JP6756921B2

JP6756921B2 - 偽住所情報識別方法およびデバイス

Info

Publication number: JP6756921B2
Application number: JP2019531993A
Authority: JP
Inventors: シェンリ・ジャン
Original assignee: Alibaba Group Holding Ltd
Current assignee: Alibaba Group Holding Ltd
Priority date: 2016-12-14
Filing date: 2017-12-04
Publication date: 2020-09-16
Anticipated expiration: 2037-12-04
Also published as: EP3557447A4; CN107066478B; WO2018107993A1; TW201822032A; CN111858937A; KR102208892B1; CN107066478A; US20190294620A1; KR20190094230A; US10733217B2; JP2020502673A; CN111858937B; TWI699652B; EP3557447A1

Description

本出願は情報技術の分野に関し、特に、偽住所情報を識別する方法および装置に関する。

情報技術が発達するにつれて、より多くのサービスがネットワークを介して行われている。通常、ユーザから提供される住所情報の信頼性は、サービス実行安全性を確保するために検証することができる。たとえば、アカウントの基本情報の検証中に、アカウントの住所情報が偽であるならば、そのアカウントは危険であり、サービスが慎重に行われる必要がある。

既存の技術では、住所情報は通常、検索エンジンまたは物流情報を使用して検証される。

検索エンジンを使用して住所情報を検証するとは、検証されるべき住所情報を検索用の既存の検索エンジンに入力し、検証されるべき住所情報が存在するかどうかを検索エンジンに記録された住所情報を使用して決定することである。物流情報を使用して住所情報を検証するとは、検証されるべき住所情報の信頼性を、記録された物流情報中の既存の住所情報を使用して検証することである。

しかし、検索エンジンを使用することによる住所情報の検証を通じて、検証結果の精度と範囲の両方が、選択された検索エンジンに記録されている住所情報の量に基づいて決まる。言い換えると、選択された検索エンジンによって大量の住所情報が記録されていて、その住所情報が広い地理的区域に及ぶ場合には、検証結果の精度および範囲が比較的高くなり広くなり得る。しかし、検索エンジンは通常、繁栄している地域では住所情報を正確に記録するが、へんぴな地域では記録する住所情報が不正確である。その結果として、検索エンジンに基づいて住所情報を検証する精度は不安定であり低い。

物流情報を使用して住所情報を検証する方法では、物流情報が通常は、物流サービスを利用するユーザのプライバシーを確保するために物流業界において厳重に保護されているので、物流情報を得るのは困難である。加えて、物流情報の精度および信頼性は、検証される必要が常にあるとは限らない(たとえば、ユーザ名「孫悟空」、または住所「ある市のある地区のある地域の東門」)。記載された物流情報が真でなく、また不正確でも、物流サービスは影響を受けない。しかし、こうした物流情報は、検証されるべき住所情報を検証するためには使用することができない。その結果、検証されるべき住所情報の検証の精度および範囲は、物流情報を使用して確保することが困難になる。

さらに、ユーザが真の住所情報を提供しても、その住所がユーザの勤務住所であるのか、それとも居住住所であるのかどうかを判断するのは困難である。言い換えると、その住所情報は真であるが、ユーザの住所ではない。たとえば、ユーザaが自宅住所としてユーザbの住所cを使用し、ユーザbの自宅住所cが実際に存在する。したがって、既存の技術では、自宅住所cが真であることだけは識別できるが、自宅住所cがユーザaに属するかどうかは判断することができない。ユーザaに関しては、自宅住所cは偽住所情報である。しかし、このような偽住所情報を既存の技術で識別することは依然として困難であり、その結果、住所情報に基づくリスク管理の精度は低くなる。

説明した既存技術の不利な点の故に、偽住所情報を識別する精度は低いことが分かる。

本開示の実施形態は、住所情報を検証する精度が低く、住所とアカウントの間のマッピング関係を検証することが困難であるので偽住所情報の検証の精度が低いという既存技術の問題を軽減するための、偽住所情報を識別する方法を提供する。

本開示の実施形態は、住所情報を検証する精度が低く、住所とアカウントの間のマッピング関係を検証することが困難であるので偽住所情報の検証の精度が低いという既存技術の問題を軽減するための、偽住所情報を識別する装置を提供する。

本出願の実施形態では、以下の技術的解決策を用いる。

偽住所情報を識別する方法は以下のもの、すなわち、検証されるべきアカウントの住所情報を決定するステップと、事前分割によって得られた地理的区域内で、訓練された分類モデルに基づくアカウントの居住域と、所定の期間内にアカウントから報告される地理的位置情報とを決定するステップと、検証されるべき住所情報を居住域と照合するステップと、検証されるべき住所情報と居住域との照合の結果に基づいて、検証されるべき住所情報が偽住所情報であるかどうかを決定するステップとを含む。

偽住所情報を識別する装置は以下のもの、すなわち、検証されるべきアカウントの住所情報を決定するように構成された第1の決定モジュールと、事前分割によって得られた地理的区域内で、訓練された分類モデルに基づくアカウントの居住域と、所定の期間内にアカウントから報告される地理的位置情報とを決定するように構成された第2の決定モジュールと、検証されるべき住所情報を居住域と照合するように構成された照合モジュールと、検証されるべき住所情報と居住域との照合の結果に基づいて、検証されるべき住所情報が偽住所情報であるかどうかを決定するように構成された識別モジュールとを備える。

本出願の実施形態に使用される少なくとも1つの技法的解決策では、以下の有益な効果を得ることができる。

第1に、検証されるべきアカウントの住所情報が決定され、第2に、事前分割によって得られた地理的区域において、アカウントの居住域が、所定の期間内にアカウントから報告される地理的位置情報に基づいて、訓練された分類モデルを使用して決定され、第3に、検証されるべき住所情報が偽住所情報であるかどうかが、検証されるべき住所情報と居住域に対応する格子との照合の結果に基づいて決定される。本出願では、アカウントを使用するユーザの居住域が、分類モデルと、歴史的にアカウントから報告される地理的位置情報とを使用して決定されることが分かる。アカウントから報告される地理的位置情報は真であり、かつアカウントに対応するので、決定された居住域は真であり、そのアカウントに属する。そのため、偽住所情報を識別する精度が、検証されるべき住所情報と居住域を照合することによって高くなり得る。

ここで説明される添付の図面は、本出願のさらなる理解が得られるように使用され、本出願の一部を構成する。本出願の概略的な実施形態、および実施形態についての記述は、本出願を説明するために使用され、本出願の不適切な限定をなすものではない。

本出願の一実施形態による、偽住所情報を識別する方法を示す図である。本出願の一実施形態による、地図格子を示す概略図である。本出願の一実施形態による、偽住所情報を識別する装置を示す概略構成図である。

本出願の目的、技法的解決策、および利点を明確にするために、以下では本出願の技法的解決策について、本出願の特定の実施形態および対応する添付の図面を参照して明確かつ包括的に説明する。説明される実施形態は、本出願の実施形態の全部ではなく一部にすぎないことは明らかである。本出願の実施形態に基づいて、独創的な努力なしに当業者によって得られる他のすべての実施形態は、本出願の保護範囲に入るものとする。

