-
公开(公告)号：CN118427594B
公开(公告)日：2024-10-29
申请号：CN202410812587.X
申请日：2024-06-21
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F18/213 , G06F18/214 , G06F18/24 , G06F16/35 , G06N3/042 , G06N3/08
Abstract: 本说明书公开一种基于大语言模型的业务处理方法、装置及存储介质，包括：基于图表示学习方式对第一图关系数据进行特征提取，得到第一用户特征；第一图关系数据中的节点用于表征目标业务的用户，并包含有节点对应用户的用户信息。基于目标大语言模型对目标业务下样本用户与客服之间的第一沟通数据进行特征提取，得到第二用户特征。基于第一用户特征与第二用户特征之间的损失，对目标大语言模型的模型参数进行调整，以训练用户特征提取能力。基于目标大语言模型，对目标业务下目标用户与客服之间的第二沟通数据进行特征提取，得到第三用户特征；以及，基于目标大语言模型对第三用户特征进行业务预测，以执行与业务预测结果相匹配的业务处理决策。
-
公开(公告)号：CN114881354A
公开(公告)日：2022-08-09
申请号：CN202210605502.1
申请日：2022-05-31
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06Q10/04 , G06Q40/06 , G06F16/2458 , G06N3/04 , G06F17/18
Abstract: 本说明书实施例提供一种预测多元时间序列的方法及装置，针对各个业务主体的历史时间序列，一方面进行时序编码，另一方面进行周期编码，从而从时序和周期两方面挖掘数据之间的关联性。在时序预测过程中，将时序编码、周期编码两方面的数据融合解码，得到相应的解码张量，并将解码张量与时序特征张量一起用于预测多元时间序列。该方式能够自适应地挖掘时序、周期之间的关联关系，更灵活地提供更准确的时序预测结果。
-
公开(公告)号：CN118427594A
公开(公告)日：2024-08-02
申请号：CN202410812587.X
申请日：2024-06-21
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F18/213 , G06F18/214 , G06F18/24 , G06F16/35 , G06N3/042 , G06N3/08
Abstract: 本说明书公开一种基于大语言模型的业务处理方法、装置及存储介质，包括：基于图表示学习方式对第一图关系数据进行特征提取，得到第一用户特征；第一图关系数据中的节点用于表征目标业务的用户，并包含有节点对应用户的用户信息。基于目标大语言模型对目标业务下样本用户与客服之间的第一沟通数据进行特征提取，得到第二用户特征。基于第一用户特征与第二用户特征之间的损失，对目标大语言模型的模型参数进行调整，以训练用户特征提取能力。基于目标大语言模型，对目标业务下目标用户与客服之间的第二沟通数据进行特征提取，得到第三用户特征；以及，基于目标大语言模型对第三用户特征进行业务预测，以执行与业务预测结果相匹配的业务处理决策。
-
公开(公告)号：CN113283589A
公开(公告)日：2021-08-20
申请号：CN202110631255.8
申请日：2021-06-07
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事件预测系统的更新方法，包括：将基于事件样本序列获取的样本输入事件预测系统中进行事件处理，该事件处理包括：通过序列编码网络，确定截至该样本中发生时刻的子序列的序列编码向量，该子序列中各样本均对应第一用户；通过图传播网络，根据该序列编码向量，更新用户关系网络图中与第一用户节点相关的节点表征向量；通过强度拟合网络，根据更新后的节点表征向量，拟合与第一用户对应的事件发生强度函数；通过强度映射网络，将该事件发生强度函数映射至事件类型空间，得到第一用户在多个事件类型下的多个强度函数；之后，基于事件处理得到的多个强度函数和对应第一用户的标签样本，更新上述事件预测系统中的网络参数。
-
公开(公告)号：CN114970359B
公开(公告)日：2024-05-31
申请号：CN202210629028.6
申请日：2022-06-06
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F30/27 , G06F119/02
Abstract: 本说明书实施例提供了一种建立时间序列预测模型的方法、时间序列预测方法和装置。根据该实施例的方法，首先将第i个时间序列输入时间序列预测模型，所述时间序列包括连续n个时间点的指标值，所述时间序列中包含指标极值信息，所述n为大于1的正整数；然后获取所述时间序列预测模型依据所述第i个时间序列及其之前的历史时间序列预测得到的所述第i个时间序列之后τ个时间点的指标值，所述τ为预设的正整数；其中，所述时间序列预测模型基于记忆网络预先训练得到。
