JP2017507393A - 複合的ダイアディック又はマルチプルなカウンターパーティ関係を発見するために使用される多次元再帰的学習プロセス及びシステム - Google Patents

Abstract

パーティ間のダイアティック又はマルチなカウンターパーティ関係を発見するために使用される多次元再帰的及び自己完成プロセスであって、本プロセスは、（ａ）複数のデータソースから情報を収集することと、（ｂ）収集された情報からパーティ間のダイアティック又はマルチなカウンターパーティ関係を発見することと、（ｃ）パーティ間に共通する、又は部分的に交差する属性に基づいてパーティ間のダイアティック又はマルチなカウンターパーティ関係を推論するためにパーティをクラスタリングし、それにより、クラスタリングされたパーティを形成することと、（ｄ）所与のパーティ又はダイアティック若しくはマルチなカウンターパーティ関係についての整合性及び不整合性を検出し測定するために、収集された情報を組み込み、データソースからの指標を文脈的に査定することによって潜在的ビジネスリンケージについてクラスタリングされたパーティを評価することと、（ｅ）パーティが各関係において果たす関係タイプ及び役割を定立し評価することと、（ｆ）ダイアティック又はマルチなカウンターパーティ関係がパーティ間に存在する尤度に関する信頼性レベルを査定することと、を含む。

Description

本開示は、一般に、複合的ダイアディック及びマルチプルなカウンターパーティグローバル（すなわち、管轄内及び管轄間並びにクロスボーダー）ビジネス関係の発見、管理、裁定及び合成のためのシステム及びプロセスに関する。詳細には、本開示は、（「ビジネスリンケージ」と以下呼ばれる）ビジネスエンティティ間のダイアティック及びマルチなカウンターパーティ関係を発見し、適格化し、且つ記録することが可能なシステムの作成に関する。本プロセスは、プロセス及びシステムが、ビジネスリンケージの識別、確認、及び保守のための新しいストラテジを定立、テスト、実装且つ監視する高度再帰的システムとして機能するように、自己改善ルーチン中に供給されるクラスタリング及び親和性認識ルーチンを使用して変換、測定、批判的に評価、裁定且つ再ファクタ化するソースアグノスティック及び非決定的分析サブプロセスを含む。

全体的な問題は、ビジネスカウンターパーティ間の包括的な関係を理解することである。典型的には、そのような理解は、総リスク又は総機会を伴う使用事例に適用される。そのような理解はまた、予測分析、改善及びシナリオ定式化など、より複雑な使用事例に適用され得る。

本明細書に添付された図６に例示されているように、関係の判定のための従来技術は、同じ名前を有するエンティティを一緒にグループ化するソリューションを含むが、それらは、類似度及び潜在的関係の裁定をトリガするために名前のみの使用に限定される。技術的問題は、そのようなソリューションが、分析技法を通してそれらのうちのいくつかが識別され得る、複数のソース又は指標の観点から関係を考慮することによって三角法で関係を測定するための有効で自動的且つ発展的な管理機能及び／又は性能を提供しないことである。また、そのようなソリューションは、典型的には、潜在的関係を効果的にフィルタ処理し、正確な手動裁定リソース及びプロセスの効率的な使用を保証するための、手動管理及び裁定オプションがないか、又はそれらの自動タスクを不十分な精度及び正確さで実施する。十分なフィルタ処理又は精度がない場合、潜在的関係は、単一の「１つのサイズがすべてに適合する」という手法を使用して手動裁定を通過する。その結果は、再現性の欠如、及び手動裁定オプションをもつソリューションにより、又は手動裁定オプションなしのソリューションにより、規模の経済を推進することの困難さ、最も重要でないビジネス適用例を除くすべてにとって不十分な整合しない乏しい精度のいずれかとなる。

本開示の技術的効果は、ビジネスエンティティの相互関係コンテキストを正確に判定するために、（ａ）自動的、再帰的、及び手動管理、（ｂ）ソース及びソース組合せのルールベース裁定、並びに（ｃ）複数の代替指標の組合せを使用することによって、従来の企業リンケージシステム及びプロセスの欠点を克服する。自動ルールは、過去の経験及び代表的サンプルに対して活用され、結果は、「真実」を判定するために徹底的に評価され、ルールの改善及びチューニングは、自動化を最大にするルールの改良されたセットの作成がスケーラビリティを有効化することを可能にし、また、ターゲットの「最も適合した」手動管理及び裁定ストラテジが必要に応じて利用されることを可能にする。

結果査定及びチューニングは、詳細なヒューリスティック及び分析的技術を活用し、確立された知識と新たな知識の両方、並びに不均一で高度に動的な、しばしば構造化されていないデータの裁定のための学習アルゴリズム及び他の手法を含む。

自動化ルールの再帰的テスト及び改良、並びに性能を最適化し手動作業を最小限に抑えるためのカスタマイゼーションをサポートすることによって、本システムは、手動作業を著しく増やすことなく、コンテキスト関係を正確に判定し続けながら範囲を広く拡張するために、時間とともに増大する数のリソースを活用するための有効性及び性能を最大にする。

本開示は、コンテキストを評価する基礎として、ロバストな識別情報解決プロセスを通してビジネスエンティティを一意に識別するための論理を活用する。

本開示は、コンテキストを判定するために指標をさらに裁定し評価する人的リソースとの対話を可能にする、標準化、動的、及び／又は独自のフォーマットのいずれかを有する、バッチ及びトランザクション対話を生成する。

本開示はまた、更新を合成しコンテキストインサイトを継続するために、標準化、動的及び／又は独自のフォーマットのいずれかを有する、バッチ及びトランザクション対話を生成する。

ソース及びプロセスは、ステータスを監視すること、能動的及び受動的変化を検出すること、並びに必要に応じて管理及び裁定を開始することによって、コンテキストインサイトの確立と保守の両方を行うために使用される。

本開示は結果を正確に追跡し、チューニング及び診断目的についてソースの正確度及び最良使用を評価するために、並びに経験に基づいて性能を改善するための自己学習機能を評価するために、報告ツールが使用される。報告ツールはまた、既知の機会に対する進行を査定するために使用される。

