-
公开(公告)号：CN112948885B
公开(公告)日：2023-10-27
申请号：CN202110320900.4
申请日：2021-03-25
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实现隐私保护的多方协同更新模型的方法、装置及系统，服务器可以向每个参与方i下发第t轮公共样本的聚合结果。每个参与方i根据第t轮公共样本和聚合结果，对本地的第i模型进行第一更新。每个参与方i基于本地样本集中固定的第一私有样本及其样本标签，对第一更新后的第i模型进行第二更新。每个参与方i将用于下一轮迭代的第t+1轮公共样本，输入第二更新后的第i模型，并将输出的第二预测结果发送给服务器，以供服务器聚合对应于n个参与方的n份第二预测结果，并在下一轮迭代开始之后使用。在多轮迭代结束之后，每个参与方i可以将其第二更新后的第i模型，作为其与其它参与方协同更新的模型。
-
公开(公告)号：CN112541530B
公开(公告)日：2023-06-20
申请号：CN202011409579.9
申请日：2020-12-06
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F18/10 , G06F18/23213 , G06N3/0464 , G06N3/0455 , G06N3/084 , G06N3/088
Abstract: 本说明书实施例提供一种针对聚类模型的数据预处理以及利用属性图进行业务实体聚类的方法，基于信息论，提供了一种通过表征向量对属性图进行表征，并利用表征向量与聚类类别的原型向量之间转移的信息损失来训练聚类模型。并且，这种信息损失通过表征向量与基于原型向量确定的映射向量之间的相似性来衡量。进一步地，在确定互信息的过程中，利用经验概率分布代替总体分布的期望，提供一种可以利用经验逼近互信息的方式。该方式得以有效利用信息论，从而提供更有效的利用属性图的业务实体聚类方法。
-
公开(公告)号：CN112581191B
公开(公告)日：2022-07-19
申请号：CN202011626281.3
申请日：2020-08-14
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06Q30/02 , G06K9/62 , G06N3/04 , G06N3/08 , G06V10/764 , G06V10/762 , G06V10/80 , G06V10/82
Abstract: 本说明书实施例提供一种行为预测模型的训练方法，包括：针对目标对象，获取基于多个种子用户形成的多个正样本，其中任意的第一正样本包括，与第一种子用户对应的第一用户特征和正例标签，此标签指示对应用户是被确定为对目标对象做出特定行为的用户；基于多个种子用户各自的用户特征，采用无监督的离群点检测算法，确定第一种子用户的离群分数，作为针对行为预测任务的第一训练权重；利用包括上述多个正样本以及预先获取的多个负样本，对第一行为预测模型进行第一训练，具体包括：将第一用户特征输入第一行为预测模型中，结合得到的行为预测结果和上述正例标签，确定行为预测损失，并利用第一训练权重对其进行加权处理，以训练第一行为预测模型。
-
公开(公告)号：CN112541530A
公开(公告)日：2021-03-23
申请号：CN202011409579.9
申请日：2020-12-06
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针对聚类模型的数据预处理以及利用属性图进行业务实体聚类的方法，基于信息论，提供了一种通过表征向量对属性图进行表征，并利用表征向量与聚类类别的原型向量之间转移的信息损失来训练聚类模型。并且，这种信息损失通过表征向量与基于原型向量确定的映射向量之间的相似性来衡量。进一步地，在确定互信息的过程中，利用经验概率分布代替总体分布的期望，提供一种可以利用经验逼近互信息的方式。该方式得以有效利用信息论，从而提供更有效的利用属性图的业务实体聚类方法。
-
公开(公告)号：CN111681059B
公开(公告)日：2020-11-13
申请号：CN202010819192.4
申请日：2020-08-14
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行为预测模型的训练方法，包括：先确定针对目标对象的多个样本用户，其中任一的第一样本用户对应第一样本硬标签，指示是否对该目标对象做出特定行为；再基于利用训练后的图神经网络对用户‑对象二部图进行图嵌入处理而确定的嵌入向量集，确定对应于第一样本用户的样本用户特征向量以及对应于目标对象的目标对象特征向量，进而确定第一样本用户对目标对象做出特定行为的特定行为概率，作为第一样本软标签，并且，将该样本用户特征向量输入第一行为预测模型中，得到行为预测结果；利用基于该预测结果和第一样本硬标签确定的第一损失项，以及基于该预测结果和第一样本软标签确定的第二损失项，训练该第一行为预测模型。
-
Patent Agency Ranking
公开(公告)号：CN111682972A
公开(公告)日：2020-09-18
申请号：CN202010819237.8
申请日：2020-08-14
