-
公开(公告)号：CN114091684A
公开(公告)日：2022-02-25
申请号：CN202111308162.8
申请日：2021-11-05
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增强业务结果可解释性的方法及装置。该方法包括：获取原始行为序列和对应的业务标签，所述原始行为序列中包括由目标用户做出的按照时间顺序排列的T个操作行为；利用训练好的业务预测模型，确定M个第一序列对应的M个业务预测结果；所述M个第一序列通过从所述原始行为序列中分别屏蔽M组行为而得到；基于所述业务标签，确定所述M个业务预测结果对应的M个预测损失；基于所述M个预测损失，从所述M组行为中确定关键行为，用于解释所述原始行为序列的业务预测结果。
-
公开(公告)号：CN110659744B
公开(公告)日：2021-06-04
申请号：CN201910916976.6
申请日：2019-09-26
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训练事件预测模型以及进行事件评估的方法和装置。在训练方法中，首先获取训练样本集，其中包括大量源域样本和少量目标域样本；将各个样本输入事件预测模型，该模型包括源域提取器、目标域提取器、共享提取器，其中，对于源域样本，采用源域提取器和共享提取器进行处理，对于目标域样本，采用目标域提取器和共享提取器进行处理。然后，基于处理得到的样本特征向量，预测当前样本的分类类别，并据此得到分类损失。另一方面，还根据各源域样本在模型特定网络层的第一表征，以及目标域样本在该网络层的第二表征，确定域适应损失。于是，在分类损失和域适应损失构成的总损失减小的方向，更新和训练事件预测模型。
-
公开(公告)号：CN111400764B
公开(公告)日：2021-05-07
申请号：CN202010216729.8
申请日：2020-03-25
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个人信息保护的风控模型训练方法、风险识别方法及硬件。训练方法包括：获取样本用户集合中的样本用户在第一时间节点和第二时间节的用户画像向量组合，样本用户在第一时间节点的用户画像向量组合与在第二时间节点的用户画像向量组合具有相同的用户画像维度。确定样本用户在第一时间节点的用户画像向量组合与在第二时间节点的用户画像向量组合之间的差异特征。基样本用户对应的差异特征以及在第二时间节点对应的风险分类标签，对风控模型进行训练，第一时间节点早于第二时间节点，样本用户集合中至少有一个样本用户在第二时间节点对应的风险分类标签所指示的风险程度高于在第一时间节点对应的风险分类标签所指示的风险程度。
-
Patent Agency Ranking
公开(公告)号：CN111814977B
公开(公告)日：2020-12-18
申请号：CN202010888440.0
申请日：2020-08-28
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训练事件预测模型的方法，该方法可以应用于迁移学习的场景，通过设置中立的服务器，实现源域参与方和目标域参与方的数据隔离和隐私安全保护。其中源域参与方部署源域特征提取器，目标域参与方部署目标域特征器，中立的服务器中部署事件预测模型中的模型共用部分，具体包括共享特征提取器、图神经网络和分类网络。对于任一的参与方，其利用本域的特征提取器对本域中的样本进行特征提取，得到本域特征表示，再利用从服务器获取的模型共用部分的当前参数，对该本域特征表示进行处理，得到对应的事件分类结果，进而基于事件分类结果和本域样本进行模型更新，并将模型共用部分的更新结果上传至服务器，以使服务器进行集中更新。
-
公开(公告)号：CN111818093B
公开(公告)日：2020-12-11
申请号：CN202010888435.X
申请日：2020-08-28
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适用于在多方隐私保护下进行风险评估的神经网络系统、方法及装置。根据该方案，首先基于第一神经网络模型中的N个子模型分别获取用户的N个属性字段各自在约定的T个时刻的字段值序列；然后，采用时间递归的方式，分别将N个字段值序列处理为N个表征向量；上述N个子模型可部署于隔离的多方之中，且上述表征向量可保护原始字段值代表的隐私数据。最后，利用第二神经网络模型，基于注意力机制，对N个表征向量进行融合，基于融合结果确定与用户相关的风险评估结果。
-
公开(公告)号：CN111401913A
公开(公告)日：2020-07-10
申请号：CN202010198214.X
申请日：2020-03-19
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私有数据保护的模型学习方法、装置及系统。其中，方法包括：联盟中的非赋能成员对象基于属于私有数据的风险特征集合，对本地的风控模型进行训练，得到本地的风控模型的模型参数，其中，所述风险特征集合包含有交易样本数据中的交易逻辑拓扑的图特征。所述联盟中的非赋能成员对象将本地的风控模型的模型参数发送至所述联盟中的赋能成员对象。所述赋能成员对象基于所述联盟中的至少两个成员对象的风控模型的模型参数，确定目标模型参数。所述赋能成员对象将所述目标模型参数发送至所述联盟中的非赋能成员对象。接收到所述目标模型参数的非赋能成员对象，基于所述目标模型参数，对本地的风控模型进行调整。
-
公开(公告)号：CN111400764A
公开(公告)日：2020-07-10
申请号：CN202010216729.8
申请日：2020-03-25
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个人信息保护的风控模型训练方法、风险识别方法及硬件。训练方法包括：获取样本用户集合中的样本用户在第一时间节点和第二时间节的用户画像向量组合，样本用户在第一时间节点的用户画像向量组合与在第二时间节点的用户画像向量组合具有相同的用户画像维度。确定样本用户在第一时间节点的用户画像向量组合与在第二时间节点的用户画像向量组合之间的差异特征。基样本用户对应的差异特征以及在第二时间节点对应的风险分类标签，对风控模型进行训练，第一时间节点早于第二时间节点，样本用户集合中至少有一个样本用户在第二时间节点对应的风险分类标签所指示的风险程度高于在第一时间节点对应的风险分类标签所指示的风险程度。
-
公开(公告)号：CN110659744A
公开(公告)日：2020-01-07
申请号：CN201910916976.6
申请日：2019-09-26
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训练事件预测模型以及进行事件评估的方法和装置。在训练方法中，首先获取训练样本集，其中包括大量源域样本和少量目标域样本；将各个样本输入事件预测模型，该模型包括源域提取器、目标域提取器、共享提取器，其中，对于源域样本，采用源域提取器和共享提取器进行处理，对于目标域样本，采用目标域提取器和共享提取器进行处理。然后，基于处理得到的样本特征向量，预测当前样本的分类类别，并据此得到分类损失。另一方面，还根据各源域样本在模型特定网络层的第一表征，以及目标域样本在该网络层的第二表征，确定域适应损失。于是，在分类损失和域适应损失构成的总损失减小的方向，更新和训练事件预测模型。
-
-
-
-
-
-
-
Search Results
68
records
(took 0.04 seconds)
