-
公开(公告)号：CN120010923A
公开(公告)日：2025-05-16
申请号：CN202510080708.0
申请日：2025-01-17
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书公开了一种大模型微调方法、装置、存储介质及电子设备。在本说明书提供的大模型微调方法中，获取用于微调目标大模型的样本微调指令；根据所述样本微调指令实现的功能对所述样本微调指令进行分解，得到分解指令序列；确定与所述分解指令序列中包含的每个分解指令对应的步骤回答，构成步骤回答序列；根据所述分解指令的数量，确定微调轮数；针对每一轮微调，确定该轮微调中所需的目标分解指令，将该目标分解指令和所述分解指令序列中该目标分解指令前的所有分解指令确定为微调分解指令；采用所述微调分解指令以及与各微调分解指令对应的各步骤回答对所述目标大模型进行微调，直到进行微调的次数达到所述微调轮数。
-
公开(公告)号：CN119760342A
公开(公告)日：2025-04-04
申请号：CN202411805692.7
申请日：2024-12-09
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F18/20 , G06F18/213 , G06N3/042 , G06N3/0442 , G06N3/0455 , G06F123/02
Abstract: 本说明书实施例提供一种预测用户行为的方法和装置。方法包括：获取目标用户在目标时刻之前的最近m次交互行为形成的第一行为序列，根据第一行为序列形成第一特征序列；根据目标用户的静默时长确定第一衰减状态向量，其中静默时长为该用户在目标时刻前最后一次交互事件距离目标时刻的时长；将第一衰减状态向量作为LSTM单元的单元状态向量，将根据第一特征序列确定的第二特征序列作为待处理序列，共同输入长短期记忆LSTM神经网络进行序列处理，得到第一输出特征序列；根据第一输出特征序列，确定目标用户在目标时刻的用户表征；根据用户表征，预测目标用户在目标时刻的交互行为。
-
公开(公告)号：CN117972158A
公开(公告)日：2024-05-03
申请号：CN202410145795.9
申请日：2024-02-01
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/903 , G06F21/62
Abstract: 本说明书公开了一种信息匹配的方法、装置、存储介质以及电子设备，通过将目标信息对应的各子目标加密信息与待匹配信息对应的各子待匹配加密信息之间进行两两比对，从而得到各子目标加密信息与各子待匹配加密信息的比对结果。然后，根据比对结果确定出目标信息与待匹配信息之间相同部分的最长字符串长度，进而根据最长字符串长度，确定出目标信息与待匹配信息之间的编辑距离大小，从而确定出对应的信息匹配结果。通过本方法可以成功实现在保护信息隐私的前提下对各信息之间进行信息匹配，在针对有着严格隐私保护要求的信息进行相似匹配和查询时，可以有效防止隐私信息的具体内容的外漏，从而极大程度上保障了隐私信息所属用户或机构的信息安全。
-
公开(公告)号：CN117473543A
公开(公告)日：2024-01-30
申请号：CN202311139790.7
申请日：2023-09-05
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人脸识别认证中的隐私保护方法，应用于服务器端，包括：响应于客户端的人脸识别认证请求，获取上传的待识别人脸随机向量和第一加密信息；其中，待识别人脸随机向量通过一次性的第一随机整数向量对待识别人脸特征变换后得到，第一加密信息利用预设的加密算法加密第一随机整数向量得到；检索预先存储的目标人脸随机向量和第二加密信息；其中，目标人脸随机向量通过一次性的第二随机整数向量对目标人脸特征变换后得到，第二加密信息对第二随机整数向量加密后得到；基于上述步骤中获得的数据，确定待识别人脸特征和目标人脸特征之间的相似度，再确定人脸识别认证结果。相应地，本发明公开了一种人脸识别认证系统。
-
公开(公告)号：CN117114392A
公开(公告)日：2023-11-24
申请号：CN202311007490.3
申请日：2023-08-10
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06Q10/0635 , G06F18/214 , G06F21/62
Abstract: 本说明书公开了一种风险识别模型训练方法、装置、存储介质和电子设备，所述方法包括：根据历史上各用户执行业务的业务数据，构建以各用户对应的用户信息为节点，各用户之间的业务关系为边的关系图，并作为训练样本。再将训练样本输入待训练的风险识别模型的隐私表示提取子网，以通过隐私表示提取子网提取训练样本的隐私特征。之后，将隐私特征发送给第二参与方。第一参与方根据接收到第二参与方返回的梯度，调整待训练的风险识别模型的隐私表示提取子网中各隐私表示层的参数，使得在联合训练风险识别模型时，第一参与方不会泄露用户的隐私数据，保护用户的隐私。
-
Patent Agency Ranking
公开(公告)号：CN119809648A
