-
公开(公告)号：CN118709148A
公开(公告)日：2024-09-27
申请号：CN202410712785.9
申请日：2024-06-03
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F18/26 , G06F18/22 , G06N3/042 , H04L67/50 , H04L67/1396
Abstract: 本说明书实施例公开了一种模式挖掘的方法、装置及电子设备。所述模式挖掘的方法包括：对数据集中的每组数据组，构建以目标用户为中心的原始图；基于所述数据集中包含的数据组中的行为数据，构建所述原始图中各个节点的补充信息；从所述原始图中，提取包含所述原始图中目标用户对应的节点的至少一个子图，并对所述子图进行聚合处理，得到所述子图的聚合信息，所述聚合处理用于在将所述子图中节点的邻接节点的补充信息汇聚到节点后，对所述子图中各个节点的信息进行聚合；对所述数据集中各个所述目标用户对应的聚合信息进行匹配，并根据匹配结果，确定所述数据集中所述目标用户的行为模式。
-
公开(公告)号：CN118349902A
公开(公告)日：2024-07-16
申请号：CN202410532691.3
申请日：2024-04-29
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F18/2413 , G06F18/20 , G06F18/213 , G06F18/2323
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，方法包括：获取目标图结构数据中与候选节点对应的子图数据；基于所述子图数据，通过表征提取模型对所述子图数据进行表征提取处理，得到所述子图数据包含的节点对应的表征向量；基于所述子图数据包含的节点对应的表征向量，对多个所述子图数据进行聚类处理，得到多个类；基于每个类对应的所述子图数据的数量，确定所述多个类中的目标类；在基于所述目标类对应的子图数据包含的节点的风险标签，确定所述目标类对应的子图数据为存在风险的子图数据的情况下，基于所述目标类对应的子图数据和待检测的图结构数据，对目标用户触发执行资源转移业务是否存在风险进行检测。
-
公开(公告)号：CN117726459A
公开(公告)日：2024-03-19
申请号：CN202410077862.8
申请日：2024-01-18
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06Q40/08 , G06N5/022 , G06N3/0455 , G06N3/0464 , G06N3/042
Abstract: 本说明书实施例公开了一种数据的处理方法、装置及设备，该方法包括：获取针对目标商户的多种不同的模态数据，然后，可以基于多种不同的模态数据，分别通过多种不同的多模态知识图谱构建方式，构建相应的多模态知识图谱，对构建的多个多模态知识图谱中的节点之间的关系进行增补检测，并对需要进行增补的多模态知识图谱的不同节点之间的关系进行增补处理，得到增补后的多模态知识图谱，最终，可以将无需增补的多模态知识图谱和增补后的多模态知识图谱输入到预先训练的图谱表征模型中，得到针对目标商户的表征信息，基于针对目标商户的表征信息进行风险防控处理，图谱表征模型中包括注意力模块。
-
公开(公告)号：CN115964669A
公开(公告)日：2023-04-14
申请号：CN202211611448.8
申请日：2022-12-13
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F18/2433 , G06F18/2413 , G06F18/2415 , G06F18/22
Abstract: 本说明书公开了一种异常检测方法、装置、可读存储介质及电子设备，通过针对每个大类，将该大类对应的历史行为数据输入异常检测模型中，得到该异常检测模型输出的该异常大类的每个异常子类的表征特征。在获取到待检测的用户行为数据后，将用户行为数据输入该异常检测模型中，根据用户行为数据对应的用户特征和预存的各异常大类包含的各异常子类的表征特征之间的相似度，确定该用户特征所对应的异常大类，并将该异常大类作为用户行为数据的异常检测结果。本方法可仅基于各异常大类分别对应的各异常子类和用户特征之间的相似度来确定异常检测结果，避免了对计算资源过大要求的同时，还能保证异常检测的准确性。
-
公开(公告)号：CN114692724B
公开(公告)日：2023-03-28
申请号：CN202210208136.6
申请日：2022-03-03
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F18/2415 , G06F18/214 , G06N3/047 , G06N3/08
Abstract: 本说明书实施例描述了数据分类模型的训练方法、数据分类方法和装置。根据实施例的方法，首先获取标签已知的正数据样本和标签未知的灰度数据样本，然后分别确定基于该正数据样本的标准正数据概率分布和基于该灰度数据样本的拟合正数据概率分布。进一步即可根据该标准正数据概率分布和拟合正数据概率分布实现对数据分类模型的训练。如此基于灰度数据中的正数据也应服从标准正数据概率分布的原则，构建适用于对所有数据进行标签分类的数据分类模型，从而能够提高利用该数据分类模型对数据进行分类的准确性。