手動発見、管理及び裁定は、複雑さレベルに基づいて経験及び性能の最良適合を有する人的リソースによって実施され、ルールベース決定がリソースにルーティングされる。

本開示はまた、多くの追加の利点を提供し、これらは以下で説明されるときに明らかになる。

パーティ間のダイアティック又はマルチなカウンターパーティ関係を発見するために使用される多次元再帰的プロセスであって、本プロセスは、（ａ）複数のデータソースから情報を収集することと、（ｂ）収集された情報からパーティ間のダイアティック又はマルチなカウンターパーティ関係を発見することと、（ｃ）パーティ間に共通する、又は部分的に交差する属性に基づいてパーティ間のダイアティック又はマルチなカウンターパーティ関係を推論するためにパーティをクラスタリングし、それにより、クラスタリングされたパーティを形成することと、（ｄ）所与のパーティ又はダイアティック若しくはマルチなカウンターパーティ関係についての整合性及び不整合性を検出し測定するために、収集された情報を組み込み、データソースからの指標を文脈的に査定することによって潜在的ビジネスリンケージについてクラスタリングされたパーティを評価することと、（ｅ）本部又は母体など、上位である可能性が最も高いパーティを識別することによって、果たされる役割及び／又は関係の方向を定立することと、（ｆ）ダイアティック又はマルチなカウンターパーティ関係がパーティ間に存在し、パーティ間の定立された関係タイプ及び方向であるという尤度に関する信頼性レベルを査定することとを含む。

本プロセスは、ダイアティック又はマルチなカウンターパーティ関係がパーティ間に存在する可能性を評価且つ／又は査定するために多次元再帰的プロセスの性能を改善するために自己学習を活用するステップをさらに含む。自己学習を活用するステップは、（ａ）ダイアティック又はマルチなカウンターパーティ関係がパーティ間に存在する可能性を評価するために定立されたシードルールを使用することと、（ｂ）発見された関係の量、品質及び／又は性質についてパーティのクラスタを評価するために、収集された情報にルールに関する現在既知のコーパスから適用可能な候補を適用することと、（ｃ）クラスタリングされたパーティにおける潜在的関係に関する真実を査定するために専門知識及び追加の情報を活用するために詳細な真実判定を使用することと、（ｄ）ダイアティック又はマルチなカウンターパーティ関係がパーティ間に存在すると判定するためにどのシードルール及び複数のソースが最も有用であるかを学習することと、（ｅ）複数のソースの各々の正確度を連続的に査定することと、（ｆ）シードルールへの追加の指標、新しいルール又は拡張を提案する裁定ルールを発見し定立するために経験を活用することとからなるグループから選択される少なくとも１つである。

本プロセスは、裁定ルールを連続的に管理するステップをさらに含み、プロセスは、ダイアティック又はマルチなカウンターパーティ関係がパーティ間に存在する可能性を評価するために使用されるシードルールをチューニング、改善且つ／又は調整するために、詳細な真実判定を通して獲得された経験を活用する。

本プロセスは、本プロセスの外部のパーティ間のダイアティック又はマルチなカウンターパーティ関係を発見するための識別子を確立し参照するために識別情報解決を使用するステップをさらに含む。

パーティのクラスタリングは、指標のフレキシブルな範囲に基づく。指標は、挙動データと、名前と、開始特性と、サイズと、産業とからなるグループから選択された少なくとも１つである。

共通する、又は部分的に交差する属性は、インターネット上の詳細、アカウント又は他の外部識別子、名前の類似度、アドレス、２次アドレス、関係する個人、代理関係、及び知識、見解、又は仮定された関係からなるグループから選択された少なくとも１つの属性である。

ダイアティック又はマルチなカウンターパーティ関係がパーティ間に存在する尤度に関する信頼性レベルを査定するステップは、データポイントがそれから発見されたソースの正確度を含む、他のパーティ及び潜在的関係のための同様のデータポイントをもつ以前の経験に関係するルールに基づく。さらに、地理的又は地政学的間隔上の共有指標に応じて帰属される近接度は、管理及び裁定への入力情報として使用され得る。

さらに、ステップ（ｆ）は、潜在的及び既存の関係、並びに潜在的及び既存の関係が、（ｉ）ビジネスリンケージになるように自動的に適格化すべきか、（ｉｉ）情報の収集と、潜在的ビジネスリンケージについてクラスタリングされたパーティの評価とをさらに必要とするか、又は（ｉｉｉ）存在する可能性が不十分であり、さらなる能動的注意を正当化しないか、を査定するためのプロセス性能を改善する。

好ましくは、情報を収集することは、情報の新しいソースを識別することと、ソースの品質を評価することと、データ環境の変化を理解することと、適切なデータの識別のための新しい技術及びプロセスを開発することとからなるグループから選択された少なくとも１つの発見を伴う。

別の実施形態は、プロセッサと、プロセッサによって読取り可能な命令を含んでいるメモリとを備えるシステムであり、命令は、プロセッサによって読み取られたとき、
ａ． 複数のデータソースから情報を収集することと、
ｂ． 収集された情報からパーティ間のダイアティック又はマルチなカウンターパーティ関係を発見することと、
ｃ． パーティ間に共通する、又は部分的に交差する属性に基づいてパーティ間のダイアティック又はマルチなカウンターパーティ関係を推論するためにパーティをクラスタリングし、それにより、クラスタリングされたパーティを形成することと、
ｄ． 所与のパーティ又はダイアティック若しくはマルチなカウンターパーティ関係についての整合性及び不整合性を検出し測定するために、収集された情報を組み込み、データソースからの指標を文脈的に査定することによって潜在的ビジネスリンケージについてクラスタリングされたパーティを評価することと、
ｅ． 管理及び裁定への入力情報として、地理的又は共有指標に応じて帰属される近接度を考慮することと、
ｆ． ダイアティック又はマルチなカウンターパーティ関係がパーティ間に存在する尤度に関する信頼性レベルを査定することと
のアクションをプロセッサに実施させる。

本開示のさらなる目的、特徴及び利点は、以下の図面及び詳細な説明を参照することによって理解されよう。

本開示において使用される発見、管理及び合成の３つの主要ステップを表すブロック図である。 本開示による、品質を持続可能に推進するために自動化と再帰とを活用する相互に関係するアクティビティのセットとしてのシステムを示す。 ２つのエンティティ間の「代理」関係が発見ソースとして働くことができるように、この「代理」関係の存在を表出するソースを示す。 本開示による再帰的学習プロセスの図式表現である。 本開示のプロセスを実装するコンピュータシステムを示すブロック図である。 従来の企業リンケージプロセスの概略図である。 本開示による発見ステップのブロック図である。 本開示によるアカウント番号又は他の指標クラスタリング及び初期管理プロセスの論理図である。 本開示による、発見及びアカウント番号クラスタリングステップを例として示すプロセスフロー図である。 本開示による、発見及び名前クラスタリングステップを例として示すプロセスフロー図である。 他のエンティティが同様であり、したがってクラスタの形成を正当化するシナリオを示す発見及び名前クラスタリングを例として示すプロセスフロー図である。 ２つ以上のメンバーでクラスタを作成するためにどの他のエンティティも十分に同様でないシナリオを示す発見及び名前クラスタリングを例として示すプロセスフロー図である。 本開示による候補レコードのための管理及び合成ステップのプロセスフロー図である。 本開示による候補レコードのための管理及び合成ステップのプロセスフロー図である。 本開示による、挙動の又は以前から存在するデータ属性に基づいてどのように同様の現存するエンティティがクラスタリングされるかを示すブロック図である。 本開示による、どのようにルール推進処理が自己学習を通して連続的に改善するかを示すプロセスフロー図である。

