JP2018081651A - Calculation device, calculation method, and calculation program - Google Patents
Calculation device, calculation method, and calculation program Download PDFInfo
- Publication number
- JP2018081651A JP2018081651A JP2016225510A JP2016225510A JP2018081651A JP 2018081651 A JP2018081651 A JP 2018081651A JP 2016225510 A JP2016225510 A JP 2016225510A JP 2016225510 A JP2016225510 A JP 2016225510A JP 2018081651 A JP2018081651 A JP 2018081651A
- Authority
- JP
- Japan
- Prior art keywords
- store
- information
- calculation
- user
- commercial transaction
- 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.)
- Granted
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 236
- 238000011156 evaluation Methods 0.000 claims abstract description 45
- 238000012552 review Methods 0.000 claims description 63
- 238000000034 method Methods 0.000 claims description 52
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 230000007704 transition Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 description 58
- 230000008569 process Effects 0.000 description 34
- 238000012545 processing Methods 0.000 description 27
- 238000004891 communication Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 15
- 238000004519 manufacturing process Methods 0.000 description 12
- 230000006399 behavior Effects 0.000 description 8
- 230000010365 information processing Effects 0.000 description 8
- 238000007726 management method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000012856 packing Methods 0.000 description 5
- 230000007423 decrease Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 230000002747 voluntary effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000005612 types of electricity Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
本発明は、算出装置、算出方法及び算出プログラムに関する。 The present invention relates to a calculation device, a calculation method, and a calculation program.
一般に、銀行などの金融機関が融資可能枠（与信枠）を決定する際には、事業者（企業）データの収集や分析を専門とするデータ提供事業者等から提供される事業者が参照される。このような事業者データは、例えば、事業者の決算書（例えば、財務諸表や損益計算書等）に基づいて生成される。金融機関は、各事業者への融資額が適当か否かを判定するための信用度を算出するため、事業者から提供される事業者データを活用する。 In general, when a financial institution such as a bank decides a loan facility (credit facility), it refers to a business provided by a data provider that specializes in collecting and analyzing business (company) data. The Such business operator data is generated based on, for example, business operators' financial statements (for example, financial statements, profit and loss statements, etc.). A financial institution uses business data provided by a business in order to calculate a credit rating for determining whether or not the loan amount to each business is appropriate.
ここで、決算期に公表される財務データのように更新間隔の長いデータ（静的データ）のみならず、株価等のように更新間隔の短いデータ（動的データ）をも入力したモデルを作成し、適時に最新の企業評価を行うことができるシステムが提案されている（例えば、特許文献１）。また、近年のインターネットの飛躍的な普及に伴い、従来のような事業者の決算書等に基づく情報に加えて、情報利用者がインターネット上で事業者に関する情報を共有し、共有する情報を一元的に統合管理することにより、事業者データの客観性を高める技術が知られている（例えば、特許文献２）。 Here, not only data with long update intervals (static data) such as financial data published in the fiscal year end, but also models with input of short update intervals (dynamic data) such as stock prices are created. And the system which can perform the newest company evaluation in time is proposed (for example, patent document 1). In addition to the rapid spread of the Internet in recent years, in addition to information based on business operators' financial statements as in the past, information users share information about businesses on the Internet, and the information they share is unified. A technique for enhancing the objectivity of business operator data by performing integrated management is known (for example, Patent Document 2).
しかしながら、上記の従来技術では、実情に即した信用度を算出することができるとは限らない。具体的には、上記の従来技術では、公開されている事業者の財務情報や、情報利用者が知りうる事業者の取引実績や、業界のニュースなどの情報を共有するに過ぎず、かかる情報を統合したとしても、事業者の信用度（例えば、将来に渡る事業者の成長性や安定性）を適切に評価することは困難である。また、株価等のデータは非上場企業では公開されないため、場合によっては、企業評価を行うためのデータが不足し、適切に事業者の信用度を算出することが困難となる。 However, in the above-described conventional technology, it is not always possible to calculate the degree of trustworthiness in accordance with the actual situation. Specifically, the above-mentioned conventional technology only shares information such as financial information of publicly disclosed business operators, business results of business operators that information users can know, and industry news. Even if they are integrated, it is difficult to appropriately evaluate the creditworthiness of the operator (for example, the growth potential and stability of the operator over the future). In addition, since data such as stock prices is not disclosed to unlisted companies, in some cases, there is a shortage of data for corporate evaluation, making it difficult to appropriately calculate the creditworthiness of the business operator.
本願は、上記に鑑みてなされたものであって、実情に即した信用度を算出することができる算出装置、算出方法及び算出プログラムを提供することを目的とする。 The present application has been made in view of the above, and an object thereof is to provide a calculation device, a calculation method, and a calculation program capable of calculating a trustworthiness in accordance with the actual situation.
本願に係る算出装置は、ネットワーク上の所定の商取引サイトにおいて商取引を行う権利を失った退店者に関する情報を取得する取得部と、前記取得部によって取得された前記退店者に関する情報に基づいて、前記所定の商取引サイトに出店する出店者に対する信用度を算出する算出部と、を備えたことを特徴とする。 The calculation device according to the present application is based on an acquisition unit that acquires information on a store clerk who has lost the right to perform a commercial transaction on a predetermined commercial transaction site on a network, and information on the store clerk acquired by the acquisition unit. And a calculation unit for calculating a credit rating for the store clerk opening the predetermined commercial transaction site.
実施形態の一態様によれば、実情に即した信用度を算出することができるという効果を奏する。 According to one aspect of the embodiment, there is an effect that the degree of trust according to the actual situation can be calculated.
以下に、本願に係る算出装置、算出方法及び算出プログラムを実施するための形態（以下、「実施形態」と表記する）について図面を参照しつつ詳細に説明する。なお、この実施形態により本願に係る算出装置、算出方法及び算出プログラムが限定されるものではない。また、以下の各実施形態において同一の部位には同一の符号を付し、重複する説明は省略される。 Hereinafter, a mode for carrying out a calculation device, a calculation method, and a calculation program according to the present application (hereinafter referred to as “embodiment”) will be described in detail with reference to the drawings. Note that the calculation device, the calculation method, and the calculation program according to the present application are not limited by this embodiment. In the following embodiments, the same portions are denoted by the same reference numerals, and redundant description is omitted.
〔１．算出処理の一例〕
まず、図１を用いて、実施形態に係る算出処理の一例について説明する。図１は、実施形態に係る算出処理の一例を示す図である。図１では、実施形態に係る算出装置１００による算出処理について説明する。具体的には、図１では、算出装置１００によって、ネットワーク上の所定の商取引サイトに出店する出店者に対する信用度を算出する算出処理が行われる例について説明する。
[1. Example of calculation process)
First, an example of calculation processing according to the embodiment will be described with reference to FIG. FIG. 1 is a diagram illustrating an example of a calculation process according to the embodiment. In FIG. 1, the calculation process by the
図１に示す例において、算出装置１００と、ユーザ端末１０と、ウェブサーバ３０とは、図示しない通信ネットワーク（例えば、インターネット）を介して通信可能に接続される。
In the example illustrated in FIG. 1, the
図１に示す算出装置１００は、事業者に対する信用度を算出する算出処理を行うサーバ装置である。実施形態において、算出装置１００は、ウェブサーバ３０が提供するネットワーク上の所定の商取引サイトであるショッピングモールに出店する出店者に対する信用度を算出する。なお、実施形態において、算出装置１００は、算出した信用度を種々の処理に利用する。例えば、算出装置１００は、算出した信用度に基づいて、事業者に対する融資条件（与信枠や金利等）を判定する処理を行う。
A
図１に示すユーザ端末１０は、ユーザによって利用される情報処理装置である。具体的には、ユーザ端末１０は、ユーザがウェブページを閲覧するためや、ウェブサイト（例えばネットワーク上のショッピングモール）において商品を購入したり、商品情報の評価（いわゆるレビュー）を投稿したりするために利用される。図１の例では、ユーザ端末１０は、例えばスマートフォンやタブレット端末である。
A
図１に示すウェブサーバ３０は、ユーザ端末１０からアクセスされた場合に、各種ウェブページを提供するサーバ装置である。図１に示す例では、ウェブサーバ３０は、ネットワーク上のショッピングモールサイトを提供するものとする。ウェブサーバ３０が提供するショッピングモールでは、各事業者が種々のカテゴリの商品を扱う店舗（ストア）を出店する。実施形態では、ショッピングモールに出店する事業者を出店者と表記する。また、ショッピングモールにかつて出店していて、現時点ではショッピングモールに出店していない事業者を退店者と表記する。
The
ウェブサーバ３０は、提供するウェブサイトを介して、ネットワーク上におけるユーザ行動に関する情報を取得してもよい。ユーザ行動に関する情報は、例えば、ウェブサーバ３０が備える記憶部や、所定のストレージ装置に格納される。ネットワーク上におけるユーザ行動に関する情報とは、ウェブサーバ３０から提供されるサービス（図１の例ではショッピングモール）の利用に際して、ユーザの操作に従いユーザ端末１０から発信される情報を意味する。例えば、ネットワーク上におけるユーザ行動は、ショッピングモールにおける購買行動や、ショッピングモールの各店舗に対するユーザからのレビューの投稿等である。
The
ところで、ウェブサーバ３０が提供するショッピングモールのようなネットワーク上の商取引サイトに出店する事業者は、事業構成が小規模であったり、設立が比較的新しかったり、非上場であったり、法人格が個人事業主であったりして、信頼に足る財務情報や実績を有していない場合も多い。この場合、事業者は、与信を示す信用度がないと判定され、銀行等の金融機関から融資を受けることができない場合がある。
By the way, a business that opens a business transaction site on a network such as a shopping mall provided by the
また、例えば事業者が信頼に足る財務情報を公表していたとしても、一般的な事業者の財務情報は、上場企業の株価などのリアルタイムに変動する情報を除けば、四半期や半期に一度公表されるものである場合が多い。このため、事業者の財務情報に基づいて信用度が算出されたとしても、当該信用度は、実際の商取引サイトにおけるリアルタイムな業績等が反映されたものとならない場合もある。すなわち、実際には将来的に事業がうまくいく可能性がある事業者であっても、その将来性が信用度に適切に反映されなければ、金融機関からの信用が得られず、融資を受けられないことになる。 For example, even if a business operator publishes reliable financial information, general business financial information is published once every quarter or half year, except for information that fluctuates in real time such as the stock price of a listed company. In many cases, For this reason, even if the creditworthiness is calculated based on the financial information of the business operator, the creditworthiness may not reflect the real-time performance on the actual commercial transaction site. In other words, even if there is a possibility that the business will actually be successful in the future, if the future potential is not properly reflected in the creditworthiness, the credit from the financial institution cannot be obtained and the loan can be received. There will be no.
