-
公开(公告)号：CN117235469A
公开(公告)日：2023-12-15
申请号：CN202311125356.3
申请日：2023-09-01
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F18/21 , G06F18/25 , G06F18/214
Abstract: 本说明书公开了一种数据预测方法、装置、存储介质及设备，其中方法包括：首先获取目标事务在第一预设时长内的时序数据，然后将时序数据输入至预训练的位置编码模型中，得到位置编码数据，其中，位置编码数据包括时序数据对应的第一位置编码以及第二位置编码，第二位置编码用于指示目标事务的预测数据的位置指示信息，预测数据为预测第一预设时长后的第二预设时长内目标事务的事务数据，第二预设时长为与第一预设时长相邻的下一预设时长，最后将时序数据和位置编码数据输入至预训练的时序预测模型中进行预测，得到目标事务对应的预测数据。
-
公开(公告)号：CN117151190A
公开(公告)日：2023-12-01
申请号：CN202311196462.0
申请日：2023-09-15
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书实施例提供图表征增强模型训练方法、图表征方法及装置。在进行模型训练时，通过对原始长尾图中的真头部节点进行邻域剪枝来构建稀疏图。使用图表征增强模型来对稀疏图中的各个节点进行图表征增强以得到各个节点的增强节点表征，各个节点的增强节点表征基于增强稀疏图学习出，增强稀疏图通过为稀疏图中的各个节点增强邻域缺失信息得到，各个节点的邻域缺失信息通过图表征增强模型来基于该节点的中心节点表征和邻居节点表征预测出。然后，根据伪尾部节点的增强节点表征以及原始长尾图中的对应真头部节点的节点表征，确定邻域信息预测损失函数；并基于邻域信息预测损失函数，调整图表征增强模型的模型参数。
-
公开(公告)号：CN116385071A
公开(公告)日：2023-07-04
申请号：CN202310660434.3
申请日：2023-06-05
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06Q30/0242 , G06F9/48
Abstract: 本说明书实施例提供一种针对多个推荐场景的资源弹性调度方法和装置，方法包括：基于所述多个推荐场景中任一目标场景的历史流量构成的第一流量序列，预测未来的第一时间周期内的各个流量构成的第二流量序列；所述第一时间周期内存在多个决策时刻；基于所述第二流量序列，确定所述目标场景在各个决策时刻的资源需求；根据与资源节约以及资源变更有关的多个优化目标，在各个推荐场景满足其对应的资源需求的约束下，确定所述多个推荐场景在未来的各个决策时刻所分配的资源。能够实现多个推荐场景上的资源的自动扩缩容，使得资源的平均水位提高，提升资源整体利用率。
-
公开(公告)号：CN114611020B
公开(公告)日：2023-06-16
申请号：CN202210495974.6
申请日：2022-05-09
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/9537 , G06F16/9535
Abstract: 本说明书提供的行程推荐的方法和系统，以行程中不同环节对应的推荐对象的组合点击率最大为优化目标，并以不同环节对应的推荐对象之间的关系为约束条件（比如距离约束、折返约束，等等），来构建行程推荐模型，以获取每个环节对应的推荐对象，从而生成推荐行程，使得在复杂的场景下，获取更优的推荐行程，避免因距离太远或频繁折返带来的麻烦，以提升用户体验。同时，本说明书提供的行程推荐的方法和系统，在对行程推荐模型求解时，可以使用线性化处理方式来处理约束条件，还可以使用松弛算法来求解整数规划问题，从而加快求解速度，进行实时的行程推荐计算，在节省计算量的同时，提升计算速度和提升用户体验。
-
公开(公告)号：CN114595641A
公开(公告)日：2022-06-07
申请号：CN202210495655.5
申请日：2022-05-09
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F30/27 , G06K9/62 , G06N3/04 , G06N3/08 , G06F111/04 , G06F111/06
Abstract: 本说明书提供的组合优化问题的求解方法和系统，通过分支定界算法求解组合优化问题的实施例，并将求解实施例过程中的每个分支节点的约束和松弛解以及节点对应的强分支作为样本数据，来训练决策模型。所述求解方法和系统在对目标组合优化问题求解过程中，基于分支定界算法，在每个分支节点，将分支节点对应的约束和松弛解输入至训练好的决策模型中，并输出当前节点对应的强分支，从而基于决策模型来模拟分支定界过程中的分支过程，快速找到分支节点中的强分支，无需对每个分支进行求解，大大缩短计算时间，从而加快组合优化问题的求解速度。
