JP2018045649A - 判定装置、判定方法および判定プログラム - Google Patents

Abstract

【課題】ユーザの社会的信用度を高精度に判定すること。【解決手段】本願にかかる判定装置は、取得部と、判定部とを有する。取得部は、電子商取引における所定のユーザの行動情報を取得する。判定部は、電子商取引における任意のユーザの行動情報と任意のユーザの信用度との関係に基づいて、取得部により行動情報が取得された所定のユーザの信用度を判定する。【選択図】図２

Description

本発明は、判定装置、判定方法および判定プログラムに関する。

近年、インターネットの飛躍的な普及に伴い、多くの情報が送受信されている。そのため、例えば、ユーザによって送受信された情報をビジネスに活用しようという試みがなされている。

例えば、特許文献１には、ソーシャルネットワーク（ＳＮＳ）から得られる情報を利用した演算処理によって人物の信用力を算出する技術が開示されている。

特開２０１４−２０６７９２号公報

しかしながら、上記の従来技術では、ユーザの社会的信用度を高精度に判定することができるとは限らない。例えば、上記の従来技術では、情報処理装置が、ＳＮＳ上でのユーザのプロフィール、ＳＮＳ上でユーザが発したコメント、ＳＮＳ上でのユーザの友達関係等に基づいて、与信におけるユーザの信用力を示す与信モデルを生成する。そして、情報処理装置が、生成した与信モデルを用いてリスクスコアを算出する。しかしながら、ＳＮＳ上ではユーザは、架空の人物を装う場合も多く、上記の従来技術では、必ずしもユーザの社会的信用度を高精度に判定することができるとは限らない。

本願は、上記に鑑みてなされたものであって、ユーザの社会的信用度を高精度に判定することができる判定装置、判定方法および判定プログラムを提供することを目的とする。

本願にかかる判定装置は、電子商取引における所定のユーザの行動情報を取得する取得部と、電子商取引における任意のユーザの行動情報と前記任意のユーザの信用度との関係に基づいて、前記取得部により行動情報が取得された前記所定のユーザの信用度を判定する判定部とを有することを特徴とする。

実施形態の一態様によれば、ユーザの社会的信用度を高精度に判定することができるといった効果を奏する。

図１は、実施形態にかかる判定処理の一例を示す図である。 図２は、実施形態にかかる判定装置の構成例を示す図である。 図３は、実施形態にかかる行動傾向記憶部の一例を示す図である。 図４は、実施形態にかかる判定装置による判定処理手順を示すフローチャートである。 図５は、判定装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。

以下に、本願にかかる判定装置、判定方法および判定プログラムを実施するための形態（以下、「実施形態」と呼ぶ）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かかる判定装置、判定方法および判定プログラムが限定されるものではない。

〔１．判定処理〕
まず、図１を用いて、実施形態にかかる判定処理の一例について説明する。図１は、実施形態にかかる判定処理の一例を示す図である。実施形態にかかる判定処理は、図１に示す判定装置１００によって行われる。

図１に示す判定システム１には、ショッピングサーバ１０と、判定装置１００とが含まれる。ショッピングサーバ１０と、判定装置１００とは、ネットワークを介して、有線または無線により通信可能に接続される。なお、図１に示す判定システム１には、複数台のショッピングサーバ１０、複数台の判定装置１００が含まれてもよい。

まず、ショッピングサーバ１０は、ユーザと電子商取引を行うサーバ装置である。具体的には、ショッピングサーバ１０は、複数の店舗によって出品された商品をオンライン上で購入可能に提供するサーバ装置である。例えば、ユーザは、自身の端末装置を用いて、ショッピングサーバ１０にアクセスし、購入希望商品を検索し、検索した購入希望商品の注文を行う。

また、ユーザは、例えば、商品購入後に購入した商品に対して評価する評価行動を行う。かかる評価行動の一例は、商品に対する満足度を示す評価点の付与（例えば、５点満点中３点等）、あるいは、商品に対する感想および評価コメント、すなわちレビューコメントの投稿といったものである。

実施形態にかかる判定装置１００は、電子商取引における所定のユーザの行動情報を取得し、電子商取引における任意のユーザの行動情報と当該任意のユーザの信用度との関係に基づいて、行動情報を取得した所定のユーザの信用度を判定する。

具体的には、判定装置１００は、任意のユーザの行動情報と当該任意のユーザの信用度との間での相関関係を機械学習することにより学習モデルを生成する。そして、判定装置１００は、所定のユーザから取得した行動情報を学習モデルに適用することで、所定のユーザの信用度を判定する。

本実施形態では、判定装置１００は、所定の金融機関（例えば、銀行、カード会社、ローン会社等）によって利用されるサーバ装置であるものとする。以下では、判定装置１００によって行われる判定処理の一例について説明する。

まず、判定装置１００は、行動傾向記憶部１２０を有する。行動傾向記憶部１２０は、これまでに金融取引のあったユーザにおけるインターネット上での行動情報と、金融取引における信用度を示す指標とを対応付けて記憶する記憶部である。図１の例では、行動傾向記憶部１２０は、ショッピングサーバ１０で商品を購入したユーザによる商品に対する行動情報と、これまでの金融取引における貸し倒れ率とを対応付けて記憶している。具体的には、行動傾向記憶部１２０は、各ユーザに購入された商品のうち同一の商品に対して各ユーザがどれだけの評価点を付与したかといった行動情報と、これまでの金融取引における各ユーザの貸し倒れ率とを対応付けて記憶している。

このような場合において、判定装置１００は、行動傾向記憶部１２０を参照し、どれくらいの評価点を付与するユーザが、どれくらいの貸し倒れ率であるかといった行動情報と信用度との間での相関関係を機械学習する。これにより、判定装置１００は、所定のユーザ、すなわち信用度判定対象のユーザの信用度を判定するための信用度モデル（学習モデルの一例）を生成する（ステップＳ１）。

例えば、判定装置１００は、ユーザによって付与された評価点とユーザの貸し倒れ率との相関関係をモデルに学習させることで、ユーザの信用度を推定する信用度モデルの学習を行う。例えば、判定装置１００は、ＳＶＭ（Support Vector Machine）やＤＮＮ（Deep Neural Network）の技術を用いて、ユーザによって付与された評価点に基づいて、貸し倒れ率に応じたユーザのクラスタリングを行う信用度モデルを作成する。このような処理の結果、判定装置１００は、信用度が不明なユーザによって付与された評価点から、かかるユーザの信用度を推定する信用度モデルを作成することができる。

例えば、判定装置１００は、行動傾向記憶部１２０に記憶される各ユーザによって付与された評価点の平均値を算出し、算出した平均値より低い評価点を付与しているユーザと、かかるユーザの貸し倒れ率との間での相関関係を機械学習する。例えば、判定装置１００は、機械学習により「平均値より低い評価点を付与しているユーザは、貸し倒れ率が高い傾向にある」といった相関関係を得たとする。

また、一方で、判定装置１００は、機械学習により「平均値より高い評価点を付与しているユーザは、貸し倒れ率が低い傾向にある」といった相関関係を得たとする。

上記例の場合、例えば、判定装置１００は、平均値より低い評価点を付与しているユーザには、金融取引における信用度を低く算出するための信用度モデルであって、平均値より高い評価点を付与しているユーザには金融取引における信用度を高く算出するための信用度モデルを生成する。図１では、判定装置１００は、このような信用度モデルとして「信用度モデルＭ１」を生成した例を示す。

このような状態において、判定装置１００は、ユーザＵ１０から借入依頼（金融サービスの一例）を受け付けたとする（ステップＳ２）。かかる場合、判定装置１００は、金融取引（借入）におけるユーザＵ１０をステップＳ１で生成した信用度モデルＭ１を用いて判定する。

ここで、ユーザＵ１０は、これまでにショッピングサーバ１０で商品購入することにより評価点の付与といった評価行動を既に行っているものとする。そこで、判定装置１００は、ショッピングサーバ１０にアクセスし、ユーザＵ１０の行動情報を取得する（ステップＳ３）。図１では、判定装置１００が、ユーザＵ１０の行動情報として「評価点１を付与」を取得した例を示す。なお、例えば、ユーザＵ１０が、これまでの複数の商品に対して評価点を付与している場合には、判定装置１００は、各商品に対する評価点の平均値をユーザＵ１０の行動情報として取得してもよい。

次に、判定装置１００は、取得した行動情報「評価点１を付与」を信用度モデルＭ１に適用することにより信用度スコアを算出し、算出した信用度スコアに基づいてユーザＵ１０の信用度を判定する（ステップＳ４）。例えば、判定装置１００は、図１に示すように、信用度スコア「１」を算出したとする。例えば、信用度モデルＭ１から算出される信用度スコアの最大値が「５」であり、この信用度スコア「１」が、信用度判定における閾値より低いとすると、判定装置１００は、金融取引におけるユーザＵ１０の信用度が「低い」と判定する。

信用度が低いユーザＵ１０と取引することは、例えば、判定装置１００を管理する金融機関にとってリスクが高いといえる。したがって、図１に示すように、判定装置１００は、ユーザＵ１０の端末装置に「取引不可」を示す情報を通知する（ステップＳ５）。

なお、図示しないが、判定装置１００は、ユーザＵ１０の信用度が「高い」と判定した場合には、ユーザＵ１０の端末装置に「取引許可」を示す情報を通知する。

このように、実施形態にかかる判定装置１００は、電子商取引における所定のユーザの行動情報を取得し、電子商取引における任意のユーザの行動情報と当該任意のユーザの信用度との関係に基づいて、行動情報を取得した所定のユーザの信用度を判定する。

例えば、オンラインショッピング等の電子商取引は匿名性が高いため、電子商取引におけるユーザの行動には、そのユーザの人となりが現れやすいといえる。実施形態にかかる判定装置１００は、このような人となりと、金融取引での信用度（例えば、貸し倒れ率）との相関関係を機械学習することにより、信用度モデルを生成する。そして、判定装置１００は、信用度モデルを用いることで、信用度が未知のユーザについて、その信用度を高精度に判定することができる。

〔２．判定装置の構成〕
次に、図２を用いて、実施形態にかかる判定装置１００について説明する。図２は、実施形態にかかる判定装置１００の構成例を示す図である。図２に示すように、実施形態にかかる判定装置１００は、通信部１１０と、行動傾向記憶部１２０と、制御部１３０とを有する。

（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。そして、通信部１１０は、ネットワークと有線または無線で接続され、例えば、ショッピングサーバ１０との間で情報の送受信を行う。

（行動傾向記憶部１２０について）
行動傾向記憶部１２０は、例えば、ＲＡＭ（Random Access Memory)、フラッシュメモリ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。また、行動傾向記憶部１２０は、これまでに金融取引のあったユーザにおけるインターネット上での行動情報と、金融取引における信用度を示す指標とを対応付けて記憶する記憶部である。

ここで、図３に実施形態にかかる行動傾向記憶部１２０の一例を示す。図３の例では、行動傾向記憶部１２０は、「ユーザＩＤ」、「評価点」、「コメント長さ」、「コメント率」、「貸し倒れ率」といった項目を有する。

「ユーザＩＤ」は、判定装置１００あるいは判定装置１００を管理する金融機関との間でこれまでに金融取引のあったユーザであって、ショッピングサーバ１０において購入した購入商品に対して所定の評価行動をおこなったユーザを識別する識別情報を示す。

「評価点」、「コメント長さ」、「コメント率」は、ユーザの行動情報の一例である。「評価点」は、購入商品に対して評価点を付与するといった評価行動を示す情報である。図３の例では、ユーザＩＤ「Ｕ１」によって識別されるユーザが、自身の購入商品に対して「評価点２」を付与といった評価行動を行ったことを示す。

「コメント長さ」は、購入商品に対してレビューコメントを投稿するといった評価行動を示す情報である。図３の例では、ユーザＩＤ「Ｕ１」によって識別されるユーザが、自身の購入商品に対してコメント長さ「９０文字」のレビューコメントを投稿するといった評価行動を行ったことを示す。

「コメント率」は、対応するユーザがこれまでの購入商品に対して、どれくらいの割合でレビューコメントを投稿したかといった評価行動を示す情報である。図３の例では、ユーザＩＤ「Ｕ１」によって識別されるユーザが、自身の購入商品に対して、これまでにレビューコメントを投稿した割合が「３％」であることを示す。なお、行動傾向記憶部１２０において対象とされる購入商品は、全てのユーザで同一のものである。あるいは、行動傾向記憶部１２０において対象とされる購入商品は、全てのユーザで同一種別、または、同一カテゴリのものであってもよい。

「貸し倒れ率」は、判定装置１００あるいは判定装置１００を管理する金融機関との間でのユーザの金融取引のうち、かかるユーザが貸し倒れした割合を示す。図３の例では、ユーザＩＤ「Ｕ１」によって識別されるユーザの貸し倒れ率が「７５％」である例を示す。

（制御部１３０について）
図２に戻り、制御部１３０は、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、判定装置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、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。

図２に示すように、制御部１３０は、モデル生成部１３１と、提供部１３２と、取得部１３３と、判定部１３４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２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２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。

（モデル生成部１３１について）
モデル生成部１３１は、任意のユーザの行動情報と任意のユーザの信用度との間での相関関係を機械学習することにより信用度モデルを生成する。この点について、図３の例を用いて説明する。

例えば、モデル生成部１３１は、行動傾向記憶部１２０を参照し、どれくらいの評価点を付与するユーザが、どれくらいの貸し倒れ率であるかといった行動情報と信用度との間での相関関係を機械学習する。

例えば、モデル生成部１３１は、行動傾向記憶部１２０に記憶される各ユーザによって付与された評価点の平均値を算出し、算出した平均値より低い評価点を付与しているユーザと、かかるユーザの貸し倒れ率との間での相関関係を機械学習する。また、例えば、モデル生成部１３１は、算出した平均値より高い評価点を付与しているユーザと、かかるユーザの貸し倒れ率との間での相関関係を機械学習する。

ここで、モデル生成部１３１は、機械学習により「平均値より低い評価点を付与しているユーザは、貸し倒れ率が高い傾向にある」といった相関関係を得たとする。また、一方で、モデル生成部１３１は、機械学習により「平均値より高い評価点を付与しているユーザは、貸し倒れ率が低い傾向にある」といった相関関係を得たとする。かかる場合、モデル生成部１３１は、平均値より低い評価点を付与しているユーザには、金融取引における信用度を低く算出するための信用度モデルであって、平均値より高い評価点を付与しているユーザには金融取引における信用度を高く算出するための信用度モデルＭ１ａを生成する。

また、モデル生成部１３１は、行動傾向記憶部１２０を参照し、どれくらいの長さのレビューコメントを投稿するユーザが、どれくらいの貸し倒れ率であるかといった行動情報と信用度との間での相関関係を機械学習する。例えば、モデル生成部１３１は、行動傾向記憶部１２０に記憶される各ユーザによって投稿されたコメント長さの平均値を算出し、算出した平均値より短いレビューコメントを投稿しているユーザと、かかるユーザの貸し倒れ率との間での相関関係を機械学習する。また、例えば、モデル生成部１３１は、算出した平均値より長いレビューコメントを投稿しているユーザと、かかるユーザの貸し倒れ率との間での相関関係を機械学習する。

ここで、モデル生成部１３１は、機械学習により「平均値より短いレビューコメントを投稿しているユーザは、貸し倒れ率が高い傾向にある」といった相関関係を得たとする。また、一方で、モデル生成部１３１は、機械学習により「平均値より長いレビューコメントを投稿しているユーザは、貸し倒れ率が低い傾向にある」といった相関関係を得たとする。かかる場合、モデル生成部１３１は、平均値より短いレビューコメントを投稿しているユーザには、金融取引における信用度を低く算出するための信用度モデルであって、平均値より長いレビューコメントを投稿しているユーザには、金融取引における信用度を高く算出するための信用度モデルＭ１ｂを生成する。

また、モデル生成部１３１は、行動傾向記憶部１２０を参照し、どれくらいのコメント率のユーザが、どれくらいの貸し倒れ率であるかといった行動情報と信用度との間での相関関係を機械学習する。例えば、モデル生成部１３１は、行動傾向記憶部１２０に記憶される各ユーザによって投稿されたコメント率の平均値を算出し、算出した平均値より低いコメント率のユーザと、かかるユーザの貸し倒れ率との間での相関関係を機械学習する。また、例えば、モデル生成部１３１は、算出した平均値より高いコメント率のユーザと、かかるユーザの貸し倒れ率との間での相関関係を機械学習する。

ここで、モデル生成部１３１は、機械学習により「平均値より低いコメント率のユーザは、貸し倒れ率が高い傾向にある」といった相関関係を得たとする。また、一方で、モデル生成部１３１は、機械学習により「平均値より高いコメント率のユーザは、貸し倒れ率が低い傾向にある」といった相関関係を得たとする。かかる場合、モデル生成部１３１は、平均値より低いコメント率のユーザには、金融取引における信用度を低く算出するための信用度モデルであって、平均値より高いコメント率のユーザには、金融取引における信用度を高く算出するための信用度モデルＭ１ｃを生成する。

そして、モデル生成部１３１は、上記のように生成した信用度モデルＭ１ａ〜Ｍ１ｃを統合した一つの信用度モデルとして、例えば、信用度モデルＭ１１を生成する。

（提供部１３２について）
提供部１３２は、ユーザに対して各種金融サービスを提供する。また、提供部１３２は、ユーザから金融サービスを受けたい旨の依頼を受け付ける。

（取得部１３３について）
取得部１３３は、電子商取引における所定のユーザの行動情報を取得する。例えば、取得部１３３は、行動情報として、商品に対する評価行動、商品の販売元に対する評価行動、商品の購入者に対する評価行動、コメントを投稿する行動、商品売買において取引をキャンセルする行動、または、商品を購入するまで行った行動の各行動のうち少なくとも１つの行動に関する情報を取得する。

（判定部１３４について）
判定部１３４は、電子商取引における任意のユーザの行動情報と任意のユーザの信用度との関係に基づいて、取得部１３３により行動情報が取得された所定のユーザの信用度を判定する。具体的には、判定部１３４は、取得部１３３により取得された行動情報を信用度モデルに適用することで、所定のユーザの信用度を判定する。また、例えば、判定部１３４は、金融サービスを提供する際に用いる信用度を判定する。

ここで、上記のようにモデル生成部１３１によって生成された信用度モデルＭ１１を用いて、ユーザＵ１０の信用度を判定する処理について説明する。まず、取得部１３３は、ショッピングサーバ１０にアクセスし、ユーザＵ１０の行動情報を取得する。

例えば、取得部１３３は、購入商品に対する評価行動に関する情報として「評価点１を付与」を取得したとする。また、取得部１３３は、コメントを投稿する行動に関する情報として「コメント長さ７０文字のレビューコメントを投稿」を取得したとする。また、取得部１３３は、「コメント率１０％」を取得したとする。

そして、判定部１３４は、取得部１３３により取得された上記３つの行動情報を信用度モデルＭ１１に適用することにより信用度スコアを算出する。例えば、判定部１３４は、信用度スコアの最大値が「５」となる信用度モデルＭ１１において、信用度スコア「１」を算出したとする。信用度スコア「１」が信用度判定における閾値より低いとすると、判定部１３４は、金融取引におけるユーザＵ１０の信用度が「低い」と判定する。

このように信用度が「低い」と判定された場合、提供部１３２は、ユーザＵ１０の端末装置に「取引不可」を示す情報を通知する。一方、提供部１３２は、信用度が「高い」と判定された場合には、ユーザＵ１０の端末装置に「取引許可」を示す情報を通知する。

〔３．処理手順〕
次に、図４を用いて、実施形態にかかる判定装置１００が実行する判定処理の手順について説明する。図４は、実施形態にかかる判定装置１００による判定処理手順を示すフローチャートである。ここでは、判定装置１００は、既に信用度モデルを生成済みであるものとする。

まず、提供部１３２は、ユーザから金融サービスの依頼（例えば、借入依頼）を受け付けたか否かを判定する（ステップＳ１０１）。受け付けていない場合には（ステップＳ１０１；Ｎｏ）、提供部１３２は、受け付けるまで待機する。一方、取得部１３３は、提供部１３２により金融サービスの依頼を受け付けたと判定された場合には（ステップＳ１０１；Ｙｅｓ）、依頼元のユーザの電子商取引上での行動情報を取得する（ステップＳ１０２）。

次に、判定部１３４は、取得部１３３により取得された行動情報を信頼度モデルに適用することにより、信頼度スコアを算出する（ステップＳ１０３）。次に、判定部１３４は、算出した使用度スコアが閾値以上であるか否かを判定する（ステップＳ１０４）。判定部１３４は、信用度スコアが閾値以上であると判定した場合には（ステップＳ１０４；Ｙｅｓ）、サービス提供を許可する通知をユーザの端末装置に送信する（ステップＳ１０５）。一方、判定部１３４は、信用度スコアが閾値より低いと判定した場合には（ステップＳ１０４；Ｎｏ）、サービス提供が不可である通知をユーザの端末装置に送信する（ステップＳ１０６）。

〔４．変形例〕
上記実施形態にかかる判定装置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、判定装置１００の他の実施形態について説明する。

〔４−１．モデル生成（１）〕
上記実施形態では、モデル生成部１３１は、任意のユーザの行動情報と任意のユーザの信用度との間での相関関係を機械学習することにより学習モデルを生成する例を示した。しかしながら、モデル生成部１３１は、このような学習モデルをユーザの属性情報毎に生成してもよい。また、かかる場合、判定部１３４は、所定のユーザの属性情報に対応する学習モデルを用いて、所定のユーザの信用度を判定する。この点について、図１の例を用いて説明する。ここでは、ユーザの属性情報として「性別」を用いた例を示す。すなわち、モデル生成部１３１は、任意のユーザの「性別」毎に、任意のユーザの行動情報および信用度に基づいて学習モデルを生成する。

まず、図１に示す行動傾向記憶部１２０は、さらに項目「性別」を有する。そして、まず、モデル生成部１３１は、行動傾向記憶部１２０に記憶されるユーザを性別「男性」および「女性」に分ける。

このような状態において、モデル生成部１３１は、「男性」では、どれくらいの評価点を付与するユーザが、どれくらいの貸し倒れ率であるかといった行動情報と信用度との間での相関関係を機械学習する。同様に、モデル生成部１３１は、「女性」では、どれくらいの評価点を付与するユーザが、どれくらいの貸し倒れ率であるかといった行動情報と信用度との間での相関関係を機械学習する。

ここで、モデル生成部１３１は、機械学習により「平均値より低い評価点を付与している男性ユーザは、貸し倒れ率が高い傾向にある」といった相関関係を得たとする。また、一方で、モデル生成部１３１は、機械学習により「平均値より高い評価点を付与している男性ユーザは、貸し倒れ率が低い傾向にある」といった相関関係を得たとする。かかる場合、モデル生成部１３１は、平均値より低い評価点を付与している男性ユーザには、金融取引における信用度を低く算出するための信用度モデルであって、平均値より高い評価点を付与している男性ユーザには、金融取引における信用度を高く算出するための信用度モデルＭ１−Ｍを生成する。

説明を省略するが、同様の考えに基づき、モデル生成部１３１は、平均値より低い評価点を付与している女性ユーザには、金融取引における信用度を低く算出するための信用度モデルであって、平均値より高い評価点を付与している女性ユーザには、金融取引における信用度を高く算出するための信用度モデルＭ１−Ｗを生成する。

ここで、例えば、借入依頼したユーザＵ１０が「男性」であるとする。かかる場合、判定部１３３は、取得部１３３により取得されたユーザＵ１０の行動情報を、男性用の信用度モデルＭ１−Ｍに適用することで、ユーザＵ１０の信用度を判定する。

例えば、ユーザの属性情報によっては、行動情報と信用度との間に特定の相関関係が成立する場合がある。このような状況に合わせて、実施形態にかかる判定装置１００は、ユーザの属性情報に応じた信用度モデルをそれぞれ生成しておく。そして、判定装置１００は、信用度判定対象のユーザの属性情報に応じた信用度モデルを用いて、信用度判定対象のユーザの信用度スコアを算出することができるため、より精度よく信用度を判定することができる。

なお、本変形例では、ユーザの属性情報としてユーザの「性別」を用いる例を示したが、「性別」に限定される必要はない。例えば、モデル生成部１３１は、機械学習により、ユーザの属性情報としてユーザの「年齢」毎に特定の傾向を示す相関関係が得られた場合には、「年齢」毎の信用度モデルを生成してもよい。

〔４−２．モデル生成（２）〕
また、モデル生成部１３１は、任意のユーザの健康状態毎に、任意のユーザの行動情報および信用度に基づいて学習モデルを生成してもよい。かかる場合、判定部１３４は、所定のユーザの健康状態に対応する学習モデルを用いて、所定のユーザの信用度を判定する。

図１の例を用いて説明すると、行動傾向記憶部１２０は、さらに項目「健康状態」を有する。例えば、健康状態として、「良」あるいは「不良」が入力されてもよいし、さらに細かな分類として「病名」等が入力されてもよい。

また、判定装置１００は、例えば、これまでに金融取引のあったユーザの行動情報をショッピングサーバ１０から収集し、行動傾向記憶部１２０に蓄積していくが、この際に、各ユーザの健康状態を判定し、判定した健康状態を入力する。また、この例に限らず、判定装置１００は、任意のタイミングで行動傾向記憶部１２０に蓄積されている各ユーザについて健康状態を判定してもよい。

また、判定装置１００は、任意の手法を用いて、各ユーザの健康状態を判定することができる。例えば、判定装置１００は、ユーザの購入商品に基づいて健康状態を判定してもよいし、投稿内容に基づいて健康状態を判定してもよい。

また、判定装置１００は、信用度モデルを生成する際には、行動傾向記憶部１２０に記憶されるユーザを健康状態毎に分け、健康状態毎に、行動情報と貸し倒れ率との間での相関関係を学習する。そして、判定装置１００は、特定の健康状態において、行動情報と貸し倒れ率との間に特定の相関関係が得られた場合には、その相関関係を示す学習モデルを生成する。

例えば、ユーザの健康状態によっては、行動情報と信用度との間で特定の相関関係が成立する場合がある。このような状況に合わせて、実施形態にかかる判定装置１００は、ユーザの健康状態に応じた信用度モデルをそれぞれ生成しておく。そして、判定装置１００は、信用度判定対象のユーザの健康状態に応じた信用度モデルを用いて、信用度判定対象のユーザの信用度を判定することができるため、より精度よく信用度を算出することができる。

〔４−３．モデル生成（３）〕
また、モデル生成部１３１は、販売者と購入者との間で行われる互いの評価付けに基づいて、信用度モデルを生成してもよい。ここで、図１では、オンラインショッピングを提供するショッピングサーバ１０を用いた例を示したが、オークション処理を実行するオークションサーバＸを例に説明する。

オークションサーバＸは、出品者と落札者が互いに評価する（評価点を付与する）ことのできる仕組みを有する。このような場合、モデル生成部１３１は、オークションサーバＸから、出品者と落札者とその互いの評価点との組み合わせを取得する。そして、モデル生成部１３１は、各組合せについて、評価バランスの崩れを特定する。例えば、評価点の最大値が「５」、中間が「３」であるとすると、モデル生成部１３１は、落札者に対して最大評価点「５」を付与する出品者と、出品者に対して最小評価点「１」を付与する落札者との組合せを特定する。

そして、モデル生成部１３１は、最小評価点「１」を付与した落札者に対して最大評価点「５」を付与するといった行動を行った出品者の貸し倒れ率の傾向を機械学習する。また、モデル生成部１３１は、パターンＡにおいて、最大評価点「５」を付与した出品者に対して最小評価点「１」を付与するといった行動を行った落札者の貸し倒れ率の傾向を機械学習する。

そして、モデル生成部１３１は、例えば、最小評価点「１」を付与した落札者に対して最大評価点「５」を付与するといった行動を行った出品者の信用度を高く算出し、最大評価点「５」を付与した出品者に対して最小評価点「１」を付与するといった行動を行った落札者の信用度を低く算出する学習モデルを生成する。

また、かかる場合、判定部１３５は、信用度対象ユーザがこれまでオークションにおいてどのような評価点付けたかといった行動情報（例えば、信用度対象ユーザが落札者であったときの出品者に対する評価点の平均値、あるいは、信用度対象ユーザが出品者であったときの落札者に対する評価点の平均値）を上記のように生成された信用度モデルに適用することにより、信用度対象ユーザの信用度を判定する。

〔４−４．モデル生成（４）〕
また、モデル生成部１３１は、商品を購入するまで行った行動に関する情報に基づいて、信用度モデルを生成してもよい。商品を購入するまで行った行動に関する情報とは、例えば、その商品を購入するに至るまでに、その商品について検索を行った回数である。

また、かかる場合、例えば、図の例では、行動傾向記憶部１２０には、ユーザ毎に、特定の商品を購入するまで行った検索回数と、そのユーザの貸し倒れ率とが対応付けて記憶される。ここでの特定の商品は、価格や種類等は限定されないが、全てのユーザにとって同一の商品である。ここで、モデル生成部１３１は、行動傾向記憶部１２０に記憶される各ユーザの検索回数の平均値を算出し、算出した平均値より少ない検索回数のユーザと、かかるユーザの貸し倒れ率との間での相関関係を機械学習する。また、例えば、モデル生成部１３１は、算出した平均値より多い検索回数のユーザと、かかるユーザの貸し倒れ率との間での相関関係を機械学習する。

ここで、モデル生成部１３１は、機械学習により「平均値より少ない検索回数のユーザは、貸し倒れ率が高い傾向にある」といった相関関係を得たとする。また、一方で、モデル生成部１３１は、機械学習により「平均値より多い検索回数のユーザは、貸し倒れ率が低い傾向にある」といった相関関係を得たとする。かかる場合、モデル生成部１３１は、平均値より少ない検索回数のユーザには、金融取引における信用度を低く算出するための信用度モデルであって、平均値より多い検索回数のユーザには、金融取引における信用度を高く算出するための信用度モデルを生成する。

また、かかる場合、判定部１３５は、信用度対象ユーザが特定の商品を購入するまでに行った、その特定の商品に関する検索回数を上記のように生成された学習モデルに適用することにより、信用度対象ユーザの信用度を判定する。

〔４−５．モデル生成（５）〕
また、上記実施形態では、モデル生成部１３１が、購入商品に対する評価行動、コメントを投稿する行動、あるいは、商品を購入するまで行った行動に関する情報を用いて、信用度モデルを生成する例を示した。しかし、モデル生成部１３１は、これら以外の行動情報を用いて、信用度モデルを生成してもよい。

例えば、モデル生成部１３１は、商品の販売元に対する評価行動、商品の購入者に対する評価行動、あるいは、商品売買において取引をキャンセルする行動（ユーザが取引をキャンセルしたキャンセル率）に関する情報を用いて、信用度モデルを生成してもよい。

〔４−６．モデル生成（６）〕
また、上記実施形態では、モデル生成部１３１は、転売に関するユーザの行動情報と、信用度との間での相関関係を学習することにより信用度モデルを生成してもよい。転売に関するユーザの行動情報とは、例えば、転売回数、あるいは、一度に転売した商品の個数、あるいは、一度にどれだけの商品を購入しそのうちどれだけ一度に転売したかっといった転売バランス等である。一例を示すと、モデル生成部１３１は、機械学習により、転売回数が多いほど貸し倒れ率が低いといった相関関係を得る場合がある。かかる場合、例えば、モデル生成部１３１は、転売回数が多いほど高い信用度スコアを算出する信用度モデルを生成する。

また、判定部１３５は、信用度判定対象ユーザの転売に関するユーザの行動情報を上記のように生成された信用度モデルに適用することにより、信用度判定対象のユーザの信用度を判定する。

なお、転売はユーザ個人によって行われる場合以外に、法人単位で行われる場合がある。一例を示すと、ある企業が所定のオークションサイトで一度に大量落札し、落札した品を所定のショッピングサイトで販売するといったものである。したがって、モデル生成部１３１は、法人（企業）の転売に関する行動情報と、法人の信用度との間での相関関係を学習することにより法人専用の信用度モデルを生成してもよい。

かかる場合、例えば、企業からの金融取引依頼があったとすると、判定部１３５は、その企業の転売に関する行動情報を法人専用の信用度モデルに適用することにより、依頼元の企業の信用度を判定する。

〔５．ハードウェア構成〕
また、上述してきた実施形態にかかる判定装置１００は、例えば図５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５は、判定装置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。

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。

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格納する。通信インターフェイス１５００は、通信網５０を介して他の機器からデータを受信してＣＰＵ１１００へ送り、ＣＰＵ１１００が生成したデータを、通信網５０を介して他の機器へ送信する。

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、生成したデータを、入出力インターフェイス１６００を介して出力装置へ出力する。

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。

例えば、コンピュータ１０００が実施形態にかかる判定装置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、行動傾向記憶部１２０内の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５０を介してこれらのプログラムを取得してもよい。

〔６．その他〕
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。

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。

また、上述してきた各実施形態は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。

〔７．効果〕
実施形態にかかる判定装置１００は、取得部１３３と、判定部１３４とを有する。取得部１３３は、電子商取引における所定のユーザの行動情報を取得する。判定部１３４は、電子商取引における任意のユーザの行動情報と任意のユーザの信用度との関係に基づいて、取得部により行動情報が取得された所定のユーザの信用度を判定する。

これにより、実施形態にかかる判定装置１００は、ユーザの社会的信用度を高精度に判定することができる。

また、実施形態にかかる判定装置１００は、モデル生成部１３１を有する。モデル生成部１３１は、任意のユーザの行動情報と任意のユーザの信用度との間での相関関係を機械学習することにより学習モデルを生成する。そして、判定部１３４は、取得部１３３により取得された行動情報を学習モデルに適用することで、所定のユーザの信用度を判定する。

このように、実施形態にかかる判定装置１００は、ユーザの行動情報とユーザの信用度との間での相関関係を機械学習することにより生成した学習モデルを用いることにより、ユーザの社会的信用度を高精度に判定することができる。

また、モデル生成部１３１は、任意のユーザの属性情報毎に、任意のユーザの行動情報及び信用度に基づいて学習モデルを生成し、判定部１３４は、所定のユーザの属性情報に対応する学習モデルを用いて、所定のユーザの信用度を判定する。

これにより、実施形態にかかる判定装置１００は、より精度よく信用度を判定することができる。

また、モデル生成部１３１は、任意のユーザの健康状態毎に、任意のユーザの行動情報及び信用度に基づいて学習モデルを生成する。また、判定部１３４は、所定のユーザの健康状態に対応する学習モデルを用いて、所定のユーザの信用度を判定する。

これにより、実施形態にかかる判定装置１００は、より精度よく信用度を判定することができる。

また、取得部１３１は、行動情報として、商品に対する評価行動、商品の販売元に対する評価行動、商品の購入者に対する評価行動、コメントを投稿する行動、商品売買において取引をキャンセルする行動、または、商品を購入するまで行った行動の各行動のうち少なくとも１つの行動に関する情報を取得する。そして、判定部１３４は、各行動のうち少なくとも１つの任意のユーザにおける行動に関する情報と任意のユーザの信用度との関係に基づいて、所定のユーザの信用度を判定する。

このように、実施形態にかかる判定装置１００は、電子商取引における各種ユーザの行動情報を基にユーザの信用度を判定するため、ユーザの信用度を高精度に判定することができる。

また、判定部１３４は、金融サービスを提供する際に用いる信用度を判定する。これにより、実施形態にかかる判定装置１００は、取引相手のユーザから受けるリスクを軽減することができる。

以上、本願の実施形態をいくつかの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。

また、上述してきた「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、取得部は、取得手段や取得回路に読み替えることができる。

１ 判定システム
１０ ショッピングサーバ
１００ 判定装置
１２０ 行動傾向記憶部
１３１ モデル生成部
１３２ 提供部
１３３ 取得部
１３４ 判定部

Claims (8)

1. 電子商取引における所定のユーザの行動情報を取得する取得部と、
   電子商取引における任意のユーザの行動情報と前記任意のユーザの信用度との関係に基づいて、前記取得部により行動情報が取得された前記所定のユーザの信用度を判定する判定部と
   を有することを特徴とする判定装置。
2. 前記任意のユーザの行動情報と前記任意のユーザの信用度との間での相関関係を機械学習することにより学習モデルを生成する生成部をさらに有し、
   前記判定部は、前記取得部により取得された行動情報を前記学習モデルに適用することで、前記所定のユーザの信用度を判定する
   ことを特徴とする請求項１に記載の判定装置。
3. 前記生成部は、前記任意のユーザの属性情報毎に、前記任意のユーザの行動情報及び信用度に基づいて前記学習モデルを生成し、
   前記判定部は、前記所定のユーザの属性情報に対応する学習モデルを用いて、前記所定のユーザの信用度を判定する
   ことを特徴とする請求項２に記載の判定装置。
4. 前記生成部は、前記任意のユーザの健康状態毎に、前記任意のユーザの行動情報及び信用度に基づいて前記学習モデルを生成し、
   前記判定部は、前記所定のユーザの健康状態に対応する学習モデルを用いて、前記所定のユーザの信用度を判定する
   ことを特徴とする請求項２または３に記載の判定装置。
5. 前記取得部は、前記行動情報として、商品に対する評価行動、商品の販売元に対する評価行動、商品の購入者に対する評価行動、コメントを投稿する行動、商品売買において取引をキャンセルする行動、または、商品を購入するまで行った行動の各行動のうち少なくとも１つの行動に関する情報を取得し、
   前記判定部は、前記各行動のうち少なくとも１つの前記任意のユーザにおける行動に関する情報と前記任意のユーザの信用度との関係に基づいて、前記所定のユーザの信用度を判定する
   ことを特徴とする請求項１〜４のいずれか１つに記載の判定装置。
6. 前記判定部は、金融サービスを提供する際に用いる信用度を判定する
   ことを特徴とする請求項１〜４のいずれか１つに記載の判定装置。
7. 判定装置が実行する判定方法であって、
   電子商取引における所定のユーザの行動情報を取得する取得工程と、
   電子商取引における任意のユーザの行動情報と前記任意のユーザの信用度との関係に基づいて、前記取得工程により行動情報が取得された前記所定のユーザの信用度を判定する判定工程と
   を含んだことを特徴とする判定方法。
8. 電子商取引における所定のユーザの行動情報を取得する取得手順と、
   電子商取引における任意のユーザの行動情報と前記任意のユーザの信用度との関係に基づいて、前記取得手順により行動情報が取得された前記所定のユーザの信用度を判定する判定手順と
   をコンピュータに実行させることを特徴とする判定プログラム。

Images