KR102208892B1 - 잘못된 주소 정보를 식별하기 위한 방법 및 장치 - Google Patents

잘못된 주소 정보를 식별하기 위한 방법 및 장치 Download PDF

Info

Publication number
KR102208892B1
KR102208892B1 KR1020197020451A KR20197020451A KR102208892B1 KR 102208892 B1 KR102208892 B1 KR 102208892B1 KR 1020197020451 A KR1020197020451 A KR 1020197020451A KR 20197020451 A KR20197020451 A KR 20197020451A KR 102208892 B1 KR102208892 B1 KR 102208892B1
Authority
KR
South Korea
Prior art keywords
address information
verified
account
determining
range
Prior art date
Application number
KR1020197020451A
Other languages
English (en)
Other versions
KR20190094230A (ko
Inventor
시안리 지앙
Original Assignee
어드밴스드 뉴 테크놀로지스 씨오., 엘티디.
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 어드밴스드 뉴 테크놀로지스 씨오., 엘티디. filed Critical 어드밴스드 뉴 테크놀로지스 씨오., 엘티디.
Publication of KR20190094230A publication Critical patent/KR20190094230A/ko
Application granted granted Critical
Publication of KR102208892B1 publication Critical patent/KR102208892B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/12—Applying verification of the received information
    • H04L63/126—Applying verification of the received information the source of the received data
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/2866—Architectures; Arrangements
    • H04L67/30—Profiles
    • H04L67/306—User profiles
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
    • H04W12/12—Detection or prevention of fraud
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
    • H04W12/60—Context-dependent security
    • H04W12/63—Location-dependent; Proximity-dependent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Security & Cryptography (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Business, Economics & Management (AREA)
  • Remote Sensing (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • General Business, Economics & Management (AREA)
  • Technology Law (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • Telephonic Communication Services (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 출원은 잘못된 주소 정보를 식별하기 위한 방법 및 장치를 개시한다. 첫째, 검증될 계정의 주소 정보가 결정되고; 둘째, 사전 분할을 통해 획득되는 지리적 범위에서, 계정의 거주 범위는, 미리 결정된 기간 내에 계정에 의해 보고되는 지리적 위치 정보에 기초하여 트레이닝된 분류 모델을 사용하는 것에 의해 결정되고; 셋째,검증될 주소 정보가 잘못된 주소 정보인지의 여부는, 검증될 주소 정보와 거주 범위에 대응하는 그리드 사이의 매칭의 결과에 기초하여 결정된다. 본 출원에서, 계정의 거주 범위는, 분류 모델 및, 계정에 의해 이력으로(historically) 보고되는 지리적 위치 정보를 사용하는 것에 의해 결정된다는 것을 알 수 있다. 계정에 의해 보고되는 지리적 위치 정보가 실제이고 계정에 대응하기 때문에, 결정된 거주 범위는 실제이며 계정에 속한다. 그러한 만큼, 잘못된 주소 정보를 식별하는 정확도는, 검증될 주소 정보를 거주 범위와 매칭시키는 것에 의해 더 높아질 수 있다.

Description

잘못된 주소 정보를 식별하기 위한 방법 및 장치
본 출원은 정보 기술의 분야에 관한 것으로, 특히, 잘못된 주소 정보(false address information)를 식별하기 위한 방법 및 장치에 관한 것이다.
정보 기술이 발전함에 따라, 더 많은 서비스가 네트워크를 통해 수행된다. 일반적으로, 서비스 실행 보안성을 보장하기 위해, 유저에 의해 제공되는 주소 정보의 진위가 검증될 수 있다. 예를 들면, 계정(account)의 기본 정보의 검증 동안, 계정의 주소 정보가 틀리면, 그 계정은 위험하며, 서비스는 신중하게 수행될 필요가 있다.
현존하는 기술에서, 주소 정보는, 일반적으로 검색 엔진 또는 물류 정보(logistics information)를 사용하여 검증된다.
검색 엔진을 사용하는 것에 의해 주소 정보를 검증하는 것은, 검증될 주소 정보를, 검색을 위해, 현존하는 검색 엔진에 입력하고, 검색 엔진에 기록되어 있는 주소 정보를 사용하는 것에 의해, 검증될 주소 정보가 존재하는지의 여부를 결정하는 것이다. 물류 정보를 사용하는 것에 의해 주소 정보를 검증하는 것은, 기록된 물류 정보에서의 현존하는 주소 정보를 사용하는 것에 의해 검증될 주소 정보의 진위를 검증하는 것이다.
그러나, 검색 엔진을 사용하는 것에 의한 주소 정보의 검증 동안, 검증 결과의 정확도 및 커버리지 둘 모두는 선택된 검색 엔진에 의해 기록되어 있는 주소 정보의 양에 기초하여 결정된다. 다시 말하면, 선택된 검색 엔진에 의해 많은 양의 주소 정보가 기록되고, 주소 정보가 넓은 지리적 범위를 커버하는 경우, 검증 결과의 정확도 및 커버리지는 상대적으로 높을 수도 있다. 그러나 검색 엔진은 일반적으로 번성한 지역의 주소 정보를 정확하게 기록하지만, 그러나 외딴 지역에서는 주소 정보는 부정확하게 기록한다. 결과적으로, 검색 엔진에 기초하여 주소 정보를 검증하는 정확도는 불안정하고 낮다.
