KR102192327B1 - 스몰 데이터를 이용한 신뢰지수 평가 및 예측 방법 - Google Patents

Abstract

스몰 데이터를 이용한 신뢰지수 평가 및 예측 방법이 개시된다. 컴퓨터로 구현되는 신뢰지수(trust index) 예측 방법에 있어서, 적어도 하나의 사용자 단말들을 대상으로, 개인정보 데이터를 수집하는 단계, 상기 적어도 하나의 사용자 단말들 중 거래를 등록한 사용자 단말과 관련하여 수집된 상기 개인정보 데이터, 등록된 거래관련 데이터 및 상기 거래를 등록한 사용자 단말과 연관하여 저장된 히스토리 데이터 중 적어도 하나에 기초하여 상기 거래를 등록한 사용자 단말의 신뢰지수를 산출하는 단계, 다른 사용자 단말로부터 상기 거래를 등록한 사용자 단말의 신뢰지수 제공을 요청받는 단계, 및 상기 요청에 대한 응답으로서, 산출된 상기 신뢰지수를 상기 다른 사용자 단말로 제공하는 단계를 포함할 수 있다.

Description

스몰 데이터를 이용한 신뢰지수 평가 및 예측 방법{METHOD FOR EVALUATING AND PREDICTING TRUST INDEX USING SMALL DATA}

본 발명의 실시예들은 스마트폰(smartphone) 등의 사용자 단말을 통해 개인간 거리(P2P)를 하는 네트워크 환경에서 거래 제공자의 신뢰지수(trust index)를 평가 및 예측하는 기술에 관한 것이다.

공유경제(共有經濟, sharing economy)는 자원을 소유의 개념이 아닌 서로 대여해 주고 차용해 쓰는 개념의 경제 활동으로서, 자원 제공자와 자원 소비자는 플랫폼을 통해 연결되어 일정 규모로 공유 경제 네트워크가 형성된다. 이러한, 공유 경제는 여러 분야에서 다양한 형태로 나타나고 있다.

공유경제의 발달 및 개개인간 거래의 활성화로 인해 개인간 신뢰지수의 중요성이 계속 증가하고 있다. 이처럼 신뢰지수의 중요성이 증가함에 따라 활용 가능한 모든 데이터를 고려하여 신뢰지수를 평가 및 예측하기 위한 기술이 등장하고 있으나, 실제로 신뢰지수를 평가 및 예측하기 위해 개인정보를 활용하는 것은 아래의 두 가지 측면에서 어려움이 존재한다.

첫째는 개인정보에 관한 이슈 때문에 개인의 사적인 정보를 사업자 입장에서 활용하는 것은 개인의 입장에서 거부할 가능성이 존재한다는 것이다.

둘째는 범죄 이력 등의 개인정보는 조작될 가능성이 존재한다는 것이다.

이에 따라, 모든 개인정보 데이터를 이용해 신뢰지수를 평가 및 예측하는 것은 실제 현실화하기 어려우므로, 실제로 활용 가능한 범위 내의 개인정보 데이터를 신뢰지수를 평가 및 예측하는 것이 중요하다.

한국등록특허 제10-1502134호는 소셜 네트워크에서 신뢰도 산출 장치 및 방법에 관한 것으로, 사용자가 신뢰하는 1차 주변 관계인, 1차 주변관계인이 신뢰하는 2차 주변관계인을 이용하여 사용자를 중심으로 하는 관계도를 형성하고, 1차 주변관계인에 대하여 부여한 신뢰지수와 2차 주변관계인에 대하여 부여한 신뢰지수를 측정하는 기술을 개시하고 있다.

[1] Esteban, C., Staeck, O., Baier, S., Yang, Y., & Tresp, V. (2016, October). Predicting clinical events by combining static and dynamic information using recurrent neural networks. In Healthcare Informatics (ICHI), 2016 IEEE International Conference on (pp. 93-101). IEEE.

본 발명의 일실시예는 스마트폰 등의 사용자 단말을 통해 개인간 거래(P2P)를 제공하는 네트워크 환경에서, 소비자들이 거부없이 제공가능한 범위 내의 개인정보 데이터를 기반으로 거래 제공자의 신뢰지수를 예측하여 거래 대상자에게 제공하기 위한 것이다. 즉, 사용자 단말의 위치, 속도, 메타데이터 등과 같이 접근 권한이 낮은 레벨에 해당하는 개인정보 데이터를 기반으로 거래 제공자의 신뢰지수를 평가 및 예측하여 제공하기 위한 것이다.

컴퓨터로 구현되는 신뢰지수(trust index) 예측 방법에 있어서, 적어도 하나의 사용자 단말들을 대상으로, 개인정보 데이터를 수집하는 단계, 상기 적어도 하나의 사용자 단말들 중 거래를 등록한 사용자 단말과 관련하여 수집된 상기 개인정보 데이터, 등록된 거래관련 데이터 및 상기 거래를 등록한 사용자 단말과 연관하여 저장된 히스토리 데이터 중 적어도 하나에 기초하여 상기 거래를 등록한 사용자 단말의 신뢰지수를 산출하는 단계, 다른 사용자 단말로부터 상기 거래를 등록한 사용자 단말의 신뢰지수 제공을 요청받는 단계, 및 상기 요청에 대한 응답으로서, 산출된 상기 신뢰지수를 상기 다른 사용자 단말로 제공하는 단계를 포함할 수 있다.

일측면에 따르면, 상기 개인정보 데이터를 수집하는 단계는, 미리 지정된 접근 권한 기준에 따라 복수의 레벨로 분류된 개인정보를 대상으로, 상대적으로 접근 거부 가능성이 낮은 레벨에 해당하는 개인정보 데이터를 수집할 수 있다.

