-
Patent Agency Ranking
公开(公告)号：CN113408706A
公开(公告)日：2021-09-17
申请号：CN202110747531.7
申请日：2021-07-01
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用户兴趣挖掘模型、用户兴趣挖掘的方法和装置，方法包括：获取多个样本用户构成的关系网络图，关系网络图中具有社交关系的两个样本用户之间具有连接边；根据用户的行为日志特征，确定其初始用户表征向量；将多个样本用户分别对应的初始用户表征向量和关系网络图输入所述图神经网络，得到目标用户的融合用户表征向量；将多个样本用户分别对应的融合用户表征向量输入兴趣分布预测网络，得到各样本用户分别对应的兴趣分布参数；调整网络参数，使得兴趣分布参数所表征的预测兴趣分布与已知的用户兴趣先验分布之间的分布差异减小。对于不活跃的用户，也能有效挖掘用户兴趣。
-
公开(公告)号：CN116401453A
公开(公告)日：2023-07-07
申请号：CN202310355474.7
申请日：2023-03-31
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/9535 , G06F16/9536 , G06F16/9537 , G06F16/332 , G06F16/33 , G06F16/35 , G06F18/2415 , G06F40/30 , G06N3/09
Abstract: 本说明书的实施例提供了一种用于训练长尾数据表征模型的方法和装置。在该用于训练长尾数据表征模型的方法中，循环执行下述模型训练过程：将当前训练样本集的头部子图数据和尾部子图数据分别提供给当前长尾数据表征模型的第一图神经网络和第二图神经网络，得到当前训练样本集的头部历史查询数据节点和尾部历史查询数据节点分别对应的特征表征；针对各个尾部历史查询数据节点，在当前训练样本集中确定该尾部历史查询数据节点的匹配头部历史查询数据节点；根据由尾部历史查询数据节点和对应的匹配头部历史查询数据节点组成的正样本对，确定知识迁移对比损失值；响应于不满足训练结束条件，基于知识迁移对比损失值调整当前长尾数据表征模型的参数。
-
公开(公告)号：CN119271886A
公开(公告)日：2025-01-07
申请号：CN202411303851.3
申请日：2024-09-18
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/9535 , G06F16/9035 , G06F18/22 , G06F18/10 , G06N5/022 , G06F18/25 , G06N3/042 , G06N3/084 , G06F18/214 , H04L67/55
Abstract: 本说明书实施例提供一种跨域的信息推送技术构思，在将源域和目标域的用户表征融合后，又基于信息瓶颈理论进行过滤，筛除与目标域关联性较小的数据从而得到用户对应的压缩表征。再将用户压缩表征与候选信息的信息表征进行匹配，得到预测结果(如通过与各条候选信息的匹配程度表示)。在模型训练过程中，通过最小化模型损失，可以使得模型中的待定参数至少向着以下目标调整：最大化压缩表征和用户在目标域对应的表征之间的相似度；最小化预测结果与样本标签之间的差距。如此，利用基于以上目标调整的跨域信息推送模型进行目标域的信息推送，可以提高跨域信息推送的准确性。
-
公开(公告)号：CN118036722A
公开(公告)日：2024-05-14
申请号：CN202410232555.2
申请日：2024-02-29
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书实施例提供图解耦表征模型训练、图解耦表征和对象推荐方法及装置。在模型训练时，经由图表征生成层生成对象关系图中的对象节点的初始节点表征；经由特征解耦层基于对象节点的初始节点表征从样本对象节点的对象特征中解耦出有效特征和冗余特征，以及经由结构解耦层基于对象节点的初始节点表征将对象关系图解耦为有效结构图和冗余结构图。随后，经由图表征学习层，基于有效结构图对样本对象节点的有效特征进行图学习得到样本对象节点的有效表征。然后，执行模型训练任务来进行图解耦表征模型的模型更新。所执行的模型训练任务至少包括基于样本对象节点的有效表征的下游预测学习任务。
-
公开(公告)号：CN113408706B
公开(公告)日：2022-04-12
申请号：CN202110747531.7
申请日：2021-07-01
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用户兴趣挖掘模型、用户兴趣挖掘的方法和装置，方法包括：获取多个样本用户构成的关系网络图，关系网络图中具有社交关系的两个样本用户之间具有连接边；根据用户的行为日志特征，确定其初始用户表征向量；将多个样本用户分别对应的初始用户表征向量和关系网络图输入所述图神经网络，得到目标用户的融合用户表征向量；将多个样本用户分别对应的融合用户表征向量输入兴趣分布预测网络，得到各样本用户分别对应的兴趣分布参数；调整网络参数，使得兴趣分布参数所表征的预测兴趣分布与已知的用户兴趣先验分布之间的分布差异减小。对于不活跃的用户，也能有效挖掘用户兴趣。
-
-
-
-
Search Results
5
records
(took 0.035 seconds)
