-
公开(公告)号：CN115392957A
公开(公告)日：2022-11-25
申请号：CN202210968175.6
申请日：2022-08-12
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训练中的注意力图的生成方法、装置以及设备。通过获取所述事件序列所对应的特征矩阵；确定所述事件序列中所包含的第i个事件所对应的第一时间向量x，确定所述事件序列中所包含的第j个事件所对应的第二时间向量x’；根据预设的时态内核、所述第一时间向量x和所述第二时间向量x’确定时间注意力权重矩阵kt；采用预设的事件内核确定所述事件键矩阵Ke和事件查询矩阵Qe所对应的事件注意力权重矩阵ke；融合所述时间注意力权重矩阵kt和所述事件注意力权重矩阵ke生成总注意力权重矩阵；根据所述总注意力权重矩阵和所述事件值矩阵Ve生成注意力图，从而体现出各事件的绝对时间和相对时间在相关性上的贡献。
-
公开(公告)号：CN114792173B
公开(公告)日：2022-10-04
申请号：CN202210694769.2
申请日：2022-06-20
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F17/00 , G06Q10/04 , G06K9/62 , G06F3/0484
Abstract: 本说明书实施例提供一种训练预测模型的方法和装置，该预测模型包括第一分支和第二分支；根据该方法，首先获取目标样本，其包括样本特征，第一标签和第二标签；第一标签指示用户是否点击了目标对象；第二标签表示该用户是否实施与目标对象有关的目标行为。利用预测模型对样本特征进行处理，第一分支输出用户点击目标对象的第一概率；第二分支输出用户实施目标行为的第二概率。基于第一标签值和第一概率，确定第一损失。并且，在预设条件满足的情况下，根据第二标签值和第二概率确定第二损失，并根据第一损失和第二损失确定该目标样本的预测损失，其中预设条件包括，第一标签值指示用户点击了目标对象。于是可以根据上述预测损失，训练该预测模型。
-
公开(公告)号：CN113065045B
公开(公告)日：2022-07-22
申请号：CN202110424673.X
申请日：2021-04-20
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/906 , G06F16/901 , G06F16/9535 , G06Q30/02
Abstract: 本说明书实施例提供一种对用户进行人群划分、训练多任务模型的方法和装置，方法包括：获取用户总集，其中用户的多个特征变量各自的可能取值构成特征值集合；构建关系网络图，其中的单个节点对应于特征值集合中的一个特征值；连接两个节点的连接边具有边属性值，边属性值根据用户总集中，同时具有两个节点分别表示的两个特征值的用户数量而确定；通过图嵌入的方式，得到关系网络图中各节点分别对应的节点嵌入向量；根据各节点嵌入向量之间的相似性，从特征值集合中选择若干特征值子集；将若干特征值子集分别作为对用户总集的筛选条件，从用户总集中选择出多个用户子集。能够实现不同人群的良好的区分效果，以及，提升模型的预测准确率。
-
公开(公告)号：CN113688323A
公开(公告)日：2021-11-23
申请号：CN202111034138.X
申请日：2021-09-03
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/9535 , G06F16/2458 , G06K9/62 , G06Q30/06
Abstract: 本说明书实施例提供了构建意图触发策略及进行意图识别的方法。构建意图触发策略的方法包括以下步骤。首先获取第一意图对应的总样本集，其中的单条样本包括，单个用户的特征信息，以及指示该用户是否具有该第一意图的正负样本标签。此外根据用户特征项，确定条件总集，单个条件是单个特征项与该特征项的单个取值的对应关系。通过若干次第一迭代生成若干条规则，其中单次第一迭代包括：基于当前样本集，从条件总集中选择若干个条件构成单条规则；并从当前样本集中剔除符合该单条规则的样本，从而更新当前样本集用于下次迭代，直到达到预设的停止条件。此时，基于生成的若干条规则，形成针对第一意图的触发策略。
-
公开(公告)号：CN118153535A
公开(公告)日：2024-06-07
申请号：CN202410434934.X
申请日：2024-04-11
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F40/18 , G06Q10/04 , G06F40/169 , G06F40/216 , G06F18/214 , G06F18/22 , G06N3/08
Abstract: 本说明书的实施例提供了一种用于处理表格数据的方法和装置。在该用于处理表格数据的方法中，首先对候选表格数据进行字段识别，分别确定出与预先获取的预测任务所针对的主体相匹配的第一字段和与预测内容相匹配的第二字段；再根据所确定出的第一字段和第二字段，生成与该候选表格数据对应的待评估特征；进而依据所生成的待评估特征对于该预测任务的有效性评估结果来判断是否针对该候选表格数据进行与该预测任务相关联的处理。
