-
公开(公告)号：CN113487163B
公开(公告)日：2024-09-24
申请号：CN202110741178.1
申请日：2021-06-30
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06Q10/0637 , G06F16/29
Abstract: 本说明书实施例提供一种基于地理位置信息进行业务预测的方法及装置，在进行业务预测的方法中，获取用户的当前位置。确定该当前位置在层次编码方式下的目标位置编码。之后，针对该目标位置编码，利用滑动窗口提取对应的编码片段序列。将编码片段序列输入基于时序的神经网络模型，得到对应的特征向量。最后，至少将该特征向量输入业务预测模型，得到业务预测结果。
-
公开(公告)号：CN115759228A
公开(公告)日：2023-03-07
申请号：CN202211405797.4
申请日：2022-11-10
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06N3/08 , G06N3/04 , G06N3/084 , G06Q30/0207 , G06Q10/04 , G06Q10/0631 , G06F18/25
Abstract: 本说明书实施例公开了一种模型训练方法、资源分配方法、装置和计算机设备。所述方法包括：获取若干数量的样本数据，所述样本数据包括用户数据、资源数据以及关系标签，所述关系标签表示用户数据与资源数据是否具有关联关系；统计用户数据的第一分布和资源数据的第二分布；将多个用户数据的第一分布进行融合，将多个资源数据的第二分布进行融合；根据用户数据、资源数据、融合后的第一分布、融合后的第二分布以及关系标签，确定模型的模型参数，所述模型用于预测用户数据与资源数据的关联关系。本说明书实施例可以对样本数据纠偏，提高模型训练效果。
-
公开(公告)号：CN114792173A
公开(公告)日：2022-07-26
申请号：CN202210694769.2
申请日：2022-06-20
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06Q10/04 , G06K9/62 , G06F3/0484
Abstract: 本说明书实施例提供一种训练预测模型的方法和装置，该预测模型包括第一分支和第二分支；根据该方法，首先获取目标样本，其包括样本特征，第一标签和第二标签；第一标签指示用户是否点击了目标对象；第二标签表示该用户是否实施与目标对象有关的目标行为。利用预测模型对样本特征进行处理，第一分支输出用户点击目标对象的第一概率；第二分支输出用户实施目标行为的第二概率。基于第一标签值和第一概率，确定第一损失。并且，在预设条件满足的情况下，根据第二标签值和第二概率确定第二损失，并根据第一损失和第二损失确定该目标样本的预测损失，其中预设条件包括，第一标签值指示用户点击了目标对象。于是可以根据上述预测损失，训练该预测模型。
-
公开(公告)号：CN112837095A
公开(公告)日：2021-05-25
申请号：CN202110138578.3
申请日：2021-02-01
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书实施例公开了一种对象分配方法和系统，该方法由至少一个处理器执行，其包括：获取待匹配的第一类对象的特征信息；基于所述第一类对象的特征信息以及两个或以上候选第二类对象的特征信息，确定所述第一类对象分别与两个或以上候选第二类对象的匹配值；获取匹配修正参数；至少基于匹配修正参数以及两个或以上的所述匹配值，从所述两个或以上候选第二类对象中选择目标第二类对象，并分配给所述第一类对象。
-
公开(公告)号：CN117349527A
公开(公告)日：2024-01-05
申请号：CN202311299120.1
申请日：2023-10-08
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/9535 , G06Q30/0601 , G06N3/04 , G06N3/08
Abstract: 本说明书实施例提供了对象推荐模型的训练方法及装置、对象推荐方法及装置。对象推荐模型包括特征提取层、特征交互层、注意力网络层和预测网络层。在训练方法中，获取对象特征数据、用户特征数据和用户活跃度数据，然后按照以下方式对对象推荐模型进行训练，直至满足训练结束条件：将对象特征数据和用户特征数据提供给特征交互层，得到交叉特征；将交叉特征和用户活跃度数据提供给注意力网络层，得到用户注意力特征；将特征提取层输出的向量特征以及用户注意力特征提供给预测网络层，以得到所预测的针对所述各个用户的推荐对象；以及基于由所预测的推荐对象得到的第一损失，对对象推荐模型进行调整。
-
Patent Agency Ranking
公开(公告)号：CN114792173B
公开(公告)日：2022-10-04
申请号：CN202210694769.2
申请日：2022-06-20
