-
公开(公告)号：CN112581191A
公开(公告)日：2021-03-30
申请号：CN202011626281.3
申请日：2020-08-14
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行为预测模型的训练方法，包括：针对目标对象，获取基于多个种子用户形成的多个正样本，其中任意的第一正样本包括，与第一种子用户对应的第一用户特征和正例标签，此标签指示对应用户是被确定为对目标对象做出特定行为的用户；基于多个种子用户各自的用户特征，采用无监督的离群点检测算法，确定第一种子用户的离群分数，作为针对行为预测任务的第一训练权重；利用包括上述多个正样本以及预先获取的多个负样本，对第一行为预测模型进行第一训练，具体包括：将第一用户特征输入第一行为预测模型中，结合得到的行为预测结果和上述正例标签，确定行为预测损失，并利用第一训练权重对其进行加权处理，以训练第一行为预测模型。
-
公开(公告)号：CN117350405A
公开(公告)日：2024-01-05
申请号：CN202311483682.1
申请日：2023-11-08
Applicant: 支付宝(杭州)信息技术有限公司 , 华中科技大学
Abstract: 本公开提供一种联邦学习方法、服务端设备、客户端设备及系统，服务端设备根据获得的至少部分客户端设备的第i轮客户端梯度数据确定第i轮全局网络模型，并根据第i轮全局网络模型、以及服务端设备存储的任意客户端设备的第i轮局部网络模型，确定针对任意客户端设备的第i+1轮服务端梯度数据，以向任意客户端设备发送该第i+1轮服务端梯度数据，一方面，根据部分客户端设备的客户端梯度数据实现迭代更新，可以实现异步联邦学习，从而减少服务端设备的等待时间，提高联邦学习的效率；另一方面，服务端设备向客户端设备发送服务端梯度数据，可以减少服务端设备与客户端设备之间交互的信息的数据量，从而减少通信资源的消耗。
-
公开(公告)号：CN117171336A
公开(公告)日：2023-12-05
申请号：CN202311123033.0
申请日：2023-09-01
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/335 , G06F16/36 , G06Q30/0601 , G06Q40/06
Abstract: 本说明书实施例提供推荐对象确定方法、对象推荐模型训练方法及装置。对第一用户的第一用户特征、第一对象的第一对象特征、融合有对象知识图谱的用户‑对象交互图中的第二用户的第二用户特征、第二对象的第二对象特征和对象属性的属性特征进行多意图通道解耦表征。使用第一和第二用户的多通道用户特征表征、第一和第二对象的多通道对象特征表征和对象属性的多通道对象属性特征表征，对第一用户的多通道用户特征表征和第一对象的多通道对象特征表征进行用户‑对象交互图和对象知识图谱上的表征聚合。然后，根据第一用户的经过聚合后的多通道用户特征表征和第一对象的经过聚合后的多通道对象特征表征，确定是否向第一用户推荐第一对象。
-
公开(公告)号：CN116596065B
公开(公告)日：2023-11-28
申请号：CN202310848180.8
申请日：2023-07-12
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本申请公开了一种梯度计算方法、装置、存储介质、产品及电子设备，其中，方法包括：边缘侧接收客户端发送的预设个数的梯度数据，所述梯度数据为所述客户端在对模型进行训练过程中所获取的，对所述预设个数的梯度数据进行平均计算处理，获得平均梯度数据，将所述平均梯度数据发送至云端，云端接收边缘侧发送的平均梯度数据，将所述平均梯度数据发送至所述客户端，指示所述客户端对所述模型进行参数调整。
-
公开(公告)号：CN116595384B
公开(公告)日：2023-11-24
申请号：CN202310864326.8
申请日：2023-07-14
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F18/214 , G06N20/00 , G06F9/50
Abstract: 本说明书一个或多个实施例提供一种模型训练方法及装置。其中，该方法应用于云端，包括：接收多个终端上传的、基于本地数据对待训练模型进行模型训练产生的训练数据；按照各个终端所属的集群，将由各个终端上传的训练数据记录至与各个集群对应的数据集中，并由与各个集群分别对应的训练模块根据相应数据集中包含的训练数据，对各个集群所对应的待训练模型进行更新，得到与各个集群分别对应的更新后模型；将各个集群所对应的更新后模型，作为相应集群在下一次模型更新时的待训练模型部署至(56)对比文件Fariba Majidi 等.HFDRL: AnIntelligent Dynamic Cooperate CashingMethod Based on Hierarchical FederatedDeep Reinforcement Learning in Edge-Enabled IoT《.IEEE Internet of ThingsJournal》.2022,第9卷(第2期),1402-1413.杨鑫 等.MEC的云边协同分析《.中兴通讯技术》.2020,第26卷(第3期),27-30.万杰.基于安卓的联邦学习平台设计与实现《.中国优秀硕士学位论文全文数据库 信息科技辑》.2020,第2020年卷(第7期),I138-367.Jinliang Xu 等.Machine StatusPrediction for Dynamic and HeterogenousCloud Environment《.2016 IEEEInternational Conference on ClusterComputing (CLUSTER)》.2016,136-137.
