CN113011483B - 一种模型训练和业务处理的方法及装置 - Google Patents
一种模型训练和业务处理的方法及装置 Download PDFInfo
- Publication number
- CN113011483B CN113011483B CN202110265867.XA CN202110265867A CN113011483B CN 113011483 B CN113011483 B CN 113011483B CN 202110265867 A CN202110265867 A CN 202110265867A CN 113011483 B CN113011483 B CN 113011483B
- Authority
- CN
- China
- Prior art keywords
- node
- nodes
- service
- feature vector
- topological graph
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书公开了一种模型训练和业务处理的方法及装置,业务平台可以获取目标业务对应的历史业务数据,并根据该历史业务数据构建拓扑图,而后,业务平台可以将拓扑图输入到待训练的特征提取模型中,以针对拓扑图中的每个节点,通过特征提取模型,从位于该节点的预设邻接范围内的其他节点中确定至少部分其他节点作为该节点对应的关联节点,并根据每个关联节点在当前对应的特征向量以及该节点的历史特征向量,确定该节点在当前对应的特征向量。最后,根据拓扑图中各节点在当前对应的特征向量,确定针对目标业务的预测结果,并以最小化目标业务的标注结果与预测结果之间的偏差为优化目标,对特征提取模型进行模型训练,从而提高模型训练效率。
Description
技术领域
本说明书涉及计算机技术领域,尤其涉及一种模型训练和业务处理的方法及装置。
背景技术
在计算机技术中,拓扑图能够用于表征出数据之间的关系,并确定出数据的特征向量,从而能够将拓扑图应用到信息推荐、用户风控等各种业务场景中。例如,通过拓扑图能够表示用户与商品之间的购买关系、商品之间的类别关系等。在拓扑图中的节点可以用于表示用户和商品,根据图神经网络技术能够通过拓扑图确定出每个用户对应的特征向量以及每个商品对应的特征向量,通过提取出的特征向量,能够确定如何对用户进行商品推荐。
在现有技术中,可以通过GraghSage算法,确定出拓扑图中的每个节点的特征向量,该GraghSage算法为了保证最终获得的每个节点的特征向量的准确性,需要在模型训练时,根据该节点周围大量其他顶点的特征向量,确定该节点对应的特征向量,若拓扑图中每个节点周围均存在大量的其他节点,即,拓扑图中各节点的连接关系繁多且复杂,则这种GraghSage算法模型训练的效率较低。
所以,如何提高提取出拓扑图中各节点的特征向量的模型的训练效率,则是一个亟待解决的问题。
发明内容
本说明书提供一种模型训练和业务处理的方法及装置,以部分地解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供了一种模型训练的方法,包括:
获取目标业务对应的历史业务数据;
根据所述历史业务数据中包含的各业务对象以及各业务对象之间的业务关系,构建拓扑图,不同业务对象在所述拓扑图中对应不同的节点;
将所述拓扑图输入到待训练的特征提取模型中,以针对所述拓扑图中的每个节点,通过所述特征提取模型,从位于该节点的预设邻接范围内的其他节点中确定至少部分其他节点作为该节点对应的关联节点,并根据确定出的该节点的每个关联节点在当前对应的特征向量以及该节点的历史特征向量,确定该节点在当前对应的特征向量;
根据所述拓扑图中各节点在当前对应的特征向量,确定针对所述目标业务的预测结果;
以最小化所述目标业务的标注结果与所述预测结果之间的偏差为优化目标,对所述特征提取模型进行模型训练,所述特征提取模型用于对所述目标业务进行业务处理。
可选地,将所述拓扑图输入到待训练的特征提取模型中,以针对所述拓扑图中的每个节点,通过所述特征提取模型,从位于该节点的预设邻接范围内的其他节点中确定至少部分其他节点作为该节点对应的关联节点,具体包括:
将所述拓扑图输入到所述特征提取模型中,以针对该节点对应的每个关联层级,通过所述特征提取模型,从该关联层级包含的其他节点中选取出该关联层级对应的设定数量的其他节点,作为该节点在该关联层级对应的关联节点,该节点对应的第N关联层级所包含的其他节点,是与该节点具有N阶邻接关系的其他节点,N为不小于1的正整数。
可选地,确定该节点的每个关联节点在当前对应的特征向量,具体包括:
针对该节点对应的第N关联层级所包含的每个关联节点,根据该节点对应的第N+1关联层级所包含的与该关联节点具有一阶邻接关系的其他节点在当前对应的特征向量,以及该关联节点对应的历史特征向量,确定该关联节点在当前对应的特征向量。
可选地,根据所述拓扑图中各节点在当前对应的特征向量,确定针对所述目标业务的预测结果,具体包括:
针对所述拓扑图中的每个节点,从所述拓扑图中确定与该节点对应的业务对象不同类型的其他节点,作为该节点在所述拓扑图中对应的业务相关节点;
根据该节点在当前对应的特征向量以及所述业务相关节点在当前对应的特征向量,确定针对该节点的预测结果。
可选地,以最小化所述目标业务的标注结果与所述预测结果之间的偏差为优化目标,对所述特征提取模型进行模型训练,具体包括:
以最小化针对该节点的预测结果与针对该节点的标注结果之间的偏差为优化目标,对所述特征提取模型进行模型训练。
本说明书提供了一种业务处理的方法,包括:
获取设定业务对象针对目标业务对应的历史业务数据;
根据所述历史业务数据中包含的各业务对象以及各业务对象之间的业务关系,构建拓扑图,不同业务对象在所述拓扑图中对应不同的节点;