そこで、実施形態に係る算出装置１００は、ショッピングモール等の所定の商取引サイトにおける実情に即した信用度の算出処理を行うことにより、通常では信用度の算出が困難なベンチャー企業や小規模な事業者に対する信用度を算出することを可能とする。具体的には、算出装置１００は、ショッピングモールにおいて商取引を行う権利を失った事業者に関する情報を取得し、取得された情報に基づいて、当該ショッピングモールに出店する出店者に対する信用度を算出する。
Therefore, the
ショッピングモールにおいて商取引を行う権利を失った事業者とは、過去にショッピングモールに出店し、その後、ショッピングモールから退店した事業者をいう。実施形態では、ショッピングモールから退店した事業者を退店者と表記する。例えば、退店者は、ショッピングモールにおいて事業の操業がうまくいかなくなった事業者である。また、例えば、退店者は、ショッピングモールにおける出店の規約に違反したことにより、ウェブサーバ３０の管理者から強制的に退店させられた事業者である。なお、退店者には、何らかの理由によりショッピングモールへの出店を休止している事業者が含まれてもよい。
The business operator who has lost the right to conduct business transactions in the shopping mall refers to a business operator who has opened a store in the shopping mall in the past and then left the shopping mall. In the embodiment, a business operator who has left the shopping mall is referred to as a store exit. For example, a person who has left the store is a business operator who has become unable to operate the business in a shopping mall. Further, for example, the store exit is a business that has been forcibly left by the administrator of the
実施形態では、算出装置１００は、ショッピングモールにおいて商取引を行う権利を失った退店者に関する情報と、ショッピングモールに現時点で出店している出店者に関する情報との相関性を算出する。そして、算出装置１００は、算出した相関性に基づいて、出店者の信用度を算出する。
In the embodiment, the
ここで、ショッピングモールにおいて商取引を行う権利を失った退店者は、退店に至るほどの何らかの問題を抱えていたものと推測される。すなわち、算出装置１００は、退店者に関する情報と出店者に関する情報との相関性を求めることで、出店者がショッピングモールにおいて将来的に退店に至る可能性を判定する。そして、算出装置１００は、判定結果に基づいて事業者の信用を示す信用度を算出する。これにより、算出装置１００は、現時点で比較的実績の少ない出店者や財務情報が公表されていない事業者であっても、実情に即した、信頼に足る信用度を算出することができる。以下、図１を用いて、実施形態に係る算出処理について流れに沿って説明する。
Here, it is presumed that the store clerk who lost the right to conduct a commercial transaction in the shopping mall had some problem that led to the store exit. That is, the
図１に示す例において、ウェブサーバ３０が提供するショッピングモールには、過去にショッピングモールに出店していた退店者６０が運営するショップＡＡＡのウェブページ６１が存在していたものとする。また、ショッピングモールには、現時点において出店している出店者７０が運営するショップＢＢＢのウェブページ７１が存在しているものとする。なお、図１では図示を省略しているが、ウェブサーバ３０が提供するショッピングモールには、後述する算出処理を行うのに充分な量の情報が得られるほどの相当数の退店者６０が存在するものとする。
In the example illustrated in FIG. 1, it is assumed that a shopping mall provided by the
ユーザ端末１０は、ユーザによる操作に従い、ウェブサーバ３０が提供するショッピングモールにアクセスするものとする。なお、図１では図示を省略しているが、ユーザ端末１０は複数存在し、退店者６０が出店していた時期から現時点までを含めて、後述する算出処理を行うのに充分な量の情報が得られるほどの相当数のアクセスを行っているものとする。ショッピングモールにアクセスしたユーザは、購買行動やレビュー送信等の行動を介して、ショッピングモールを利用する（ステップＳ１１）。
It is assumed that the
ウェブサーバ３０は、ユーザ端末１０から送信される各種情報を取得する。例えば、ウェブサーバ３０は、退店者６０が運営するショップＡＡＡが存在していた期間において、ショップＡＡＡに対するユーザからの評価に関する情報を取得していたものとする。ユーザからの評価に関する情報とは、例えば、レビューとともに送信されるショップＡＡＡに対する評点であったり、レビューに含まれる単語であったり、ショップＡＡＡで提供される商品に対するレビューの評点や単語等の情報である。なお、ウェブサーバ３０は、同様に、出店者７０が運営するショップＢＢＢに対するユーザからの評価に関する情報も取得する。
The
また、ウェブサーバ３０は、ショッピングモールにおける、退店者６０や出店者７０の事業者としての属性情報等も有しているものとする。例えば、ウェブサーバ３０は、属性情報として、退店者６０や出店者７０の法人格（例えば、株式会社、有限会社、合資会社、個人事業主、財団法人、社団法人などの種別）や、業種（電気、通信、製造、食料品小売、衣料品小売などの種別）に関する情報を有する。例えば、ウェブサーバ３０は、事業者が出店を行う際の受け付け手続きに際して、このような属性情報を取得し、事業者の識別情報と対応付けてデータベースに格納する。
In addition, the
このようにウェブサーバ３０によって取得される情報を用いて、算出装置１００は、ショッピングモールに出店する事業者（図１では出店者７０）に対する信用度を算出するものとする。この場合、算出装置１００は、ウェブサーバ３０から退店者６０及び出店者７０に関する情報を取得する。具体的には、算出装置１００は、ショッピングモールを利用したユーザによる、退店者６０及び出店者７０に対する評価に関する情報を取得する（ステップＳ１２）。
As described above, using the information acquired by the
そして、算出装置１００は、取得した情報に基づいて、所定の指標値（スコア）を出力するモデルを生成する（ステップＳ１３）。具体的には、算出装置１００は、退店者６０に関する情報に基づいて生成されるモデルであって、出店者７０に関する情報が入力された場合に、退店者６０と出店者７０との相関性を示すスコアを出力するモデルを生成する。生成処理の詳細は後述するが、算出装置１００は、例えば退店者６０を正解データ（教師データ、目的変数）とし、退店者６０に対するユーザからの評価に関する情報や退店者６０の属性情報等を素性（説明変数）とするサポートベクターマシン（Support Vector Machine）等の回帰学習モデルを生成する。そして、算出装置１００は、生成したモデルに出店者７０に関する情報を入力することにより、正解データである退店者６０との相関性を示すスコアを出力する。
And the
具体的には、算出装置１００は、生成したモデルを利用し、出店者７０に対する信用度を算出する（ステップＳ１４）。例えば、算出装置１００は、退店者６０と出店者７０との相関性が低い、すなわちモデルから出力されたスコアが低いほど、出店者７０が退店する可能性が低いものとして、出店者７０の信用度を高く算出する。一方、算出装置１００は、モデルから出力されたスコアが高いほど、出店者７０が退店する可能性が高いと想定されることから、出店者７０の信用度を低く算出する。
Specifically, the
そして、算出装置１００は、算出した信用度に基づいて、出店者７０への融資条件を判定する（ステップＳ１５）。具体的には、算出装置１００は、算出した信用度が所定値より高い場合には、信用度が所定値より低い場合と比較して、与信枠を拡大したり、金利を下げたりするなどの融資条件が適用されると判定してもよい。あるいは、算出装置１００は、算出した信用度が所定値より低い場合には、信用度が所定値より高い場合と比較して、与信枠を縮小したり、金利を上げたりするなどの融資条件が適用されると判定してもよい。
And the
このように、実施形態に係る算出装置１００は、ショッピングモール等のネットワーク上の所定の商取引サイトにおいて商取引を行う権利を失った退店者６０に関する情報を取得する。そして、算出装置１００は、取得された退店者６０に関する情報に基づいて、所定の商取引サイトであるショッピングモールに出店する出店者７０に対する信用度を算出する。
As described above, the
すなわち、実施形態に係る算出装置１００は、事業者の信用度を計るために一般的に用いられる企業の財務情報のみならず、ショッピングモール等の商取引サイトにおける退店者６０に関する情報に基づいて、出店者７０の信用度を算出する。商取引サイトにおける退店者６０は、当該商取引サイトに適合しないビジネス形態を有していたり、当該商取引サイトの規約に適しない運営を行っていたり、ユーザからの評価（ユーザレビューの内容）が著しく悪い事業者であることが想定される。実施形態に係る算出装置１００は、そのような退店者６０に関する情報をいわゆる不芳データとして扱い、不芳データとの相関性を参照することで、現時点において出店中の事業者である出店者７０の信用度を算出する。これにより、算出装置１００は、出店者７０に対して、所定の商取引サイトにおける実情に即した信用度を算出することができる。
In other words, the
また、算出装置１００は、ネットワークを介してショッピングモールを利用するユーザからの反応をリアルタイムに取得して算出処理に利用することができる。このため、算出装置１００は、鮮度の高いデータを用いて出店者７０の信用度を算出することができる。この点においても、算出装置１００は、所定の商取引サイトにおける実情に即した信用度を算出することができる。
Moreover, the
なお、算出装置１００によって算出される信用度は、必ずしも融資や投資を目的として利用されなくてもよい。例えば、算出装置１００によって算出される信用度は、ショッピングモールにおける加盟店としての信用度や、出店者７０が広告配信を依頼する際の広告主としての信用度として利用されてもよい。以下、上記の処理を行う算出装置１００、及び、算出装置１００を含む算出システム１の構成等について詳細に説明する。
Note that the credit level calculated by the
〔２．算出システムの構成〕
図２を用いて、実施形態に係る算出装置１００が含まれる算出システム１の構成について説明する。図２は、実施形態に係る算出システム１の構成例を示す図である。図２に例示するように、実施形態に係る算出システム１には、ユーザ端末１０と、ウェブサーバ３０と、算出装置１００とが含まれる。これらの各種装置は、ネットワークＮ（例えば、インターネット）を介して、有線又は無線により通信可能に接続される。なお、図２に示した算出システム１には、複数台のユーザ端末１０や、複数台のウェブサーバ３０が含まれてもよい。
[2. Configuration of calculation system]
The configuration of the
ユーザ端末１０は、例えば、スマートフォンや、デスクトップ型ＰＣ（Personal Computer）や、ノート型ＰＣや、タブレット型端末や、携帯電話機、ＰＤＡ（Personal Digital Assistant）、ウェアラブルデバイス（Wearable Device）等の情報処理装置である。ユーザ端末１０は、ユーザによる操作に従って、ウェブサーバ３０にアクセスすることで、ウェブサーバ３０から提供されるウェブサイトからウェブページ（例えば、図１に示したショップＡＡＡのウェブページ６１やショップＢＢＢのウェブページ７１）を取得する。そして、ユーザ端末１０は、取得したウェブページを表示装置（例えば、液晶ディスプレイ）に表示する。なお、本明細書中においては、ユーザとユーザ端末１０とを同一視する場合がある。例えば、「ユーザに情報コンテンツを提供する」とは、実際には、「ユーザが利用するユーザ端末１０に情報コンテンツを提供する」ことを意味する場合がある。
The
ウェブサーバ３０は、ユーザ端末１０からアクセスされた場合に、各種ウェブページを提供するサーバ装置である。実施形態では、ウェブサーバ３０がショッピングモールに対応するウェブサイトを提供し、当該ショッピングモールに出店している出店者７０のウェブページを提供する例を示した。しかし、ウェブサーバ３０が提供するウェブページはこれに限られず、ウェブサーバ３０は、例えば、ニュースサイト、天気予報サイト、ショッピングサイト、ファイナンス（株価）サイト、路線検索サイト、地図提供サイト、旅行サイト、飲食店紹介サイト、ウェブブログなどに関する各種ウェブページを提供してもよい。
The
また、ウェブサーバ３０は、各ウェブサイトにおける情報であって、ネットワーク上における情報を取得してもよい。ネットワーク上における情報とは、例えば、各種ウェブサイトから提供されるサービスの利用に際して、ユーザの操作に従いユーザ端末１０から発信される情報である。例えば、ネットワーク上における情報は、検索サイトにおける検索クエリに関する情報や、ショッピングサイトにおける購買行動やユーザからのレビューに関する情報や、ユーザが投稿するＳＮＳ（Social Networking Service）サイトにおけるメッセージに関する情報等を含む。
Further, the
算出装置１００は、所定の商取引サイトにおいて商取引を行う権利を失った退店者６０に関する情報を取得し、取得した情報に基づいて、所定の商取引サイトに出店する出店者７０に対する信用度を算出するサーバ装置である。なお、算出装置１００は、上記のウェブサーバ３０としての構成を兼ねてもよい。すなわち、算出装置１００自身がショッピングモールを提供し、算出装置１００自身がショッピングモールにアクセスしたユーザ端末１０から情報を取得してもよい。
The
また、算出装置１００は、実際に事業者に融資を行う金融機関に設置された情報処理端末や、事業者に関する財務情報の調査、取得、管理及び提供等を行う財務管理企業に設置された情報処理端末等と相互に通信を行ってもよい。例えば、算出装置１００は、金融機関等に設置される情報処理端末から、融資条件の判定に関する情報を取得してもよい。また、算出装置１００は、退店者６０や出店者７０の財務情報が公表されている場合には、財務管理企業等に設置される情報処理端末から、財務情報を適宜取得してもよい。
In addition, the
〔３．算出装置の構成〕
次に、図３を用いて、実施形態に係る算出装置１００の構成について説明する。図３は、実施形態に係る算出装置１００の構成例を示す図である。図３に示すように、算出装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。なお、算出装置１００は、算出装置１００を利用する管理者等から各種操作を受け付ける入力部（例えば、キーボードやマウス等）や、各種情報を表示するための表示部（例えば、液晶ディスプレイ等）を有してもよい。
[3. Configuration of calculation device]
Next, the configuration of the
（通信部１１０について）
通信部１１０は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。かかる通信部１１０は、通信ネットワークと有線又は無線で接続され、通信ネットワークを介して、ユーザ端末１０等との間で情報の送受信を行う。
(About the communication unit 110)
The communication unit 110 is realized by, for example, a NIC (Network Interface Card). The communication unit 110 is connected to a communication network by wire or wireless, and transmits and receives information to and from the
（記憶部１２０について）
記憶部１２０は、例えば、ＲＡＭ（Random Access Memory)、フラッシュメモリ（Flash Memory）等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。実施形態に係る記憶部１２０は、出店者情報記憶部１２１と、素性情報記憶部１２２と、モデル記憶部１２７と、融資条件記憶部１２８とを有する。以下、各記憶部について順に説明する。
(About the storage unit 120)
The
（出店者情報記憶部１２１について）
出店者情報記憶部１２１は、所定の商取引サイトに出店する事業者に関する情報を記憶する。例えば、出店者情報記憶部１２１に記憶される情報は、通信ネットワークを介して、ウェブサーバ３０から取得される。ここで、図４に、実施形態に係る出店者情報記憶部１２１の一例を示す。図４に示すように、出店者情報記憶部１２１は、「出店者」、「ストアアカウント」、「出店日」、「退店日」、「退店理由」、「素性情報」、「信用度」といった項目を有する。また、「素性情報」の項目は、「事業情報」、「ストア情報」、「商品情報」、「単語情報」、「財務情報」といった小項目を含む。
(Regarding store information storage unit 121)
Store opening
「出店者」は、商取引サイトに過去に出店していた、もしくは現時点で出店している事業者の名称を示す。「ストアアカウント」は、事業者が商取引サイトにおいて出店する際にウェブサーバ３０側から発行されたアカウントを示す。なお、図４に示すように、事業者は、複数のストアアカウントを有することができる。例えば、事業者は、取り扱う商品のカテゴリや、事業形態に応じて、ストアアカウントを使い分けることができる。また、ウェブサーバ３０は、事業者が有するストアアカウントのうち、一つのストアアカウントに関して強制退店等の処分を下した場合、同一事業者が有する他のストアアカウントについても退店させる（出店の権利を失わせる）処理を行ってもよい。
“Store opener” indicates the name of a business operator that has opened a store in the past or at the present time. The “store account” indicates an account issued from the
「出店日」は、商取引サイトに出店した日を示す。「退店日」は、商取引サイトから退店した日を示す。なお、現時点で退店していない事業者（あるいはストアアカウント）については、退店日の項目は空欄（「−」）となる。「退店理由」は、商取引サイトから退店した際の理由を示す。退店理由は、例えば、後述するモデル生成処理における正解データの区別に利用される。例えば、「強制退店」は、ウェブサーバ３０側から強制的に退店させられたアカウントであるため、不芳データである可能性が高いことが想定される。一方、「休店」は、事業者による自発的な退店であるため、不芳データである可能性が低いことが想定される。
“Store opening date” indicates the date when the store opened on the commerce site. “Closed date” indicates the date when the store is closed from the commerce site. For a business operator (or store account) that has not left the store at this time, the item of the store closing date is blank ("-"). “Reason for leaving” indicates the reason for leaving the store. The reason for leaving the store is used, for example, to distinguish correct data in model generation processing described later. For example, “forced exit” is an account forcibly exited from the
「素性情報」は、算出装置１００によるモデル生成処理（モデリング）における素性となりうる情報を示す。「事業情報」は、例えば、事業者の属性情報等を示す。「ストア情報」は、例えば、事業者が運営するストアへのユーザからの評点等を示す。「商品情報」は、例えば、事業者が運営するストアで取り扱う商品のユーザからの評点等を示す。「単語情報」は、ユーザからストアに対して投稿されるレビューに含まれる単語に関する情報を示す。「財務情報」は、事業者が公表していたり、上記の財務管理企業等によって調査されたりした事業者の財務情報を示す。
“Feature information” indicates information that can be a feature in model generation processing (modeling) by the
なお、図４で示した例では、「事業情報」等の素性情報は、「ａａａ」などの概念で示しているが、実際には、事業情報として含まれる事業者の属性情報や、モデル生成処理において算出された各属性情報の重み値などの情報が記憶されているものとする。なお、各素性情報の詳細については、図５乃至図８を用いて説明する。 In the example shown in FIG. 4, feature information such as “business information” is indicated by a concept such as “aaa”. It is assumed that information such as the weight value of each attribute information calculated in the process is stored. Details of each feature information will be described with reference to FIGS.
「信用度」は、事業者に対する信用度を示す。なお、信用度は、後述する算出部１３４により信用度が算出された後に出店者情報記憶部１２１に記憶される。図４に示すように、例えば既に退店した退店者（ストアアカウント）については、信用度の項目は空欄となる。
“Credit level” indicates the credit level of the business. The credit rating is stored in the store
すなわち、図４では、出店者情報記憶部１２１に記憶されるデータの一例として、「退店者６０」がストアアカウントＡ０１及びＡ０２を有していることを示している。また、ストアアカウントＡ０１に対応するストアは、出店日が「２０１４年７月１日」であり、退店日が「２０１６年３月１日」であり、退店理由が「強制退店」である。また、ストアアカウントＡ０１の素性情報は、事業情報が「ａａａ」であり、ストア情報が「ｂｂｂ」であり、商品情報が「ｃｃｃ」であり、単語情報が「ｄｄｄ」であり、財務情報が「ｅｅｅ」である。また、ストアアカウントＡ０１は、退店しているため信用度は算出されていない。一方、ストアアカウントＡ１１の信用度は、「７５」と算出されていることを図４では示している。
In other words, FIG. 4 shows that “store branch 60” has store accounts A01 and A02 as an example of data stored in the store opening
（素性情報記憶部１２２について）
素性情報記憶部１２２は、モデル生成処理に用いられる素性に関する情報を記憶する。具体的には、素性情報記憶部１２２は、商取引サイトにおける退店者及び出店者に対するユーザからの評価に関する情報や、退店者及び出店者の属性情報等を記憶する。図３に示すように、素性情報記憶部１２２は、事業情報テーブル１２３と、ストア情報テーブル１２４と、商品情報テーブル１２５と、単語情報テーブル１２６といったデータテーブルを有する。以下、各データテーブルについて順に説明する。
(About the feature information storage unit 122)
The feature information storage unit 122 stores information about features used in the model generation process. Specifically, the feature information storage unit 122 stores information on evaluations from users with respect to store exits and store openings on a commercial transaction site, attribute information of store exits and store openings, and the like. As shown in FIG. 3, the feature information storage unit 122 includes data tables such as a business information table 123, a store information table 124, a product information table 125, and a word information table 126. Hereinafter, each data table will be described in order.
