-
公开(公告)号：CN118840208A
公开(公告)日：2024-10-25
申请号：CN202410977146.5
申请日：2024-07-19
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书实施例公开了一种资源流转分析的方法、装置及电子设备。所述资源流转分析的方法包括：从至少一个账户对应的不同地址之间的资源流转事件中，确定多个时间层级的与目标地址相关的相关流转事件，同一地址在相邻两个时间层级的相关流转事件中分别为资源流入地址和资源流出地址；以所述相关流转事件中的地址为节点、所述相关流转事件为边，构建所述目标地址对应的资源流转图；在所述资源流转图中，根据各个所述相关流转事件和所述目标地址的资源流转数量，确定各个所述相关交易事件参与所述目标地址的资源流转的参与指数；根据所述参与指数，从所述资源流转图中确定所述目标地址的资源流转链路，并基于所述资源流转链路，确定分析结果。
-
公开(公告)号：CN118839299A
公开(公告)日：2024-10-25
申请号：CN202410853222.1
申请日：2024-06-27
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F18/25 , G06F18/213
Abstract: 本说明书实施例公开了一种数据处理方法、装置及设备，该方法包括：获取用于对用户和/或用户的交易是否存在预设风险进行定性的多模态数据，多模态数据中包括表格数据；获取表格数据中的每个数据在表格数据中的位置对应的位置表征，并基于表格数据中的每个数据和相应的位置表征，确定表格数据中的每个数据对应的输入表征；将表格数据中的每个数据对应的输入表征和其它模态数据对应的输入表征输入到特征融合模型中的编码子模型中，得到表格数据对应的编码表征和其它模态数据对应的编码表征；将表格数据对应的编码表征和其它模态数据对应的编码表征输入到特征融合模型中的解码子模型中，得到多模态数据对应的融合表征。
-
公开(公告)号：CN114529191B
公开(公告)日：2024-10-22
申请号：CN202210142895.7
申请日：2022-02-16
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06Q10/0635 , G06F18/23213 , G06N3/04 , G06N3/0895
Abstract: 本公开提供了用于风险识别的方法和装置。一种用于风险识别的方法，包括：获取与风险实例相关的无语义训练数据样本和有语义训练数据样本；使用无语义训练数据样本和有语义训练数据样本来对第一风险识别模型和第二风险识别模型进行联合训练，包括：分别使用第一特征提取模块和第二特征提取模块对无语义训练数据样本和有语义训练数据样本进行特征提取以生成无语义训练特征向量和有语义训练特征向量；以及对无语义训练特征向量和有语义训练特征向量进行对比学习，以使得所述对比学习的损失函数收敛。
-
公开(公告)号：CN116432048A
公开(公告)日：2023-07-14
申请号：CN202310350772.7
申请日：2023-03-28
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书公开了一种异常检测方法、装置、存储介质及电子设备。在本说明书提供的异常检测方法中，获取待检测数据；将所述待检测数据输入预先训练的检测模型，以通过所述检测模型中的提取子网提取所述待检测数据的原始特征；将所述原始特征输入所述检测模型的重构子网，以通过所述重构子网对所述原始特征进行处理操作，得到中间特征，并对所述中间特征进行还原操作，得到所述待检测数据的重构特征，其中，所述处理操作至少包括降维操作，所述还原操作至少包括升维操作；根据所述原始特征与所述重构特征，确定所述原始特征与所述重构特征之间的相似度；根据所述相似度，确定所述待检测数据是否异常。
-
公开(公告)号：CN116405561A
公开(公告)日：2023-07-07
申请号：CN202310345422.1
申请日：2023-03-29
Applicant: 支付宝(杭州)信息技术有限公司
IPC: H04L67/568 , H04L67/59 , G06F18/213 , G06F30/20
Abstract: 本说明书公开了一种基于特征仿真的风险控制的方法、装置、介质及设备，在本说明书提供的的方法中，针对每个用户，本方法先获取目标时刻的当前流式业务数据、存储的该用户的历史特征仿真结果，然后根据预设的算子对当前流式业务数据与该用户的历史特征仿真结果进行统计，确定该用户在该目标时刻的特征仿真结果并存储，当对目标用户进行风险控制时，根据存储的该目标用户的特征仿真结果确定目标用户的分类结果以进行风险控制。本方法只需确定目标时刻的当前流式业务数据与存储的用户的历史特征仿真结果，就可以确定用户在该目标时刻的各种特征仿真结果，进行风险控制，实现了基于流式数据的特征仿真，节省了特征仿真所需存储空间。
-
Patent Agency Ranking
公开(公告)号：CN116342281A
