-
公开(公告)号：CN112085172A
公开(公告)日：2020-12-15
申请号：CN202010975525.2
申请日：2020-09-16
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图神经网络的训练方法，包括：获取关系网络图，其中各个对象节点对应采样概率集，包括针对其每个一阶邻居节点的采样概率；基于该关系网络图，对该图神经网络进行多轮迭代更新，其中任一轮包括：以本轮选取的第一标签节点为中心，进行M阶邻居节点采样，其中任意的第i阶邻居节点采样包括，针对已采样的第i‑1阶邻居节点中任意的第一节点，基于其当前采样概率集，从其一阶邻居节点全集中采样若干邻居节点归入第i阶邻居节点；基于采样到的M阶以内的邻居节点和该第一标签节点带有的第一业务标签，对该图神经网络进行本轮更新；利用更新后图神经网络确定若干邻居节点对应的若干训练反馈，进而更新第一节点的当前采样概率集。
-
公开(公告)号：CN110852755A
公开(公告)日：2020-02-28
申请号：CN201911075119.4
申请日：2019-11-06
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06Q20/40
Abstract: 本说明书实施例提供一种针对交易场景的用户身份识别方法和装置，方法包括：获取目标用户到目标商户进行交易时采集的目标用户的目标生物信息；查找与目标生物信息最相似的多个存储生物信息，将多个存储生物信息分别对应的用户作为目标用户的候选用户；根据针对关系网络图预先训练的图神经网络模型，确定各候选用户分别对应的各第一节点嵌入向量，以及目标商户对应的第二节点嵌入向量；根据各第一节点嵌入向量和第二节点嵌入向量，确定各候选用户到目标商户的各交易概率中的最大交易概率；当最大交易概率大于预设阈值时，将最大交易概率对应的候选用户确定为目标用户。能够提高交易场景中用户身份识别的准确性。
-
公开(公告)号：CN119271886A
公开(公告)日：2025-01-07
申请号：CN202411303851.3
申请日：2024-09-18
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/9535 , G06F16/9035 , G06F18/22 , G06F18/10 , G06N5/022 , G06F18/25 , G06N3/042 , G06N3/084 , G06F18/214 , H04L67/55
Abstract: 本说明书实施例提供一种跨域的信息推送技术构思，在将源域和目标域的用户表征融合后，又基于信息瓶颈理论进行过滤，筛除与目标域关联性较小的数据从而得到用户对应的压缩表征。再将用户压缩表征与候选信息的信息表征进行匹配，得到预测结果(如通过与各条候选信息的匹配程度表示)。在模型训练过程中，通过最小化模型损失，可以使得模型中的待定参数至少向着以下目标调整：最大化压缩表征和用户在目标域对应的表征之间的相似度；最小化预测结果与样本标签之间的差距。如此，利用基于以上目标调整的跨域信息推送模型进行目标域的信息推送，可以提高跨域信息推送的准确性。
-
公开(公告)号：CN118626779A
公开(公告)日：2024-09-10
申请号：CN202410599061.8
申请日：2024-05-14
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F18/20 , G06N3/0464 , G06N3/044 , G06N3/0442 , G06N3/0455 , G06F123/02
Abstract: 本说明书实施例提供一种时序预测方法及装置，在时序预测方法中，利用基础预测模型，基于目标测量对象在第一时段之前的前序测量值序列和在第一时段之中的第一测量值序列，得到其在第一时段的第一预测序列，以及在第二时段的第二预测序列，其中第二时段接续第一时段。至少将第一测量值序列、第一预测序列以及第二预测序列输入时序预测模型进行模型处理，得到针对第二时段的残差序列。将第二预测序列与残差序列相叠加，得到针对第二时段的最终预测序列。
-
公开(公告)号：CN118036722A
公开(公告)日：2024-05-14
申请号：CN202410232555.2
申请日：2024-02-29
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书实施例提供图解耦表征模型训练、图解耦表征和对象推荐方法及装置。在模型训练时，经由图表征生成层生成对象关系图中的对象节点的初始节点表征；经由特征解耦层基于对象节点的初始节点表征从样本对象节点的对象特征中解耦出有效特征和冗余特征，以及经由结构解耦层基于对象节点的初始节点表征将对象关系图解耦为有效结构图和冗余结构图。随后，经由图表征学习层，基于有效结构图对样本对象节点的有效特征进行图学习得到样本对象节点的有效表征。然后，执行模型训练任务来进行图解耦表征模型的模型更新。所执行的模型训练任务至少包括基于样本对象节点的有效表征的下游预测学习任务。
-
Patent Agency Ranking