（事業情報テーブル１２３について）
事業情報テーブル１２３は、退店者及び出店者の事業者としての属性情報等を記憶する。ここで、図５に、実施形態に係る事業情報テーブル１２３の一例を示す。図５に示すように、事業情報テーブル１２３は、「出店者」、「ストアアカウント」、「法人格」、「業種」、「継続年数」といった項目を有する。
(About business information table 123)
The business information table 123 stores attribute information and the like as business operators of store exits and store openings. Here, FIG. 5 shows an example of the business information table 123 according to the embodiment. As shown in FIG. 5, the business information table 123 includes items such as “store branch”, “store account”, “corporate personality”, “business type”, and “continuation years”.
「出店者」及び「ストアアカウント」は、出店者情報記憶部１２１に記憶されている同一の項目に対応する。「法人格」は、出店者の法人格を示す。「業種」は、ストアの業種を示す。なお、業種は、例えば、ストアで取り扱う商品のカテゴリに対応するものであってもよい。また、業種は、１のストアに１の業種が設定されるのではなく、複数の業種が設定されてもよい。「継続年数」は、ストアが継続している年数を示す。
“Store opening” and “store account” correspond to the same items stored in the store opening
すなわち、図５では、事業情報テーブル１２３に記憶されるデータの一例として、退店者６０の法人格は「個人事業主」であり、ストアアカウントＡ０１の業種は「ファッション」であり、ストアアカウントＡ０２の業種は「食品」であり、ストアアカウントＡ０１の継続年数は「１年８ヵ月」であり、ストアアカウントＡ０２の継続年数は「０年７ヶ月」であることを示している。 That is, in FIG. 5, as an example of data stored in the business information table 123, the legality of the store 60 is “individual business owner”, the business type of the store account A01 is “fashion”, and the store account A02 The business type is “food”, the store account A01 has a duration of “1 year and 8 months”, and the store account A02 has a duration of “0 years and 7 months”.
（ストア情報テーブル１２４について）
ストア情報テーブル１２４は、出店者が運営しているストア（店舗）に関する情報を記憶する。ここで、図６に、実施形態に係るストア情報テーブル１２４の一例を示す。図６に示すように、ストア情報テーブル１２４は、「出店者」、「ストアアカウント」、「売上件数」、「売上金額」、「ＰＶ（１日）」、「レビュー数」、「ストア評点」といった項目を有する。
(About the store information table 124)
The store information table 124 stores information related to a store (store) operated by the store operator. Here, FIG. 6 shows an example of the store information table 124 according to the embodiment. As shown in FIG. 6, the store information table 124 includes “store branch”, “store account”, “number of sales”, “sales amount”, “PV (1 day)”, “number of reviews”, and “store score”. It has items such as.
「出店者」及び「ストアアカウント」は、出店者情報記憶部１２１に記憶されている同一の項目に対応する。「売上件数」は、ストアにおける商品の売上件数を示す。「売上金額」は、ストアにおける商品の売上金額を示す。なお、図６で示した例では、「売上件数」や「売上金額」に記憶される情報を「Ｂ０１」や「Ｃ０１」等の概念で示しているが、実際には、「売上件数」や「売上金額」の項目には、具体的な商品の売上件数や売上金額の値や、取り扱う商品数に対する売上件数の割合や、件数や金額の集計期間等、売上件数や売上金額に関する種々の情報が記憶されるものとする。
“Store opening” and “store account” correspond to the same items stored in the store opening
「ＰＶ（１日）」は、商取引サイトにおいて、ストアアカウントに対応するストアのショップページにユーザがアクセスした一日のアクセス数（Page View）を示す。例えば、ＰＶの項目には、日々集計されるＰＶの数が随時記憶されてもよいし、所定期間におけるアクセス数の合計数を平均した場合の１日のＰＶの数が記憶されてもよい。 “PV (1 day)” indicates the number of accesses (page view) per day when the user accesses the shop page of the store corresponding to the store account in the commercial transaction site. For example, in the PV item, the number of PVs aggregated every day may be stored as needed, or the number of PVs per day when the total number of accesses in a predetermined period is averaged may be stored.
「レビュー数」は、ストアに対してユーザが投稿したレビューの数を示す。図６に示した例では、レビュー数として、ストアにおける１日の平均のレビュー数が記憶される例を示している。「ストア評点」は、ユーザが投稿したレビューにおいてストアを評価する指標値を示す。例えば、ストア評点は、１から５までの５段階の数値により示され、５が最も評価が高く、１が最も評価が低いものとする。図６に示した例では、ストア評点として、ストアが退店する迄にユーザから投稿されたレビューにおける評点の平均点が記憶される例を示している。なお、レビュー数やストア評点は、所定期間（例えば１週間など）において集計した数や評点の平均が記憶されてもよいし、現時点までの累積数が記憶されてもよいし、現時点までの累積数をストアの継続年数で割った数など、様々な態様で集計された情報が記憶されてもよい。 “Number of reviews” indicates the number of reviews submitted by the user to the store. In the example shown in FIG. 6, the average number of reviews per day in the store is stored as the number of reviews. “Store score” indicates an index value for evaluating a store in a review posted by a user. For example, the store score is indicated by a numerical value in five stages from 1 to 5, where 5 is the highest and 1 is the lowest. In the example shown in FIG. 6, an example is shown in which the average score of the reviews in the review posted by the user before the store leaves is stored as the store score. Note that the number of reviews and the store score may be stored as an average of the numbers and scores calculated in a predetermined period (for example, one week), the cumulative number up to the present time may be stored, or the cumulative number up to the current time may be stored. Information aggregated in various manners may be stored, such as the number divided by the number of years in the store.
すなわち、図６では、ストア情報テーブル１２４に記憶されるデータの一例として、退店者６０が有するストアアカウントＡ０１の売上件数は「Ｂ０１」であり、売上金額は「Ｃ０１」であり、ストアのＰＶ（１日）は「３５０」回であり、１日の平均のレビュー数は「２０」であり、ストア評点は「３．４」であることを示している。 That is, in FIG. 6, as an example of data stored in the store information table 124, the number of sales of the store account A01 that the store 60 has is “B01”, the sales amount is “C01”, and the PV of the store (1 day) indicates “350” times, the average number of reviews per day is “20”, and the store score is “3.4”.
なお、図６での図示は省略するが、ストア情報テーブル１２４には、上述した情報の他に、ストアに関する種々の情報が記憶されてもよい。例えば、ストア情報テーブル１２４には、継続してストアを利用するユーザ（例えば、１週間以内に再びアクセスを行うなどの行動を行うユーザ）の数や、ユーザの顧客単価（例えば、所定期間における１ユーザあたりの購買額）等の情報が記憶されてもよい。 Although illustration in FIG. 6 is omitted, the store information table 124 may store various information related to the store in addition to the information described above. For example, in the store information table 124, the number of users who continue to use the store (for example, users who perform an action such as accessing again within one week) and the user unit price of the user (for example, 1 in a predetermined period). Information such as purchase amount per user) may be stored.
（商品情報テーブル１２５について）
商品情報テーブル１２５は、出店者がストアにおいて提供する商品に関する情報を記憶する。ここで、図７に、実施形態に係る商品情報テーブル１２５の一例を示す。図７に示すように、商品情報テーブル１２５は、「出店者」、「ストアアカウント」、「商品ＩＤ」、「商品評点」、「レビュー総数」といった項目を有する。
(About the product information table 125)
The merchandise information table 125 stores information related to merchandise provided by the shopkeeper in the store. Here, FIG. 7 shows an example of the product information table 125 according to the embodiment. As illustrated in FIG. 7, the product information table 125 includes items such as “store branch”, “store account”, “product ID”, “product score”, and “total number of reviews”.
「出店者」及び「ストアアカウント」は、出店者情報記憶部１２１に記憶されている同一の項目に対応する。「商品ＩＤ」は、ストアで取り扱う商品を識別する識別情報を示す。「商品評点」は、商品に対してユーザが投稿したレビューにおける評点を示す。例えば、商品評点は、図６で示したストア評点と同様、１から５までの５段階の数値により示され、５が最も評価が高く、１が最も評価が低いものとする。図７に示した例では、商品評点として、ストアにおける商品の取り扱いが終了する迄にユーザから投稿されたレビューにおける評点の平均点が記憶される例を示している。「レビュー総数」は、商品に対して投稿されたレビューの総数を示している。
“Store opening” and “store account” correspond to the same items stored in the store opening
すなわち、図７では、商品情報テーブル１２５に記憶されるデータの一例として、退店者６０が有するストアアカウントＡ０１で取り扱う商品ＩＤ「Ｐ０１」で識別される商品Ｐ０１は、商品評点が「３．２」であり、レビュー総数が「１２５」であることを示している。 That is, in FIG. 7, as an example of data stored in the product information table 125, the product score of the product P01 identified by the product ID “P01” handled by the store account A01 possessed by the store 60 is “3.2. ”Indicating that the total number of reviews is“ 125 ”.
なお、図７での図示は省略するが、商品情報テーブル１２５には、レビューが集計された期間に関する情報や、ＰＶに対して投稿されたレビュー数の割合や、商品ごとの売上件数や売上金額等の情報が記憶されてもよい。 Although illustration in FIG. 7 is omitted, the product information table 125 includes information on the period in which reviews are tabulated, the ratio of the number of reviews posted to the PV, the number of sales and the sales amount for each product. Such information may be stored.
（単語情報テーブル１２６について）
単語情報テーブル１２６は、出店者（ストア）に対してレビューとしてユーザから投稿されたテキストデータに含まれる単語に関する情報を記憶する。ここで、図８に、実施形態に係る単語情報テーブル１２６の一例を示す。図８に示すように、単語情報テーブル１２６は、「出店者」、「ストアアカウント」、「出現単語」、「単語出現数」といった項目を有する。
(Regarding the word information table 126)
The word information table 126 stores information about words included in the text data posted from the user as a review to the store owner (store). Here, FIG. 8 shows an example of the word information table 126 according to the embodiment. As shown in FIG. 8, the word information table 126 has items such as “store branch”, “store account”, “appearance word”, and “word appearance count”.
「出店者」及び「ストアアカウント」は、出店者情報記憶部１２１に記憶されている同一の項目に対応する。「出現単語」は、ストアや商品に対してユーザから投稿されたレビューにおいて出現した単語を示す。「単語出現数」は、集計されたテキストデータのうち、各単語が出現した回数を示す。
“Store opening” and “store account” correspond to the same items stored in the store opening
すなわち、図８では、単語情報テーブル１２６に記憶されるデータの一例として、退店者６０が有するストアアカウントＡ０１に対応するストアに対して投稿されたレビューでは、「商品」が「８０」回、「偽物」が「５１」回、「海外」が「２６」回、「かかる」が「１６」回、「休店」が「１２」回、「最悪」が「９」回出現したことを示している。また、出店者７０が有するストアアカウントＡ１１に対応するストアに対して投稿されたレビューでは、「梱包」が「５７」回、「配送」が「５０」回、「迅速」が「４６」回、「送料」が「３１」回、「翌日」が「２５」回、「助かる」が「１４」回出現したことを示している。 That is, in FIG. 8, as an example of data stored in the word information table 126, in the review posted to the store corresponding to the store account A01 that the store exit 60 has, “product” is “80” times, “Fake” appears “51” times, “Overseas” appears “26” times, “Take” appears “16” times, “Closed” appears “12” times, and “Worst” appears “9” times ing. Further, in the review posted to the store corresponding to the store account A11 that the store 70 has, “packing” is “57” times, “delivery” is “50” times, “quick” is “46” times, This shows that “shipping” appears “31” times, “next day” appears “25” times, and “help” appears “14” times.
なお、図８では、単語出現数を回数として示したが、単語出現数に対応する情報は、例えば、テキストデータに含まれる全単語の数のうちに占める割合等の情報であってもよい。また、単語情報テーブル１２６に記憶される情報は、所定期間ごとに集計された情報が記憶されてもよい。例えば、ユーザからのレビューは、季節ごとに投稿される内容が異なることも予測される。このため、単語情報テーブル１２６には、例えば、同一の時期に集計されたテキストデータにおいて出現する単語や出現数などを比較した情報等が記憶されてもよい。 In FIG. 8, the number of word appearances is shown as the number of times, but the information corresponding to the number of word appearances may be information such as a ratio of the total number of words included in the text data, for example. Moreover, the information memorize | stored in the word information table 126 may memorize | store the information totaled for every predetermined period. For example, it is predicted that the reviews from the users will differ in the content posted every season. For this reason, the word information table 126 may store, for example, information comparing words appearing in the text data aggregated at the same time, the number of appearances, and the like.
なお、算出装置１００は、単語に関する情報を集計するにあたり、例えば、ユーザから投稿されるテキストデータに対して形態素解析を行ってもよい。さらに、算出装置１００は、１のレビューにおける単語の重みに基づいて、集計する単語を予め取捨選択してもよい。例えば、算出装置１００は、ｔｆ−ｉｄｆ（Term Frequency−Inverse Document Frequency）など、レビューに出現する各単語をスコアリングするアルゴリズムを利用し、重みの高い単語のみを記憶するようにしてもよい。また、算出装置１００は、出現数や重み等にかかわらず、レビューに出現した全ての単語を記憶するようにしてもよい。
Note that the
（モデル記憶部１２７について）
モデル記憶部１２７は、算出装置１００によって生成されたモデルに関する情報を記憶する。ここで、図９に、実施形態に係るモデル記憶部１２７の一例を示す。図９に示すように、モデル記憶部１２７は、「モデルＩＤ」、「情報更新日」、「正解データ」といった項目を有する。
(About the model storage unit 127)
The
「モデルＩＤ」は、モデルを識別するための識別情報を示す。「情報更新日」は、モデルが更新された日付を示す。「正解データ」は、生成されたモデルが正解データとした事例を示す。例えば、正解データの項目が「強制退店者」であるモデルは、退店理由が「強制退店」であったストアアカウントに対応するデータを正解データとして学習されたモデルであることを示す。 “Model ID” indicates identification information for identifying a model. “Information update date” indicates the date on which the model was updated. “Correct answer data” indicates a case where the generated model is correct data. For example, a model in which the item of correct answer data is “forced store clerk” indicates that the data corresponding to the store account whose reason for leaving the store is “forced store close” is learned as correct data.
