-
公开(公告)号：CN117370663A
公开(公告)日：2024-01-09
申请号：CN202311369866.5
申请日：2023-10-20
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/9535 , G06F18/214
Abstract: 本说明书的实施例提供一种推荐模型的训练方法、推荐方法及电子设备，其中，所述训练方法包括：获得多个初始样本，每个所述初始样本包括样本用户按照时间顺序先后交互的多个项目；基于所述多个初始样本从至少两个对比维度构建得到对比样本集合，其中，所述至少两个对比维度包括：项目相关性对比维度和序列周期性对比维度；进而，从所述至少两个对比维度对所述多个初始样本和所述对比样本集合进行对比学习以得到所述推荐模型，所述推荐模型具有捕获用户交互行为的发散周期性的能力。
-
公开(公告)号：CN116361554A
公开(公告)日：2023-06-30
申请号：CN202310338774.4
申请日：2023-03-31
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/9535 , G06F16/9537 , G06F16/36 , G06F16/33 , G06Q30/0601 , G06F40/30 , G06N3/04 , G06N3/08
Abstract: 本说明书实施例提供人群定向方法、实体知识图谱生成方法、对象推广方法及装置。在进行人群定向时，对待推广对象的对象描述进行实体提取。使用实体知识图谱来对所提取的实体进行基于图谱推理的实体扩展。随后，根据经过扩展后的实体和用户实体偏好度，确定待推广对象的目标人群。
-
公开(公告)号：CN115618235A
公开(公告)日：2023-01-17
申请号：CN202211390418.9
申请日：2022-11-04
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F18/214 , G06N3/04 , G06N3/08
Abstract: 本说明书实施例提供一种推荐模型的训练方法及装置，模型包括第一图神经网络、N个并行设置的专家网络和若干个推荐任务各自对应的门控网络和预测网络，该方法包括：获取二部图和标签集；利用第一图神经网络处理二部图，得到其中目标用户的第一用户表征和目标对象的第一对象表征；利用各专家网络，并行处理目标用户的用户特征和目标对象的对象特征，得到各专家输出表征；通过组合操作确定各预测网络的输入，使得各预测网络产生对应推荐任务的预测数据；组合操作包括基于对应门控网络的输出，组合各专家输出表征、第一用户表征和第一对象表征；利用各推荐任务对应的预测数据及标签集中各推荐任务对应的标签数据，训练推荐模型。
-
公开(公告)号：CN115577260A
公开(公告)日：2023-01-06
申请号：CN202211173543.4
申请日：2022-09-26
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F18/214 , G06F18/243
Abstract: 本说明书实施例提供了一种模型训练方法、节点信息确定方法及装置。在模型训练方法中，可以利用关系网络训练标签一致性模型。其中，关系网络包括多个节点以及节点之间的连接边。为了训练该标签一致性模型，首先可以从关系网络中获取训练样本，训练样本包含具有第一标签和第一特征的第一节点，以及具有第二标签和第二特征的第二节点，两个节点通过第一边相连接。然后，基于两个标签的比较确定第一边的可信度标签，其用于标识两个标签之间的一致性信息。接着，基于两个特征，通过标签一致性模型确定第一边的样本可信度，并基于样本可信度和可信度标签之间的差异确定预测损失，基于预测损失更新标签一致性模型。
-
公开(公告)号：CN114781625B
公开(公告)日：2022-09-23
申请号：CN202210659314.7
申请日：2022-06-13
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网络模型训练、推送内容确定方法及装置。网络模型包括自注意力网络和第一神经网络，该网络模型用于确定用户针对待推送内容的偏好评分，计算设备可以基于该偏好评分确定针对用户的推送内容。在训练网络模型时，可以基于用户的历史点击行为的时间戳，在预设维度空间中进行时间映射，得到时间编码；基于历史点击行为包含的点击内容和对应的时间编码，生成用户的时间序列特征；利用自注意力网络，基于时间序列特征和待推送内容，确定用于表征用户的历史点击行为与待推送内容之间关系的第一输出结果；利用第一神经网络，基于第一输出结果和用户的第一特征，确定用户针对待推送内容的偏好评分，基于偏好评分更新网络模型。
-
Patent Agency Ranking
公开(公告)号：CN114819139A
公开(公告)日：2022-07-29
申请号：CN202210315789.4
申请日：2022-03-28