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更新业务预测模型的方法和装置，其中业务预测模型包括通过强化学习实现的智能体。方法包括：获取业务请求，根据业务请求确定环境的状态特征；将状态特征输入智能体，智能体根据第一策略参数下的策略函数，确定对应的业务响应作为当前动作。然后，向环境输出业务响应，基于环境反馈确定当前奖励。接着，根据状态特征，当前动作和当前奖励，以损失函数最小化为目标，确定更新后的第二策略参数，其中损失函数与第一目标项负相关，所述第一目标项包括，采用混合高斯模型GMM，将第二策略参数下的策略函数表示为K个高斯分布的组合的第一表达式；于是，可以用第二策略参数下的策略函数，更新智能体。
-
公开(公告)号：CN111160614B
公开(公告)日：2023-03-24
申请号：CN201911229080.7
申请日：2019-12-04
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06Q10/04 , G06Q10/067
Abstract: 本说明书一个或多个实施例提供了一种资源转移预测模型的训练方法、装置及计算设备。在一个实施例中，该方法包括：获取多个历史行为数据集合中的多个用户的历史行为特征数据和资源转移数据；将每一个历史行为数据集合对应的历史行为特征数据输入模型，得到每一个历史行为数据集合对应的预测值；聚合每一个历史行为数据集合对应的预测值和资源转移数据，得到每一个历史行为数据集合对应的损失函数；在每一个历史行为数据集合对应的损失函数不满足预设条件的情况下，根据每一个历史行为数据集合对应的损失函数调整模型中的参数；继续迭代，直至损失函数满足预设条件，将参数调整后的模型作为训练后的资源转移预测模型。
-
公开(公告)号：CN112559640A
公开(公告)日：2021-03-26
申请号：CN202011409591.X
申请日：2020-12-06
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图谱表征系统的训练方法，该图谱表征系统包括图神经网络、多个节点级学习向量、多个中间级学习向量和多个图谱级学习向量。该方法包括：先获取第一训练样本，其中包含对应的两个关系图谱和相似度标签值，任一的第一关系图谱包括多个对象节点；接着，利用图神经网络对第一关系图谱进行图嵌入处理，得到多个对象节点嵌入向量；然后，基于该多个对象节点嵌入向量，依次利用节点相似记忆组件、节点‑图谱相似记忆组件和图谱相似记忆组件，提取不同尺度的信息，从而得到第一关系图谱的绝对化的图谱表征向量；再接着，计算对应两个关系图谱的两个图谱表征向量之间的相似度预测值，并结合相似度标签值，训练上述图谱表征系统。
-
公开(公告)号：CN112541129A
公开(公告)日：2021-03-23
申请号：CN202011409575.0
申请日：2020-12-06
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/9536 , G06N3/04 , G06N3/08 , G06K9/62 , G06Q40/04
Abstract: 本说明书实施例提供一种处理交互事件的方法及装置，在处理方法中，获取新增交互事件。在已有动态交互图中，确定出新增交互事件对应的两个目标节点，并建立新增连接边。至少对两个目标节点的节点信息进行融合，得到事件交互信息。根据两个目标节点各自所在最近历史交互事件与新增交互事件的交互时间差，以及事件交互信息，分别更新两个目标节点各自的隐含向量。确定各阶邻居节点。针对各阶邻居节点中任意的第一邻居节点，基于其所在最近历史交互事件与新增交互事件的交互时间差、第一邻居节点与对应目标节点的第一距离，以及两个目标节点各自的更新的隐含向量，确定对应于第一邻居节点的传播信息。根据传播信息，更新第一邻居节点的隐含向量。
-
公开(公告)号：CN112559640B
公开(公告)日：2023-06-06
申请号：CN202011409591.X
申请日：2020-12-06
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/36 , G06F18/22 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/047 , G06N3/084
Abstract: 本说明书实施例提供一种图谱表征系统的训练方法，该图谱表征系统包括图神经网络、多个节点级学习向量、多个中间级学习向量和多个图谱级学习向量。该方法包括：先获取第一训练样本，其中包含对应的两个关系图谱和相似度标签值，任一的第一关系图谱包括多个对象节点；接着，利用图神经网络对第一关系图谱进行图嵌入处理，得到多个对象节点嵌入向量；然后，基于该多个对象节点嵌入向量，依次利用节点相似记忆组件、节点‑图谱相似记忆组件和图谱相似记忆组件，提取不同尺度的信息，从而得到第一关系图谱的绝对化的图谱表征向量；再接着，计算对应两个关系图谱的两个图谱表征向量之间的相似度预测值，并结合相似度标签值，训练上述图谱表征系统。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.041 seconds)