すなわち、図９では、モデル記憶部１２７に記憶されるデータの一例として、モデルＩＤ「Ｍ０１」で識別されるモデルＭ０１は、「２０１６年１１月１日」に情報が更新されており、モデルＭ０１が正解データとした事例は、「強制退店者」に対応するストアアカウントであることを示している。
That is, in FIG. 9, as an example of data stored in the
（融資条件記憶部１２８について）
融資条件記憶部１２８は、算出された信用度に基づき判定される融資条件に関する情報を記憶する。ここで、図１０に、実施形態に係る融資条件記憶部１２８の一例を示す。図１０に示すように、融資条件記憶部１２８は、「条件ＩＤ」、「信用度」、「融資条件」といった項目を有する。
(About loan condition storage unit 128)
The loan
「条件ＩＤ」は、条件を識別するための識別情報を示す。「信用度」は、算出装置１００によって算出された出店者に対する信用度を示す。融資条件は、算出装置１００が判定する融資条件の内容を示す。なお、図１０で示した例では、融資条件を「Ｈ０１」のような概念で示しているが、実際には、融資条件の項目には、与信枠（融資可能額）や、金利や、返済期間などの具体的な条件が記憶されるものとする。
“Condition ID” indicates identification information for identifying a condition. “Trustworthiness” indicates the trustworthiness with respect to the store clerk calculated by the
すなわち、図１０では、融資条件記憶部１２８に記憶されるデータの一例として、条件ＩＤ「Ｇ０１」で識別される融資条件Ｇ０１とは、信用度が「１００」から「８１」までの出店者に対して適用される条件であり、その融資条件の内容は「Ｈ０１」であることを示している。
That is, in FIG. 10, as an example of data stored in the loan
（制御部１３０について）
制御部１３０は、コントローラ（controller）であり、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、算出装置１００内部の記憶装置に記憶されている各種プログラム（算出プログラムの一例に相当）がＲＡＭを作業領域として実行されることにより実現される。また、制御部１３０は、コントローラであり、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現される。
(About the control unit 130)
The control unit 130 is a controller, for example, various programs (an example of a calculation program) stored in a storage device inside the
実施形態に係る制御部１３０は、図３に示すように、取得部１３１と、生成部１３２と、受付部１３３と、算出部１３４と、判定部１３５とを有し、以下に説明する情報処理の機能や作用を実現または実行する。なお、制御部１３０の内部構成は、図３に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。また、制御部１３０が有する各処理部の接続関係は、図３に示した接続関係に限られず、他の接続関係であってもよい。 As shown in FIG. 3, the control unit 130 according to the embodiment includes an acquisition unit 131, a generation unit 132, a reception unit 133, a calculation unit 134, and a determination unit 135, and information processing described below Realize or execute the functions and operations of Note that the internal configuration of the control unit 130 is not limited to the configuration illustrated in FIG. 3, and may be another configuration as long as the information processing described below is performed. Further, the connection relationship between the processing units included in the control unit 130 is not limited to the connection relationship illustrated in FIG. 3, and may be another connection relationship.
（取得部１３１について）
取得部１３１は、ネットワーク上の所定の商取引サイトにおいて商取引を行う権利を失った退店者６０に関する情報を取得する。例えば、取得部１３１は、退店者６０に関する情報として、所定の商取引サイトにおける退店者６０に対するユーザからの評価に関する情報を取得する。
(About the acquisition unit 131)
The acquisition unit 131 acquires information regarding the store exiter 60 who has lost the right to perform a commercial transaction at a predetermined commercial transaction site on the network. For example, the acquisition unit 131 acquires information related to an evaluation from the user with respect to the store exit 60 on a predetermined commercial transaction site as information about the store exit 60.
取得部１３１は、退店者６０に対するユーザからの評価に関する情報として、退店者６０が出店したストア（店舗）もしくは商品に対するユーザからの反応の数、又は、退店者６０が出店したストアもしくは商品に対してユーザが評点した評価値に関する情報を取得する。具体的には、取得部１３１は、素性情報記憶部１２２内に記憶される、ユーザからのレビューに関する情報を取得する。 The acquisition unit 131 uses the store (store) where the store 60 has opened or the number of reactions from the user with respect to the product, or the store where the store 60 has opened as information on the evaluation of the store 60 by the user. Information on evaluation values scored by the user for the product is acquired. Specifically, the acquisition unit 131 acquires information related to reviews from the user stored in the feature information storage unit 122.
また、取得部１３１は、退店者６０が出店したストアもしくは商品に対するユーザからの反応の数の推移、又は、退店者６０が出店したストアもしくは商品に対してユーザが評点した評価値の推移に関する情報を取得してもよい。すなわち、取得部１３１は、所定期間におけるレビューが投稿された数の増減や、評点の増減の推移を取得する。これにより、取得部１３１は、かつてユーザから高い評価を得ていたストアが、近年では低い評価を受けるようになった等の傾向に関する情報を取得することができる。また、商取引サイトに出店する事業者の中には、例えば財務戦略に基づき、計画的に店舗を倒産させる意図を有する事業者が存在する場合がある。例えば、このような事業者については、商品の売上げが低下する前に、急激にユーザからの評価を低下させるような現象が観測される場合がある。取得部１３１は、評価に関する情報の推移を取得することで、このような事業者を判定するための情報を取得することができる。 Further, the acquisition unit 131 changes the number of reactions from the user to the store or product opened by the store 60, or the evaluation value evaluated by the user for the store or product opened by the store 60 You may acquire the information about. That is, the acquisition unit 131 acquires an increase / decrease in the number of reviews posted in a predetermined period and a transition in an increase / decrease in scores. Thereby, the acquisition part 131 can acquire the information regarding the tendency that the store which received high evaluation from the user has received low evaluation in recent years. In addition, among businesses that open a store on a commercial transaction site, for example, there may be a business that intends to bankrupt a store systematically based on a financial strategy. For example, for such a business operator, a phenomenon may be observed in which the evaluation from the user is suddenly reduced before the sales of the product are reduced. The acquisition unit 131 can acquire information for determining such an operator by acquiring a transition of information regarding evaluation.
また、取得部１３１は、退店者６０に対するユーザからの評価に関する情報として、退店者６０が出店したストアもしくは商品に対するユーザからのレビューに含まれる単語を取得する。例えば、取得部１３１は、ユーザからのレビューを形態素解析し、レビューに含まれる単語を抽出し、抽出された単語に関する情報を取得する。また、取得部１３１は、ｔｆ−ｉｄｆなど、レビューに出現する各単語をスコアリングするアルゴリズムを利用し、重みの高い単語のみを取得するようにしてもよい。 Moreover, the acquisition part 131 acquires the word contained in the review from the user with respect to the store or goods which the store opening person 60 opened as information regarding the evaluation from the user with respect to the store closing person 60. FIG. For example, the acquisition unit 131 performs morphological analysis on reviews from the user, extracts words included in the reviews, and acquires information about the extracted words. Further, the acquisition unit 131 may acquire only words having high weights using an algorithm such as tf-idf that scores each word appearing in the review.
また、取得部１３１は、退店者６０に関する情報として、所定の商取引サイトにおける退店者６０の事業者としての属性情報を取得する。具体的には、取得部１３１は、属性情報として、退店者６０の事業者としての法人格、又は、退店者６０の事業者としての業種を取得する。なお、この場合の業種とは、製造業や通信業などの狭義の意味の業種ではなく、例えば、出店したストアで取り扱う商品のカテゴリ等により示されるような、ストアの特徴を示す広義の業種の意味を含んでもよい。 Moreover, the acquisition part 131 acquires the attribute information as a company of the storekeeper 60 in a predetermined | prescribed commercial transaction site as information regarding the storekeeper 60. FIG. Specifically, the acquisition unit 131 acquires, as attribute information, a legal personality as a business operator of the store exit 60 or a business type as a business operator of the store exit 60. The industry in this case is not an industry in a narrow sense such as manufacturing industry or communication industry. For example, it is an industry in a broad sense that shows the characteristics of the store as indicated by the category of products handled in the store where the store opened. Meaning may be included.
また、取得部１３１は、退店者６０の各々のストアアカウントにおける退店理由を取得する。例えば、商取引サイトにおいて出店者が退店する理由には、サイト側からの強制退店であったり、強制退店されたストアアカウントの道連れとなる退店であったり、出店者側からの要求による退店や休店であったりする。取得部１３１は、これらの理由を退店者６０に関する情報として取得し、退店者６０のストアアカウントと対応付けて出店者情報記憶部１２１に記憶する。
In addition, the acquisition unit 131 acquires the reason for leaving the store in each store account of the store 60. For example, a reason for a store clerk to leave a store on a commercial transaction site is a forced store exit from the site side, a store exit that becomes a companion to a store account that has been forcibly closed, or a request from the store owner side It may be closed or closed. The acquisition unit 131 acquires these reasons as information related to the store closing person 60 and stores them in the store opening
また、取得部１３１は、取得した情報を適宜各記憶部に記憶する。例えば、取得部１３１は、取得した事業者の属性情報等を事業情報テーブル１２３に記憶する。また、取得部１３１は、取得したユーザからの評価に関する情報をストア情報テーブル１２４や、商品情報テーブル１２５や、単語情報テーブル１２６に記憶する。また、取得部１３１は、例えば算出装置１００の管理者や金融機関等により設定される融資条件を取得した場合には、融資条件に関する情報を融資条件記憶部１２８に記憶する。また、取得部１３１は、退店者６０に関する情報のみならず、信用度算出の対象となる出店者７０に関する情報も取得する。
Moreover, the acquisition part 131 memorize | stores the acquired information in each memory | storage part suitably. For example, the acquisition unit 131 stores the acquired business operator attribute information and the like in the business information table 123. Further, the acquisition unit 131 stores the acquired information related to the evaluation from the user in the store information table 124, the product information table 125, and the word information table 126. In addition, when the acquisition unit 131 acquires a loan condition set by, for example, an administrator of the
なお、取得部１３１は、情報を取得する退店者６０及び出店者７０を特定せずに、種々の退店者６０及び出店者７０の情報を無作為に取得してもよい。例えば、取得部１３１は、検索エンジン等に用いられる探索ロボットなどのプログラムを利用して、インターネット上をクロールさせることにより、退店者６０及び出店者７０に関する情報を随時取得したり、取得した情報を更新したりしてもよい。 Note that the acquisition unit 131 may randomly acquire information on various store exits 60 and store openings 70 without specifying the store exits 60 and store openings 70 from which information is acquired. For example, the acquisition unit 131 acquires information about the store opening 60 and the store opening 70 at any time by using a program such as a search robot used for a search engine or the like to crawl on the Internet, or the acquired information Or may be updated.
また、取得部１３１は、例えば金融機関や財務管理企業等から退店者６０及び出店者７０の財務情報が取得可能な場合には、財務情報を取得してもよい。後述する算出部１３４は、取得部１３１によって財務情報が取得された場合には、財務情報を加味して出店者７０に対する信用度を算出してもよい。 Further, the acquisition unit 131 may acquire financial information when the financial information of the store exit 60 and the store opener 70 can be acquired from, for example, a financial institution or a financial management company. When the acquisition unit 131 acquires financial information, the calculation unit 134 to be described later may calculate the credit rating for the storekeeper 70 in consideration of the financial information.
（生成部１３２について）
生成部１３２は、退店者６０に関する情報に基づいて生成されるモデルであって、出店者７０に関する情報が入力された場合に、退店者６０と出店者７０との相関性を示すスコアを出力するモデルを生成する。
(About the generator 132)
The generation unit 132 is a model that is generated based on information about the store opening 60, and when information about the store opening 70 is input, a score indicating a correlation between the store closing 60 and the store opening 70 is obtained. Generate output model.
生成部１３２は、所定の商取引サイトにおける退店者６０に対するユーザからの評価に関する情報に基づいてモデルを生成する。例えば、生成部１３２は、退店者６０が出店したストアもしくは商品に対するユーザからのレビューに含まれる単語と、出店者７０が出店したストアもしくは商品に対するユーザからのレビューに含まれる単語との相関性に基づいてスコアを出力するモデルを生成してもよい。 The production | generation part 132 produces | generates a model based on the information regarding the evaluation from the user with respect to the shopkeeper 60 in a predetermined | prescribed commercial transaction site. For example, the generation unit 132 correlates a word included in a review from a user for a store or a product opened by the store 60 and a word included in a review from the user for a store or a product opened by the store 70. A model that outputs a score based on the above may be generated.
また、生成部１３２は、所定の商取引サイトにおける退店者６０の事業者としての属性情報に基づいてモデルを生成してもよい。例えば、生成部１３２は、退店者６０の事業者としての法人格と出店者７０の事業者としての法人格、又は、退店者６０の事業者としての業種と出店者７０の事業者としての業種との相関性に基づいてスコアを出力するモデルを生成してもよい。 Moreover, the production | generation part 132 may produce | generate a model based on the attribute information as a company of the storekeeper 60 in a predetermined | prescribed commercial transaction site. For example, the generation unit 132 may have a legal personality as the business operator of the store opening 60 and a corporate personality as the business operator of the store opening 70, or a business type as the business operator of the closing store 60 and a business type as the business operator of the store opening 70. A model that outputs a score may be generated based on the correlation with the.
上記のように、生成部１３２は、取得部１３１によって取得された退店者６０に関する各情報を素性とし、正解データである退店者６０を当てるためのモデルを生成する。具体的には、生成部１３２は、素性となる退店者６０に関する各情報のうち、どのような情報にどのような重みが与えられるかを回帰的に学習させたモデルを生成する。言い換えれば、生成部１３２は、正解データとして取得された退店者６０に関する各情報のうち、いずれの情報が「退店」という不芳な結果をもたらすのに影響を与えるか、といったことを示すモデルを生成する。 As described above, the generation unit 132 uses each piece of information regarding the store exit 60 acquired by the acquisition unit 131 as a feature, and generates a model for guessing the store exit 60 that is correct data. Specifically, the generation unit 132 generates a model that recursively learns what kind of information is given what weight among each piece of information regarding the store 60 that becomes the feature. In other words, the generation unit 132 indicates which of the pieces of information related to the store exit 60 acquired as correct answer data has an influence on an unfavorable result of “store exit”. Generate a model.
以下に、生成部１３２が生成するモデルの一例を示す。なお、生成部１３２が生成するモデルは以下のものに限られず、退店者６０に関する情報に基づいて生成されるモデルであって、出店者７０に関する情報が入力された場合に、退店者６０と出店者７０との相関性を示すスコアを出力するモデルであれば、どのようなモデルであってもよい。 Below, an example of the model which the production | generation part 132 produces | generates is shown. Note that the model generated by the generation unit 132 is not limited to the following model, and is a model generated based on information about the store opening 60, and when the information about the store opening 70 is input, the store closing 60 Any model may be used as long as it is a model that outputs a score indicating the correlation between the shop and the store 70.
