-
公开(公告)号：CN117876114A
公开(公告)日：2024-04-12
申请号：CN202311714126.0
申请日：2023-12-13
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书公开了一种业务执行和模型训练的方法及装置，用于隐私保护，获取用户在各特征维度下的特征数据，并针对每个特征维度，确定该特征维度对应的维度类型，判断该特征维度是否为预设维度类型，若是，则确定用户与该特征维度相关的业务意图，并将该特征维度的维度名称、该特征维度下的特征数据和用户与该特征维度相关的业务意图输入到特征提取网络中，得到特征编码，否则，根据该特征维度的特征数据的数据类型，确定该特征维度对应的输入数据，并将输入数据输入到特征提取网络中，得到特征编码。将各特征维度下的特征数据的特征编码输入到预测网络，得到预测结果，以根据预测结果执行业务，本方法通过结合业务意图提高了预测结果的准确性。
-
公开(公告)号：CN114120670B
公开(公告)日：2024-03-26
申请号：CN202111411787.7
申请日：2021-11-25
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G08G1/081 , G08G1/082 , G08G1/01 , G06N3/0464 , G06N3/08
Abstract: 本公开提供了一种用于交通信号控制的方法和系统，方法包括针对路网中的每个交叉路口，获取该交叉路口及其相邻路口的交通信息，其中交通信息包括车辆信息、道路信息和当前交通信号状态；将所获取的交通信息输入交通信号控制模型以得到预测的交通信号状态；以及基于针对每个交叉路口的所预测的交通信号状态来控制交通信号状态的改变。
-
公开(公告)号：CN117744837A
公开(公告)日：2024-03-22
申请号：CN202311873819.4
申请日：2023-12-29
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06N20/00 , G06F18/214 , G06F18/22 , G06F18/25 , G06F40/205 , G06F40/30 , G06N3/0455 , G06N3/08
Abstract: 本说明书公开一种模型训练、文本检测方法、装置、存储介质及设备，可以通过对不同的互联网平台上公开文本数据集进行整理，同时，通过使用多种常见对话大语言模型和丰富的提示语集合，来构造用于训练检测模型的训练数据，并且，由于在构建用于训练检测模型的训练数据的过程中，针对训练数据进行了多次过滤，使得得到的训练数据更接近于实际场景中的对大语言模型生成的文本进行使用的场景。除此之外，在对检测模型进行训练的过程中，通过使用具有较大参数规模的教师大语言模型输出的依据文本供检测模型学习，从而可以提升训练后的检测模型针对通过大语言模型生成的文本进行识别的准确率。
-
公开(公告)号：CN117523323A
公开(公告)日：2024-02-06
申请号：CN202410010345.9
申请日：2024-01-03
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06V10/764 , G06V10/74 , G06V10/82
Abstract: 本说明书一个或多个实施例公开了一种生成图像的检测方法及装置，该方法首先获取目标图像，其次从目标图像中选取部分图像，并基于目标图像中除部分图像之外的剩余图像对部分图像进行重构处理，获取剩余图像和重构的部分图像所组成的重构图像，然后将重构图像输入预先训练的分类模型，得到重构图像的重构效果类别，最后根据重构图像的重构效果类别，确定目标图像是真实图像或生成图像。
-
公开(公告)号：CN117493564A
公开(公告)日：2024-02-02
申请号：CN202311407419.4
申请日：2023-10-27
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/35 , G06F40/289 , G06N5/022 , G06F16/36 , G06F40/216
Abstract: 本说明书实施例公开了一种聚类方法、装置、存储介质及电子设备，方法包括：对样本风险文本分别进行关键词提取处理，得到样本风险文本对应的第一关键词集合，然后以样本风险文本和第一关键词集合训练语言表征模型，得到初始语言表征模型，再根据样本风险文本对应的目标业务对第一关键词集合中的关键词进行过滤，得到各第二关键词集合，以样本风险文本和与第二关键词集合训练初始语言表征模型，得到目标语言表征模型；模型训练完成后，在对目标风险文本进行聚类时，将各目标风险文本分别输入至目标语言表征模型中，得到各目标风险文本分别对应的风险文本向量，最后对各风险文本向量进行聚类，得到各风险文本类别。
-
Patent Agency Ranking
公开(公告)号：CN117392694A
公开(公告)日：2024-01-12
申请号：CN202311674312.6
申请日：2023-12-07
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06V30/40 , G06V30/418 , G06V30/19 , G06V30/164
