-
公开(公告)号：CN117171336A
公开(公告)日：2023-12-05
申请号：CN202311123033.0
申请日：2023-09-01
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/335 , G06F16/36 , G06Q30/0601 , G06Q40/06
Abstract: 本说明书实施例提供推荐对象确定方法、对象推荐模型训练方法及装置。对第一用户的第一用户特征、第一对象的第一对象特征、融合有对象知识图谱的用户‑对象交互图中的第二用户的第二用户特征、第二对象的第二对象特征和对象属性的属性特征进行多意图通道解耦表征。使用第一和第二用户的多通道用户特征表征、第一和第二对象的多通道对象特征表征和对象属性的多通道对象属性特征表征，对第一用户的多通道用户特征表征和第一对象的多通道对象特征表征进行用户‑对象交互图和对象知识图谱上的表征聚合。然后，根据第一用户的经过聚合后的多通道用户特征表征和第一对象的经过聚合后的多通道对象特征表征，确定是否向第一用户推荐第一对象。
-
公开(公告)号：CN115002049B
公开(公告)日：2023-11-14
申请号：CN202210674620.8
申请日：2022-06-15
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书实施例提供一种网络资源分配的方法和装置。根据该方法，获取目标未来时长所对应的网络资源的资源限额信息以及时段信息，所述时段信息包括，目标未来时长包含的多种时段类型按照资源回报率的第一排序。此外还获取分组估计信息，其中包括针对各时段类型，多个用户组中各用户组在得到各备选份额的网络资源情况下的预估资源回报。于是，根据分组估计信息，以最大化目标未来时长中预估资源回报的总和为目标，在多个约束条件下，确定针对各用户组在各时段类型的时段中分配的资源份额，所述多个约束条件包括，分配的总资源份额符合资源限额信息，且针对各时段类型的资源分配符合所述第一排序。
-
公开(公告)号：CN116611731A
公开(公告)日：2023-08-18
申请号：CN202310572391.3
申请日：2023-05-18
Applicant: 支付宝(杭州)信息技术有限公司 , 合肥工业大学
IPC: G06Q10/0639 , G06F18/23 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本说明书实施例提供了一种评分模型训练方法、用户推送方法及装置。在评分模型的训练方法中，构造用户与推送对象之间交互的关系网络，通过变分图推理网络估计用户和推送对象的节点表征连续分布，并对该节点表征连续分布进行采样，得到作为对比目标的第一采样表征和第二采样表征，基于该对比目标确定节点级别的对比损失函数。同时，利用节点表征连续分布重构用户与推送对象之间的关系网络，从而得到重构损失函数。利用节点表征连续分布对用户和推送对象进行聚类，基于聚类结果计算聚类感知的对比损失函数。联合多个损失函数进行多任务学习，更新模型直至收敛。利用训练后的评分模型计算用户对推送对象的评分，基于该评分进行用户推送。
-
公开(公告)号：CN116596579A
公开(公告)日：2023-08-15
申请号：CN202310493639.7
申请日：2023-04-28
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06Q30/0202 , G06Q30/0601 , G06F18/2415 , G06F18/214
Abstract: 本说明书实施例公开了一种预测方法、交互事件预测模型的训练方法、装置和设备。所述预测方法包括：获取待预测的目标数据，所述目标数据包括用户数据和产品数据；通过交互事件预测模型中的领域模块，确定目标数据归属于多个预定领域的归属概率；通过交互事件预测模型中的预测模块，根据多个归属概率确定发生交互事件的第一概率，所述交互事件包括用户数据对应的用户与产品数据对应的产品所发生的交互事件。本说明书实施例可以提高交互事件预测的准确性。
-
公开(公告)号：CN111581450B
公开(公告)日：2023-07-14
申请号：CN202010588745.X
申请日：2020-06-24
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/901 , G06Q10/04 , G06Q40/03 , G06N3/0464 , G06N20/00
Abstract: 本说明书实施例提供一种确定用户的业务属性的方法，一方面，基于异构图确定用户的预测向量，将各个关联关系下获取的用户的表达向量融合，综合了各种可能的信息，从多维度丰富用户信息，利用信息互补性探索多重关系下的丰富语义，从而避免单一信息缺失无法准确描述用户导致的无法预测用户业务属性的情形；另一方面，在单个关联关系下确定用户的表达向量过程中，不仅考虑用户与其他用户之间的关联影响，而且还考虑连接边对应的业务属性对这种关联关系的影响，充分利用用户的局部结构信息来增强对用户的表示能力，从而提高对用户业务属性预测的准确度。
-
Patent Agency Ranking
公开(公告)号：CN111222026B
公开(公告)日：2023-07-14
申请号：CN202010023203.8
申请日：2020-01-09
