-
公开(公告)号：CN118195066A
公开(公告)日：2024-06-14
申请号：CN202410298561.8
申请日：2024-03-15
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06Q10/04 , G06F9/48 , G06F9/50 , G06N3/0455 , G06N3/08
Abstract: 本说明书实施例提供了用于对资源进行弹性调度的方法及装置。在该方法中，基于历史流量数据对未来指定时间段的流量进行预测，以得到针对未来指定时间段的预测流量；获取资源利用率预估模型，其中，资源利用率预估模型根据未来指定时间段的上一历史时间段内的真实资源利用率和预估资源利用率进行模型参数调整后得到；根据预测流量和资源利用率预估模型构建优化模型，其中，优化模型在满足约束条件的情况下使得预估资源利用率与资源利用率阈值之间的差值最小化；以及求解优化模型，得到未来指定时间段内的资源调整量，以使资源根据资源调整量进行调整。
-
公开(公告)号：CN118155015A
公开(公告)日：2024-06-07
申请号：CN202410301845.8
申请日：2024-03-15
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06V10/774 , G06V10/764 , G06N3/0464 , G06N3/0475 , G06N3/08 , G06F17/18 , G06Q10/04
Abstract: 本说明书的实施例提供了一种用于提升泛化性的模型训练方法和装置。在该用于提升泛化性的模型训练方法中，利用当前预测模型根据作为当前训练样本集的各个训练样本中的特征数据得到对应的预测结果；基于各个训练样本中的标签数据和对应的预测结果之间的差异确定训练样本预测损失值；再利用当前训练样本集中的各个训练样本所属的领域对应的当前领域重加权权重对各个训练样本预测损失值进行综合，得到当前训练样本集对应的预测损失值，进而确定当前总损失值；在不满足训练结束条件的情况下根据当前总损失值对当前预测模型的参数和当前领域重加权权重进行调整。
-
公开(公告)号：CN117687794A
公开(公告)日：2024-03-12
申请号：CN202410058320.6
申请日：2024-01-15
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书实施例提供了针对应用容器的资源调度方法及装置。该方法包括：获取为第一应用分配的在第一时刻的目标资源量；确定各个机器当前的可用资源量；将该各个机器和未使用的单个新机器按照当前可用资源量从小到大排序，基于该目标资源量，按第一算法估算出第j*个机器，进而估算出共计g个机器进行可用资源量的分配；其中j*和g是自然数，且g是按第一算法基于该第j*个机器当前的可用资源量得到的满足该目标资源量的最小总机器数。
-
公开(公告)号：CN117649024A
公开(公告)日：2024-03-05
申请号：CN202311674491.3
申请日：2023-12-06
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06Q10/04 , G06N3/0985
Abstract: 本说明书实施例提供对象链接关系预测模型训练和链接关系预测方法及装置。在进行模型训练时，基于对象关系图构建待训练的第一对象链接关系预测模型的训练样本集；并且经由第二对象链接关系预测模型，基于链接关系预测结果从训练样本集中确定出难分训练样本集。随后，使用难分训练样本集来训练第一对象链接关系预测模型，其中，第二对象链接关系预测模型具有与第一对象链接关系模型相同的模型结构，并且在模型训练过程中模型参数保持不变。
-
公开(公告)号：CN111931870B
公开(公告)日：2024-02-20
申请号：CN202011023294.1
申请日：2020-09-25
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F18/214 , G06N20/00 , G06F18/27
Abstract: 本说明书的实施例提供一种基于模型复用的模型预测方法、装置及系统。在该模型预测方法中，使用模型拥有方处的多个可复用预测模型中的每个可复用预测模型来分别对数据拥有方处的待预测数据进行预测得到各个可复用预测模型的预测标签，所述预测标签通过在数据拥有方和模型拥有方之间对待预测数据和各个可复用预测模型分别进行安全计算得到，并且多个可复用预测模型具有相同的模型预测特征。随后，根据各个可复用预测模型的预测标签以及各个可复用预测模型的模型权重，确定待预测数据的预测标签，各个可复用预测模型的模型权重是在数据拥有方具有的数据样本集下的模型权重。
-
Patent Agency Ranking
公开(公告)号：CN117520961A
公开(公告)日：2024-02-06
申请号：CN202311498067.8
申请日：2023-11-10