-
Patent Agency Ranking
公开(公告)号：CN114692724A
公开(公告)日：2022-07-01
申请号：CN202210208136.6
申请日：2022-03-03
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书实施例描述了数据分类模型的训练方法、数据分类方法和装置。根据实施例的方法，首先获取标签已知的正数据样本和标签未知的灰度数据样本，然后分别确定基于该正数据样本的标准正数据概率分布和基于该灰度数据样本的拟合正数据概率分布。进一步即可根据该标准正数据概率分布和拟合正数据概率分布实现对数据分类模型的训练。如此基于灰度数据中的正数据也应服从标准正数据概率分布的原则，构建适用于对所有数据进行标签分类的数据分类模型，从而能够提高利用该数据分类模型对数据进行分类的准确性。
-
公开(公告)号：CN114092097A
公开(公告)日：2022-02-25
申请号：CN202111396497.X
申请日：2021-11-23
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书一个或多个实施例涉及数据处理技术领域，尤其涉及一种风险识别模型的训练方法、交易风险确定方法及装置。该方法包括：获取训练样本，训练样本包括第一交易的意愿标签、风险标签以及多个特征；将多个特征输入风险识别模型进行预测处理，预测处理包括，在特征处理网络，对多个特征进行特征交叉处理，得到表征向量；在第一识别层，基于对表征向量的第一处理结果，确定第一交易的意愿度；在第二识别层，基于对表征向量的第二处理结果，确定第一交易的风险度；在预测损失减小的方向，更新风险识别模型的参数，其中预测损失包括第一损失和第二损失，第一损失基于意愿度和意愿标签确定，第二损失基于风险度和风险标签确定。
-
公开(公告)号：CN113409050A
公开(公告)日：2021-09-17
申请号：CN202110492178.2
申请日：2021-05-06
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基于用户操作判断业务风险的方法和装置，方法包括：客户端接收针对目标业务的第一操作，目标业务是多种服务业务之一，第一操作是向服务端提交目标业务的业务请求之前的预定操作；响应于第一操作，在第一执行链路中，获取用户通过客户端执行的历史操作序列，将历史操作序列对应的特征序列输入预先训练的风险预测模型，得到目标业务的风险分数，将风险分数发送给服务端；在与第一执行链路并行执行的第二执行链路中，对目标业务进行继续处理，直至向服务端提交目标业务的业务请求；以使服务端根据业务请求和风险分数，判断目标业务是否具有预设类别的风险。能够确保高准确率、低耗时。
-
公开(公告)号：CN112836218A
公开(公告)日：2021-05-25
申请号：CN202110050426.8
申请日：2020-05-09
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书提供一种风险识别方法及装置和电子设备，应用于终端设备的可信执行环境。所述可信执行环境中存储有历史业务请求和风险规则。该方法包括：响应于业务客户端发起的待发送的业务请求，获取业务请求包含的用户账户和终端标识；查询历史业务请求中同样具有该用户账户和设备标识的历史目标业务请求，并对历史目标业务请求进行统计分析，得到风险指标的数值；判断风险指标的数值是否达到风险规则中设定的阈值；删除所述待发送的业务请求中携带的设备标识，并添加判断结果，由所述业务客户端将所述业务请求发送给业务服务端；以使所述业务服务端基于该判断结果执行该业务请求。由于设备标识不对外发送从而可以保护用户的个人信息。
-
公开(公告)号：CN112785157A
公开(公告)日：2021-05-11
申请号：CN202110093517.X
申请日：2021-01-22
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识别方法。该方法包括：获取待识别的第一事件样本；将该第一事件样本输入针对多个风险域的风险识别系统中；该风险识别系统包括第一表征层，第二表征层和输出层；该第二表征层包括共享表征子层，以及对应该多个风险域的多个特定表征子层；该输出层包括对应该多个风险域的多个输出子层；其中，该第一表征层基于该第一事件样本的事件特征，确定该第一事件样本的第一表征向量；该第二表征层中的各个表征子层各自基于该第一表征向量，确定该第一事件样本的表征子向量；该输出层中的各个输出子层，各自基于所对应风险域的表征子向量和该共享表征子层确定出的表征子向量，确定风险预测结果。
-
-
-
-
-
-
-
-
-
Search Results
68
records
(took 0.04 seconds)