다른 측면에 따르면, 상기 개인정보 데이터를 수집하는 단계는, 시간에 따른 사용자 단말의 위치 정보, 이동 속도 정보, 어플리케이션 구동 시간 정보, 와이파이 정보, 배터리 정보 및 사용자 단말의 시스템 정보 중 적어도 하나를 개인정보 데이터로서 수집할 수 있다.

또 다른 측면에 따르면, 상기 개인정보 데이터를 수집하는 단계는, 등록된 상기 거래에 해당하는 게시물에 포함된 내용, 게시물의 제목, 작성일, 작성시간, 댓글 정보, 및 작성자 정보 중 적어도 하나를 상기 등록된 거래관련 데이터로 수집하는 단계를 포함할 수 있다.

또 다른 측면에 따르면, 상기 신뢰지수를 산출하는 단계는, 상기 히스토리 데이터를 기반으로 상기 사용자 단말이 등록한 과거 거래와 관련하여 해당 거래의 거짓 여부가 신고된 이력이 있는지 여부를 반영하여 상기 신뢰지수를 산출할 수 있다.

또 다른 측면에 따르면, 상기 신뢰지수를 산출하는 단계는, 상기 개인정보 데이터, 상기 등록된 거래관련 데이터 및 상기 히스토리 데이터를 RNN(Recurrent Neural Network)의 LSTM(Long short-term memory) 기반 학습 모델의 입력값으로 설정하는 단계, 및 상기 학습 모델의 출력 데이터로서 상기 신뢰지수를 출력하는 단계를 포함할 수 있다.

또 다른 측면에 따르면, 상기 신뢰지수를 산출하는 단계는, 상기 등록된 거래관련 데이터 및 상기 히스토리 데이터 중 거짓 여부가 신고된 이력이 존재하는 데이터를 상기 학습 모델의 출력값으로 설정하는 단계를 더 포함할 수 있다.

신뢰지수 예측 시스템은, 적어도 하나의 사용자 단말들을 대상으로, 개인정보 데이터를 수집하는 데이터 수집부, 상기 적어도 하나의 사용자 단말들 중 거래를 등록한 사용자 단말과 관련하여 수집된 상기 개인정보 데이터, 등록된 거래관련 데이터 및 상기 거래를 등록한 사용자 단말과 연관하여 저장된 히스토리 데이터 중 적어도 하나에 기초하여 상기 거래를 등록한 사용자 단말의 신뢰지수를 산출하는 신뢰지수 산출부, 및 다른 사용자 단말로부터 상기 거래를 등록한 사용자 단말의 신뢰지수 제공을 요청받고, 상기 요청에 대한 응답으로서, 산출된 상기 신뢰지수를 상기 다른 사용자 단말로 제공하는 신뢰지수 제공부를 포함할 수 있다.

일측면에 따르면, 상기 데이터 수집부는, 미리 지정된 접근 권한 기준에 따라 복수의 레벨로 분류된 개인정보를 대상으로, 상대적으로 접근 거부 가능성이 낮은 레벨에 해당하는 개인정보 데이터를 수집할 수 있다.

다른 측면에 따르면, 상기 데이터 수집부는, 시간에 따른 사용자 단말의 위치 정보, 이동 속도 정보, 어플리케이션 구동 시간 정보, 와이파이 정보, 배터리 정보 및 사용자 단말의 시스템 정보 중 적어도 하나를 개인정보 데이터로서 수집할 수 있다.

또 다른 측면에 따르면, 상기 데이터 수집부는, 등록된 상기 거래에 해당하는 게시물에 포함된 내용, 게시물의 제목, 작성일, 작성시간, 댓글 정보, 및 작성자 정보 중 적어도 하나를 상기 등록된 거래관련 데이터로 수집할 수 있다.

또 다른 측면에 따르면, 상기 신뢰지수 산출부는, 상기 히스토리 데이터를 기반으로 상기 사용자 단말이 등록한 과거 거래와 관련하여 해당 거래의 거짓 여부가 신고된 이력이 있는지 여부를 반영하여 상기 신뢰지수를 산출할 수 있다.

또 다른 측면에 따르면, 상기 신뢰지수 산출부는, 상기 개인정보 데이터, 상기 등록된 거래관련 데이터 및 상기 히스토리 데이터를 RNN(Recurrent Neural Network)의 LSTM(Long short-term memory) 기반 학습 모델의 입력값으로 설정하고, 상기 학습 모델의 출력 데이터로서 상기 신뢰지수를 출력할 수 있다.

또 다른 측면에 따르면, 상기 신뢰지수 산출부는, 상기 등록된 거래관련 데이터 및 상기 히스토리 데이터 중 거짓 여부가 신고된 이력이 존재하는 데이터를 상기 학습 모델의 출력값으로 설정하고, 상기 학습 모델을 학습(training)시킴으로써, 상기 신뢰지수를 산출할 수 있다.

스마트폰 등의 사용자 단말을 통해 개인간 거래(P2P)를 제공하는 네트워크 환경에서, 소비자들이 거부없이 제공가능한 범위 내의 개인정보 데이터를 기반으로 거래 제공자의 신뢰지수를 예측하여 거래 대상자에게 제공함으로써, 거래 대상자가 해당 거래가 거짓 정보(예컨대, 사기)에 해당하는지 판단하는데 도움을 줄 수 있다. 즉, 서로 모르는 사용자들(즉, 거래 제공자 및 거래 대상자) 간에 거래 시 위험성(risk)을 진단해 줄 수 있다.