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F18/243 , G06F18/213 , G06F18/25
Abstract: 本说明书实施例提供用于干预效应评估的树模型构建、干预效应评估方法、装置及系统。在树模型构建时，获取包括试验对象样本数据和观测对象样本数据的对象样本数据集，并且使用对象样本数据集来基于节点分裂构建效应评估树模型，在每次节点分裂时，以分裂损失值最小化为目标确定当前节点的目标节点分裂条件，当前节点的分裂损失值包括各个子节点处的经过数据融合后的无偏分裂损失值，各个子节点处的经过数据融合后的无偏分裂损失值根据试验对象样本数据所产生的无偏干预效应评估结果和数据融合因子确定，数据融合因子用于反映在与观测对象样本数据融合后所产生的试验对象样本数据的无偏干预效应评估结果在无偏分裂损失值确定时的缩放度。
-
公开(公告)号：CN117422563A
公开(公告)日：2024-01-19
申请号：CN202311299228.0
申请日：2023-10-08
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06Q40/08 , G06F18/241 , G06F18/21 , G06N3/0442
Abstract: 本说明书公开了一种核保模型训练方法、装置、存储介质及设备，通过获取第一样本数据集合，其中，第一样本数据集合中包括至少一个样本用户分别对应的样本数据，样本数据包括样本画像数据和样本标记时间，然后将第一样本数据集合输入至核保模型中，得到第一样本数据集合中各样本画像数据分别对应的样本风险比例，基于各样本画像数据分别对应的样本风险比例以及各样本画像数据分别对应的样本标记时间，采用预设损失函数以及最大偏似然估计方法对核保模型计算模型损失值并对核保模型进行训练，最终得到训练完成的核保模型。
-
公开(公告)号：CN117408745A
公开(公告)日：2024-01-16
申请号：CN202311370240.6
申请日：2023-10-20
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06Q30/0211 , G06N5/04 , G06F18/214 , G06F18/25
Abstract: 本说明书的实施例提供了一种基于因果效应估计的增益预测方法和装置。在该基于因果效应估计的增益预测方法中，对所获取的待预测样本的初始特征表示和对应的关联样本的初始特征表示分别进行解耦，得到对应的调整变量特征表示和混淆变量特征表示；再根据所得到的关联样本对应的调整变量特征表示和混淆变量特征表示进行聚合，得到对应的、融合有关联样本的对应信息的聚合调整变量特征表示和聚合混淆变量特征表示；进而基于待预测样本的混淆变量特征表示以及对应的聚合调整变量特征表示和聚合混淆变量特征表示的融合确定对应的聚合预测特征表示；并据此确定待预测样本对应的增益大小。
-
公开(公告)号：CN117407714A
公开(公告)日：2024-01-16
申请号：CN202311370158.3
申请日：2023-10-20
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F18/214 , G06F40/205
Abstract: 本说明书的实施例提供了一种用于训练用户行为表征模型的方法和装置。在该用于训练用户行为表征模型的方法中，针对当前训练样本集中的各个当前训练样本，将当前训练样本的、作为样本输入部分的预定期间内的用户历史行为序列提供给当前用户行为表征模型，得到对应的用户行为序列表征向量；再将所得到的用户行为序列表征向量提供给当前行为分布预测模型，得到对应的用户行为分布预测结果；再根据所得到的用户行为分布预测结果与对应的、作为标签部分的后续历史行为序列所指示的行为分布之间的差异，确定预测损失值；在不满足训练结束条件的情况下，根据所确定的预测损失值调整当前用户行为表征模型和当前行为分布预测模型的参数。
-
公开(公告)号：CN117216575A
公开(公告)日：2023-12-12
申请号：CN202311393266.2
申请日：2023-10-25
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F18/214 , G06N5/02 , G06F16/9535 , G06F16/901
Abstract: 本说明书实施例提供了用于训练推荐模型的方法及装置，在该方法中，按照以下方式进行处理，直至满足预训练结束条件：从源域所包括的源推荐数据中获取用户对应的用户数据以及用户所交互的推荐对象；基于实体图谱得到用户对应的用户特征向量和推荐对象所关联的各个实体对应的实体特征向量；基于各个实体特征向量以及利用原型库中的各个原型对各个实体进行表征得到的原型侧实体特征向量进行对比学习，得到第一损失；根据第一损失以及第二损失得到总损失；以及根据总损失对推荐模型以及匹配原型进行调整，并返回执行从源推荐数据中获取用户数据和推荐对象的操作。
-
-
-
-
-
-
-
-
-
Search Results
448
records
(took 0.091 seconds)