公开(公告)号：CN117725113A
公开(公告)日：2024-03-19
申请号：CN202311654784.5
申请日：2023-12-05
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/2458 , G06F16/28 , G06F16/242
Abstract: 本说明书的实施例提供了一种基于大语言模型的知识挖掘方法和装置。在该基于大语言模型的知识挖掘方法中，根据预定实体图谱，获取针对源实体的结构化知识；根据该源实体在该预定实体图谱中的目标属性确定候选关系集；利用大语言模型根据该结构化知识、该候选关系集和针对该源实体的附加知识，输出对应的目标关系集和可继承知识，其中，该可继承知识包括该目标关系集中的关系所对应的至少一个目标实体词；再利用大语言模型基于该源实体、该目标关系集中的关系和结构化知识、附加知识、可继承知识中的至少一项构建的提示信息，输出与所提供的关系对应的候选实体词集；进而，得到与该源实体相关联的实体和相应关系。
-
公开(公告)号：CN117372163A
公开(公告)日：2024-01-09
申请号：CN202311302616.X
申请日：2023-10-08
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06Q40/06
Abstract: 本说明书的实施例提供了一种用于在项目归属方之间进行项目腾挪的方法和装置。在该用于在项目归属方之间进行项目腾挪的方法中，获取项目归属方集和归属于各个项目归属方的各个项目，各个项目分别对应有资源量和特定资源比例，各个属于期望增加或减少项目的项目归属方分别对应有目标资源改变量；确定用于指示经过项目腾挪后的各个项目归属方所对应的特定资源所占比率趋于一致的目标函数和松弛后的约束条件，松弛后的约束条件为经过项目腾挪后的各个项目归属方对应的资源改变量与该项目归属方对应的目标资源改变量之间相差不大于阈值；通过求解得到用于指示确定出至少一个用于从一项目归属方腾挪至另一项目归属方的待腾挪项目的项目腾挪信息。
-
公开(公告)号：CN114756720A
公开(公告)日：2022-07-15
申请号：CN202210662745.9
申请日：2022-06-13
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/901 , G06N3/04 , G06N3/08
Abstract: 本公开披露了一种时序数据的预测方法和装置。所述方法包括：获取图数据，所述图数据包括目标节点的时序数据以及所述目标节点的邻居节点的时序数据；将所述目标节点的时序数据输入时序编码器，得到所述目标节点的节点特征；将所述目标节点的时序数据和所述邻居节点的时序数据输入空间编码器，得到所述邻居节点的节点特征，所述邻居节点的节点特征为所述邻居节点的时序数据中的与所述目标节点的时序数据相关的特征；将所述目标节点的节点特征和所述邻居节点的节点特征融合，得到融合后的特征；根据所述融合后的特征，确定所述目标节点的时序数据的预测结果。
-
公开(公告)号：CN114611020A
公开(公告)日：2022-06-10
申请号：CN202210495974.6
申请日：2022-05-09
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/9537 , G06F16/9535
Abstract: 本说明书提供的行程推荐的方法和系统，以行程中不同环节对应的推荐对象的组合点击率最大为优化目标，并以不同环节对应的推荐对象之间的关系为约束条件（比如距离约束、折返约束，等等），来构建行程推荐模型，以获取每个环节对应的推荐对象，从而生成推荐行程，使得在复杂的场景下，获取更优的推荐行程，避免因距离太远或频繁折返带来的麻烦，以提升用户体验。同时，本说明书提供的行程推荐的方法和系统，在对行程推荐模型求解时，可以使用线性化处理方式来处理约束条件，还可以使用松弛算法来求解整数规划问题，从而加快求解速度，进行实时的行程推荐计算，在节省计算量的同时，提升计算速度和提升用户体验。
-
公开(公告)号：CN113408706B
公开(公告)日：2022-04-12
申请号：CN202110747531.7
申请日：2021-07-01
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训练用户兴趣挖掘模型、用户兴趣挖掘的方法和装置，方法包括：获取多个样本用户构成的关系网络图，关系网络图中具有社交关系的两个样本用户之间具有连接边；根据用户的行为日志特征，确定其初始用户表征向量；将多个样本用户分别对应的初始用户表征向量和关系网络图输入所述图神经网络，得到目标用户的融合用户表征向量；将多个样本用户分别对应的融合用户表征向量输入兴趣分布预测网络，得到各样本用户分别对应的兴趣分布参数；调整网络参数，使得兴趣分布参数所表征的预测兴趣分布与已知的用户兴趣先验分布之间的分布差异减小。对于不活跃的用户，也能有效挖掘用户兴趣。
-
-
-
-
-
-
-
-
-
Search Results
55
records
(took 0.034 seconds)
