-
公开(公告)号：CN117349526A
公开(公告)日：2024-01-05
申请号：CN202311297724.2
申请日：2023-10-08
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/9535
Abstract: 本公开提供了一种用于推荐召回的方法，该方法包括：将用户的用户特征和多个物品的物品特征分别在嵌入空间中映射为用户向量和物品向量；将用户向量送入用户编码器以得到多个用户表征，其中该多个用户表征的数量基于该用户的用户活跃度；将物品向量送入物品编码器以得到该多个物品的物品表征；确定该多个物品的物品表征中与该多个用户表征距离最近的多个候选物品表征；以及召回与该多个候选物品表征相对应的多个候选物品。本申请还涉及用于推荐召回的系统、装置和介质。
-
公开(公告)号：CN115204486A
公开(公告)日：2022-10-18
申请号：CN202210806541.8
申请日：2022-07-08
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 公开了一种用于预测用户行为的方法，包括：获取用户的内容项交互历史；生成目标交互行为的时间周期嵌入表示；生成该目标交互行为的用户兴趣嵌入表示；至少对该目标交互行为的时间周期嵌入表示和用户兴趣嵌入表示执行特征融合以生成该目标交互行为的综合嵌入表示；以及基于该目标交互行为的综合嵌入表示，预测该用户在该目标时间与该目标内容项交互的概率。还公开了用于预测用户行为的系统、装置和介质。
-
公开(公告)号：CN117313838A
公开(公告)日：2023-12-29
申请号：CN202311489792.9
申请日：2023-11-09
Applicant: 支付宝(杭州)信息技术有限公司 , 华中科技大学
Abstract: 本说明书提供的联邦学习方法，目标端设备确定目标子图和包含目标外部节点的目标扩展图，通过聚合来自目标外部节点的非原始特征得到目标边缘节点的聚合外部嵌入特征，从而基于所述聚合外部嵌入特征对全局模型进行训练，得到本地模型。这样，在保护其他端设备的数据隐私的前提下引入了其他端设备中与自身相关的信息，使得目标边缘节点的信息更全面，利用目标边缘节点训练得到的本地模型的精度更高。
-
公开(公告)号：CN117111981A
公开(公告)日：2023-11-24
申请号：CN202311031879.1
申请日：2023-08-15
Applicant: 支付宝(杭州)信息技术有限公司 , 华中科技大学
Abstract: 本说明书提供的云边协同的模型更新方法和系统，云服务器接收多个客户端的多个初始客户端模型参数以及多个本地样本特征，基于多个本地样本特征之间的相似度对这多个客户端进行分组，进而将相似的客户端聚合起来，并将聚合结果下发到该组中的每个客户端，在云边协同的框架下考虑了边与边之间的协同学习，使得相似客户端之间的相似信息可以互相共享和借鉴，不同的客户端可以学习到与其相似的客户端的个性化信息，从而提升每个客户端模型的精度。
-
公开(公告)号：CN116432039A
公开(公告)日：2023-07-14
申请号：CN202310702653.3
申请日：2023-06-13
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F18/214 , G06F18/213
Abstract: 本说明书实施例披露一种协同训练方法及装置，以及一种业务预测方法及装置。协同训练方法由第一方执行，包括：先利用第一方部署的第一预测模型中的第一嵌入层处理训练样本的第一特征部分，得到第一嵌入表征，并从第二方接收第二嵌入表征，其由第二方利用第二预测模型中的第二嵌入层处理训练样本的第二特征部分而得到；再利用第一预测模型中的第一预测层处理第一嵌入表征和第二嵌入表征的第一融合表征，得到第一预测结果，并从第二方接收第二预测结果，其由第二方利用第二预测模型对训练样本进行预测而得到；之后基于第一预测结果、第二预测结果和训练样本的真实标签，训练第一预测模型。上述业务预测方法由第一方基于训练好的第一预测模型而执行。
-
Patent Agency Ranking
公开(公告)号：CN112766500B
公开(公告)日：2022-05-17
申请号：CN202110177564.2
申请日：2021-02-07
Applicant: 支付宝(杭州)信息技术有限公司
Inventor： 李群伟
