-
公开(公告)号：CN117540791B
公开(公告)日：2024-04-05
申请号：CN202410013557.2
申请日：2024-01-03
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06N3/094 , G06N3/0464 , G06N3/045 , G06N3/044 , G06N3/0475 , G06N3/084 , G06F18/23213 , G06Q20/40
Abstract: 本说明书实施例涉及一种对抗训练的方法及装置，方法包括：首先，获取基于训练集训练的第一模型，训练集中各训练样本包含结构化的特征数据及标签。然后，基于第一模型针对各个训练样本的总预测损失对特征数据的梯度值，确定目标权重向量。接下来，将目标权重向量施加于各训练样本的特征数据，得到各第一结果向量，并构建检索集。最后，基于训练集和检索集对第二模型进行多轮训练；任意一轮训练包括：使用训练集中部分训练样本训练第二模型；基于对抗训练算法与第二模型，确定部分训练样本对应的对抗样本特征；利用对抗样本特征在检索集中进行检索，从而确定各个对抗样本特征的标签，并构建对抗训练集；使用对抗训练集训练第二模型。
-
公开(公告)号：CN116797231A
公开(公告)日：2023-09-22
申请号：CN202310620930.6
申请日：2023-05-26
Applicant: 支付宝(杭州)信息技术有限公司
Inventor： 林晓彤
IPC: G06Q20/40 , G06F18/2431 , G06F18/25 , G06F16/22 , G06F16/2455 , G06N3/0464 , G06N3/08
Abstract: 本说明书公开了一种风险识别模型的训练方法、装置、设备及可读存储介质，构建第一拓扑图，通过所述风险识别模型的节点关联子网，确定与每个节点相似的关联节点，将节点与关联节点之间通过目标边链接，构建第二拓扑图，进而根据各节点的第一特征、第一拓扑图和第二拓扑图，得到各节点的目标特征，并通过分类子网得到各业务对象的预测风险类型，并以此训练所述风险识别模型。可见，即使两个具有相似特征的节点间没有边的链接，也能够通过生成目标边并构建第二拓扑图的方式，捕捉提取到在第一拓扑图上距离较远，但节点特征较为相似的节点信息，进而提高训练完成的风险识别模型的识别准确度。
-
公开(公告)号：CN115408449B
公开(公告)日：2023-03-07
申请号：CN202211332029.0
申请日：2022-10-28
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/2458 , G06F18/22 , G06Q20/40
Abstract: 本说明书实施例公开了一种用户行为的处理方法、装置及设备，该方法包括：获取目标用户在当前时刻执行目标业务过程中的用户行为数据，并基于当前时刻获取的用户行为数据，获取目标用户执行目标业务过程中的相应用户历史行为数据，将当前时刻获取的用户行为数据和相应用户历史行为数据分别输入到预先训练的编码模型中，得到用户行为数据对应的向量表征和相应用户历史行为数据对应的向量表征，基于用户行为数据对应的向量表征和相应用户历史行为数据对应的向量表征，确定两者之间的相似度，并基于相似度，确定目标用户执行目标业务过程中用户行为分布的变化趋势信息，进而确定用户行为数据中目标用户的用户行为发生突变的位置。
-
公开(公告)号：CN115905624B
公开(公告)日：2023-06-16
申请号：CN202211271412.X
申请日：2022-10-18
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/90 , G06N3/044 , G06N3/0464 , G06N3/084
Abstract: 本说明书实施例公开了一种用户行为状态的确定方法、装置及设备，该方法包括：获取目标用户多次执行目标业务所产生的操作行为信息构建的业务时序信息，基于业务时序信息和预先训练的神经网络模型，确定业务时序信息对应的重构系数，训练神经网络模型的过程中通过以下目标函数对神经网络模型中的模型参数进行优化处理：基于由训练样本和训练样本对应的重构系数样本构建的范数，以及重构系数样本对应的熵确定的目标函数；基于业务时序信息对应的重构系数和业务时序信息，确定业务时序信息中不同时间执行的目标业务之间的关联关系；基于业务时序信息中不同时间执行的目标业务之间的关联关系，确定目标用户执行目标业务的行为状态信息。
-
公开(公告)号：CN115130621B
公开(公告)日：2022-12-27
申请号：CN202211060836.1
申请日：2022-08-31
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书公开了一种模型训练方法、装置、存储介质及电子设备，本说明书实施例中针对将用户数据涉及维度进行组合后的每个维度组合，将用户数据中该维度组合内包含的维度对应的数据输入到特征表示模型中，得到该维度组合对应的特征数据。以同一用户在不同维度组合对应的特征数据之间的偏差最小化为优化目标，对特征表示模型进行训练。最后，特征表示模型将提取的特征数据输入业务模型，使业务模型执行业务。在此方法中，将同一用户的不同维度组合对应的特征数据之间偏差最小化为目标，训练特征表示模型，可以使特征表示模型学习到不同维度下的数据之间的隐含关系，从而提高特征表示模型表示特征数据的准确性以及业务模型执行业务的准确性。
