-
公开(公告)号：CN115545938B
公开(公告)日：2023-03-28
申请号：CN202211508342.5
申请日：2022-11-29
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F17/00 , G06Q40/04 , G06N3/08 , G06N3/04 , G06F16/901
Abstract: 本说明书公开了一种执行风险识别业务的方法、装置、存储介质及设备，通过将历史全图数据拆为各子图数据，通过训练后的解释模型确定各子图数据中主体的权重，根据各子图数据中主体的权重确定历史全图数据中主体的权重，作为历史全图数据的标注，根据历史全图数据及历史全图数据的标注训练预降噪模型。当确定满足更新条件时确定当前全图数据，将当前全图数据输入训练后的预降噪模型，得到当前全图数据中各主体的权重，根据得到的权重，裁剪当前全图数据中的主体得到可信图。可在执行业务前基于预降噪模型输出的权重对当前全图数据进行裁剪，得到降噪后的可信图，接收到携带业务数据的风控业务请求时则可根据可信图确定业务数据对应的风险识别结果。
-
公开(公告)号：CN115545189A
公开(公告)日：2022-12-30
申请号：CN202211507953.8
申请日：2022-11-29
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训练图生成网络、训练图神经网络的方法及装置，该方法包括：获取从原始关系图中提取的第一子图，其中各样本节点对应各样本用户，样本用户包括至少一个风险用户，边表示各样本用户之间的关联关系；获取扰动节点集，其中包括由正常用户构成的目标节点，及目标节点的邻居节点；利用图生成网络，处理第一子图和扰动节点集，生成第一子图中至少一个样本节点和目标节点之间的预测边，通过在第一子图上添加扰动节点集，并用预测边连接至少一个样本节点和目标节点，构成第二子图；利用图判别网络，预测第二子图为原始子图的第一概率；以最大化第一概率为目标，训练图生成网络。
-
公开(公告)号：CN115545189B
公开(公告)日：2023-04-18
申请号：CN202211507953.8
申请日：2022-11-29
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06N3/094 , G06N3/0475 , G06Q20/40
Abstract: 本说明书实施例提供一种训练图生成网络、训练图神经网络的方法及装置，该方法包括：获取从原始关系图中提取的第一子图，其中各样本节点对应各样本用户，样本用户包括至少一个风险用户，边表示各样本用户之间的关联关系；获取扰动节点集，其中包括由正常用户构成的目标节点，及目标节点的邻居节点；利用图生成网络，处理第一子图和扰动节点集，生成第一子图中至少一个样本节点和目标节点之间的预测边，通过在第一子图上添加扰动节点集，并用预测边连接至少一个样本节点和目标节点，构成第二子图；利用图判别网络，预测第二子图为原始子图的第一概率；以最大化第一概率为目标，训练图生成网络。
-
公开(公告)号：CN115965079A
公开(公告)日：2023-04-14
申请号：CN202211680435.6
申请日：2022-12-27
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图模型训练方法和装置。待训练的图模型适用于第一业务场景中；该方法包括：得到教师网络图模型；其中，所述教师网络图模型适用于第二业务场景中且为训练完毕的图模型；从第一业务场景中得到训练样本；利用教师网络图模型与待训练的图模型分别学习训练样本；对根据教师网络图模型对训练样本的学习结果与待训练的图模型对训练样本的学习结果进行相似性约束，以得到差异损失；利用待训练的图模型对训练样本的学习结果，得到业务损失；根据所述差异损失以及所述业务损失，调整所述待训练的图模型的模型参数。本说明书实施例能够减少对第一业务场景中训练样本的数量的要求。
-
公开(公告)号：CN115809701A
公开(公告)日：2023-03-17
申请号：CN202211658446.4
申请日：2022-12-22
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06N3/086 , G06N3/092 , G06Q20/40 , G06F16/901
Abstract: 本公开提出了一种用于风险交易捕捉的图特征搜索方法。该方法包括：基于交易数据构建图特征及其初始搜索空间；从该初始搜索空间中获取多个候选图特征，其中每个候选图特征包括信息聚合表示；利用强化学习策略来确定变异位置和变异值以获得特征反馈；基于该特征反馈来缩减该初始搜索空间以获得目标搜索空间；从该目标搜索空间中获取目标图特征；利用该目标图特征来捕捉该交易数据中的风险交易。
-
Patent Agency Ranking
公开(公告)号：CN112541575B
公开(公告)日：2023-03-10
