-
公开(公告)号：CN112508194B
公开(公告)日：2022-03-18
申请号：CN202110142167.1
申请日：2021-02-02
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本公开提供了模型压缩方法、系统和计算设备。该方法包括：通过至少一个计算设备：加载目标模型，所述目标模型包括多个特征嵌入向量；用训练数据集中至少部分数据训练所述目标模型，直至所述目标模型的损失函数收敛到预设范围内；以及执行模型压缩操作，所述模型压缩操作包括：基于所述训练，自主确定所述多个特征嵌入向量中的至少K个候选特征嵌入向量，所述K为自然数；从所述目标模型中删除所述至少K个候选特征嵌入向量，获得更新后的目标模型；以及用所述训练数据集中至少部分数据训练所述更新后的目标模型，直至所述更新后的目标模型的损失函数收敛到所述预设范围内。
-
公开(公告)号：CN112508194A
公开(公告)日：2021-03-16
申请号：CN202110142167.1
申请日：2021-02-02
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本公开提供了模型压缩方法、系统和计算设备。该方法包括：通过至少一个计算设备：加载目标模型，所述目标模型包括多个特征嵌入向量；用训练数据集中至少部分数据训练所述目标模型，直至所述目标模型的损失函数收敛到预设范围内；以及执行模型压缩操作，所述模型压缩操作包括：基于所述训练，自主确定所述多个特征嵌入向量中的至少K个候选特征嵌入向量，所述K为自然数；从所述目标模型中删除所述至少K个候选特征嵌入向量，获得更新后的目标模型；以及用所述训练数据集中至少部分数据训练所述更新后的目标模型，直至所述更新后的目标模型的损失函数收敛到所述预设范围内。
-
公开(公告)号：CN116933076A
公开(公告)日：2023-10-24
申请号：CN202310870976.3
申请日：2023-07-14
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F18/214 , G06F18/24 , G06N5/01 , G06N20/00
Abstract: 本说明书实施例提供了基于多场景的模型训练方法及装置、模型预测方法及装置。在模型训练方法中，获取针对各个不同场景的共性训练样本集和个性训练样本集；针对各个机器，使用一个场景的支持样本集对该机器中的模型进行训练，以得到该模型中的决策层网络的第一决策参数；使用对应场景的查询样本集对更新后的模型进行训练，得到该模型中的特征网络的特征参数以及决策层网络的第二决策参数；使用对应场景的个性训练样本集对该机器中更新后的模型进行训练，以得到该机器对应场景的场景决策参数；以及存储各个场景的场景决策参数和第二决策参数，以与配置有特征参数的模型结合使用。
-
公开(公告)号：CN116401454A
公开(公告)日：2023-07-07
申请号：CN202310356647.7
申请日：2023-03-31
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/9535 , G06F16/9536 , G06F16/9537 , G06N20/00
Abstract: 本说明书实施例提供交互转化率预测、预测模型训练、对象推荐方法及装置。在进行模型训练时，根据事实未交互空间对象样本集构建反事实未交互空间对象样本集，反事实交互空间样本集中的对象样本与事实未交互空间样本集中的对应对象样本的样本特征相同并且转化率标签互为取反；以及使用事实空间对象样本集，对交互转化率预测模型执行基于多任务的模型训练。所述多任务包括交互率预测任务、交互后转化率预测任务和交互转化率预测任务。交互后转化率预测任务包括事实交互后转化率预测任务和反事实交互后转化率预测任务，以及交互率预测任务和事实交互后转化率预测任务的预测结果被使用来执行交互转化率预测任务。
-
公开(公告)号：CN111275120B
公开(公告)日：2022-07-26
申请号：CN202010075299.2
申请日：2020-01-22
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06K9/62 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/04
Abstract: 本说明书实施例公开了一种图像识别模型的训练方法及装置、图像识别方法及装置。其中，训练方法包括：将待训练的第二图像识别模型中的每层卷积神经网络，分别与训练完的第一图像识别模型中的一个子网络相对应。根据训练完的第一图像识别模型中每个子网络的输入和输出，对待训练的第二图像识别模型中的每层卷积神经网络的参数进行初始化处理。将样本图像输入参数初始化处理后的待训练的第二图像识别模型，根据待训练的第二图像识别模型的输出和样本图像的标签，对待训练的第二图像识别模型进行训练。由此，实现了根据训练完的第一图像识别模型，对待训练的第二图像识别模型进行参数初始化处理，以加快对待训练的第二图像识别模型进行的训练。
-
Patent Agency Ranking