-
Patent Agency Ranking
公开(公告)号：CN116992045A
公开(公告)日：2023-11-03
申请号：CN202310979500.3
申请日：2023-08-04
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/36 , G06F40/295 , G06N3/045 , G06F40/30 , G06F16/35
Abstract: 本说明书实施例提供知识图谱构建方法及装置。在进行知识图谱构建时，从应用场景服务数据中提取实体节点；确定实体节点之间的实体层级关系；以及根据层级关系确定结果，在实体节点之间创建实体层级边关系。
-
公开(公告)号：CN116610868B
公开(公告)日：2023-09-29
申请号：CN202310860786.3
申请日：2023-07-13
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/9535 , G06N5/04 , G06N3/08
Abstract: 本说明书一个或多个实施例提供一种样本标注方法、端边云协同训练方法及装置。该方法包括：获取设置在所述终端设备中的资源推荐网络的输入特征；利用所述资源推荐网络对所述输入特征进行多次推理，并将每次推理的输入特征与该次推理的ID进行绑定；获取已进行推理的待展示资源的曝光数据，并根据所述曝光数据确定所述用户对所述待展示资源的感兴趣程度的真实值；根据所述推理的ID获取对应的输入特征，并利用所述真实值对所述输入特征进行标注，得到样本数据。利用推理解决方案与训练解决方案的信息交互完成端侧自动化的样本数据标注，并通过将推理ID与输入特征绑定，可以保证样本标注与输入特征的对应，以更准确地对资源推荐网络进行训练。
-
公开(公告)号：CN116684480A
公开(公告)日：2023-09-01
申请号：CN202310948354.8
申请日：2023-07-28
Applicant: 支付宝(杭州)信息技术有限公司
IPC: H04L67/55 , G06F16/9535 , G06F18/214
Abstract: 本发明涉及一种信息推送模型的确定及信息推送的方法及装置，在模型构建过程中，采用多输入多输出模型作为初始模型，通过样本特征深度提取多输入向量，同时产出多层次丰富的输出表征，并根据初始模型的训练结果对初始模型中的连接关系进行删减。其中，初始模型包括依次连接的第一数量的网络层，单个网络层的输出作为其后的第二数量网络层的输入。如此训练得到的模型可以具有更加有效的拓扑结构。
-
公开(公告)号：CN116611536A
公开(公告)日：2023-08-18
申请号：CN202310887452.5
申请日：2023-07-19
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提供一种模型训练方法及装置、电子设备及存储介质，所述方法结合终端、边缘CND节点和云端三侧来完成目标模型的训练，从而提高了目标模型的训练效果，所述方法包括：接收多个梯度数据，其中，所述梯度数据由终端根据样本数据和目标模型生成，并发送至边缘CDN节点；对所述多个梯度数据进行聚合处理，得到第一聚合结果；将所述第一聚合结果发送至云端，以使所述云端根据所述第一聚合结果更新所述目标模型，并将更新后的所述目标模型发送至生成所述多个梯度数据的终端。
-
公开(公告)号：CN116610308A
公开(公告)日：2023-08-18
申请号：CN202310867712.2
申请日：2023-07-13
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提供一种代码管理方法及装置、电子设备及存储介质，该方法包括：根据针对第一模型的脚本生成指令，获取代码库中通用代码和第一模型对应的专用代码，其中，第一模型为多个待检测模型中的任一个待检测模型；根据通用代码和第一模型对应的专用代码，生成第一模型对应的脚本。开发人员只需根据所有待检测模型的检测实验的共有逻辑开发通用代码，并根据每个待检测模型的检测实验的专有逻辑开发专用代码，相对于针对每个待检测模型的检测实验的完整逻辑开发代码，开发工作量较低；而且代码库中只需保存通用代码和各待检测模型的专用代码，内存占用量较低；再者可以很便捷的生成待检测模型的代码，提高了代码生成的效率。
-
-
-
-
-
-
-
-
-
Search Results
64
records
(took 0.059 seconds)