申请号：CN202011409587.3
申请日：2020-12-06
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06N3/084 , G06N3/0464 , G06N3/048 , G06F18/2415
Abstract: 本说明书实施例提供一种图神经网络的训练方法，包括：获取原始关系网络图，其中包括对应多个业务对象的多个对象节点，以及对象节点之间存在关联关系而形成的原始连接边；在该原始关系网络图中添加若干记忆节点，并在每个记忆节点和每个对象节点之间建立新增连接边，得到扩张关系网络图，用于对图神经网络进行多轮迭代更新，其中任一轮包括：利用图神经网络对扩张关系网络图进行图嵌入处理，在多个图神经网络隐层中的任一隐层，对上一隐层针对第一对象节点、其若干邻居对象节点和若干记忆节点输出的隐向量进行聚合，得到本隐层输出的第一对象隐向量；根据最后一个隐层输出的第一对象隐向量以及第一对象节点的业务标签，对图神经网络进行本轮更新。
-
公开(公告)号：CN115293247A
公开(公告)日：2022-11-04
申请号：CN202210859441.1
申请日：2022-07-21
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建立风险识别模型的方法、风险识别的方法及对应装置。其中方法包括：获取利用用户在N个时刻的网络行为数据构建的N个时刻的异构网络图，所述节点中的部分节点被标注有是否存在预设类型风险的标签；利用所述N个时刻的异构网络图训练得到所述风险识别模型，其中所述风险识别模型包括图神经网络、脉冲神经网络、拼接网络和映射网络；所述训练目标包括：最小化所述风险识别模型对节点的风险识别结果与标签之间的差异。本申请将图神经网络与脉冲神经网络结合，提出了基于脉冲神经网络的风险识别模型来捕捉动态图数据的结构和时序信息，以使得基于用户网络行为数据的风险识别更加准确。
-
公开(公告)号：CN114091669A
公开(公告)日：2022-02-25
申请号：CN202111397085.8
申请日：2021-11-23
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提供一种基于事件的图神经网络训练方法及装置。方法包括：确定目标时段内发生的目标事件，针对每个目标事件，确定所述目标事件的事发时间以及参与所述目标事件的涉事对象；针对参与所述目标事件的每个涉事对象，基于所述目标时段内发生在所述事发时间之前的目标事件，生成所述涉事对象在所述事发时间的事件图；基于涉事对象、事发时间以及所述涉事对象在所述事发时间的事件图，确定所述目标事件下所述涉事对象的事件三元组，得到各个目标事件下涉事对象的事件三元组；采用各个目标事件下涉事对象的事件三元组训练图神经网络。
-
公开(公告)号：CN115795109A
公开(公告)日：2023-03-14
申请号：CN202211591577.5
申请日：2022-12-12
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/901
Abstract: 本说明书实施例提供了一种数据处理方法、装置及设备，所述方法包括：获取待裁剪的第一图结构数据；基于预先训练的图采样模型中的图编码网络，确定第一图结构数据中每个节点的节点表征向量；基于第一图结构数据中每个节点的节点表征向量，第一图结构数据的构建时间以及第一图结构数据中每两个具有连接关系的节点之间的时间信息，确定第一图结构数据中每两个具有连接关系的节点之间的边的边表征向量；基于预先训练的图采样模型中的采样网络，确定第一图结构数据中每两个具有连接关系的节点之间的边的采样概率；基于第一图结构数据中每两个具有连接关系的节点之间的边的采样概率，对第一图结构数据进行裁剪处理，得到裁剪后的第一图结构数据。
-
公开(公告)号：CN115660105A
公开(公告)日：2023-01-31
申请号：CN202211339182.6
申请日：2022-10-28
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书公开了一种模型训练的方法、业务风控的方法及装置。首先，确定预先构建的业务关系图。其次，获取业务序列数据。而后，将业务序列数据输入到待训练的预测模型中，以通过特征提取层，得到目标节点的第一序列特征，以及关联节点的第二序列特征。然后，通过注意力层，确定第一序列特征与第二序列特征之间的注意力权重，并根据注意力权重、第一序列特征以及第二序列特征，确定目标节点与关联节点之间的边的边特征。接着，将确定出的目标节点对应的节点特征以及边特征输入到决策层中，得到风险预测结果。最后，以最小化风险预测结果与标签之间的偏差为优化目标，对预测模型进行训练。本方法可以在用户执行业务过程中进行有效地业务风控。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.043 seconds)
