-
公开(公告)号：CN113935769A
公开(公告)日：2022-01-14
申请号：CN202111176915.4
申请日：2021-10-09
Applicant: 支付宝(杭州)信息技术有限公司
Inventor： 张琳
IPC: G06Q30/02
Abstract: 本说明书实施例公开了一种基于收款设备的线下内容投放方法、装置以及设备。方案包括：接收第一商户的投放端发送的投放请求单；根据预设的维度，在可接单的多个第二商户的收款设备中，为投放端进行预测，得到多个收款设备与投放端之间对应的积极效果预测度，维度包括行业关系、用户重合度、距离中的多种；根据积极效果预测度，为投放端选择若干个收款设备，并在选择的若干个收款设备中，确定接受投放请求单的指定收款设备的设备类型；根据设备类型对应的方式，在指定收款设备中投放请求单对应的线下内容。
-
公开(公告)号：CN113327137A
公开(公告)日：2021-08-31
申请号：CN202110699190.0
申请日：2021-06-23
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06Q30/02
Abstract: 本说明书一个或多个实施例提供一种广告投放方法、服务器、收款设备及计算机程序产品，所述方法包括：获取目标商家与其他商家之间的亲密度参数，其中，所述亲密度参数至少表征以下特征之一：所述目标商家与其他商家的收款设备之间的距离、行业相关度或交叉客户数量；至少根据所述亲密度参数确定所述目标商家的收款设备所投放的其他商家的广告，并向所述目标商家的收款设备发送投放指令。与传统的广告投放方案相比，本说明书提供的广告投放方法只需根据目标商家与其他商家的收款设备之间的距离、行业相关度或交叉客户数量确定出亲密度参数便可确定出目标商家的广告投放策略，无需浏览量、点击率等数据的支持，因此有效解决了广告投放冷启动的问题。
-
公开(公告)号：CN111738781A
公开(公告)日：2020-10-02
申请号：CN202010762405.4
申请日：2020-07-31
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书实施例中提供了一种深度学习模型及其预测流量数据的方法。该深度学习模型可以包括输入层、编码器、解码器和预测层。可通过输入层获取按照时间顺序排列的N个时间段对应的N个原始特征集，前N-1个时间段对应的N-1个流量数据；单个原始特征集中包括影响流量数据的M项属性特征。接着通过包含编码注意力层和递归编码层的编码器，在编码器的输入阶段增加注意力机制，自适应的修正N个原始特征集以得到N个修正特征集，并对N个修正特征集进行递归处理以得到N个状态向量。接着由解码器对前N-1个状态向量以及N-1个流量数据进行递归处理，得到目标解码向量。最后通过预测层处理目标解码向量以及第N个状态向量，获得第N个时间段对应的流量数据。
-
公开(公告)号：CN111460126A
公开(公告)日：2020-07-28
申请号：CN202010533197.0
申请日：2020-06-12
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/332 , G06F40/289 , G06F40/30 , G06F40/253 , G06N3/04 , G06N3/08
Abstract: 本说明书一个或多个实施例提供一种用于人机对话系统的回复生成方法、装置及电子设备，通过预先训练的回复生成模型，将用户与机器人的问题和回复输入，通过第一编码器层进行自注意力和局部掩码处理，使模型充分利用问题和回复各自语句内的语义特征，再通过第二编码器层自注意力和全局掩码处理，使得模型充分利用当前以及之前的所有问题和回复的上下文语义特征，并基于第二编码器层的输出来生成对应于用户当前问题的当前回复。
-
公开(公告)号：CN111177325A
公开(公告)日：2020-05-19
申请号：CN202010276896.1
申请日：2020-04-10
Applicant: 支付宝(杭州)信息技术有限公司
Inventor： 张琳
IPC: G06F16/33 , G06F16/332 , G06F40/216 , G06N3/04 , G06N3/08
Abstract: 本说明书的实施例公开了一种自动生成答案的方法，该方法包括：获取用户问题和至少一个第一文本，所述第一文本是多个第二文本中与所述用户问题相关的文本；从所述用户问题和所述至少一个第一文本中确定至少一个核心词，以及确定所述至少一个核心词中任意两个不同核心词之间的相关性；所述相关性代表所述核心词的重要程度；答案生成模型基于输入的所述用户问题、所述至少一个第一文本和所述相关性，输出所述用户问题的答案；其中，所述答案生成模型包括图神经网络模型，所述图神经网络模型的节点为所述核心词，所述图神经网络模型的边为所述相关性。
