-
公开(公告)号：CN116109008B
公开(公告)日：2023-07-04
申请号：CN202310353832.0
申请日：2023-04-04
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书公开了一种业务执行的方法及装置，首先，获取业务数据。其次，将业务数据输入到预测模型的权重层中，以确定业务数据中每个业务维度的数据与预测模型输出的预测结果的相关程度。而后，根据相关程度，确定需要进行数据替换的业务维度，作为目标维度。然后，将业务数据中目标维度的数据进行替换，得到替换后业务数据。接着，将业务数据输入到预测模型中的预测层，确定第一预测结果，以及将替换后业务数据输入到预测层中，得到第二预测结果。最后，根据第一预测结果与第二预测结果之间的偏差，对预测模型进行调整，以根据调整后的预测模型，执行业务。本方法可以确定预测模型的可解释性，提高预测模型确定出的预测结果的准确性。
-
公开(公告)号：CN115829755B
公开(公告)日：2023-05-26
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：CN119272142A
公开(公告)日：2025-01-07
申请号：CN202411280837.6
申请日：2024-09-12
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F18/2415 , G06F21/62 , G06N3/0442 , G06N3/098 , G06N20/00 , G06Q40/03
Abstract: 本说明书公开了一种模型训练方法、装置、设备及可读存储介质，第一节点通过部署的第一编码器得到各第一对齐样本的特征以及各第一非对齐样本的特征，针对各第一对齐样本对应的每个标注类别，根据该标注类别包含的各第一对齐样本的特征，确定该标注类别的第一原型向量，针对每个第一非对齐样本，根据该第一非对齐样本的特征与其所属的标注类别的第一原型向量，确定第一损失，并以各第一非对齐样本对应的第一损失训练第一编码器。可见，将各第一非对齐样本引入用于训练第一编码器的样本中，扩大了训练样本的规模，提升了训练完成的第一编码器的准确性，并保障了样本的隐私安全性。
-
公开(公告)号：CN116051118B
公开(公告)日：2023-06-16
申请号：CN202310209134.3
申请日：2023-03-01
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书一个或多个实施例公开了一种行为时序模型的分析方法及装置。所述方法包括：将第一行为时序数据集输入预训练的风险预测模型，得到第一行为时序数据集对应的预测结果。针对各第一行为特征，将第一行为特征对应的第二行为时序数据集输入风险预测模型，得到第二行为时序数据集对应的预测结果，第二行为时序数据集中不包括第一行为特征。根据预测结果，确定N个行为特征对于风险预测模型进行风险预测的贡献信息。贡献信息包括各第一行为特征对应的特征贡献值、第一行为时序数据集中的关键行为特征与第二行为特征之间的特征交互所产生的交互贡献值以及关键行为特征对应的时序敏感值，第二行为特征与关键行为特征之间时序相邻。
-
公开(公告)号：CN116109008A
公开(公告)日：2023-05-12
申请号：CN202310353832.0
申请日：2023-04-04
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书公开了一种业务执行的方法及装置，首先，获取业务数据。其次，将业务数据输入到预测模型的权重层中，以确定业务数据中每个业务维度的数据与预测模型输出的预测结果的相关程度。而后，根据相关程度，确定需要进行数据替换的业务维度，作为目标维度。然后，将业务数据中目标维度的数据进行替换，得到替换后业务数据。接着，将业务数据输入到预测模型中的预测层，确定第一预测结果，以及将替换后业务数据输入到预测层中，得到第二预测结果。最后，根据第一预测结果与第二预测结果之间的偏差，对预测模型进行调整，以根据调整后的预测模型，执行业务。本方法可以确定预测模型的可解释性，提高预测模型确定出的预测结果的准确性。
-
Patent Agency Ranking
公开(公告)号：CN116051118A
公开(公告)日：2023-05-02
申请号：CN202310209134.3
申请日：2023-03-01
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书一个或多个实施例公开了一种行为时序模型的分析方法及装置。所述方法包括：将第一行为时序数据集输入预训练的风险预测模型，得到第一行为时序数据集对应的预测结果。针对各第一行为特征，将第一行为特征对应的第二行为时序数据集输入风险预测模型，得到第二行为时序数据集对应的预测结果，第二行为时序数据集中不包括第一行为特征。根据预测结果，确定N个行为特征对于风险预测模型进行风险预测的贡献信息。贡献信息包括各第一行为特征对应的特征贡献值、第一行为时序数据集中的关键行为特征与第二行为特征之间的特征交互所产生的交互贡献值以及关键行为特征对应的时序敏感值，第二行为特征与关键行为特征之间时序相邻。
-
公开(公告)号：CN115953248B
公开(公告)日：2023-05-16
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：CN119478549A
公开(公告)日：2025-02-18
申请号：CN202411822578.5
申请日：2024-12-11
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06V10/764 , G06N20/00
Abstract: 本说明书公开了一种图像分类模型的训练方法、装置、介质及电子设备，在各边缘节点训练适用于自身的图像分类模型时，中心节点可采用知识蒸馏技术，根据获取到的各边缘节点的图像分类模型的局部编码端的参数，调整中心节点中的全局编码端的参数，得到调整后的全局编码端的参数。进而中心节点针对每个边缘节点，根据调整后的全局编码端以及该边缘节点的局部编码端，调整该边缘节点的局部编码端的参数，并将调整后的局部编码端的参数发送至该边缘节点。在各边缘节点可在数据共享的情况下，即便每个边缘节点的图像分类模型的架构不同，每个边缘节点仍旧能够得到适应于自身模型架构的图像分类模型，提高了训练出的图像分类模型的性能。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.055 seconds)
