【技术实现步骤摘要】
【国外来华专利技术】具有更新向量的基于图学习的系统
相关申请的交叉引用本申请要求2020年9月22日提交的美国临时申请号63/081,804的权益，该临时申请出于所有目的全文以引用方式并入本文。
技术介绍
特定交互发生在两种不同类型的实体—资源提供商与用户之间。可用许多参数来描述交互，这些参数可称为维度。维度的示例包括用户设备的类型、资源提供商位置、交互渠道(例如，面对面、线上、通过电话等)。交互由资源提供商或用户发起。资源提供商发起的交易的示例是经常性订阅服务交互。用户发起的交易的示例是用户将用户设备物理地呈现给资源提供商终端或者在网站输入用户设备信息。通常，当资源提供商发起的交互被否决时，资源提供商可重试该交互，直到它被批准。这消极地使用了处理能力，招致了资源提供商的处理成本，并且降低了资源提供商的交互的总体批准率。此外，传统的交互预测系统可能是资源密集型的，因为当获得新数据时，它们可能涉及整个现有预测模型的重新创建或重新格式化。这可需要大量的计算资源，尤其是在可存在数百万或数十亿个交互(每个交互包括多个特征)的情况下。本专利技术的实施方案单独地和共同地解决...
【技术保护点】
【技术特征摘要】
【国外来华专利技术】1.一种方法，包括：由分析计算机接收图，所述图包括针对多个用户的多个用户节点、针对多个资源提供商的多个资源提供商节点以及所述多个用户节点与所述多个资源提供商节点之间的多条交互边，所述交互边表示所述多个用户与所述多个资源提供商之间的多个交互；由所述分析计算机提取数据集，所述数据集包括针对所述多个用户节点中的每一者和针对所述多个资源提供商节点中的每一者的初始向量表示；响应于涉及所述第一用户节点的新交互，由所述分析计算机使用第一递归神经网络和针对来自所述多个用户节点的第一用户节点的初始向量表示来生成针对所述第一用户节点的更新向量表示；由所述分析计算机基于针对所述第一用户节点的所述更新向量表示来执行对未来交互的第一预测；以及由所述分析计算机基于所述未来交互来执行动作。2.如权利要求1所述的方法，其中生成针对所述第一用户节点的所述更新向量表示基于所述第一递归神经网络的输入，其中所述第一递归神经网络的所述输入包括针对所述第一用户节点的所述初始向量表示、针对与所述新交互相关联的资源提供商节点的向量表示，和所述新交互的特征。3.如权利要求2所述的方法，其中所述第一递归神经网络的所述输入还包括对应于所述第一用户节点的一个或多个邻居节点的一个或多个向量表示。4.如权利要求3所述的方法，其中所述第一用户节点的所述一个或多个邻居节点包括一跳邻居或两跳邻居。5.如权利要求1所述的方法，其中执行对所述未来交互的所述第一预测包括：使用第三递归神经网络来确定基于自涉及所述第一用户节点的最近交互以来经过的时间量和当前时间的、针对所述第一用户节点的时间更新的向量表示，其中基于针对所述第一用户节点的所述时间更新的向量表示来预测所述未来交互。6.如权利要求5所述的方法，其中预测所述未来交互包括：使用第四递归神经网络和针对所述第一用户节点的所述时间更新的向量表示来预测向量；以及从所述多个资源提供商节点中确定具有最接近所预测向量的向量表示的资源提供商节点，其中所述未来交互被预测为包括所述第一用户节点和所确定的资源提供商节点。7.如权利要求6所述的方法，还包括：由所述分析计算机执行对针对所述未来交互的特征的第二预测，其中使用第五递归神经网络和所述第五递归神经网络的输入来执行所述第二预测，所述第五递归神经网络的输入包括针对所述第一用户节点的所述更新向量表示和所确定的资源提供商节点的所述向量表示。8.如权利要求7所述的方法，还包括：由所述分析计算机执行对针对所述未来交互的结果的第三预测，使用第六递归神经网络和所述第六递归神经网络的输入来执行所述第三预测，所述第六递归神经网络的输入包括针对所述未来交互的所预测特征。9.如权利要求8所述的方法，其中针对所述未来交互的所预测结果是批准概率。
10.如权利要求9所述的方法，其中执行所述动作包括向与所确定的资源提供商节点相关联的资源提供商通知...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。