-
公开(公告)号：CN114912549A
公开(公告)日：2022-08-16
申请号：CN202210807503.4
申请日：2022-07-11
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书实施例描述了风险交易识别模型的训练方法、风险交易识别方法和装置。根据实施例的方法，在对风险交易识别模型进行训练时，获取到的黑数据样本和白数据样本的分类标签是已知的。通过利用当前训练的风险交易识别模型对各数据样本进行识别能够得到各自的识别结果，进而可以确定出损失函数，并利用该损失函数继续进行模型训练。由于确定的损失函数是能够提高黑数据样本的学习权重的，从而当用于模型学习的黑数据样本少于白数据样本时，能够减弱学习任务向白数据样本的分类标签倾斜的问题，进而提高模型对风险交易进行识别的准确性。
-
公开(公告)号：CN114897168A
公开(公告)日：2022-08-12
申请号：CN202210696228.3
申请日：2022-06-20
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本公开提供了一种风控模型的融合训练方法，包括：接收标签数据并提炼专家知识；将所述标签数据和所述专家知识分别进行多阶特征交叉以获取数据表征和规则表征；基于所述规则表征提纯所述数据表征；以及基于经提纯的数据表征训练并输出所述风控模型。
-
公开(公告)号：CN113988225B
公开(公告)日：2022-05-06
申请号：CN202111597741.9
申请日：2021-12-24
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建立表征提取模型、表征提取、类型识别的方法和装置。根据该实施例的方法，首先获取包含一个以上样本对的第一训练数据，样本对包括正样本对和负样本对；然后利用第一训练数据训练第一表征提取模型和第二表征提取模型，其中第一表征提取模型用以利用用户的终端侧特征提取用户的终端侧表征向量，第二表征提取模型用以利用用户的服务器侧特征提取用户的服务器侧表征向量；训练目标为最大化正样本对的终端侧表征向量与服务器侧表征向量之间的相似度且最小化负样本对的终端侧表征向量与服务器侧表征向量之间的相似度；再将训练得到的第一表征提取模型部署于终端设备。
-
公开(公告)号：CN113850309A
公开(公告)日：2021-12-28
申请号：CN202111082326.X
申请日：2021-09-15
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书一个或多个实施例提供一种训练样本生成及联邦学习方法，应用于至少两个相互协作的数据提供方之间的任一数据提供方，接收协作数据提供方发送的，用于表征每个特征的取值分布的特征值分布集合，并根据特征值分布集合，生成符合该特征值分布集合所表征的分布的数据，将生成的数据作为新的训练样本。由于接收的是表征特征的取值分布的特征值分布集合，使得该数据提供方无法通过接收的数据，反解得到每个用户的数据，保护了数据隐私；且使得该数据提供方得以生成足够的训练样本，实现了在保护数据隐私情况下的数据共享。
-
公开(公告)号：CN113256300A
公开(公告)日：2021-08-13
申请号：CN202110582927.0
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了一种交易的处理方法及装置，该方法包括：接收第一用户的交易请求；其中，该交易请求指示第一用户与第二用户进行交易；获取与上述交易请求相关联的历史记录数据；根据该历史记录数据，采用机器学习模型预测上述交易是否为可信交易；其中，该交易被判定为可信交易的条件包括该交易不存在囤号风险；其中，上述历史记录数据包括以下数据中的至少一种：第一用户的历史点击行为序列数据、第一用户的交易关系数据、第二用户的交易关系数据，以及第一用户与第二用户之间的历史交易数据。
-
Patent Agency Ranking
公开(公告)号：CN113222141A
公开(公告)日：2021-08-06
申请号：CN202110521834.7
申请日：2021-05-13
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模型的监督训练方法、装置及设备，该方法包括：获取用于训练预设模型的样本数据，并对所述样本数据进行特征提取，得到每个所述样本数据对应的特征向量；使用预设的字典学习算法，并基于每个所述样本数据对应的特征向量、预设的字典矩阵和待确定的每个所述样本数据对应的类别构建的优化目标，对每个所述样本数据进行分类，得到每个所述样本数据对应的类别，所述字典矩阵由预设的用于构建样本数据类别的多个基向量构建；基于每个所述样本数据对应的特征向量和每个所述样本数据对应的类别对所述预设模型进行监督训练。
