-
公开(公告)号：CN111340121A
公开(公告)日：2020-06-26
申请号：CN202010131566.3
申请日：2020-02-28
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06K9/62
Abstract: 本说明书实施例提供一种目标特征的确定方法，该方法包括：先获取原始样本集，其中每个原始样本包括业务对象的样本标签和多个原始特征；再基于原始样本集，进行多轮迭代，将迭代结束得到的多个当前特征，确定为该业务对象的目标特征，该多个当前特征初始为所述多个原始特征。其中任意一轮的迭代包括：先基于当前样本集，建立树模型，其中每个当前样本包括该样本标签和该多个当前特征；接着，根据树模型中各条预测路径上任意数量的父节点所对应的分裂特征，确定出特征组合集，并从中选取预测能力较优的多个优选特征组合；再利用多个预定义算子，对各个优选特征组合中包含的特征进行融合处理，得到多个新生特征，进而更新上述多个当前特征。
-
公开(公告)号：CN111275120A
公开(公告)日：2020-06-12
申请号：CN202010075299.2
申请日：2020-01-22
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书实施例公开了一种图像识别模型的训练方法及装置、图像识别方法及装置。其中，训练方法包括：将待训练的第二图像识别模型中的每层卷积神经网络，分别与训练完的第一图像识别模型中的一个子网络相对应。根据训练完的第一图像识别模型中每个子网络的输入和输出，对待训练的第二图像识别模型中的每层卷积神经网络的参数进行初始化处理。将样本图像输入参数初始化处理后的待训练的第二图像识别模型，根据待训练的第二图像识别模型的输出和样本图像的标签，对待训练的第二图像识别模型进行训练。由此，实现了根据训练完的第一图像识别模型，对待训练的第二图像识别模型进行参数初始化处理，以加快对待训练的第二图像识别模型进行的训练。
-
公开(公告)号：CN118840162A
公开(公告)日：2024-10-25
申请号：CN202410939815.X
申请日：2024-07-12
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06Q30/0251 , G06F40/279 , G06F16/33 , G06N5/02
Abstract: 本说明书实施例提供一种目标人群选择方法、装置、设备与存储介质，该方法包括：通过获取事务方输入的人群需求描述数据，识别人群需求描述数据中的用户属性标签和实体标签，获取与实体标签相似的关联实体标签，基于关联实体标签和实体标签得到实体标签集合，将用户属性标签以及实体标签集合与人群数据库中的预存人群标签进行匹配，以得到预存人群标签中与用户属性标签以及实体标签集合对应的目标人群标签，基于目标人群标签在人群数据库中确定事务方所需求的目标人群。
-
公开(公告)号：CN115034333B
公开(公告)日：2024-07-02
申请号：CN202210759145.4
申请日：2022-06-29
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F18/214 , G06N3/0464 , G06N3/098
Abstract: 本说明书实施例提供用于经由至少两个第一成员设备和第二成员设备训练业务模型的联邦学习方法，联邦学习装置和联邦学习系统。各个第一成员设备具有本地数据，第二成员设备维护待训练的业务模型。在进行联邦学习时，在各个第一成员设备从第二成员设备接收当前业务模型后，各个第一成员设备使用本地数据训练所接收的当前业务模型，确定本地训练出的业务模型与所接收的业务模型之间的模型相关性，并且仅仅在模型相关性满足预定条件时才将本地训练出的模型更新量提供给第二成员设备。第二成员设备根据从各个第一成员设备接收的模型更新量更新业务模型。
-
公开(公告)号：CN118171056A
公开(公告)日：2024-06-11
申请号：CN202410175817.6
申请日：2024-02-07
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F18/20 , G06F18/214 , G06F18/213 , G06F18/241 , G06N3/042 , G06N3/045 , G06N3/0475 , G06N3/084 , G06N3/0895
Abstract: 本说明书实施例提供一种训练用户响应预测模型，以及进行用户行为预测的方法。用户响应预测模型包括K个环境生成器，第一图编码器，第二图编码器和预测网络，训练方法包括，采用K个环境生成器对用户关系图施加扰动，生成K个增强图。然后通过第一图编码器对第k增强图进行编码，得到各用户对应于第k增强图的第一表征。根据各用户施加预定干预的干预情况，调整第一表征，得到更新表征，形成第k更新图。通过第二图编码器对第k更新图进行编码，得到各用户的第二表征。根据目标用户的第一表征、第二表征以及干预情况，得到第k预测值。至少根据第k预测值和行为标签，确定损失，更新模型。
