-
公开(公告)号：CN118332339A
公开(公告)日：2024-07-12
申请号：CN202410502447.2
申请日：2024-04-24
申请人： 支付宝(杭州)信息技术有限公司
IPC分类号： G06F18/214 , G06F18/22 , G06F40/284 , G06F40/30 , G06F40/289
摘要： 本说明书实施例提供一种映射模型的训练方法及装置，该训练方法包括：首先，获取用户行为涉及的对象标识集，其中任一的目标对象标识关联描述目标对象的真实词元序列；接着，利用映射模型确定所述目标对象标识对应的目标表征向量及相关词元信息；然后，利用训练好的大语言模型处理所述目标表征向量，得到预测词元序列；之后，以所述预测词元序列趋同于所述真实词元序列为目标，训练所述映射模型。
-
公开(公告)号：CN117371517A
公开(公告)日：2024-01-09
申请号：CN202311367619.1
申请日：2023-10-20
申请人： 支付宝(杭州)信息技术有限公司
IPC分类号： G06N3/0985 , G06N3/084 , G06F18/214 , G06V10/774 , G06T1/20
摘要： 本说明书提供一种深度学习模型的元学习方法以及深度学习模型的元学习系统，涉及深度学习技术领域。该深度学习模型的元学习方法应用于包括N个处理节点的集群，其中，该方法包括：获得训练数据集，上述训练数据集包括多个任务对应的训练样本；以及，通过上述集群中的N个处理节点并行地基于上述训练数据集对上述深度学习模型进行多次迭代训练，得到该深度学习模型的元学习参数。其中，在每次迭代训练中，上述N个处理节点中的每个处理节点使用训练数据集中的部分训练样本学习该深度学习模型的部分参数，上述部分训练样本对应于同一任务。
-
公开(公告)号：CN116503134A
公开(公告)日：2023-07-28
申请号：CN202310467630.9
申请日：2023-04-24
申请人： 支付宝(杭州)信息技术有限公司
IPC分类号： G06Q30/0601 , G06N3/094 , G06N3/0475 , G06N3/045 , G06F18/214 , G06F18/2415
摘要： 本说明书实施例提供一种用于生成商品表征的生成模型的训练方法及装置，在训练方法中，获取第一训练样本，其中至少包括商品标识和商品属性。分别确定商品标识和商品属性各自对应的第一原始向量和第二原始向量，并将其输入生成模型。其中，通过第一自编码器，确定商品标识的第一生成向量，通过第二自编码器，确定商品属性的第二生成向量。通过预训练的判别器，输出第二生成向量为真实的商品表征的预测概率。以减小第一损失为目标，调整判别器的参数，该第一损失正相关于预测概率。以减小第二损失为目标，调整第一自编码器和第二自编码器的参数，该第二损失正相关于基于第一原始向量和第一生成向量的比对确定的重构损失，负相关于第一损失。
-
公开(公告)号：CN116383692A
公开(公告)日：2023-07-04
申请号：CN202211638793.0
申请日：2022-12-20
申请人： 支付宝(杭州)信息技术有限公司
IPC分类号： G06F18/24 , G06F18/214 , G06Q40/03 , G06F18/22
摘要： 本说明书实施例公开了一种模型训练方法、异常数据识别方法、装置和计算机设备。所述方法包括：获取多个行为序列数据；确定行为序列数据对应的正样本和负样本，所述正样本包括行为序列数据中的用户行为数据，所述负样本包括其他行为序列数据中的用户行为数据；根据数据处理模型，获取行为序列数据对应的第一特征数据、正样本对应的第二特征数据和负样本对应的第三特征数据；通过损失函数优化数据处理模型的模型参数，所述损失函数用于约束第一相似度大于第二相似度，所述第一相似度为第一特征数据与第二特征数据之间的相似度，所述第二相似度为第一特征数据与第三特征数据之间的相似度。本说明书实施例可以训练用于识别异常数据的数据处理模型。
-
公开(公告)号：CN116362809A
公开(公告)日：2023-06-30
申请号：CN202310455098.9
申请日：2023-04-23
申请人： 支付宝(杭州)信息技术有限公司
IPC分类号： G06Q30/0241 , G06Q30/0601 , G06F18/214 , G06F18/24