公开(公告)日：2023-06-27
申请号：CN202310323458.X
申请日：2023-03-29
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06Q40/04 , G06N3/047 , G06N3/08 , G06F18/241 , G06F18/2415 , G06F18/2431 , G06F18/214
Abstract: 本说明书实施例公开了一种交易事件的风险感知方法、装置及设备，该方法包括：获取预设时长内产生的交易事件的信息；基于每个所述交易事件的信息，确定每个所述交易事件对应的特征和每个所述交易事件对应的交易渠道信息；分别将每个所述交易事件对应的特征输入到预先训练的目标模型中，得到每个所述交易事件存在预设风险的概率，所述目标模型用于确定所述交易事件存在预设风险的可疑程度；基于每个所述交易事件存在预设风险的概率和每个所述交易事件对应的交易渠道信息，确定预设时长内产生的交易事件所属的交易渠道中每种所述交易渠道针对所述预设风险的风险表征信息和/或每种所述交易渠道的风险归因信息。
-
公开(公告)号：CN114648070B
公开(公告)日：2023-06-13
申请号：CN202210296932.X
申请日：2022-03-24
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F18/214 , G06F18/2415 , G06N3/048 , G06N3/047 , G06N3/084 , G06F11/34
Abstract: 本说明书实施例提供关键行为抽取网络、关键属性抽取网络的训练方法及装置。其中，关键行为抽取网络的训练方法包括：先将原始行为序列输入关键行为抽取网络，得到若干关键行为，形成关键行为序列；所述原始行为序列包括目标用户做出的按时间顺序排列的T个操作行为；再将所述关键行为序列输入预先训练好的业务预测模型，得到业务预测结果；之后，基于所述业务预测结果和所述原始行为序列的业务标签，训练所述关键行为抽取网络。如此，可以自动精准地抽取关键行为，有效增强对完整行为序列的业务预测结果的可解释性。
-
公开(公告)号：CN115953248A
公开(公告)日：2023-04-11
申请号：CN202310220105.7
申请日：2023-03-01
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书公开了一种基于沙普利可加性解释的风控方法、装置、电子设备及介质。方法包括：获取目标交易业务的原始样本集，并确定出属于强关联的特征组合。基于强关联的特征组合的有效值，构建第一类扰动样本集。基于沙普利可加性解释执行：分别对原始样本集和第一类扰动样本集中的特征进行采样，得到多个采样结果所对应的待解释特征集，第一类扰动样本集对应的至少一种采样结果包含有强关联的特征组合；以及基于每个待解释特征集的准基Shapley值，计算出每个采样得到的特征的SHAP值。根据SHAP值，从每个采样得到的特征中选取出对目标交易业务影响度达到预设标准的目标特征。对目标交易业务中符合目标特征的用户执行预设风控决策。
-
公开(公告)号：CN115829755A
公开(公告)日：2023-03-21
申请号：CN202310133681.8
申请日：2023-02-07
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书实施例提供了一种交易风险的预测结果的解释方法和装置。该方法包括：得到时间序列；该时间序列是：由至少两个交易事件的特征按照时间顺序形成的序列；并且，该时间序列被输入机器学习模型，以使得该机器学习模型根据该时间序列输出针对交易风险的预测结果；针对时间序列中的每一种类型的交易事件的特征，确定该类型特征在用于得到所述针对交易风险的预测结果时的重要性；将所述时间序列划分为至少两个子序列；针对每一个子序列，根据所确定出的每一种交易事件的类型的特征的重要性，得到每一种类型的交易事件的特征相对于该子序列的重要性。本说明书实施例能够更好地对机器学习模型得出的交易风险预测结果进行解释。
-
公开(公告)号：CN114648070A
公开(公告)日：2022-06-21
申请号：CN202210296932.X
申请日：2022-03-24
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书实施例提供关键行为抽取网络、关键属性抽取网络的训练方法及装置。其中，关键行为抽取网络的训练方法包括：先将原始行为序列输入关键行为抽取网络，得到若干关键行为，形成关键行为序列；所述原始行为序列包括目标用户做出的按时间顺序排列的T个操作行为；再将所述关键行为序列输入预先训练好的业务预测模型，得到业务预测结果；之后，基于所述业务预测结果和所述原始行为序列的业务标签，训练所述关键行为抽取网络。如此，可以自动精准地抽取关键行为，有效增强对完整行为序列的业务预测结果的可解释性。
-
-
-
-
-
-
-
-
-
Search Results
68
records
(took 0.052 seconds)
