買(mǎi)專(zhuān)利賣(mài)專(zhuān)利找龍圖騰，真高效！ 查專(zhuān)利查商標(biāo)用IPTOP,全免費(fèi)！專(zhuān)利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉支付寶(杭州)信息技術(shù)有限公司申請(qǐng)的專(zhuān)利更新可信模型的方法及裝置獲國(guó)家發(fā)明授權(quán)專(zhuān)利權(quán)，本發(fā)明授權(quán)專(zhuān)利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN115170136B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-09-09發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專(zhuān)利申請(qǐng)?zhí)?專(zhuān)利號(hào)為：202210687416.X，技術(shù)領(lǐng)域涉及：G06Q20/40；該發(fā)明授權(quán)更新可信模型的方法及裝置是由周璟;楊信;王寧濤;呂樂(lè);傅幸;王維強(qiáng)設(shè)計(jì)研發(fā)完成，并于2022-06-17向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專(zhuān)利申請(qǐng)。

本更新可信模型的方法及裝置在說(shuō)明書(shū)摘要公布了：本說(shuō)明書(shū)實(shí)施例提供了一種更新可信模型的方法及裝置。其中方法包括：獲取新增樣本以及新增樣本對(duì)應(yīng)的標(biāo)簽；將新增樣本輸入原可信模型，獲取并存儲(chǔ)原可信模型針對(duì)新增樣本的輸出結(jié)果作為新增樣本的模擬原始標(biāo)簽；在原可信模型中新增一個(gè)與原輸出層結(jié)構(gòu)相同且并列的新輸出層，得到新可信模型；利用新增樣本訓(xùn)練新可信模型，以最小化原輸出層針對(duì)新增樣本的輸出結(jié)果與新增樣本的模擬原始標(biāo)簽之間的差異，新輸出層針對(duì)新增樣本的輸出結(jié)果與新增樣本對(duì)應(yīng)的標(biāo)簽之間的差異，以及新輸出層針對(duì)新增樣本的輸出結(jié)果與新增樣本的模擬原始標(biāo)簽之間的差異；從訓(xùn)練結(jié)束后得到的新可信模型中去除原輸出層得到更新后的可信模型。

本發(fā)明授權(quán)更新可信模型的方法及裝置在權(quán)利要求書(shū)中公布了：1.一種更新可信模型的方法，其特征在于，該方法包括： 獲取新增樣本以及新增樣本對(duì)應(yīng)的標(biāo)簽，所述新增樣本為用戶(hù)的網(wǎng)絡(luò)行為數(shù)據(jù)，所述標(biāo)簽包括是否為可信行為； 將新增樣本輸入原可信模型，獲取并存儲(chǔ)原可信模型針對(duì)新增樣本的輸出結(jié)果作為新增樣本的模擬原始標(biāo)簽； 在原可信模型中新增一個(gè)與原輸出層結(jié)構(gòu)相同且并列的新輸出層，得到新可信模型；其中，所得到的該新可信模型的輸入層以及中間層使用的是所述原可信模型的輸入層以及中間層； 利用所述新增樣本訓(xùn)練所述新可信模型，訓(xùn)練目標(biāo)包括最小化訓(xùn)練損失； 在訓(xùn)練過(guò)程中，對(duì)新可信模型中的輸入層的參數(shù)、中間層的參數(shù)、原輸出層的參數(shù)以及新輸出層的參數(shù)均進(jìn)行更新； 所述訓(xùn)練損失依據(jù)第一差異、第二差異和第三差異確定，所述第一差異為新可信模型中原輸出層針對(duì)所述新增樣本的輸出結(jié)果與所述新增樣本的模擬原始標(biāo)簽之間的差異，所述第二差異為所述新輸出層針對(duì)所述新增樣本的輸出結(jié)果與所述新增樣本對(duì)應(yīng)的標(biāo)簽之間的差異，第三差異為所述新輸出層針對(duì)所述新增樣本的輸出結(jié)果與所述新增樣本的模擬原始標(biāo)簽之間的差異； 從訓(xùn)練結(jié)束后得到的新可信模型中去除原輸出層得到更新后的可信模型，該更新后的可信模型的輸出層僅包括：訓(xùn)練結(jié)束后得到的新可信模型中的新輸出層； 該方法還包括： 利用新可信模型中原輸出層和新輸出層的dropout子網(wǎng)絡(luò)對(duì)每一個(gè)新增樣本進(jìn)行前向傳播，得到各個(gè)不同的向量； 在所述訓(xùn)練過(guò)程中，獲取同一個(gè)新增樣本在新可信模型中的所述原輸出層和新輸出層得到的向量對(duì)作為正樣本對(duì)； 在新可信模型的原輸出層和新輸出層的全連接層使用dropout機(jī)制，隨機(jī)設(shè)置全連接矩陣中一部分連接權(quán)重為0后輸出dropout增廣向量，獲取不同新增樣本在原輸出層的dropout增廣向量和在新輸出層的dropout增廣向量作為負(fù)樣本對(duì)； 所述訓(xùn)練目標(biāo)還包括：最小化正樣本對(duì)之間的距離且最大化負(fù)樣本對(duì)之間的距離。

如需購(gòu)買(mǎi)、轉(zhuǎn)讓、實(shí)施、許可或投資類(lèi)似專(zhuān)利技術(shù)，可聯(lián)系本專(zhuān)利的申請(qǐng)人或?qū)＠麢?quán)人支付寶(杭州)信息技術(shù)有限公司，其通訊地址為：310000 浙江省杭州市西湖區(qū)西溪路556號(hào)8層B段801-11；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話(huà)0551-65771310或微信搜索“龍圖騰網(wǎng)”。