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F17/00 , G06Q10/04 , G06K9/62 , G06F3/0484
Abstract: 本说明书实施例提供一种训练预测模型的方法和装置，该预测模型包括第一分支和第二分支；根据该方法，首先获取目标样本，其包括样本特征，第一标签和第二标签；第一标签指示用户是否点击了目标对象；第二标签表示该用户是否实施与目标对象有关的目标行为。利用预测模型对样本特征进行处理，第一分支输出用户点击目标对象的第一概率；第二分支输出用户实施目标行为的第二概率。基于第一标签值和第一概率，确定第一损失。并且，在预设条件满足的情况下，根据第二标签值和第二概率确定第二损失，并根据第一损失和第二损失确定该目标样本的预测损失，其中预设条件包括，第一标签值指示用户点击了目标对象。于是可以根据上述预测损失，训练该预测模型。
-
公开(公告)号：CN114139724A
公开(公告)日：2022-03-04
申请号：CN202111447295.3
申请日：2021-11-30
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06N20/00 , G06N3/04 , G06N3/08 , G06F16/9535 , G06Q30/02
Abstract: 本说明书实施例提供一种增益模型的训练方法，包括：先将用户集中任意目标用户的用户特征，分别输入基于有干预用户而训练的第一预测模型、基于无干预用户而训练的第二预测模型和干预倾向预测模型，对应得到该目标用户针对目标行为的第一预测结果，第二预测结果，和该用户是否被干预的干预倾向分数；接着，根据所述第一预测结果、第二预测结果、干预倾向分数，以及该目标用户的行为标签，确定该目标用户响应干预的增益标签，所述增益标签与所述干预倾向分数成线性关系；再基于所述用户集中各个用户的用户特征和增益标签，训练所述增益模型。
-
公开(公告)号：CN113988291A
公开(公告)日：2022-01-28
申请号：CN202111250535.0
申请日：2021-10-26
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用户表征网络的训练方法，包括：将无偏样本的用户特征输入经过预训练的第一用户表征网络，得到第一用户表征向量，并且，将有偏样本的用户特征输入第二用户表征网络，得到第二用户表征向量，其中无偏样本和有偏样本分别通过向用户发放由随机策略和非随机策略确定的权益份额而采集；将得到的两个用户表征向量分别输入判别器，得到对应两个判别结果；以最小化目标函数的函数值为目标，训练判别器，该函数值与第一损失和第二损失正相关，第一损失基于无偏样本对应的判别结果和无偏标识而确定，第二损失基于有偏样本对应的判别结果和有偏标识而确定；以最大化目标函数的函数值为目标，对第二用户表征网络进行训练。
-
公开(公告)号：CN119647600A
公开(公告)日：2025-03-18
申请号：CN202411756512.0
申请日：2024-12-02
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书公开了一种事务处理方法、装置、存储介质及电子设备，其中，方法包括：基于基础大模型创建初始事务处理大模型，将样本用户查询提示输入至初始事务处理大模型进行模型训练，在正向传播模型训练过程中，通过初始事务处理大模型对样本用户查询提示进行事务预处理得到参考处理结果和样本参考查询提示，基于样本用户查询提示以及样本参考查询提示采用交叉注意力机制进行事务处理得到预测处理结果，在反向传播模型训练过程中，基于预测处理结果、参考处理结果、样本用户查询提示以及样本参考查询提示确定模型损失，基于模型损失对初始事务处理大模型进行模型参数调整，得到事务处理大模型。
-
公开(公告)号：CN119089042A
公开(公告)日：2024-12-06
申请号：CN202411140267.0
申请日：2024-08-19
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/9535 , G06F16/906 , G06F18/24 , G06N3/096 , G06N3/094 , G06N3/0455
Abstract: 本说明书实施例提出一种模型训练方法、推荐数据点击率的预测方法和电子设备，上述模型训练方法中，获取目标域样本数据和所述目标样本数据对应的点击率的标签值之后，首先分别通过学生模型中的第一表征解耦模型和第二表征解耦模型，以及已完成参数调整的老师模型中的域分类器，获得域共享表征向量和域独有表征向量，然后根据域共享表征向量和域独有表征向量，通过学生模型中的点击率预测模型获得目标域样本数据对应的点击率的第一预测值，最后，以最小化学生模型的损失函数为目的，调整点击率预测模型、第一表征解耦模型和第二表征解耦模型的参数，其中，学生模型的损失函数包括目标域样本数据对应的点击率的标签值和第一预测值之间的交叉熵。
-
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.042 seconds)