公开(公告)号：CN111275120A
公开(公告)日：2020-06-12
申请号：CN202010075299.2
申请日：2020-01-22
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图像识别模型的训练方法及装置、图像识别方法及装置。其中，训练方法包括：将待训练的第二图像识别模型中的每层卷积神经网络，分别与训练完的第一图像识别模型中的一个子网络相对应。根据训练完的第一图像识别模型中每个子网络的输入和输出，对待训练的第二图像识别模型中的每层卷积神经网络的参数进行初始化处理。将样本图像输入参数初始化处理后的待训练的第二图像识别模型，根据待训练的第二图像识别模型的输出和样本图像的标签，对待训练的第二图像识别模型进行训练。由此，实现了根据训练完的第一图像识别模型，对待训练的第二图像识别模型进行参数初始化处理，以加快对待训练的第二图像识别模型进行的训练。
-
公开(公告)号：CN119441633A
公开(公告)日：2025-02-14
申请号：CN202411471069.2
申请日：2024-10-21
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/9536 , G06F18/25
Abstract: 本说明书提供了一种跨域推荐方法及相关设备。该方法包括：获取多个领域的数据集；其中，各个领域的数据集中包含与该领域中的多个实体相关的数据；所述多个实体中包含目标实体；基于所述多个领域的数据集，针对所述目标实体分别进行特征提取，得到与所述多个领域对应的多个目标实体特征；根据所述多个领域的数据集中包含的实体的数据密度，确定所述多个领域相对于所述多个领域中的任一目标领域的权重；基于所述多个领域的权重，对所述多个目标实体特征进行加权融合，并基于加权融合后的目标实体特征，在所述目标领域中执行与所述目标实体相关的推荐任务。
-
公开(公告)号：CN118822711A
公开(公告)日：2024-10-22
申请号：CN202410797777.9
申请日：2024-06-19
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06Q40/03 , G06N3/045 , G06N3/0985 , G06N3/096
Abstract: 本说明书实施例提供一种用于多机构的风险预测模型的训练、预测方法和装置。训练方法包括：分布式系统内的任一工作节点获取目标机构对应的一批样本构成的目标样本集，样本包括目标机构的样本用户的用户特征和样本用户的风险标签；在第一阶段，根据目标样本集，与其他工作节点联合确定多个机构对应的多个风险预测模型的元基础参数；多个风险预测模型具有共享的特征表示网络，任一风险预测模型具有对应机构专用的预测网络；在第二阶段，根据目标样本集，在元基础参数的基础上，调整目标机构的目标风险预测模型中预测网络的专属参数。
-
公开(公告)号：CN116955815A
公开(公告)日：2023-10-27
申请号：CN202310904983.0
申请日：2023-07-21
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/9535 , G06F18/23 , G06F18/214 , G06Q10/0639
Abstract: 本申请公开了一种事务信息推荐方法、装置、存储介质、产品及电子设备，其中，方法包括：获取时段偏好模型，所述时段偏好模型用于计算用户对不同时段的事务信息的偏好分数，基于目标用户的用户特征和曝光事务信息的时效性特征，获得所述目标用户的时效性偏好向量，所述曝光事务信息为曝光于所述目标用户的事务信息，采用所述时效性偏好向量对所述时段偏好模型进行参数调制处理，获得目标偏好模型，基于所述用户特征和目标事务信息的内容特征，采用所述目标偏好模型对所述目标用户进行偏好预测处理，获得所述目标用户对所述目标事务信息的偏好分数，基于所述偏好分数，确定针对所述目标用户的所述目标事务信息的推荐策略。
-
公开(公告)号：CN116187480A
公开(公告)日：2023-05-30
申请号：CN202211742321.X
申请日：2022-12-30
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06N20/20
Abstract: 本说明书公开了一种元模型学习方法、装置、存储介质及设备，其中方法包括：将服务端全局元模型的模型参数发送至至少一个事务端，以使事务端基于全局元模型的模型参数初始化事务端本地的本地元模型的模型参数，然后接收至少一个事务端发送的隐私数据损失值，隐私数据损失值为事务端基于本地存储的事务隐私数据在本地元模型中计算得到，然后基于隐私数据损失值更新全局元模型的模型参数，得到更新后的全局元模型，最后判断更新后的全局元模型是否满足第一收敛条件，若满足，则停止训练，并将全局元模型的模型参数同步至事务端，若不满足，则执行将服务端全局元模型的第一模型参数发送至至少一个事务端的步骤。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.034 seconds)