또한, 거래 제공자가 접근을 허용할 정도의 낮은 레벨의 개인정보 데이터를 기반으로 신뢰지수를 예측함으로써, 공유경제 네트워크나 P2P 거래를 제공하는 네트워크 환경에 실제 적용할 수 있다.

또한, 낮은 레벨의 개인정보 데이터를 수집하여 신뢰지수 산출에 이용함으로써, 해당 데이터의 위조 및 변조 가능성을 현저히 낮출 수 있다. 즉, 개인의 경우, 위치, 속도, 메타데이터 등 해당 데이터와 관련하여 신뢰지수가 낮은 사용자와 높은 사용자에 대한 패턴(pattern)을 구분하기 어려우므로, 낮은 레벨에 해당하는 개인정보 데이터의 위조 및 변조 가능성이 감소할 수 있다.

도 1은 본 발명의 일실시예에 있어서, 신뢰지수 예측 시스템을 포함하는 네트워크 환경을 도시한 도면이다.
도 2는 본 발명의 일실시예에 있어서, 신뢰 지수를 기반으로 개체 간 공유 자원의 접근 권한 제어 방법을 도시한 흐름도이다.
도 3은 본 발명의 일실시예에 있어서, 공유 자원 접근 권한 제어 시스템의 내부 구성을 도시한 블록도이다.
도 4는 본 발명의 일실시예에 있어서, 등록된 거래관련 데이터의 구성을 도시한 도면이다.
도 5는 본 발명의 일실시예에 있어서, 히스토리 데이터의 구성을 도시한 도면이다.
도 6은 본 발명의 일실시예에 있어서, 신뢰지수 예측을 위한 RNN 구조를 도시한 도면이다.

본 실시예들은 공유경제 네트워크에서 플랫폼을 통해 물건, 상품 등의 자원을 공유 또는 거래하는 거래 제공자(즉, 공유/거래하려는 자원을 제공하는 제공자), 거래 대상자(즉, 공유/거래하려는 자원을 소비하는 소비자) 간에 형성된 네트워크에서, 거래 제공자가 등록한 자원의 신뢰지수(즉, 거래 제공자의 신뢰지수)를 예측하여 제공하는 기술에 관한 것으로서, 특히, 접근 권한 레벨이 다양한 개인정보 데이터 중 접근 권한 레벨이 낮은 레벨에 해당하는 개인정보 데이터를 기반으로 신뢰지수를 예측하는 기술에 관한 것이다.

본 실시예들에서, 접근 권한 레벨이 낮은 레벨에 해당한다는 것은 사용자 단말을 소지한 사용자의 다양한 개인정보들로의 타인의 접근을 허용하는 레벨을 나타내는 것으로서, 낮은 레벨에 해당할 수록 높은 레벨일 때보다 상대적으로 타인의 접근을 허용할 수 있다. 예컨대, 사용자 단말의 위치, 속도의 개인정보 데이터가 사용자 단말의 통화 내역, 주소록 등의 개인정보 데이터보다 접근 권한 레벨이 낮은 경우, 타인(예컨대, 서버, 어플리케이션 사업자, 다른 사용자 단말 등)이 사용자 단말의 위치, 속도의 개인정보 데이터에 접근하여 수집하는 것을 허가하나, 통화 내역, 주소록 등의 개인정보 데이터의 접근 및 수집하는 것은 불허, 즉, 제한될 수 있다.

본 실시예들에서, "거래"는 사용자 단말에 설치된 어플리케이션, 웹/모바일웹을 통해 접속한 웹사이트 등을 통해 자원을 공유, 대여, 또는 판매하는 것을 나타낼 수 있다. 그리고, 자원은 현실 세계 및 사이버(cyber) 상의 물건(product), 서비스(service), 데이터(data) 등을 포함할 수 있다.

본 실시예들에서, "신뢰(trust)"는 과거에서 현재뿐만 아니라 미래에 대한 가치를 나타내는 것으로서, "신뢰 지수(trust index)"는 상황, 시간에 따라 달라지는 신뢰도가 높고 낮음을 나타내는 수지화한 값을 나타낼 수 있다.

도 1은 본 발명의 일실시예에 있어서, 신뢰지수 예측 시스템을 포함하는 네트워크 환경을 도시한 도면이다.

도 1에 따르면, 네트워크(100)는 사물, 사이버(cyber) 상의 다양한 서비스 등의 자원, 자원을 제공하는 거래 제공자인 사용자 단말 1(102), 거래 제공자가 제공한 자원을 공유, 대여하거나 구매하는 거래 대상자인 사용자 단말 2(103), 및 사용자 단말 1(102) 및 사용자 단말 2(103)의 정보를 수집하여 신뢰지수를 예측하고, 예측한 신뢰지수를 제공하는 신뢰 지수 예측 시스템(101)을 포함할 수 있다.

거래 제공자인 사용자 단말 1(102) 및 거래 대상자인 사용자 단말 2(103)는 거래 제공자 및 거래 대상자가 소지한 전자 장치나 전자 장치에 구현된 어플리케이션을 나타낼 수 있다. 예컨대, PC, 스마트폰, 노트북, 태블릿 등의 전자 장치, 전자 장치에 설치된 어플리케이션을 나타낼 수 있다. 일례로, 사용자 단말 1(102) 및 사용자 단말 2(103)는 네트워크(100)를 통해 서버로부터 제공되는 파일에 의해 설치되는 프로그램(일례로 상술한 어플리케이션)을 실행하기 위해 프로그램 코드를 로딩하는 메모리, 기본적인 산술, 로직, 및 입출력 연산을 수행함으로써 프로그램의 명령을 처리하는 프로세서 등을 포함할 수 있다.

