公开(公告)号：CN119939016A

公开(公告)日：2025-05-06

申请号：CN202411844265.X

申请日：2024-12-13

Applicant: 清华大学深圳国际研究生院 ,  支付宝(杭州)信息技术有限公司

Inventor： 陈伟坚 ,  刘菲雪 ,  叶芸

IPC: G06F16/9535 ,  G06Q30/0601

Abstract: 本说明书提供一种推荐方法及系统。推荐系统在接收M个推荐请求的情况下，获得推荐系统当前的空余资源量，并基于空余资源量、以及推荐系统执行M个推荐请求各自对应的推荐动作所需消耗的资源量，预测出M个推荐请求的估计曝光概率，并基于M个推荐请求的估计曝光概率确定出推荐评价指标的表达式。推荐系统以推荐评价指标的表达式满足预设条件为求解目标，求解得到M个推荐请求各自对应的推荐动作。进而，推荐系统执行M个推荐请求各自对应的推荐动作，以实现对M个推荐请求的响应。

公开(公告)号：CN111539576B

公开(公告)日：2022-04-22

申请号：CN202010355473.9

申请日：2020-04-29

Applicant: 支付宝(杭州)信息技术有限公司

Inventor： 叶芸

IPC: G06Q10/04 ,  G06Q10/06 ,  G06N20/00

Abstract: 本说明书公开了一种风险识别模型的优化方法及装置。方法包括：获取误识别样本和N个备选样本；将所述误识别样本和每个备选样本的特征向量输入到深度学习模型进行处理，并从所述深度学习模型的中间层提取处理后的特征向量，作为对应样本的标准化特征向量；根据所述误识别样本的标准化特征向量与M个备选样本的标准化特征向量，采用K最近邻算法，从M个备选样本中确定出与所述误识别样本相似的K个备选样本，作为相似样本；将每个相似样本的标记确定为第一风险类型，并基于所述误识别样本与每个相似样本优化所述风险识别模型。

公开(公告)号：CN110879865A

公开(公告)日：2020-03-13

申请号：CN201911052966.9

申请日：2019-10-31

Applicant: 支付宝(杭州)信息技术有限公司

Inventor： 王宁涛 ,  孟昌华 ,  叶芸 ,  付大鹏 ,  王维强

IPC: G06F16/9535 ,  G06F16/9538 ,  G06N3/08 ,  G06F21/31

Abstract: 本说明书实施例公开了核身产品的推荐方法和装置。本说明的一个实施例公开的方法，包括：将用户的属性特征分别输入至迭代前和迭代后的第一推荐模型中，以确定多个核身产品对于用户的第一推荐值和第二推荐值，根据第一推荐值和第二推荐值确定最终推荐值，根据最终推荐值向用户推荐至少一种核身产品；第一推荐模型为强化学习模型。

公开(公告)号：CN110879865B

公开(公告)日：2022-08-12

申请号：CN201911052966.9

申请日：2019-10-31

Applicant: 支付宝(杭州)信息技术有限公司

Inventor： 王宁涛 ,  孟昌华 ,  叶芸 ,  付大鹏 ,  王维强

IPC: G06F16/9535 ,  G06F16/9538 ,  G06N3/08 ,  G06F21/31

Abstract: 本说明书实施例公开了核身产品的推荐方法和装置。本说明的一个实施例公开的方法，包括：将用户的属性特征分别输入至迭代前和迭代后的第一推荐模型中，以确定多个核身产品对于用户的第一推荐值和第二推荐值，根据第一推荐值和第二推荐值确定最终推荐值，根据最终推荐值向用户推荐至少一种核身产品；第一推荐模型为强化学习模型。

公开(公告)号：CN111539576A

公开(公告)日：2020-08-14

申请号：CN202010355473.9

申请日：2020-04-29

Applicant: 支付宝(杭州)信息技术有限公司

Inventor： 叶芸

IPC: G06Q10/04 ,  G06Q10/06 ,  G06N20/00

Abstract: 本说明书公开了一种风险识别模型的优化方法及装置。方法包括：获取误识别样本和N个备选样本；将所述误识别样本和每个备选样本的特征向量输入到深度学习模型进行处理，并从所述深度学习模型的中间层提取处理后的特征向量，作为对应样本的标准化特征向量；根据所述误识别样本的标准化特征向量与M个备选样本的标准化特征向量，采用K最近邻算法，从M个备选样本中确定出与所述误识别样本相似的K个备选样本，作为相似样本；将每个相似样本的标记确定为第一风险类型，并基于所述误识别样本与每个相似样本优化所述风险识别模型。