将所述拓扑图输入到预设的特征提取模型中,以通过所述特征提取模型,从位于所述设定业务对象对应节点的预设邻接范围内的其他节点中,确定至少部分其他节点作为所述设定业务对象对应节点的关联节点,并根据所述设定业务对象对应节点的每个关联节点对应的特征向量以及所述设定业务对象对应节点的历史特征向量,确定所述设定业务对象对应节点的特征向量,所述特征提取模型是通过上述模型训练的方法训练得到的;
根据所述设定业务对象对应节点的特征向量,确定所述目标业务中针对所述设定业务对象的预测结果,并根据所述预测结果对所述目标业务进行业务处理。
可选地,将所述拓扑图输入到预设的特征提取模型中,以通过所述特征提取模型,从位于所述设定业务对象对应节点的预设邻接范围内的其他节点中,确定至少部分其他节点作为所述设定业务对象对应节点的关联节点,具体包括:
将所述拓扑图输入到预设的特征提取模型中,以通过所述特征提取模型,将位于所述设定业务对象对应节点的预设邻接范围内的所有其他节点,作为所述设定业务对象对应节点的关联节点。
本说明书提供了一种模型训练的装置,包括:
获取模块,用于获取目标业务对应的历史业务数据;
构建模块,用于根据所述历史业务数据中包含的各业务对象以及各业务对象之间的业务关系,构建拓扑图,不同业务对象在所述拓扑图中对应不同的节点;
确定模块,用于将所述拓扑图输入到待训练的特征提取模型中,以针对所述拓扑图中的每个节点,通过所述特征提取模型,从位于该节点的预设邻接范围内的其他节点中确定至少部分其他节点作为该节点对应的关联节点,并根据确定出的该节点的每个关联节点在当前对应的特征向量以及该节点的历史特征向量,确定该节点在当前对应的特征向量;
预测模块,用于根据所述拓扑图中各节点在当前对应的特征向量,确定针对所述目标业务的预测结果;
训练模块,用于以最小化所述目标业务的标注结果与所述预测结果之间的偏差为优化目标,对所述特征提取模型进行模型训练,所述特征提取模型用于对所述目标业务进行业务处理。
本说明书提供了一种业务处理的装置,包括:
获取模块,用于获取设定业务对象针对目标业务对应的历史业务数据;
构建模块,用于根据所述历史业务数据中包含的各业务对象以及各业务对象之间的业务关系,构建拓扑图,不同业务对象在所述拓扑图中对应不同的节点;
确定模块,用于将所述拓扑图输入到预设的特征提取模型中,以通过所述特征提取模型,从位于所述设定业务对象对应节点的预设邻接范围内的其他节点中,确定至少部分其他节点作为所述设定业务对象对应节点的关联节点,并根据所述设定业务对象对应节点的每个关联节点对应的特征向量以及所述设定业务对象对应节点的历史特征向量,确定所述设定业务对象对应节点的特征向量,所述特征提取模型是通过上述模型训练的方法训练得到的;
处理模块,用于根据所述设定业务对象对应节点的特征向量,确定所述目标业务中针对所述设定业务对象的预测结果,并根据所述预测结果对所述目标业务进行业务处理。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述模型训练或业务处理的方法。
本说明书提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述模型训练或业务处理的方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
在本说明书提供的模型训练和业务处理的方法中,业务平台获取目标业务对应的历史业务数据,并根据该历史业务数据中包含的各业务对象以及各业务对象之间的业务关系,构建拓扑图,其中,不同业务对象在拓扑图中对应不同的节点,而后,业务平台可以将拓扑图输入到待训练的特征提取模型中,以针对拓扑图中的每个节点,通过特征提取模型,从位于该节点的预设邻接范围内的其他节点中确定至少部分其他节点作为该节点对应的关联节点,并根据确定出的该节点的每个关联节点在当前对应的特征向量以及该节点的历史特征向量,确定该节点在当前对应的特征向量。最后,根据拓扑图中各节点在当前对应的特征向量,确定针对目标业务的预测结果,并以最小化目标业务的标注结果与预测结果之间的偏差为优化目标,对特征提取模型进行模型训练,在目标业务中,业务平台可以通过训练后的特征提取模型确定设定业务对象的特征向量,并根据该特征向量对目标业务进行业务处理。
从上述方法中可以看出,本方法在对特征提取模型进行模型训练的过程中,通过节点周围的其他节点的特征向量以及该节点自身的历史特征向量,来确定该节点的特征向量,由于引入了历史特征向量,确定各节点的特征向量时均不需要确定周围大量其他节点的特征向量,只需要部分其他节点的特征向量,因此,相比于现有技术,本方法能够在一定程度上提高业务处理效率。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书中一种模型训练的方法的流程示意图;
图2为本说明书提供的一种拓扑图的示意图;
图3为本说明书中一种业务处理的方法的流程示意图;
图4为本说明书提供的一种模型训练的装置示意图;
图5为本说明书提供的一种业务处理的装置示意图;
图6为本说明书提供的对应于图1或3的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书中一种模型训练的方法的流程示意图,具体包括以下步骤:
S101:获取目标业务对应的历史业务数据。
S102:根据所述历史业务数据中包含的各业务对象以及各业务对象之间的业务关系,构建拓扑图,不同业务对象在所述拓扑图中对应不同的节点。
