JP7302106B1 - 情報処理システム、情報処理方法及びプログラム - Google Patents

Abstract

個人情報が更新されない状態に対してより適切に対処する。関係性特定手段（２６）は注目人物と参照人物との関係性の種類を特定し、近さスコア決定手段（２８）は前記注目人物と前記参照人物との関係性の種類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し、更新要否推定手段（３４）は前記注目人物の属性と、前記参照人物の属性と、前記参照人物の個人情報の変更状況と、前記注目人物と前記参照人物とのペアについての、前記近さスコア、前記関係性の種類と、を含む入力データに基づいて、前記注目人物の個人情報の更新要否を推定する。

Description

本発明は、情報処理システム、情報処理方法及びプログラムに関する。

個人情報は、様々なサービスを提供する際に用いられている。サービスの事業者は、利用者の個人情報をそのユーザから取得し、その個人情報に含まれる住所や電話番号などを用いて、必要なサービスを提供している。

特開２０２０－０３５０９３号公報には、家電機器の操作ログに基づいて生活様式の変化を推定し、生活様式の変化があったと推定された場合に個人情報の更新を求める更新要求をユーザの情報処理端末へ送信することが開示されている。

個人情報の中には、例えば住所のように、時間の経過によって実際との相違が生じるものがある。一方、利用者は、個人情報と実際との相違が生じてもサービスの事業者の個人情報を更新しないことがあった。すると、例えば、郵送で送った書類が利用者に届かないなど、サービスの提供に何らかの支障が出ることで利用者が不利益を被る恐れがある。また、サービスの事業者が頻繁に個人情報の変更状況を確認すると利用者に負担がかかる。

本発明は上記課題を鑑みてなされたものであって、その目的は、サービス事業者が有する個人情報が更新されない状態に対してより適切に対処することを可能にする技術を提供することにある。

本発明にかかる情報処理システムは、注目人物と参照人物との関係性の種類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の種類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、前記注目人物の属性と、前記参照人物の属性と、前記参照人物の個人情報の変更状況と、前記注目人物と前記参照人物とのペアについての、前記近さスコア、前記関係性の種類と、を含む入力データに基づいて、前記注目人物の個人情報の更新要否を推定する更新要否推定手段と、を含む。

本発明にかかる情報処理方法は、注目人物と参照人物との関係性の種類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の種類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、前記注目人物の属性と、前記参照人物の属性と、前記参照人物の個人情報の変更状況と、前記注目人物と前記参照人物とのペアについての、前記近さスコア、前記関係性の種類と、を含む入力データに基づいて、前記注目人物の個人情報の更新要否を推定するステップとを含む。

本発明にかかるプログラムは、注目人物と参照人物との関係性の種類を特定する関係性特定手段、前記注目人物と前記参照人物との関係性の種類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、および、前記注目人物の属性と、前記参照人物の属性と、前記参照人物の個人情報の変更状況と、前記注目人物と前記参照人物とのペアについての、前記近さスコア、前記関係性の種類と、を含む入力データに基づいて、前記注目人物の個人情報の更新要否を推定する更新要否推定手段、としてコンピュータを機能させる。

本発明の一態様では、前記更新要否推定手段は、第１の人物の属性と、第２の人物の属性と、前記第１の人物と前記第２の人物とのペアについての前記関係性の種類および前記近さスコアと、前記第２の人物の個人情報の変更状況と、前記第１の人物の個人情報の変更があったか否かを示す正解データとを含む訓練データにより学習された機械学習モデルである更新要否推定モデルに前記入力データを入力することにより、前記更新要否を推定してよい。

本発明の一態様では、前記関係性特定手段は、前記関係性の種類として、親子、配偶者、およびきょうだい（ｓｉｂｌｉｎｇ）の少なくとも一部を含む候補からいずれかを選択してよい。

本発明の一態様では、前記関係性特定手段は、名字の同一性、ＩＰアドレスの同一性、住所の類似性、年齢差、および性別の同一性のうちの少なくとも一部に基づいて、前記注目人物と前記参照人物との関係性の種類を特定してよい。

