公开(公告)号：CN114519610A

公开(公告)日：2022-05-20

申请号：CN202210143587.6

申请日：2022-02-16

Applicant: 支付宝(杭州)信息技术有限公司

Inventor： 赵叶宇 ,  范芳芳 ,  方彦明

IPC: G06Q30/02

Abstract: 本说明书实施例提供了信息预测方法以及装置，其中，信息预测方法包括：首先获取第一历史时间段的包括多个时间序列的历史时序信息，然后将历史时序信息输入预先训练的由多个串联的时序子模型组成的时序模型，得到各时序子模型输出的目标时间段的预测时序向量，其中，时序子模型间加入了回测机制，最后对各时序子模型输出的预测时序向量进行聚合，得到聚合结果，基于聚合结果，确定目标时间段的预测信息。同时输入多条时间序列，提升了预测的效率，同时可以捕捉时间序列之间的关联性，得到的预测信息更加精准，同时时序模型具有多个时序子模型，可以对不同场景处理，而不需要建立多个模型，节省了成本。

公开(公告)号：CN115049067A

公开(公告)日：2022-09-13

申请号：CN202210513340.9

申请日：2022-05-12

Applicant: 支付宝(杭州)信息技术有限公司

Inventor： 赵叶宇 ,  董庆州 ,  方彦明

IPC: G06N20/00 ,  G06K9/62 ,  G06N3/08

Abstract: 本说明书实施例公开了一种模型解释及训练方法、装置、设备、介质及程序产品。其中，模型训练方法首先将获取包括多个样本测试数据的样本测试集输入由样本训练集训练得到的预设模型中，输出样本测试集中每个样本测试数据对应的第一预测结果，上述样本训练集包括多个已知目标值的样本训练数据，每个样本测试数据以及每个样本训练数据均对应N个特征，N为大于或等于2的正整数，然后通过根据上述样本测试集中每个样本测试数据对应的第一预测结果以及上述样本测试集中每个样本测试数据对应的N个特征，按照预设训练方式训练可解释模型。上述可解释模型用于解释上述预设模型产生上述第一预测结果的原因。

公开(公告)号：CN115345653A

公开(公告)日：2022-11-15

申请号：CN202210952101.3

申请日：2022-08-09

Applicant: 支付宝(杭州)信息技术有限公司

Inventor： 范芳芳 ,  赵叶宇 ,  方彦明

IPC: G06Q30/02 ,  G06Q30/06

Abstract: 本申请公开了一种增益值获取方法、装置、存储介质及电子设备，其中，方法包括：获取用户特征数据，获取推广事务特征数据，基于增益模型中的嵌入层获取所述推广事务特征数据对应的推广事务向量，基于所述增益模型中的编码层获取所述用户特征数据对应的编码特征数据，采用所述增益模型中的交叉层，并根据所述推广事务向量和所述编码特征数据，获取所述用户在所述推广事务影响下所对应的增益值。采用本申请，可以通过将推广事务的特征与用户的特征进行交叉融合得到用户在推广事务影响下的增益值，获取用户受推广事务影响的大小，提高推送推广事务准确性。

公开(公告)号：CN111079903A

公开(公告)日：2020-04-28

申请号：CN201911335220.9

申请日：2019-12-23

Applicant: 支付宝(杭州)信息技术有限公司

Inventor： 赵叶宇 ,  马骊 ,  于泉

IPC: G06N3/04 ,  G06N3/08 ,  G06Q10/04 ,  G06Q40/00

Abstract: 本说明书实施例公开了一种端到端的序列预测方法、装置及设备。其中端到端的序列预测方案，包括：输入目标实体对应的时间序列数据，所述时间序列数据包括在预测所需的时间序列上所述目标实体对应的特征数据；利用预设的第一循环神经网络，根据所述时间序列数据生成编码向量；利用预设的第二循环神经网络对所述编码向量进行自回归的时间序列预测，以输出所述目标实体对应的时间序列预测结果。