-
公开(公告)号：CN117592056B
公开(公告)日：2025-03-11
申请号：CN202311564982.2
申请日：2023-11-21
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F21/57 , G06N3/0475 , G06N3/0464 , G06N3/09
Abstract: 本说明书公开了一种模型的防盗取检测方法、装置、存储介质和电子设备，防盗取检测模型包括克隆器及生成器，克隆器用于克隆预先训练的业务模型，生成器用于生成输入所述克隆器的仿真业务数据。先将噪声输入生成器，获得第一仿真业务数据，并通过克隆器获得第一仿真业务数据的第一业务结果。再根据第一业务结果及第一仿真业务数据，以提高克隆器输出结果的错误率为训练目标，对生成器进行训练。接着，将噪声输入训练后的生成器，获得第二仿真业务数据，通过克隆器及业务模型获得第二仿真业务数据的第二业务结果及标签。最后，根据第二业务结果及标签，对克隆器进行训练，利用训练过程中的克隆器的迭代次数，检测业务模型的防盗取能力。
-
公开(公告)号：CN119295078A
公开(公告)日：2025-01-10
申请号：CN202411312840.1
申请日：2024-09-19
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06Q20/40 , G06Q20/38 , G06F18/241
Abstract: 本说明书公开了一种风险识别的方法、装置、存储介质和电子设备，所述方法包括：先获取待风控用户的若干交易事件，以及确定由各交易事件组成的序列数据。对序列数据进行编码，得到序列向量。按照预设维度，对序列向量进行矩阵变换，得到第一向量。将第一向量输入风控大模型，确定待风控用户对应的风险识别结果。通过不包括事件表征层且模型参数大的风控大模型对待风控用户进行风险识别，使得得到的风险识别结果更加准确，有利于对待风控用户进行更加精确的风险控制。
-
公开(公告)号：CN119227802A
公开(公告)日：2024-12-31
申请号：CN202411215417.X
申请日：2024-08-30
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06N5/04 , G06F18/213
Abstract: 本说明书实施例公开了一种模型训练、效果预测方法、装置、介质及设备。本方案可以应用在可信执行环境中执行。在模型训练阶段，交叉使用不同用户组(接受不同处理措施)的用户信息所映射的用户特征，训练关联不同处理措施的效果预测模型。具体来说，在训练关联于第一处理措施的效果预测模型时，不仅采用接受第一处理措施的第一组用户的用户信息所映射的特征及其标签，而且采用接受第二处理措施的第二组用户的用户信息所映射的特征；在训练关联于第二处理措施的效果预测模型时，不仅采用接受第二处理措施的第二组用户的用户信息所映射的特征及其标签，而且采用接受第一处理措施的第一组用户的用户信息所映射的特征。
-
公开(公告)号：CN118194935A
公开(公告)日：2024-06-14
申请号：CN202410383769.X
申请日：2024-03-29
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06N3/0495 , G06N3/082 , G06N5/04
Abstract: 本说明书实施例公开了一种大模型的压缩方法、装置及设备，该方法包括：接收大模型的压缩请求，该压缩请求中包括大模型的标识，然后，可以基于该压缩请求中的标识，获取待压缩的大模型，并确定大模型中包含的线性层，之后，遍历大模型中包含的线性层，确定大模型包含的线性层中的模型参数和预设的指标参数，最终，将模型参数划分到多个不同的分组中，通过不同分组对应的第一量化策略对相应分组中的模型参数进行量化处理，并在通过第一量化策略对相应的模型参数进行量化处理的过程中，通过第二量化策略对不同分组中包含的预设的指标参数进行量化处理，以对大模型进行压缩处理，得到压缩后的大模型，输出压缩后的大模型。
-
-
-
-
-
-
-
-
-
Search Results
111
records
(took 0.036 seconds)
