-
公开(公告)号：CN119312074A
公开(公告)日：2025-01-14
申请号：CN202411266610.6
申请日：2022-05-17
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F18/213 , G06F18/214 , G06F18/2321 , G06N3/0475 , G06N3/045 , G06N3/094
Abstract: 本说明书实施例提供一种特征补齐模型训练方法、特征补齐模型训练装置、计算机可读存储介质、电子设备以及计算机程序产品，该方法包括确定正类样本，以及确定负类样本；固定对抗生成器的生成器的第一参数不变，通过正类样本和负类样本，训练对抗生成器的判别器；固定对抗生成器的判别器的第二参数不变，通过负类样本，训练对抗生成器的生成器；将训练后的对抗生成器确定为特征补齐模型。
-
公开(公告)号：CN114090401A
公开(公告)日：2022-02-25
申请号：CN202111283645.7
申请日：2021-11-01
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处理用户行为序列的方法及装置，在处理用户行为序列的方法中，获取N个样本用户各自的用户行为序列，并对其进行数据增强，得到多个正样本对和多个负样本对。每个正样本对包括按照不同业务，对同一用户行为序列进行拆分所得到的两个子序列。每个负样本对包括来自不同用户行为序列的两个子序列。将各正/负样本对输入神经网络模型，该神经网络模型包括相同的两个子模型，用于处理输入样本对中的两个子序列，以得到各自的行为向量。对于任意的正/负样本对，根据其中的两个子序列各自的行为向量，计算对应的距离。以最小化各正样本对的距离，最大化各负样本的距离为目标，更新神经网络模型，以用于处理待分析的用户行为序列。
-
公开(公告)号：CN114936591B
公开(公告)日：2024-08-20
申请号：CN202210437199.9
申请日：2022-04-24
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特征补齐方法、特征补齐装置、特征补齐模型、计算机可读存储介质、电子设备以及计算机程序产品，该方法包括本说明书示例性的实施例提供的方案基于训练后的机器学习模型，即基于对应于多个聚类中心的特征补齐模型实现。具体地，将关于同一用户的目标特征输入至训练后的特征补齐模型，经该特征补齐模型处理后输出与目标特征对应的隐向量，得到目标隐向量；其中，上述述目标特征中包含一个或多个待补齐元素。基于该特征补齐模型，在上述多个聚类中心中确定出上述目标隐向量对应的目标聚类中心。进一步地，根据目标聚类中心与目标隐向量之间距离，更新目标特征中的待补齐元素，最终得到补齐的目标特征。
-
公开(公告)号：CN117196715A
公开(公告)日：2023-12-08
申请号：CN202311144454.1
申请日：2023-09-05
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06Q30/0241 , G06Q30/0283 , G06F18/214 , G06Q30/0251
Abstract: 本说明书实施例提供一种价值预估模型训练方法、装置、设备与存储介质，该方法包括：构建包括历史广告投放数据和历史投放用户数据的训练数据集，将训练数据输入至价值预估模型中，采用特征提取网络分别对各训练数据进行特征提取处理，得到各训练数据分别对应的第一特征数据，采用全连接层对第一特征数据进行整合，得到第二特征数据，采用第一预估网络对所述第二特征数据进行转化概率预估，采用第二预估网络对所述第二特征数据进行预设时间段内的投放价值预估，得到训练数据对应的预测转化概率和预测投放回收值，基于预设损失函数、训练数据对应的标准结果、预测转化概率和预测投放回收值对价值预估模型进行监督训练，得到训练完成的价值预估模型。
-
公开(公告)号：CN116932908A
公开(公告)日：2023-10-24
申请号：CN202310916653.3
申请日：2023-07-24
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/9535 , G06Q30/0601 , G06N20/00
Abstract: 本说明书公开了一种产品推荐模型训练方法、产品推荐方法、装置及存储介质，其中，该方法通过对至少一个用户历史行为序列进行数据增强，得到可以表征不同用户之间的第一表征距离值以及相同用户之间的第二表征距离值的至少两种增强历史行为序列，接着，利用第一表征距离值以及第二表征距离值确定产品推荐模型的损失函数的损失值，并且，基于可以表征第一表征距离值以及第二表征距离值的损失函数的损失值训练产品推荐模型，从而不断调整产品推荐模型，进而调整增强历史行为序列，以使增强历史行为序列更加贴近真实用户的行为兴趣偏好，直到产品推荐模型收敛。
