-
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：CN115081512B
公开(公告)日：2024-10-01
申请号：CN202210537277.2
申请日：2022-05-17
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，基于特征补齐模型)实现的，且该特征补齐模型的生成器的损失函数为基于样本用户特征的显示分布建模确定的。具体地，将关于同一用户的目标特征输入至上述特征补齐模型，其中，上述目标特征中包含一个或多个待补齐元素。经该特征补齐模型的生成器处理后输出与目标特征对应的目标隐向量，其中，该目标隐向量包含目标连续子特征和目标离散子特征。进一步地，根据目标连续子特征确定和目标离散子特征，确定上述目标特征的补齐特征。
-
Patent Agency Ranking
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：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：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。
-
公开(公告)号：CN115081512A
公开(公告)日：2022-09-20
申请号：CN202210537277.2
申请日：2022-05-17
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，基于特征补齐模型)实现的，且该特征补齐模型的生成器的损失函数为基于样本用户特征的显示分布建模确定的。具体地，将关于同一用户的目标特征输入至上述特征补齐模型，其中，上述目标特征中包含一个或多个待补齐元素。经该特征补齐模型的生成器处理后输出与目标特征对应的目标隐向量，其中，该目标隐向量包含目标连续子特征和目标离散子特征。进一步地，根据目标连续子特征确定和目标离散子特征，确定上述目标特征的补齐特征。
-
公开(公告)号：CN115796311A
公开(公告)日：2023-03-14
申请号：CN202211515321.6
申请日：2022-11-29
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06N20/20 , G06Q30/0202
Abstract: 本说明书实施例提供一种基于人群分层的集成学习模型、基于人群分层的集成学习模型的确定方法与装置、基于集成学习模型的预测方法与装置、计算机可读存储介质、电子设备以及计算机程序产品，该模型包括：人群划分部分、包括N个子模型的集成学习部分以及包括N个子模型。通过人群划分部分能够确定目标用户对应的人群特征，进一步地，权重生成部分根据上述目标用户对应的人群特征，能够生成N个子模型分别对应的权重。其中，根据不同的人群特征所确定的N个权重是不同的。最终，根据集成学习部分以及上述N个权重可以完成预测。
-
-
-
-
-
-
Search Results
7
records
(took 0.026 seconds)