本出願の実施形態において実現される技法的解決策について、添付の図面を参照して以下で詳細に説明する。

図1は、本出願の一実施形態による、偽住所情報を識別する方法を示す。この方法は以下のステップを含む。

S101。検証されるべきアカウントの住所情報を決定する。

既存の技術では、サービス提供者が住所情報を検証する必要があるので、通常はサービス提供者のサーバが住所情報を検証する。あるいは、サービス提供者は、サードパーティに委託して住所情報を検証することもできる。住所情報検証は、所定の条件(たとえば、住所情報検証が周期的に、または所定の頻度で実行される)に基づいてサーバによって実行することができ、または、サードパーティによって開始することができる(たとえば、サードパーティサーバが住所情報検証要求を提案する)。住所情報検証をどのようにして開始するかは、本出願において限定されない。

加えて、ユーザは通常、アカウントを使用して住所情報をサーバに提供するので、その住所情報は通常、アカウントに対応する。そのため、本出願のこの実施形態では、サーバは最初に、検証されるべきアカウントの住所情報を決定することができる。

検証されるべき住所情報は、自宅住所または勤務住所などの、アカウントに設定されているユーザの居住の住所であり得る。そのため、そのアカウントについてリスク管理が実行される必要があると決定すると、サーバは、アカウントに設定されているすべての住所情報を呼び出し、その住所情報を、検証されるべきアカウントの住所情報として使用することができる。

あるいは、検証されるべき住所情報は、サーバが住所照会情報をアカウントに送信した後に、アカウントから返された住所情報であり得、その住所照会情報は、テキスト情報、音声情報、および映像情報のうちの少なくとも1つを含み得る。たとえば、テキスト情報は「詳細な自宅住所を提示してください」または「詳細な勤務住所を提示してください」とすることができ、それによりアカウントは、検証されるべき住所情報をサーバに返す。そのため、サーバは、リスク管理がされる必要のあるアカウントを最初に決定し、次に、住所照会情報をアカウントへ送信し、アカウントから返された住所情報を受信し、その住所情報を、検証されるべきアカウントの住所情報として使用することができる。

検証されるべきアカウントの住所情報をどのようにしてサーバが決定するかは、本出願では限定されず、必要に応じてスタッフによって設定できることが確かである。加えて、検証されるべきアカウントの住所情報がアカウントの自宅住所であるか、それとも勤務住所であるかをサーバが決定することが、必要に応じてスタッフによって設定されてよく、あるいは、検証されるべき住所情報に、アカウントの自宅住所と勤務住所の両方が含まれてよい。

本出願のこの実施形態では、サーバは1つのデバイスでも、複数のデバイスを含むシステム、すなわち分散サーバでもよいことは注目するだけの価値がある。

S102。事前分割によって得られた地理的区域内で、訓練された分類モデルに基づくアカウントの居住域と、所定の期間内にアカウントから報告される地理的位置情報とを決定する。

現代社会においては、人の生活軌跡は比較的定まっており規則的である。たとえば、人は昼間に職場で働くか学校で学び、夜に家で休む。勤務日ではない休日に、人は家にいることに加えて、くつろぐためにあちこち移動することがあり、この移動は比較的不規則である。しかし、人の生活軌跡は比較的定まっており規則的であるので、ユーザの生活領域および勤務領域は、別々の期間のユーザの位置情報を決定することによって正確に決定することができる。

したがって、本出願のこの実施形態では、検証されるべきアカウントの住所情報を決定した後に、サーバはさらにアカウントの居住域を、そのアカウントを使用するユーザの居住域として決定して、検証されるべき住居情報を引き続き検証し偽住所情報を識別することができる。

アカウントを使用するユーザの居住域を決定するには、アカウントを使用するユーザの生活軌跡(以下、アカウントの生活軌跡と呼ぶ)が決定される必要があるので、サーバは最初に、アカウントから報告される地理的位置情報を決定すればよい。アカウントがログインした後に、サーバへ送信される、かつアカウントが現在ログインしているデバイスについての、地理的位置情報が所定の時間頻度(たとえば、30分)で報告され、あるいは、アカウントがログインしているときに、サーバへ送信される、かつアカウントが現在ログインしているデバイスについての、地理的位置情報が報告される。アカウントから地理的位置情報を報告する方法は必要に応じて設定することができ、あるいはアカウントから報告される地理的位置情報は、ユーザ住所録をリアルタイムで、本出願では限定されない既存の技術で得ることによって決定することができる。アカウントが同じ場所にとどまる時間が長いと、その場所でアカウントから報告されるより多くの地理的位置情報が示されるので、そのアカウントを使用するユーザの居住域は、報告される地理的位置情報、すなわちアカウントの居住域を使用して決定することができる。

加えて、アカウントから報告される地理的位置情報は、アカウントから報告される、必要に応じて設定できる地理的位置情報の一部または全部とすることができる。

さらに、人の勤務場所および居住場所は、短い期間では通常定まっているが、現代社会では人の移動性が比較的高い。したがって、本開示では、サーバは、所定の期間内にアカウントから報告される地理的位置情報を決定することができる。この所定の期間は、現時点から遡った期間とすることができる。たとえば、現時点が2016年11月11日であり、所定の期間は現時点から遡った4カ月であると仮定する。サーバは、2016年7月11日から2016年11月11日までにアカウントから報告された地理的位置情報を決定することができる。あるいは、所定の期間は、特定の開始時期から特定の終了時期までの期間、たとえば、1月1日から6月1日までとすることができる。所定の期間は必要に応じてスタッフによって設定されてよく、本開示では限定されない。

さらに、所定の期間は、必要に応じてスタッフによって、たとえば4カ月または9カ月に設定されてもよい。しかし、家は通常少なくとも半年間賃貸されるので、所定の期間が6カ月を超える場合には、アカウントの生活軌跡が変化する可能性が向上する。所定の期間は本出願では限定されず、必要に応じてスタッフによって設定されてよいことが確かである。そのため、アカウントの比較的規則的な生活軌跡は、所定の期間内にアカウントから報告される地理的位置情報を決定することによって決定することができ、以下の事例が防止される。すなわち、非常に長期間の地理的位置情報が収集されるために複数の生活軌跡が決定されること、および、非常に短期間の地理的位置情報が収集されるためにアカウントの生活軌跡を決定することが困難なことである。

加えて、本出願では、デバイスの位置決め精度が固定されていないので、デバイスが環境による影響を受ける場合に地理的位置情報の位置決め精度に誤差が生じることがあり、その結果として、アカウントから報告される地理的位置情報は位置決め精度が異なる。したがって、そのアカウントを使用するユーザの居住域をより正確に決定するために、サーバはさらに、所定の格子サイズに基づいて地図をいくつかの格子に分割し、地図上の各格子を事前分割によって得られた地理的区域として使用し、位置決めが正確な地理的位置情報を各地理的区域と取り替え、アカウントを使用するユーザの居住域を決定し、それによって、位置決め精度誤差によって生じる影響に起因する、地理的位置情報の位置決め精度冗長性の増大を防止することができる。地図を分割することによって得られた格子は、図2に示されている。

図2は、本出願の一実施形態による、地図格子を示す概略図である。サーバに記憶された地図が複数の格子に事前分割されているということが分かる。各格子は破線の正方形であり、経度および緯度を使用して表すことができる。加えて、格子の辺長は、必要に応じてスタッフによって設定されてよい。たとえば、正方形格子の辺長は500メートルである。事前分割によって得られた短い格子の辺長が、アカウントを使用するユーザの居住域を決定する精度が高いことを示すだけでなく、アカウントから報告される地理的位置情報の精度に対する要件が高いこと、および位置決め精度誤差によって生じる影響が大きいこともまた意味することは、注目するだけの価値がある。格子は、円形または三角形などの他の形状でもよいことが確かであり、その形状は本出願では限定されない。