公开(公告)日：2025-04-11
申请号：CN202411997330.2
申请日：2024-12-31
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06Q20/40 , G06N5/022 , G06F16/903 , G06F16/901 , G06N3/0455 , G06F18/22 , G06N3/042 , G06N5/04
Abstract: 本说明书实施例提供一种交易风险分析方法和装置。方法包括：获取包含多条交易记录的交易组，根据所述交易组构造交易图；所述多条交易记录包括，预定时段中与目标用户相关的交易记录；在所述交易图中搜索表示若干风险模式的若干模式子图，得到匹配子图；从知识库中查找与所述匹配子图表示的风险模式相关的风险知识；从案例库中查找与所述交易图相似的交易案例的案例分析；将所述多条交易记录、所述风险知识、所述案例分析一并输入第一大语言模型，得到所述第一大语言模型输出的关于所述交易组的交易风险分析结果。
-
公开(公告)号：CN118278539A
公开(公告)日：2024-07-02
申请号：CN202410383999.6
申请日：2024-03-29
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06N20/00 , G06Q40/04 , G06Q40/00 , G06F16/901
Abstract: 本说明书实施例提供了一种数据处理方法、装置及设备，所述方法包括：获取待增强的第一图结构数据中的目标节点，所述第一图结构数据基于与目标用户触发执行金融类业务对应的业务数据构建，所述第一图结构数据用于表示所述目标用户与其他用户之间的资源交易关系；基于所述目标节点的节点特征，通过预先训练的节点生成模型，生成与所述目标节点对应的邻居节点以及所述邻居节点的节点特征；基于所述目标节点对应的邻居节点以及所述邻居节点的节点特征，对所述第一图结构数据进行信息增强处理，确定增强后的第一图结构数据，所述增强后的第一图结构数据用于确定所述目标用户触发执行所述金融类业务是否存在风险。
-
公开(公告)号：CN117932615A
公开(公告)日：2024-04-26
申请号：CN202410077208.7
申请日：2024-01-18
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书公开了一种风险检测方法、装置、存储介质以及电子设备，通过对获取到的明文数据进行脱敏处理，确定出对应的脱敏后数据。然后将脱敏后数据输入到预先经过训练的数据重构模型中，以使得数据重构模型能够根据脱敏后数据，生成出针对明文数据的重构数据。进而根据明文数据和脱敏后数据，以及明文数据对应的重构数据，确定通过脱敏后数据得到明文数据的最小错误率。最后根据最小错误率，对明文数据的脱敏后数据进行风险检测。通过本说明书中的方法能够精准的识别出对原明文数据所对应的脱敏数据是否具有泄露明文数据的风险，有效提高了原明文数据在使用和传输时的安全性，极大程度上维护了原明文数据所属用户或团体的信息安全和数据隐私。
-
公开(公告)号：CN116306991A
公开(公告)日：2023-06-23
申请号：CN202310260591.5
申请日：2023-03-10
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06N20/20
Abstract: 本说明书实施例提供了多种基于联邦学习的数据处理方法、装置及设备，其中一种方法包括：联邦学习客户端基于预先训练的目标模型中的编码器对目标数据的编码结果，确定目标数据对应的编码检测结果，再将目标数据对应的编码检测结果发送给联邦学习服务端，并接收联邦学习服务端发送的目标数据对应的异常检测结果，目标数据对应的异常检测结果为联邦学习服务端基于编码检测结果，以及由预先训练的目标模型中的检测子模型和联邦学习客户端发送的目标数据对应的编码检测结果确定的目标数据与每个预设数据分布的匹配概率，确定的检测结果，联邦学习客户端基于目标数据对应的异常检测结果，确定目标数据是否存在异常。
-
公开(公告)号：CN118194974A
公开(公告)日：2024-06-14
申请号：CN202410384323.9
申请日：2024-03-29
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书公开一种模型训练、业务风控方法、装置、存储介质及设备，在下游设备端，可以通过使每个下游设备将本地存储的图数据蒸馏到统一的基础图数据上，得到目标图数据，从而可以避免由于各个下游设备所使用的本地任务图数据之间的图异质性问题而导致联邦训练效果差的情况发生，以及，在中心服务器端，可以通过中心服务器根据每个下游设备返回的目标图数据与其他下游设备返回的目标图数据之间的相关性，将每个下游设备的模型参数与其他下游设备的模型参数进行聚合，以为每个下游设备确定一套个性化的目标模型参数，以使每个下游设备根据各自对应的目标模型参数对本地模型进行更新，进而可以提升联邦训练的训练效果。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.033 seconds)
