标模型参数，以使通过所述预设损失函数对调整后的目标模型参数进行计算得到的损失值小于或等于预设阈值；

根据调整后的目标模型参数，对所述模型参数进行更新，得到合约生成模型。

7.如权利要求1所述的合约生成模型构建方法，其特征在于，所述将所述特征矩阵输入卷积神经网络的卷积层，将所述特征矩阵与预设卷积核进行点乘计算，得到所述卷积层输出的目标特征的步骤包括：

获取预设卷积核的矩阵边长，根据所述矩阵边长，预设步长和所述特征矩阵的边长，得到目标边长；

将所述预设卷积核内的核值和所述特征矩阵中的特征值进行点乘计算，得到目标特征值，并将所述目标边长作为目标特征的边长，所述目标特征值作为所述目标特征的特征值。

8.一种合约生成模型构建装置，其特征在于，所述合约生成模型构建装置包括：特征提取模块，用于当检测到所述参与者接收到建模指令时，获取所述参与者对应的合约关联数据，并对所述合约关联数据进行特征提取，得到特征矩阵；

卷积模块，用于将所述特征矩阵输入卷积神经网络的卷积层，将所述特征矩阵与预设卷积核进行点乘计算，得到所述卷积层输出的目标特征；

激活模块，用于将经过批量标准化处理的目标特征输入到所述卷积神经网络的激活层，得到所述激活层输出的模型参数；

模型生成模块，用于将所述模型参数发送给所述组织者，由所述组织者对所述模型参数进行整合和梯度反向传递，得到合约生成模型。

9.一种合约生成模型构建设备，其特征在于，所述合约生成模型构建设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的合约生成模型构建程序，所述合约生成模型构建程序被所述处理器执行时实现如权利要求1至8中任一项所述的合约生成模型构建方法的步骤。

10.一种存储介质，其特征在于，所述存储介质上存储有合约生成模型构建程序，所述合约生成模型构建程序被处理器执行时实现如权利要求1至8中任一项所述的合约生成模型构建方法的步骤。