次に、サーバは、事前分割によって得られた各格子に基づいて、所定の期間内にアカウントから報告された地理的位置情報が各格子に出現する回数および時点を決定し、各格子内のアカウントの特性値を決定することができる。特性値はTable 1(表1)に示されている。

Table 1(表1)から、説明された8つの特性値を使用して、格子内のアカウントの出現頻度、アカウントの出現期間などを決定できるということが分かる。たとえば、格子ごとに、その格子が、頻繁にアカウントが出現する格子であるかどうかを、出現の回数の比率および出現の日数の比率を使用して決定することができる。その格子が、頻繁にアカウントが出現する格子ではない場合は、その格子が、そのアカウントを使用するユーザの居住域であるという可能性が比較的低いことは明らかである。格子がアカウントを使用するユーザの居住域であるかどうかは、勤務日の数の比率を使用して決定することができる。勤務日における人の移動軌跡は通常定まっているので、人が勤務日に最も頻繁に出現する格子は、そのアカウントを使用するユーザの居住域である可能性がより高いことは明らかである。格子が、アカウントの勤務場所であるか、それとも居住場所であるかは、休日の数の比率を使用して決定することができる(たとえば、ユーザが週末に特定のジムへ頻繁に行く場合、訓練サンプルは、ジムに対応する格子内で休日に比較的回数が多く出現する。しかし、この格子は、ユーザの勤務場所または居住場所ではない)。格子がアカウントの勤務場所であるかどうかは、昼間に出現する勤務日の数の比率を使用して決定することができ、格子がアカウントの居住場所であるかどうかは、夜に出現する勤務日の数の比率を使用して決定することができる。言い換えると、各格子において決定された特性値は、地図を分割して得られた格子内のアカウントの生活軌跡および生活のパターンを反映し得る。加えて、アカウントを使用するユーザの決定された居住域に対してアカウントの低頻度領域(すなわち、アカウントがあまり出現しない地理的区域)によって加わる干渉を除去して、そのアカウントを使用するユーザの居住域に対応するグリッドをより正確に決定することができる。加えて、アカウントの居住場所および勤務場所に対応する格子を決定することもできる。

加えて、アカウントから報告される地理的位置情報は通常、報告時間を含むことができる。したがって、本出願では、サーバはTable 1(表1)のいくつかの特性値を、地理的位置情報の報告時間を使用して決定することができる。報告時間は、サーバが地理的位置情報を受信するときのサーバのシステム時間でも、地理的位置情報が決定されるときの時間情報でもよく、デバイスが地理的位置情報をサーバへ送信するときのデバイスの送信時間でもよい。サーバのシステム時間が使用される場合は、アカウントの地理的位置情報を報告する時間が管理のために相対的に一体化されることを決定することができる。しかし、ネットワーク情報遅延によって生じるエラーが発生し得る。どの報告時間が使用されるかは本出願では限定されず、必要に応じてスタッフによって設定されてよいことは確かである。

最後にサーバはさらに、訓練された分類モデルに基づいてすべての格子から、アカウントを頻繁に使用するユーザが出現する格子を、そのアカウントを使用するユーザの居住域として決定することができる。言い換えると、サーバは、各格子内のアカウントに対応する特性値を訓練された分類モデルに入力し、その分類モデルによって出力される各格子の分類結果に基づいてすべての格子から、そのアカウントを使用するユーザの居住域に属する格子を決定することができる。

サーバが、説明された1つまたは複数の特性値を選択して、アカウントを使用するユーザの居住域を決定できることは注目するだけの価値がある。本出願では、アカウントを使用するユーザの居住域を決定するために、サーバがすべての特性値を使用する必要があるとは限られない。加えて、アカウントを使用するユーザの居住域を決定するのに、Table 1(表1)に示された8つの特性値だけを使用できるとは限られない。特性値は、必要に応じてスタッフによって決められてよい。

分類モデルは以下のように訓練することができる。

サーバは最初に、訓練サンプルとして、真であることが検証されるべき複数の地理的位置情報を有するアカウント(すなわち真の既知の住所情報を有するアカウント)を前もって決定し、次に、すべての訓練サンプルによって報告された地理的位置情報を収集してから、各格子内の各訓練サンプルの特性値を決定することができ、言い換えると、各格子内に訓練サンプルが出現する回数および時点に基づいて、各格子の各訓練サンプルの特性値を決定することができる。

次に、サーバは続けて、すべての訓練サンプルに対応する特性値を分類モデルに入力し、分類結果を得ることができる。分類モデルの初期パラメータはランダムに生成されても、スタッフによって設定されてもよい。分類結果は次の通りである。すなわち、各訓練サンプルについて分類モデルは、各格子が居住域に対応する格子に属するのか、それとも非居住域に対応する格子に属するのかを決定する。

加えて、サーバは、格子内のすべての訓練サンプルの真の既知の住所情報にそれぞれ対応する座標の位置に基づいて分類モデルの分類結果の精度を決定し、その精度に基づいて分類モデルのパラメータを調整することができる。

説明されたプロセスは、所定の繰り返し回数に達するまで、または分類モデルの分類結果の精度が所定の閾値に達するまで繰り返すことができる。所定の閾値は、必要に応じてスタッフによって設定されてよい。

さらに、本出願では、分類モデルは、ランダムフォレスト分類アルゴリズム、ロジスティクス回帰分類アルゴリズム、ニューラルネットワーク分類アルゴリズムなどを含み得る。本出願は、使用される具体的な分類モデルについて何も限定を加えない。

S103。検証されるべき住所情報を居住域と照合する。

S104。検証されるべき住所情報と居住域との照合の結果に基づいて、検証されるべき住所情報が偽住所情報であるかどうかを決定する。

本出願のこの実施形態では、訓練された分類モデルを使用して、アカウントを使用するユーザの居住域に一致する格子を複数の格子の中から決定した後に、サーバは、検証されるべき住所情報をその居住域と照合し、検証されるべき住所情報が偽住所情報であるかどうかを決定することができる。

サーバは最初に、検証されるべき住所情報の座標を、検証されるべき住所情報に対応する経度および緯度に従って決定し、次に、検証されるべき住所情報の座標に対応する格子を複数の格子の中で決定し、最後に、検証されるべき住所情報に対応する格子が、アカウントを使用するユーザの居住域に対応する格子と同じであるかどうかを決定し(言い換えると、検証されるべき住所情報の座標が、居住域に対応する格子の範囲内に入るかどうかを決定し)、検証されるべき住所情報に対応する格子が、アカウントを使用するユーザの居住域に対応する格子と同じであるとの決定に応じて、検証されるべき住所情報が偽住所情報ではないと決定し、検証されるべき住所情報に対応する格子が、アカウントを使用するユーザの居住域に対応する格子とは異なるとの決定に応じて、検証されるべき住所情報が偽住所情報であると決定する。

検証されるべき住所情報に対応する格子が、アカウントを使用するユーザの居住域に対応する格子と一致する場合、これは、検証されるべき住所情報の座標が、アカウントを使用するユーザの居住域に対応する格子内にあることを示す。