在实际应用中,许多业务场景中都可以利用拓扑图来表示各业务对象之间的业务关系,例如,拓扑图可以表示社交网站中各用户的社交关系,即,将拓扑图中的节点抽象成用户,节点之间的边表示用户间的社交关系。再例如,拓扑图可以表示电商网站中用户与物品之间的购买关系,物品与店铺之间的所属关系等。在某个业务场景下所构建的拓扑图可以用于确定这一业务场景下各业务对象(如,社交网站中的用户、电商网站中的用户、物品等)对应的特征向量,通过业务对象对应的特征向量能够进一步地为各用户执行各种业务。
基于此,业务平台可以获取目标业务对应的历史业务数据,并根据该历史业务数据中包含的各业务对象以及各业务对象之间的业务关系,构建拓扑图,其中,不同业务对象在拓扑图中对应不同的节点。这里提到的目标业务可以是业务平台所提供的业务中,能够通过拓扑图构建业务对象之间的业务关系的任意一项业务,后续,业务平台可以通过在该目标业务下构建的拓扑图确定出各业务对象的特征向量,从而为用户进行业务处理。
S103:将所述拓扑图输入到待训练的特征提取模型中,以针对所述拓扑图中的每个节点,通过所述特征提取模型,从位于该节点的预设邻接范围内的其他节点中确定至少部分其他节点作为该节点对应的关联节点,并根据确定出的该节点的每个关联节点在当前对应的特征向量以及该节点的历史特征向量,确定该节点在当前对应的特征向量。
业务平台构建出拓扑图后,可以将该拓扑图输入到待训练的特征提取模型中,以针对该拓扑图中的每个节点,通过该特征提取模型,从位于该节点的预设邻接范围内的其他节点中确定至少部分其他节点作为该节点对应的关联节点,并根据确定出的该节点的每个关联节点在当前对应的特征向量以及该节点的历史特征向量,确定该节点在当前对应的特征向量。
其中,这里提到的预设邻接范围可以是根据实际需求进行设定的,若预设邻接范围为一阶邻接关系的节点范围内,则业务平台只需要从与该节点直接相连的其他节点中选取出关联节点,而若该预设邻接范围的节点为二阶邻接关系范围内的节点,则业务平台需要从与该节点直接相连的其他节点以及与该节点隔一个节点间接相连的其他节点中,选取出关联节点。上述提到的历史特征向量是指训练过程中历史上特征提取模型确定出的该节点对应的特征向量,其中,该历史特征向量可以是历史上最新一次确定出的该节点对应的特征向量。
业务平台对该特征提取模型进行训练的过程是迭代训练的过程,每一次训练可以随机选取该节点预设邻接范围内的部分节点作为关联节点,因此每次选取出的关联节点并不固定,这样一来,不仅能够提高对特征提取模型进行模型训练的速度,通过每次选取出的不固定的关联节点,也能够在训练完成后使该节点的特征向量体现出该节点周围完整的拓扑结构。其中,为了避免使该节点周围的某些其他节点一直没有被选为该节点对应的关联节点,业务平台可以确定出在该节点的预设邻接范围内未曾被选取为关联节点的其他节点,并逐渐提高这些其他节点在后续训练过程中被选取为该节点的关联节点的选取概率。
业务平台选取该节点对应的关联节点的方式并不唯一,具体的,业务平台可以在将拓扑图输入到特征提取模型后,针对该节点对应的每个关联层级,通过特征提取模型,从该关联层级包含的其他节点中选取出该关联层级对应的设定数量的其他节点,作为该节点在该关联层级对应的关联节点,其中,该节点对应的第N关联层级所包含的其他节点,是与该节点具有N阶邻接关系的其他节点,N为不小于1的正整数。
也就是说,业务平台可以在该节点对应的每一关联层级中的其他节点中,选取出至少部分的其他节点,作为该节点对应的关联节点,而选取出的每一关联层级中的关联节点的数量,由该关联层级对应的设定数量而定,每个关联层级对应的设定数量可以不同,可以根据实际需求设定每个关联层级对应的设定数量,关联层级的数量与预设邻接范围有关,预设邻接范围越大,关联层级越多,预设邻接范围越小,关联层级越少。
业务平台确定出该节点对应的各关联节点后,可以确定出每个关联节点在当前对应的特征向量,从而在后续根据各关联节点在当前对应的特征向量以及该节点的历史特征向量,确定该节点在当前对应的特征向量。
具体的,业务平台可以针对该节点对应的第N关联层级所包含的每个关联节点,根据该节点对应的第N+1关联层级所包含的与该关联节点具有一阶邻接关系的其他节点在当前对应的特征向量,以及该关联节点对应的历史特征向量,确定该关联节点在当前对应的特征向量。也就是说,每一关联层级中的关联节点的特征向量,可以根据下一关联层级中与该关联节点直接相连的其他节点在当前的特征向量,以及该关联节点的历史特征向量来确定。
下面以一个完整的例子来说明业务平台是如何确定该节点在当前对应的特征向量的,如图2所示。
图2为本说明书提供的一种拓扑图的示意图。
在图2中,特征提取模型当前正在确定节点A的特征向量,假设关联节点从第1关联层级与第2关联层级中选取,可以看出,业务平台从第1关联层级中包含的其他节点中选取出的关联节点为节点B以及节点C,从第2关联层级中包含的其他节点中选取出的关联节点为节点D、E、J以及K。业务平台首先在第1关联层级中选取出了2个关联节点,然后针对第1关联层级中的每个关联节点,选取出了这个关联节点在第2关联层级中直接相连的2个其他节点,作为节点A的关联节点。
第2关联层级为最后一个关联层级,这一关联层级中的关联节点的特征向量不需要通过历史特征向量来确定,仅通过具有一阶邻接关系的其他节点的特征向量确定出即可,例如,节点K在当前的特征向量是根据节点N在当前的特征向量以及节点O在当前的特征向量确定出,具体可以通过节点N在当前的特征向量与节点O在当前的特征向量之间的平均特征向量,确定该节点K在当前的特征向量。当然,也可以对节点N在当前的特征向量与节点O在当前的特征向量进行加权求和,来确定出该节点K在当前的特征向量,本说明书不对此进行限定。
而对第1关联层级中的每个关联节点来说,需要通过该节点的历史特征向量以及第2关联层级中与该节点具有一阶邻接关系的其他节点在当前的特征向量,来确定出该关联节点在当前的特征向量,例如,节点B在当前的特征向量是通过节点K在当前的特征向量、节点J在当前的特征向量以及该节点B自身的历史特征向量来确定,业务平台可以先确定出节点K在当前的特征向量和节点J在当前的特征向量之间的平均特征向量(也是其他方式,如上述的加权求和),再通过以下公式确定出节点B在当前的特征向量。