물류 정보를 사용하는 것에 의해 주소 정보를 검증하기 위한 방법에서는, 물류 정보를 획득하는 것이 어려운데, 그 이유는, 물류 업계에서는, 물류 서비스를 사용하는 유저의 프라이버시를 보장하기 위해, 물류 정보가 일반적으로 엄격히 보호되기 때문이다. 또한, 물류 정보, 예를 들면, 유저 이름 "Sun Wukong" 또는 주소 "어떤 도시의 어떤 지역에 있는 어떤 커뮤니티의 동쪽 문"의 정확도 및 진위가 항상 검증될 필요는 없다. 비록 설명된 물류 정보가 사실이 아니고 부정확하더라도, 물류 서비스는 영향을 받지 않는다. 그러나, 물류 정보는 검증될 주소 정보를 검증하는 데 사용될 수 없다. 결과적으로, 물류 정보를 사용하는 것에 의해, 검증될 주소 정보를 검증하는 정확도 및 커버리지를 보장하는 것은 어렵다.
또한, 비록 유저가 실제 주소 정보를 제공하더라도, 그 주소가 유저의 근무 주소(working address)인지 또는 생활 주소(living address)인지의 여부를 결정하는 것은 어렵다. 다시 말하면, 주소 정보는 실제이지만, 그러나 유저의 주소는 아니다. 예를 들면, 유저 a는 유저 b의 집 주소 c를 그의 집 주소로 사용하고, 유저 b의 집 주소 c는 실제로 존재한다. 따라서, 현존하는 기술에서는, 집 주소 c만이 실제인 것으로 식별될 수 있지만, 그러나 집 주소 c가 유저 a에 속하는지의 여부는 결정될 수 없다. 유저 a의 경우, 집 주소 c는 잘못된 주소 정보이다. 그러나, 현존하는 기술에서는 그러한 잘못된 주소 정보를 식별하는 것이 여전히 어렵고, 결과적으로, 주소 정보에 기초한 위험성 제어의 정확도는 감소된다.
현존하는 기술에서 설명된 단점 때문에, 잘못된 주소 정보를 식별하는 정확도는 낮다는 것을 알 수 있다.
본 출원의 구현예는, 주소 정보를 검증하는 정확도가 낮고 주소와 계정 사이의 매핑 관계를 검증하는 것이 어렵기 때문에 잘못된 주소 정보를 검증하는 정확도가 낮다는 현존하는 기술에서의 문제점을 완화하기 위해, 잘못된 주소 정보를 식별하기 위한 방법을 제공한다.
본 출원의 구현예는, 주소 정보를 검증하는 정확도가 낮고 주소와 계정 사이의 매핑 관계를 검증하는 것이 어렵기 때문에 잘못된 주소 정보를 검증하는 정확도가 낮다는 현존하는 기술에서의 문제점을 완화하기 위해, 잘못된 주소 정보를 식별하기 위한 장치를 제공한다.
본 출원의 구현예는 다음의 기술적 솔루션을 사용한다.
잘못된 주소 정보를 식별하기 위한 방법은 다음의 것을 포함한다: 검증될 계정의 주소 정보를 결정하는 것; 사전 분할을 통해 획득되는 지리적 범위에서, 트레이닝된 분류 모델 및 미리 결정된 기간 내에 계정에 의해 보고되는 지리적 위치 정보에 기초하여 계정의 거주 범위(residential range)를 결정하는 것; 검증될 주소 정보를 거주 범위와 매칭시키는 것; 및 검증될 주소 정보와 거주 범위 사이의 매칭의 결과에 기초하여, 검증될 주소 정보가 잘못된 주소 정보인지의 여부를 결정하는 것.
잘못된 주소 정보를 식별하기 위한 장치는 다음의 것을 포함한다: 검증될 계정의 주소 정보를 결정하도록 구성되는 제1 결정 모듈; 사전 분할을 통해 획득되는 지리적 범위에서, 트레이닝된 분류 모델 및 미리 결정된 기간 내에 계정에 의해 보고되는 지리적 위치 정보에 기초하여 계정의 거주 범위를 결정하도록 구성되는 제2 결정 모듈; 검증될 주소 정보를 거주 범위와 매칭시키도록 구성되는 매칭 모듈; 및 검증될 주소 정보와 거주 범위 사이의 매칭의 결과에 기초하여, 검증될 주소 정보가 잘못된 주소 정보인지의 여부를 결정하도록 구성되는 식별 모듈.
본 출원의 구현예에서 사용되는 적어도 하나의 기술적 솔루션은, 다음의 유익한 효과를 달성할 수 있다.
첫째, 검증될 계정의 주소 정보가 결정되고; 둘째, 사전 분할을 통해 획득되는 지리적 범위에서, 계정의 거주 범위는, 미리 결정된 기간 내에 계정에 의해 보고되는 지리적 위치 정보에 기초하여 트레이닝된 분류 모델을 사용하는 것에 의해 결정되고; 셋째,검증될 주소 정보가 잘못된 주소 정보인지의 여부는, 검증될 주소 정보와 거주 범위에 대응하는 그리드 사이의 매칭의 결과에 기초하여 결정된다. 본 출원에서, 계정을 사용하는 유저의 거주 범위는, 분류 모델 및, 계정에 의해 이력으로(historically) 보고되는 지리적 위치 정보를 사용하는 것에 의해 결정된다는 것을 알 수 있다. 계정에 의해 보고되는 지리적 위치 정보가 실제이고 계정에 대응하기 때문에, 결정된 거주 범위는 실제이며 계정에 속한다. 그러한 만큼, 잘못된 주소 정보를 식별하는 정확도는, 검증될 주소 정보를 거주 범위와 매칭시키는 것에 의해 더 높아질 수 있다.