例えば、生成部１３２は、退店者６０が現時点において退店に至ったことを示す結果情報を機械学習における目的変数とする。そして、生成部１３２は、退店者６０が出店していた間に取得された退店者６０に関する各情報を説明変数（素性）とする。そして、生成部１３２は、目的変数と説明変数とを用いて、退店者６０に関するモデルを生成する。生成部１３２は、種々の説明変数を用いてモデルを生成する。例えば、生成部１３２は、素性情報記憶部１２２に記憶されているあらゆる情報を説明変数として用いることができる。 For example, the generation unit 132 sets the result information indicating that the store exit 60 has ended at the present time as an objective variable in machine learning. And the production | generation part 132 makes each information regarding the store exit 60 acquired while the store exit 60 opened the store an explanatory variable (feature). And the production | generation part 132 produces | generates the model regarding the shopkeeper 60 using an objective variable and an explanatory variable. The generation unit 132 generates a model using various explanatory variables. For example, the generation unit 132 can use any information stored in the feature information storage unit 122 as an explanatory variable.
例えば、生成部１３２は、退店者６０が退店しているか否かという結果情報と、退店者６０に関する情報を示す式を生成する。さらに、生成部１３２は、退店者６０に関する個々の情報が、退店者６０が退店に至ったという結果の事象に対して、どのような重みを有するかを学習して算出する。これにより、生成部１３２は、退店という事象に対して、個々の情報がどのくらい寄与するのかといった情報を得ることができる。例えば、生成部１３２は、下記式（１）を作成する。 For example, the generating unit 132 generates a result information indicating whether or not the store 60 has left the store and an expression indicating information about the store 60. Furthermore, the generation unit 132 learns and calculates what weight each piece of information about the store closing person 60 has for the event that the store closing person 60 has left the store. Thereby, the production | generation part 132 can obtain the information of how much each information contributes with respect to the phenomenon of leaving a store. For example, the generation unit 132 creates the following formula (1).
ｙ ＝ ω１・ｘ１ ＋ ω２・ｘ２ ＋ ω３・ｘ３ ・・・＋ ωＮ・ｘＮ ・・・（１）（Ｎは任意の数） y = ω 1 · x 1 + ω 2 · x 2 + ω 3 · x 3 ... + ω N · x N (1) (N is an arbitrary number)
上記式（１）は、例えば、個々の退店者６０ごとに作成される。上記式（１）において、「ｙ」は、「退店者６０が商取引サイトにおいて出店する権利を失ったか否か（退店したか否か）」という事象を示す。学習において、退店者６０を正解データとするのであれば、「ｙ」は「１」の値を取る。また、学習において、現時点では退店していない出店者７０を正解データとするのであれば、「ｙ」は「０」の値を取る。なお、実施形態のように、退店の判定がストアアカウントごとに行われるのであれば、「ｙ」に代入される値は、ストアアカウントごとの退店の結果が対応する。 The above formula (1) is created for each individual store exit 60, for example. In the above formula (1), “y” indicates an event “whether or not the store 60 has lost the right to open a store on the commerce site (whether or not it has left)”. In learning, if the store exit 60 is to be correct data, “y” takes a value of “1”. In addition, in learning, if the store 70 who has not left the store at the present time is used as correct answer data, “y” takes a value of “0”. Note that, as in the embodiment, if the determination of the store exit is performed for each store account, the value substituted for “y” corresponds to the store exit result for each store account.
また、上記式（１）において、「ｘ」は、退店者６０に関する情報（素性）である各説明変数に対応する。また、上記式（１）において、「ω」は、「ｘ」の係数であり、所定の重み値を示す。具体的には、「ω１」は、「ｘ１」の重み値であり、「ω２」は、「ｘ２」の重み値であり、「ω３」は、「ｘ３」の重み値である。このように、上記式（１）は、退店者６０に関する情報から抽出された特徴情報に対応する説明変数「ｘ」と、所定の重み値「ω」とを含む変数（例えば、「ω１・ｘ１」）を組合せることにより作成される。 In the above formula (1), “x” corresponds to each explanatory variable that is information (features) about the shopkeeper 60. In the above formula (1), “ω” is a coefficient of “x” and indicates a predetermined weight value. Specifically, “ω 1 ” is a weight value of “x 1 ”, “ω 2 ” is a weight value of “x 2 ”, and “ω 3 ” is a weight value of “x 3 ”. It is. Thus, the above equation (1) is a variable (for example, “ω 1 ” including the explanatory variable “x” corresponding to the feature information extracted from the information related to the shopkeeper 60 and the predetermined weight value “ω”. -X1 " ) is created by combining.
例えば、上記式（１）において、仮に、「ｘ１」は、「（退店者６０が有する）ストアアカウントＡ０１におけるストア評点」であるとする。また、「ｘ２」は、「退店者６０の法人格」であるとする。また、「ｘ３」は、「（退店者６０が有する）ストアアカウントＡ０１におけるストアへのレビュー数」であるとする。この場合、退店者６０に対応する上記式（１）は、以下の式（２）のように表すことができる。 For example, in the above formula (1), suppose that “x 1 ” is “a store score in the store account A01 (which the store exit 60 has)”. Further, “x 2 ” is assumed to be “corporate personality of the store exit 60”. Further, “x 3 ” is assumed to be “the number of reviews to the store in the store account A01 (which the store 60 has)”. In this case, the above formula (1) corresponding to the store exit 60 can be expressed as the following formula (2).
ｙ（退店者６０）（＝１） ＝ ω１・（ストアアカウントＡ０１におけるストア評点（＝３．４）） ＋ ω２・（法人格（＝個人事業主）） ＋ ω３・（ストアアカウントＡ０１におけるストアへのレビュー数（＝２０））） ＋ ωＮ・ｘＮ ・・・（２） y (store 60) (= 1) = ω 1 · (store score in store account A01 (= 3.4)) + ω 2 · (corporate personality (= individual business owner)) + ω 3 · (store account A01 Number of reviews for the store (= 20))) + ω N · x N (2)
生成部１３２は、上記式（２）のように、退店者６０ごと、より具体的には退店者６０が有するストアアカウントごとに式を生成する。そして、生成部１３２は、生成した式を機械学習のサンプルとする。そして、生成部１３２は、サンプルとなる式の演算処理（回帰学習）を行うことにより、所定の重み値「ω」に対応する値を導出する。すなわち、生成部１３２は、上記式（２）を満たすような所定の重み値「ω」を決定する。言い換えれば、生成部１３２は、所定の説明変数が目的変数「ｙ」に与える影響を示す重み値「ω」を決定することができる。例えば、「退店」という事象に対して、「法人格」が他の変数と比較して大きく寄与しているのであれば、「法人格」に対応する重み値「ω２」の値は、他の変数と比較して大きな値が算出される。 The generating unit 132 generates an expression for each store account 60, more specifically, for each store account of the store exit 60, as in the above formula (2). Then, the generation unit 132 sets the generated expression as a machine learning sample. Then, the generation unit 132 derives a value corresponding to the predetermined weight value “ω” by performing calculation processing (regression learning) of a sample expression. That is, the generation unit 132 determines a predetermined weight value “ω” that satisfies the above equation (2). In other words, the generation unit 132 can determine the weight value “ω” indicating the influence of the predetermined explanatory variable on the objective variable “y”. For example, if “corporate personality” contributes significantly to the event “exit” compared to other variables, the value of the weight value “ω 2 ” corresponding to “corporate personality” A large value is calculated in comparison with the variable.
なお、上記の例では、ストア評点やレビュー数を数値として示したが、これらの数値は、所定の設定により、説明変数として用いられるように変換されてもよい。例えば、生成部１３２は、既知の手法により、これらの数値を正規化して用いてもよい。あるいは、生成部１３２は、例えば、ストア評点を「高」「中」「低」と三段階に分け、それぞれを説明変数として用いてもよい。この場合、例えば、生成部１３２は、ストア評点が「低」であるという説明変数が、目的変数（＝退店）に与える重み値を算出することができる。具体的には、生成部１３２は、学習の結果として、ストア評点が低い出店者ほど、退店に至る可能性が高いことを学習することができる。 In the above example, the store score and the number of reviews are shown as numerical values. However, these numerical values may be converted to be used as explanatory variables by a predetermined setting. For example, the generation unit 132 may normalize and use these numerical values by a known method. Alternatively, for example, the generation unit 132 may divide the store score into three stages of “high”, “medium”, and “low”, and use each as an explanatory variable. In this case, for example, the generation unit 132 can calculate the weight value given to the objective variable (= store opening) by the explanatory variable that the store score is “low”. Specifically, as a result of learning, the generation unit 132 can learn that a store opening person with a lower store score has a higher possibility of closing a store.
上記のようにして、生成部１３２は、商取引サイトにおいて出店していた事業者が「退店」に至るという傾向と、その事業者に関する情報（素性）との関連性を求めるためのモデルを生成する。すなわち、生成部１３２は、生成したモデルに、処理対象とする出店者７０の情報を入力した場合に、それらの情報が「退店」という事象、言い換えれば退店者６０にどのくらい類似した傾向を有するか、といった関連性を示すスコアを出力することができる。なお、上記式（２）を用いた算出処理では、左辺を「１」や「０」そのものとするのではなく、所定の誤差を想定し、かかる誤差との差異を２乗した値が最小値となるよう近似する最小二乗法などの手法を用いて、「ω」の最適解を算出してもよい。 As described above, the generation unit 132 generates a model for determining the relevance between the tendency that a business that has opened a store on a commercial transaction site reaches “store exit” and the information (feature) about the business. To do. That is, when the information of the store opening 70 to be processed is input to the generated model, the generating unit 132 shows a tendency that the information is “exit”, in other words, how similar to the store closing 60. It is possible to output a score indicating the relevance such as having. In the calculation process using the above equation (2), the left side is not set to “1” or “0” itself, but a predetermined error is assumed, and a value obtained by squaring the difference from the error is a minimum value. The optimal solution of “ω” may be calculated using a method such as a least square method that approximates to
また、上記の例では表記を省略したが、生成部１３２は、退店者６０に関するあらゆる素性を用いてモデルを生成してもよい。例えば、生成部１３２は、退店者６０に対してユーザから投稿されたあらゆる単語を説明変数としてモデルを生成してもよい。これにより、生成部１３２は、例えば、レビューに「偽物」や「海外」や「かかる」が含まれているストアは退店する傾向が高く、レビューに「梱包」や「配送」や「迅速」が含まれているストアは退店する傾向が低いといった傾向を見出すようなモデルを生成できる場合がある。このことは、処理対象となる出店者７０に対するユーザからの評価に「偽物」という単語が含まれている場合、当該出店者７０が、将来的に退店する可能性が高いことを意味する。すなわち、「偽物」という単語は、「退店」という結果に対して（退店者６０との相関性を求める素性として）重みが重い要素であるといえる。 Although the notation is omitted in the above example, the generation unit 132 may generate a model using all the features related to the store exit 60. For example, the generation unit 132 may generate a model using any word posted from the user to the store clerk 60 as an explanatory variable. Thereby, for example, the generation unit 132 has a high tendency to leave a store where “fake”, “overseas”, and “taken” are included in the review, and “packing”, “delivery”, and “rapid” are included in the review. There may be a case where a model that finds a tendency that a store that contains “has a low tendency to leave” may be generated. This means that, when the word “fake” is included in the evaluation from the user for the store 70 to be processed, the store 70 is likely to leave the store in the future. In other words, it can be said that the word “fake” is an element having a heavy weight (as a feature for obtaining the correlation with the store exit 60) for the result of “exit”.
なお、生成部１３２は、単語を素性として用いる場合には、単語の出現数を加味してもよい。例えば、生成部１３２は、所定の単語に対して算出した重みについて、単語が出現する回数に応じて、さらに所定の割合を乗じるような調整を行ってもよい。これにより、生成部１３２は、退店者６０との相関性を強く示す単語が頻繁に出現する出店者７０については、より退店者６０との相関性を強く示すスコアを出力するようなモデルを生成することができる。また、生成部１３２は、所定のドキュメント（ユーザから投稿された１つのレビューや、商品に対する一つのレビューなど）におけるｔｆ−ｉｄｆ等の重みを利用して、所定の単語に対して算出した重みについて、さらに所定の割合を乗じるような調整を行ってもよい。 In addition, the generation part 132 may consider the appearance number of a word, when using a word as a feature. For example, the generation unit 132 may perform an adjustment such that the weight calculated for a predetermined word is further multiplied by a predetermined ratio according to the number of times the word appears. As a result, the generation unit 132 outputs a score indicating a stronger correlation with the store closing person 60 for the store opening person 70 in which a word indicating a strong correlation with the store closing person 60 frequently appears. Can be generated. Further, the generation unit 132 uses a weight such as tf-idf in a predetermined document (one review submitted by a user, one review for a product, etc.) for a weight calculated for a predetermined word. Further, an adjustment may be made such that a predetermined ratio is multiplied.
また、かかる学習を経て、生成部１３２は、例えば法人格のうち「個人事業主」は退店の可能性が高く、「株式会社」や「財団法人」は退店の可能性が低い、といった傾向を導出することができる場合がある。この場合も、「個人事業主」という属性が、「退店」という結果に対して、「株式会社」や「財団法人」といった属性に対して重みが重いといえる。 In addition, after such learning, the generation unit 132 tends to indicate that, for example, “individual business owners” among corporations have a high possibility of leaving, and “corporations” and “foundations” have a low possibility of leaving. May be derived. Also in this case, it can be said that the attribute “individual business owner” has a higher weight than the attribute “corporation” or “foundation” with respect to the result of “leaving the store”.
なお、生成部１３２は、さらに種々の情報を加味してモデルを生成してもよい。例えば、生成部１３２は、上記のように退店者６０のモデルを生成する場合に、既知のモデルから算出される信用度を含めてもよい。 Note that the generation unit 132 may generate a model in consideration of various information. For example, the generation unit 132 may include a credit calculated from a known model when generating the model of the store exit 60 as described above.
一例として、生成部１３２は、既存モデルとして、既知の任意の企業評価モデルを用いてもよい。例えば、財務情報に基づいて事業者の倒産確率を示すスコアを求める企業評価モデルとして、アルトマン（Edward Altman）のＺ値等が広く知られている。生成部１３２は、このような既存モデルを用いて、事業者の倒産確率（実施形態では、「出店者が商取引サイトから退店する確率」と読み替えてもよい）を示すスコアを説明変数の１つとして、上記モデルに組み込んでもよい。
As an example, the generation unit 132 may use any known company evaluation model as the existing model. For example, the Alt value (Edward Altman) Z value and the like are widely known as a company evaluation model for obtaining a score indicating the probability of bankruptcy of an operator based on financial information. Using such an existing model, the generation unit 132 uses a score indicating the bankruptcy probability of the business operator (in the embodiment, it may be read as “probability that the store opens from the commercial transaction site”) as an
なお、例示したモデルは一例であり、生成部１３２が生成するモデルは上記の例に限られない。すなわち、生成部１３２は、退店者６０に関する情報に基づいて生成されるモデルであって、出店者７０に関する情報が入力された場合に、退店者６０と出店者７０との相関性を示すスコアを出力するモデルであれば、既知の手法を組み合わせることによって、上記例とは異なるモデルを適宜生成してもよい。例えば、上記の例では、回帰分析によってモデルを生成する例を示したが、生成部１３２は、他の統計的処理によりモデルを生成してもよいし、また、ニューラルネットワークを利用したモデル等を生成してもよい。 The model illustrated is an example, and the model generated by the generation unit 132 is not limited to the above example. That is, the generation unit 132 is a model that is generated based on information related to the store opening 60, and shows the correlation between the store closing 60 and the store opening 70 when information related to the store opening 70 is input. If it is a model that outputs a score, a model different from the above example may be appropriately generated by combining known methods. For example, in the above example, an example in which a model is generated by regression analysis has been shown. However, the generation unit 132 may generate a model by other statistical processing, or a model using a neural network or the like. It may be generated.