このシステム及びプロセスは、（共通のデータ属性、サービス、又は挙動に基づいて）関係及び潜在的関係を発見し、管理（蓄積、記憶、保守、且つ更新）し、且つそれらの関係対関与するカウンターパーティとそれらの関係とに関する以前に発見されたインサイトを裁定（評価且つ作用）し、必要に応じて追加の情報の再帰的収集を推進し、且つ分類されアクショナブルな情報をグローバルに作成し続けるために、複数のソースの評価及び相関を行う。

本開示は、図を参照することによって最も良く理解され得、図１及び図２は、本開示において使用される発見１、管理３及び合成５の３つの主要ステップを表すブロック図である。

図２は、本開示による、品質を持続可能に推進するために自動化を活用する再帰的プロセスを示し、発見ステップ１は、サードパーティビジネス間（Ｂ２Ｂ）関係、発見された関係、例えば、クラスタリング、ウェブ及び発見可能コンテンツなどを伴う。発見ステップ１を向上させるために、顧客フィードバック用の直接チャネル、ゴールドソース、例えば、自己上のリンケージを提供し、既存の最良実践を活用することが有用である。管理３は、ソース相関分析と、インサイト高度ルールと、ターゲット解決とを含む。管理はまた、必要に応じて追加の情報の収集を開始するために発見１へのフィードバックを含む。この再帰的管理プロセスは、ルールの連続的改良を可能にし、一貫した品質を推進し、規模を推進し、ソースの裁定と、コンテンツの品質及び性質に従ってそれらのソースをプロファイリングすることを可能にし、ソース性能の継続的監視を可能にする。最終的に、合成ステップ５が、新しいリンケージを追加し、リンケージを検証する。合成はまた、発見プロセスへの入力情報を生成することなどによって、追加の発見ステップを開始するプロセスを参照するために時々使用される。

発見：
本開示は、エンティティ間の関係を発見するために様々なソースを活用する。例えば、それは、共通のアカウント番号又は識別子を有するレコードをグループ化する。エンティティレコードのビジネス識別情報属性が、既存の既知のエンティティに関連付けられるか、又はマスタデータベース中の新しいエンティティについての反映を正当化するために使用され得る。カウンターパーティのグループ又はクラスタに関与するエンティティの各々について識別情報が解決されると、「エンティティ」と呼ばれる、カウンターパーティのグループは、それらは保守された永続的キーに関連付けられているので、それらの間の潜在的関係を査定するために評価される。

管理及び裁定：
シナリオは、関連するグループのメンバーの全部、一部についてコンテキスト関係が以前に判定され、存在しているか、又は全く判定されず、存在していないか、に応じて変化する。関係が以前から存在している場合、新しいソース情報の受信は、既存のステータスを確認するために使用されるか、又は潜在的変化（競合）を検出するために使用される。競合はさらなる裁定のために提起されるが、確認は、マスタデータベース中のフレッシュネス査定を保守するために使用される。

所与のエンティティが、他のエンティティのグループの関連するコンテキスト中に存在すると以前に判定されていない場合、可能性が最も高い関連付けを判定するためにルールを使用して、それをそれのグループの他のメンバーに関連付けるために潜在的関係が識別される。このアグリゲーションは、他のグループメンバーにコンテキストを提供することがすでに知られているメンバーが、焦点のエンティティに同様のコンテキストを提供する可能性が最も高いという仮定を含み得る。地理的近接度及びビジネスアクティビティの類似度などの属性は、潜在的関係を自動的に裁定するために使用され得る指標の一部である。

特定のエンティティについて最良の又は可能性が最も高い関係が識別されると、コンテキストが自動的に確立され得るかどうか、或いは観測がさらなる発見又は裁定を必要とするかどうかを判定するために、ソースの正確度及び様々な指標の性能が使用される。また、現在考慮されている関係のキュレーションを導くために、同じ指標の同じ値に基づいてリンケージの存在又は不在を判定する際におけるこの同じシステムの以前の経験が使用され得る。同時に、観測された性能に従って、特定のソースについての、及びソースの様々なサブアグリゲーションの階層化についての累積性能に関して増分知識が増補される。さらなる発見及び手動裁定が必要な場合、リソースとワークフローとの最良適合タイプが識別され、必要とされるインターフェース通りにタスクが作成（合成）され、アクションが開始される。

手動発見、管理及び裁定は、簡略化されたより精細な作業タスクに対する少ない経験と、中程度の経験の専門家と、最終的にドメインエキスパートである個人とを含む、いくつかのタイプのリソースによって実施される。作業タスクは、エンティティのペアの、又はエンティティのセットの解決からなり得る。

どんな発見及び手動裁定の結果も、自動管理及び裁定ルールへの入力情報として追跡され、査定され、それらのルールは、マスタデータベースへの追加及び更新、又はさらなる発見及び裁定のための追加のタスクを合成しようとする。

発見ソース：
図３は、ビジネス間関係を発見するために使用され得るソースのタイプを示す。この例では、レコード上の１つのエンティティは、他のエンティティを代理して何らかのサービスを実施するか又は保証を提供し得る。「代理」関係の存在は現存のダイアティック関係を表出し、このダイアティック関係は、次いで、適切な次のステップを判定するために管理され、裁定され得る。ソース、ソースの正確度、他の関係発見ソースを相関させる性能、及び利用可能なデータポイントに応じて、特定のリンケージ及びタイプとして自動的に受け付け、選定された手法を使用して追加のデータポイントを収集し、追加のデータポイントの保留中の自発的発見を拒否又は遅延するための判定が行われ得る。別のエンティティを代理して代金を支払うこと又は保証人として行動することは、所有権を暗示することができ、例えば、Ｎｏｒｔｈ Ｖｉｓｉｏｎ ＥｎｔｅｒｐｒｉｓｅｓはＺｅｌｄａ Ａｇｅｎｃｙを所有することがあるか、又はＲＧＸ ＩｎｖｅｓｔｍｅｎｔｓはＴｈｅ Ｃｈｒｏｎｉｃｌｅを所有することがある。

図４Ａ〜図４Ｋは、本開示による再帰的学習プロセスの図式表現である。本開示は、ビジネスエンティティ間のダイアティック及びマルチなカウンターパーティ関係（以下、「ビジネスリンケージ」）を発見し記録する新しいシステムの作成に関する。本開示は、全体として本開示が、ビジネスリンケージの識別、確認、及び保守のための新しいストラテジを定立、テスト且つ実装する高度再帰的システムとして機能するように、自己改善ルーチン中に供給されるクラスタリング及び親和性認識ルーチンを使用して変換、測定、批判的に評価、裁定且つ再ファクタ化するソースアグノスティック及び非判定論的分析サブプロセスから構成される。

本開示は、ソースプロファイル（２．０）に従うことを含めて、情報発見（３．０）における複数のソースから入力情報を引き出し、２つ以上のエンティティ間の潜在的ビジネスリンケージを発見するように構成されることが可能である。それは、これを再帰的に行い、時として、未分化データからビジネスリンケージを推定するためにソースを全て取り入れ、他のときには、特定のビジネスエンティティに関する情報を追跡するために方向付けられた帰納的アプローチを採用する。それはまた、様々なエンティティのための２つ以上のソースから指標値を収集し、次いで、その知識をアグリゲートすることに基づいて関係を推論し得る。本開示は、エンティティの識別情報を解決し、複数の観点からのエンティティの認識と、それらの観点の統合とを可能にするために、識別情報解決（５．０）能力を活用する。識別情報解決とは無関係に、本開示は、上記で発見された情報に基づいて、ビジネスエンティティを一緒にクラスタリングする（６．１）ために特殊な新規の技法を識別し、適用可能な場合に実装する。

本開示は、現在考慮中のビジネスエンティティ間の、並びに以前に考慮されたエンティティ間の、既知であり以前に適格とされた関係を活用する。それは、すべてのエンティティに関する追加の属性をも活用する。各潜在的関係が、既知のビジネスリンケージのコーパスへの追加のために適格とするために十分に理解されているかどうかを判定するために、統合されたデータが継続的に評価される（６．２、６．３）。評価の他の結果は、（ａ）データ中の欠陥又は「ギャップ」、したがって、追加の情報発見（７．１）を開始する必要の認識、（ｂ）より確証的なデータの受動的受信とこの査定（４．５）のキャプチャとを保留するアクションの延期、（ｃ）競合が識別されたとき、既存のビジネスリンケージの修正を正当化するために追加的な情報発見（７．１）を修正又は開始する機会の判定、並びに／或いは（ｄ）一貫した既存のビジネスリンケージを確認し、それの査定（４．５）を保守する機会の判定である。

主要な特徴は以下を含む：
情報発見及び管理：システムは、関係及びビジネスリンケージを予測し得る、発見された情報を収集し、組み込む（４．３）ために、情報発見（３．０）を反復的に活用する。

限定はされないが、団体、個人、及び金融手段などの概念エンティティを含む、システム外部の発見されたエンティティのための識別子を確立し、参照するために、識別情報解決（５．０）を活用する。識別情報解決は、経時的な一貫した参照を可能にし、システムは、（個人に関わる最近のものを含む）システムにとって利用可能ないずれかの識別情報解決ストラテジを使用し得る。

さらなる評価（６．０）のために潜在的関係を推論するために識別情報解決を活用する、潜在的関係の情報発見へのソースとして、限定はされないが、挙動データ、名前、開始特性、サイズ、及び産業を含む、指標のフレキシブルな範囲に基づいてエンティティをクラスタリングする（５．７）。

以下などの共通する、又は部分的に交差する属性に基づいて関係を推論するためにエンティティをクラスタリングする（６．１）：
ａ． インターネット上の詳細
ｂ． アカウント又は他の外部識別子
ｃ． 名前の類似度
ｄ． アドレス
ｅ． ２次アドレス（メーリングアドレス）
ｆ． 関係する個人
ｇ． 「代理」関係

発見された情報を組み込むことと（４．３）、供給されたデータからの指標を互いに対して、並びに対象エンティティ及び潜在的関係に関する以前に確認された情報に対して平衡させることによって、潜在的及び既存の関係を文脈的に査定することと（６．３）による、潜在的リンケージについてのクラスタの評価（６．０）。これは、所与のエンティティ又は関係について整合性及び不整合性を検出し測定するために、複数のソースと上記の指標とを相関させることを含む。それはまた、マージ（５．６）機会を判定するためにエンティティ周辺の査定（６．３）を含む。それはまた、産業、現存するファミリーのサイズ、分類、共有されたサプライヤ関係、又は他のコンテキストファクタなど、様々な集団又は分母にわたる分散のレベルを考慮するために指標値又は部分値のプロファイリングを含む。

特に、他のエンティティ及び潜在的関係のための同様のデータポイントをもつ本開示の以前の経験に基づくルールを使用して、定立された関係が存在し、（すべての関係がアクショナブルであるとは限らないような）関係の性質が適格タイプであるという尤度に関する信頼性レベルを査定する（６．３）。

以下のように、時間とともにより有効で効率的になるために自己学習を活用する：
ｉ． システムは、潜在的関係を評価するための定立された「シードルール」を受け付ける
ｊ． 本開示は、表出された関係の量、品質、及び性質についてクラスタを評価する（６．２）ために、蓄積され組み込まれた情報にルールの現在既知のコーパスから適用可能な候補を適用する
ｋ． 詳細な真実判定（３．３）は、様々なカテゴリーのクラスタ中の関係に関する真実を査定するために専門知識及び追加の情報発見を活用する
ｌ． どのルール及びソースがどの関係及びエンティティ変異体に最も有用であるかを学習して、裁定ルールを連続的に管理する（６．６）
ｍ． ルールの発展をサポートするために、「真実性」査定（９．２）、ビジネスカテゴリーごとの有用性査定（９．４）を含めて、ソースの正確度が連続的に査定され、追跡される。対話相乗効果が測定され、ソース優先重み（９．３）及び交差するソースの有効性（９．５）を通してソースの優先度付けが調整され、追跡される。指標の特定の値の予測性が、査定され、追跡され、同じ指標値に基づいてクラスタの将来の管理への入力情報を提供する。
ｎ． システムは、潜在的及び既存の関係、並びにそれらの潜在的及び既存の関係が、
ｉ． ビジネスリンケージになるように自動的に適格化すべきか
ｉｉ． 情報発見（３．０）と評価（６．０）とをさらに必要とし、そのようなステップを開始するか
ｉｉｉ． 存在する可能性が不十分であり、さらなる能動的注意を正当化しないか
を査定する（６．３）ための性能を改善するために、現在のルールセットへの追加の指標、新しいルール又は拡張を提案する新しい裁定ルールを発見し、定立する（８．３）ために、経験を活用する。

裁定ルールを連続的に管理する（６．６）：評価ルールを成熟させるために経験を活用する。例えば、２つ以上のソースが同じビジネスエンティティについて関係を予測し、関係するエンティティに関するそれらの結論が矛盾するとき、本開示は、潜在的関係を解釈するために使用される評価ルールをチューニング、改善且つ調整する（６．７）ために、詳細な真実判定（３．３）を通して獲得された経験を活用する。同様の未加工情報が両方のソースから利用可能であるとき、その結論がもともとあまり正確でなかったソース内の情報を解釈するために使用されるルールを調整するために、追加の発見の結果が使用される。

ビジネスリンケージとしてまだ確立されていない関係の理解を成熟させることに加えて、同じ情報は、ビジネスリンケージとして以前に受け付けられた既存の関係を査定する（６．３）ために使用される。独立して発見された情報がリンケージをサポートし、それらが存在するものとして確認された場合、それらの関係のフレッシュネス及び信頼性はそれらの査定（４．５）において保守される。情報が既存のリンケージと矛盾する場合、関係の現在の状態を判定し、それを確認するか或いは必要な場合にそれを補正するために、情報は、追加のデータポイントについて追加の情報発見を開始する（７．１）ために使用される。

新たに発見された関係の理解を成熟させることと、以前に合成された関係を査定することとに加えて、システムは、以前に存在しないと裁定且つ判定された潜在的関係を追跡し、したがって、既知の関係についての知識だけでなく、あるタイプの関係が存在しない場合の知識をも構築する。

図５は、本開示の採用のためのシステム６００のブロック図である。システム６００は、ネットワーク３９３０、例えば、インターネットに結合されたコンピュータ６０５を含む。

コンピュータ６０５は、ユーザインターフェース６１０と、プロセッサ６１５と、メモリ６２０とを含む。コンピュータ６０５は汎用マイクロコンピュータ上に実装され得る。コンピュータ６０５は、本明細書ではスタンドアロンデバイスとして表されるが、そのように限定されるものではなく、代わりに、ネットワーク６３０を介して他のデバイス（図示せず）に結合され得る。

プロセッサ６１５は、命令に応答し、命令を実行する論理回路で構成される。

メモリ６２０は、プロセッサ６１５の動作を制御するためのデータ及び命令を記憶する。メモリ６２０は、ランダムアクセスメモリ（ＲＡＭ）、ハードドライブ、読取り専用メモリ（ＲＯＭ）、又はそれらの組合せにおいて実装され得る。メモリ６２０の構成要素のうちの１つはプログラムモジュール６２５である。

プログラムモジュール６２５は、本明細書で説明される方法を実行するようにプロセッサ６１５を制御するための命令を含む。例えば、プログラムモジュール６２５の実行の結果として、プロセッサ６１５は、（ａ）複数のデータソースから情報を収集することと、（ｂ）収集された情報からパーティ間のダイアティック又はマルチなカウンターパーティ関係を発見することと、（ｃ）パーティ間に共通する、又は部分的に交差する属性に基づいてパーティ間のダイアティック又はマルチなカウンターパーティ関係を推論するためにパーティをクラスタリングし、それにより、クラスタリングされたパーティを形成することと、（ｄ）所与のパーティ又はダイアティック若しくはマルチなカウンターパーティ関係についての整合性及び不整合性を検出し測定するために、収集された情報を組み込み、データソースからの指標を文脈的に査定することによって潜在的ビジネスリンケージについてクラスタリングされたパーティを評価することと、（ｅ）ダイアティック又はマルチなカウンターパーティ関係がパーティ間に存在する尤度に関する信頼性レベルを査定することとのアクションを実施する。

「モジュール」という用語は、本明細書では、スタンドアロン構成要素として或いは複数の下位構成要素の統合構成として具現され得る機能的動作を示すために使用される。したがって、プログラムモジュール６２５は、単一のモジュールとして、又は互いに協働して動作する複数のモジュールとして実装され得る。さらに、プログラムモジュール６２５は、本明細書ではメモリ６２０中に設置され、したがってソフトウェアにおいて実装されるものとして説明されるが、それは、どんなハードウェア（例えば、電子回路）、ファームウェア、ソフトウェア、ペーパー、又はそれらの組合せにおいても実装され得る。

ユーザインターフェース６１０は、ユーザがプロセッサ６１５に情報及びコマンド選択を通信することを可能にするために、キーボード又は音声認識サブシステムなどの入力デバイスを含む。ユーザインターフェース６１０はまた、ペーパー、ディスプレイ又はプリンタなどの出力デバイスを含む。限定はされないが、マウス、トラックボール、又はジョイスティックなどのカーソルコントロールは、ユーザがプロセッサ６１５に追加の情報及びコマンド選択を通信するためにディスプレイ上でカーソルを操作することを可能にする。

プロセッサ６１５は、ユーザインターフェース６１０に、本明細書で説明される方法の実行の結果を出力する。代替的に、プロセッサ６１５は、ネットワーク又はペーパー６３０を介して出力をリモートデバイス（図示されず）に命令し得る。

プログラムモジュール６２５は、メモリ６２０中にすでにロードされているものとして示されているが、それは、後に行われるメモリ６２０中へのローディングのために記憶媒体６３５上に構成され得る。記憶媒体６３５は、有形形態でその上にプログラムモジュール６２５を記憶する任意の記憶媒体であり得る。記憶媒体６３５の例は、限定はされないが、フロッピーディスク（登録商標）、コンパクトディスク、磁気テープ、読取り専用メモリ、光記憶媒体、ユニバーサルシリアルバス（ＵＳＢ）フラッシュドライブ、デジタル多用途ディスク、又はジップドライブを含む。代替的に、記憶媒体６３５は、限定はされないが、リモートストレージシステム上に配置され、ネットワーク６３０を介してコンピュータ６０５に結合された、ランダムアクセスメモリ、又は他のタイプの電子記憶装置であり得る。

図７は、本開示による発見ステップのブロック図であり、エンティティの名前及びアドレスとともにアカウント番号を含めて、サードパーティについての知識又は情報７０が、顧客又はサードパーティアカウントファイルから発見され、収集される７１。プロセスは、次いで、識別情報解決７２のステップを行い、エンティティの名前及びアドレスは、既知のエンティティと比較され、既存の識別子にマッピングされるか、又は必要に応じて新たに認識されたエンティティ及びそれらの識別子にマッピングされる。次いで、識別情報解決結果がデータベース７４に記憶される。その後、プロセスは、特定のソースごとのアカウント番号など、各エンティティの属性を追加、更新又は確認し７３、関係構築情報データベース７５に記憶する。システムによって使用されるデータベースは論理的に表されており、実際には単一のデータベースとして作成され保守され得る。

図８は、本開示によるアカウント番号クラスタリング及び初期管理プロセスの論理図である。この図は、クラスタリング、管理及び裁定プロセスの再帰的性質を示す。ステップＢは、連続プロセス中の第１のステップではなく、再帰的プロセス中の中間地点としての参照点のみとして示されている。前の処理中に行われた管理及び裁定判定は、関係構築情報データベース７５を更新した。同じ関係構築情報データベース７５は、発見ステップ８１において、及び管理及び裁定などの他のプロセスにおいて使用される。ステップ８１から発見された情報は、同じ指標値又は部分値を有するレコードをクラスタにグループ化することによって、ソースプロファイル及び性能情報８５とともにステップ８３において処理され、その後、各クラスタが評価される８７。その後、プロセスは、クラスタが２つ以上のレコードを含んでいるかどうかを判定する８９。それが２つ以上のレコードを含んでいない場合、アクションは取られない９１。しかしながら、それが２つ以上のレコードを含んでいる場合、クラスタ中の各レコードが評価される９３。クラスタ中のレコードがリンケージ参照データベース９７中のレコードにまだリンクされていない９５場合、プロセスは、可能性が最も高い関係を識別し、評価する９９。すでにリンクされている場合、プロセスは、既存のリンケージがクラスタコンテンツに整合するかどうかを判定する１０１。整合しない場合、プロセスは、何らかの競合情報を解決することを試みる１０３。整合する場合、プロセスは、ソースの正確度がリンケージ確認のために十分であるかどうかを判定する１０５。十分でない場合、現存のビジネスリンケージを確認するためにこの発見された情報を使用しないという決定を反映するために、関係構築情報データベース７５を更新する（Ｂ）。十分である場合、既存のリンケージを確認し（Ａ）、リンケージ参照データベース９７中のメタデータ、例えば、日付及びソースを追跡し１０７、関係構築情報データベース７５を更新し（Ｂ）、現存のビジネスリンケージを確認するためにこの発見された情報を使用するという決定を反映する。

図９Ａは、本開示による発見及びアカウントクラスタリングステップのプロセスフロー図であり、様々なエンティティの例がそれぞれのアカウント番号とともに発見され２０１、その後に識別情報解決２０３が続き、企業識別子が、エンティティの名前、ストリートアドレス、又は他の識別情報属性に基づいてエンティティに割り当てられる。エンティティが、部分アカウント番号１２３４５（２０５）又はアカウント番号２２９９−Ｘ（２０７）など、同じ指標値を有する場合、エンティティはクラスタリングされる。

図９Ｂは、本開示による発見及び名前クラスタリングステップのプロセスフロー図であり、既知の既存のエンティティが属性にわたって類似度について検討され３０３、ビジネス名、取引スタイル、ロケーション、電話、又は他の識別子など、十分に同様の属性を有するエンティティは、それらの類似度に基づいてクラスタリングされる３０５。

図９Ｃは、他のエンティティが類似し、したがってクラスタの形成を正当化するシナリオを示す発見及び名前クラスタリングのプロセスフロー図である。

図９Ｄは、２つ以上のメンバーでクラスタを作成するためにどの他のエンティティともあまり類似しないシナリオを示す発見及び名前クラスタリングのプロセスフロー図である。

図１０Ａ及び図１０Ｂは、リンクされていないレコードについての発見及びクラスタリングの後に行われる、本開示による管理及び合成ステップのプロセスフローを示す。焦点エンティティ及び他のクラスタメンバーのための属性及び／又は既知の若しくは以前に仮定された関係に基づいて関係を仮定すること１０３によって、リンクされていないレコードについて最も可能性が高い関係を識別し、評価する９９。発見された潜在的関係を関係構築情報データベース７５中に保持又は記憶する。各仮定された関係について、信頼性を評価し、アクションを合成し４０１、同じエンティティについて以前に定立された関係と相関し４０３、互いにクラスタメンバーについて属性類似性スコアを導出し４０５、ソースの正確度（以前の性能及び真実性）を考慮する４０７。その後、関係を推論するために使用される指標の特定の値の以前の性能を考慮し４０９、合成アクションを決定し開始する４１１。その後、発見又は調査タスクを起動し４１３、追加の情報の受信を待ち４１７及び／又は自動リンクし（すなわち、データベーストランザクションを生成し）４１５、リンケージ参照データベース９７に転送する。

図１１は、本開示による、挙動の又は以前から存在するデータ属性に基づいてどのように同様のエンティティがクラスタリングされるかを示すブロック図であり、シードエンティティを識別する５０３ためにエンティティ及びリンケージ参照データベース５０１が使用され、シードエンティティは、次いで、同様の、しかし別個のエンティティを探索するために識別情報解決５０５プロセスによって評価され、元の各シードエンティティは、同様であると判定されたそれらの他のエンティティとクラスタリングされる５０９。エンティティクラスタ５０９は、それらが管理され得るように、次いで、エンティティ及び関係構築情報データベース５１１に記憶される。

図１２Ａ〜図１２Ｃは、本開示による、どのようにルール推進処理が自己学習を通して連続的に改善するかを示すプロセスフロー図である。図１２Ａは、コアプロセスの再帰的性質を示す。図１２Ｂは、自己学習をサポートするために性能の追跡及び査定をサポートするための対話を追加する。最後に、図１２Ｃは、システムが経験に基づいて成熟するにつれて改善された方法でルールがプロセスを制御する方法に影響を及ぼすように自己学習を推進する追跡及び査定のフィードバックフローをより良く強調するために、コアプロセス対話の大部分を隠す。

図１２Ａでは、情報の発見及び収集７０１、識別情報解決７０３、エンティティのグループ化及びクラスタリング７０５、潜在的リンケージの自動評価７０７、及び潜在的リンケージの調査テスト７０９はすべて、潜在的関係を識別しそれらを評価するために、関係構築情報データベース５１１を介して対話する。プロセスは、ルール及び累積ソース性能情報によって制御される。なされた決定に応じて、満たされていない必要を満たし、且つ追加の発見及び管理のために再帰を推進するために、追加の発見が開始され得る７０１。代替的に、潜在的関係が承認又は拒否された場合、エンティティ及びリンケージ参照データベース５０１においてリンケージ及びリンケージの欠如を追加且つ保守する７１１。

図１２Ｂは、本開示の独自の自己学習についての説明を補足し、結果の連続的キャプチャ及び分析が自己学習を推進する。関係を発見、管理、且つ裁定するために使用されるルールを改良する機会へのインサイトを獲得する目的で、エンティティ及び関係構築情報データベース５１１中に蓄積されたデータを分析するために分析技法８０１が適用される。分析されるデータのタイプは、限定はされないが、潜在的関係を発見するためにどのソース及び指標が使用されたのかと、そのソース及び指標が、同じ１つ又は複数のエンティティに関する関係情報について他のソースとどのように比較されるのかと、焦点エンティティ及び他のエンティティについてのそのような関係の調査テストの結果とを含み得る。これは、特定の発見ソースから受信されたときの特定の指標が承認済みビジネスリンケージを高度に予測することなど、インサイトを表出し得る。そのような観察は、次いで、そのソース及び指標を介して発見される関係の将来の裁定を支配するルールを改良するために活用される。分析技法８０１は、次いで、ルール及び累積ソース性能情報データベース７１３における発見及び管理のための新しい調整されたルールを定立する。分析技法８０１によっても使用され、ルール及び累積ソース性能情報データベース７１３で確立され成熟されるルールによっても活用されるデータの一部は、情報の発見及び収集７０１中に観測されるメタデータ違反と、潜在的リンケージの調査テスト７０９からのソース品質観測（すなわちマクロ及びマイクロレベル）と、潜在的リンケージの自動評価７０７と、潜在的リンケージの調査テスト７０９及びそのような結果の分析中に観測される、発見された評価ルール及び調整、並びに人的専門知識及びヒューリスティックとからフィードバックとして収集される。データベース７１３中の更新されたルール及び累積ソース性能情報は、情報の発見及び収集７０１、エンティティのグループ化／クラスタリング７０５、識別情報解決７０３、並びに潜在的リンケージの自動評価７０７などのプロセスを制御し続けるが、上記で説明されたフィードバックフローに基づいて生成される学習により改善された性能結果を用いて行う。

図１２Ｃは、図１２Ｂの自己学習態様の強調を補足するが、（図中の一定の破線によって指定された）フィードバック対話を保持し、且つ（図中の混合破線／点線によって指定された）コアプロセスを制御するルール対話を保持しながら、通常のコアプロセスフローの限られた部分のみを示している。

我々は本発明によるいくつかの実施形態を図示且つ説明したが、本発明は当業者に明らかな多数の変更の余地があり得ることが明確に理解されるべきである。したがって、我々は、図示及び説明された詳細に限定されることを望まず、添付の特許請求の範囲内に入るすべての変更形態及び修正形態を示すものである。

Claims (24)

1. パーティ間のダイアティック又はマルチなカウンターパーティ関係を発見するために使用される多次元再帰的プロセスであって、前記プロセスは、
   ａ． 複数のデータソースから情報を収集することと、
   ｂ． 前記収集された情報から前記パーティ間のダイアティック又はマルチなカウンターパーティ関係を発見することと、
   ｃ． 前記パーティ間に共通する、又は部分的に交差する属性に基づいて前記パーティ間の前記ダイアティック又はマルチなカウンターパーティ関係を推論するために前記パーティをクラスタリングし、それにより、クラスタリングされたパーティを形成することと、
   ｄ． 所与のパーティ又はダイアティック若しくはマルチなカウンターパーティ関係についての整合性及び不整合性を検出し測定するために、前記収集された情報を組み込み前記データソースからの指標を文脈的に査定することによって潜在的ビジネスリンケージについて前記クラスタリングされたパーティを評価することと、
   ｅ． 前記パーティが各関係において果たす関係タイプ及び役割を定立し評価することと、
   ｆ． 前記ダイアティック又はマルチなカウンターパーティ関係が前記パーティ間に存在する尤度に関する信頼性レベルを査定することと
   を含む、プロセス。
2. 前記ダイアティック又はマルチなカウンターパーティ関係が前記パーティ間に存在する可能性を評価且つ／又は査定するために前記多次元再帰的プロセスの性能を改善するために自己学習を活用するステップをさらに含む、請求項１に記載のプロセス。
3. 自己学習を活用する前記ステップは、（ａ）前記ダイアティック又はマルチなカウンターパーティ関係が前記パーティ間に存在する前記可能性を評価するために定立されたシードルールを使用することと、（ｂ）発見された関係の量、品質及び／又は性質について前記パーティの前記クラスタを評価するために、前記収集された情報にルールの現在既知のコーパスから適用可能な候補を適用することと、（ｃ）前記クラスタリングされたパーティにおける潜在的関係に関する真実を査定するために専門知識及び追加の情報を活用するために詳細な真実判定を使用することと、（ｄ）前記ダイアティック又はマルチなカウンターパーティ関係が前記パーティ間に存在すると判定するためにどの前記シードルール及び前記複数のソースが最も有用であるかを学習することと、（ｅ）前記複数のソースの各々の正確度を連続的に査定することと、（ｆ）前記シードルールへの追加の指標、新しいルール又は拡張を提案する裁定ルールを発見し定立するために経験を活用することとからなるグループから選択された少なくとも１つである、請求項２に記載のプロセス。
4. 前記裁定ルールを連続的に管理するステップをさらに含み、前記プロセスは、前記ダイアティック又はマルチなカウンターパーティ関係が前記パーティ間に存在する前記可能性を評価するために使用される前記シードルールをチューニング、改善且つ／又は調整するために、前記詳細な真実判定を通して獲得された経験を活用する、請求項３に記載のプロセス。
5. 前記プロセスの外部のパーティ間のダイアティック又はマルチなカウンターパーティ関係を発見するためのエンティティ識別子を確立し参照するために識別情報解決を使用するステップをさらに含む、請求項１に記載のプロセス。
6. 前記パーティを前記クラスタリングすることは、指標のフレキシブルな範囲に基づく、請求項１に記載のプロセス。
7. 前記指標は、挙動データと、名前と、開始特性と、サイズと、産業とからなるグループから選択された少なくとも１つである、請求項６に記載のプロセス。
8. 前記共通する、又は部分的に交差する属性は、インターネットアドレスの詳細、アカウント又は他の外部識別子、名前の類似度、アドレス、２次アドレス、共通の関係する個人、「代理」関係、及び知識、見解、又は仮定された関係からなるグループから選択された少なくとも１つの属性である、請求項１に記載のプロセス。
9. 前記ダイアティック又はマルチなカウンターパーティ関係が前記パーティ間に存在する前記尤度に関する前記信頼性レベルを査定する前記ステップは、他のパーティ及び潜在的関係のための同様のデータポイント、並びに／或いは他のパーティ及び潜在的関係のための同じデータポイントをもつ以前の経験に関係するルールに基づく、請求項１に記載のプロセス。
10. ステップ（ｆ）は、潜在的及び既存の関係、並びに前記潜在的及び既存の関係が、（ｉ）前記ビジネスリンケージになるように自動的に適格化すべきか、（ｉｉ）前記情報の収集と、潜在的ビジネスリンケージについて前記クラスタリングされたパーティの評価とをさらに必要とするか、又は（ｉｉｉ）存在する可能性が不十分であり、さらなる能動的注意を正当化しないか、を査定するための前記プロセス性能を改善する、請求項３に記載のプロセス。
11. 情報を前記収集することは、前記情報の新しいソースを識別することと、前記ソースの前記品質を評価することと、データ環境の変化を理解することと、適切なデータの識別のための新しい技術及びプロセスを開発することとからなるグループから選択された少なくとも１つの発見を伴う、請求項１に記載のプロセス。
12. プロセッサと、
    前記プロセッサによって読取り可能な命令を含んでいるメモリであって、前記プロセッサによって読み取られたとき、
    ａ． 複数のデータソースから情報を収集することと、
    ｂ． 前記収集された情報から前記パーティ間のダイアティック又はマルチなカウンターパーティ関係を発見することと、
    ｃ． 前記パーティ間に共通する、又は部分的に交差する属性に基づいて前記パーティ間の前記ダイアティック又はマルチなカウンターパーティ関係を推論するために前記パーティをクラスタリングし、それにより、クラスタリングされたパーティを形成することと、
    ｄ． 所与のパーティ又はダイアティック若しくはマルチなカウンターパーティ関係についての整合性及び不整合性を検出し測定するために、前記収集された情報を組み込み前記データソースからの指標を文脈的に査定することによって潜在的ビジネスリンケージについて前記クラスタリングされたパーティを評価することと、
    ｅ． 前記パーティが各関係において果たす関係タイプ及び役割を定立し評価することと、
    ｆ． 前記ダイアティック又はマルチなカウンターパーティ関係が前記パーティ間に存在する尤度に関する信頼性レベルを査定することと
    のアクションを前記プロセッサに実施させる、メモリと
    を備えるシステム。
13. 前記ダイアティック又はマルチなカウンターパーティ関係が前記パーティ間に存在する可能性を評価且つ／又は査定するために前記多次元再帰的システムの性能を改善するために自己学習を活用するステップをさらに備える、請求項１２に記載のシステム。
14. 自己学習を活用する前記ステップは、（ａ）前記ダイアティック又はマルチなカウンターパーティ関係が前記パーティ間に存在する前記可能性を評価するために定立されたシードルールを使用することと、（ｂ）発見された関係の量、品質及び／又は性質について前記パーティの前記クラスタを評価するために、前記収集された情報にルールの現在既知のコーパスから適用可能な候補を適用することと、（ｃ）前記クラスタリングされたパーティにおける潜在的関係に関する真実を査定するために専門知識及び追加の情報を活用するために詳細な真実判定を使用することと、（ｄ）前記ダイアティック又はマルチなカウンターパーティ関係が前記パーティ間に存在すると判定するためにどの前記シードルール及び前記複数のソースが最も有用であるかを学習することと、（ｅ）前記複数のソースの各々の正確度を連続的に査定することと、（ｆ）前記シードルールへの追加の指標、新しいルール又は拡張を提案する裁定ルールを発見し定立するために経験を活用することとからなるグループから選択された少なくとも１つである、請求項１３に記載のシステム。
15. 前記裁定ルールを連続的に管理するステップをさらに備え、前記システムは、前記ダイアティック又はマルチなカウンターパーティ関係が前記パーティ間に存在する前記可能性を評価するために使用される前記シードルールをチューニング、改善且つ／又は調整するために、前記詳細な真実判定を通して獲得された経験を活用する、請求項１４に記載のシステム。
16. 前記システムの外部のパーティ間のダイアティック又はマルチなカウンターパーティ関係を発見するための識別子を確立し参照するために識別情報解決を使用するステップをさらに備える、請求項１２に記載のシステム。
17. 前記パーティを前記クラスタリングすることは、指標のフレキシブルな範囲に基づく、請求項１２に記載のシステム。
18. 前記指標は、挙動データと、名前と、開始特性と、サイズと、産業とからなるグループから選択された少なくとも１つである、請求項１７に記載のシステム。
19. 前記共通する、又は部分的に交差する属性は、インターネット上の詳細、アカウント又は他の外部識別子、名前の類似度、アドレス、２次アドレス、関係する個人、「代理」関係、及び知識、見解、又は仮定された関係からなるグループから選択された少なくとも１つの属性である、請求項１２に記載のシステム。
20. 前記ダイアティック又はマルチなカウンターパーティ関係が前記パーティ間に存在する前記尤度に関する前記信頼性レベルを査定する前記ステップは、他のパーティ及び潜在的関係のための同様のデータポイントをもつ以前の経験に関係するルールに基づく、請求項１２に記載のシステム。
21. 前記ダイアティック又はマルチなカウンターパーティ関係が前記パーティ間に存在する前記尤度に関する前記信頼性レベルを査定する前記ステップは、他のパーティ及び潜在的関係のための同じデータポイントをもつ以前の経験に関係するルールに基づく、請求項１２に記載のシステム。
22. ステップ（ｆ）は、潜在的及び既存の関係、並びに前記潜在的及び既存の関係が、（ｉ）前記ビジネスリンケージになるように自動的に適格化すべきか、（ｉｉ）前記情報の収集と、潜在的ビジネスリンケージについて前記クラスタリングされたパーティの評価とをさらに必要とするか、又は（ｉｉｉ）存在する可能性が不十分であり、さらなる能動的注意を正当化しないか、を査定するための前記システムの性能を改善する、請求項１４に記載のシステム。
23. 情報を前記収集することは、前記情報の新しいソースを識別することと、前記ソースの前記品質を評価することと、データ環境の変化を理解することと、適切なデータの識別のための新しい技術及びシステムを開発することとからなるグループから選択された少なくとも１つの発見を伴う、請求項１２に記載のシステム。
24. 実行されたとき、
    ａ． 複数のデータソースから情報を収集することと、
    ｂ． 前記収集された情報から前記パーティ間のダイアティック又はマルチなカウンターパーティ関係を発見することと、
    ｃ． 前記パーティ間に共通する、又は部分的に交差する属性に基づいて前記パーティ間の前記ダイアティック又はマルチなカウンターパーティ関係を推論するために前記パーティをクラスタリングし、それにより、クラスタリングされたパーティを形成することと、
    ｄ． 所与のパーティ又はダイアティック若しくはマルチなカウンターパーティ関係についての整合性及び不整合性を検出し測定するために、前記収集された情報を組み込み前記データソースからの指標を文脈的に査定することによって潜在的ビジネスリンケージについて前記クラスタリングされたパーティを評価することと、
    ｅ． 前記パーティが各関係において果たす関係タイプ及び役割を定立し評価することと、
    ｆ． 前記ダイアティック又はマルチなカウンターパーティ関係が前記パーティ間に存在する尤度に関する信頼性レベルを査定することと
    を含む方法を処理システムに実施させる実行可能なコンピュータプログラム命令を記憶しているコンピュータ可読記憶媒体。

Images