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F18/214 , G06F18/2415 , G06F18/27 , G06N3/045 , G06N3/042 , G06N3/047 , G06N3/048 , G06N3/088 , G06Q40/03
Abstract: 本说明书实施例公开了一种用户类别识别模型的训练方法和用户类别识别方法，训练方法包括：将样本用户的联系人列表输入用户类别计算模型，以生成样本用户属于预设类别的概率。将样本用户对应的软件特征，和样本用户属于预设类别的概率，输入用户类别识别模型，以生成样本用户的识别结果。根据样本用户的识别结果和样本用户的类别标签，对用户类别识别模型中的参数，以及样本用户的常用软件列表中每个常用软件对应的软件特征进行优化。当满足预设条件时，完成对用户类别识别模型的训练。由此，使得训练完的用户类别识别模型能够在用户信息不充分的情况下，基于待识别用户的联系人列表和对应的软件特征，实现用户类别识别。
-
公开(公告)号：CN116304841A
公开(公告)日：2023-06-23
申请号：CN202310414442.X
申请日：2023-04-13
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F18/24 , G06F18/214 , G06F18/23 , G06F18/22 , G06F16/9535 , G06F18/213 , G06N3/08 , G06N3/082 , G06N3/0464 , G06N3/045
Abstract: 本说明书实施例提供对象分类模型训练方法、对象分类方法、对象推荐方法及装置。在每次模型训练时，经由对象分类模型确定当前训练对象样本和各个聚类中心对象样本的分类预测结果，各个当前样本聚类通过对全量训练对象样本集进行聚类得到。确定当前训练对象样本与各个聚类中心对象样本之间的样本相似度，并且基于当前训练对象样本与各个聚类中心对象样本之间的样本相似度以及各个聚类中心对象样本的分类预测结果，确定当前训练对象样本的软标签。随后，根据当前训练对象样本的分类预测结果和软标签，确定当前损失函数；并且基于当前损失函数，调整对象分类模型的当前模型参数。
-
公开(公告)号：CN111651792B
公开(公告)日：2023-04-18
申请号：CN202010691949.6
申请日：2020-07-17
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F21/62 , G06Q10/0635 , G06N3/0464 , G06N20/00
Abstract: 本说明书实施例提供了一种多方协同学习中的风险检测、模型增强方法及装置。在风险检测方法中，服务器部署有第一模型，第一模型的第一模型参数通过对多个数据方各自存储的训练样本进行协同学习得到；针对获取服务器基于对第一模型的多次迭代训练对应得到的多组第一模型参数，基于多组第一模型参数之间对应参数的差值，确定模型参数梯度向量，将与多个数据方中的训练样本为同构数据的本地样本的样本特征向量，与模型参数梯度向量进行拼接，得到本地更新样本，采用本地更新样本训练第二模型，采用预设的测试集确定训练后的第二模型的第一预测性能值，当第一预测性能值大于预设阈值时，确定第一模型存在泄露训练样本隐私的风险。
-
公开(公告)号：CN115861681A
公开(公告)日：2023-03-28
申请号：CN202211422452.X
申请日：2022-11-14
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06V10/764 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/09
Abstract: 本说明书实施例公开了一种模型的元学习方法、装置以及设备。方案包括通过获取包含M个样本的集合；针对第i个样本Si，生成对应于所述训练样本的嵌入向量φi和中间特征图ηi；根据所产生的M个嵌入向量的平均值τc生成维度注意力图Md，和，根据所产生的M个中间特征图的平均值τη生成区域注意力图Mr；融合所述嵌入向量φi和维度注意力图Md生成维度特征向量φi’，以及，融合所述第i个样本的中间特征图ηi和所述区域注意力图Mr生成区域特征图ηi’；根据所述维度特征向量φi’和所述区域特征图ηi’进行训练。从而实现在元学习中，通过从维度和区域这两个不同的角度上来精确定位任务所需要的特征，减少无关特征的干扰。
-
公开(公告)号：CN111445282B
公开(公告)日：2023-02-10
申请号：CN202010203021.9
申请日：2020-03-20
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06Q30/02 , G06F16/9535
Abstract: 本说明书一个或多个实施例提供了一种基于用户行为的业务处理方法、装置及设备，在基于用户行为的业务处理方法中，分别对第一用户行为特征向量和第一广告特征向量进行压缩后，将得到的第二用户行为特征向量以及第二广告特征向量进行特征交叉，得到注意力机制参数，再将该注意力机制参数与第一用户行为特征向量进行特征交叉，得到用户行为的向量表示，从而可根据用户的行为充分学习到用户对每个广告的差别，有助于更好的挖掘用户的兴趣的多样性。
-
-
-
-
-
-
-
-
-
Search Results
448
records
(took 0.095 seconds)