-
Patent Agency Ranking
公开(公告)号：CN117349526A
公开(公告)日：2024-01-05
申请号：CN202311297724.2
申请日：2023-10-08
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/9535
Abstract: 本公开提供了一种用于推荐召回的方法，该方法包括：将用户的用户特征和多个物品的物品特征分别在嵌入空间中映射为用户向量和物品向量；将用户向量送入用户编码器以得到多个用户表征，其中该多个用户表征的数量基于该用户的用户活跃度；将物品向量送入物品编码器以得到该多个物品的物品表征；确定该多个物品的物品表征中与该多个用户表征距离最近的多个候选物品表征；以及召回与该多个候选物品表征相对应的多个候选物品。本申请还涉及用于推荐召回的系统、装置和介质。
-
公开(公告)号：CN115564022A
公开(公告)日：2023-01-03
申请号：CN202211173639.0
申请日：2022-09-26
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弹性调节算力的预测方法和装置，通过计算平台执行，该计算平台部署有经过训练的神经网络模型，神经网络模型包括n个子网络，n>2，方法包括：接收预测请求，其中包括待测样本；确定针对所述预测请求分配的算力系数，该算力系数指示，为所述预测请求分配的硬件算力资源与所述神经网络模型全部在所述计算平台运行时所需的总硬件算力资源的比例；根据所述算力系数，确定本次使用的n个子网络中的k个子网络；将所述待测样本输入所述k个子网络，得到预测结果。算力的可弹性伸缩的档位多，弹性调节算力的空间大。
-
公开(公告)号：CN115292640A
公开(公告)日：2022-11-04
申请号：CN202210905783.2
申请日：2022-07-29
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/958 , G06F16/9535 , G06F16/9538 , G06Q30/02 , G06Q30/06
Abstract: 本说明书的实施例提供多展位流量分配方法及装置。在该方法中，获取各个展位的曝光概率以及针对各个用户的各个候选展示对象的单位流量收益和对应的单位资源消耗量。随后，基于各个展位的曝光概率以及针对各个用户的各个候选展示对象的单位流量收益和对应的单位资源消耗量，构建多展位流量分配方案所对应的优化目标和资源消耗约束条件。所构建的优化目标包括在多展位流量分配方案下针对各个用户的流量收益的和值。每个用户的流量收益基于各个展位的曝光概率、候选展示对象的展位分配方案以及各个候选展示对象的单位流量收益确定。然后，确定在满足资源消耗约束条件且优化目标最大化的情况下的多展位流量分配方案。
-
公开(公告)号：CN115204486A
公开(公告)日：2022-10-18
申请号：CN202210806541.8
申请日：2022-07-08
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 公开了一种用于预测用户行为的方法，包括：获取用户的内容项交互历史；生成目标交互行为的时间周期嵌入表示；生成该目标交互行为的用户兴趣嵌入表示；至少对该目标交互行为的时间周期嵌入表示和用户兴趣嵌入表示执行特征融合以生成该目标交互行为的综合嵌入表示；以及基于该目标交互行为的综合嵌入表示，预测该用户在该目标时间与该目标内容项交互的概率。还公开了用于预测用户行为的系统、装置和介质。
-
公开(公告)号：CN114792173A
公开(公告)日：2022-07-26
申请号：CN202210694769.2
申请日：2022-06-20
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06Q10/04 , G06K9/62 , G06F3/0484
Abstract: 本说明书实施例提供一种训练预测模型的方法和装置，该预测模型包括第一分支和第二分支；根据该方法，首先获取目标样本，其包括样本特征，第一标签和第二标签；第一标签指示用户是否点击了目标对象；第二标签表示该用户是否实施与目标对象有关的目标行为。利用预测模型对样本特征进行处理，第一分支输出用户点击目标对象的第一概率；第二分支输出用户实施目标行为的第二概率。基于第一标签值和第一概率，确定第一损失。并且，在预设条件满足的情况下，根据第二标签值和第二概率确定第二损失，并根据第一损失和第二损失确定该目标样本的预测损失，其中预设条件包括，第一标签值指示用户点击了目标对象。于是可以根据上述预测损失，训练该预测模型。
-
-
-
-
-
-
-
-
-
Search Results
32
records
(took 0.078 seconds)