t(B)=a×t均+(1-a)×t历
其中,t(B)为节点B在当前的特征向量,t均为确定出的节点K在当前的特征向量和节点J在当前的特征向量之间的平均特征向量,t历为节点B的历史特征向量,a可以根据实际需求设定的数值。业务平台确定出节点B和节点C在当前的特征向量后,可以根据节点B和节点C在当前的特征向量以及节点A自身的历史特征向量确定出该节点A当前的特征向量,具体方式与确定上述节点B在当前的特征向量的方式类似。
可以看出,上述例子中,首先确定出了2个与节点A具有一阶邻接关系的关联节点,然后对于这两个关联节点中每个节点,均确定出了2个与该节点具有一阶邻接关系的节点作为关联节点,也就是说,业务平台可以在第1关联层级中确定出该第一关联层级对应的设定数量的关联节点后,可以依次在后续的关联层级中,针对每个关联节点,选取出该设定数量的与该关联节点具有一阶连接关系的其他节点,作为新确定出的关联节点。
需要说明的是,对特征提取模型进行训练前,可以先对拓扑图中每个节点的特征向量进行初始化,其中,业务平台可以将每个节点的特征向量进行随机初始化,当然,业务平台还可以通过其他方式对各节点的特征向量进行初始化,例如,业务平台可以通过GraghSage算法初步确定出每个节点的特征向量,作为每个节点初始化的特征向量。由于在确定不同节点的特征向量时,同一节点所位于的关联层级可能是不同的,因此,业务平台可以将节点在每个关联层级下的特征向量均进行初始化,在训练过程中确定某个节点的特征向量时,需要使用该节点在相应关联层级下的历史特征向量,即,该节点位于哪一关联层级中,则使用该节点在该关联层级下的历史特征向量。
S104:根据所述拓扑图中各节点在当前对应的特征向量,确定针对所述目标业务的预测结果。
S105:以最小化所述目标业务的标注结果与所述预测结果之间的偏差为优化目标,对所述特征提取模型进行模型训练,所述特征提取模型用于对所述目标业务进行业务处理。
业务平台通过特征提取模型确定拓扑图中各节点在当前对应的特征向量后,可以确定出针对该目标业务的预测结果,并以最小化该目标业务的标注结果与该预测结果之间的偏差为优化目标,对该特征提取模型进行模型训练,其中,该特征提取模型可以用于对目标业务进行业务处理。
其中,根据拓扑图中各节点在当前对应的特征向量,确定针对该目标业务的预测结果的方式可以有多种。例如,业务平台可以针对拓扑图中的每个节点,从拓扑图中确定与该节点对应的业务对象不同类型的其他节点,作为该节点在拓扑图中对应的业务相关节点,并根据该节点在当前对应的特征向量以及业务相关节点在当前对应的特征向量,确定针对该节点的预测结果。
以商品推荐的场景为例,拓扑图中包含有抽象成各用户以及各商品的节点,业务平台确定出各节点的特征向量后,也就确定出了各用户的特征向量以及各商品的特征向量,则可以确定出某个用户的特征向量与各商品的特征向量之间的相似度,并根据该相似度预测出需要推荐给该用户的商品。
当然,业务平台也可以在确定出各节点的特征向量后,将每个节点的特征向量输入到另一预测模型,确定出针对该节点的预测结果,该预测模型可以是常规的预测模型,在此不对该预测模型进行限定。业务平台确定出针对该节点的预测结果后,需要以最小化针对该节点的预测结果与针对该节点的标注结果之间的偏差为优化目标,对该特征提取模型进行模型训练。
上述详细地阐述了训练特征提取模型的过程,下面将对该特征提取模型的应用过程进行说明,如图3所示。
图3为本说明书中一种业务处理的方法的流程示意图,具体包括以下步骤:
S301:获取设定业务对象针对目标业务对应的历史业务数据。
S302:根据所述历史业务数据中包含的各业务对象以及各业务对象之间的业务关系,构建拓扑图,不同业务对象在所述拓扑图中对应不同的节点。
若业务平台需要通过上述模型训练的方法训练出的特征提取模型,执行目标业务时,可以预先获取设定业务对象针对目标业务对应的历史业务数据,并根据该历史业务数据中包含的各业务对象以及各业务对象之间的业务关系,构建拓扑图,不同业务对象在拓扑图中对应不同的节点。这里提到的设定业务对象可以是需要执行目标业务的用户,或是目标业务中的商品、商家等业务对象。
S303:将所述拓扑图输入到预设的特征提取模型中,以通过所述特征提取模型,从位于所述设定业务对象对应节点的预设邻接范围内的其他节点中,确定至少部分其他节点作为所述设定业务对象对应节点的关联节点,并根据所述设定业务对象对应节点的每个关联节点对应的特征向量以及所述设定业务对象对应节点的历史特征向量,确定所述设定业务对象对应节点的特征向量。
S304:根据所述设定业务对象对应节点的特征向量,确定所述目标业务中针对所述设定业务对象的预测结果,并根据所述预测结果对所述目标业务进行业务处理。
与上述模型训练阶段的过程类似,业务平台将构建出的拓扑图输入到特征提取模型中后,可以通过该特征提取模型,从位于设定业务对象对应节点的预设邻接范围内的其他节点中,确定出至少部分其他节点作为该设定业务对象对应节点的关联节点,并根据该设定业务对象对应节点的每个关联节点对应的特征向量以及该设定业务对象对应节点的历史特征向量,确定该设定业务对象对应节点的特征向量,从而根据特征向量,确定目标业务中针对该设定业务对象的预测结果,并根据该预测结果对目标业务进行业务处理。
其中,在训练阶段确定一个节点的特征向量时,为了提高模型训练的效率,可以选取出该节点预设邻接范围内部分的其他节点,作为关联节点,从而根据关联节点的特征向量确定该节点的特征向量,而在模型应用阶段,为了有效地确定出节点的特征向量,可以将节点预设邻接范围内全部的其他节点,均作为关联节点。因此,在确定该设定业务对象对应节点的特征向量时,可以将位于该设定业务对象对应节点的预设邻接范围内的所有其他节点,作为该设定业务对象对应节点的关联节点。