-
Patent Agency Ranking
公开(公告)号：CN113485833B
公开(公告)日：2024-02-06
申请号：CN202110780138.8
申请日：2021-07-09
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本公开披露了一种资源预测方法和装置。所述方法包括：接收集群的待处理任务；从预设的多种资源预测方式中选择与所述待处理任务对应的资源预测方式；根据所述待处理任务对应的资源预测方式，对所述待处理任务所需的目标资源进行预测；其中，所述多种资源预测方式包括第一资源预测方式和第二资源预测方式，所述第一资源预测方式基于预先训练的机器学习模型对所述目标资源进行预测，所述第二资源预测方式基于所述集群在滑动窗口期内的任务的资源使用数据对所述目标资源进行预测。
-
公开(公告)号：CN117390415A
公开(公告)日：2024-01-12
申请号：CN202311372133.7
申请日：2023-10-20
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F18/21 , G06F18/213 , G06F18/214 , G06F18/243 , G06N3/045 , G06N3/08
Abstract: 本公开提供一种预测模型的训练方法、待预测对象的预测方法、系统，包括：获得样本用户数据，样本用户数据为预设应用场景下用于对待预测对象进行预测的用户数据，基于样本用户数据构建多个决策条件向量，多个决策条件向量包括用于预测待预测对象的各决策条件信息各自对应的向量，基于样本用户数据和多个决策条件向量进行特征增强处理，得到增强特征向量，基于多个决策条件向量和增强特征向量训练得到预测模型，其中，预测模型用于根据获得的目标用户数据对待预测对象进行预测，可以提高训练的泛化能力、有效性、可靠性。
-
公开(公告)号：CN116842462A
公开(公告)日：2023-10-03
申请号：CN202310798061.6
申请日：2023-06-30
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F18/2415 , G06F18/214 , G06N3/04 , G16H70/40 , G06Q30/0601
Abstract: 本说明书实施例公开了一种基于样本模式增广的机器学习模型训练方法及系统，涉及人工智能技术领域，技术要点包括：利用真实样本以及增广样本对目标模型进行一轮以上迭代训练；其中的一轮迭代训练包括：通过目标模型分别处理真实样本和增广样本的特征值，得到对应的第一输出；通过滑动平均模型至少处理增广样本的特征值，得到对应的第二输出；其中，滑动平均模型的模型参数基于两轮以上历史迭代训练中的目标模型的模型参数获得；调整目标模型的模型参数，以减小真实样本对应的第一输出与对应标签之间的差异，同时减小增广样本对应的第一输出与第二输出之间的差异。
-
公开(公告)号：CN116842461A
公开(公告)日：2023-10-03
申请号：CN202310797569.4
申请日：2023-06-30
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F18/2415 , G06F18/214 , G16H70/40 , G16H10/60 , G16H50/70
Abstract: 本说明书实施例公开了一种基于表征泛化的模型训练方法及系统，其技术要点包括：获取测试组中的第一样本，以及对照组中的第二样本；其中，样本包括特征值及标签；通过因果效应预估模型分别处理第一样本的特征值以及第二样本的特征值，得到对应的中间结果以及效应输出；通过协同分类模型分别处理第一样本以及第二样本对应的中间结果，得到对应的分类输出；所述分类输出反映对应的中间结果属于测试组的概率和/或属于对照组的概率；调整因果效应预估模型的模型参数，以减小效应输出与对应标签之间的差异，同时均衡中间结果属于测试组的概率和属于对照组的概率。
-
公开(公告)号：CN116720543A
公开(公告)日：2023-09-08
申请号：CN202310444964.4
申请日：2023-04-23
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06N3/04 , G06N3/08 , G06F18/214 , G06Q10/04
Abstract: 本说明书提供的因果效应评估方法和系统，在获取目标对象的对象数据后，将对象数据输入评估模型，获得目标对象在预设干预措施下的目标因果效应值，该评估模型对对象数据与训练数据之间的分布偏移不敏感，以及输出目标因果效应值；该方案可以针对因果效应直接建模，而且建模后得到的评估模型对对象数据与训练数据之间的分布偏移不敏感，从而就可以将该分布偏移造成的评估结果误差控制在预设范围内，因此，可以提升因果效应评估的准确率。
-
-
-
-
-
-
-
-
-
Search Results
99
records
(took 0.041 seconds)