-
Patent Agency Ranking
公开(公告)号：CN114581224A
公开(公告)日：2022-06-03
申请号：CN202210485521.5
申请日：2022-05-06
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书提供的对欠款进行扣款的决策方法和系统，对逾期用户的欠款进行扣款决策。在所述系统无法预知欠款的目标账户的余额的情况下，对每个目标账户的还款概率以及还款金额进行预测，并以还款总金额最大为优化目标，以扣款次数为约束条件，对每个目标账户的扣款策略进行计算，将扣款的次数倾斜到还款概率高且还款金额高的目标账户上，以在有限的扣款次数内取得最大还款金额以及更高的扣款成功率。本说明书提供的对欠款进行扣款的决策方法和系统，可以有效的对目标账户进行扣款决策，采用较低的成本可以测试出目标账户是否存在余额可以进行扣款，以取得更多的还款金额和更高的扣款成功率。
-
公开(公告)号：CN112837095A
公开(公告)日：2021-05-25
申请号：CN202110138578.3
申请日：2021-02-01
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对象分配方法和系统，该方法由至少一个处理器执行，其包括：获取待匹配的第一类对象的特征信息；基于所述第一类对象的特征信息以及两个或以上候选第二类对象的特征信息，确定所述第一类对象分别与两个或以上候选第二类对象的匹配值；获取匹配修正参数；至少基于匹配修正参数以及两个或以上的所述匹配值，从所述两个或以上候选第二类对象中选择目标第二类对象，并分配给所述第一类对象。
-
公开(公告)号：CN112085615A
公开(公告)日：2020-12-15
申请号：CN202011009910.8
申请日：2020-09-23
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图神经网络的训练方法，包括：获取关系网络图，其中各个对象节点对应采样概率集，包括针对其每个一阶邻居节点的采样概率；基于该关系网络图，对该图神经网络进行多轮迭代更新，其中任一轮包括：以本轮选取的第一标签节点为中心，进行M阶邻居节点采样，其中任意的第i阶邻居节点采样包括，针对已采样的第i‑1阶邻居节点中任意的第一节点，基于其当前采样概率集，从其一阶邻居节点全集中采样若干邻居节点归入第i阶邻居节点；基于采样到的M阶以内的邻居节点和该第一标签节点带有的第一业务标签，对该图神经网络进行本轮更新；利用更新后图神经网络确定若干邻居节点对应的若干训练反馈，进而更新第一节点的当前采样概率集。
-
公开(公告)号：CN111552649A
公开(公告)日：2020-08-18
申请号：CN202010421737.6
申请日：2020-05-18
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书公开了一种分组测试方法及装置。所述方法包括：根据所确定的图分割算法以及该算法的初始参数值，将图结构划分为多个子图；根据当前的划分结果，确定参数值更新策略；循环执行以下操作，直到满足预设的循环停止条件：针对当前的划分结果，利用预设的损失函数计算当前划分结果对应的当前损失函数值；判断当前损失函数值是否满足预设的循环停止条件；如果否，则根据所确定的参数值更新策略，对当前的参数值进行更新；并且根据更新后的参数值，将所述图结构划分为多个子图；循环结束后，根据当前的划分结果，将至少两个子图对应的用户子集确定为随机测试的对象用户。
-
公开(公告)号：CN111210072A
公开(公告)日：2020-05-29
申请号：CN202010010460.8
申请日：2020-01-06
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06Q10/04 , G06F16/901 , G06K9/62
Abstract: 本说明书实施例提供了一种预测模型训练和用户资源额度确定方法及装置。在预测模型训练阶段，基于分享关系图谱，得到第一用户的第一关系特征，至少基于第一关系特征得到第一特征数据，将第一特征数据和第一资源额度输入预测模型，预测模型输出第一用户针对第一资源额度的分享行为的预测数据，将预测数据与标准数据进行比较得到第一预测损失，向使得第一预测损失减小的方向，更新预测模型。在确定用户资源额度阶段，将基于分享关系图谱得到的第二用户的特征数据和多个不同档位资源额度输入预测模型，预测模型可以输出第二用户针对不同档位资源额度的分享行为数据，根据分享行为数据对不同档位资源额度进行选择，得到针对第二用户分配的资源额度。
-
-
-
-
-
-
-
-
-
Search Results
55
records
(took 0.037 seconds)