신뢰 지수 예측 시스템(101)은 사용자 단말 1(102) 및 사용자 단말 2(103) 간의 거래를 제공하는 서버를 나타내는 것으로서, 예컨대, 사용자 단말 1(102) 및 사용자 단말 2(103)에 설치된 어플리케이션을 관리하는 어플리케이션 관리자에 해당할 수 있다.

도 2는 본 발명의 일실시예에 있어서, 신뢰 지수를 기반으로 개체 간 공유 자원의 접근 권한 제어 방법을 도시한 흐름도이고, 도 3은 본 발명의 일실시예에 있어서, 공유 자원 접근 권한 제어 시스템의 내부 구성을 도시한 블록도이다.

도 3에 따르면, 신뢰지수 예측 시스템(300)은 데이터 수집부(310), 신뢰지수 산출부(320), 및 신뢰지수 제공부(330)를 포함할 수 있다. 데이터 수집부(310), 신뢰지수 산출부(320), 및 신뢰지수 제공부(330)는 신뢰지수 예측 시스템(300)의 프로세서(processor)에 포함되는 형태로 구현될 수 있다. 신뢰지수 예측 시스템(300)은 서버에 플랫폼(platform) 형태로 구현되어, 상기 프로세서를 포함할 수 있다. 이외에, 신뢰지수 예측 시스템(300)은 사용자 단말에 어플리케이션 형태로 구현될 수도 있다.

도 2에 신뢰지수 예측 방법을 수행하기 위한 각 단계들(210 내지 240 단계)은 데이터 수집부(310), 신뢰지수 산출부(320), 및 신뢰지수 제공부(330)에 의해 수행될 수 있다.

210 단계에서, 데이터 수집부(310)는 적어도 하나의 사용자 단말들을 대상으로 개인정보 데이터를 수집할 수 있다.

일례로, 데이터 수집부(310)는 거래 대상자 및 거래 제공자에 해당하는 사용자 단말에 설치된 어플리케이션이나 웹/모바일 웹을 통해 접속한 웹사이트에서 사용자 단말이 회원 가입을 하고, 거래를 위한 게시물을 등록하거나 또는 거래를 위해 접속한 경우, 해당 사용자 단말의 개인정보 데이터를 수집할 수 있다. 이때, 데이터 수집부(310)는 주소록, 통화내역, 문자내역, 사진, 파일, 위치정보, 속도정보, 메타데이터 등의 다양한 개인정보 데이터 중 미리 지정된 접근 권한 기준에 따라 낮은 레벨에 해당하는 개인정보 데이터를 수집할 수 있다. 즉, 사용자들이 타인에게 접근을 보다 쉽게 허용할 가능성이 높은 개인정보 데이터(다시 말해, 타인의 접근 거부 가능성이 상대적으로 낮은 레벨에 해당하는 데이터)를 수집할 수 있다.

예컨대, 데이터 수집부(310)는 위치정보, 이동 속도정보, 메타데이터 등을 포함하는 개인정보 데이터를 수집할 수 있다. 이외에, 개인정보 데이터는 시간에 따른 어플리케이션 구동시간 정보, 시간에 따른 와이파이 정보, 배터리 정보, 사용자 단말의 시스템 정보 등을 더 포함할 수 있다. 안드로이드 스마트폰의 경우, 상기 시스템 정보는 OS 버전(version) 정보, Sys Info, CPU 정보(CPU Info), 스크린(screen) 정보, 메모리(memory) 정보, 디스크 공간(Disk Space) 정보 등을 포함할 수 있다. 이처럼 안드로이드 스마트폰의 경우 내부 데이터를 사용하기 위해서는 '권한'을 받는 것이 필수적이나 문자내역 권한 (READ_SMS permission), 주소록 접근 권한 (READ_CONTACTS 권한) 등 민감한 권한의 경우 개인이 거부할 가능성이 높으므로, 미리 지정된 낮은 레벨의 권한만 획득하여 기기와 접속 내역 등의 데이터만 선택적으로 신뢰지수 산출에 이용될 수 있다.

이때, 데이터 수집부(310)는 개인정보 데이터 이외에 등록된 거래관련 데이터를 더 수집할 수 있다. 예컨대, 데이터 수집부(310)는 거래 제공자의 사용자 단말에서 어플리케이션이나 웹/모바일 웹을 통해 등록한 거래(예컨대, 옷, 책 등의 물건 판매, 집, 옷 등의 물건 공유/대여 등)에 해당하는 게시물에 포함된 내용, 게시물의 제목, 작성일자, 작성시간, 해당 게시물의 댓글 정보, 작성자 정보 중 적어도 하나를 상기 거래관련 데이터로 수집할 수 있다. 여기서, 게시물에 포함된 내용은 게시물의 본문 내용(예컨대, 글, 이미지, 사진, 이모티콘 등), 첨부파일 등을 포함할 수 있다.

220 단계에서, 신뢰지수 산출부(320)는 시스템(300)에 등록된 적어도 하나의 사용자 단말들 중 상기 거래를 등록한 사용자 단말과 연관하여 저장된 히스토리 데이터(history data), 개인정보 데이터 및 거래관련 데이터 중 적어도 하나에 기초하여 거래를 등록한 사용자 단말의 신뢰지수를 산출할 수 있다. 여기서, 산출된 신뢰지수(즉, 예측된 신뢰지수)는 거래 제공자가 등록한 해당 거래가 거짓이 아닐 확률(즉, 등록된 해당 거래가 사기 거래가 아닐 확률)을 수치화한 값을 나타낼 수 있다.