여기에서 설명되는 첨부의 도면은, 본 출원의 더 나은 이해를 제공하기 위해 그리고 본 출원의 일부를 구성하기 위해 사용된다. 본 출원의 개략적 구현예 및 구현예의 설명은 본 출원을 설명하기 위해 사용되며, 본 출원에 대한 부적절한 제한을 구성하지는 않는다. 첨부의 도면에서:
도 1은, 본 출원의 구현예에 따른, 잘못된 주소 정보를 식별하는 프로세스를 예시한다;
도 2는, 본 출원의 구현예에 따른, 맵 그리드를 예시하는 개략도이다; 그리고
도 3은, 본 출원의 구현예에 따른, 잘못된 주소 정보를 식별하기 위한 장치를 예시하는 개략적인 구조도이다.
본 출원의 목적, 기술적 솔루션, 및 이점을 더욱 명확하게 만들기 위해, 하기에서는, 본 출원의 특정한 구현예 및 대응하는 첨부의 도면을 참조하여 본 출원의 기술적 솔루션을 명확하고 포괄적으로 설명한다. 명백하게, 설명된 구현예는 본 출원의 구현예의 전체가 아닌 일부에 불과하다. 창의적인 노력 없이 본 출원의 구현예에 기초하여 기술 분야에서 통상의 기술을 가진 자에 의해 획득되는 다른 모든 구현예는 본 출원의 보호 범위 내에 속할 것이다.
본 출원의 구현예에서 제공되는 기술적 솔루션은, 첨부의 도면을 참조하여 이하에서 상세하게 설명된다.
도 1은, 본 출원의 구현예에 따른, 잘못된 주소 정보를 식별하는 프로세스를 예시한다. 프로세스는 다음의 단계를 포함한다.
S101. 검증될 계정의 주소 정보를 결정함.
현존하는 기술에서는, 서비스 공급자가 주소 정보를 검증할 필요가 있기 때문에, 서비스 공급자의 서버가 일반적으로 주소 정보를 검증한다. 대안적으로, 서비스 공급자는 주소 정보를 검증하는 것을 제3자에게 위탁할 수 있다. 주소 정보 검증은 미리 결정된 조건에 기초하여 서버에 의해 수행될 수 있거나(예를 들면, 주소 정보 검증이 주기적으로 또는 미리 결정된 빈도로 수행됨), 또는 제3자에 의해 개시될 수 있다(예를 들면, 제3자 서버가 주소 정보 검증 요청을 제안함). 주소 정보 검증을 시작하는 방법은 본 출원에서 제한되지 않는다.
또한, 유저가 일반적으로 계정을 사용하는 것에 의해 주소 정보를 서버에 제공하기 때문에, 주소 정보는 일반적으로 계정에 대응한다. 그러한 만큼, 본 출원의 현재의 구현예에서, 서버는 검증될 계정의 주소 정보를 먼저 결정할 수 있다.
검증될 주소 정보는, 집 주소 또는 근무 주소와 같은, 계정에서 설정되는 유저의 거주지 주소(residential address)일 수 있다. 그러한 만큼, 계정에 대한 위험성 제어가 수행될 필요가 있다는 것을 결정하는 경우, 서버는 계정에서 설정되는 모든 주소 정보를 호출하여, 주소 정보를 검증될 계정의 주소 정보로서 사용할 수 있다.
대안적으로, 검증될 주소 정보는, 서버가 주소 질의 정보(address query information)를 계정으로 전송한 이후 계정에 의해 반환되는 주소 정보일 수 있는데, 여기서 주소 질의 정보는 텍스트 정보, 오디오 정보, 및 비디오 정보 중 적어도 하나를 포함할 수 있다. 예를 들면, 텍스트 정보는, 계정이 검증될 주소 정보를 서버에 반환하도록, "상세한 집 주소를 입력하세요" 또는 "상세한 근무 주소를 입력하세요"일 수 있다. 그러한 만큼, 서버는 위험성 제어를 받을 필요가 있는 계정을 먼저 결정할 수 있고, 그 다음, 계정에 주소 질의 정보를 전송할 수 있고, 계정에 의해 반환되는 주소 정보를 수신할 수 있고, 주소 정보를, 검증될 계정의 주소 정보로서 사용할 수 있다.
물론, 서버가 검증될 계정의 주소 정보를 어떻게 결정하는지는 본 출원에서 제한되지 않으며, 필요에 따라 스태프에 의해 설정될 수 있다. 또한, 서버는 검증될 계정의 주소 정보가 계정의 집 주소인지 또는 근무 주소인지의 여부를 서버가 결정하는 것은, 필요에 따라 스태프에 의해 설정될 수 있거나, 또는 검증될 주소 정보는 계정의 집 주소 및 근무 주소 둘 모두를 포함할 수 있다.
본 출원의 현재의 구현예에서, 서버는 하나의 디바이스일 수 있거나, 또는 복수의 디바이스를 포함하는 시스템, 즉 분산 서버일 수 있다는 것을 주목할 가치가 있다.