从上述方法中可以看出,通过本说明书提供的模型训练的方法,对确定拓扑图中各节点的特征提取模型进行训练时,由于可以结合节点在训练过程中的历史特征向量来确定出该节点的特征向量,因此,可以仅将节点的预设邻接范围内的少部分其他节点作为关联节点,在确定每个节点的特征向量时,可以通过预设邻接范围内少部分节点的特征向量,来确定该节点的特征向量,从而能够在一定程度上提高模型训练效率。并且,为了保证在模型应用时确定出的特征向量能够有效地在目标业务中进行利用,可以在模型应用时将节点的预设邻接范围内的全部其他节点作为该节点的关联节点。
以上为本说明书的一个或多个实施例提供的模型训练和业务处理的方法,基于同样的思路,本说明书还提供了相应的模型训练和业务处理的装置,如图4、5所示。
图4为本说明书提供的一种模型训练的装置示意图,具体包括:
获取模块401,用于获取目标业务对应的历史业务数据;
构建模块402,用于根据所述历史业务数据中包含的各业务对象以及各业务对象之间的业务关系,构建拓扑图,不同业务对象在所述拓扑图中对应不同的节点;
确定模块403,用于将所述拓扑图输入到待训练的特征提取模型中,以针对所述拓扑图中的每个节点,通过所述特征提取模型,从位于该节点的预设邻接范围内的其他节点中确定至少部分其他节点作为该节点对应的关联节点,并根据确定出的该节点的每个关联节点在当前对应的特征向量以及该节点的历史特征向量,确定该节点在当前对应的特征向量;
预测模块404,用于根据所述拓扑图中各节点在当前对应的特征向量,确定针对所述目标业务的预测结果;
训练模块405,用于以最小化所述目标业务的标注结果与所述预测结果之间的偏差为优化目标,对所述特征提取模型进行模型训练,所述特征提取模型用于对所述目标业务进行业务处理。
可选地,所述确定模块403具体用于,将所述拓扑图输入到所述特征提取模型中,以针对该节点对应的每个关联层级,通过所述特征提取模型,从该关联层级包含的其他节点中选取出该关联层级对应的设定数量的其他节点,作为该节点在该关联层级对应的关联节点,该节点对应的第N关联层级所包含的其他节点,是与该节点具有N阶邻接关系的其他节点,N为不小于1的正整数。
可选地,所述确定模块403具体用于,针对该节点对应的第N关联层级所包含的每个关联节点,根据该节点对应的第N+1关联层级所包含的与该关联节点具有一阶邻接关系的其他节点在当前对应的特征向量,以及该关联节点对应的历史特征向量,确定该关联节点在当前对应的特征向量。
可选地,所述预测模块404具体用于,针对所述拓扑图中的每个节点,从所述拓扑图中确定与该节点对应的业务对象不同类型的其他节点,作为该节点在所述拓扑图中对应的业务相关节点;根据该节点在当前对应的特征向量以及所述业务相关节点在当前对应的特征向量,确定针对该节点的预测结果。
可选地,所述训练模块405具体用于,以最小化针对该节点的预测结果与针对该节点的标注结果之间的偏差为优化目标,对所述特征提取模型进行模型训练。
图5为本说明书提供的一种业务处理的装置示意图,具体包括:
获取模块501,用于获取设定业务对象针对目标业务对应的历史业务数据;
构建模块502,用于根据所述历史业务数据中包含的各业务对象以及各业务对象之间的业务关系,构建拓扑图,不同业务对象在所述拓扑图中对应不同的节点;
确定模块503,用于将所述拓扑图输入到预设的特征提取模型中,以通过所述特征提取模型,从位于所述设定业务对象对应节点的预设邻接范围内的其他节点中,确定至少部分其他节点作为所述设定业务对象对应节点的关联节点,并根据所述设定业务对象对应节点的每个关联节点对应的特征向量以及所述设定业务对象对应节点的历史特征向量,确定所述设定业务对象对应节点的特征向量,所述特征提取模型是通过上述模型训练的方法训练得到的;
处理模块504,用于根据所述设定业务对象对应节点的特征向量,确定所述目标业务中针对所述设定业务对象的预测结果,并根据所述预测结果对所述目标业务进行业务处理。
可选地,所述确定模块503具体用于,将所述拓扑图输入到预设的特征提取模型中,以通过所述特征提取模型,将位于所述设定业务对象对应节点的预设邻接范围内的所有其他节点,作为所述设定业务对象对应节点的关联节点。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1或图3所示的模型训练和业务处理的方法。
本说明书还提供了图6所示的电子设备的示意结构图。如图6所述,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1或图3所述的模型训练和业务处理的方法。当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (11)
1.一种模型训练的方法,其特征在于,包括:
获取目标业务对应的历史业务数据;
根据所述历史业务数据中包含的各业务对象以及各业务对象之间的业务关系,构建拓扑图,不同业务对象在所述拓扑图中对应不同的节点;
将所述拓扑图输入到待训练的特征提取模型中,以针对所述拓扑图中的每个节点,通过所述特征提取模型,从位于该节点的预设邻接范围内的其他节点中确定至少部分其他节点作为该节点对应的关联节点,并根据确定出的该节点的每个关联节点在当前对应的特征向量以及该节点的历史特征向量,确定该节点在当前对应的特征向量;
根据所述拓扑图中各节点在当前对应的特征向量,确定针对所述目标业务的预测结果;
以最小化所述目标业务的标注结果与所述预测结果之间的偏差为优化目标,对所述特征提取模型进行模型训练,所述特征提取模型用于对所述目标业务进行业务处理,其中,在迭代训练过程中,确定出在节点的预设邻接范围内未曾被选取为关联节点的其他节点,并提高这些其他节点在所述迭代训练过程中被选取为该节点的关联节点的选取概率。