일례로, 거래 제공자가 최초 거래에 해당하는 경우, 저장된 히스토리 데이터가 존재하지 않음에 따라, 신뢰지수 산출부(320)는 개인정보 데이터에 기초하여 사용자 단말(즉, 거래 제공자의 사용자 단말)의 신뢰지수를 산출할 수 있다. 다른 예로, 한 번 이상의 과거 거래 이력이 존재하는 경우, 신뢰지수 산출부(320)는 각 거래 별 히스토리 데이터, 개인정보 데이터 및 현재 거래에 해당하는 거래관련 데이터에 기초하여 사용자 단말의 신뢰지수를 산출할 수 있다. 이때, 신뢰지수 산출부(320)는 RNN(Recurrent Neural Network)의 LSTM(Long Short Term Memory) 기반으로 생성된 학습 모델에 기초하여 신뢰지수를 산출할 수 있다. 즉, 거래 제공자인 사용자 단말의 신뢰지수를 예측할 수 있다.

221 단계에서, 신뢰지수 산출부(320)는 개인정보 데이터, 거래관련 데이터 및 히스토리 데이터를 상기 RNN의 LSTM 기반 학습 모델의 입력값으로 설정할 수 있다.

222 단계에서, 신뢰지수 산출부(320)는 학습 모델의 출력 데이터로서 등록된 상기 거래와 관련하여 예측된 신뢰지수(즉, 거래 제공자인 사용자 단말의 신뢰지수)를 출력할 수 있다. 이때, 신뢰지수 산출부(320)는 과거 거래와 관련하여 해당 거래의 거짓 여부가 신고된 이력이 있는지 여부를 반영하여 신뢰지수를 산출할 수 있다. 예컨대, 신뢰지수 산출부(320)는 상기 학습 모델의 입력값이 설정된 이후, 거래관련 데이터 및 히스토리 데이터 중 거짓 여부가 신고된 이력이 존재하는 데이터에 가중치를 부가하여 신뢰지수를 산출할 수 있다. 즉, 거래 제공자의 과거 거래와 관련하여 거래 대상자(즉, 거래 상대방)이 과거의 특정 거래가 거짓(즉, 사기)임을 신고한 이력이 존재하는 경우, 해당 데이터에 가중치가 적용될 수 있다. 여기서, 거짓임을 신고한 이력이 존재하는 경우, 거짓임을 나타내는 정보와 해당 거래의 식별자 정보, 해당 거래의 사용자 단말의 식별자 정보(예컨대, ID, 전화번호 등)가 연관하여 데이터베이스에 저장 및 유지될 수 있다.

230 단계에서, 신뢰지수 제공부(330)는 다른 사용자 단말로부터 거래를 등록한 사용자 단말의 신뢰지수 제공을 요청받을 수 있다. 이때, 상기 다른 사용자 단말(즉, 거래 대상자의 사용자 단말)은 거래를 등록한 사용자 단말(즉, 거래 제공자의 사용자 단말)과 직접적으로 통신 세션이 연결된 상태가 아니고, 단말 간에 직접적인 데이터 교환이 없는 상태의 단말을 나타낼 수 있다.

일례로, 사용자 단말 1(102)이 사용자 단말 2(103)가 등록한 거래(예컨대, 한복 대여, 2박3일 집 전체 대여 등)에 관심이 있거나, 거래를 원하는 경우, 거래를 신청하기 이전에 사용자 단말 1(102)은 자신의 단말에 설치된 어플리케이션을 통해 사용자 단말 2(103)의 신뢰지수를 제공해줄 것을 요청할 수 있다. 예컨대, 사용자 단말 1(102)의 화면에 신뢰지수 제공을 요청하기 위한 버튼, 아이콘 등의 표시정보가 디스플레이될 수 있고, 상기 표시정보가 선택됨에 따라, 신뢰지수 제공부(330)는 사용자 단말 2(103)의 신뢰지수 제공 요청을 해당 단말의 식별자 정보(즉, 거래 대상자에 해당하는 사용자 단말의 식별자 정보), 그리고, 요청된 단말의 식별자 정보(즉, 거래 제공자에 해당하는 사용자 단말의 식별자 정보)를 어플리케이션을 통해 수신할 수 있다.

240 단계에서, 신뢰지수 제공부(330)는 요청에 대한 응답으로서, 산출된 신뢰지수를 다른 사용자 단말(즉, 거래 대상자의 사용자 단말)로 제공할 수 있다. 그러면, 다른 사용자 단말에 설치된 어플리케이션을 통해 거래를 등록한 사용자 단말의 신뢰지수가 다른 사용자 단말의 화면에 디스플레이될 수 있다. 이처럼, 디스플레이되는 신뢰지수를 기반으로 거래 대상자가 거래 제공자와 해당 거래를 진행할지 말지 여부를 결정하는데 도움을 줄 수 있다.

이때, 거래가 성사된 이후, 해당 거래가 거짓에 해당하는 경우(즉, 사기 거래에 해당하는 경우), 신뢰지수 제공부(330)는 거래 대상자의 사용자 단말로부터 어플리케이션을 통해 해당 거래가 거짓(즉, 사기)임을 나타내는 신고를 접수할 수 있다. 예컨대, 해당 거래가 거짓(즉, 사기)에 해당하는 경우, 해당 거래의 식별자 정보, 거래 제공자에 해당하는 사용자 단말의 식별자 정보 및 거짓임을 나타내는 플래그 정보(예컨대, 0, 1 등)가 수신될 수 있다. 그러면, 신뢰지수 제공부(330)는 수신된 정보들을 거래 제공자에 해당하는 사용자 단말의 식별자 정보를 기준으로 연관하여 데이터베이스에 저장 및 유지하였다가, 거래 제공자에 해당하는 사용자 단말의 신뢰지수 산출 시 이용할 수 있다. 이때, 등록된 거래와 관련하여 미리 지정된 일정시간 이내에 신고가 접수되지 않는 경우, 신뢰지수 제공부(330)는 해당 거래를 진실(즉, 사기가 아님)에 해당하는 것으로 결정할 수 있다. 그리고, 신뢰지수 제공부(330)는 해당 거래의 신고이력을 1 등으로 기록할 수 있다. 이때, 해당 거래의 신뢰지수와 거래 제공자에 해당하는 사용자 단말의 식별자 정보와 연관하여 저장 및 유지될 수 있다. 이처럼, 일정기간 동안 모인 과거 거래에 대한 거래 제공자의 신고이력(즉, 거짓 거래의 경우 1, 진실 거래의 경우 0)이 가중치가 부가되어 새로 등록된 다음 거래의 신뢰지수 예측을 위해 이용될 수 있다.

도 4는 본 발명의 일실시예에 있어서, 등록된 거래관련 데이터의 구성을 도시한 도면이고, 도 5는 본 발명의 일실시예에 있어서, 히스토리 데이터의 구성을 도시한 도면이다.

도 4를 참고하면, 거래 제공자의 사용자 단말에서 어플리케이션 등을 통해 등록한 거래에 대한 게시물에 포함된 내용(예컨대, 게시 글 본문, 제목, 이미지, 댓글 등)은 해당 사용자 단말의 신뢰지수를 예측하기 위해 매우 유의미한 데이터에 해당할 수 있다. 이에 따라, 거래관련 데이터는 사용자 단말의 식별자 정보(예컨대, ID), 작성일, 작성시간, 제목, 본문, 사진, 댓글 등으로 구조화되어 수집될 수 있다.

도 5를 참고하면, 히스토리 데이터는, 거래 제공자의 과거 등록된 거래와 관련하여 시스템에서 저장 및 유지하고 있는 데이터를 나타낼 수 있다. 예컨대, 과거 거래의 식별자 정보인 게시글 번호, 거래 제공자의 식별자 정보(예컨대, ID), 작성일, 작성 시간, 제목, 신고 이력 정보(신고가 접수된 경우 0, 신고가 미접수된 경우 1)를 연관시켜 저장 및 유지될 수 있다. 이때, 복수의 각 과거 거래 별로 구분되어 게시글 번호, 거래 제공자의 식별자 정보(예컨대, ID), 작성일, 작성 시간, 제목, 신고 이력 정보가 히스토리 데이터로서 저장 및 유지될 수 있다. 예컨대, 과거 거래 별로 리스트 형태로 히스토리 데이터가 유지될 수 있다. 여기서, 과거 거래들 중 신고가 접수된 이력이 있는 경우, 즉, 신고이력정보가 1을 포함하는 경우, 해당 신고는 신뢰지수를 평가하기에 매우 유의미한 데이터에 해당하므로 학습 모델의 출력값으로 신고이력정보가 설정될 수 있다. 즉, 사용자 단말의 신뢰지수 예측을 위해, 개인 정보는 사전데이터로서 학습모델의 입력값으로 설정되고, 사고이력정보는 사후데이터로서, 학습모델의 출력값으로 설정될 수 있다. 이처럼, 입력값 및 출력값이 설정된 이후 학습 모델이 학습(training)을 수행하고, 학습이 종료되면, 거짓 거래일 확률이 학습 모델의 출력값으로 출력될 수 있다.

도 6은 본 발명의 일실시예에 있어서, 신뢰지수 예측을 위한 RNN 구조를 도시한 도면이다.

도 6에서는 복수개의 입력 데이터와 하나의 출력 데이터로 이루어진 경우를 도시하였으나, 이는 실시예에 해당되면, RNN은 하나의 입력과 복수개의 출력 데이터 구조를 가질 수도 있고, 복수개의 입력과 복수개의 출력 데이터 구조를 이룰 수도 있다.

도 6을 참고하면, 입력층(input layer, 610)에 낮은 레벨에 해당하는 개인정보 데이터, 등록된 거래관련 데이터, 히스토리 데이터가 입력 데이터로서 설정될 수 있다. 히든 레이어(hidden layer)를 통과하면서 미리 지정된 신뢰지수에 영향을 상대적으로 많이 미치는 데이터에 가중치가 적용될 수 있으며, softmax 함수를 기반으로 비용을 최소화하는 값을 출력 데이터로서 출력층(620)에서 출력할 수 있다. 즉, 예측된 신뢰지수가 출력층(620)에서 출력될 수 있다. 예컨대, 위의 비특허문헌 [1]Esteban , C., Staeck , O., Baier , S., Yang, Y., & Tresp , V. (2016, October). Predicting clinical events by combining static and dynamic information using recurrent neural networks. In　Healthcare Informatics (ICHI), 2016 IEEE International Conference on　(pp. 93-101). IEEE.에 제시된 RNN의 LSTM 변형된 학습 모델을 이용하여 신뢰지수가 예측될 수 있다. 이때, 입력값으로 설정된 데이터(즉, training set)에서 신뢰지수 산출 시 중요한 데이터에는 가중치가 상대적으로 크게 부과되고, 덜 중요한 데이터에는 가중치가 없거나, 상대적으로 적에 부가될 수 있다.

아래의 표 1은 미리 지정된 낮은 레벨에 해당하는 개인정보 데이터의 예를 나타낸 것으로서, 기기 데이터를 포함할 수 있다. 예컨대, 데이터 수집부(310)는 상기 개인정보 데이터를 정적 데이터 및 동적 데이터와 같이 카테고리를 구분해서 수집할 수 있다.

위의 표 1을 참고하면, DeviceData는 기기 정보를 나타내는 데이터로서, 데이터 수집부(310)는 해당 사용자 단말과 관련하여 회원 가입 시 또는 거래 등록 시 등과 같이 최초 1회에 한해서 DeviceData를 수집할 수 있다. 예컨대, DeviceData는 CPU, 기기의 브랜드명(예컨대, 애플, 삼성, LG 등), 기기의 모델명, 화면 가로 크기 정보, 화면 세로 크기 정보, 디바이스 메모리 정보 등을 포함할 수 있다.위의 표 1에서, BNLData는 해당 사용자 단말의 배터리, 네트워크 및 지역(Location)관련 정보를 나타내는 것으로서, 전송시간, 배터리 충전상태, 배터리 충전기 연결상태, 네트워크 정보(예컨대, 3G, LTE, WiFi 등), 루팅(즉, 해킹) 여부, 수신 강도, 위도 및 경도 정보 등을 포함할 수 있다. 예컨대, 데이터 수집부(310)는 BNLData를 미리 지정된 기준시간(예컨대, 10분)마다 수집할 수 있다.

위의 표 1에서, SystemData는 시스템 정보를 나타내는 것으로서, 데이터 수집부(310)는 SystemData를 미리 지정된 기준시간(예컨대, 24시간)마다 수집할 수 있다. 여기서, SystemData는 전송시간, OS 버전 정보, Internal 메모리 정보, 전체 어플리케이션(App) 데이터 사용량, 사진/동영상 사용량, 오디오 사용량, External 메모리, 통신사 정보, GPS on/off 정보, NFC of/off 정보 등을 포함할 수 있다.

위의 표 1에서, CallData는 문자 수신, 통화 종료 후 벨이 울린 시간과 통화가 이루어진 시간을 나타내는 정보로서, 데이터 수집부(310)는 CallData를 상시 수집할 수 있다. 예컨대, 1분마다 CallData를 수집할 수 있다. 여기서, CallData는 통화 시작시간, 콜유형정보(예컨대, 전화, SMS, MMS 인지 여부 등), 콜 수/발신 정보, 통화 시간 정보 및 통화 종료 시간 정보 등을 포함할 수 있다.

위의 표 1에서, WebData는 웹 정보를 나타내는 데이터로서 데이터 수집부(310)는 1분, 10분 등과 같이 WebData를 상시 수집할 수 있다. 여기서, WebData는 웹주소, 로딩시간, 체류시간, 도메인(domain), 및 검색키워드 정보 등을 포함할 수 있다.

위의 표 1에서, AppData는 사용자 단말에서 실행한 어플리케이션(App)에 대한 정보를 나타내는 것으로서, 데이터 수집부(310)는 1분, 10분 등과 같이 AppData를 상시 수집할 수 있다. 여기서, AppData는 앱 시작 시각, 앱의 패키지 이름, 앱의 액티비티 이름, 앱의 이름, 앱 종료 시각, 앱 실행시간(초), 앱을 제작한 회사, 앱 수신 데이터 사용량, 앱 송신 데이터 사용량, 앱의 배터리 사용량, 앱의 종료타입(back or screen off) 등을 포함할 수 있다.

위의 표 1에서, InstallData는 어플리케이션의 설치 정보를 나타내는 것으로서, 데이터 수집부(310)는 1분, 10분 등과 같이 InstallData를 상시 수집할 수 있다. 여기서, InstallData는 앱 설치 시간, 앱 이름, 앱 패키지면, 앱 버전, 앱 파일 경로, 앱 메모리 사용량 등을 포함할 수 있다.

이상에서 설명한 바와 같이, 개인간 거래에서 상대방에 대한 신뢰지수를 예측하여 제공하면, 거래 당사자 간의 정보 격차 및 부족한 정보를 신뢰지수 예측 시스템에서 대신하여 채워줌으로써, 모바일, 온라인 렌탈(rental) 시장(예컨대, 공유경제 네트워크)에서 거래 시 당사자 간에 입을 수 있는 위험요소들을 최대한 피할 수 있는 판단이 가능하도록 제공할 수 있다.

이상에서 설명된 신뢰지수 예측 방법 및 시스템은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 시스템 및 시스템의 구성요소들은, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.

이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (14)

1. 컴퓨터로 구현되는 신뢰지수(trust index) 예측 방법에 있어서,
   적어도 하나의 사용자 단말들을 대상으로, 개인정보 데이터를 수집하는 단계;
   상기 적어도 하나의 사용자 단말들 중 거래를 등록한 사용자 단말과 관련하여 수집된 상기 개인정보 데이터, 등록된 거래관련 데이터 및 상기 거래를 등록한 사용자 단말과 연관하여 저장된 히스토리 데이터에 기초하여 상기 거래를 등록한 사용자 단말의 신뢰지수를 산출하는 단계;
   다른 사용자 단말로부터 상기 거래를 등록한 사용자 단말의 신뢰지수 제공을 요청받는 단계; 및
   상기 요청에 대한 응답으로서, 산출된 상기 신뢰지수를 상기 다른 사용자 단말로 제공하는 단계
   를 포함하고,
   상기 개인정보 데이터를 수집하는 단계는,
   미리 지정된 접근 권한 기준에 따라 복수의 레벨로 분류된 개인정보를 대상으로, 상대적으로 접근 거부 가능성이 낮은 레벨에 해당하는 개인정보 데이터를 수집하는 단계;
   등록된 상기 거래에 해당하는 게시물에 포함된 내용, 게시물의 제목, 작성일, 작성시간, 댓글 정보, 및 작성자 정보 중 적어도 하나를 상기 등록된 거래관련 데이터로 수집하는 단계; 및
   상기 사용자 단말이 과거 등록한 거래 별로 각 거래에 해당하는 게시물의 번호, 작성일, 작성시간, 제목, 신고 이력 정보 중 적어도 하나를 상기 히스토리 데이터로서 수집하는 단계
   를 포함하고,
   상기 접근 거부 가능성이 낮은 레벨에 해당하는 개인정보 데이터를 수집하는 단계는,
   시간에 따른 사용자 단말의 위치 정보, 이동 속도 정보, 어플리케이션 구동 시간 정보, 와이파이 정보, 배터리 정보 및 사용자 단말의 시스템 정보 중 적어도 하나를 수집하는 것
   을 특징으로 하는 신뢰지수 예측 방법.
2. 삭제
3. 삭제
4. 삭제
5. 제1항에 있어서,
   상기 신뢰지수를 산출하는 단계는,
   상기 히스토리 데이터를 기반으로 상기 사용자 단말이 등록한 과거 거래와 관련하여 해당 거래의 거짓 여부가 신고된 이력이 있는지 여부를 반영하여 상기 신뢰지수를 산출하는 것
   을 특징으로 하는 신뢰지수 예측 방법.
6. 제1항에 있어서,
   상기 신뢰지수를 산출하는 단계는,
   상기 개인정보 데이터, 상기 등록된 거래관련 데이터 및 상기 히스토리 데이터를 RNN(Recurrent Neural Network)의 LSTM(Long short-term memory) 기반 학습 모델의 입력값으로 설정하는 단계; 및
   상기 학습 모델의 출력 데이터로서 상기 신뢰지수를 출력하는 단계
   를 포함하는 신뢰지수 예측 방법.
7. 제6항에 있어서,
   상기 신뢰지수를 산출하는 단계는,
   상기 등록된 거래관련 데이터 및 상기 히스토리 데이터 중 거짓 여부가 신고된 이력이 존재하는 데이터를 상기 학습 모델의 출력값으로 설정하는 단계
   를 더 포함하는 신뢰지수 예측 방법.
8. 적어도 하나의 사용자 단말들을 대상으로, 개인정보 데이터를 수집하는 데이터 수집부;
   상기 적어도 하나의 사용자 단말들 중 거래를 등록한 사용자 단말과 관련하여 수집된 상기 개인정보 데이터, 등록된 거래관련 데이터 및 상기 거래를 등록한 사용자 단말과 연관하여 저장된 히스토리 데이터에 기초하여 상기 거래를 등록한 사용자 단말의 신뢰지수를 산출하는 신뢰지수 산출부; 및
   다른 사용자 단말로부터 상기 거래를 등록한 사용자 단말의 신뢰지수 제공을 요청받고, 상기 요청에 대한 응답으로서, 산출된 상기 신뢰지수를 상기 다른 사용자 단말로 제공하는 신뢰지수 제공부
   를 포함하고,
   상기 데이터 수집부는,
   미리 지정된 접근 권한 기준에 따라 복수의 레벨로 분류된 개인정보를 대상으로, 상대적으로 접근 거부 가능성이 낮은 레벨에 해당하는 개인정보 데이터를 수집하고,
   상기 접근 거부 가능성이 낮은 레벨에 해당하는 개인정보 데이터로서, 시간에 따른 사용자 단말의 위치 정보, 이동 속도 정보, 어플리케이션 구동 시간 정보, 와이파이 정보, 배터리 정보 및 사용자 단말의 시스템 정보 중 적어도 하나를 수집하고,
   등록된 상기 거래에 해당하는 게시물에 포함된 내용, 게시물의 제목, 작성일, 작성시간, 댓글 정보, 및 작성자 정보 중 적어도 하나를 상기 등록된 거래관련 데이터로 수집하고,
   상기 사용자 단말이 과거 등록한 거래 별로 각 거래에 해당하는 게시물의 번호, 작성일, 작성시간, 제목, 신고 이력 정보 중 적어도 하나를 상기 히스토리 데이터로서 수집하는 것
   을 특징으로 하는 신뢰지수 예측 시스템.
9. 삭제
10. 삭제
11. 삭제
12. 제8항에 있어서,
    상기 신뢰지수 산출부는,
    상기 히스토리 데이터를 기반으로 상기 사용자 단말이 등록한 과거 거래와 관련하여 해당 거래의 거짓 여부가 신고된 이력이 있는지 여부를 반영하여 상기 신뢰지수를 산출하는 것
    을 특징으로 하는 신뢰지수 예측 시스템.
13. 제8항에 있어서,
    상기 신뢰지수 산출부는,
    상기 개인정보 데이터, 상기 등록된 거래관련 데이터 및 상기 히스토리 데이터를 RNN(Recurrent Neural Network)의 LSTM(Long short-term memory) 기반 학습 모델의 입력값으로 설정하고, 상기 학습 모델의 출력 데이터로서 상기 신뢰지수를 출력하는 것
    을 특징으로 하는 신뢰지수 예측 시스템.
14. 제13항에 있어서,
    상기 신뢰지수 산출부는,
    상기 등록된 거래관련 데이터 및 상기 히스토리 데이터 중 거짓 여부가 신고된 이력이 존재하는 데이터를 상기 학습 모델의 출력값으로 설정하여 상기 학습 모델을 학습(training)시킴으로써 상기 신뢰지수를 산출하는 것
    을 특징으로 하는 신뢰지수 예측 시스템.

Images