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の種類に応じた機械学習モデルである近さスコア決定モデルに、前記注目人物と前記参照人物との関係の強さを示す指標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してよい。

本発明の一態様では、前記注目人物と前記参照人物との関係の強さを示す指標は、前記注目人物と当該参照人物との間で住所が同一か否か、前記注目人物と当該参照人物との間でクレジットカードを共有しているか、前記注目人物と当該参照人物との間での共通の友人の数、前記注目人物と当該参照人物との間の通話の頻度、および、前記注目人物と前記参照人物との間のギフト送付の頻度のうち少なくとも一部を含んでよい。

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属性データと、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属性データと、に基づいて、前記注目人物と前記参照人物との関係性の種類を特定してよい。

本発明によれば、サービス事業者が有する個人情報が更新されない状態に対してより適切に対処することができる。

本発明の一実施形態に係る情報処理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情報処理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情報処理システムで行われる、ソーシャルグラフの作成にかかる処理の一例を示すフロー図である。 本発明の一実施形態に係る情報処理システムで行われる、学習部の処理の一例を示すフロー図である。 本発明の一実施形態に係る情報処理システムで行われる、推定部の処理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。この実施形態では、例えば転居といった理由により個人情報の変更が必要となり、かつその個人情報が更新されていないユーザを検出し、そのユーザに対応する情報処理システム１について説明する。

図１は、本発明の一実施形態に係る情報処理システム１の全体構成の一例を示す図である。図１に示すように、本実施形態に係る情報処理システム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、本実施形態に係る情報処理システム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、情報処理システム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。情報処理システム１は、１または複数のプロセッサ１０を含んでよい。記憶部１２は、例えばＲＯＭやＲＡＭ等の記憶素子や、ハードディスクドライブ（ＨＤＤ）、フラッシュメモリを含む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、例えばネットワークインタフェースカードのような、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、情報処理システム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、情報処理システム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情報処理システム１に供給されるようにしてもよい。

本実施形態に係る情報処理システム１は、個人情報の変更が必要となり、かつその個人情報が更新されていないユーザ（人物）を検出する。そのために、情報処理システム１はその検出の対象となるユーザ（以下では注目人物とも記載する）と、そのユーザと関係を有するユーザ（以下では参照人物とも記載する）との関係性の種類および近さ、また参照人物の個人情報の変更状況を利用する。ここで、個人情報の変更状況とは、個人情報の変更に関わる情報であり、例えば、一のサービスにおける個人情報の変更履歴を含んでもよいし、一のサービスにおける個人情報の登録または変更の有無またはタイミングを示す情報を含んでもよいし、同一のユーザに対応付けられた異なる複数のサービス間の個人情報の共通性を含んでもよいし、その他の態様を含んでもよい。

以下、本実施形態に係る情報処理システム１の機能、及び、情報処理システム１で実行される処理についてさらに説明する。

図２は、本実施形態に係る情報処理システム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、本実施形態に係る情報処理システム１に、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、本実施形態に係る情報処理システム１は、機能的に、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、手法決定部３０、近さスコア決定部２８、学習部３２、推定部３４、ユーザ通知部３６、関連格納部３９を含む。

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は、主に、ユーザのペアおよびそのペアにおけるユーザ間の関係を含むソーシャルグラフを作成するための機能である。推定部３４は注目人物の個人情報の更新が必要か否かを推定する（更新要否を推定する）機能であり、学習部３２は推定部３４で用いる機械学習モデル（更新要否推定モデル）を学習させる機能である。

人物属性データ取得部２０、ユーザ通知部３６は、主にプロセッサ１０、記憶部１２および通信部１４により実装される。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、手法決定部３０、近さスコア決定部２８、推定部３４は、主にプロセッサ１０及び記憶部１２により実装される。関連格納部３９は主に記憶部１２により実装される。

以上の機能は、コンピュータである情報処理システム１にインストールされた、以上の機能に対応する実行命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よい。また、このプログラムは、例えば、光学的ディスク、磁気ディスク、フラッシュメモリ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情報処理システム１に供給されてもよい。

本実施形態に係る情報処理システム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、情報処理システム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（姓（名字）及び名）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）。またグラフデータ生成部２２は、生成されたグラフデータを関連格納部３９に格納する。

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、処理対象人物（例えば注目人物を含む）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、処理対象人物と関係がある人物として特定される人物（例えば友人として電子商取引システム４０等に登録される人物）、及び、関係がある人物として特定される人物（例えば登録された友人）が所定数以上、処理対象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、処理対象人物の属性と、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、処理対象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、当該処理対象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、処理対象人物（例えば注目人物を含む）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、処理対象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、処理対象人物と参照人物との関係性を特定してもよい。ここで、処理対象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、処理対象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、処理対象人物と参照人物との関係性（より具体的には関係性の種類）を特定してもよい。関係性特定部２６は、特定された関係性を、処理対象人物および参照人物のペアと関連付けて関連格納部３９に格納してよい。

また、関係性特定部２６は、処理対象人物と参照人物との家族としての関係（例えば親子、配偶者、きょうだい）を特定してよい。さらに、関係性特定部２６は、特定される関係性の種類として、親子、配偶者、きょうだい、同僚、隣人、友人のうち少なくとも一部を含む候補のうちいずれかを選択してよい。

次に関係性特定部２６の処理についてより詳細に説明する。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。なお、処理対象人物および参照人物にかかるペア属性データは、関係性特定部２６により特定された、処理対象人物および参照人物のペアにかかる関係性の種類を示す情報を含んでよい。

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、処理対象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、処理対象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、処理対象人物と参照人物との関係性に対応する判断基準と、処理対象人物（例えば注目人物を含む）と参照人物との関係の強さを示す指標に基づいて、処理対象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。

手法決定部３０は、処理対象人物と参照人物との関係性として選択された種類に対応する判断基準を決定する。より具体的には、手法決定部３０は判断基準として、近さスコア決定部２８において利用する近さスコア決定用の機械学習モデル（近さスコア決定モデル）を決定してよい。

そして近さスコア決定部２８は、決定された判断基準に従って、処理対象人物と参照人物との関係の強さを示す指標に基づいて、その処理対象人物とその参照人物との近さを示す近さスコアを決定する。また近さスコア決定部２８は、決定された近さスコアを処理対象人物および参照人物のペアに関連付けて関連格納部３９に格納する。

ここで、近さスコア決定部２８は、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（近さスコア決定モデル）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、処理対象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（近さスコア決定モデル）に、処理対象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、処理対象人物と参照人物との近さを示す近さスコアを決定してよい。

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（通話頻度）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（登録された）友人の数、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（正解のデータ）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（近さスコア決定モデル）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（近さスコア決定モデル）によって異なっていてもよい。

推定部３４は、注目人物の属性と、参照人物の属性と、注目人物と参照人物とのペアについての関係性の種類および近さスコアとを含む入力データに基づいて、注目人物の個人情報の更新が必要であるか否かを推定する。以下では、個人情報の更新が必要であるか否かを推定することを、更新要否を推定する、と記載する。推定部３４は、注目人物と参照人物とのペアについて、関係性特定部２６が特定した関係性の種類と近さスコア決定部２８が決定した近さスコアとを関連格納部３９から取得してよい。参照人物の属性は、性別および年齢と、例えば郵便番号、住所、電話番号のいずれかがここ数日に更新されたか否かを示す情報と、行動履歴（例えば家具や雑貨の購入状況または閲覧履歴）とを含む。注目人物の属性も上記の情報を含む。なお、推定部３４は、ペアの関係性の種類に代えてそのペア属性データの少なくとも一部に基づいて、当該蓋然性を推定してもよい。

推定部３４は、機械学習モデル（更新要否推定モデル）を用いてその更新要否を推定してよい。より具体的には、推定部３４は、更新要否推定モデルに入力データを入力した際の出力により、更新要否を推定してよい。更新要否推定モデルは、例えば、アダブースト、ランダムフォレスト、ニューラルネットワーク、サポートベクタマシン（ＳＶＭ）、最近傍識別器、などの機械学習が実装された機械学習モデルであってよい。また、更新要否推定モデルとして、いわゆるDeep Learningを用いた機械学習モデルが構築されてもよい。

学習部３２は、紹介依頼人物の属性と、被紹介人物の属性と、紹介依頼人物と被紹介人物とのペアについて求められた関係性の種類および近さスコアと、個人情報の更新があったか否かを示す正解データとを含む訓練データにより更新要否推定モデルを学習させる。学習部３２の処理の詳細については後述する。

ユーザ通知部３６は、推定部３４による推定の結果に基づいて、その注目人物に向けて個人情報の確認および更新を促す通知を送信する。例えば、推定部３４により推定された更新の必要性の度合（更新要否スコアに相当）が所定の閾値以上である場合に、ユーザ通知部３６は、注目人物の電子メールまたはメッセンジャーのアドレスに対して個人情報の確認および更新を促すメッセージを送信してよい。そのメッセージは、個人情報の確認および更新が可能なＷｅｂページへのリンクを含んでよい。

ここで、本実施形態に係る情報処理システム１で行われる、ソーシャルグラフにかかる情報の作成についての処理の一例を、図１４に例示するフロー図を参照しながら説明する。図１４は、主に参照人物特定部２４、関係性特定部２６、近さスコア決定部２８の処理について説明する。

図１４に記載される処理は、グラフデータが生成された人物のそれぞれについて繰り返し実行される。グラフデータが生成された人物は注目人物を含み、図１４の処理の対象となる人物を以下では処理対象人物と記載する。図１４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（近さスコア決定モデル）が既に学習済であることとする。

まず、参照人物特定部２４は、処理対象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、Ｓ１０４～Ｓ１０８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（Ｓ１０３）。

そして、関係性特定部２６が、処理対象人物と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をそのペアの関係性の種類として特定する（Ｓ１０４）。

手法決定部３０は、特定された関係性の種類に基づいて、近さスコアの決定に用いる機械学習モデルを決定する（ステップＳ１０５）。

そして、近さスコア決定部２８が、処理対象人物とＳ１０４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（Ｓ１０６）。

そして、近さスコア決定部２８が、Ｓ１０６に示す処理で生成された入力データを、Ｓ１０４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（Ｓ１０７）。そして、近さスコア決定部２８が、その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（Ｓ１０７）。また関係性特定部２６は処理対象人物と参照人物との関係性を関連格納部３９に格納し、近さスコア決定部２８は処理対象人物と参照人物との近さスコアを関連格納部３９に格納する（Ｓ１０８）。

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Ｓ１０４～Ｓ１０８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Ｓ１０４～Ｓ１０８に示す処理が実行されていない場合は（Ｓ１１０：Ｎ）、Ｓ１０３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Ｓ１０４～Ｓ１０８に示す処理が実行された場合は（Ｓ１１０：Ｙ）、図１４に示される処理は終了する。

次に、ソーシャルグラフにかかる情報が作成されたのちに行われる、学習部３２による機械学習モデル（更新要否推定モデル）の学習についての処理の一例を、図１５に例示するフロー図を参照しながら説明する。

はじめに、学習部３２は、情報処理システム１の記憶部１２に格納される、連絡先へ連絡がつかなかった人物（ユーザ）と、その人物と関係のある人物とのペアを正例として取得する（Ｓ２０１）。正例として連絡がつかなかった人物とともに取得される人物は、連絡がつかなかった人物と関係がありかつ連絡先の更新があった人物であってよく、また配偶者、親子、きょうだいといった親族であってよい。ここで、連絡がつかなかった人物とは、例えば、個人情報に含まれる住所等に対する郵送物等が返送されたことが外部サービス等により通知された人物であってもよいし、個人情報に含まれる住所等へ郵送物等が送付された後に、所定期間内に、記載のＵＲＬへのアクセスや郵送物等に記載のコードの入力等の何らかの指示（インストラクション）を行わなかった人物であってもよいし、その他の態様であってもよい。なお、連絡がつかなかった人物およびその人物と関係のある人物のペアを正例として取得するか否かは、人物間の連絡先が相違するか否かに基づいて判定されてもよい。

次に、学習部３２は、情報処理システム１の記憶部１２に格納される、連絡先へ連絡がついた人物と、その人物と関係のある人物とのペアを負例として取得する（Ｓ２０２）。負例として連絡がついた人物とともに取得される人物は、連絡がついた人物と関係がある人物であり、連絡先の更新があった人物および更新のない人物のどちらであってもよい。ここで、連絡がついた人物とは、上述の連絡がつかなかった人物に対する反例に相当する人物であってよい。

正例および負例が取得されると、学習部３２は、正例および負例のペアに含まれる人物についての属性を入力データの一部として取得する（Ｓ２０３）。学習部３２は、正例については、連絡がつかなかった人物を第１の人物、その人物と関係のある人物を第２の人物とし、負例については、連絡がついた人物を第１の人物、その人物と関係のある人物を第２の人物として、第１の人物および第２の人物のそれぞれについての情報を取得する。ここで、人物についての属性は、その人物の年齢、ポイント利用状況、各サービスの利用パターンを含む。

また学習部３２は、正例および負例のそれぞれのペアにおける関係性の種類および近さスコアを入力データの一部として取得する（Ｓ２０４）。学習部３２は、入力データとして、さらに、第１の人物と第２の人物との間の通話の頻度、および、第１の人物と第２の人物との間のギフト送付の頻度といった関係の強さを示す他の指標を取得してもよい。

学習部３２は、第１の人物の属性、第２の人物の属性、および、第１の人物と第２の人物との関係性の種類および近さスコア、を含む入力データと、正例または負例を示す情報を含む正解データとにより、更新要否推定モデルを学習させる（Ｓ２０５）。なお更新要否推定モデルは、第１の人物と第２の人物とが取り換えられた場合に必ずしも同じ結果を出力しないように学習される。学習済の更新要否推定モデルに対して、注目人物を第１人物とし、参照人物を第２人物とした入力データを入力すると、更新要否推定モデルは、注目人物の個人情報の更新が必要であるか否かを示す情報（更新要否スコア）を出力する。

次に、更新要否推定モデルが学習されたのちに行われる、推定部３４による更新要否の推定およびユーザ通知部３６による依頼についての処理の一例を、図１６に例示するフロー図を参照しながら説明する。図１６に示される処理は、その更新要否の判断対象となる注目人物について実行される。更新要否の判断対象として複数の注目人物が存在する場合には、図１６に示される処理は注目人物ごとに実行される。

はじめに推定部３４は、その注目人物と関係を有する参照人物を取得する（Ｓ３０１）。具体的には、推定部３４は、処理対象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に対応する人物であって、その関係が配偶者、親子、きょうだいのような家族の関係である人物を、参照人物として取得してよい。また、少なくとも１人の参照人物が取得されてよい。

そして、推定部３４は、Ｓ３０１に示す処理で特定された参照人物のうちから、Ｓ３０３～Ｓ３０４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（Ｓ３０２）。

参照人物が選択されると、推定部３４は注目人物と選択された参照人物とのペアについて入力データを取得する（Ｓ３０３）。入力データは、注目人物の属性（個人情報の更新状況も含む）、参照人物の属性（個人情報の更新状況も含む）、および、注目人物と参照人物との関係性の種類および近さスコアを含む。入力データは、注目人物と参照人物との間の通話の頻度、および、注目人物と参照人物との間のギフト送付の頻度といった関係の強さを示す他の指標をさらに含んでもよい。個人情報の更新状況は、いずれかのコンピュータシステムに登録されている個人情報（例えば郵便番号、住所、電話番号のいずれか）の変更に関する情報であり、具体的には、過去Ｎ日の間に登録されている個人情報が更新されたか否かであってよい。またその更新状況は、いずれかのコンピュータシステムまたは記憶部１２に格納されている個人情報の変更状況に基づいて取得されてよい。

推定部３４は、取得された入力データを更新要否推定モデルに入力した際の出力を取得することにより、更新要否スコアを決定する（Ｓ３０４）。推定部３４は更新要否推定モデルの出力をそのまま更新要否スコアとしてもよいし、その出力に所定の演算をすることにより更新要否スコアを決定してもよい。

そして推定部３４は、決定された更新要否スコアスコアが所定の条件を満たす、具体的には閾値以上であるか判定する（Ｓ３０５）。更新要否スコアが閾値以上である場合には（Ｓ３０５：Ｙ）、推定部３４は注目人物の情報を要変更リストに追加し（Ｓ３０６）、この注目人物についての図１６の処理を終了する。

更新要否スコアが閾値未満である場合には（Ｓ３０５：Ｎ）、推定部３４は、Ｓ３０１に示す処理で特定された参照人物のすべてについてＳ３０３～Ｓ３０５に示す処理が実行されたか否かを確認する（Ｓ３０７）。

Ｓ３０１に示す処理で特定された参照人物のすべてについてＳ３０３～Ｓ３０５に示す処理が実行されていない場合は（Ｓ３０７：Ｎ）、Ｓ３０２に示す処理に戻る。

Ｓ３０１に示す処理で特定された参照人物のすべてについてＳ３０３～Ｓ３０５に示す処理が実行された場合は（Ｓ３０７：Ｙ）、推定部３４は、この注目人物についての図１６の処理を終了する。

図１６に示される処理が必要な注目人物に対して実行されると、ユーザ通知部３６は、要変更リストに含まれる注目人物に対して個人情報の変更状況を問合せ、その個人情報の更新を促す情報を送信する。

例えば注目人物による電子商取引システム４０等のコンピュータシステムの利用頻度が低い場合、本人が転居などの際に個人情報を変更する可能性は低い。しかしながら、その注目人物の配偶者（参照人物に相当）によるコンピュータシステムの利用頻度が高く、その個人情報が更新された場合には、更新要否推定モデルにより、注目人物の個人情報の更新の必要性の度合（更新要否スコアに相当）が高いと推定される。もちろん、注目人物および参照人物の両方について、個人情報が更新されず転居に伴う行動も行われていない場合には、更新要否推定モデルにより、注目人物の個人情報の更新の必要性の度合が低いと推定される。

推定部３４は、参照人物の個人情報が更新された場合に注目人物の個人情報を更新する必要があることを推定するだけでなく、参照人物の個人情報が更新されても注目人物の個人情報を更新する必要がないことも推定する。

例えば、参照人物の年齢が１８歳で、注目人物と参照人物との関係が親子関係であり、参照人物の住所が更新された場合には、参照人物が一人暮らしを始めた可能性が高い、このような場合に推定部３４は、注目人物の個人情報を更新する必要性の度合が低いと推定してよい。一方、注目人物と参照人物との関係が配偶者であり、参照人物の住所が更新された場合、注目人物も転居した可能性がある。このような場合に推定部３４は、注目人物の個人情報を更新する必要性の度合が高いと推定してよい。

本実施形態では、推定部３４が、注目人物と参照人物とのペアについて、人物どうしの関係性の種類だけでなく人物どうしの親密性を示す近さスコアを用いて、更新要否を求めている。また、注目人物と参照人物とのペアについて、配偶者か、きょうだいであるか、などの関係性の種類を決定し、その関係性の種類に応じて近さスコアが決定されている。これらにより、より精度よく更新要否を推定することが可能になる。

また、近さスコアの決定においては、注目人物と参照人物との間の通話の頻度、または、注目人物と参照人物との間のギフト送付の頻度といった、ユーザ間のやりとりも用いられている。これにより、近さスコアをより精度よく決定し、更新要否の推定の精度を上げることができる。

なお、本発明は上述の実施形態に限定されるものではなく、様々な変形が行われてよい。例えば、学習部３２が更新要否推定モデルの学習に用いる関連格納部３９のデータと、推定部３４が更新要否の推定の際に用いる関連格納部３９のデータとは異なっていてもよい。更新要否推定モデルの学習と推定部３４の処理との間に、最新の情報を用いて、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の処理が実行されてよい。

特許請求の範囲の記載は、本発明の要旨および範囲内にあるようなすべての変更を網羅することが意図されている。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 (8)

1. 注目人物の属性データと、参照人物の属性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の種類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の種類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、
   前記注目人物の属性と、前記参照人物の属性と、前記参照人物の個人情報の変更状況と、前記注目人物と前記参照人物とのペアについての、前記近さスコア、前記関係性の種類と、を含む入力データが更新要否推定モデルに入力された際の出力により、前記注目人物の個人情報の更新要否を推定する更新要否推定手段と、
   を含み、
   前記更新要否推定モデルは、第１の人物の属性と、第２の人物の属性と、前記第１の人物と前記第２の人物とのペアについての前記関係性の種類および前記近さスコアと、前記第２の人物の個人情報の変更状況と、前記第１の人物の個人情報の変更があったか否かを示す正解データとを含む訓練データにより学習された機械学習モデルである、
   ことを特徴とする情報処理システム。
2. 請求項１に記載の情報処理システムにおいて、
   前記関係性特定手段は、前記関係性の種類として、親子、配偶者、およびきょうだいの少なくとも一部を含む候補からいずれかを選択する、
   情報処理システム。
3. 請求項１または２に記載の情報処理システムにおいて、
   前記関係性特定手段は、名字の同一性、ＩＰアドレスの同一性、住所の類似性、年齢差、および性別の同一性のうちの少なくとも一部に基づいて、前記注目人物と前記参照人物との関係性の種類を特定する、
   情報処理システム。
4. 請求項１から３のいずれかに記載の情報処理システムにおいて、
   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の種類に応じた機械学習モデルである近さスコア決定モデルに、前記注目人物と前記参照人物との関係の強さを示す指標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、
   情報処理システム。
5. 請求項１から４のいずれかに記載の情報処理システムにおいて、
   前記注目人物と前記参照人物との関係の強さを示す指標は、前記注目人物と当該参照人物との間で住所が同一か否か、前記注目人物と当該参照人物との間でクレジットカードを共有しているか、前記注目人物と当該参照人物との間での共通の友人の数、前記注目人物と当該参照人物との間の通話の頻度、および、前記注目人物と前記参照人物との間のギフト送付の頻度のうち少なくとも一部を含む、
   情報処理システム。
6. 請求項１から５のいずれかに記載の情報処理システムにおいて、
   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属性データと、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属性データと、に基づいて、前記注目人物と前記参照人物との関係性の種類を特定する、
   情報処理システム。
7. コンピュータが、注目人物の属性データと、参照人物の属性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の種類を特定するステップと、
   前記コンピュータが、前記注目人物と前記参照人物との関係性の種類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、
   前記コンピュータが、前記注目人物の属性と、前記参照人物の属性と、前記参照人物の個人情報の変更状況と、前記注目人物と前記参照人物とのペアについての、前記近さスコア、前記関係性の種類と、を含む入力データが更新要否推定モデルに入力された際の出力により、前記注目人物の個人情報の更新要否を推定するステップと、
   を含み、
   前記更新要否推定モデルは、第１の人物の属性と、第２の人物の属性と、前記第１の人物と前記第２の人物とのペアについての前記関係性の種類および前記近さスコアと、前記第２の人物の個人情報の変更状況と、前記第１の人物の個人情報の変更があったか否かを示す正解データとを含む訓練データにより学習された機械学習モデルである、
   ことを特徴とする情報処理方法。
8. 注目人物の属性データと、参照人物の属性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の種類を特定する関係性特定手段、
   前記注目人物と前記参照人物との関係性の種類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、および、
   前記注目人物の属性と、前記参照人物の属性と、前記参照人物の個人情報の変更状況と、前記注目人物と前記参照人物とのペアについての、前記近さスコア、前記関係性の種類と、を含む入力データが更新要否推定モデルに入力された際の出力により、前記注目人物の個人情報の更新要否を推定する更新要否推定手段、
   としてコンピュータを機能させ、
   前記更新要否推定モデルは、第１の人物の属性と、第２の人物の属性と、前記第１の人物と前記第２の人物とのペアについての前記関係性の種類および前記近さスコアと、前記第２の人物の個人情報の変更状況と、前記第１の人物の個人情報の変更があったか否かを示す正解データとを含む訓練データにより学習された機械学習モデルである、
   プログラム。

Images