2.如权利要求1所述的方法,其特征在于,将所述拓扑图输入到待训练的特征提取模型中,以针对所述拓扑图中的每个节点,通过所述特征提取模型,从位于该节点的预设邻接范围内的其他节点中确定至少部分其他节点作为该节点对应的关联节点,具体包括:
将所述拓扑图输入到所述特征提取模型中,以针对该节点对应的每个关联层级,通过所述特征提取模型,从该关联层级包含的其他节点中选取出该关联层级对应的设定数量的其他节点,作为该节点在该关联层级对应的关联节点,该节点对应的第N关联层级所包含的其他节点,是与该节点具有N阶邻接关系的其他节点,N为不小于1的正整数。
3.如权利要求2所述的方法,其特征在于,确定该节点的每个关联节点在当前对应的特征向量,具体包括:
针对该节点对应的第N关联层级所包含的每个关联节点,根据该节点对应的第N+1关联层级所包含的与该关联节点具有一阶邻接关系的其他节点在当前对应的特征向量,以及该关联节点对应的历史特征向量,确定该关联节点在当前对应的特征向量。
4.如权利要求1所述的方法,其特征在于,根据所述拓扑图中各节点在当前对应的特征向量,确定针对所述目标业务的预测结果,具体包括:
针对所述拓扑图中的每个节点,从所述拓扑图中确定与该节点对应的业务对象不同类型的其他节点,作为该节点在所述拓扑图中对应的业务相关节点;
根据该节点在当前对应的特征向量以及所述业务相关节点在当前对应的特征向量,确定针对该节点的预测结果。
5.如权利要求4所述的方法,其特征在于,以最小化所述目标业务的标注结果与所述预测结果之间的偏差为优化目标,对所述特征提取模型进行模型训练,具体包括:
以最小化针对该节点的预测结果与针对该节点的标注结果之间的偏差为优化目标,对所述特征提取模型进行模型训练。
6.一种业务处理的方法,其特征在于,包括:
获取设定业务对象针对目标业务对应的历史业务数据;
根据所述历史业务数据中包含的各业务对象以及各业务对象之间的业务关系,构建拓扑图,不同业务对象在所述拓扑图中对应不同的节点;
将所述拓扑图输入到预设的特征提取模型中,以通过所述特征提取模型,从位于所述设定业务对象对应节点的预设邻接范围内的其他节点中,确定至少部分其他节点作为所述设定业务对象对应节点的关联节点,并根据所述设定业务对象对应节点的每个关联节点对应的特征向量以及所述设定业务对象对应节点的历史特征向量,确定所述设定业务对象对应节点的特征向量,所述特征提取模型是通过如权利要求1~5任一项所述的方法训练得到的;
根据所述设定业务对象对应节点的特征向量,确定所述目标业务中针对所述设定业务对象的预测结果,并根据所述预测结果对所述目标业务进行业务处理。
7.如权利要求6所述的方法,其特征在于,将所述拓扑图输入到预设的特征提取模型中,以通过所述特征提取模型,从位于所述设定业务对象对应节点的预设邻接范围内的其他节点中,确定至少部分其他节点作为所述设定业务对象对应节点的关联节点,具体包括:
将所述拓扑图输入到预设的特征提取模型中,以通过所述特征提取模型,将位于所述设定业务对象对应节点的预设邻接范围内的所有其他节点,作为所述设定业务对象对应节点的关联节点。
8.一种模型训练的装置,其特征在于,包括:
获取模块,用于获取目标业务对应的历史业务数据;
构建模块,用于根据所述历史业务数据中包含的各业务对象以及各业务对象之间的业务关系,构建拓扑图,不同业务对象在所述拓扑图中对应不同的节点;
确定模块,用于将所述拓扑图输入到待训练的特征提取模型中,以针对所述拓扑图中的每个节点,通过所述特征提取模型,从位于该节点的预设邻接范围内的其他节点中确定至少部分其他节点作为该节点对应的关联节点,并根据确定出的该节点的每个关联节点在当前对应的特征向量以及该节点的历史特征向量,确定该节点在当前对应的特征向量;
预测模块,用于根据所述拓扑图中各节点在当前对应的特征向量,确定针对所述目标业务的预测结果;
训练模块,用于以最小化所述目标业务的标注结果与所述预测结果之间的偏差为优化目标,对所述特征提取模型进行模型训练,所述特征提取模型用于对所述目标业务进行业务处理,其中,在迭代训练过程中,确定出在节点的预设邻接范围内未曾被选取为关联节点的其他节点,并提高这些其他节点在所述迭代训练过程中被选取为该节点的关联节点的选取概率。
9.一种模型训练的装置,其特征在于,包括:
获取模块,用于获取设定业务对象针对目标业务对应的历史业务数据;
构建模块,用于根据所述历史业务数据中包含的各业务对象以及各业务对象之间的业务关系,构建拓扑图,不同业务对象在所述拓扑图中对应不同的节点;
确定模块,用于将所述拓扑图输入到预设的特征提取模型中,以通过所述特征提取模型,从位于所述设定业务对象对应节点的预设邻接范围内的其他节点中,确定至少部分其他节点作为所述设定业务对象对应节点的关联节点,并根据所述设定业务对象对应节点的每个关联节点对应的特征向量以及所述设定业务对象对应节点的历史特征向量,确定所述设定业务对象对应节点的特征向量,所述特征提取模型是通过如权利要求1~5任一项所述的方法训练得到的;
处理模块,用于根据所述设定业务对象对应节点的特征向量,确定所述目标业务中针对所述设定业务对象的预测结果,并根据所述预测结果对所述目标业务进行业务处理。
10.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~5或6~7任一项所述的方法。