-
Patent Agency Ranking
公开(公告)号：CN118094130A
公开(公告)日：2024-05-28
申请号：CN202311501857.7
申请日：2023-11-10
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F18/20 , G06F18/22 , G06N20/00 , G06Q10/04 , G06F123/02
Abstract: 本说明书实施例提供一种事件预测的方法及装置，在进行事件预测过程中，可以先利用点过程模型处理当前历史事件序列，以预测下一个事件在预定事件属性上的至少一个属性项作为候选项，然后，针对各个候选项，分别从历史事件序列中选择相应的历史事件作为证据事件，为其进行可信度打分，得到各个可信分数，然后根据各个候选项分别对应的各个可信分数的大小，确定下一个事件在事件属性上对应的属性项。该技术方案可以利用更加丰富的信息，提高事件预测的准确性。
-
公开(公告)号：CN117556342A
公开(公告)日：2024-02-13
申请号：CN202311504627.6
申请日：2023-11-10
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F18/2415 , G06F18/22 , G06F18/25 , G06F18/23 , G06N3/048 , G06N3/047 , G06Q10/04 , G06F123/02
Abstract: 本说明书实施例提供一种事件预测的方法及装置，通过构建提示词张量，将训练数据中的事件序列通过提示词张量中的键张量进行聚类，单个键张量可以对应描述相关任务类别的多个值张量。在进行事件预测时，可以将根据当前历史事件序列确定的当前时序嵌入张量与提示词集中的键张量进行匹配，从而确定相应的任务，并将相应任务中的键张量和值张量中的至少一项作为当前时序嵌入张量的扩展信息，与当前时序嵌入张量一起用于下一个事件的事件类型和/或发生时间的预测。这种实施方式可以避免事件预测过程中的灾难性遗忘问题。
-
公开(公告)号：CN117390446A
公开(公告)日：2024-01-12
申请号：CN202311369458.X
申请日：2023-10-20
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F18/214 , G06F18/27
Abstract: 本说明书实施例提供业务模型训练方法及业务模型训练装置。在进行模型训练时，从业务模型的上一模型训练过程所使用的上一训练数据样本集中获取当前记忆训练数据样本集，所获取的当前记忆训练数据样本集是历史训练数据样本集的代表性训练数据样本集。随后，使用当前新训练数据样本和当前记忆训练数据样本集作为当前训练数据样本集来执行当前模型训练过程。
-
公开(公告)号：CN116011609A
公开(公告)日：2023-04-25
申请号：CN202211336706.6
申请日：2022-10-28
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06Q10/04 , G06N3/0464 , G06N3/0442 , G06N3/049 , G06N3/08 , G06F17/18
Abstract: 本说明书实施例提供一种训练时序预测模型，以及利用该模型进行预测的方法和装置，其中时序预测模型包括，自回归预测模型和能量计算模型。训练方法包括：获取标签行为序列，其中包括，用户在第一时段中的第一行为序列，以及在后续的第二时段中的行为序列。将第一行为序列输入自回归预测模型，得到对于第二时段中依次发生行为的概率分布信息。基于概率分布信息进行采样，得到N个采样行为序列，与第一行为序列拼接得到N个采样全序列。利用能量计算模型，确定标签行为序列的标签能量值，以及N个采样全序列各自的采样能量值。以目标函数的函数值趋于增大为目标，训练能量计算模型；其中目标函数与标签能量值负相关，与采样能量值正相关。
-
公开(公告)号：CN114970359A
公开(公告)日：2022-08-30
申请号：CN202210629028.6
申请日：2022-06-06
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F30/27 , G06F119/02
Abstract: 本说明书实施例提供了一种建立时间序列预测模型的方法、时间序列预测方法和装置。根据该实施例的方法，首先将第i个时间序列输入时间序列预测模型，所述时间序列包括连续n个时间点的指标值，所述时间序列中包含指标极值信息，所述n为大于1的正整数；然后获取所述时间序列预测模型依据所述第i个时间序列及其之前的历史时间序列预测得到的所述第i个时间序列之后τ个时间点的指标值，所述τ为预设的正整数；其中，所述时间序列预测模型基于记忆网络预先训练得到。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.031 seconds)