-
Patent Agency Ranking
公开(公告)号：CN114936591A
公开(公告)日：2022-08-23
申请号：CN202210437199.9
申请日：2022-04-24
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特征补齐方法、特征补齐装置、特征补齐模型、计算机可读存储介质、电子设备以及计算机程序产品，该方法包括本说明书示例性的实施例提供的方案基于训练后的机器学习模型，即基于对应于多个聚类中心的特征补齐模型实现。具体地，将关于同一用户的目标特征输入至训练后的特征补齐模型，经该特征补齐模型处理后输出与目标特征对应的隐向量，得到目标隐向量；其中，上述述目标特征中包含一个或多个待补齐元素。基于该特征补齐模型，在上述多个聚类中心中确定出上述目标隐向量对应的目标聚类中心。进一步地，根据目标聚类中心与目标隐向量之间距离，更新目标特征中的待补齐元素，最终得到补齐的目标特征。
-
公开(公告)号：CN116934396A
公开(公告)日：2023-10-24
申请号：CN202310730887.9
申请日：2023-06-19
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06Q30/0242 , G06F18/214
Abstract: 本说明书实施例公开了一种转化率预估模型构建方法、转化率预估方法及相关装置。其中，该模型构建方法包括：先获取服务商对应的服务能力，然后基于服务商对应的服务能力确定服务商对应的正负样本比例，最后基于服务商对应的服务特征和服务商对应的正负样本比例构建转化率预估模型。
-
公开(公告)号：CN116933076A
公开(公告)日：2023-10-24
申请号：CN202310870976.3
申请日：2023-07-14
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F18/214 , G06F18/24 , G06N5/01 , G06N20/00
Abstract: 本说明书实施例提供了基于多场景的模型训练方法及装置、模型预测方法及装置。在模型训练方法中，获取针对各个不同场景的共性训练样本集和个性训练样本集；针对各个机器，使用一个场景的支持样本集对该机器中的模型进行训练，以得到该模型中的决策层网络的第一决策参数；使用对应场景的查询样本集对更新后的模型进行训练，得到该模型中的特征网络的特征参数以及决策层网络的第二决策参数；使用对应场景的个性训练样本集对该机器中更新后的模型进行训练，以得到该机器对应场景的场景决策参数；以及存储各个场景的场景决策参数和第二决策参数，以与配置有特征参数的模型结合使用。
-
公开(公告)号：CN116644331A
公开(公告)日：2023-08-25
申请号：CN202310484667.2
申请日：2023-04-28
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F18/24 , G06F18/23 , G06Q30/0203
Abstract: 本说明书公开了一种人群分类方法、装置、存储介质及电子设备，本说明书中的实施例先对用户特征数据进行处理，确定原子人群特征，每个原子人群特征均可以影响营销目标人群，再基于原子人群特征在营销目标人群中划分原子人群，保证了原子人群划分的准确性、区分度和覆盖度，最后对所述原子人群进行聚类，得到最终的聚类人群。
-
公开(公告)号：CN115496250A
公开(公告)日：2022-12-20
申请号：CN202210581616.7
申请日：2022-05-26
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书公开了一种模型处理方法、装置、存储介质及电子设备，其中，方法包括：通过将针对初始神经网络模型的第一训练数据进行数据复制处理，得到第二训练数据，并将第一训练数据和第二训练数据输入初始神经网络模型进行模型训练以确定针对第一训练数据的第一表征信息以及针对第二训练数据的第二表征信息，然后基于第一表征信息以及第二表征信息对初始神经网络模型进行模型训练就可以得到训练好的目标神经网络模型。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.033 seconds)