また、生成部１３２は、退店理由の種別ごとに正解データを区別してもよい。一般に、自主的な都合で退店した退店者６０と比較して、ウェブサーバ３０側から強制的に退店させられた退店者６０は、より信用度が低い事業者と想定される。このため、生成部１３２は、例えば正解データとする退店者６０を「強制退店」させられたストアアカウントのみに絞ったモデルを生成してもよい。あるいは、生成部１３２は、正解データとする退店者６０を「（自主都合の）退店」や「休店」のストアアカウントのみに絞ったモデルを生成してもよい。これにより、生成部１３２は、出店者７０が、単に「退店」すると予測される事業者であるか、あるいは「強制退店」させられる可能性の高い事業者であるかといったことを示すスコアを出力するモデルを別に生成することができる。すなわち、生成部１３２は、生成する正解データや素性を使い分けて別のモデルを生成することにより、ある事象（単に退店するか、強制退店させられるか）を示すスコアを出力する精度を向上させたモデルを生成することができる。
Moreover, the production | generation part 132 may distinguish correct data for every classification of reason for leaving a store. Generally, compared to the store exit 60 that has exited due to voluntary circumstances, the store exit 60 that is forcibly exited from the
（受付部１３３について）
受付部１３３は、出店者７０の信用度に関する要求を受け付ける。具体的には、実施形態に係る受付部１３３は、融資を行おうとする金融機関等の情報処理端末から、出店者７０の信用度を算出する旨の要求を受け付ける。受付部１３３は、要求を受け付けたことを契機として、処理対象となる出店者７０に関する情報を取得部１３１に取得させてもよい。例えば、受付部１３３は、出店者７０のストアに対するユーザからの評価や、出店者７０の属性情報等を取得させる。そして、受付部１３３は、受け付けた情報を生成部１３２や算出部１３４に送る。
(About the reception unit 133)
The accepting unit 133 accepts a request related to the creditworthiness of the shopkeeper 70. Specifically, the accepting unit 133 according to the embodiment accepts a request for calculating the creditworthiness of the shopkeeper 70 from an information processing terminal such as a financial institution that intends to provide a loan. The accepting unit 133 may cause the obtaining unit 131 to obtain information on the store seller 70 to be processed, triggered by accepting the request. For example, the reception unit 133 causes the user's evaluation of the store 70 to store, the attribute information of the store 70, and the like. Then, the reception unit 133 sends the received information to the generation unit 132 and the calculation unit 134.
（算出部１３４について）
算出部１３４は、取得部１３１によって取得された退店者６０に関する情報に基づいて、所定の商取引サイトに出店する出店者７０に対する信用度を算出する。例えば、算出部１３４は、生成部１３２によって生成されたモデルから出力されたスコアに基づいて、出店者７０の信用度を算出する。
(About the calculation unit 134)
The calculation unit 134 calculates the credit rating of the store opening person 70 who opens a store on a predetermined commercial transaction site based on the information regarding the store closing person 60 acquired by the acquiring unit 131. For example, the calculation unit 134 calculates the creditworthiness of the store seller 70 based on the score output from the model generated by the generation unit 132.
具体的には、算出部１３４は、生成部１３２が生成したモデルに処理対象とする出店者７０に関する情報を入力することにより、出力される処理対象である出店者７０のスコアを取得する。出力されたスコアは、処理対象である出店者７０と退店者６０との相関性を示す。例えば、処理対象である出店者７０と退店者６０との相関性が高いという事象は、当該出店者７０が、退店する可能性が高いことを示している。算出部１３４は、かかるスコアに基づいて、出店者７０の信用度を算出する。算出部１３４は、出力されたスコアそのものを出店者７０の信用度としてもよいし、出力されたスコアを正規化する等の処理を行い、処理後に算出された値を出店者７０の信用度としてもよい。例えば、算出部１３４は、モデルから出力されたスコアを１００段階の数値に正規化する処理を行い、処理後に算出された１から１００までの値を出店者７０の信用度としてもよい。 Specifically, the calculation unit 134 acquires the score of the store opening 70 that is the processing target to be output by inputting information on the store opening 70 to be processed into the model generated by the generation unit 132. The output score indicates the correlation between the store opening person 70 and the shop closing person 60 to be processed. For example, an event that the correlation between the store opening person 70 and the store opening person 60 to be processed is high indicates that the shop opening person 70 is highly likely to leave the store. The calculation unit 134 calculates the creditworthiness of the shopkeeper 70 based on the score. The calculating unit 134 may use the output score itself as the creditworthiness of the storekeeper 70, or may perform processing such as normalizing the output score, and may use the value calculated after the processing as the creditworthiness of the storekeeper 70. . For example, the calculation unit 134 may perform a process of normalizing the score output from the model to a numerical value of 100 levels, and the value from 1 to 100 calculated after the process may be used as the creditworthiness of the store seller 70.
なお、算出部１３４は、必ずしも生成部１３２が生成したモデルを用いて出店者７０の信用度を算出しなくてもよい。例えば、算出部１３４は、出店者７０に対するユーザからの評価に関する情報と、退店者６０に対するユーザからの評価に関する情報とを統計的に比較し、比較した情報に基づいて出店者７０の信用度を算出してもよい。 Note that the calculation unit 134 does not necessarily have to calculate the creditworthiness of the shopkeeper 70 using the model generated by the generation unit 132. For example, the calculation unit 134 statistically compares the information about the evaluation of the store opening 70 from the user with the information about the evaluation of the closing store 60 from the user, and determines the creditworthiness of the store opening 70 based on the compared information. It may be calculated.
（判定部１３５について）
判定部１３５は、算出部１３４によって算出された信用度に基づいて、出店者７０に対する融資条件を判定する。例えば、判定部１３５は、算出部１３４によって算出された信用度が融資条件記憶部１２８に保持された条件のいずれに該当するかを判定し、出店者７０に対する融資条件を判定する。
(About determination unit 135)
The determination unit 135 determines the loan conditions for the store opening person 70 based on the trustworthiness calculated by the calculation unit 134. For example, the determination unit 135 determines which of the conditions held in the loan
判定部１３５は、判定した融資条件を出店者７０に対して通知してもよい。また、判定部１３５は、出店者７０と出店者７０に対して判定した融資条件とを対応付けた情報を金融機関等に通知してもよい。 The determination unit 135 may notify the storekeeper 70 of the determined loan conditions. Further, the determination unit 135 may notify the financial institution or the like of information that associates the store opening 70 with the loan conditions determined for the store opening 70.
〔４．処理手順〕
次に、図１１を用いて、実施形態に係る算出装置１００による生成処理の手順について説明する。図１１は、実施形態に係る算出装置１００による生成処理手順を示すフローチャートである。
[4. Processing procedure)
Next, a generation process procedure performed by the
図１１に示すように、取得部１３１は、ウェブサーバ３０から退店者６０に関する情報を取得する（ステップＳ１０１）。そして、生成部１３２は、取得部１３１によって取得された情報に基づいて、出店者７０に関する情報が入力された場合に、退店者６０と出店者７０との相関性を示すスコアを出力するモデルを生成する（ステップＳ１０２）。生成部１３２は、生成したモデルをモデル記憶部１２７に格納する（ステップＳ１０３）。 As illustrated in FIG. 11, the acquisition unit 131 acquires information regarding the store exit 60 from the web server 30 (step S101). And the production | generation part 132 is based on the information acquired by the acquisition part 131, and the model which outputs the score which shows the correlation with the store opening person 60 and the shop opening person 70, when the information regarding the shop opening person 70 is input. Is generated (step S102). The generation unit 132 stores the generated model in the model storage unit 127 (step S103).
次に、図１２を用いて、実施形態に係る算出装置１００による算出処理の手順について説明する。図１２は、実施形態に係る算出装置１００による算出処理手順を示すフローチャートである。
Next, the procedure of the calculation process performed by the
図１２に示すように、受付部１３３によって信用度算出の要求が受け付けられた場合には、取得部１３１は、処理対象とする出店者７０に関する情報を取得したか否かを判定する（ステップＳ２０１）。取得部１３１は、情報を取得していない場合には、取得するまで待機する（ステップＳ２０１；Ｎｏ）。 As illustrated in FIG. 12, when the request for the credit calculation is received by the reception unit 133, the acquisition unit 131 determines whether or not the information regarding the shopkeeper 70 to be processed has been acquired (Step S <b> 201). . If the acquisition unit 131 has not acquired information, the acquisition unit 131 waits until acquisition (step S201; No).
一方、出店者７０に関する情報を取得した場合には（ステップＳ２０１；Ｙｅｓ）、算出部１３４は、取得した出店者７０に関する情報を生成部１３２が生成したモデルに入力する（ステップＳ２０２）。 On the other hand, when the information regarding the store opening 70 is acquired (step S201; Yes), the calculation unit 134 inputs the acquired information regarding the store opening 70 into the model generated by the generation unit 132 (step S202).
そして、算出部１３４は、処理対象とする出店者７０と、退店者６０との相関性を示すスコアを出力させる（ステップＳ２０３）。さらに、算出部１３４は、出力させたスコアに基づいて出店者７０の信用度を算出する（ステップＳ２０４）。判定部１３５は、算出された信用度に基づいて出店者７０に対する融資条件を判定する（ステップＳ２０５）。 And the calculation part 134 outputs the score which shows the correlation with the store opening person 70 made into a process target, and the store closing person 60 (step S203). Furthermore, the calculation unit 134 calculates the creditworthiness of the store seller 70 based on the output score (step S204). The determination unit 135 determines the loan conditions for the shopkeeper 70 based on the calculated creditworthiness (step S205).
〔５．変形例〕
上述した実施形態に係る算出装置１００は、上記実施形態以外にも種々の異なる形態にて実施されてよい。そこで、以下では、上記の算出装置１００の他の実施形態について説明する。
[5. (Modification)
The
〔５−１．共起する単語〕
上記実施形態では、算出装置１００は、素性として単語を用いる例を示した。かかる例において、算出装置１００は、１つの単語を素性とするのではなく、ある単語と、当該単語と共起する単語とのペアを素性として用いてもよい。
[5-1. (Co-occurring words)
In the above embodiment, the
例えば、ユーザからのレビューにおいて、「梱包」という単語が出現する場合には、「梱包」と「丁寧」という単語が共起して用いられる場合と、「梱包」と「雑」という単語が共起して用いられる場合とでは、ユーザの評価に隔たりがあると想定される。このため、算出装置１００は、所定の単語に関して共起する組み合わせを予め設定し、設定した単語の組合せを素性として用いるようにしてもよい。
For example, when the word “packing” appears in a review from the user, the words “packing” and “poor” are used together, and the words “packing” and “miscellaneous” are used together. It is assumed that there is a gap in the user's evaluation from the case where it is used. For this reason, the
なお、算出装置１００は、共起する単語の組み合わせについて、予め設定されたデータを記憶してもよいし、学習処理によって組み合わせとする単語のペアを抽出するようにしてもよい。これにより、算出装置１００は、ユーザからの評価をより精度高く反映させた信用度の算出処理を行うことができる。
Note that the
〔５−２．モデルに入力するデータ〕
上述した実施形態において、算出装置１００は、出店者７０に関する情報を入力して、退店者６０との相関性を示すスコアを算出する例を示した。ここで、算出装置１００は、モデルを生成するために用いられた退店者６０の情報と、モデルに入力される出店者７０の情報との取得時期を対応させるようにしてもよい。
[5-2. Data to be input to model)
In embodiment mentioned above, the
算出装置１００が取得する情報は、ショッピングモール等の商取引サイトにおける情報であるため、時期的影響を受けた情報となる可能性がある。例えば、年末など取引が盛んに行われる時期と、それ以外の時期とでは、ストアごとの売上件数や売上金額に差が生じる可能性がある。このため、算出装置１００は、モデルを生成するために情報を取得した時期を記憶しておく。そして、算出装置１００は、処理対象となる出店者７０の情報を入力する場合には、モデルの生成に用いられた情報が取得された時期と類似する時期に取得された情報を入力する。これにより、算出装置１００は、出力されるスコアの時期的影響を加味した算出処理を行うことができる。
Since the information acquired by the
〔５−３．情報量〕
上記実施形態において、算出装置１００は、ネットワーク上で取得可能な種々の情報に基づいて、モデルを生成する例を示した。ここで、算出装置１００は、各種ウェブサイトを利用する一般ユーザから取得される情報が一定の閾値を超えたもののみを用いて処理を行うようにしてもよい。
[5-3. Amount of information)
In the above embodiment, the
例えば、あるストアにおける商品に関するレビューや、ユーザの評価等は、一定数以上のデータに基づかない場合、偏った傾向を示すことがありうる。この場合、回帰式に偏った傾向のデータの影響が及ぶため、算出装置１００は、出店者７０の信用度を精度よく算出することができないモデルを生成する場合がある。このため、算出装置１００は、所定のストアアカウントに対して、ユーザから送信された評点やレビューの総数が一定数を超えたもののみを、モデルの算出処理で扱うデータとすることができる。これにより、算出装置１００は、信頼性の高いスコアを出力するモデルを生成することができる。
For example, reviews regarding products in a certain store, user evaluations, and the like may show a biased tendency if they are not based on a certain number or more of data. In this case, since the influence of the biased data tends to be applied to the regression equation, the
〔５−４．補正〕
算出装置１００は、現実の経済状態によって、出力されるスコアに補正をかけることのできるモデルを生成してもよい。例えば、算出装置１００は、円高傾向のときに経営状態が良くなる出店者７０と、影響のない出店者７０と、経営状態が悪化する出店者７０とを分類する。そして、算出装置１００は、モデルを生成する際には、所定期間における円の価値の動向についても素性とすることにより、円の価値の動向が加味されて補正されたスコアを出力させるモデルを生成する。算出装置１００は、例えば、長期的に退店者６０及び出店者７０の情報を取得し、円の価値の動向などとの連動性に関する情報を蓄積することにより、このような補正情報をモデルに反映させる。
[5-4. correction〕
The
〔５−５．情報のバリエーション〕
上記実施形態において、算出装置１００は、素性情報記憶部１２２に記憶される各種情報を用いて処理を行う例を示した。ここで、算出装置１００が扱う情報のバリエーションに関して、より詳細に説明する。
[5-5. Information variations)
In the above-described embodiment, the
例えば、算出装置１００は、単語情報テーブル１２６に記憶される単語に関して、さらに詳細な情報を取得してもよい。例えば、算出装置１００は、取得された単語を形態素解析し、品詞ごとに集計された情報を取得してもよい。具体的には、算出装置１００は、名詞のカテゴリを人、物、場所等へ分類した集計結果を取得する。また、算出装置１００は、各単語がポジティブ属性を有するか、ネガティブ属性を有するかといった分類結果や、メッセージが対話形式である場合、かかる対話の意図判定などの判定結果を取得することができる。
For example, the
また、算出装置１００は、ユーザから送信される音声情報を、メッセージとして取得してもよい。すなわち、算出装置１００は、音声検索や音声入力などを利用するユーザから送信される音声を音声認識することにより、単語を含むテキスト情報として取得してもよい。
Moreover, the
また、算出装置１００は、取得された単語に関して、特定の品詞のみを抽出してもよい。例えば、算出装置１００は、名詞や形容詞など、退店者６０及び出店者７０の状況を端的に表すことのできる品詞を処理に用いてもよい。これにより、算出装置１００は、スコア算出の精度を低下させずに、処理負担を軽減させることができる。
Moreover, the
また、算出装置１００は、予め登録された単語のみをスコア算出の処理に用いてもよい。例えば、算出装置１００は、「良い」や、「悪い」等といった、退店者６０及び出店者７０への評価を端的に表すことのできる単語を処理に用いてもよい。かかる登録は、例えば、算出装置１００の管理者により行われる。
Moreover, the
また、算出装置１００は、単語を品詞として分類する他に、所定のカテゴリ毎に分類してもよい。例えば、算出装置１００は、「人名」や、「場所」や、「金額」といったカテゴリを予め登録し、かかるカテゴリに該当する単語に関する情報を処理に用いてもよい。
In addition to classifying words as parts of speech, the
〔５−６．アカウント別の処理〕
上記実施形態において、算出装置１００が、退店者６０に関する情報に基づいてモデルを生成することを示した。このとき、算出装置１００は、ストアアカウントごとの情報を用いてモデルを生成してもよい。
[5-6. (Process by account)
In the said embodiment, it showed that the
例えば、退店者６０は複数のストアアカウントを有する場合があるが、そのうちの一つが強制退店になったとしても、それまで他のストアは正常に営業を行っていた可能性がある。この場合、当該退店者６０に関する全てのストアアカウントを「強制退店」したストアアカウントとして取り扱うと、正常なストアアカウントに関する情報も「強制退店」したストアアカウント、すなわち正解データとして扱われるため、モデルの精度が低下するおそれがある。 For example, the store exit 60 may have a plurality of store accounts, but even if one of them is forcibly closed, other stores may have been operating normally. In this case, if all store accounts related to the store 60 are handled as store accounts that have been “forced to leave”, information about normal store accounts is also handled as store accounts that have been “forced to leave”, that is, correct data. The accuracy of the model may be reduced.
