-
公开(公告)号：CN113268776A
公开(公告)日：2021-08-17
申请号：CN202110508630.X
申请日：2019-12-09
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区块链的模型联合训练方法及装置，在训练方法中，区块链的当前层节点接收对应的上层节点发送的第一训练结果。该第一训练结果至少基于第一类型结果确定，第一类型结果由上层节点基于其在链下维护的私有数据，对其在链上维护的多种模型中的目标模型进行训练后得到。当前层节点基于其链下维护的私有数据，对其在链上维护的多种模型中的目标模型进行训练，得到第二训练结果。对第一训练结果和第二训练结果进行融合，得到融合结果。判断当前层节点是否在最后一个层级。若当前层节点在最后一个层级，则在区块链上广播所述融合结果，以使得多个节点基于融合结果对各自在链上维护的多种模型中的目标模型进行更新。
-
公开(公告)号：CN113255891A
公开(公告)日：2021-08-13
申请号：CN202110587002.5
申请日：2021-05-27
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通过高阶特征交互对事件进行处理的方法和神经网络模型。在该方法中，首先获取目标事件的编码向量；然后对该编码向量进行非线性变换，得到第一特征向量，其中所有元素均为正数。接着，对于多种高阶特征组合中任意的第一组合，利用与第一组合对应的第一组合矩阵处理该第一特征向量的自然对数，得到中间向量，并基于中间向量的自然指数确定第一组合对应的特征交互向量；其中，多种高阶特征组合中每种组合，对应于第一特征向量中多个向量元素的相乘组合。于是，至少基于上述多种高阶特征组合各自对应的特征交互向量，确定目标事件的事件表征向量；进而进行与事件相关的业务预测。
-
公开(公告)号：CN113222480A
公开(公告)日：2021-08-06
申请号：CN202110656184.7
申请日：2021-06-11
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生成对抗样本的生成模型的训练方法和装置，该方法包括，首先获取原始样本构成的样本集，其中包括正常样本和风险样本；还获取风险检测模型及其对应的损失函数。针对样本集中各个原始样本，利用生成模型生成扰动变换，并将其叠加在对应原始样本上，得到各个原始样本对应的各个变换样本；利用风险检测模型确定各个变换样本的各个风险预测值；以正常样本对应的标签值为比对标签值，分别将各个风险预测值代入前述损失函数，得到各个变换样本的对抗损失；至少根据各个变换样本的对抗损失的综合确定总对抗损失；以最小化总对抗损失为目标，调整生成模型中的参数。
-
公开(公告)号：CN113220852A
公开(公告)日：2021-08-06
申请号：CN202110490492.7
申请日：2021-05-06
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/332 , G06F16/33
Abstract: 本说明书一个实施例提了一种人机对话方法、装置、设备和存储介质，其中方法包括：获取人机对话过程中用户的会话数据和人机对话的场景数据，根据预先训练的待追问对象标注模型，在用户的会话数据中标注待追问对象，根据待追问对象和人机对话的场景数据，生成会话数据的回复数据，向用户推送该回复数据，以进行人机对话。
-
公开(公告)号：CN111368147B
公开(公告)日：2021-07-06
申请号：CN202010114823.2
申请日：2020-02-25
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/901 , G06F16/906 , G06Q40/04
Abstract: 本说明书实施例提供一种图特征处理的方法和装置。根据该方法，首先根据关系数据，构建关系网络图，其中关系数据包括用户参与的交互事件记录；关系网络图包括多个用户节点，以及基于交互事件形成的有向边。然后，将该关系图分割为多个子图，其中包括用于用户分类模型训练的第一子图。对于第一子图中各个节点，获取节点的低阶特征，其中包括节点的度。然后，还对于基于第一子图得到的无向图中的各个节点，获取节点的高阶特征，其中包括多阶H指数，每阶H指数表示，满足H个邻居节点的上一阶H指数大于等于H的最大H值；其中0阶H指数为节点的度。于是，可以基于低阶特征和高阶特征，生成备选特征集，作为训练用户分类模型的备选特征。
-
Patent Agency Ranking
公开(公告)号：CN112948883A
公开(公告)日：2021-06-11