摘要： 本说明书实施例提供一种商品推荐模型、推荐模型的训练方法及装置，在商品推荐模型的训练方法中，获取训练样本集。在嵌入层中，确定对各个训练样本中商品特征数据进行嵌入处理得到的特征矩阵。对各个训练样本对应的特征矩阵进行调整，其中包括，针对任意的第一训练样本对应的第一特征矩阵，确定各个特征维度的原始统计量。在以原始统计量为中心的目标分布中进行采样，以得到对应特征维度的更新统计量。至少基于各个特征维度的更新统计量，对第一特征矩阵进行调整，得到第一更新矩阵。在分类器层中，基于各个训练样本对应的更新矩阵，预测用户与对应商品进行预定交互行为的概率。基于各个训练样本的样本标签和概率，训练商品推荐模型。
-
公开(公告)号：CN113222073B
公开(公告)日：2023-04-07
申请号：CN202110650697.7
申请日：2021-06-09
申请人： 支付宝(杭州)信息技术有限公司
IPC分类号： G06F18/23213 , G06N20/00
摘要： 本公开披露了一种训练迁移学习模型和推荐模型的方法和装置。所述方法包括：对源域样本和目标域样本进行聚类，得到聚类结果；根据所述聚类结果确定所述源域样本的权值，所述源域样本的权值用于表征所述源域样本与所述目标域样本的相似度；根据所述源域样本的权值从所述源域样本中确定所述目标域样本的相似样本，以形成包含所述相似样本和所述目标域样本的训练样本；根据所述训练样本训练所述迁移学习模型。
-
公开(公告)号：CN115496587A
公开(公告)日：2022-12-20
申请号：CN202211178723.1
申请日：2022-09-27
申请人： 支付宝(杭州)信息技术有限公司
摘要： 本公开涉及预测用户的还款概率的方法、装置、设备及存储介质。方法包括：接收描述用户在预设时间范围内的交易行为事件的交易行为事件序列；将预设时间范围分为多个一级时间窗口并将每个一级时间窗口内的交易行为事件聚合为一级特征；将各个一级时间窗口的一级特征输入第一门控循环单元以获得每个一级时间窗口的一级隐含特征；将预设时间范围分为多个二级时间窗口并将每个二级时间窗口内的一级特征聚合为二级特征；将各个二级时间窗口的二级特征输入第二门控循环单元以获得每个二级时间窗口的二级隐含特征；融合最后一个一级时间窗口的一级隐含特征和最后一个二级时间窗口的二级隐含特征以获得融合特征；基于融合特征确定用户的还款概率。
-
公开(公告)号：CN111738217A
公开(公告)日：2020-10-02
申请号：CN202010725497.9
申请日：2020-07-24
申请人： 支付宝(杭州)信息技术有限公司
摘要： 本说明书实施例提供一种生成人脸对抗补丁的方法和装置。在该方法中，首先获取初始对抗补丁，然后获取不包含攻击者人脸图像的人脸图像集。接着，分别利用人脸图像集中的各张人脸图像，对初始对抗补丁进行第一轮优化，得到第一对抗补丁；其中第一轮优化使得，叠加有补丁的各张人脸图像与目标人脸图像之间的相似度增加。接着，在第一对抗补丁的基础上，对补丁进行第二轮优化，使得叠加补丁的攻击者图像与目标人脸图像之间的相似度增加，且与攻击者自身图像之间的相似度降低。
-
公开(公告)号：CN111274501A
公开(公告)日：2020-06-12
申请号：CN202010117833.1
申请日：2020-02-25
申请人： 支付宝(杭州)信息技术有限公司
IPC分类号： G06F16/9537 , G06N3/04 , G06N3/08
摘要： 本说明书提供的推送信息的方法、系统和非暂时性存储介质，基于目标终端的当前需求，将所述目标终端的多个历史特征行为以及多个历史特征行为中的每个历史特征行为发生的时间距离当前时刻的时间差进行结合，构造出包含用户历史特征行为时序信息的特征向量，将所述特征向量输入预测模型中得到预测结果，基于所述预测结果向所述目标终端推送与当前需求相关的信息。
-
公开(公告)号：CN111046380A
公开(公告)日：2020-04-21
申请号：CN201911273855.0
申请日：2019-12-12
申请人： 支付宝(杭州)信息技术有限公司
摘要： 本申请实施例公开了一种基于对抗样本增强模型抗攻击能力的方法和系统。所述方法包括：获取目标样本；将所述目标样本输入第一模型，得到对应于所述目标样本的输出；调整所述目标样本，以降低所述目标样本的所述输出中的前N个最大的输出值，其中，所述N是正整数，所述输出值用于表征所述目标样本属于所述输出值对应类别的概率；在所述输出满足预设条件时，将调整后的所述目标样本作为对抗样本；基于该对抗样本，调整第二模型，以增强所述第二模型的抗攻击能力。其中，第二模型可以为用于对理赔证据图片进行识别的神经网络模型，理赔证据图片包括理赔者的个人信息图片以及理赔商品的图片。
-
-
-
-
-
-
-
-
-
搜索结果
45 条记录 (耗时 0.05 秒)