11.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1~5或6~7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110265867.XA CN113011483B (zh) | 2021-03-11 | 2021-03-11 | 一种模型训练和业务处理的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110265867.XA CN113011483B (zh) | 2021-03-11 | 2021-03-11 | 一种模型训练和业务处理的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113011483A CN113011483A (zh) | 2021-06-22 |
CN113011483B true CN113011483B (zh) | 2022-08-05 |
Family
ID=76405284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110265867.XA Active CN113011483B (zh) | 2021-03-11 | 2021-03-11 | 一种模型训练和业务处理的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113011483B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113641892A (zh) * | 2021-07-14 | 2021-11-12 | 北京三快在线科技有限公司 | 一种信息推荐的方法及装置 |
CN114466369A (zh) * | 2021-12-20 | 2022-05-10 | 中兴通讯股份有限公司 | 网络资源处理方法、存储介质及电子装置 |
CN115545002B (zh) * | 2022-11-29 | 2023-03-31 | 支付宝(杭州)信息技术有限公司 | 一种模型训练和业务处理的方法、装置、存储介质及设备 |
CN116167463B (zh) * | 2023-04-26 | 2023-07-07 | 之江实验室 | 一种面向智能计算的分布式模型训练容器调度方法及装置 |
CN117390585B (zh) * | 2023-12-12 | 2024-03-22 | 之江实验室 | 基于三维全连接融合的时序数据预测方法及模型训练方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108259195A (zh) * | 2016-12-28 | 2018-07-06 | 阿里巴巴集团控股有限公司 | 异常事件的影响范围的确定方法及系统 |
CN108418825A (zh) * | 2018-03-16 | 2018-08-17 | 阿里巴巴集团控股有限公司 | 风险模型训练、垃圾账号检测方法、装置以及设备 |
CN109785968A (zh) * | 2018-12-27 | 2019-05-21 | 东软集团股份有限公司 | 一种事件预测方法、装置、设备及程序产品 |
CN109784013A (zh) * | 2017-11-14 | 2019-05-21 | 阿里巴巴集团控股有限公司 | 一种信息识别的方法、装置以及设备 |
CN109784599A (zh) * | 2017-11-14 | 2019-05-21 | 阿里巴巴集团控股有限公司 | 一种模型训练、风险识别的方法、装置及设备 |
CN110348978A (zh) * | 2019-07-19 | 2019-10-18 | 中国工商银行股份有限公司 | 基于图计算的风险团伙识别方法、装置、设备和存储介质 |
CN110516915A (zh) * | 2019-08-02 | 2019-11-29 | 阿里巴巴集团控股有限公司 | 业务节点训练、评估方法、装置及电子设备 |
CN110995810A (zh) * | 2019-11-25 | 2020-04-10 | 腾讯科技(深圳)有限公司 | 一种基于人工智能的对象识别方法和相关装置 |
CN111429161A (zh) * | 2020-04-10 | 2020-07-17 | 杭州网易再顾科技有限公司 | 特征提取方法、特征提取装置、存储介质及电子设备 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9524510B2 (en) * | 2013-10-02 | 2016-12-20 | Turn Inc. | Adaptive fuzzy fallback stratified sampling for fast reporting and forecasting |
US10691751B2 (en) * | 2017-01-23 | 2020-06-23 | The Trade Desk, Inc. | Data processing system and method of associating internet devices based upon device usage |
CN110264372B (zh) * | 2019-05-16 | 2022-03-08 | 西安交通大学 | 一种基于节点表示的主题社团发现方法 |
CN116167670A (zh) * | 2020-03-24 | 2023-05-26 | 支付宝(杭州)信息技术有限公司 | 模型、业务处理方法、装置及设备 |
CN111523933B (zh) * | 2020-04-21 | 2021-02-02 | 北京嘀嘀无限科技发展有限公司 | 一种下单概率预测方法、装置、电子设备及可读存储介质 |
CN112215604B (zh) * | 2020-10-15 | 2022-06-07 | 支付宝(杭州)信息技术有限公司 | 交易双方关系信息识别方法及装置 |