-
Patent Agency Ranking
公开(公告)号：CN111539612B
公开(公告)日：2022-04-01
申请号：CN202010308006.0
申请日：2020-04-17
Applicant: 支付宝(杭州)信息技术有限公司
Inventor： 林晓彤
IPC: G06Q10/06 , G06F16/35 , G06F40/289
Abstract: 本说明书公开了一种风险分类模型的训练方法和系统，对投诉样本数据进行风险类型识别，确定出M类已知风险类型和未明确类型的剩余样本数据；在M类已知风险类型中；利用主题建模模型对剩余样本数据提取主题词集；利用密度型聚类算法对提取的主题词集进行聚类，获得N类新风险类型；在N类新风险类型中，一类新风险类型对应一类主题词集，新风险类型和已知风险类型不同；利用投诉样本数据、目标主题词集和目标风险类型对句子主题匹配网络进行训练，获得风险分类模型；其中，目标主题词集中包括M类已知风险类型对应的主题词集和N类新风险类型对应的主题词集，目标风险类型包括M类已知风险类型和N类新风险类型。
-
公开(公告)号：CN112199709A
公开(公告)日：2021-01-08
申请号：CN202011173882.3
申请日：2020-10-28
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基于多方的隐私数据联合训练模型的方法和装置，方法包括：多个第一方中的任一第一方利用本地第一对象集合中各对象的第一隐私数据和第一类别标签，以及其他第一方的第一隐私数据和第一类别标签，基于横向联邦学习的方式，得到第一子模型对应的多个第一方共享的第一参数集合；确定本地的第一对象集合与第二方具有的第二对象集合互相重叠的共同对象；利用本地的共同对象分别对应的第一隐私数据，以及第二方的第二隐私数据和第二类别标签，基于纵向联邦学习的方式，更新本地的第一子模型对应的第一参数集合；第二方得到其具有的第二子模型对应的第二参数集合。能够提高训练后得到的模型的预测准确率。
-
公开(公告)号：CN117933707A
公开(公告)日：2024-04-26
申请号：CN202410078158.4
申请日：2024-01-18
Applicant: 支付宝(杭州)信息技术有限公司
Inventor： 林晓彤
IPC: G06Q10/0635 , G06Q10/04 , G06F16/26 , G06F16/2458 , G06N3/0464
Abstract: 在本说明书提供的一种风控模型解释方法、装置、存储介质及电子设备中，通过训练为有向无环图的边确定权重，并根据边的权重和有向无环图确定用户预测风控结果的风控模型，使得在应用该风控模型进行风控时，可以确定该风控模型确定的边的权重，以根据有向无环图中各边的权重确定预测风控结果的解释。通过确定有向无环图中各边的权重并生成解释的方法，解决了对风控结果的模型解释或模型分析结果较为单一的问题。
-
公开(公告)号：CN117635151A
公开(公告)日：2024-03-01
申请号：CN202311633254.2
申请日：2023-11-30
Applicant: 支付宝(杭州)信息技术有限公司
Inventor： 林晓彤
IPC: G06Q20/40 , G06N7/01 , G06F18/2415
Abstract: 本申请实施例提供一种风险控制策略确定方法、装置、设备及存储介质，涉及计算机领域，其中方法包括：获取目标账户的账户特征数据；将所述账户特征数据输入到控制概率预测模型中，获取候选风险控制策略对应的控制概率以及不控制概率；将所述账户特征数据输入到候选风险控制策略对应的风险增量预测模型中，预测所述候选风险控制策略对应的第一风险增量和第二风险增量；根据所述候选风险控制策略对应的控制概率和不控制概率以及第一风险增量和第二风险增量，确定所述候选风险控制策略对应的风险转化增量；根据所述候选风险控制策略对应的风险转化增量，确定目标风险控制策略，由此，能够使用较低的成本使风险指标下降。
-
公开(公告)号：CN117540791A
公开(公告)日：2024-02-09
申请号：CN202410013557.2
申请日：2024-01-03
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06N3/094 , G06N3/0464 , G06N3/045 , G06N3/044 , G06N3/0475 , G06N3/084 , G06F18/23213 , G06Q20/40
Abstract: 本说明书实施例涉及一种对抗训练的方法及装置，方法包括：首先，获取基于训练集训练的第一模型，训练集中各训练样本包含结构化的特征数据及标签。然后，基于第一模型针对各个训练样本的总预测损失对特征数据的梯度值，确定目标权重向量。接下来，将目标权重向量施加于各训练样本的特征数据，得到各第一结果向量，并构建检索集。最后，基于训练集和检索集对第二模型进行多轮训练；任意一轮训练包括：使用训练集中部分训练样本训练第二模型；基于对抗训练算法与第二模型，确定部分训练样本对应的对抗样本特征；利用对抗样本特征在检索集中进行检索，从而确定各个对抗样本特征的标签，并构建对抗训练集；使用对抗训练集训练第二模型。
-
-
-
-
-
-
-
-
-
Search Results
17
records
(took 0.042 seconds)