Applicant: 支付宝(杭州)信息技术有限公司 , 中国人民大学
Abstract: 本说明书实施例提供一种图神经网络的预训练方法及装置，获取业务关系图的图集合，各业务关系图中的节点表示业务对象，连接边表示业务关联关系；图集合包括第一图和目标图，第一图和目标图基于同一样本业务关系图分别进行预设增强处理而得到；针对第一图，分别将图集合中各其他图作为第二图，利用图神经网络进行图间匹配表征，图间匹配表征包括，基于第一图自身，结合来自第二图的节点信息，确定该第一图的第一图表征，用于表示第一图相对于第二图的业务结构关联；基于第二图自身，结合来自第一图的节点信息，确定该第二图的第二图表征；至少基于将目标图作为第二图时得到的第一图表征和第二图表征，确定第一损失；根据第一损失，训练图神经网络。
-
公开(公告)号：CN114781488A
公开(公告)日：2022-07-22
申请号：CN202210295588.2
申请日：2022-03-24
Applicant: 支付宝(杭州)信息技术有限公司 , 中国人民大学
IPC: G06K9/62
Abstract: 本说明书实施例公开了一种样本生成方法、装置以及设备。方案包括：根据物品特征，以及用户对物品特征的注意力特征，通过模型预测第一样本用户对第一物品的第一偏好分和对第二物品的第二偏好分，第一偏好分高于第二偏好分；根据设定的注意力扰动参数，对第一样本用户的注意力特征进行调整，并根据调整后的注意力特征，对第一偏好分和第二偏好数据进行更新；以减小更新后的第一偏好分与第二偏好分之间的差距为目标，学习注意力扰动参数的目标取值；在目标取值下，若更新后的第一偏好分低于第二偏好分，则根据调整后的注意力特征，生成第二样本用户，用于训练模型。
-
公开(公告)号：CN110866190B
公开(公告)日：2021-05-14
申请号：CN201911127100.X
申请日：2019-11-18
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/9535 , G06N3/02
Abstract: 本说明书实施例提供一种训练用于表征知识图谱的图神经网络模型的方法和装置，其中方法包括，从知识图谱中获取三元组，其中包括第一节点，第二节点，以及从第一节点指向第二节点的第一连接边；然后，在边嵌入层，根据第一连接边对应的关系类型以及边属性特征，确定对应的第一边向量；在节点嵌入层，分别将第一节点和第二节点作为目标节点，根据目标节点的节点属性特征，以及目标节点的邻居节点集，进行多级向量嵌入，从而分别得到与第一节点和第二节点对应的第一高阶向量和第二高阶向量。接着，根据第一高阶向量、第二高阶向量和第一边向量，确定第一节点通过第一连接边连接到第二节点的概率，以最大化概率为目标，更新边嵌入层和节点嵌入层。
-
公开(公告)号：CN119271886A
公开(公告)日：2025-01-07
申请号：CN202411303851.3
申请日：2024-09-18
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/9535 , G06F16/9035 , G06F18/22 , G06F18/10 , G06N5/022 , G06F18/25 , G06N3/042 , G06N3/084 , G06F18/214 , H04L67/55
Abstract: 本说明书实施例提供一种跨域的信息推送技术构思，在将源域和目标域的用户表征融合后，又基于信息瓶颈理论进行过滤，筛除与目标域关联性较小的数据从而得到用户对应的压缩表征。再将用户压缩表征与候选信息的信息表征进行匹配，得到预测结果(如通过与各条候选信息的匹配程度表示)。在模型训练过程中，通过最小化模型损失，可以使得模型中的待定参数至少向着以下目标调整：最大化压缩表征和用户在目标域对应的表征之间的相似度；最小化预测结果与样本标签之间的差距。如此，利用基于以上目标调整的跨域信息推送模型进行目标域的信息推送，可以提高跨域信息推送的准确性。
-
公开(公告)号：CN118036722A
公开(公告)日：2024-05-14
申请号：CN202410232555.2
申请日：2024-02-29
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解耦表征模型训练、图解耦表征和对象推荐方法及装置。在模型训练时，经由图表征生成层生成对象关系图中的对象节点的初始节点表征；经由特征解耦层基于对象节点的初始节点表征从样本对象节点的对象特征中解耦出有效特征和冗余特征，以及经由结构解耦层基于对象节点的初始节点表征将对象关系图解耦为有效结构图和冗余结构图。随后，经由图表征学习层，基于有效结构图对样本对象节点的有效特征进行图学习得到样本对象节点的有效表征。然后，执行模型训练任务来进行图解耦表征模型的模型更新。所执行的模型训练任务至少包括基于样本对象节点的有效表征的下游预测学习任务。
-
-
-
-
-
-
-
-
-
Search Results
41
records
(took 0.04 seconds)