そこで、算出装置１００は、所定の商取引サイトにおいて退店者６０が複数のストアアカウントを有する場合、ストアアカウントごとに所定の商取引サイトにおける退店者６０に関する情報を取得する。そして、算出装置１００は、退店者６０が有するストアアカウントのうち、所定の条件に適合するアカウントを正解データとして学習することによってモデルを生成する。具体的には、算出装置１００は、所定の退店者６０が有する一つのストアアカウントが強制退店されたことにより、残り全てのストアアカウントが退店扱いになったとしても、モデル生成に用いる情報については、実際に強制退店の原因となったストアアカウントのみを用いる。これにより、算出装置１００は、退店者６０との相関性を求める際の精度を低下させないモデルを生成することができる。
Therefore, when the store exit 60 has a plurality of store accounts in a predetermined commercial transaction site, the
〔６．その他〕
また、上記実施形態において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。
[6. Others]
In addition, among the processes described in the above embodiment, all or part of the processes described as being automatically performed can be performed manually, or the processes described as being performed manually can be performed. All or a part can be automatically performed by a known method. In addition, the processing procedures, specific names, and information including various data and parameters shown in the document and drawings can be arbitrarily changed unless otherwise specified.
また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。 Further, each component of each illustrated apparatus is functionally conceptual, and does not necessarily need to be physically configured as illustrated. In other words, the specific form of distribution / integration of each device is not limited to that shown in the figure, and all or a part thereof may be functionally or physically distributed or arbitrarily distributed in arbitrary units according to various loads or usage conditions. Can be integrated and configured.
例えば、図３に示した記憶部１２０内の情報は、算出装置１００が保持せずに、外部のストレージサーバ等に保持されてもよい。この場合、算出装置１００は、ストレージサーバにアクセスすることで、格納されている各種情報を取得する。
For example, the information in the
また、例えば、上述してきた算出装置１００は、各種情報を取得したり、事業者の信用度の算出要求を受け付けたりといった、外部装置とのやりとりを主に実行するフロントエンドサーバ側と、生成処理や算出処理などを実行するバックエンドサーバ側とに分散されてもよい。この場合、例えば、フロントエンドサーバは、少なくとも、取得部１３１を有する。また、バックエンドサーバは、少なくとも、算出部１３４を有する。
In addition, for example, the
〔７．ハードウェア構成〕
また、上述してきた実施形態に係る算出装置１００は、例えば図１３に示すような構成のコンピュータ１０００によって実現される。図１３は、算出装置１００の機能を実現するコンピュータ１０００の一例を示すハードウェア構成図である。コンピュータ１０００は、ＣＰＵ１１００、ＲＡＭ１２００、ＲＯＭ１３００、ＨＤＤ１４００、通信インターフェイス（Ｉ／Ｆ）１５００、入出力インターフェイス（Ｉ／Ｆ）１６００、及びメディアインターフェイス（Ｉ／Ｆ）１７００を有する。
[7. Hardware configuration)
Further, the
ＣＰＵ１１００は、ＲＯＭ１３００又はＨＤＤ１４００に格納されたプログラムに基づいて動作し、各部の制御を行う。ＲＯＭ１３００は、コンピュータ１０００の起動時にＣＰＵ１１００によって実行されるブートプログラムや、コンピュータ１０００のハードウェアに依存するプログラム等を格納する。
The
ＨＤＤ１４００は、ＣＰＵ１１００によって実行されるプログラム、及び、かかるプログラムによって使用されるデータ等を記憶する。通信インターフェイス１５００は、通信網５００（図２に示すネットワークＮに対応する）を介して他の機器からデータを受信してＣＰＵ１１００へ送り、また、通信網５００を介してＣＰＵ１１００が生成したデータを他の機器へ送信する。
The
ＣＰＵ１１００は、入出力インターフェイス１６００を介して、ディスプレイやプリンタ等の出力装置、及び、キーボードやマウス等の入力装置を制御する。ＣＰＵ１１００は、入出力インターフェイス１６００を介して、入力装置からデータを取得する。また、ＣＰＵ１１００は、入出力インターフェイス１６００を介して生成したデータを出力装置へ出力する。
The
メディアインターフェイス１７００は、記録媒体１８００に格納されたプログラム又はデータを読み取り、ＲＡＭ１２００を介してＣＰＵ１１００に提供する。ＣＰＵ１１００は、かかるプログラムを、メディアインターフェイス１７００を介して記録媒体１８００からＲＡＭ１２００上にロードし、ロードしたプログラムを実行する。記録媒体１８００は、例えばＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。
The
例えば、コンピュータ１０００が算出装置１００として機能する場合、コンピュータ１０００のＣＰＵ１１００は、ＲＡＭ１２００上にロードされたプログラムを実行することにより、制御部１３０の機能を実現する。また、ＨＤＤ１４００には、記憶部１２０内の各データが格納される。コンピュータ１０００のＣＰＵ１１００は、これらのプログラムを記録媒体１８００から読み取って実行するが、他の例として、他の装置から通信網５００を介してこれらのプログラムを取得してもよい。
For example, when the
〔８．効果〕
上述してきたように、実施形態に係る算出装置１００は、取得部１３１と、算出部１３４とを有する。取得部１３１は、ネットワーク上の所定の商取引サイトにおいて商取引を行う権利を失った退店者６０に関する情報を取得する。算出部１３４は、取得部１３１によって取得された退店者６０に関する情報に基づいて、所定の商取引サイトに出店する出店者７０に対する信用度を算出する。
[8. effect〕
As described above, the
このように、実施形態に係る算出装置１００は、事業者の信用度を計るために一般的に用いられる企業の財務情報等のみならず、ショッピングモール等の商取引サイトにおける退店者６０に関する情報に基づいて、出店者７０の信用度を算出する。すなわち、算出装置１００は、商取引サイトから退店した事業者に関する情報を不芳な情報と想定することにより、かかる情報との関連性に基づいて、当該商取引サイトに出店する出店者７０の信用度を算出する。このため、算出装置１００によれば、通常では、信頼できる財務情報や所定のホワイトリスト等に基づかなければ信用度の判定が難しい小規模な事業者である出店者７０に対しても、精度よく信用度を算出することができる。さらに、算出装置１００は、当該商取引サイトにおける退店者６０を判定基準として信用度を算出するという構成を有することで、所定の商取引サイトにおける実情に即した信用度を算出することができる。
As described above, the
また、実施形態に係る算出装置１００は、退店者６０に関する情報に基づいて生成されるモデルであって、出店者７０に関する情報が入力された場合に、退店者６０と出店者７０との相関性を示す指標値を出力するモデルを生成する生成部１３２をさらに有する。算出部１３４は、生成部１３２によって生成されたモデルから出力された指標値（スコア）に基づいて、出店者７０の信用度を算出する。
In addition, the
このように、実施形態に係る算出装置１００は、退店者６０に関する情報に基づいて生成されたモデルを利用して、処理対象とする出店者７０の信用度を算出する。これにより、算出装置１００は、効率よく出店者７０の信用度を算出することができるとともに、学習されたモデルを利用して退店者６０と出店者７０との相関性を求めることで、算出処理の精度を高めることができる。
As described above, the
また、取得部１３１は、退店者６０に関する情報として、所定の商取引サイトにおける退店者６０に対するユーザからの評価に関する情報を取得する。生成部１３２は、所定の商取引サイトにおける退店者６０に対するユーザからの評価に関する情報に基づいて、モデルを生成する。 Moreover, the acquisition part 131 acquires the information regarding the evaluation from the user with respect to the shopkeeper 60 in a predetermined | prescribed commercial transaction site as information regarding the shopkeeper 60. FIG. The production | generation part 132 produces | generates a model based on the information regarding the evaluation from the user with respect to the shopkeeper 60 in a predetermined | prescribed commercial transaction site.
このように、実施形態に係る算出装置１００は、ネットワークを介して商取引サイトを利用するユーザからの反応を取得し、取得した情報を用いてモデルを生成する。これにより、算出装置１００は、ユーザからの反応という鮮度の高いデータを用いて出店者７０の信用度を算出することができる。
As described above, the
また、取得部１３１は、退店者６０に対するユーザからの評価に関する情報として、退店者６０が出店した店舗もしくは商品に対するユーザからの反応の数、又は、退店者６０が出店した店舗もしくは商品に対してユーザが評点した評価値に関する情報を取得する。 Moreover, the acquisition part 131 is the information regarding the evaluation from the user with respect to the store 60, the number of the reactions from the user with respect to the store or product which the store 60 opened, or the store or product which the store 60 opened. The information about the evaluation value scored by the user is acquired.
このように、実施形態に係る算出装置１００は、ユーザからの反応の数や評点を取得し、算出処理に用いる。これにより、算出装置１００は、ユーザからの反応が直接的に反映された、信頼性の高いデータを用いて出店者７０の信用度を算出することができる。
As described above, the
また、取得部１３１は、退店者６０が出店した店舗もしくは商品に対するユーザからの反応の数の推移、又は、退店者６０が出店した店舗もしくは商品に対してユーザが評点した評価値の推移に関する情報を取得する。 Further, the acquisition unit 131 changes the number of reactions from the user to the store or product opened by the store 60, or the evaluation value evaluated by the user for the store or product opened by the store 60 Get information about.
このように、実施形態に係る算出装置１００は、ユーザの評価に関する情報について、その情報の推移を捉えた情報を利用して算出処理を行う。一般に、商取引サイトから退店する事業者は、徐々にユーザからの評価を低下させたり、商品売上が低下したりするような傾向を示すことが想定される。算出装置１００は、このように推移する情報を素性として処理に用いることで、出店者７０が将来的に退店するか否か、言い換えれば、当該出店者７０が信頼のおける事業者であるか否かを精度よく判定することができる。
As described above, the
また、取得部１３１は、退店者６０に対するユーザからの評価に関する情報として、退店者６０が出店した店舗もしくは商品に対するユーザからのレビューに含まれる単語を取得する。生成部１３２は、退店者６０が出店した店舗もしくは商品に対するユーザからのレビューに含まれる単語と、出店者７０が出店した店舗もしくは商品に対するユーザからのレビューに含まれる単語との相関性に基づいて指標値を出力するモデルを生成する。 Moreover, the acquisition part 131 acquires the word contained in the review from the user with respect to the store or the goods which the store closing person 60 opened as information regarding the evaluation from the user with respect to the store closing person 60. The generation unit 132 is based on the correlation between the word included in the review from the user for the store or product opened by the store 60 and the word included in the review from the user for the store or product opened by the store 70. To generate a model that outputs index values.
このように、実施形態に係る算出装置１００は、レビューに含まれる単語そのものを素性としてモデルを生成する。例えば、商取引サイトから退店する事業者に対しては、類似する傾向のあるレビュー内容がユーザから投稿される可能性がある。算出装置１００は、そのようなユーザが示す反応を単語という情報で捉えることで、レビューを受け付ける商取引サイトにおける出店者７０の信用度を精度よく算出することができる。
As described above, the
また、取得部１３１は、退店者６０に関する情報として、所定の商取引サイトにおける退店者６０の事業者としての属性情報を取得する。生成部１３２は、所定の商取引サイトにおける退店者６０の事業者としての属性情報に基づいて、モデルを生成する。 Moreover, the acquisition part 131 acquires the attribute information as a company of the storekeeper 60 in a predetermined | prescribed commercial transaction site as information regarding the storekeeper 60. FIG. The production | generation part 132 produces | generates a model based on the attribute information as a business person of the shopkeeper 60 in a predetermined | prescribed commercial transaction site.
このように、実施形態に係る算出装置１００は、事業者としての属性情報を用いてモデルを生成してもよい。これにより、算出装置１００は、処理の対象となる商取引サイトでは、どのような属性を有する事業者が退店し易いかといった情報を反映させたモデルを生成することができるため、当該商取引サイトにおける出店者７０に対して、属性情報によって示される傾向（退店のしやすさ）を反映させた信用度を算出することができる。
Thus, the
また、取得部１３１は、属性情報として、退店者６０の事業者としての法人格、又は、退店者６０の事業者としての業種を取得する。生成部１３２は、退店者６０の事業者としての法人格と出店者７０の事業者としての法人格、又は、退店者６０の事業者としての業種と出店者７０の事業者としての業種との相関性に基づいて指標値を出力するモデルを生成する。 Further, the acquisition unit 131 acquires, as attribute information, the legal entity as the business operator of the store exit 60 or the type of business as the business operator of the store exit 60. The generation unit 132 determines whether the legality of the store 60 as the business and the business as the business of the store 70 or the business as the business of the store 60 and the business as the business of the store 70. A model that outputs an index value based on the correlation is generated.