図1に示されたリスク管理方法によれば、サーバは、アカウントを使用するユーザの居住域に対応する格子を決定し、次に、検証されるべきアカウントの住所情報に対応する格子を、そのアカウントを使用するユーザの居住域に対応する格子と照合し、照合結果に基づいて、検証されるべき住所情報が偽住所情報であるかどうかを決定する。検証されるべきアカウントの住所の検証を通じて、サーバは、アカウントから歴史的に報告された地理的位置情報に基づいて、アカウントを使用するユーザの居住域を、事前分割によって得られた地図格子内で決定し、それにより、居住域に対応する格子の信頼性が比較的高くなり、加えて、その居住域に対応する格子はそのアカウントに属すると決定できるということが分かる。したがって、照合が、居住域に対応する格子と検証されるべき住所情報との間で実行される場合は、照合結果の精度が比較的高くなる。結果として、偽住所情報の比較的正確な識別結果が得られ、それによって、偽住所情報を識別する精度が改善される。

加えて、異なるデバイスでは位置決め精度が異なることがあり、また同一のデバイスの位置決め精度が、異なる外部条件では変動することがある。アカウントから報告される地理的位置情報が、位置決め精度が比較的低い地理的位置情報を含む場合、アカウントを使用するユーザの居住域に対応する、引き続き決定される格子は不正確である可能性があり、その結果、偽住所情報を識別する精度が影響を受ける。

したがって、本出願のこの実施形態では、所定の期間内にアカウントから報告される地理的位置情報を決定するとき、サーバはさらに、所定の位置決め精度閾値に基づいて地理的位置情報から、位置決め精度が位置決め精度閾値以上の地理的位置情報を選択し、その地理的位置情報を、訓練された分類モデルに入力するために検証されるべきアカウントの住所情報として使用し、アカウントを使用するユーザの居住域に対応する格子を決定することができる。

同様に、サーバは、所定の期間内に報告される地理的位置情報からの訓練サンプルごとに、位置決め精度が位置決め精度閾値以上の地理的位置情報を決定し、分類モデルを訓練することができる。

さらに、本出願では、異なる分類モデルが異なるタイプのデータに異なる影響を及ぼし、訓練サンプルの地理的位置情報が通常、ランダムに分布している。たとえば、訓練サンプルの勤務場所と居住場所が互いに接近していたり、訓練サンプルの勤務場所と居住場所が互いに遠く離れていたりする。その結果、異なる分類モデルを使用して得られる分類結果の精度が、同一の訓練サンプルでも異なることになる。したがって、本出願のこの実施形態では、分類モデルを訓練するときにサーバは、一般的な方法を使用して、効果がより良い分類モデルを複数の分類モデルから、居住域に対応する格子を決定するための分類モデルとして選択することができる。サーバは、複数の分類モデルを使用して訓練サンプルを別個に訓練し、各分類モデルに対応する受信機動作特性曲線(ROC曲線)下の面積(曲線下の面積、AUC)を計算し、AUCが最大の分類モデルを訓練された分類モデルとして使用することができる。特定の分類モデルもまた、必要に応じてスタッフによって設定されてよいことが確かである。たとえば、分類速度が比較的大きい分類モデルが、時間コストに基づく訓練された分類モデルとして選択される。本出願では特定の限定を加えない。

さらに、上述のように、異なるタイプのデータを使用して訓練された分類モデルは、それぞれ異なり得る。したがって、本出願のこの実施形態では、分類モデルの適用可能性を向上させるために、サーバは所定の比率の訓練サンプルを選択して各分類モデルを試験することができる。そのため、各分類モデルを訓練するためにサーバによって使用されるサンプルは、より良い分類モデル選択効果を得るために、AUCを計算するために使用されるサンプルとは異なり得る。所定の比率は、スタッフによって設定されてよい。本出願では限定を加えない。

加えて、訓練サンプルの生活軌跡が完全には固定されていないので、各訓練サンプルを使用して分類モデルが訓練されるとき、サーバは、ある期間内に各訓練サンプルによって報告される地理的位置情報を決定することができる。その期間は、所定の期間と一致しても一致しなくてもよい。期間の開始時点および終止時点は、必要に応じてスタッフによって決定されてよい(たとえば、訓練サンプルの住所情報が真であると決定した時点から遡った4カ月以内に訓練サンプルによって報告される地理的位置情報)。本出願では特定の限定を加えない。

さらに、Table 1(表1)に示された特性値は、アカウントの生活軌跡および生活のパターンを反映する。加えて、地理的位置情報の報告時間を使用し特性値を使用して分類モデルによって決定された分類結果に関して、アカウントを使用するユーザの居住域がさらに、アカウントを使用するユーザの在住居住域と、アカウントを使用するユーザの在住勤務域とを含むと決定することができる。

ステップS101で、サーバによって決定される、検証されるべきアカウントの住所情報はさらに、検証されるべき居住住所情報、および検証されるべき勤務住所情報を含み得る。したがって、訓練された分類モデルは、アカウントから報告された地理的位置情報を使用してアカウントに対応する、在住居住域および在住勤務域を決定するために使用することができる。

さらに、各訓練サンプルを決定するとき、分類モデルは、真の既知の居住住所情報および勤務住所情報を含むいくつかのアカウントを訓練サンプルとして決定し、各訓練サンプルによって報告されたいくつかの地理的位置情報に基づいて、訓練サンプルが各格子内に出現する回数および時点を決定し、次に、訓練サンプルが格子内に出現する回数および時間に基づいて、各格子内の訓練サンプルに対応する特性値を決定し、最後に、各格子内の訓練サンプルに対応する特性値と、各訓練サンプルの真の既知の居住住所情報と、各訓練サンプルの真の既知の勤務住所情報とに基づいて、分類モデルを訓練することができる。したがって、分類モデルは、居住域を決定するときだけ、在住居住域および在住勤務域として、居住域を決定することができる。

加えて、ステップS103で、検証されるべき住所情報が、検証されるべき居住住所情報であるとき、検証されるべき居住住所情報の座標は、検証されるべき居住住所情報に対応する経度および緯度に基づいて決定され、検証されるべき居住住所情報の座標が在住居住域の範囲内に入るかどうかが決定され、検証されるべき居住住所情報の座標が在住居住域の範囲内に入るとの決定に応じて、検証されるべき住所情報が偽住所情報ではないと決定され、検証されるべき居住住所情報の座標が在住居住域の範囲内に入るとの決定に応じて、検証されるべき住所情報が偽住所情報であると決定される。検証されるべき住所情報が、検証されるべき勤務住所情報であるとき、検証されるべき勤務住所情報の座標は、検証されるべき勤務住所情報に対応する経度および緯度に基づいて決定され、検証されるべき勤務住所情報の座標が在住勤務域の範囲内に入るかどうかが決定され、検証されるべき勤務住所情報の座標が在住勤務域の範囲内に入るとの決定に応じて、検証されるべき住所情報が偽住所情報ではないと決定され、検証されるべき勤務住所情報の座標が在住勤務域の範囲内に入るとの決定に応じて、検証されるべき住所情報が偽住所情報であると決定される。

通常、金融機関がアカウントからのローンまたはクレジットカードの申し込みのリスクを決定するとき、アカウントは、身元情報、連絡先情報、および資産情報などの情報を提供し、その後の業務に対するアカウントの潜在的なリスクを決定するために、その情報を証明する必要がある。連絡先情報には電話番号、住所情報などが含まれ得る。