S102. 사전 분할을 통해 획득되는 지리적 범위에서, 트레이닝된 분류 모델 및 미리 결정된 기간 내에 계정에 의해 보고되는 지리적 위치 정보에 기초하여 계정의 거주 범위를 결정함.
사람들의 생활 방식(life track)은 현대 사회에서 상대적으로 고정적이고 규칙적이다. 예를 들면, 사람들은 낮 시간에 사무실에서 근무하거나 학교에서 공부하고 야간에는 집에서 휴식을 취한다. 평일(workday) 대신 휴일에는, 사람들은, 집에 머무르는 것 외에도 긴장 완화를 위해 여행을 할 수 있는데, 이것은 상대적으로 임의적이다. 그러나, 사람들의 생활 방식이 상대적으로 고정적이고 규칙적이기 때문에, 상이한 기간에 유저의 위치 정보를 결정하는 것에 의해 유저의 생활하고 있는 지역(living area) 및 근무 지역(working area)이 정확하게 결정될 수 있다.
따라서, 본 출원의 현재의 구현예에서, 검증될 계정의 주소 정보를 결정한 이후, 서버는 또한, 계정의 거주 범위를 계정을 사용하는 유저의 거주 범위로서 결정할 수 있어서, 후속하여 검증될 주소 정보를 검증할 수 있고 잘못된 주소 정보를 식별할 수 있다.
계정을 사용하는 유저의 거주 범위를 결정하기 위해 계정을 사용하는 유저의 생활 방식(이하, 계정의 생활 방식으로 칭해짐)이 결정될 필요가 있기 때문에, 서버는 계정에 의해 보고되는 지리적 위치 정보를 먼저 결정할 수 있다. 계정이 로그인한 이후, 서버로 전송되며 계정이 현재 로그인하고 있는 디바이스의 것인 지리적 위치 정보가 미리 결정된 시간 빈도(예를 들면, 30 분)로 보고된다; 또는 계정이 로그인하고 있을 때, 서버로 전송되며 계정이 현재 로그인하고 있는 디바이스의 지리적 위치 정보가 보고된다. 계정에 의해 지리적 위치 정보를 보고하기 위한 방법은 필요에 따라 설정될 수 있거나, 또는 계정에 의해 보고되는 지리적 위치 정보는 현존하는 기술에서 유저 주소록을 실시간으로 획득하는 것에 의해 결정될 수 있는데, 이것은 본 출원에서 제한되지 않는다. 계정이 동일한 위치에 머문 시간이 더 길수록, 그 위치에서 계정에 의해 보고되는 지리적 위치 정보가 더 많다는 것을 나타내기 때문에, 계정을 사용하는 유저의 거주 범위, 즉, 계정의 거주 범위는 보고되는 지리적 위치 정보를 사용하는 것에 의해 결정될 수 있다.
또한, 계정에 의해 보고되는 지리적 위치 정보는, 계정에 의해 보고되는 지리적 위치 정보의 일부 또는 전부일 수 있는데, 이것은 필요에 따라 설정될 수 있다.
게다가, 사람들의 근무 장소(working place) 및 생활 장소(living place)는 일반적으로 짧은 기간에 고정되고, 현대 사회에서 사람들의 이동성은 상대적으로 높다. 따라서, 본 출원에서, 서버는 미리 결정된 기간 내에 계정에 의해 보고되는 지리적 위치 정보를 결정할 수 있다. 미리 결정된 기간은 현재 순간으로부터 거슬러 기산되는 기간일 수 있다. 예를 들면, 현재 순간이 2016년 11월 11일이고, 미리 결정된 기간이 현재 순간부터 거슬러 기산되는 4 개월이라고 가정한다. 서버는 2016년 7월 11일부터 2016년 11월 11일까지 계정에 의해 보고되는 지리적 위치 정보를 결정할 수 있다. 대안적으로, 미리 결정된 기간은 명시된 시작 시간으로부터 명시된 종료 시간까지의 기간, 예를 들면, 1월 1일부터 6월 1일까지의 기간일 수 있다. 미리 결정된 기간은 필요에 따라 스태프에 의해 설정될 수 있으며, 본 출원에서는 제한되지 않는다.
또한, 미리 결정된 기간은, 필요에 따라, 예를 들면, 4 개월 또는 9 개월로 스태프에 의해 설정될 수 있다. 그러나, 집이 일반적으로 적어도 반년 동안 임대되기 때문에, 미리 결정된 기간이 6 개월을 초과하면, 계정의 생활 방식이 변경될 가능성이 증가된다. 물론, 미리 결정된 기간은 본 출원에서 제한되지 않으며, 필요에 따라 스태프에 의해 설정될 수 있다. 그러한 만큼, 계정의 상대적으로 규칙적인 생활 방식이, 미리 결정된 기간 내에 계정에 의해 보고되는 지리적 위치 정보를 결정하는 것에 의해 결정될 수 있고, 다음의 경우가 방지된다: 아주 긴 기간 동안 지리적 위치 정보가 수집되기 때문에 복수의 생활 방식이 결정됨, 및 아주 짧은 기간 동안 지리적 위치 정보가 수집되기 때문에 계정의 생활 방식을 결정하는 것이 어려움.