申请号：CN202110317328.6
申请日：2021-03-25
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保护隐私数据的多方联合建模的方法、装置和系统，方法包括：第一方将用户集中任意的第一用户对应的第一隐私数据输入第一神经网络模型，获取第一神经网络模型的目标隐层输出的中间数据；第一神经网络模型利用伪标签通过自监督方式训练得到，伪标签基于用户集中各用户的第一隐私数据而构造；将中间数据和第一用户的用户标识发送给第二方，以使第二方根据用户标识，对中间数据和第一用户对应的第二隐私数据整合后，利用第一用户对应的类别标签，对第二神经网络模型进行训练。能够在多方联合建模时，既保护隐私数据，又能够有效提升模型表现。
-
公开(公告)号：CN112417485A
公开(公告)日：2021-02-26
申请号：CN202011380981.9
申请日：2020-11-30
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书公开了一种基于可信执行环境的模型训练方法、系统及装置。所述方法包括模型需求方将第一训练样本集发送到模型训练方的可信执行环境中；模型提供方将旧模型和第二训练样本集发送到模型训练方的可信执行环境中；所述旧模型是模型提供方预先基于第二训练样本集训练得到的；模型训练方在可信执行环境中基于所述旧模型构建新模型；所述新模型的输出包括针对输入样本的标签预测值和来源预测值；模型训练方在可信执行环境中，基于预设算法利用第一训练样本集和第二训练样本集训练所述新模型，所述预设算法用于降低所述新模型针对样本标签的损失、并增大所述新模型针对样本来源的损失。
-
公开(公告)号：CN112200711A
公开(公告)日：2021-01-08
申请号：CN202011167598.5
申请日：2020-10-27
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书提出一种水印分类模型的训练方法及系统，系统包括综合节点和多个数据节点，任一数据节点，将本地数据集中任一图像输入到本地的水印检测模型中；利用该模型输出结果中的水印位置对该图像进行截取，获得至少一个目标水印图像；利用获得目标水印图像集构建水印分类模型训练样本集。循环迭代以下步骤，直至满足训练要求：任一数据节点，利用本地构建的训练样本集以及当前模型参数计算水印分类模型训练特征，并将模型训练特征上传至综合节点；综合节点接收到各个数据节点上传的模型训练特征后，确定水印分类模型综合训练特征，并将该综合训练特征下发至各个数据节点；任一数据节点，利用接收到的综合训练特征对本地模型参数进行更新。
-
公开(公告)号：CN112149824A
公开(公告)日：2020-12-29
申请号：CN202010968311.2
申请日：2020-09-15
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更新推荐模型的方法和装置，其中推荐模型包括通过强化学习实现的智能体。方法包括：获取针对目标用户的当前推荐状态，将其输入智能体，智能体根据推荐策略，从备选动作集中确定针对目标用户的推荐动作。其中，推荐策略通过策略参数进行表征。然后，确定在执行上述推荐动作的情况下，按照推荐策略进行推荐的期望收益，作为第一收益；确定在推荐策略下，执行所有备选动作的预期平均收益，作为第二收益；并且，基于第一收益与第二收益的差值，确定执行推荐动作的遗憾度表示。根据上述遗憾度表示，确定对策略参数的更新梯度；于是根据更新梯度，更新智能体中的推荐策略。
-
公开(公告)号：CN111553488B
公开(公告)日：2020-10-20
申请号：CN202010661868.1
申请日：2020-07-10
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书公开了一种针对用户行为的风险识别模型训练方法及系统。所述方法包括：循环执行以下步骤，直到满足循环停止条件：服务端将本地的第一类风险识别模型的第一类模型参数集分别下发到至少两个用户终端；每个用户终端执行：基于所接收到的第一类模型参数集配置本地的第二类风险识别模型；获取本地的行为模式特征；将本地的行为模式特征输入到本地的第二类风险识别模型，以便根据对应的风险标签训练本地的第二类风险识别模型；以减小本地的第二类风险识别模型的训练损失为目标，更新本地第二类风险识别模型；将本地的第二类风险识别模型的第二类模型参数集上传给服务端；服务端根据接收到的各第二类模型参数集，重新确定第一类模型参数集。
-
-
-
-
-
-
-
-
-
Search Results
500
records
(took 0.093 seconds)
