公开(公告)号：CN110688610A

公开(公告)日：2020-01-14

申请号：CN201910924018.3

申请日：2019-09-27

Applicant: 支付宝(杭州)信息技术有限公司

Inventor： 唐德荣 ,  叶捷明 ,  王兴驰

IPC: G06F17/10 ,  G06F17/15 ,  G06F16/901

Abstract: 本申请提出了一种图数据的权重计算方法、装置和电子设备，其中，上述图数据的权重计算方法包括：获取当前单位时长之前预定数量的单位时长内的边数据，并获取当前单位时长内新增的边数据；对预先设定的聚合函数进行解析，获得聚合函数中的计算算子和运算关系；如果聚合函数中的计算算子为增量计算算子，则根据增量计算算子计算当前单位时长内新增的边数据的新增权重计算参数；利用新增权重计算参数对历史权重计算参数进行更新，获得更新后的权重计算参数；根据聚合函数中的运算关系对更新后的权重计算参数进行计算，获得边数据的权重。本申请可以实现通过增量计算的方式计算图数据中边的权重，提高权重的计算效率，进而提高社区划分效果。

公开(公告)号：CN110688610B

公开(公告)日：2023-05-09

申请号：CN201910924018.3

申请日：2019-09-27

Applicant: 支付宝(杭州)信息技术有限公司

Inventor： 唐德荣 ,  叶捷明 ,  王兴驰

IPC: G06F17/10 ,  G06F17/15 ,  G06F16/901

Abstract: 本申请提出了一种图数据的权重计算方法、装置和电子设备，其中，上述图数据的权重计算方法包括：获取当前单位时长之前预定数量的单位时长内的边数据，并获取当前单位时长内新增的边数据；对预先设定的聚合函数进行解析，获得聚合函数中的计算算子和运算关系；如果聚合函数中的计算算子为增量计算算子，则根据增量计算算子计算当前单位时长内新增的边数据的新增权重计算参数；利用新增权重计算参数对历史权重计算参数进行更新，获得更新后的权重计算参数；根据聚合函数中的运算关系对更新后的权重计算参数进行计算，获得边数据的权重。本申请可以实现通过增量计算的方式计算图数据中边的权重，提高权重的计算效率，进而提高社区划分效果。

公开(公告)号：CN111241353B

公开(公告)日：2023-08-22

申请号：CN202010057861.9

申请日：2020-01-16

Applicant: 支付宝(杭州)信息技术有限公司

Inventor： 唐德荣

IPC: G06F16/901 ,  G06F16/906

Abstract: 本说明书实施例公开了一种图数据的分区方法、装置以及设备。所述方法包括：获取待处理的图数据；对所述待处理的图数据的节点数据进行打散处理，获得所述待处理的图数据的第一分区结果；基于所述第一分区结果，对所述第一分区结果中对应的各个节点进行聚类分析，获得所述待处理的图数据的第二分区结果，以使所述第二分区结果中相邻连通图的顶点数据和/或边数据存储在同一个分区中，所述第二分区结果为所述待处理的图数据的最终分区结果。采用本说明书实施例提供的图数据的分区方法，能够实现图数据的存储负载均匀，避免热点问题，且能够提升图数据的计算效率。

公开(公告)号：CN111241353A

公开(公告)日：2020-06-05

申请号：CN202010057861.9

申请日：2020-01-16

Applicant: 支付宝(杭州)信息技术有限公司

Inventor： 唐德荣

IPC: G06F16/901 ,  G06F16/906

Abstract: 本说明书实施例公开了一种图数据的分区方法、装置以及设备。所述方法包括：获取待处理的图数据；对所述待处理的图数据的节点数据进行打散处理，获得所述待处理的图数据的第一分区结果；基于所述第一分区结果，对所述第一分区结果中对应的各个节点进行聚类分析，获得所述待处理的图数据的第二分区结果，以使所述第二分区结果中相邻连通图的顶点数据和/或边数据存储在同一个分区中，所述第二分区结果为所述待处理的图数据的最终分区结果。采用本说明书实施例提供的图数据的分区方法，能够实现图数据的存储负载均匀，避免热点问题，且能够提升图数据的计算效率。

公开(公告)号：CN111144978A

公开(公告)日：2020-05-12

申请号：CN201911261839.X

申请日：2019-12-10

Applicant: 支付宝(杭州)信息技术有限公司

Inventor： 唐德荣

IPC: G06Q30/06

Abstract: 本公开涉及一种融合推荐的方法，包括获取多个用户对多个产品的行为数据；基于行为数据，确定多个产品中每两个产品之间的相似度；基于高于阈值的相似度来生成多个产品的相似产品候选集；基于行为数据，计算对于相似产品候选集中的产品的至少部分用户打分以获得稀疏的高维用户-产品打分矩阵；通过对稀疏的高维用户-产品打分矩阵进行矩阵分解来挖掘多个用户的隐含特征并获得分解出的低维用户-隐含特征矩阵和低维隐含特征-产品打分矩阵；以及将低维用户-隐含特征矩阵和低维隐含特征-产品打分矩阵相乘以获得高维逼近矩阵，高维逼近矩阵通过补全稀疏的高维用户-产品打分矩阵来预测多个用户对多个产品的打分。本公开还涉及相应的系统和设备。