또한, 본 출원에서는, 디바이스의 위치 결정 정확도(positioning accuracy)가 고정되지 않기 때문에, 디바이스가 환경에 영향을 받을 때 지리적 위치 정보의 위치 결정 정확도에서 에러가 발생할 수 있고, 결과적으로, 계정에 의해 보고되는 지리적 위치 정보는 상이한 위치 결정 정확도를 갖는다. 따라서, 계정을 사용하는 유저의 거주 범위를 더욱 정확하게 결정하기 위해, 서버는 미리 결정된 그리드 사이즈에 기초하여 맵을 여러 개의 그리드로 더 나눌 수 있고; 맵 상의 각각의 그리드를, 사전 분할을 통해 획득되는 지리적 범위로서 사용할 수 있고; 정확한 위치 결정을 갖는 지리적 위치 정보를, 각각의 지리적 범위로 대체할 수 있고; 계정을 사용하는 유저의 거주 범위를 결정할 수 있고, 그에 의해, 위치 결정 정확도 에러에 의해 야기되는 영향에 기인하는 지리적 위치 정보의 위치 결정 정확도 중복성(redundancy)이 증가하는 것을 방지할 수 있다. 맵을 분할하는 것에 의해 획득되는 그리드가 도 2에서 도시된다.
도 2는, 본 출원의 구현예에 따른, 맵 그리드를 예시하는 개략도이다. 서버에 저장된 맵이 그리드로 사전 분할된 것을 볼 수 있다. 각각의 그리드는 점선의 정사각형이며 경도 및 위도를 사용하는 것에 의해 표현될 수 있다. 또한, 그리드의 변 길이는 필요에 따라 스태프에 의해 설정될 수 있다. 예를 들면, 정사각형 그리드의 변 길이는 500 미터이다. 사전 분할을 통해 획득되는 그리드의 짧은 변 길이는, 계정을 사용하는 유저의 거주 범위를 결정하는 더 높은 정확도를 나타내지만, 그러나 또한, 계정에 의해 보고되는 지리적 위치 정보의 정확도에 대한 요건이 높을수록, 위치 결정 정확도 에러에 의해 야기되는 영향이 더 크다는 것을 의미한다는 것을 주목할 가치가 있다. 물론, 그리드는, 원 또는 삼각형과 같은 다른 형상을 가질 수 있는데, 이것은 본 출원에서 제한되지 않는다.
그 다음, 서버는, 사전 분할을 통해 획득되는 각각의 그리드에 기초하여, 미리 결정된 기간 내에 계정에 의해 보고되는 지리적 위치 정보가 각각의 그리드에서 출현하는 횟수(quantity of times) 및 순간을 결정할 수 있고, 각각의 그리드에서의 계정의 특성 값을 결정할 수 있다. 특성 값은 표 1에서 나타내어진다.
Figure 112019071694483-pct00001
표 1로부터 알 수 있는 바와 같이, 설명된 여덟 개의 특성 값을 사용하는 것에 의해, 그리드에서의, 계정의 출현 빈도, 계정의 출현 기간, 등등이 결정될 수 있다. 예를 들면, 각각의 그리드에 대해, 그리드가 계정이 빈번하게 출현하는 그리드인지의 여부는, 출현하는 횟수의 비율 및 출현하는 일수의 비율을 사용하는 것에 의해 결정될 수 있다. 명백하게, 그리드가 계정이 빈번하게 출현하는 그리드가 아니면, 그리드가 계정을 사용하는 유저의 거주 범위일 가능성이 상대적으로 낮다. 그리드가 계정을 사용하는 유저의 거주 범위인지의 여부는, 평일의 수의 비율을 사용하는 것에 의해 결정될 수 있다. 명백하게, 평일에 사람들의 이동 궤적은 일반적으로 고정되기 때문에, 사람들이 평일에 가장 빈번하게 출현하는 그리드가, 계정을 사용하는 유저의 거주 범위일 가능성이 크다. 그리드가 계정의 근무 장소인지 또는 생활 장소인지의 여부는, 휴일의 수의 비율을 사용하는 것에 의해 결정될 수 있다(예를 들면, 유저가 주말에 소정의 체육관에 빈번하게 가는 경우, 휴일에 체육관에 대응하는 그리드에서 트레이닝 샘플이 상대적으로 큰 양의 시간으로 출현한다. 그러나, 그리드는 유저의 근무 장소 또는 생활 장소가 아니다). 그리드가 계정의 근무 장소인지의 여부는, 낮시간에 출현하는 평일의 수의 비율을 사용하는 것에 의해 결정될 수 있고, 그리드가 계정의 생활 장소인지의 여부는 야간에 출현하는 평일의 수의 비율을 사용하는 것에 의해 결정될 수 있다. 다시 말하면, 각각의 그리드에서 결정되는 특성 값은, 맵을 분할하는 것에 의해 획득되는 그리드에서 계정의 생활의 패턴 및 생활 방식을 반영할 수 있다. 또한, 계정을 사용하는 유저의 결정된 거주 범위에 대한 계정의 낮은 빈도의 지역(즉, 계정이 덜 출현하는 지리적 범위)에 의해 부과되는 간섭은, 계정을 사용하는 유저의 거주 범위에 대응하는 그리드를 더욱 정확하게 결정하도록 제거될 수 있다. 또한, 계정의 생활 장소 및 근무 장소에 대응하는 그리드가 결정될 수 있다.