-
2021
- 2021-03-11 CN CN202110265867.XA patent/CN113011483B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108259195A (zh) * | 2016-12-28 | 2018-07-06 | 阿里巴巴集团控股有限公司 | 异常事件的影响范围的确定方法及系统 |
CN109784013A (zh) * | 2017-11-14 | 2019-05-21 | 阿里巴巴集团控股有限公司 | 一种信息识别的方法、装置以及设备 |
CN109784599A (zh) * | 2017-11-14 | 2019-05-21 | 阿里巴巴集团控股有限公司 | 一种模型训练、风险识别的方法、装置及设备 |
CN108418825A (zh) * | 2018-03-16 | 2018-08-17 | 阿里巴巴集团控股有限公司 | 风险模型训练、垃圾账号检测方法、装置以及设备 |
CN109785968A (zh) * | 2018-12-27 | 2019-05-21 | 东软集团股份有限公司 | 一种事件预测方法、装置、设备及程序产品 |
CN110348978A (zh) * | 2019-07-19 | 2019-10-18 | 中国工商银行股份有限公司 | 基于图计算的风险团伙识别方法、装置、设备和存储介质 |
CN110516915A (zh) * | 2019-08-02 | 2019-11-29 | 阿里巴巴集团控股有限公司 | 业务节点训练、评估方法、装置及电子设备 |
CN110995810A (zh) * | 2019-11-25 | 2020-04-10 | 腾讯科技(深圳)有限公司 | 一种基于人工智能的对象识别方法和相关装置 |
CN111429161A (zh) * | 2020-04-10 | 2020-07-17 | 杭州网易再顾科技有限公司 | 特征提取方法、特征提取装置、存储介质及电子设备 |
Non-Patent Citations (3)
Title |
---|
ADVANCING GRAPHSAGE WITH A DATA-DRIVEN NODE SAMPLING;Jihun Oh 等;《arXiv》;20190429;1-6 * |
GraphSAGE-Based Traffic Speed Forecasting for Segment Network With Sparse Data;Jielun Liu 等;《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》;20201006;1-12 * |
基于深度学习的电信客户流失预测方法研究;李延冰;《电视技术》;20200430;第44卷(第4期);1-5 * |
Also Published As
Publication number | Publication date |
---|---|
CN113011483A (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113011483B (zh) | 一种模型训练和业务处理的方法及装置 | |
CN108537568B (zh) | 一种信息推荐方法和装置 | |
CN111080304B (zh) | 一种可信关系识别方法、装置及设备 | |
CN110020427B (zh) | 策略确定方法和装置 | |
CN112200132B (zh) | 一种基于隐私保护的数据处理方法、装置及设备 | |
CN110008991B (zh) | 风险事件的识别、风险识别模型的生成方法、装置、设备及介质 | |
CN113688313A (zh) | 一种预测模型的训练方法、信息推送的方法及装置 | |
JP2022500768A (ja) | 熱負荷予測方法、装置、読み取り可能な媒体及び電子機器 | |
CN110852503A (zh) | 一种支付渠道的选择方法和设备、支付渠道路由 | |
CN111399812A (zh) | 组件构建方法、装置、开发框架及设备 | |
CN112199416A (zh) | 数据规则生成方法及装置 | |
CN115981870A (zh) | 一种数据处理的方法、装置、存储介质及电子设备 | |
CN113641894A (zh) | 一种信息推荐的方法及装置 | |
CN116308738B (zh) | 一种模型训练的方法、业务风控的方法及装置 | |
CN111191090B (zh) | 确定业务数据展示图类型的方法、装置、设备和存储介质 | |
CN113205377A (zh) | 一种信息推荐的方法及装置 | |
CN115904907A (zh) | 任务处理方法及装置 | |
CN107562533B (zh) | 一种数据加载处理方法及装置 | |
CN115660105A (zh) | 一种模型训练的方法、业务风控的方法及装置 | |
CN113343085B (zh) | 一种信息推荐方法、装置、存储介质及电子设备 | |
CN115204395A (zh) | 数据的处理方法、装置及设备 | |
CN115034367A (zh) | 一种模型部署的方法及装置 | |
CN114120273A (zh) | 一种模型训练的方法及装置 | |
CN111984247A (zh) | 一种业务处理方法、装置和电子设备 | |
CN113010564B (zh) | 一种模型训练和信息推荐的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |