-
公开(公告)号：CN111275189A
公开(公告)日：2020-06-12
申请号：CN202010114977.1
申请日：2020-02-25
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网络表示学习方法、系统及装置。所述网络可以包括多个节点以及节点之间的关联关系，每个节点及每个关联关系分别对应于一个向量表示。所述方法可以包括以下操作：获取一组输入数据，所述输入数据包括网络中相互关联的第一节点以及第二节点的各自的向量表示，以及所述第一节点与所述第二节点之间的关联关系的向量表示；对于所述输入数据，利用基于生成对抗网络的表示学习模型，基于一次迭代，更新对应于所述第一节点、所述第二节点或所述关联关系的向量表示；依此，进行多次迭代直到满足停止迭代条件，获得所述网络中各节点或关联关系的目标向量表示。
-
公开(公告)号：CN119271886A
公开(公告)日：2025-01-07
申请号：CN202411303851.3
申请日：2024-09-18
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/9535 , G06F16/9035 , G06F18/22 , G06F18/10 , G06N5/022 , G06F18/25 , G06N3/042 , G06N3/084 , G06F18/214 , H04L67/55
Abstract: 本说明书实施例提供一种跨域的信息推送技术构思，在将源域和目标域的用户表征融合后，又基于信息瓶颈理论进行过滤，筛除与目标域关联性较小的数据从而得到用户对应的压缩表征。再将用户压缩表征与候选信息的信息表征进行匹配，得到预测结果(如通过与各条候选信息的匹配程度表示)。在模型训练过程中，通过最小化模型损失，可以使得模型中的待定参数至少向着以下目标调整：最大化压缩表征和用户在目标域对应的表征之间的相似度；最小化预测结果与样本标签之间的差距。如此，利用基于以上目标调整的跨域信息推送模型进行目标域的信息推送，可以提高跨域信息推送的准确性。
-
公开(公告)号：CN118132681B
公开(公告)日：2024-09-13
申请号：CN202410547438.5
申请日：2024-04-30
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医疗知识图谱查询中对多个查询结果的排序方法和装置。方法包括：根据查询请求从医疗知识图谱中提取目标子图；其中，目标子图包括多个类别的输入节点和多个结果节点，输入节点对应于查询请求中携带的输入医疗实体，结果节点对应于医疗相关查询结果；确定各个类别的反映其通用贡献的第一指标分数，第一指标分数与对应类别中各输入节点在医疗知识图谱中关联的结果节点数目负相关；针对任意的目标结果节点，根据各个类别的输入节点中与该目标结果节点的关联节点数目，确定各个类别的反映其对该目标结果节点贡献度的第二指标分数；根据各个类别的第一指标分数和第二指标分数，确定目标结果节点的排序分数。
-
公开(公告)号：CN118626779A
公开(公告)日：2024-09-10
申请号：CN202410599061.8
申请日：2024-05-14
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F18/20 , G06N3/0464 , G06N3/044 , G06N3/0442 , G06N3/0455 , G06F123/02
Abstract: 本说明书实施例提供一种时序预测方法及装置，在时序预测方法中，利用基础预测模型，基于目标测量对象在第一时段之前的前序测量值序列和在第一时段之中的第一测量值序列，得到其在第一时段的第一预测序列，以及在第二时段的第二预测序列，其中第二时段接续第一时段。至少将第一测量值序列、第一预测序列以及第二预测序列输入时序预测模型进行模型处理，得到针对第二时段的残差序列。将第二预测序列与残差序列相叠加，得到针对第二时段的最终预测序列。
-
公开(公告)号：CN118036722A
公开(公告)日：2024-05-14
申请号：CN202410232555.2
申请日：2024-02-29
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书实施例提供图解耦表征模型训练、图解耦表征和对象推荐方法及装置。在模型训练时，经由图表征生成层生成对象关系图中的对象节点的初始节点表征；经由特征解耦层基于对象节点的初始节点表征从样本对象节点的对象特征中解耦出有效特征和冗余特征，以及经由结构解耦层基于对象节点的初始节点表征将对象关系图解耦为有效结构图和冗余结构图。随后，经由图表征学习层，基于有效结构图对样本对象节点的有效特征进行图学习得到样本对象节点的有效表征。然后，执行模型训练任务来进行图解耦表征模型的模型更新。所执行的模型训练任务至少包括基于样本对象节点的有效表征的下游预测学习任务。
-
Patent Agency Ranking
公开(公告)号：CN117725113A
公开(公告)日：2024-03-19
申请号：CN202311654784.5
申请日：2023-12-05
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/2458 , G06F16/28 , G06F16/242
Abstract: 本说明书的实施例提供了一种基于大语言模型的知识挖掘方法和装置。在该基于大语言模型的知识挖掘方法中，根据预定实体图谱，获取针对源实体的结构化知识；根据该源实体在该预定实体图谱中的目标属性确定候选关系集；利用大语言模型根据该结构化知识、该候选关系集和针对该源实体的附加知识，输出对应的目标关系集和可继承知识，其中，该可继承知识包括该目标关系集中的关系所对应的至少一个目标实体词；再利用大语言模型基于该源实体、该目标关系集中的关系和结构化知识、附加知识、可继承知识中的至少一项构建的提示信息，输出与所提供的关系对应的候选实体词集；进而，得到与该源实体相关联的实体和相应关系。
-
公开(公告)号：CN115936057A
公开(公告)日：2023-04-07
申请号：CN202211538942.6
申请日：2022-12-02
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书实施例提供了一种基于关系网络的模型训练方法、表征确定方法及装置。其中通过注意力模型对用户节点的邻居用户节点进行选择，从而利用选择的邻居用户节点确定关系网络的选择邻接矩阵。接着，通过图神经网络，基于选择邻接矩阵将邻居节点表征向对应的用户节点传播，得到用户聚合表征；利用用户聚合表征和物表征之间的相似度拟合用户与物之间的点击行为，从而与已有点击行为之间的差异构建预测损失，并更新注意力模型。训练后的注意力模型能够选择出更可信的邻居用户。之后，利用注意力模型对用户和商品进行多路径的表征聚合，并利用自监督训练多表征聚合模型，得到最终的用户表征和商品表征，进而利用其相似度拟合用户对商品的点击概率。
-
公开(公告)号：CN115238188A
公开(公告)日：2022-10-25
申请号：CN202210948901.8
申请日：2022-08-09
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/9535 , G06F16/9537 , G06N3/04 , G06N3/08
Abstract: 本说明书实施例公开了一种对象推荐方法，包括：获取候选对象的特征信息和用户行为序列；所述用户行为序列包括与用户历史操作相关的至少一个对象的特征信息；其中，特征信息包括两个以上特征域对应的特征值；基于所述候选对象的特征信息确定候选对象的特征域分布信息；对于所述至少一个对象中的每一个：将对象的特征信息以及候选对象的特征域分布信息进行融合，获得对象的融合分布特征值；进而获得用户行为特征表示，所述用户行为特征表示包括所述至少一个对象的融合分布特征值；至少基于所述用户行为特征表示确定所述候选对象对所述用户的推荐分值。
-
公开(公告)号：CN114756720A
公开(公告)日：2022-07-15
申请号：CN202210662745.9
申请日：2022-06-13
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/901 , G06N3/04 , G06N3/08
Abstract: 本公开披露了一种时序数据的预测方法和装置。所述方法包括：获取图数据，所述图数据包括目标节点的时序数据以及所述目标节点的邻居节点的时序数据；将所述目标节点的时序数据输入时序编码器，得到所述目标节点的节点特征；将所述目标节点的时序数据和所述邻居节点的时序数据输入空间编码器，得到所述邻居节点的节点特征，所述邻居节点的节点特征为所述邻居节点的时序数据中的与所述目标节点的时序数据相关的特征；将所述目标节点的节点特征和所述邻居节点的节点特征融合，得到融合后的特征；根据所述融合后的特征，确定所述目标节点的时序数据的预测结果。
-
公开(公告)号：CN111507543B
公开(公告)日：2022-05-17
申请号：CN202010466497.1
申请日：2020-05-28
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用于预测实体间业务关系的模型训练方法及装置，利用采集到的实体基础数据构建基础关系图谱，从而利用实体间已知的上下游业务关系，训练包含第一图神经网络和第一分类网络的业务关系预测模型，用于挖掘未知的上下游业务关系。进一步地，本说明书实施例还提供一种实体业务关系图谱的构建方法及装置，通过利用训练后的业务关系预测模型，挖掘出未知的上下游业务关系，进而结合已知的实体间业务关系，构建实体业务关系图谱。更进一步地，本说明书实施例还提供一种实体业务风险的预测方法及装置，基于构建出的实体业务关系图谱，实现对实体节点进行精准地业务风险预测。
-
-
-
-
-
-
-
-
-
Search Results
118
records
(took 0.093 seconds)