したがって、本出願の別の実施形態では、住所情報を検証することにより、アカウントが金融機関からのクレジットカードまたはクレジットサービスを申し込んだときに、金融機関がアカウントの住所情報を検証することが示される。そのため、サーバは、住所情報を検証するために金融機関が使用するサーバでよく、あるいは金融機関は、サーバへの住所情報検証要求を開始するサードパーティでよい。金融機関は通常、住所情報の信頼性と、住所情報がアカウントに属しているかどうかとを検証する。

さらに、ステップS101からステップS104までの後で、サーバは、検証されるべきアカウントの住所情報が偽住所情報であるかどうかを決定することができる。加えて、サーバは、検証されるべき住所情報の信頼性を決定できるだけでなく、検証されるべき住所情報がアカウントに対応しているかどうか、言い換えると、検証されるべき住所情報が、アカウントを使用するユーザの居住域と一致しているかどうかを決定することもできる。

さらに、検証されるべき住所情報は、検証されるべき居住住所情報および/または検証されるべきアカウントの勤務住所情報であり得るので、検証されるべき住所情報が偽住所情報であるかどうかを決定することによって、アカウントのリスクを決定することができる。たとえば、アカウントが偽住所情報を提示した場合は、アカウントがローンを詐取する可能性が比較的高く、逆も同様である。たとえば、ユーザdがアカウントeを使用して銀行fによるクレジットカードサービスを申し込み、銀行が必要とした居住住所g、および勤務住所hを提示すると仮定し、銀行fのサーバiは、検証されるべきアカウントeの住所情報が、検証されるべき居住住所、すなわち居住住所g、および検証されるべき勤務住所、すなわち居住住所hを含むと決定するものと仮定する。サーバiは最初に、訓練された分類モデルと、アカウントeから所定の期間内に報告される地理的位置情報とに基づいて、アカウントeの在住居住域および在住勤務域を、事前分割によって得られた地理的区域内で別個に決定し、次に、検証されるべき居住住所情報と在住居住域、検証されるべき勤務住所情報と在住勤務域を別個に照合し、最後に、検証されるべき居住住所情報と在住居住域の照合の結果、および検証されるべき勤務住所情報と在住勤務域の照合の結果に基づいて、検証されるべき居住住所情報、および検証されるべき勤務住所情報が偽住所情報であるかどうかを決定することができる。検証されるべき居住住所情報、および検証されるべき勤務住所情報のどちらかが偽住所情報であるとき、サーバiは、アカウントeのリスクが比較的高いと決定することができ、アカウントeにはクレジットカードサービスを提供しないか、またはアカウントeに提供される信用供与を減らす。アカウントが偽住所情報を提示していると決定された後、引き続き実行される操作は本出願では限定されないことが確かである。

本出願の実施形態で提供される方法のすべてのステップが同一のデバイスによって実行できること、または別々のデバイスによって実行できることは注目するだけの価値がある。たとえば、ステップS101およびステップS102をデバイス1によって実行することができ、ステップS103をデバイス2によって実行することができる。別の例では、ステップS101をデバイス1によって実行することができ、ステップS102およびステップS103をデバイス2によって実行することができる。言い換えると、サーバは、複数のデバイスを含む分散サーバとすることができる。加えて、本出願の実施形態で提供される方法の各ステップは、限定されないサーバまたはエンドユーザデバイスによって実行することができる。エンドユーザデバイスは、携帯電話、パーソナルコンピュータ、またはタブレットコンピュータなどのデバイスでよい。

図3に示されるように、図1に示された偽住所情報を識別する方法に基づき、本出願の一実施形態はさらに、それに応じて偽住所情報を識別する装置を提供する。

図3は、本出願の一実施形態による、偽住所情報を識別する装置を示す概略構成図である。装置は以下のものを含む。すなわち、検証されるべきアカウントの住所情報を決定するように構成された第1の決定モジュール201と、事前分割によって得られた地理的区域内で、訓練された分類モデルに基づくアカウントの居住域と、所定の期間内にアカウントから報告される地理的位置情報とを決定するように構成された第2の決定モジュール202と、検証されるべき住所情報を居住域と照合するように構成された照合モジュール203と、検証されるべき住所情報と居住域の照合の結果に基づいて、検証されるべき住所情報が偽住所情報であるかどうかを決定するように構成された識別モジュール204。

地理的位置情報は経度および緯度を含む。

地理的位置情報はさらに、位置決め精度を含む。第2の決定モジュール202は、所定の位置決め精度閾値に基づいて、所定の期間内にアカウントによって報告された地理的位置情報から、所定の位置決め精度閾値以上の位置決め精度の地理的位置情報を決定し、事前分割によって得られた地理的区域内でアカウントの居住域を、訓練された分類モデルと、所定の位置決め精度閾値以上の位置決め精度の地理的位置情報とに基づいて決定する。

第2の決定モジュールは、所定の格子サイズに基づいて地図をいくつかの格子に分割し、その地図上の各格子を、事前分割によって得られた地理的区域として使用する。

第2の決定モジュール202は、以下の方法を使用して分類モデルを訓練する。すなわち、真の既知の住所情報を含む、いくつかのアカウントを訓練サンプルとして決定すること、各訓練サンプルによって報告されたいくつかの地理的位置情報に基づいて、訓練サンプルが各格子内に出現する回数および時点を決定すること、訓練サンプルが各格子内に出現する回数および時点に基づいて、各格子内の訓練サンプルに対応する特性値を決定すること、ならびに、各格子内の訓練サンプルに対応する特性値と、訓練サンプルの真の既知の住所情報とに基づいて、分類モデルを訓練すること。

第2の決定モジュール202は、所定の期間内にアカウントから報告された地理的位置情報に基づいて、各格子内のアカウントに対応する特性値を決定し、各格子内のアカウントに対応するその特性値を訓練された分類モデルに入力して、アカウントの居住域を決定する。

識別モジュール204は、検証されるべき住所情報に対応する経度および緯度に基づいて、検証されるべき住所情報の座標を決定し、検証されるべき住所情報の座標が居住域の範囲内に入るかどうかを決定し、検証されるべき住所情報の座標が居住域の範囲内に入るとの決定に応じて、検証されるべき住所情報が偽住所情報ではないと決定し、検証されるべき住所情報の座標が居住域の範囲内に入らないとの決定に応じて、検証されるべき住所情報が偽住所情報であると決定する。

検証されるべき住所情報は、検証されるべき居住住所情報、および検証されるべき勤務住所情報を含む。第2の決定モジュール202は、事前分割によって得られた地理的区域内で、訓練された分類モデルと、所定の期間内にアカウントから報告される地理的位置情報とに基づいて、アカウントの在住居住域および在住勤務域を決定する。

第2の決定モジュール202は、真の既知の居住住所情報および勤務住所情報を含むいくつかのアカウントを訓練サンプルとして決定し、各訓練サンプルによって報告されたいくつかの地理的位置情報に基づいて、訓練サンプルが各格子内に出現する回数および時点を決定し、訓練サンプルが格子内に出現する回数および時間に基づいて、各格子内の訓練サンプルに対応する特性値を決定し、各格子内の訓練サンプルに対応する特性値と、訓練サンプルの真の既知の居住住所情報と、訓練サンプルの真の既知の勤務住所情報とに基づいて分類モデルを、分類モデルが在住居住域および在住勤務域を決定するのに使用されるように訓練する。