Abstract: 本说明书实施例提供了一种数据处理方法、装置及设备，其中，该方法包括：获取与目标文本匹配的目标风险关键词，并获取目标文本与目标风险关键词之间的匹配度；通过预先训练的扩散生成模型，对目标文本进行加噪处理，得到与目标文本对应的第一图像表征；通过预先训练的扩散生成模型，经过预设迭代次数逐次对第一图像表征进行降噪处理，直到最后一次迭代过程结束，得到预先训练的扩散生成模型的输出端的元函数；基于迭代结束得到的预先训练的扩散生成模型的输出端的元函数、目标文本、目标风险关键词以及最后一次迭代过程对应的噪声，生成与目标文本对应的第二图像表征，并基于第二图像表征，确定与目标文本对应的目标图像。
-
公开(公告)号：CN114978616B
公开(公告)日：2024-01-09
申请号：CN202210486217.2
申请日：2022-05-06
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书实施例提供一种风险评估系统的构建方法，包括：利用第一标注事件样本集训练第一风险评估模型，所述第一标注事件样本集中包括第一数量的黑样本和第二数量的白样本，所述第一数量大于第二数量；利用训练好的第一风险评估模型处理多个灰样本，得到其中各个灰样本的预测风险分，所述各个灰样本被已有的风控技术识别为风险样本；基于所述预测风险分，从所述多个灰样本中选取部分灰样本，作为对第二标注事件样本集中黑样本的扩充；所述第二标注事件样本集中初始包括第三数量的黑样本和第四数量的白样本，所述第三数量小于第四数量；利用扩充后的第二标注事件样本集训练第二风险评估模型，训练好的第二风险评估模型用于构建所述风险评估系统。
-
公开(公告)号：CN117313824A
公开(公告)日：2023-12-29
申请号：CN202311220864.X
申请日：2023-09-20
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06N3/09 , G06N3/082 , G06N3/0495 , G06N3/0499 , G06N3/042 , G06Q20/38 , G06Q20/40
Abstract: 本说明书实施例公开了一种数据资产的融合方法、装置及设备，该方法包括：获取来自一种或多种不同数据源的数据资产构成的数据资产集，数据资产集中包括携带有标签信息的数据资产构成的第一数据资产子集；基于第一数据资产子集中携带有标签信息的数据资产和预设的损失函数对目标模型进行有监督的模型训练，得到训练后的目标模型，损失函数是由不变风险最小化损失函数、分布鲁棒优化损失函数和集成蒸馏学习损失函数中的一项或多项构建的损失函数；将数据资产集中的数据资产分别输入到训练后的目标模型中，得到相应的预测结果；基于得到的预测结果确定数据资产集对应的融合数据资产，并将融合数据资产提供给其它场景进行数据应用。
-
公开(公告)号：CN117194992A
公开(公告)日：2023-12-08
申请号：CN202311454844.9
申请日：2023-11-01
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F18/214 , G06F18/25 , G06F9/50 , G06N3/0499 , G06N3/08
Abstract: 本说明书公开一种模型训练、任务执行方法、装置、存储介质及设备，中心服务器可以基于各下游任务的共性样本对初始模型进行预训练，得到具有执行各下游任务的基础能力的预训练模型，进而可以通过将预训练模型的模型参数发送给每个下游服务器，以使得每个下游服务器基于本地样本对预训练模型中的调整层进行训练，得到训练后模型，并将训练后模型的调整层的网络参数返回，中心服务器可以根据各下游服务器返回的调整层网络参数，对预训练模型的调整层进行更新，得到目标模型，从而使得可以通过预训练模型的调整层学习到不同下游服务器所私有的本地样本和预训练过程中使用的共性样本之间的潜在联系，进而使得目标模型在下游任务中的性能得到提升。
-
公开(公告)号：CN116933131A
公开(公告)日：2023-10-24
申请号：CN202310870923.1
申请日：2023-07-14
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F18/24 , G06F18/214 , G06N3/0499 , G06N3/08 , G06Q20/40
Abstract: 本说明书实施例公开了一种模型的处理方法、装置及设备，该方法包括：获取应用于元学习的样本数据，样本数据中包括对应事件的特征、样本标签信息、对应事件所属的业务场景和支撑集，支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据；基于样本数据、支撑集中不同事件类别的支撑样本数据对应的注意力权重和支撑集中不同事件类别包含的支撑样本数据的数量，确定支撑集中不同事件类别对应的类别中心；获取该样本数据对应的查询集，查询集中包括基于多个不同的事件类别生成的新事件类别和每个新事件类别对应的查询样本数据；基于确定的类别中心、查询集和样本数据对风险识别模型进行模型训练。
-
-
-
-
-
-
-
-
-
Search Results
500
records
(took 0.047 seconds)