Abstract: 本说明书实施例提供一种图神经网络的训练方法。该方法包括：先获取关系网络图，其中包括对应多个业务对象的多个对象节点；接着，针对各个对象节点，将其节点特征与其邻居节点的节点特征进行融合，得到该对象节点的融合特征，该多个对象节点对应的多个融合特征形成融合特征矩阵；利用所述图神经网络对所述关系网络图进行图嵌入处理，得到该多个对象节点对应的多个嵌入向量，该图神经网络中包括激活函数，并基于该多个嵌入向量，确定多个预测结果；并且，确定该融合特征矩阵经过该激活函数处理前后的乘积矩阵；基于该乘积矩阵、多个预测结果和业务标签，确定该图神经网络中参数的训练梯度,进而基于该训练梯度，更新该图神经网络中的参数。
-
公开(公告)号：CN117350405A
公开(公告)日：2024-01-05
申请号：CN202311483682.1
申请日：2023-11-08
Applicant: 支付宝(杭州)信息技术有限公司 , 华中科技大学
Abstract: 本公开提供一种联邦学习方法、服务端设备、客户端设备及系统，服务端设备根据获得的至少部分客户端设备的第i轮客户端梯度数据确定第i轮全局网络模型，并根据第i轮全局网络模型、以及服务端设备存储的任意客户端设备的第i轮局部网络模型，确定针对任意客户端设备的第i+1轮服务端梯度数据，以向任意客户端设备发送该第i+1轮服务端梯度数据，一方面，根据部分客户端设备的客户端梯度数据实现迭代更新，可以实现异步联邦学习，从而减少服务端设备的等待时间，提高联邦学习的效率；另一方面，服务端设备向客户端设备发送服务端梯度数据，可以减少服务端设备与客户端设备之间交互的信息的数据量，从而减少通信资源的消耗。
-
公开(公告)号：CN116432039B
公开(公告)日：2023-09-05
申请号：CN202310702653.3
申请日：2023-06-13
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F18/214 , G06F18/213
Abstract: 本说明书实施例披露一种协同训练方法及装置，以及一种业务预测方法及装置。协同训练方法由第一方执行，包括：先利用第一方部署的第一预测模型中的第一嵌入层处理训练样本的第一特征部分，得到第一嵌入表征，并从第二方接收第二嵌入表征，其由第二方利用第二预测模型中的第二嵌入层处理训练样本的第二特征部分而得到；再利用第一预测模型中的第一预测层处理第一嵌入表征和第二嵌入表征的第一融合表征，得到第一预测结果，并从第二方接收第二预测结果，其由第二方利用第二预测模型对训练样本进行预测而得到；之后基于第一预测结果、第二预测结果和训练样本的真实标签，训练第一预测模型。上述业务预测方法由第一方基于训练好的第一预测模型而执行。
-
公开(公告)号：CN116644802A
公开(公告)日：2023-08-25
申请号：CN202310889891.X
申请日：2023-07-19
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模型训练方法及装置，涉及计算机技术领域。该方法包括：采集样本数据；将所述样本数据输入第一初始模型，得到所述样本数据对应的损失函数，所述第一初始模型为部署于所述端节点上的待训练模型；根据所述损失函数，计算所述样本数据对应的梯度；将所述梯度上传至边缘节点，以使所述边缘节点根据所述梯度更新第二初始模型中的参数，得到最终模型，所述第二初始模型为部署于所述边缘节点上的所述待训练模型。本说明书提供的方案能够在模型的训练过程能够充分利用各个节点上的计算算力和网络带宽，同时保证模型的地域性和时效性。
-
公开(公告)号：CN112766500A
公开(公告)日：2021-05-07
申请号：CN202110177564.2
申请日：2021-02-07
Applicant: 支付宝(杭州)信息技术有限公司
Inventor： 李群伟
Abstract: 本说明书实施例提供一种图神经网络的训练方法。该方法包括：先获取关系网络图，其中包括对应多个业务对象的多个对象节点；接着，针对各个对象节点，将其节点特征与其邻居节点的节点特征进行融合，得到该对象节点的融合特征，该多个对象节点对应的多个融合特征形成融合特征矩阵；利用所述图神经网络对所述关系网络图进行图嵌入处理，得到该多个对象节点对应的多个嵌入向量，该图神经网络中包括激活函数，并基于该多个嵌入向量，确定多个预测结果；并且，确定该融合特征矩阵经过该激活函数处理前后的乘积矩阵；基于该乘积矩阵、多个预测结果和业务标签，确定该图神经网络中参数的训练梯度,进而基于该训练梯度，更新该图神经网络中的参数。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.041 seconds)
