-
公开(公告)号：CN111445282B
公开(公告)日：2023-02-10
申请号：CN202010203021.9
申请日：2020-03-20
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06Q30/02 , G06F16/9535
Abstract: 本说明书一个或多个实施例提供了一种基于用户行为的业务处理方法、装置及设备，在基于用户行为的业务处理方法中，分别对第一用户行为特征向量和第一广告特征向量进行压缩后，将得到的第二用户行为特征向量以及第二广告特征向量进行特征交叉，得到注意力机制参数，再将该注意力机制参数与第一用户行为特征向量进行特征交叉，得到用户行为的向量表示，从而可根据用户的行为充分学习到用户对每个广告的差别，有助于更好的挖掘用户的兴趣的多样性。
-
公开(公告)号：CN110941758B
公开(公告)日：2022-09-16
申请号：CN201911113893.X
申请日：2019-11-14
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/9535 , G06N20/00
Abstract: 本说明书提供一种推荐系统的合成特征生成方法，包括：基于某用户的n个历史特征和m个目标对象特征，生成n×m维的历史与对象矩阵P；n和m为自然数；根据行归一化矩阵B的所有行向量生成m维中间向量θ，基于中间向量θ和列归一化矩阵A得到n维权重向量γ；所述行归一化矩阵B为对历史与对象矩阵P的每行做归一化处理后得到的n×m维矩阵，所述列归一化矩阵A为对历史与对象矩阵P的每列做归一化处理后得到的n×m维矩阵；由权重向量γ和所述n个历史特征，生成合成特征；将所述合成特征输入机器学习推荐模型，对所述用户与所述目标对象的匹配程度进行预测。
-
公开(公告)号：CN112115188A
公开(公告)日：2020-12-22
申请号：CN202011314171.3
申请日：2020-11-20
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/248 , G06F16/2457
Abstract: 本说明书实施例提供一种向目标用户展示目标对象序列的方法和装置，方法包括：将各交互特征向量按照初始排序输入重排序模型，重排序模型包括编码器和解码器，编码器确定目标对象序列中各目标对象与所述第一目标对象的全局注意力，根据全局注意力将该第一目标对象编码为第一隐特征向量；确定目标对象序列中以第一目标对象为中心的部分目标对象与第一目标对象的局部注意力，根据局部注意力将该第一目标对象编码为第二隐特征向量；对第一隐特征向量和第二隐特征向量加权求和，得到综合隐特征向量；解码器根据各综合隐特征向量，确定各目标对象的重排序；按照重排序的各目标对象的位置，向目标用户展示目标对象序列。能够达到用户反馈的最大化。
-
公开(公告)号：CN111445282A
公开(公告)日：2020-07-24
申请号：CN202010203021.9
申请日：2020-03-20
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06Q30/02 , G06F16/9535
Abstract: 本说明书一个或多个实施例提供了一种基于用户行为的业务处理方法、装置及设备，在基于用户行为的业务处理方法中，分别对第一用户行为特征向量和第一广告特征向量进行压缩后，将得到的第二用户行为特征向量以及第二广告特征向量进行特征交叉，得到注意力机制参数，再将该注意力机制参数与第一用户行为特征向量进行特征交叉，得到用户行为的向量表示，从而可根据用户的行为充分学习到用户对每个广告的差别，有助于更好的挖掘用户的兴趣的多样性。
-
公开(公告)号：CN111178987B
公开(公告)日：2020-06-30
申请号：CN202010276692.8
申请日：2020-04-10
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训练用户行为预测模型的方法和装置。训练方法包括，获取全量样本，其中包括指示用户是否实施目标行为的第一标签，和指示是否在时间窗口t内实施该行为的第二标签。将各个样本输入用户行为预测模型，通过其中的第一网络部分预测用户实施目标行为的第一概率，以及通过第二网络部分针对实施了目标行为的部分用户，预测其在窗口t内实施的第二概率。将各个样本的第一概率与第一标签进行比对，以及将上述部分用户的第一概率和第二概率的乘积与第二标签比对，确定总损失，据此更新该模型。进一步地，还可以利用仅具有第二标签的短期样本，对模型进行优化，优化时固定第二网络部分，仅对第一网络部分进行更新。
-
Patent Agency Ranking
公开(公告)号：CN111325614A
公开(公告)日：2020-06-23
申请号：CN202010409708.8