또한, 계정에 의해 보고되는 지리적 위치 정보는 일반적으로 보고 시간을 포함할 수 있다. 따라서, 본 출원에서, 서버는 지리적 위치 정보의 보고 시간을 사용하는 것에 의해 표 1의 수개의 특성 값을 결정할 수 있다. 보고 시간은 서버가 지리적 위치 정보를 수신할 때의 서버의 시스템 시간일 수 있거나, 또는 지리적 위치 정보가 결정될 때의 시간 정보일 수 있거나, 또는 디바이스가 지리적 위치 정보를 서버로 전송할 때의 디바이스의 전송 시간일 수 있다. 서버의 시스템 시간이 사용되는 경우, 계정의 지리적 위치 정보를 보고하는 시간은 관리를 위해 상대적으로 통합된다는 것이 결정될 수 있다. 그러나, 네트워크 정보 지연에 의해 야기되는 에러가 발생할 수도 있다. 물론, 어떤 보고 시간이 사용되는지는 본 출원에서 제한되지 않으며, 필요에 따라 스태프에 의해 설정될 수 있다.
마지막으로, 서버는 또한, 트레이닝된 분류 모델에 기초하여 모든 그리드로부터, 계정을 사용하는 유저가 빈번하게 출현하는 그리드를, 계정을 사용하는 유저의 거주 범위로서 결정할 수 있다. 다시 말하면, 서버는, 각각의 그리드에서의 계정에 대응하는 특성 값을 트레이닝된 분류 모델에 입력할 수 있고, 분류 모델에 의해 출력되는 각각의 그리드의 분류 결과에 기초하여 모든 그리드로부터, 계정을 사용하는 유저의 거주 범위에 속하는 그리드를 결정할 수 있다.
계정을 사용하는 유저의 거주 범위를 결정하기 위해, 서버는 설명된 하나 이상의 특성 값을 선택할 수 있다는 것을 주목할 가치가 있다. 본 출원에서, 계정을 사용하는 유저의 거주 범위를 결정하기 위해 서버는 모든 특성 값을 사용할 필요가 있다는 것은 제한되지 않는다. 또한, 계정을 사용하는 유저의 거주 범위를 결정하기 위해, 표 1에서 나타내어지는 여덟 개의 특성 값만이 사용될 수 있다는 것은 제한되지 않는다. 특성 값은 필요에 따라 스태프에 의해 결정될 수 있다.
분류 모델은 다음과 같이 트레이닝될 수 있다:
서버는, 먼저, 실제인 것으로 검증된 복수의 단편(piece)의 지리적 위치 정보를 갖는 계정, 즉 실제의 알려진 주소 정보를 갖는 계정을, 트레이닝 샘플로서 미리 결정할 수 있고; 그 다음, 모든 트레이닝 샘플에 의해 보고되는 지리적 위치 정보를 수집할 수 있고; 각각의 그리드에서의 각각의 트레이닝 샘플의 특성 값을 결정할 수 있다, 다시 말하면, 각각의 그리드에서 트레이닝 샘플이 출현하는 횟수 및 순간에 기초하여 각각의 그리드에서의 각각의 트레이닝 샘플의 특성 값을 결정할 수 있다.
그 다음, 서버는 모든 트레이닝 샘플에 대응하는 특성 값을 분류 모델에 연속적으로 입력하여, 분류 결과를 획득할 수 있다. 분류 모델의 초기 파라미터는 랜덤하게 생성될 수 있거나, 또는 스태프에 의해 설정될 수 있다. 분류 결과는 다음과 같다: 각각의 트레이닝 샘플에 대해, 분류 모델은 각각의 그리드가 거주 범위에 대응하는 그리드에 속하는지 또는 비거주 범위에 대응하는 그리드에 속하는지의 여부를 결정한다.
또한, 서버는 그리드 내의 모든 트레이닝 샘플의 실제 알려진 주소 정보에 각각 대응하는 좌표의 위치에 기초하여 분류 모델의 분류 결과의 정확도를 결정할 수 있고, 정확도에 기초하여 분류 모델에서의 파라미터를 조정할 수 있다.
설명된 프로세스는, 미리 결정된 반복 횟수가 도달될 때까지, 또는 분류 모델의 분류 결과의 정확도가 미리 결정된 문턱값에 도달할 때까지 반복될 수 있다. 미리 결정된 문턱값은 필요에 따라 스태프에 의해 설정될 수 있다.
또한, 본 출원에서, 분류 모델은 랜덤 포레스트 분류 알고리즘(random forest classification algorithm), 로지스틱 회귀 분류 알고리즘(logistic regression classification algorithm), 신경망 분류 알고리즘(neural network classification algorithm), 등등을 포함할 수 있다. 본 출원은 사용될 특정한 분류 모델에 대해 어떠한 제한도 부과하지 않는다.
S103. 검증될 주소 정보를 거주 범위와 매칭시킴.
S104. 검증될 주소 정보와 거주 범위 사이의 매칭의 결과에 기초하여, 검증될 주소 정보가 잘못된 주소 정보인지의 여부를 결정함.
본 출원의 현재의 구현예에서, 트레이닝된 분류 모델을 사용하여, 그리드 중에서, 계정을 사용하는 유저의 거주 범위에 대응하는 그리드를 결정한 이후, 서버는 검증될 주소 정보를 거주 범위와 매칭시킬 수 있고, 검증될 주소 정보가 잘못된 주소 정보인지의 여부를 결정할 수 있다.
서버는 먼저 검증될 주소 정보에 대응하는 경도 및 위도에 따라 검증될 주소 정보의 좌표를 결정할 수 있고; 그 다음, 그리드에서, 검증될 주소 정보의 좌표에 대응하는 그리드를 결정할 수 있고; 최종적으로, 검증될 주소 정보에 대응하는 그리드가 계정을 사용하는 유저의 거주 범위에 대응하는 그리드와 동일한지의 여부를 결정할 수 있고(다시 말하면, 검증될 주소 정보의 좌표가 거주 범위에 대응하는 그리드 내에 속하는지의 여부를 결정할 수 있고); 검증될 주소 정보에 대응하는 그리드가 계정을 사용하는 유저의 거주 범위에 대응하는 그리드와 동일하다는 것을 결정하는 것에 응답하여, 검증될 주소 정보가 잘못된 주소 정보가 아니라는 것을 결정할 수 있고; 검증될 주소 정보에 대응하는 그리드가 계정을 사용하는 유저의 거주 범위에 대응하는 그리드와는 상이하다는 것을 결정하는 것에 응답하여, 검증될 주소 정보가 잘못된 주소 정보라는 것을 결정할 수 있다.
검증될 주소 정보에 대응하는 그리드가 계정을 사용하는 유저의 거주 범위에 대응하는 그리드와 매치하면, 그것은, 검증될 주소 정보의 좌표가, 계정을 사용하는 유저의 거주 범위에 대응하는 그리드 내에 있다는 것을 나타낸다.
도 1에서 도시되는 위험성 제어 방법에 따르면, 서버는 계정을 사용하는 유저의 거주 범위에 대응하는 그리드를 결정할 수 있고; 그 다음, 검증될 계정의 주소 정보에 대응하는 그리드를, 계정을 사용하는 유저의 거주 범위에 대응하는 그리드와 매치시킬 수 있고; 매칭 결과에 기초하여, 검증될 주소 정보가 잘못된 주소 정보인지의 여부를 결정할 수 있다. 검증될 계정의 주소의 검증 동안, 거주 범위에 대응하는 그리드의 신뢰성이 상대적으로 높도록, 서버는, 계정에 의해 이력으로 보고되는 지리적 위치 정보에 기초하여, 사전 분할을 통해 획득되는 맵 그리드에서 계정을 사용하는 유저의 거주 범위를 결정한다는 것을 알 수 있고; 또한, 거주 범위에 대응하는 그리드가 계정에 속한다는 것이 결정될 수 있다. 따라서, 거주 범위에 대응하는 그리드와 검증될 주소 정보 사이에서 매칭이 수행될 때, 매칭 결과의 정확도는 상대적으로 높다. 결과적으로, 잘못된 주소 정보의 상대적으로 정확한 식별 결과가 획득되고, 그에 의해 잘못된 주소 정보를 식별하는 정확도를 향상시킨다.
또한, 상이한 디바이스는 상이한 위치 결정 정확도를 가질 수도 있고, 동일한 디바이스의 위치 결정 정확도는 상이한 외부 조건에서 변할 수도 있다. 계정에 의해 보고되는 지리적 위치 정보가 상대적으로 낮은 위치 결정 정확도를 갖는 지리적 위치 정보를 포함하면, 계정을 사용하는 유저의 거주 범위에 대응하는 후속하여 결정된 그리드는 정확하지 않을 수도 있으며, 결과적으로, 잘못된 주소 정보를 식별하는 정확도가 영향을 받는다.
따라서, 본 출원의 현재의 구현예에서, 미리 결정된 기간 내에 계정에 의해 보고되는 지리적 위치 정보를 결정할 때, 서버는 또한, 미리 결정된 위치 결정 정확도 문턱값에 기초하여 지리적 위치 정보로부터, 자신의 위치 결정 정확도가 위치 결정 정확도 문턱값 미만이 아닌 지리적 위치 정보를 선택할 수 있고; 그 지리적 위치 정보를, 트레이닝된 분류 모델에 입력하기 위한 검증될 계정의 주소 정보로서 사용할 수 있고; 계정을 사용하는 유저의 거주 범위에 대응하는 그리드를 결정할 수 있다.
마찬가지로, 서버는, 각각의 트레이닝 샘플에 대해, 미리 결정된 기간 내에 보고되는 지리적 위치 정보로부터, 자신의 위치 결정 정확도가 위치 결정 정확도 문턱값 미만이 아닌 지리적 위치 정보를 결정할 수 있고, 분류 모델을 트레이닝할 수 있다.
또한, 본 출원에서, 상이한 분류 모델은 상이한 타입의 데이터에 대해 상이한 효과를 발휘하고, 트레이닝 샘플의 지리적 위치 정보는 일반적으로 랜덤하게 분포된다. 예를 들면, 트레이닝 샘플의 근무 장소와 생활 장소는 서로 가깝거나, 또는 트레이닝 샘플의 근무 장소와 생활 장소는 서로 멀리 떨어져 있다. 결과적으로, 상이한 분류 모델을 사용하는 것에 의해 획득되는 분류 결과의 정확도는 동일한 트레이닝 샘플에 대해 상이하다. 따라서, 본 출원의 현재의 구현예에서, 분류 모델을 트레이닝할 때, 서버는, 공통의 방법을 사용하는 것에 의해, 거주 범위에 대응하는 그리드를 결정하기 위한 분류 모델로서, 더 좋은 효과를 갖는 분류 모델을 복수의 분류 모델로부터 선택할 수 있다. 서버는 복수의 분류 모델을 사용하는 것에 의해 트레이닝 샘플을 개별적으로 트레이닝할 수 있고; 각각의 분류 모델에 대응하는 수신기 동작 특성 곡선(receiver operating characteristic curve; ROC 곡선) 아래의 면적(곡선 아래 면적(Area Under Curve; AUC))을 계산할 수 있고; 트레이닝된 분류 모델로서 최대 AUC를 갖는 분류 모델을 사용할 수 있다. 물론, 필요에 따라 특정한 분류 모델이 스태프에 의해 또한 선택될 수 있다. 예를 들면, 상대적으로 높은 분류 속도를 갖는 분류 모델이 시간 비용에 기초한 트레이닝된 분류 모델로서 선택된다. 본 출원은 어떠한 특정한 제한도 부과하지는 않는다.
