1.基于联邦学习的个人信用评价模型训练方法，其特征在于：包括以下步骤：对多方的异构数据进行特征处理；

根据特征处理后数据的类型和特征生成各方的异构信息网络图；

各方根据各自的异构信息网络图数据对本地的信用评价模型进行训练，获得参与方信用评价模型训练的中间模型和模型参数；

根据各参与方信用评价模型训练的中间模型和模型参数初始化主控制端节点的个人信用评价模型；

主控制端节点利用所述各方的异构信息网络图数据对所述初始化后的个人信用评价模型进行训练，获得训练好的个人信用评价模型；

将个人信用评价模型每次训练后的模型参数反馈给各参与方，各参与方根据所述反馈的模型参数更新本地的信用评价模型。

2.根据权利要求1所述的基于联邦学习的个人信用评价模型训练方法，其特征在于：所述异构数据包括结构化数据、半结构化数据、非结构化数据。

3.根据权利要求1或2所述的基于联邦学习的个人信用评价模型训练方法，其特征在于：所述特征处理包括：按照结构化数据、半结构化数据、非结构化数据三大类进行数据解析和分类；将解析的数据按照异构信息网络图的要求和个人信用评价模型的要求进行数据转换。

4.根据权利要求1所述的基于联邦学习的个人信用评价模型训练方法，其特征在于：所述多方的异构数据包括第三方个人数据、个人数据和银行内部数据。

5.根据权利要求1所述的基于联邦学习的个人信用评价模型训练方法，其特征在于：所述根据特征处理后数据的类型和特征生成各方的异构信息网络图包括：每一个数据都用一个有向图表示。

6.基于联邦学习的个人信用评价方法，其特征在于：包括以下步骤：获取多方关于目标用户的异构数据，所述异构数据包括结构化数据、半结构化数据、非结构化数据；

对多方的异构数据进行特征处理；

根据特征处理后数据的类型和特征生成各方的异构信息网络图；

将各方的异构信息网络图分别输入至预先训练的个人信用评价模型，获得个人信用评价模型输出的个人信用评价值；

所述个人信用评价模型采用如权利要求1‑5中任一项所述的个人信用评价模型训练方法得到。

7.根据权利要求6所述的基于联邦学习的个人信用评价方法，其特征在于：所述个人信用评价模型为：上式中，Y为个人信用评价值， 为权重系数， 为根据各方数据计算得到的各方信用评价中间值， 为各方的联邦学习优化参数值， 为各方上一步联邦学习优化参数值，a为优化步长， 为单一变量优化函数。

8.根据权利要求7所述的基于联邦学习的个人信用评价方法，其特征在于：采用以下公式计算 ：上式中，为 节点的百分占比， 为 节点的信用分值。

9.根据权利要求6、7或8所述的基于联邦学习的个人信用评价方法，其特征在于：所述多方的异构数据包括第三方个人数据、个人数据和银行内部数据。

10.基于联邦学习的个人信用评价系统，其特征在于：包括第三方设备、个人方设备、银行方设备和主控端设备；

所述第三方设备、个人方设备、银行方设备均包括特征处理模块、生成模块和联邦学习协同模块；

所述主控端设备包括联邦学习主控制端模块、信用评价模块和模型优化模块；

所述特征处理模块，用于对异构数据进行特征处理；

所述生成模块，用于根据特征处理后的数据生成异构信息网络图；

所述联邦学习协同模块，用于根据异构信息网络图数据对本地的信用评价模型进行训练；

联邦学习主控制端模块，用于根据各方数据对个人信用评价模型进行训练，获得训练好的个人信用评价模型；

信用评价模块，用于将各方的异构信息网络图分别输入至预先训练的个人信用评价模型，获得个人信用评价模型输出的个人信用评价值；

模型优化模块，用于在所述个人信用评价模型的训练过程中，获取模型参数，并发送至各方的联邦学习协同模块，以使联邦学习协同模块根据所述模型参数更新本地信用评价模型。