申请日：2020-05-15
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书提出了一种电子对象的推荐方法、装置和电子设备，其中所述电子对象推荐方法，包括：获取已为第一用户推荐的多个电子对象的特征，根据所述多个电子对象的特征生成特征序列；获取候选电子对象特征，确定所述候选电子对象特征与所述特征序列包含的各特征之间的相关值；根据所述第一用户的用户特征和所述相关值，从候选电子对象中确定向第一用户推荐的电子对象，通过本说明书实施例方案能够提高电子对象推荐的匹配度。
-
公开(公告)号：CN111178987A
公开(公告)日：2020-05-19
申请号：CN202010276692.8
申请日：2020-04-10
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训练用户行为预测模型的方法和装置。训练方法包括，获取全量样本，其中包括指示用户是否实施目标行为的第一标签，和指示是否在时间窗口t内实施该行为的第二标签。将各个样本输入用户行为预测模型，通过其中的第一网络部分预测用户实施目标行为的第一概率，以及通过第二网络部分针对实施了目标行为的部分用户，预测其在窗口t内实施的第二概率。将各个样本的第一概率与第一标签进行比对，以及将上述部分用户的第一概率和第二概率的乘积与第二标签比对，确定总损失，据此更新该模型。进一步地，还可以利用仅具有第二标签的短期样本，对模型进行优化，优化时固定第二网络部分，仅对第一网络部分进行更新。
-
公开(公告)号：CN110941758A
公开(公告)日：2020-03-31
申请号：CN201911113893.X
申请日：2019-11-14
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/9535 , G06N20/00
Abstract: 本说明书提供一种推荐系统的合成特征生成方法，包括：基于某用户的n个历史特征和m个目标对象特征，生成n×m维的历史与对象矩阵P；n和m为自然数；根据行归一化矩阵B的所有列向量生成m维中间向量θ，基于中间向量θ和列归一化矩阵A得到n维权重向量γ；所述行归一化矩阵B为对历史与对象矩阵P的每行做归一化处理后得到的n×m维矩阵，所述列归一化矩阵A为对历史与对象矩阵P的每列做归一化处理后得到的n×m维矩阵；由权重向量γ和所述n个历史特征，生成合成特征；将所述合成特征输入机器学习推荐模型，对所述用户与所述目标对象的匹配程度进行预测。
-
公开(公告)号：CN115034861B
公开(公告)日：2024-08-13
申请号：CN202210740465.5
申请日：2022-06-28
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06N3/096 , G06N3/042 , G06Q30/0601
Abstract: 本说明书实施例公开了一种针对长尾分布的学习方法、装置以及设备，方案包括：确定物品集合中的各头部物品和各尾部物品；确定依次具有从属关系的多个属性维度，以及头部物品和尾部物品在属性维度上的属性值；将头部物品、尾部物品、属性值作为图节点，根据图节点和从属关系，生成图网络，以使头部物品的图节点通过对应的属性值的图节点，与尾部物品的图节点连接；确定反映头部物品的图节点向量内不同维度之间的相关性的第一相关性参数，以及反映尾部物品的图节点向量内不同维度之间的相关性的第二相关性参数；确定反映第一相关性参数与第二相关性参数之间差距的相关性损失；根据相关性损失，对图网络中的图节点向量进行学习。
-
公开(公告)号：CN111538907B
公开(公告)日：2023-04-18
申请号：CN202010505356.6
申请日：2020-06-05
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/9535 , G06Q30/0601 , G06N3/044 , G06N3/0464
Abstract: 本说明书实施例公开了一种对象推荐方法、系统及装置。所述方法包括：获取预设历史时间段内分别与多个历史时间节点对应的对象特征；将对象特征按照时间区间进行划分，得到多个时段对象特征；利用循环神经网络处理每一个时段对象特征，得到对应的第一向量表示；利用膨胀卷积神经网络处理每一个第一向量表示，得到对应的第二向量表示；获取待推荐对象的对象特征，以及目标用户的用户特征；对所述待推荐对象的对象特征与多个所述第二向量表示进行注意力机制的计算，获取第三向量表示；基于所述第三向量表示，以及所述用户特征，确定对应于所述待推荐对象的推荐分值；基于所述推荐分值确定是否向目标用户推荐所述待推荐对象。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.032 seconds)