-
Patent Agency Ranking
公开(公告)号：CN111078972A
公开(公告)日：2020-04-28
申请号：CN201911199034.7
申请日：2019-11-29
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/907 , G06F16/9032 , G06F16/904 , G06Q30/00
Abstract: 本说明书提供了提问行为数据的获取方法、装置和服务器。在一个实施例中，提问行为数据的获取方法通过先利用预设的关联标签确定模型根据用户所提的目标问题，确定出与该目标问题的近似程度大于预设的近似程度阈值的多个目标标签；再根据预设的排序规则，排列上述多个目标标签，得到对应目标标签点击序列，进而可以将上述目标标签点击序列作为一种用户提问目标问题时的行为数据。这样可以不需要依赖用户真实地去点击所展示的标签来描述自己想要提问的目标问题，就能高效地获取到具有较高的参考价值的用户提问目标问题时的行为数据。
-
公开(公告)号：CN111078972B
公开(公告)日：2023-06-16
申请号：CN201911199034.7
申请日：2019-11-29
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/907 , G06F16/9032 , G06F16/904 , G06Q30/01
Abstract: 本说明书提供了提问行为数据的获取方法、装置和服务器。在一个实施例中，提问行为数据的获取方法通过先利用预设的关联标签确定模型根据用户所提的目标问题，确定出与该目标问题的近似程度大于预设的近似程度阈值的多个目标标签；再根据预设的排序规则，排列上述多个目标标签，得到对应目标标签点击序列，进而可以将上述目标标签点击序列作为一种用户提问目标问题时的行为数据。这样可以不需要依赖用户真实地去点击所展示的标签来描述自己想要提问的目标问题，就能高效地获取到具有较高的参考价值的用户提问目标问题时的行为数据。
-
公开(公告)号：CN111144575B
公开(公告)日：2022-08-12
申请号：CN201911235651.8
申请日：2019-12-05
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书的一个或多个实施例公开了一种舆情预警模型的训练方法、预警方法、装置、设备及介质，该舆情预警模型包括宽度学习模型和深度学习模型，该训练方法包括：获取舆情样本训练集，舆情样本训练集中的舆情样本包括元信息特征、内容特征以及舆情标签；将元信息特征输入宽度学习模型，以获取元信息特征处理结果；将内容特征输入深度学习模型，以获取内容特征处理结果；根据元信息特征处理结果和内容特征处理结果，确定舆情预警结果；根据舆情预警结果以及舆情标签，调整宽度学习模型和深度学习模型的参数。
-
公开(公告)号：CN111506822A
公开(公告)日：2020-08-07
申请号：CN202010471060.7
申请日：2020-05-28
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/9535 , G06N3/04 , G06N3/08
Abstract: 本申请的提出数据编码以及信息推荐方法、装置和设备。该方法包括：将用于确定注意力权重的状态数据，输入第一神经网络，得到第一编码向量。将用户长期行为数据，以及该长期行为的发生时刻，与该长期行为的上一次长期行为的发生时刻之间的第一间隔时长数据，输入第二神经网络，得到第二编码向量。将用户短期行为数据，以及该短期行为的发生时刻，与该短期行为的上一次短期行为的发生时刻之间的第二间隔时长数据，输入第三神经网络，得到第三编码向量。根据上述第一编码向量，确定注意力权重向量。基于上述注意力权重向量，对上述第二编码向量与上述第三编码向量进行编码。
-
公开(公告)号：CN111144575A
公开(公告)日：2020-05-12
申请号：CN201911235651.8
申请日：2019-12-05
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书的一个或多个实施例公开了一种舆情预警模型的训练方法、预警方法、装置、设备及介质，该舆情预警模型包括宽度学习模型和深度学习模型，该训练方法包括：获取舆情样本训练集，舆情样本训练集中的舆情样本包括元信息特征、内容特征以及舆情标签；将元信息特征输入宽度学习模型，以获取元信息特征处理结果；将内容特征输入深度学习模型，以获取内容特征处理结果；根据元信息特征处理结果和内容特征处理结果，确定舆情预警结果；根据舆情预警结果以及舆情标签，调整宽度学习模型和深度学习模型的参数。
-
-
-
-
-
-
-
-
-
Search Results
23
records
(took 0.035 seconds)