任意の格子内の訓練サンプルに対応する特性値は、訓練サンプルが出現する総回数に対する、訓練サンプルが格子内に出現する回数の比率と、訓練サンプルが出現する総日数に対する、訓練サンプルが格子内に出現する日数の比率と、訓練サンプルが出現する総日数に対する、訓練サンプルが格子内に出現する勤務日の数の比率と、訓練サンプルが出現する総日数に対する、訓練サンプルが格子内に出現する休日の数の比率と、訓練サンプルが出現する総日数に対する、訓練サンプルが昼間に格子内に出現する勤務日の数の比率と、訓練サンプルが出現する総日数に対する、訓練サンプルが夜に格子内に出現する勤務日の数の比率と、訓練サンプルが出現する総日数に対する、訓練サンプルが昼間に格子内に出現する休日の数の比率と、訓練サンプルが出現する総日数に対する、訓練サンプルが夜に格子内に出現する休日の数の比率とのうちの少なくとも1つを含む。

検証されるべき住所情報が、検証されるべき居住住所情報であるとき、識別モジュール204は、検証されるべき居住住所情報に対応する経度および緯度に基づいて、検証されるべき居住住所情報の座標を決定し、検証されるべき居住住所情報の座標が在住居住域の範囲内に入るかどうかを決定し、検証されるべき居住住所情報の座標が在住居住域の範囲内に入るとの決定に応じて、検証されるべき住所情報が偽住所情報ではないと決定し、検証されるべき居住住所情報の座標が在住居住域の範囲内に入らないとの決定に応じて、検証されるべき住所情報が偽住所情報であると決定する。検証されるべき住所情報が、検証されるべき勤務住所情報であるとき、識別モジュール204は、検証されるべき勤務住所情報に対応する経度および緯度に基づいて、検証されるべき勤務住所情報の座標を決定し、検証されるべき勤務住所情報の座標が在住勤務域の範囲内に入るかどうかを決定し、検証されるべき勤務住所情報の座標が在住勤務域の範囲内に入るとの決定に応じて、検証されるべき住所情報が偽住所情報ではないと決定し、検証されるべき勤務住所情報の座標が在住勤務域の範囲内に入らないとの決定に応じて、検証されるべき住所情報が偽住所情報であると決定する。

図3に示された、偽住所情報を識別するための説明された装置は、サーバ内に設置することができる。サーバは1つのデバイスでも、複数のデバイスを含むシステム、すなわち、分散サーバでもよい。

1990年代、技術改善がハードウェア改善(たとえば、ダイオード、トランジスタ、またはスイッチなどの回路構成物の改善)であるか、それともソフトウェア改善(方法手順の改善)であるかは明確に区別することができた。しかし、技術が発達するにつれて、多くの方法手順の現在の改善は、ハードウェア回路構成の直接の改善と考えることができる。設計者は通常、改善された方法手順をハードウェア回路にプログラミングして、対応するハードウェア回路構成を得る。したがって、方法手順はハードウェアエンティティモジュールを使用して改善することができる。たとえば、プログラム可能論理デバイス(PLD)(たとえば、フィールドプログラマブルゲートアレイ(FPGA))がそのような集積回路であり、プログラム可能論理デバイスの論理機能は、ユーザがデバイスプログラミングによって決定する。設計者は、デジタルシステムをPLDに「組み込む」ためのプログラミングを行い、チップ製造者に特定用途向け集積回路チップの設計および製造を要求することはしない。加えて、プログラミングは、集積回路チップを手作業で作るのではなく、「論理コンパイラ」ソフトウェアを修正することによってほとんどが実現される。これは、プログラム開発およびコンパイルに使用されるソフトウェアコンパイラに類似している。しかし、コンパイル前のオリジナルコードはまた、ハードウェア記述言語(HDL)と呼ばれる特定のプログラミング言語で書かれる。アドバンストブールエクスプレッション言語(ABEL)、Alteraハードウェア記述言語(AHDL)、コンフルエンス、コーネル大学プログラミング言語(CUPL)、HDCal、ジャバハードウェア記述言語(JHDL)、Lava、Lola、MyHDL、PALASMおよびRubyハードウェア記述言語(RHDL)など、多くのHDLがある。現在は、超高速集積回路ハードウェア記述言語(VHDL)およびVerilogが最も一般的に使用されている。当業者にはまた、論理的方法手順を実現するハードウェア回路は、一旦その方法手順がいくつかの説明されたハードウェア記述言語を使用して論理的にプログラミングされ、集積回路にプログラミングされると容易に得られることも理解されるはずである。

コントローラは、任意の適切な方法を使用して実装することができる。たとえば、コントローラは、マイクロプロセッサもしくはプロセッサでよく、あるいはコンピュータ可読媒体、論理ゲート、スイッチ、特定用途向け集積回路(ASIC)、プログラム可能論理コントローラ、または、マイクロプロセッサもしくはプロセッサで実行できるコンピュータ可読プログラムコード(ソフトウェアまたはファームウェアなど)を記憶する埋込みマイクロプロセッサでよい。コントローラの例としては、それだけには限らないが、以下のプロセッサ、すなわち、ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20、およびSilicone LabS C8051F320が含まれる。メモリコントローラもまた、メモリの制御論理回路の一部として実装することができる。当業者にはまた、コントローラが、純コンピュータ可読プログラムコードを使用して実装され得ること、また方法のステップは、コントローラが同じ機能を論理ゲート、スイッチ、特定用途向け集積回路、プログラム可能論理コントローラ、埋込みマイクロコントローラなどの形でさらに実現できるように、論理的にプログラミングされ得ることが知られている。したがって、コントローラは、ハードウェア構成要素と考えることができ、コントローラに含まれる、かつ様々な機能を実現するように構成される装置もまた、ハードウェア構成要素としての構成物と考えることができる。あるいは、様々な機能を実現するように構成された装置は、方法を実現するためのソフトウェアモジュールと、ハードウェア構成要素としての構成物の両方と考えることもできる。

説明された実施形態について記述されたシステム、装置、モジュールまたはユニットは、コンピュータチップもしくはエンティティによって実現すること、または特定の機能を備えた製品によって実現することができる。典型的な実現デバイスはコンピュータである。コンピュータは、たとえば、パーソナルコンピュータ、ラップトップコンピュータ、セルラー電話、カメラ電話、スマートフォン、携帯情報端末、メディアプレーヤ、ナビゲーションデバイス、電子メールデバイス、ゲーム機、タブレットコンピュータ、もしくはウェアラブルデバイス、またはこれらのデバイスのいずれかの組み合わせでよい。

説明しやすいように、説明される装置は、諸機能を様々なユニットに分割して説明されている。本出願が実施される場合、これらのユニットの機能は、1つまたは複数のソフトウェアおよび/またはハードウェアの形で実施することができることは確かである。

当業者には、本開示の実施形態は、方法、システム、またはコンピュータプログラム製品として実現できることが理解できるはずである。したがって、本開示では、ハードウェアだけの実施形態、ソフトウェアだけの実施形態、またはソフトウェアとハードウェアの組み合わせによる実施形態の形を用いることができる。加えて、本開示では、コンピュータ使用可能プログラムコードを含む、1つまたは複数のコンピュータ使用可能記憶媒体(それだけには限らないが、ディスクメモリ、CD-ROM、および光メモリを含む)によって実現されるコンピュータプログラム製品の形を用いることもできる。

本開示は、本開示の実施形態による方法、デバイス(システム)、およびコンピュータプログラム製品の流れ図および/またはブロック図を参照して説明されている。コンピュータプログラム命令を用いて、流れ図および/またはブロック図中の各プロセスおよび/または各ブロックと、流れ図および/またはブロック図中のプロセスおよび/またはブロックの組み合わせとを実装できることを理解されたい。これらのコンピュータプログラム命令は、汎用コンピュータ、専用コンピュータ、埋込みプロセッサ、または機械を生み出すための任意の他のプログラム可能データ処理デバイスのプロセッサに用意することができ、それにより、コンピュータによって、または任意の他のプログラム可能データ処理デバイスのプロセッサによって実行される命令は、流れ図中の1つまたは複数のプロセスにおける、またはブロック図中の1つまたは複数のブロックにおける特定の機能を実施するための装置を生み出す。

これらのコンピュータプログラム命令は、コンピュータ可読メモリに記憶することができ、コンピュータ可読メモリに記憶された命令が、命令装置を含む人工物を生み出すように、コンピュータ、または他のどんなプログラム可能データ処理デバイスにも特定の方法で働くように命令することができる。この命令装置は、流れ図中の1つまたは複数のプロセスにおける、および/またはブロック図中の1つまたは複数のブロックにおける特定の機能を実施する。

これらのコンピュータプログラム命令は、一連の動作およびステップがコンピュータまたは他のプログラム可能データ処理デバイス上で実行され、それによって、コンピュータ実施処理が生み出されるように、コンピュータまたは他のプログラム可能データ処理デバイスにロードすることができる。したがって、コンピュータ上、または他のプログラム可能データ処理デバイス上で実行される命令は、流れ図中の1つまたは複数のプロセスにおける、および/またはブロック図中の1つまたは複数のブロックにおける特定の機能を実施するためのステップを提供する。

典型的な構成では、コンピューティングデバイスは、1つまたは複数のプロセッサ(CPU)、1つまたは複数の入出力インターフェース、1つまたは複数のネットワークインターフェース、および1つまたは複数のメモリを含む。

メモリには、非持続性メモリ、ランダムアクセスメモリ(RAM)、および/またはコンピュータ可読媒体としての不揮発性メモリ、たとえば、読み出し専用メモリ(ROM)もしくはフラッシュメモリ(フラッシュRAM)が含まれ得る。メモリは、コンピュータ可読媒体の一例である。

コンピュータ可読媒体には、任意の方法または技術を用いて情報記憶を実施できる持続性媒体、非持続性媒体、移動可能媒体、および移動不可能媒体が含まれる。情報は、コンピュータ可読命令、データ構造体、プログラムモジュール、または他のデータであり得る。コンピュータ記憶媒体には、それだけには限らないが、相変化ランダムアクセスメモリ(PRAM)、スタティックランダムアクセスメモリ(SRAM)、ダイナミックランダムアクセスメモリ(DRAM)、他のタイプのランダムアクセスメモリ(RAM)、読み出し専用メモリ(ROM)、電気的消去可能プログラム可能読み出し専用メモリ(EEPROM)、フラッシュメモリもしくは他のメモリ技術、コンパクトディスク読み出し専用メモリ(CD-ROM)、デジタル多用途ディスク(DVD)もしくは他の光記憶装置、磁気テープ、磁気ディスク記憶装置、他の磁気記憶デバイス、または、コンピューティングデバイスからアクセスできる情報を記憶するために使用できる他の任意の非伝送媒体が含まれる。本明細書の定義に基づいて、コンピュータ可読媒体には、一時的コンピュータ可読媒体(一時的媒体)が含まれない(たとえば、変調されたデータ信号および搬送波)。

用語の「含む(include)」、「含む(contain)」、または他のどんな異形も、非排他的包含を対象として含むものであり、それにより、一覧の要素を含むプロセス、方法、商品もしくはデバイスは、これらの要素を含むだけでなく、明示的に一覧にはされていない他の要素も含むこと、またはさらに、そのようなプロセス、方法、商品もしくはデバイスに固有の要素を含むことは、さらに注目するだけの価値がある。「を含む」が後に続く要素は、さらなる制約がなくても、その要素を含むプロセス、方法、商品またはデバイスに追加の同一要素が存在することを排除しない。

当業者には、本出願の実施形態は、方法、システム、またはコンピュータプログラム製品として実現できることが理解できるはずである。したがって、本出願では、ハードウェアだけの実施形態、ソフトウェアだけの実施形態、またはソフトウェアとハードウェアの組み合わせによる実施形態の形を用いることができる。加えて、本出願では、コンピュータ使用可能プログラムコードを含む、1つまたは複数のコンピュータ使用可能記憶媒体(それだけには限らないが、ディスクメモリ、CD-ROM、および光メモリを含む)によって実現されるコンピュータプログラム製品の形を用いることもできる。

本出願は、コンピュータによって実行されるコンピュータ実行可能命令、たとえば、プログラムモジュールの一般的な文脈で記述することができる。一般に、プログラムモジュールは、特定のタスクを実行するための、または特定の抽象データ型を実施するためのルーチン、プログラム、オブジェクト、構成要素、データ構造体などを含む。本出願はまた、分散コンピューティング環境で実施することもできる。分散コンピューティング環境では、タスクが、通信ネットワークを介して接続された遠隔の処理デバイスによって実行される。分散コンピューティング環境では、プログラムモジュールは、記憶デバイスを含む局所と遠隔の両方のコンピュータ記憶媒体に置くことができる。

本明細書の実施形態は、すべて段階的に説明されている。諸実施形態の同一または同様の部分について、これらの実施形態を参照することができる。各実施形態では、他の実施形態との違いに焦点を当てている。特に、システム実施形態は、基本的に方法実施形態と類似しており、したがって簡潔に記述されている。関連部分については、方法実施形態の部分的説明を参照することができる。

上記は本出願の実施形態にすぎず、本出願を限定するものではない。当業者であれば、本出願に様々な修正および変更を加えることができる。本出願の趣旨および原理の範囲内で加えられるあらゆる修正、等価な置換、改善などは、本出願の特許請求の範囲に入るものである。

201 第1の決定モジュール
202 第2の決定モジュール
203 照合モジュール
204 識別モジュール

Claims

偽住所情報を識別するコンピュータ実装方法であって、
検証されるべき住所情報に関して住所照会情報をアカウントに送信するステップと、
前記アカウントから前記住所情報を受信するステップと、
所定の期間内に前記アカウントから地理的位置情報を受信するステップと、
事前分割によって得た地理的区域内で、訓練された分類モデルに基づく前記アカウントの居住域と、前記地理的位置情報とを決定するステップであって、
事前分割により前記地理的区域を得ることが、
所定の格子サイズに基づいて地図をいくつかの格子に分割し、
事前分割に得た前記地理的区域として前記地図上の各格子を使用することを含み、
前記分類モデルが、
訓練サンプルとして、真の既知の住所情報を有するいくつかのアカウントを決定するステップと、
各訓練サンプルにより報告されたいくつかの地理的位置情報に基づき、訓練サンプルが各格子内に出現する回数を決定するステップと、
前記訓練サンプルが各格子内に出現する前記回数に基づいて、各格子内の前記訓練サンプルに対応する特性値を決定するステップと、
各格子の前記訓練サンプルに対応する前記特性値と前記訓練サンプルの真の既知の住所情報とに基づき、前記分類モデルを訓練するステップと
を含む方法を用いて訓練される、前記居住域と地理的位置情報とを決定するステップと、
検証されるべき前記住所情報を前記居住域と照合するステップと、
前記住所情報と前記居住域との照合の結果に基づいて、検証されるべき前記住所情報が偽住所情報であるかどうかを決定するステップと
を含む、コンピュータ実装方法。
前記地理的位置情報が経度および緯度を含む、請求項1に記載のコンピュータ実装方法。
前記地理的位置情報がさらに位置決め精度を含む、請求項2に記載のコンピュータ実装方法。
事前分割によって得た前記地理的区域内で、前記訓練された分類モデルに基づく前記アカウントの前記居住域と、所定の期間内に前記アカウントから報告される地理的位置情報とを決定するステップが、
所定の位置決め精度閾値に基づいて、前記所定の期間内に前記アカウントによって報告された前記地理的位置情報から、前記所定の位置決め精度閾値未満ではない位置決め精度を有する地理的位置情報を決定するステップと、
事前分割によって得た前記地理的区域内で前記アカウントの前記居住域を、前記訓練された分類モデルと、前記所定の位置決め精度閾値未満ではない位置決め精度を有する前記地理的位置情報とに基づいて決定するステップとを含む、請求項3に記載のコンピュータ実装方法。
事前分割によって得た前記地理的区域内で、前記訓練された分類モデルに基づく前記アカウントの前記居住域と、前記所定の期間内に前記アカウントから報告される地理的位置情報とを決定するステップが、
前記所定の期間内に前記アカウントから報告された前記地理的位置情報に基づいて、各格子内の前記アカウントに対応する特性値を決定するステップと、
各格子内の前記アカウントに対応する前記特性値を前記訓練された分類モデルに入力して、前記アカウントの前記居住域を決定するステップとを含む、請求項1に記載のコンピュータ実装方法。
検証されるべき前記住所情報と前記居住域との照合の前記結果に基づいて、検証されるべき前記住所情報が偽住所情報であるかどうかを決定するステップが、
検証されるべき前記住所情報に対応する経度および緯度に基づいて、検証されるべき前記住所情報の座標を決定するステップと、
検証されるべき前記住所情報の前記座標が前記居住域の範囲内に入るかどうかを決定するステップと、
検証されるべき前記住所情報の前記座標が前記居住域の範囲内に入るとの決定に応じて、検証されるべき前記住所情報が偽住所情報ではないと決定するステップ、または
検証されるべき前記住所情報の前記座標が前記居住域の範囲内に入らないとの決定に応じて、検証されるべき前記住所情報が偽住所情報であると決定するステップとを含む、請求項1に記載のコンピュータ実装方法。
検証されるべき前記住所情報が、検証されるべき居住住所情報、および検証されるべき勤務住所情報を含む、請求項1に記載のコンピュータ実装方法。
事前分割によって得た前記地理的区域内で、前記訓練された分類モデルに基づく前記アカウントの前記居住域と、前記所定の期間内に前記アカウントから報告される地理的位置情報とを決定するステップが、
事前分割によって得た前記地理的区域内で、前記訓練された分類モデルと、前記所定の期間内に前記アカウントから報告される前記地理的位置情報とに基づいて、前記アカウントの在住居住域および在住勤務域を決定するステップを含む、請求項7に記載のコンピュータ実装方法。
前記分類モデルを訓練するステップが、
真の既知の居住住所情報および勤務住所情報を含むいくつかのアカウントを訓練サンプルとして決定するステップと、
各訓練サンプルによって報告されたいくつかの地理的位置情報に基づいて、前記訓練サンプルが各格子内に出現する回数および時点を決定するステップと、
前記訓練サンプルが各格子内に出現する前記回数および前記時点に基づいて、各格子内の前記訓練サンプルに対応する特性値を決定するステップと、
各格子内の前記訓練サンプルに対応する前記特性値と、前記訓練サンプルの真の既知の居住住所情報と、前記訓練サンプルの真の既知の勤務住所情報とに基づいて、前記分類モデルが前記在住居住域および前記在住勤務域を決定するのに使用されるように、前記分類モデルを訓練するステップとを含む、請求項8に記載のコンピュータ実装方法。
任意の格子内の前記訓練サンプルに対応する前記特性値が、以下の、
前記訓練サンプルが出現する総回数に対する、前記訓練サンプルが前記格子内に出現する回数の比率、
前記訓練サンプルが出現する総日数に対する、前記訓練サンプルが前記格子内に出現する日数の比率、
前記訓練サンプルが出現する前記総日数に対する、前記訓練サンプルが前記格子内に出現する勤務日の数の比率、
前記訓練サンプルが出現する前記総日数に対する、前記訓練サンプルが前記格子内に出現する休日の数の比率、
前記訓練サンプルが出現する前記総日数に対する、前記訓練サンプルが昼間に前記格子内に出現する勤務日の数の比率、
前記訓練サンプルが出現する前記総日数に対する、前記訓練サンプルが夜に前記格子内に出現する勤務日の数の比率、
前記訓練サンプルが出現する前記総日数に対する、前記訓練サンプルが前記昼間に前記格子内に出現する休日の数の比率、および
前記訓練サンプルが出現する前記総日数に対する、前記訓練サンプルが夜に前記格子内に出現する休日の数の比率、
のうちの少なくとも1つを含む、請求項9に記載のコンピュータ実装方法。
前記アカウントの出現頻度、および前記アカウントの出現期間のうちの少なくとも1つを、前記特性値を使用して決定するステップをさらに含む、請求項9に記載のコンピュータ実装方法。
検証されるべき前記住所情報と前記居住域との照合の前記結果に基づいて、検証されるべき前記住所情報が偽住所情報であるかどうかを決定するステップが、
検証されるべき前記住所情報が、検証されるべき前記居住住所情報であるとの決定に応じて、
検証されるべき前記居住住所情報に対応する経度および緯度に基づいて、検証されるべき前記居住住所情報の座標を決定するステップと、
検証されるべき前記居住住所情報の前記座標が在住居住域の範囲内に入るかどうかを決定するステップと、
検証されるべき前記居住住所情報の前記座標が前記在住居住域の範囲内に入るとの決定に応じて、検証されるべき前記住所情報が偽住所情報ではないと決定するステップ、または
検証されるべき前記居住住所情報の前記座標が前記在住居住域の範囲内に入らないとの決定に応じて、検証されるべき前記住所情報が偽住所情報であると決定するステップと、
検証されるべき前記住所情報が、検証されるべき前記勤務住所情報であるとの決定に応じて、
検証されるべき前記勤務住所情報に対応する経度および緯度に基づいて、検証されるべき前記勤務住所情報の座標を決定するステップと、
検証されるべき前記勤務住所情報の前記座標が在住勤務域の範囲内に入るかどうかを決定するステップと、
検証されるべき前記勤務住所情報の前記座標が前記在住勤務域の範囲内に入るとの決定に応じて、検証されるべき前記住所情報が偽住所情報ではないと決定するステップ、または
検証されるべき前記勤務住所情報の前記座標が前記在住勤務域の範囲内に入らないとの決定に応じて、検証されるべき前記住所情報が偽住所情報であると決定するステップとを含む、請求項7に記載のコンピュータ実装方法。
偽住所情報を識別する装置であって、請求項1から12のいずれか一項に記載のコンピュータ実装方法を実行するように構成された複数のモジュールを備える、装置。