このように、実施形態に係る算出装置１００は、事業者の法人格や業種を反映させたモデルを生成してもよい。一般に、法人格や業種は商取引サイトにおける事業者の動向を示す指標となる可能性が高いため、算出装置１００は、そのような情報を加味したモデルを生成することで、信用度の算出処理の精度を向上させることができる。
As described above, the
また、取得部１３１は、所定の商取引サイトにおいて退店者６０が複数のアカウントを有する場合、アカウントごとに所定の商取引サイトにおける退店者６０に関する情報を取得する。生成部１３２は、退店者６０が有するアカウントのうち、所定の条件に適合するアカウントを正解データとして学習することによって、モデルを生成する。 Moreover, the acquisition part 131 acquires the information regarding the store exit 60 in a predetermined | prescribed commercial transaction site for every account, when the store exit 60 has a some account in a predetermined | prescribed commercial transaction site. The generation unit 132 generates a model by learning, as correct answer data, an account that satisfies a predetermined condition among accounts held by the store closing person 60.
このように、実施形態に係る算出装置１００は、退店者６０が複数のストアアカウントを有する場合には、所定の条件に適合するストアアカウント（例えば、強制退店となったストアアカウント）を正解データとして学習し、退店者６０のその他のストアアカウントについては正解データとして学習しないようにして、モデルを生成してもよい。これにより、算出装置１００は、真に不芳なストアアカウントのみを正解データとすることができるため、モデルの精度を向上させることができる。
As described above, the
以上、本願の実施形態及び実施形態の変形例のいくつかを図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の欄に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。 The embodiments of the present application and some of the modifications of the embodiments have been described in detail with reference to the drawings. The present invention can be implemented in other forms based on various modifications and improvements.
また、上述した算出装置１００は、複数のサーバコンピュータで実現してもよく、また、機能によっては外部のプラットフォーム等をＡＰＩ（Application Programming Interface）やネットワークコンピューティングなどで呼び出して実現するなど、構成は柔軟に変更できる。
The above-described
また、特許請求の範囲に記載した「部（section、module、unit）」は、「手段」や「回路」などに読み替えることができる。例えば、生成部は、生成手段や生成回路に読み替えることができる。 Further, “section (module, unit)” described in the claims can be read as “means”, “circuit”, and the like. For example, the generation unit can be read as generation means or a generation circuit.
１ 算出システム
１０ ユーザ端末
３０ ウェブサーバ
１００ 算出装置
１１０ 通信部
１２０ 記憶部
１２１ 出店者情報記憶部
１２２ 素性情報記憶部
１２３ 事業情報テーブル
１２４ ストア情報テーブル
１２５ 商品情報テーブル
１２６ 単語情報テーブル
１２７ モデル記憶部
１２８ 融資条件記憶部
１３０ 制御部
１３１ 取得部
１３２ 生成部
１３３ 受付部
１３４ 算出部
１３５ 判定部
DESCRIPTION OF
Claims (11)
前記取得部によって取得された前記退店者に関する情報に基づいて、前記所定の商取引サイトに出店する出店者に対する信用度を算出する算出部と、
を備えたことを特徴とする算出装置。 An acquisition unit for acquiring information on a store clerk who has lost the right to conduct a commercial transaction at a predetermined commercial transaction site on the network;
Based on the information about the store clerk acquired by the acquisition unit, a calculation unit that calculates a credit rating for the store clerk who opens a store on the predetermined commercial transaction site;
A calculation device comprising:
をさらに備え、
前記算出部は、
前記生成部によって生成されたモデルから出力された指標値に基づいて、前記出店者の信用度を算出する、
ことを特徴とする請求項１に記載の算出装置。 A model that is generated based on information related to the store clerk, and that outputs an index value indicating a correlation between the store clerk and the store clerk when information related to the store clerk is input. Generating unit to generate,
Further comprising
The calculation unit includes:
Based on the index value output from the model generated by the generation unit, to calculate the creditworthiness of the store seller,
The calculation apparatus according to claim 1.
前記退店者に関する情報として、前記所定の商取引サイトにおける当該退店者に対するユーザからの評価に関する情報を取得し、
前記生成部は、
前記所定の商取引サイトにおける前記退店者に対するユーザからの評価に関する情報に基づいて、前記モデルを生成する、
ことを特徴とする請求項２に記載の算出装置。 The acquisition unit
As information about the store clerk, obtain information about the evaluation from the user for the store clerk in the predetermined commercial transaction site,
The generator is
Generating the model based on information from the user regarding the store exit in the predetermined commercial transaction site;
The calculation apparatus according to claim 2, wherein:
前記退店者に対するユーザからの評価に関する情報として、前記退店者が出店した店舗もしくは商品に対するユーザからの反応の数、又は、当該退店者が出店した店舗もしくは商品に対してユーザが評点した評価値に関する情報を取得する、
ことを特徴とする請求項３に記載の算出装置。 The acquisition unit
As information on the evaluation from the user to the store clerk, the user scored the number of reactions from the user to the store or product opened by the store clerk or the store or product opened by the store clerk. Get information about evaluation values,
The calculation apparatus according to claim 3.
前記退店者が出店した店舗もしくは商品に対するユーザからの反応の数の推移、又は、当該退店者が出店した店舗もしくは商品に対してユーザが評点した評価値の推移に関する情報を取得する、
ことを特徴とする請求項４に記載の算出装置。 The acquisition unit
To obtain information on the transition of the number of reactions from the user to the store or product opened by the store clerk, or the evaluation value transition of the user's score for the store or product opened by the store clerk,
The calculation apparatus according to claim 4.
前記退店者に対するユーザからの評価に関する情報として、前記退店者が出店した店舗もしくは商品に対するユーザからのレビューに含まれる単語を取得し、
前記生成部は、
前記退店者が出店した店舗もしくは商品に対するユーザからのレビューに含まれる単語と、前記出店者が出店した店舗もしくは商品に対するユーザからのレビューに含まれる単語との相関性に基づいて前記指標値を出力するモデルを生成する、
ことを特徴とする請求項３〜５のいずれか一つに記載の算出装置。 The acquisition unit
As the information about the evaluation from the user for the store clerk, the word included in the review from the user for the store or product opened by the store clerk,
The generator is
The index value is calculated based on a correlation between a word included in a review from a user for a store or a product opened by the store and a word included in a review from a user for the store or the product opened by the store. Generate a model to output,
The calculation device according to any one of claims 3 to 5, wherein
前記退店者に関する情報として、前記所定の商取引サイトにおける当該退店者の事業者としての属性情報を取得し、
前記生成部は、
前記所定の商取引サイトにおける前記退店者の事業者としての属性情報に基づいて、前記モデルを生成する、
ことを特徴とする請求項２〜６のいずれか一つに記載の算出装置。 The acquisition unit
As the information regarding the store exit, obtain attribute information as a business operator of the store exit in the predetermined commercial transaction site,
The generator is
Based on attribute information as a business operator of the store clerk in the predetermined commercial transaction site, the model is generated.
The calculation device according to any one of claims 2 to 6, wherein
前記属性情報として、前記退店者の事業者としての法人格、又は、当該退店者の事業者としての業種を取得し、
前記生成部は、
前記退店者の事業者としての法人格と前記出店者の事業者としての法人格、又は、当該退店者の事業者としての業種と当該出店者の事業者としての業種との相関性に基づいて前記指標値を出力するモデルを生成する、
ことを特徴とする請求項７に記載の算出装置。 The acquisition unit
As the attribute information, the legal entity as the business of the store clerk, or the business type as the business of the store clerk,
The generator is
Based on the correlation between the legal entity as the business operator of the store exit and the legal personality as the business operator of the store or the business category as the business operator of the store exit and the business category as the business operator of the store owner Generating a model that outputs the index value;
The calculation apparatus according to claim 7.
前記所定の商取引サイトにおいて前記退店者が複数のアカウントを有する場合、アカウントごとに当該所定の商取引サイトにおける当該退店者に関する情報を取得し、
前記生成部は、
前記退店者が有するアカウントのうち、所定の条件に適合するアカウントを正解データとして学習することによって、前記モデルを生成する、
ことを特徴とする請求項２〜８のいずれか一つに記載の算出装置。 The acquisition unit
In the case where the store clerk has a plurality of accounts in the predetermined commercial transaction site, information on the store exit in the predetermined commercial transaction site is acquired for each account,
The generator is
The model is generated by learning, as correct data, an account that meets a predetermined condition among accounts that the store exit has,
The calculation device according to any one of claims 2 to 8.
ネットワーク上の所定の商取引サイトにおいて商取引を行う権利を失った退店者に関する情報を取得する取得工程と、
前記取得工程によって取得された前記退店者に関する情報に基づいて、前記所定の商取引サイトに出店する出店者に対する信用度を算出する算出工程と、
を含んだことを特徴とする算出方法。 A calculation method executed by a computer,
An acquisition step of acquiring information about a store clerk who has lost the right to conduct a commercial transaction at a predetermined commercial transaction site on the network;
Based on the information about the store clerk acquired by the acquisition step, a calculation step of calculating a credit rating for the store entrepreneur who opens a store on the predetermined commercial transaction site;
The calculation method characterized by including.
前記取得手順によって取得された前記退店者に関する情報に基づいて、前記所定の商取引サイトに出店する出店者に対する信用度を算出する算出手順と、
をコンピュータに実行させることを特徴とする算出プログラム。 An acquisition procedure for obtaining information about a store losing the right to conduct business at a predetermined commercial transaction site on the network;
A calculation procedure for calculating a credit rating for a store clerk who opens a store on the predetermined commercial transaction site based on information on the store clerk acquired by the acquisition procedure;
A calculation program for causing a computer to execute.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2016225510A JP6194092B1 (en) | 2016-11-18 | 2016-11-18 | Calculation device, calculation method, and calculation program |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2016225510A JP6194092B1 (en) | 2016-11-18 | 2016-11-18 | Calculation device, calculation method, and calculation program |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2017147859A Division JP6262909B1 (en) | 2017-07-31 | 2017-07-31 | Calculation device, calculation method, and calculation program |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP6194092B1 JP6194092B1 (en) | 2017-09-06 |
| JP2018081651A true JP2018081651A (en) | 2018-05-24 |
Family
ID=59799006
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2016225510A Active JP6194092B1 (en) | 2016-11-18 | 2016-11-18 | Calculation device, calculation method, and calculation program |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6194092B1 (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019188647A (en) * | 2018-04-20 | 2019-10-31 | 大日本印刷株式会社 | Production method of composite container, blow molding mold, blow molding transfer sheet, and composite container |
| JP7199122B1 (en) | 2022-05-26 | 2023-01-05 | 株式会社mov | Information processing system |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6738926B1 (en) * | 2019-03-13 | 2020-08-12 | ヤフー株式会社 | Information processing apparatus, information processing method, and information processing program |
| JP7258200B1 (en) | 2022-03-23 | 2023-04-14 | ＰａｙＰａｙ株式会社 | Information processing device, information processing method and information processing program |
| JP7427043B2 (en) * | 2022-03-23 | 2024-02-02 | ＰａｙＰａｙ株式会社 | Information processing device, information processing method, and information processing program |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002083155A (en) * | 2000-09-08 | 2002-03-22 | Hitachi Service & Engineering (East) Ltd | Shop authentication system in internet market |
| JP2004051374A (en) * | 2002-05-28 | 2004-02-19 | Japan Logistic Systems Inc | Seamless commodity physical distribution information system |
| JP2004152097A (en) * | 2002-10-31 | 2004-05-27 | Map Solutions Corp | Area marketing system |
-
2016
- 2016-11-18 JP JP2016225510A patent/JP6194092B1/en active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002083155A (en) * | 2000-09-08 | 2002-03-22 | Hitachi Service & Engineering (East) Ltd | Shop authentication system in internet market |
| JP2004051374A (en) * | 2002-05-28 | 2004-02-19 | Japan Logistic Systems Inc | Seamless commodity physical distribution information system |
| JP2004152097A (en) * | 2002-10-31 | 2004-05-27 | Map Solutions Corp | Area marketing system |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019188647A (en) * | 2018-04-20 | 2019-10-31 | 大日本印刷株式会社 | Production method of composite container, blow molding mold, blow molding transfer sheet, and composite container |
| JP7199122B1 (en) | 2022-05-26 | 2023-01-05 | 株式会社mov | Information processing system |
| JP2023173596A (en) * | 2022-05-26 | 2023-12-07 | 株式会社mov | information processing system |
Also Published As
| Publication number | Publication date |
|---|---|
| JP6194092B1 (en) | 2017-09-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6262909B1 (en) | Calculation device, calculation method, and calculation program | |
| JP5960887B1 (en) | Calculation device, calculation method, and calculation program | |
| US10181155B2 (en) | Evaluation device, evaluation method, and non-transitory computer readable storage medium | |
| JP6194092B1 (en) | Calculation device, calculation method, and calculation program | |
| JP5852218B1 (en) | Generating device, generating method, and generating program | |
| JP6560323B2 (en) | Determination device, determination method, and determination program | |
| JP6417002B1 (en) | Generating device, generating method, and generating program | |
| US20200279336A1 (en) | Scoring trustworthiness, competence, and/or compatibility of any entity for activities including recruiting or hiring decisions, composing a team, insurance underwriting, credit decisions, or shortening or improving sales cycles | |
| US20130166436A1 (en) | Deriving buyer purchasing power from buyer profile and social network data | |
| JP6709775B2 (en) | Calculation device, calculation method, and calculation program | |
| JP6679648B2 (en) | Information processing device, information processing method, information processing program, determination device, determination method, and determination program | |
| JP2016091075A (en) | Information processing device, information processing method, and program | |
| JP6267812B1 (en) | Calculation device, calculation method, and calculation program | |
| JP6023379B2 (en) | Evaluation apparatus, evaluation method, and evaluation program | |
| JP6437053B1 (en) | Calculation device, calculation method, calculation program, and model | |
| TWI814707B (en) | Method and system for facilitating financial transactions | |
| JP6400067B2 (en) | Evaluation apparatus, evaluation method, and evaluation program | |
| JP6062100B1 (en) | Evaluation apparatus, evaluation method, and evaluation program | |
| JP2016119076A (en) | Generation device, generation method, and generation program | |
| JP6679667B2 (en) | Generation device, generation method, and generation program | |
| JP2019160142A (en) | Information processing device, information processing method, and program | |
| JP6152215B2 (en) | Calculation device, calculation method, and calculation program | |
| JP2017091573A (en) | Generation device, generation method, and generation program | |
| JP6067169B2 (en) | Calculation device, calculation method, and calculation program | |
| JP2021136033A (en) | Information processing device, information processing method and program |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20170630 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20170711 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20170810 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6194092 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |