JP7130314B1 - 信用度判定システム、信用度判定方法及びプログラム - Google Patents

Abstract

与信の情報がない人物の信用度を的確に判定できる信用度判定システム、信用度判定方法及びプログラムを提供する。関係性特定部（２６）は、注目人物と参照人物との関係性を特定する。近さスコア決定部（２８）は、注目人物と参照人物との関係性に対応する判断基準に従って、注目人物と当該参照人物との関係の強さを示す指標に基づいて、注目人物と参照人物との近さを示す近さスコアを決定する。信用度判定部（３２）は、少なくとも１人の参照人物についての、当該参照人物に関する情報と当該参照人物について決定される近さスコアとに基づいて、注目人物の信用度を判定する。

Description

本発明は、信用度判定システム、信用度判定方法及びプログラムに関する。

特許文献１には、照会結果ファイルに含まれる各貸金契約の借入残高が、貸金業法の総量規制で定められる借入上限額以下になっているか否かを判定する技術が記載されている。また、特許文献１には、婚姻関係にある人物同士がそれぞれ貸金契約を結んでおり借入残高を積算した場合の借入上限額として、収入の多い方の契約者について設定されている借入上限額を用いてもよいし、両者の借入上限額の合計を用いてもよいことが記載されている。

特開２００９－３０１２３６号公報

特許文献１に記載の技術では、信用情報機関に登録されている貸金契約の情報に基づいて上述の判定が行われている。そのため、ある人物の信用度を特許文献１に記載の技術を用いて判定しようとしても、この人物の与信の情報がなければこの人物の信用度を的確に判定することができない。

本発明は上記課題に鑑みてなされたものであって、その目的の１つは、与信の情報がない人物の信用度を的確に判定できる信用度判定システム、信用度判定方法及びプログラムを提供することにある。

本発明に係る信用度判定システムは、注目人物の信用度を判定する信用度判定システムであって、前記注目人物と参照人物との関係性を特定する関係性特定手段と、前記注目人物と前記参照人物との関係性に対応する判断基準に従って、当該注目人物と当該参照人物との関係の強さを示す指標に基づいて、当該注目人物と当該参照人物との近さを示す近さスコアを決定する近さスコア決定手段と、少なくとも１人の前記参照人物についての、当該参照人物に関する情報と当該参照人物について決定される前記近さスコアとに基づいて、前記注目人物の信用度を判定する信用度判定手段と、を含む。

本発明の一態様では、前記近さスコア決定手段は、前記注目人物と前記参照人物との関係性に対応する学習済の機械学習モデルに前記指標を表すデータを入力した際の出力に基づいて、前記注目人物と前記参照人物との近さを示す前記近さスコアを決定する。

また、本発明の一態様では、前記関係性特定手段は、第１のコンピュータシステムに登録されている前記注目人物のアカウントデータと、第２のコンピュータシステムに登録されている前記参照人物のアカウントデータと、に基づいて、前記注目人物と前記参照人物との関係性を特定する。

また、本発明の一態様では、複数の人物のそれぞれの属性に基づいて、互いに関係がある人物のペアを特定するペア特定手段と、前記注目人物と関係がある人物として特定される人物、及び、関係がある人物として特定される人物が所定数以上前記注目人物と共通する人物を、前記参照人物として特定する参照人物特定手段と、をさらに含む。

また、本発明の一態様では、前記関係性特定手段は、前記注目人物と前記参照人物との家族としての関係を特定する。

また、本発明の一態様では、前記信用度判定手段は、前記注目人物のクレジットスコアを判定する。

また、本発明の一態様では、前記関係性特定手段は、人物間の関係に対応付けられる値に基づくクラスタリングの結果に基づいて、前記注目人物と前記参照人物との関係性を特定する。

この態様では、前記関係性特定手段は、名字、ＩＰアドレス、住所、クレジットカード番号、年齢差、又は、性別のうちの少なくとも１つに基づくクラスタリングの結果に基づいて、前記注目人物と前記参照人物との関係性を特定してもよい。

また、本発明の一態様では、前記信用度判定手段は、前記注目人物に関する情報に基づいて、前記注目人物の信用度を判定する第１判定を実行し、前記信用度判定手段は、前記第１判定によって判定された前記注目人物の信用度が所定のレベル以下である場合、あるいは、前記第１判定では前記注目人物の信用度が判定され得なかった場合に、少なくとも１人の前記参照人物に関する情報に基づいて、前記注目人物の信用度を判定し直す第２判定を実行する。

また、本発明に係る信用度判定方法は、注目人物の信用度を判定する信用度判定方法であって、前記注目人物と参照人物との関係性を特定するステップと、前記注目人物と前記参照人物との関係性に対応する判断基準に従って、当該注目人物と当該参照人物との関係の強さを示す指標に基づいて、当該注目人物と当該参照人物との近さを示す近さスコアを決定するステップと、少なくとも１人の前記参照人物についての、当該参照人物に関する情報と当該参照人物について決定される前記近さスコアとに基づいて、前記注目人物の信用度を判定するステップと、を含む。

また、本発明に係るプログラムは、注目人物の信用度を判定するコンピュータに、前記注目人物と参照人物との関係性を特定する手順、前記注目人物と前記参照人物との関係性に対応する判断基準に従って、当該注目人物と当該参照人物との関係の強さを示す指標に基づいて、当該注目人物と当該参照人物との近さを示す近さスコアを決定する手順、少なくとも１人の前記参照人物についての、当該参照人物に関する情報と当該参照人物について決定される前記近さスコアとに基づいて、前記注目人物の信用度を判定する手順、を実行させる。

本発明の一実施形態に係る信用度判定システムの全体構成の一例を示す図である。 本発明の一実施形態に係る信用度判定システムの機能の一例を示す機能ブロック図である。 ＩＰアドレスデータの値が共通していることの一例を模式的に示す図である。 グラフデータの一例を示す図である。 住所データの値が共通していることの一例を模式的に示す図である。 グラフデータの一例を示す図である。 クレジットカード番号データの値が共通していることの一例を模式的に示す図である。 グラフデータの一例を示す図である。 グラフデータの一例を示す図である。 クラスタの一例を示す図である。 分類の可視化の一例を示す図である。 機械学習モデルを用いた近さスコアの決定の一例を示す図である。 機械学習モデルの学習の一例を示す図である。 本発明の一実施形態に係る信用度判定システムで行われる処理の流れの一例を示すフロー図である。

以下、本発明の一実施形態について図面に基づき詳細に説明する。

図１は、本発明の一実施形態に係る信用度判定システム１の全体構成の一例を示す図である。図１に示すように、本実施形態に係る信用度判定システム１は、例えば、サーバコンピュータやパーソナルコンピュータなどのコンピュータであり、プロセッサ１０、記憶部１２、通信部１４、操作部１６、及び、出力部１８を含む。なお、本実施形態に係る信用度判定システム１に、複数台のコンピュータが含まれていてもよい。

プロセッサ１０は、例えば、信用度判定システム１にインストールされるプログラムに従って動作するマイクロプロセッサ等のプログラム制御デバイスである。記憶部１２は、例えばＲＯＭやＲＡＭ等の記憶素子や、ソリッドステートドライブ（ＳＳＤ）などである。記憶部１２には、プロセッサ１０によって実行されるプログラムなどが記憶される。通信部１４は、例えば、有線通信又は無線通信用の通信インタフェースであり、インターネット等のコンピュータネットワークを介して、他のコンピュータや端末との間でデータを授受する。

操作部１６は、入力デバイスであり、例えば、タッチパネルやマウス等のポインティングデバイスやキーボード等を含む。操作部１６は、操作内容をプロセッサ１０に伝達する。出力部１８は、例えば、液晶表示部又は有機ＥＬ表示部等のディスプレイや、スピーカ等の音声出力デバイス等の出力デバイスである。

なお、記憶部１２に記憶されるものとして説明するプログラム及びデータは、ネットワークを介して他のコンピュータから供給されるようにしてもよい。また、信用度判定システム１のハードウェア構成は、上記の例に限られず、種々のハードウェアを適用可能である。例えば、信用度判定システム１に、コンピュータ読み取り可能な情報記憶媒体を読み取る読取部（例えば、光ディスクドライブやメモリカードスロット）や外部機器とデータの入出力をするための入出力部（例えば、ＵＳＢポート）が含まれていてもよい。例えば、情報記憶媒体に記憶されたプログラムやデータが読取部や入出力部を介して信用度判定システム１に供給されるようにしてもよい。

本実施形態に係る信用度判定システム１では例えば、信用情報機関に与信の情報が登録されていない人物（以下、注目人物と呼ぶ。）の信用度が判定される。

以下、本実施形態に係る信用度判定システム１の機能、及び、信用度判定システム１で実行される処理についてさらに説明する。

図２は、本実施形態に係る信用度判定システム１で実装される機能の一例を示す機能ブロック図である。なお、本実施形態に係る信用度判定システム１で、図２に示す機能のすべてが実装される必要はなく、また、図２に示す機能以外の機能が実装されていても構わない。

図２に示すように、本実施形態に係る信用度判定システム１には、機能的には例えば、人物属性データ取得部２０、グラフデータ生成部２２、参照人物特定部２４、関係性特定部２６、近さスコア決定部２８、クレジットスコア取得部３０、信用度判定部３２、が含まれる。

人物属性データ取得部２０、クレジットスコア取得部３０は、通信部１４を主として実装される。グラフデータ生成部２２、参照人物特定部２４、関係性特定部２６、信用度判定部３２は、プロセッサ１０を主として実装される。近さスコア決定部２８は、プロセッサ１０及び記憶部１２を主として実装される。

以上の機能は、コンピュータである信用度判定システム１にインストールされた、以上の機能に対応する指令を含むプログラムをプロセッサ１０で実行することにより実装されてもよい。また、このプログラムは、例えば、光ディスク、磁気ディスク、磁気テープ、光磁気ディスク等のコンピュータ読み取り可能な情報記憶媒体を介して、あるいは、インターネットなどを介して信用度判定システム１に供給されてもよい。

本実施形態に係る信用度判定システム１は、例えば、電子商取引システム４０、ゴルフ場予約システム４２、旅行予約システム４４、カード管理システム４６、などといった複数のコンピュータシステムと通信可能になっている（図３、図５、及び、図７参照）。これらのコンピュータシステムのそれぞれには、当該コンピュータシステムを利用するユーザに関する情報であるアカウントデータが登録されている。そして、信用度判定システム１は、これらのコンピュータシステムにアクセスして、当該コンピュータシステムに登録されているアカウントデータを取得できるようになっている。

アカウントデータには、例えば、ユーザＩＤ、氏名データ、住所データ、年齢データ、性別データ、電話番号データ、携帯電話番号データ、クレジットカード番号データ、ＩＰアドレスデータ、などが含まれる。

ユーザＩＤは、例えば、当該コンピュータシステムにおける当該ユーザの識別情報である。氏名データは、例えば、当該ユーザの氏名（名字及び名前）を示すデータである。住所データは、例えば、当該ユーザの住所を示すデータである。当該コンピュータシステムが電子商取引システム４０である場合に、住所データが、当該ユーザが購入した商品の送付先の住所を示していてもよい。年齢データは、例えば、当該ユーザの年齢を示すデータである。性別データは、例えば、当該ユーザの性別を示すデータである。電話番号データは、例えば、当該ユーザの電話番号を示すデータである。携帯電話番号データは、例えば、当該ユーザの携帯電話番号を示すデータである。クレジットカード番号データは、例えば、当該ユーザが当該コンピュータシステムでの決済において利用するクレジットカードのカード番号を示すデータである。ＩＰアドレスデータは、例えば、当該ユーザが使用するコンピュータのＩＰアドレス（例えば、送信元のＩＰアドレス）を示すデータである。

人物属性データ取得部２０は、本実施形態では例えば、注目人物を含む複数の人物についての、当該人物の属性を示す人物属性データを取得する。ここで人物属性データの一例としては、上述のアカウントデータが挙げられる。人物属性データ取得部２０は、例えば、上述の複数のシステムのそれぞれから、当該人物のアカウントデータを取得する。

グラフデータ生成部２２は、本実施形態では例えば、複数の人物のそれぞれの属性に基づいて、互いに関係がある人物のペアを特定する。グラフデータ生成部２２は、複数の人物の人物属性データに基づいて、互いに関係がある人物のペアを特定してもよい。なお、本実施形態に係るグラフデータ生成部２２は、請求の範囲に記載の、複数の人物のそれぞれの属性に基づいて、互いに関係がある人物のペアを特定するペア特定手段の一例に相当する。

グラフデータ生成部２２は、例えば、注目人物を含む複数の人物にそれぞれ対応付けられるノードデータ５０と、互いに関係がある人物のペアに対応付けられるリンクデータ５２と、を含むグラフデータを生成する（図４、図６、図８、及び、図９参照）。

例えば、図３に示すように、電子商取引システム４０に、ユーザＡのアカウントデータが登録されていることとする。また、ゴルフ場予約システム４２に、ユーザＢのアカウントデータが登録されていることとする。また、旅行予約システム４４に、ユーザＣのアカウントデータが登録されていることとする。

そして、電子商取引システム４０に登録されているユーザＡのＩＰアドレスデータの値、ゴルフ場予約システム４２に登録されているユーザＢのＩＰアドレスデータの値、及び、旅行予約システム４４に登録されているユーザＣのＩＰアドレスデータの値が同じであるとする。

この場合、グラフデータ生成部２２は、図４に示すように、ユーザＡに対応付けられるノードデータ５０ａ、ユーザＢに対応付けられるノードデータ５０ｂ、ユーザＣに対応付けられるノードデータ５０ｃ、ユーザＡがユーザＢと関係があることを示すリンクデータ５２ａ、ユーザＡがユーザＣと関係があることを示すリンクデータ５２ｂ、ユーザＢがユーザＣと関係があることを示すリンクデータ５２ｃ、を含むグラフデータを生成する。

ＩＰアドレスが同じであるユーザは同じコンピュータを利用しているものと推察される。そのため、本実施形態ではこのようなユーザは互いに関連付けられるようになっている。

また、例えば、図５に示すように、電子商取引システム４０に、ユーザＤ、ユーザＥ、及び、ユーザＦのアカウントデータが登録されていることとする。

そして、電子商取引システム４０に登録されているユーザＤの住所データの値、ユーザＥの住所データの値、及び、ユーザＦの住所データの値が同じであるとする。

この場合、グラフデータ生成部２２は、図６に示すように、ユーザＤに対応付けられるノードデータ５０ｄ、ユーザＥに対応付けられるノードデータ５０ｅ、ユーザＦに対応付けられるノードデータ５０ｆ、ユーザＤがユーザＥと関係があることを示すリンクデータ５２ｄ、ユーザＤがユーザＦと関係があることを示すリンクデータ５２ｅ、ユーザＥがユーザＦと関係があることを示すリンクデータ５２ｆ、を含むグラフデータを生成する。

住所が同じであるユーザは同居しているものと推察される。そのため、本実施形態ではこのようなユーザは互いに関連付けられるようになっている。

また、例えば、図７に示すように、電子商取引システム４０に、ユーザＧのアカウントデータが登録されていることとする。また、ゴルフ場予約システム４２に、ユーザＨのアカウントデータが登録されていることとする。また、旅行予約システム４４に、ユーザＩのアカウントデータが登録されていることとする。

そして、電子商取引システム４０に登録されているユーザＧのクレジットカード番号データの値、ゴルフ場予約システム４２に登録されているユーザＨのクレジットカード番号データの値、及び、旅行予約システム４４に登録されているユーザＩのクレジットカード番号データの値が同じであるとする。

この場合、グラフデータ生成部２２は、図８に示すように、ユーザＧに対応付けられるノードデータ５０ｇ、ユーザＨに対応付けられるノードデータ５０ｈ、ユーザＩに対応付けられるノードデータ５０ｉ、ユーザＧがユーザＨと関係があることを示すリンクデータ５２ｇ、ユーザＧがユーザＩと関係があることを示すリンクデータ５２ｈ、ユーザＨがユーザＩと関係があることを示すリンクデータ５２ｉ、を含むグラフデータを生成する。

クレジットカード番号が同じであるユーザは親子等の家族であるものと推察される。そのため、本実施形態ではこのようなユーザは互いに関連付けられるようになっている。

なお、互いに関係がある人物のペアに該当するか否かの判断基準は、以上で説明したものには限定されない。

また、以上で説明した、互いに関係があると特定された人物を関連付けるリンクデータ５２が示すリンクを明示的リンクと呼ぶこととする。

ここで例えば、第１の人物と明示的リンクで接続されている人物と、第２の人物と明示的リンクで接続されている人物と、が所定数以上（例えば、３人以上）共通しているとする。この場合、本実施形態では例えば、グラフデータ生成部２２は、当該第１の人物が当該第２の人物と関係があることを示すリンクデータ５２を生成する。このようにして生成されるリンクデータ５２が示すリンクを黙示的リンクと呼ぶこととする。

例えば、図９に示すように、明示的リンクを示すリンクデータ５２ｊによって、ユーザＪに対応付けられるノードデータ５０ｊとユーザＫに対応付けられるノードデータ５０ｋとが接続されていることとする。また、明示的リンクを示すリンクデータ５２ｋによって、ユーザＪに対応付けられるノードデータ５０ｊとユーザＬに対応付けられるノードデータ５０ｌとが接続されていることとする。また、明示的リンクを示すリンクデータ５２ｌによって、ユーザＪに対応付けられるノードデータ５０ｊとユーザＭに対応付けられるノードデータ５０ｍとが接続されていることとする。

また、明示的リンクを示すリンクデータ５２ｍによって、ユーザＫに対応付けられるノードデータ５０ｋとユーザＮに対応付けられるノードデータ５０ｎとが接続されていることとする。また、明示的リンクを示すリンクデータ５２ｎによって、ユーザＬに対応付けられるノードデータ５０ｌとユーザＮに対応付けられるノードデータ５０ｎとが接続されていることとする。また、明示的リンクを示すリンクデータ５２ｏによって、ユーザＭに対応付けられるノードデータ５０ｍとユーザＮに対応付けられるノードデータ５０ｎとが接続されていることとする。

この場合、グラフデータ生成部２２は、ユーザＪがユーザＮと関係があることを示すリンクデータ５２ｐ（黙示的リンクを示すリンクデータ５２ｐ）を生成する。このようにして、ユーザＮが、ユーザＪと関係がある人物として特定されることとなる。

また、例えば、第１の人物と明示的リンク又は黙示的リンクで接続されている人物と、第２の人物と明示的リンク又は黙示的リンクで接続されている人物と、が所定数以上（例えば、３人以上）共通しているとする。この場合、グラフデータ生成部２２が、当該第１の人物が当該第２の人物と関係があることを示すリンクデータ５２（黙示的リンクを示すリンクデータ５２）を生成してもよい。

なお、グラフデータ生成部２２は、アカウントデータとは異なる人物属性データに基づいて、グラフデータを生成してもよい。

参照人物特定部２４は、本実施形態では例えば、注目人物と関係がある人物である参照人物を特定する。ここで、参照人物特定部２４は、注目人物と関係がある人物として特定される人物、及び、関係がある人物として特定される人物が所定数以上注目人物と共通する人物を、参照人物として特定してもよい。また、参照人物特定部２４は、注目人物の属性と、複数の人物の属性と、に基づいて、当該複数の人物のうちから、参照人物を特定してもよい。

参照人物特定部２４は、例えば、注目人物に対応付けられるノードデータ５０と、明示的リンク又は黙示的リンクを示すリンクデータ５２によって接続されるノードデータ５０に対応付けられる人物を、当該注目人物に対する参照人物として特定してもよい。

関係性特定部２６は、本実施形態では例えば、注目人物と参照人物との関係性を特定する。ここで、関係性特定部２６が、注目人物のアカウントデータと、参照人物のアカウントデータと、に基づいて、注目人物と参照人物との関係性を特定してもよい。ここで、注目人物のアカウントデータが登録されているコンピュータシステムと参照人物のアカウントデータが登録されているコンピュータシステムとは異なっていてもよい。例えば、電子商取引システム４０に登録されている、注目人物のアカウントデータと、ゴルフ場予約システム４２に登録されている、参照人物のアカウントデータと、に基づいて、注目人物と参照人物との関係性を特定してもよい。

また、関係性特定部２６は、注目人物と参照人物との家族としての関係を特定してもよい。

関係性特定部２６は、例えば、リンクデータ５２で接続されているノードデータ５０のペアを特定する。そして、関係性特定部２６は、当該ペアに対応付けられる２人の人物の人物属性データに基づいて、当該ペアに対応付けられるペア属性データを生成する。

ペア属性データには、例えば、ＩＰ共通フラグ、住所共通フラグ、クレジットカード番号共通フラグ、名字同一フラグ、年齢差データ、ペア性別データ、などが含まれる。

ＩＰ共通フラグは、例えば、当該ペアのうちの一方のアカウントデータに含まれるＩＰアドレスデータの値と他方のアカウントデータに含まれるＩＰアドレスデータの値とが同じであるか否かを示すフラグである。例えば、所与の日においてＩＰアドレスデータの値が同じである場合はＩＰ共通フラグの値に１が設定され、ＩＰアドレスデータの値が異なる場合はＩＰ共通フラグの値に０が設定されてもよい。

住所共通フラグは、例えば、当該ペアのうちの一方のアカウントデータに含まれる住所データの値と他方のアカウントデータに含まれる住所データの値とが同じであるか否かを示すフラグである。例えば、住所データの値が同じである場合は住所共通フラグの値に１が設定され、住所データの値が異なる場合は住所共通フラグの値に０が設定されてもよい。

クレジットカード番号共通フラグは、例えば、当該ペアのうちの一方のアカウントデータに含まれるクレジットカード番号データの値と他方のアカウントデータに含まれるクレジットカード番号データの値とが同じであるか否かを示すフラグである。例えば、クレジットカード番号データの値が同じである場合はクレジットカード番号共通フラグの値に１が設定され、クレジットカード番号データの値が異なる場合はクレジットカード番号共通フラグの値に０が設定されてもよい。

名字同一フラグは、例えば、当該ペアのうちの一方のアカウントデータに含まれる氏名データが示す名字と他方のアカウントデータに含まれる氏名データが示す名字とが同じであるか否かを示すフラグである。例えば、氏名データが示す名字が同じである場合は名字同一フラグの値に１が設定され、氏名データが示す名字が異なる場合は名字同一フラグの値に０が設定されてもよい。

年齢差データは、例えば、当該ペアのうちの一方のアカウントデータに含まれる年齢データの値と他方のアカウントデータに含まれる年齢データの値との差を示すデータである。

ペア性別データは、例えば、当該ペアのうちの一方のアカウントデータに含まれる性別データの値と他方のアカウントデータに含まれる性別データの値との組合せを示すデータである。

そして、関係性特定部２６は、複数のペアのそれぞれに対応付けられるペア属性データの値に基づいて、一般的なクラスタリング手法を用いたクラスタリングを実行することで、当該複数のペアを、図１０に示すような複数のクラスタ５４に分類する。

図１０は、複数のペアが、５つのクラスタ５４（５４ａ、５４ｂ、５４ｃ、５４ｄ、及び、５４ｅ）に分類された様子の一例を模式的に示す図である。図１０に示されているバツ印は、ペアに対応付けられる。そして、複数のバツ印のそれぞれは、当該バツ印に対応するペアのペア属性データの値に対応付けられる位置に配置されている。

図１０の例では、複数のペアが５つのクラスタ５４に分類されているが、複数のペアが分類されるクラスタ５４の数は５つには限定されず、例えば、複数のペアが４つのクラスタ５４に分類されてもよい。

図１１は、複数のペアが４つのクラスタ５４に分類された場合における、当該分類の可視化の一例を示す図である。

図１１に示すように、住所が同じであり、性別が同じであり、年齢差がＸ歳より大きく、名字が同じペアは、第１クラスタに分類されてもよい。また、住所が同じであり、性別が同じであり、年齢差がＸ歳以下であり、名字が同じペアは、第２クラスタに分類されてもよい。また、住所が同じであり、性別が異なり、年齢差がＹ歳より大きく、名字が同じペアは、第３クラスタに分類されてもよい。また、住所が同じであり、性別が異なり、年齢差がＹ歳以下であり、名字が同じペアは、第４クラスタに分類されてもよい。

この場合、第１クラスタは、例えば同性の親子に対応付けられるクラスタ５４であるものと推察される。また、第２クラスタは、例えば同性の兄弟に対応付けられるクラスタ５４であるものと推察される。また、第３クラスタは、例えば異性の親子に対応付けられるクラスタ５４であるものと推察される。また、第４クラスタは、例えば夫婦、または異性の兄弟に対応付けられるクラスタ５４であるものと推察される。

以上で説明したようにして、関係性特定部２６が、人物間の関係に対応付けられる値に基づくクラスタリングの結果に基づいて、注目人物と参照人物との関係性を特定してもよい。また、関係性特定部２６が、名字、ＩＰアドレス、住所、クレジットカード番号、年齢差、又は、性別のうちの少なくとも１つに基づくクラスタリングの結果に基づいて、注目人物と参照人物との関係性を特定してもよい。

近さスコア決定部２８は、本実施形態では例えば、注目人物と参照人物との関係性に対応する判断基準に従って、注目人物と当該参照人物との関係の強さを示す指標に基づいて、注目人物と当該参照人物との近さを示す近さスコアを決定する。

ここで、近さスコア決定部２８が、それぞれ上述のクラスタ５４に対応付けられる学習済の機械学習モデルを含んでいてもよい。例えば、複数のペアが５つのクラスタ５４に分類される場合には、近さスコア決定部２８が、５つの機械学習モデルを含んでいてもよい。

そして、近さスコア決定部２８は、注目人物と参照人物との関係性に対応する学習済の機械学習モデルに、注目人物と当該参照人物との関係の強さを示す指標を表すデータを入力した際の出力に基づいて、注目人物と参照人物との近さを示す近さスコアを決定してもよい。この場合、学習済の機械学習モデルにおいて実装された入出力関係が、上述の判断基準に相当する。

図１２に示すように、近さスコア決定部２８が、ｎ番目の機械学習モデルである第ｎ機械学習モデルに、第ｎ機械学習モデルに対応付けられるクラスタ５４に分類されたペアに対応する入力データを入力してもよい。例えば、近さスコア決定部２８が５つの機械学習モデルを含む場合は、上述の値ｎは、１以上５以下の整数のうちのいずれかとなる。そして、近さスコア決定部２８が、当該入力データの入力に応じて第ｎ機械学習モデルから出力される出力データの値を、当該ペアについての近さスコアの値として決定するようにしてもよい。

ペアに対応付けられる入力データには、例えば、当該ペアに対応付けられるペア属性データの一部又は全部が含まれるようにしてもよい。また、入力データに、ペア属性データに含まれていないデータが含まれるようにしてもよい。例えば、入力データに、電子商取引システム４０の利用履歴を示すデータや、近さスコア決定部２８によってＳＮＳ等の他の情報源から取得されるデータなどが含まれていてもよい。より具体的には例えば、入力データに、ペア間の単位期間あたりの通話回数やメッセージのやり取りの回数、一方が他方に送ったギフトの数、ペアにおける共通のフレンドの数、などを示すデータが含まれるようにしてもよい。

また、ペアに対応付けられる入力データに含まれるデータの種類は、当該ペアが属するクラスタ５４によって同じであってもよいし異なっていてもよい。例えば、第１機械学習モデルに入力される入力データに含まれるデータの種類と、第２機械学習モデルに入力される入力データに含まれるデータの種類と、が異なっていてもよい。

本実施形態では例えば、近さスコア決定部２８による近さスコアの決定に先立って、予め、第ｎ機械学習モデルに対応付けられる所与の複数の訓練データを用いた、第ｎ機械学習モデルの学習が実行される。この訓練データは、例えば、当該第ｎ機械学習モデルに対応付けられるクラスタ５４における近さスコアの決定が妥当なものとなるよう予め準備されたものである。

ここで、第ｎ機械学習モデルに対して、弱教師あり学習による学習が行われてもよい。例えば、訓練データに、図１３に示すような、第ｎ機械学習モデルに入力される入力データと同じ種類のデータが含まれている学習入力データと、学習入力データの入力に応じて第ｎ機械学習モデルから出力される出力データと比較される教師データと、が含まれていてもよい。

ここで例えば、上述の近さスコアが、０又は１のいずれかの値をとるとする。例えば、ペアが近い関係にある場合には、当該ペアの近さスコアの値として１が決定され、そうでない場合に、当該ペアの近さスコアの値として０が決定されるとする。

この場合、教師データが、対応する学習入力データにおける妥当な近さスコアの値、及び、この値が妥当である確率を示すデータを含んでいてもよい。

そして、例えば、訓練データに含まれる学習入力データの入力に応じて第ｎ機械学習モデルから出力される出力データの値と、当該訓練データに含まれる教師データの値と、に基づいて、第ｎ機械学習モデルのパラメータの値を更新する弱教師あり学習が実行されてもよい。

なお、上述の近さスコアは、０又は１のいずれかの値をとるバイナリデータである必要はない。例えば、上述の近さスコアが、当該ペアが近い関係にあるほど大きな値となる実数値（例えば、０以上１０以下の実数値）や、多段階の整数値（例えば、１以上１０以下の整数値）であっても構わない。

また、機械学習モデルの学習手法は、弱教師あり学習には限定されない。

一具体例として、兄弟の関係があるペアについて考察する。この場合、当該ペアに対応付けられる入力データが、兄弟という関係に対応する学習済の機械学習モデルに入力される。そして例えば、このペアについて住所データの値が同じであり、このペアの一方が他方に送ったギフトの数が５０であり、このペアの今までの通話回数が１２００回である場合には、値が１である出力データが出力されるような学習が実行されてもよい。また例えば、このペアについて住所データの値が異なっており、このペアの一方が他方に送ったギフトの数が２であり、このペアの今までの通話回数が３０回である場合には、値が０である出力データが出力されるような学習が実行されてもよい。

そして、近さスコアに対応する出力データの値が１となるか０となるかの判断基準（例えば閾値）が、機械学習モデルによって異なっていてもよい。

クレジットスコア取得部３０は、本実施形態では例えば、参照人物のクレジットスコアを示すクレジットスコアデータを取得する。

クレジットスコア取得部３０は、信用情報機関のシステムにアクセスして、当該システムから参照人物のクレジットスコアを示すクレジットスコアデータを取得してもよい。

クレジットスコア取得部３０は、カード管理システム４６にアクセスして、カード管理システム４６から参照人物のクレジットスコアを示すクレジットスコアデータを取得してもよい。

信用度判定部３２は、本実施形態では例えば、少なくとも１人の参照人物についての、当該参照人物に関する情報と当該参照人物について決定される注目人物との近さスコアとに基づいて、注目人物の信用度を判定する。

ここで参照人物に関する情報の一例として、クレジットスコア取得部３０が取得する、当該参照人物のクレジットスコアを示すクレジットスコアデータが挙げられる。

また、信用度判定部３２は、注目人物の信用度の一例として、注目人物のクレジットスコアを判定してもよい。例えば、信用度判定部３２は、近さスコアによるクレジットスコアの重み付き平均値を、注目人物のクレジットスコアとして判定してもよい。

例えば、ある注目人物について、参照人物がｍ人いるとする。この場合、このｍ人の参照人物についての、クレジットスコアデータの値と当該参照人物と当該注目人物とのペアに対応付けられる近さスコアの値との積を合計した値ｐが計算されてもよい。そして、このｍ人の参照人物についての、当該参照人物と当該注目人物とのペアに対応付けられる近さスコアの値を合計した値ｑが計算されてもよい。そして、値ｐを値ｑで割った値が、注目人物のクレジットスコアとして判定されてもよい。

なお、信用度判定部３２は、参照人物のクレジットスコアに基づいて、注目人物の信用度を判定する必要はない。例えば、信用度判定部３２が、例えば、参照人物の収入、参照人物の知名度、人口統計などに基づいて、注目人物の信用度を判定してもよい。

また、信用度判定部３２が判定する注目人物の信用度は、注目人物のクレジットスコアには限定されない。例えば、信用度判定部３２が、注目人物の与信限度額を判定してもよい。また、例えば、信用度判定部３２が、任意の会員サービスに対する新規ユーザ登録や、任意のインターネット通販やフリーマーケットサービスの利用代金の後払いを許可するか否か等を判定してもよい。

ここで、本実施形態に係る信用度判定システム１で行われる、ある注目人物についての信用度を判定する処理の流れの一例を、図１４に例示するフロー図を参照しながら説明する。以下の処理例では、注目人物を含む複数の人物についてのグラフデータが既に生成されており、複数のペアについて、当該ペアに対応付けられるクラスタ５４が特定されていることとする。また、各クラスタ５４に対応付けられる機械学習モデルが既に学習済であることとする。また、値ｐの初期値、及び、値ｑの初期値として０が設定されていることとする。

まず、参照人物特定部２４が、注目人物に対応するノードデータ５０と明示的リンク又は黙示的リンクで接続されているノードデータ５０に対応する人物を、参照人物として特定する（Ｓ１０１）。ここでは例えば、少なくとも１人の参照人物が特定されるとする。

そして、関係性特定部２６が、Ｓ１０１に示す処理で特定された参照人物のうちから、Ｓ１０３～Ｓ１０９に示す処理がまだ実行されていない参照人物を１人選択する（Ｓ１０２）。

そして、関係性特定部２６が、当該注目人物とＳ１０２に示す処理で選択された参照人物とのペアに対応するクラスタ５４を特定する（Ｓ１０３）。

そして、近さスコア決定部２８が、当該注目人物とＳ１０２に示す処理で選択された参照人物とのペアに対応する入力データを生成する（Ｓ１０４）。

そして、近さスコア決定部２８が、Ｓ１０４に示す処理で生成された入力データを、Ｓ１０３に示す処理で特定されたクラスタ５４に対応付けられる学習済の機械学習モデルに入力する（Ｓ１０５）。

そして、近さスコア決定部２８が、Ｓ１０５に示す処理で実行された入力に応じて、機械学習モデルから出力される出力データに基づいて、当該注目人物と当該参照人物とのペアに対応付けられる近さスコアの値を決定する（Ｓ１０６）。

そして、クレジットスコア取得部３０が、当該参照人物のクレジットスコアデータを取得する（Ｓ１０７）。

そして、信用度判定部３２が、値ｐに、Ｓ１０７に示す処理で取得されたクレジットスコアデータの値とＳ１０６に示す処理で決定された近さスコアの値との積ｐ１を加算する（Ｓ１０８）。

そして、信用度判定部３２が、値ｑに、Ｓ１０６に示す処理で決定された近さスコアの値ｑ１を加算する（Ｓ１０９）。

そして、関係性特定部２６が、Ｓ１０１に示す処理で特定された参照人物のすべてについてＳ１０３～Ｓ１０９に示す処理が実行されたか否かを確認する（Ｓ１１０）。

Ｓ１０１に示す処理で特定された参照人物のすべてについてＳ１０３～Ｓ１０９に示す処理が実行されていない場合は（Ｓ１１０：Ｎ）、Ｓ１０２に示す処理に戻る。

Ｓ１０１に示す処理で特定された参照人物のすべてについてＳ１０３～Ｓ１０９に示す処理が実行された場合は（Ｓ１１０：Ｙ）、信用度判定部３２は、値ｐを値ｑで割った値を、注目人物のクレジットスコアとして特定して（Ｓ１１１）、本処理例に示す処理は終了される。

このようにして、本実施形態によれば、与信の情報がない人物の信用度を的確に判定できることとなる。

本実施形態は、対応するノードデータ５０がグラフデータに含まれていない新規の注目人物についての信用度の判定にも用いることができる。例えば、新規の注目人物の人物属性データに基づいて、当該注目人物に対応するノードデータ５０、及び、当該ノードデータ５０と接続される少なくとも１つのリンクデータ５２が生成されてもよい。そして、リンクデータ５２によって当該注目人物に対応するノードデータ５０と接続される人物が、当該注目人物の参照人物として特定されてもよい。

そして、特定される少なくとも１人の参照人物のそれぞれについて、当該参照人物と当該注目人物とのペアに対応するペア属性データが生成されてもよい。そして、ペア属性データと、既に行われたクラスタリングの結果と、に基づいて、当該参照人物と当該注目人物との関係に対応するクラスタ５４が特定されてもよい。

そして、特定される少なくとも１人の参照人物のそれぞれについて、特定されるクラスタ５４に対応する学習済の機械学習モデルが特定されてもよい。そして、当該参照人物と当該注目人物とのペアに対応する入力データを当該機械学習モデルに入力した際の当該機械学習からの出力に基づいて、当該ペアについての近さスコアが決定されてもよい。

そして、上述のように、各参照人物についての、近さスコアとクレジットスコアとに基づいて、新規の注目人物の信用度が判定されてもよい。

なお、本発明は上述の実施形態に限定されるものではない。

例えば、信用度判定部３２は、注目人物に関する情報に基づいて、当該注目人物の信用度を判定する第１判定を実行してもよい。第１判定では、当該注目人物以外の人物の情報（例えば上述の参照人物の情報）を用いず、注目人物に関する情報のみに基づいて、当該注目人物の信用度が判定されるようにしてもよい。

そして、信用度判定部３２は、上述の第１判定によって判定された注目人物の信用度が所定のレベル以下であった（例えば注目人物のクレジットスコアの値が所定値以下であった）場合に、上述のようにして、少なくとも１人の参照人物に関する情報に基づいて、当該注目人物の信用度を判定し直す第２判定を実行してもよい。

また、信用度判定部３２は、上述の第１判定では注目人物の信用度が判定され得なかった場合に、上述のようにして、少なくとも１人の参照人物に関する情報に基づいて、当該注目人物の信用度を判定し直す第２判定を実行してもよい。

また、上記の具体的な文字列や数値及び図面中の具体的な文字列や数値は例示であり、これらの文字列や数値には限定されない。

Claims (9)

1. 注目人物の信用度を判定する信用度判定システムであって、
   それぞれが人物のペアを分類したクラスタに対応付けられる複数の学習済の機械学習モデルと、
   前記注目人物と参照人物との関係に対応付けられる値に基づくクラスタリングの結果に基づいて、前記注目人物と前記参照人物とのペアが分類される前記クラスタ を特定する関係性特定手段と、
   特定されるクラスタに対応する前記機械学習モデルに、 当該注目人物と当該参照人物との関係の強さを示す指標を表すデータを入力した際の出力に基づいて、当該注目人物と当該参照人物との近さを示す近さスコアを決定する近さスコア決定手段と、
   少なくとも１人の前記参照人物についての、当該参照人物に関する情報と当該参照人物について決定される前記近さスコアとに基づいて、前記注目人物の信用度を判定する信用度判定手段と、
   を含むことを特徴とする信用度判定システム。
2. 前記関係性特定手段は、第１のコンピュータシステムに登録されている前記注目人物のアカウントデータと、第２のコンピュータシステムに登録されている前記参照人物のアカウントデータと、に基づいて、前記注目人物と前記参照人物との関係性を特定する、
   ことを特徴とする請求項１に記載の信用度判定システム。
3. 複数の人物のそれぞれの属性に基づいて、互いに関係がある人物のペアを特定するペア特定手段と、
   前記注目人物と関係がある人物として特定される人物、及び、関係がある人物として特定される人物が所定数以上前記注目人物と共通する人物を、前記参照人物として特定する参照人物特定手段と、をさらに含む、
   ことを特徴とする請求項１又は２に記載の信用度判定システム。
4. 前記関係性特定手段は、前記注目人物と前記参照人物との家族としての関係を特定する、
   ことを特徴とする請求項１から３のいずれか一項に記載の信用度判定システム。
5. 前記信用度判定手段は、前記注目人物のクレジットスコアを判定する、
   ことを特徴とする請求項１から４のいずれか一項に記載の信用度判定システム。
6. 前記関係性特定手段は、名字、ＩＰアドレス、住所、クレジットカード番号、年齢差、又は、性別のうちの少なくとも１つに基づくクラスタリングの結果に基づいて、前記注目人物と前記参照人物との関係性を特定する、
   ことを特徴とする請求項１から５のいずれか一項に記載の信用度判定システム。
7. 前記信用度判定手段は、前記注目人物に関する情報に基づいて、前記注目人物の信用度を判定する第１判定を実行し、
   前記信用度判定手段は、前記第１判定によって判定された前記注目人物の信用度が所定のレベル以下である場合、あるいは、前記第１判定によって前記注目人物の信用度が判定され得なかった場合に、少なくとも１人の前記参照人物に関する情報に基づいて、前記注目人物の信用度を判定し直す第２判定を実行する、
   ことを特徴とする請求項１から６のいずれか一項に記載の信用度判定システム。
8. 注目人物の信用度を判定する信用度判定方法であって、
   それぞれが人物のペアを分類した複数のクラスタのうちから、前記注目人物と参照人物との関係に対応付けられる値に基づくクラスタリングの結果に基づいて、前記注目人物と前記参照人物とのペアが分類される前記クラスタ を特定するステップと、
   それぞれが前記クラスタに対応付けられる複数の学習済の機械学習モデルのうちの、特定されるクラスタに対応する前記機械学習モデルに、 当該注目人物と当該参照人物との関係の強さを示す指標を表すデータを入力した際の出力に基づいて、当該注目人物と当該参照人物との近さを示す近さスコアを決定するステップと、
   少なくとも１人の前記参照人物についての、当該参照人物に関する情報と当該参照人物について決定される前記近さスコアとに基づいて、前記注目人物の信用度を判定するステップと、
   を含むことを特徴とする信用度判定方法。
9. 注目人物の信用度を判定するコンピュータに、
   それぞれが人物のペアを分類した複数のクラスタのうちから、前記注目人物と参照人物との関係に対応付けられる値に基づくクラスタリングの結果に基づいて、前記注目人物と前記参照人物とのペアが分類される前記クラスタ を特定する手順、
   それぞれが前記クラスタに対応付けられる複数の学習済の機械学習モデルのうちの、特定されるクラスタに対応する前記機械学習モデルに、 当該注目人物と当該参照人物との関係の強さを示す指標を表すデータを入力した際の出力に基づいて、当該注目人物と当該参照人物との近さを示す近さスコアを決定する手順、
   少なくとも１人の前記参照人物についての、当該参照人物に関する情報と当該参照人物について決定される前記近さスコアとに基づいて、前記注目人物の信用度を判定する手順、
   を実行させることを特徴とするプログラム。

Images