게다가, 상기에서 설명되는 바와 같이, 상이한 타입의 데이터를 사용하는 것에 의해 트레이닝되는 분류 모델은 상이할 수 있다. 따라서, 본 출원의 현재의 구현예에서, 분류 모델의 적용 가능성을 향상시키기 위해, 서버는 각각의 분류 모델을 테스트하기 위해 미리 결정된 비율의 트레이닝 샘플을 선택할 수 있다. 그러한 만큼, 각각의 분류 모델을 트레이닝하기 위해 서버에 의해 사용되는 샘플은, 더 나은 분류 모델 선택 효과를 달성하기 위해, AUC를 계산하기 위해 사용되는 샘플과는 상이할 수 있다. 미리 결정된 비율은 스태프에 의해 설정될 수 있다. 본 출원은 어떠한 제한도 부과하지 않는다.
또한, 트레이닝 샘플의 생활 방식이 완전히 고정되어 있지 않기 때문에, 분류 모델이 각각의 트레이닝 샘플을 사용하는 것에 의해 트레이닝될 때, 서버는 기간 내에 각각의 트레이닝 샘플에 의해 보고되는 지리적 위치 정보를 결정할 수 있다. 기간은 미리 결정된 기간과 일치할 수 있거나 또는 일치하지 않을 수 있다. 기간의 시작 순간 및 종료 순간은 필요에 따라 스태프에 의해 결정될 수 있는데, 예를 들면, 트레이닝 샘플에 의해 보고되는 지리적 위치 정보는, 트레이닝 샘플의 주소 정보가 실제라는 것을 결정하는 순간부터 거슬러 기산되는 4 개월 이내에 있다. 본 출원은 어떠한 특정한 제한도 부과하지는 않는다.
게다가, 표 1에서 도시되는 특성 값은 계정의 생활 방식 및 생활의 패턴을 반영한다. 또한, 지리적 위치 정보의 보고 시간을 사용하는 것에 의해 그리고 특성 값을 사용하는 것에 의해 분류 모델에 의해 결정되는 분류 결과에서, 계정을 사용하는 유저의 거주 범위는, 계정을 사용하는 유저의 상주 생활 범위(resident living range) 및 계정을 사용하는 유저의 상주 근무 범위(resident working range)를 더 포함할 수 있다는 것이 결정될 수 있다.
단계 S101에서, 서버에 의해 결정되는 검증될 계정의 주소 정보는, 검증될 생활 주소 정보(living address information) 및 검증될 근무 주소 정보(working address information)를 더 포함할 수 있다. 따라서, 트레이닝된 분류 모델은, 계정에 의해 보고되는 지리적 위치 정보를 사용하는 것에 의해, 계정에 대응하는 상주 생활 범위 및 상주 근무 범위를 결정하기 위해 사용될 수 있다.
또한, 각각의 트레이닝 샘플을 결정할 때, 분류 모델은, 실제 알려진 생활 주소 정보 및 근무 주소 정보를 갖는 수개의 계정을 트레이닝 샘플로서 결정할 수 있고; 각각의 트레이닝 샘플에 의해 보고되는 수개의 단편의 지리적 위치 정보에 기초하여, 각각의 그리드에서 트레이닝 샘플이 출현하는 횟수 및 순간을 결정할 수 있고; 그 다음, 각각의 그리드에서 트레이닝 샘플이 출현하는 횟수 및 시간에 기초하여, 각각의 그리드에서의 트레이닝 샘플에 대응하는 특성 값을 결정할 수 있고; 마지막으로, 각각의 그리드에서의 트레이닝 샘플에 대응하는 특성 값, 각각의 트레이닝 샘플의 실제 알려진 생활 주소 정보, 및 각각의 트레이닝 샘플의 실제 알려진 근무 주소 정보에 기초하여 분류 모델을 트레이닝할 수 있다. 따라서, 분류 모델은, 거주 범위 결정시에만, 상주 생활 범위 및 상주 근무 범위로서 거주 범위를 결정할 수 있다.
또한, 단계 S103에서, 검증될 주소 정보가 검증될 생활 주소 정보인 경우, 검증될 생활 주소 정보의 좌표가, 검증될 생활 주소 정보에 대응하는 경도 및 위도에 기초하여 결정되고; 검증될 생활 주소 정보의 좌표가 상주 생활 범위 내에 속하는지의 여부가 결정되고; 검증될 생활 주소 정보의 좌표가 상주 생활 범위 내에 속한다는 것을 결정하는 것에 응답하여, 검증될 주소 정보가 잘못된 주소 정보가 아니라는 것이 결정되고; 검증될 생활 주소 정보의 좌표가 상주 생활 범위 내에 속하지 않는다는 것을 결정하는 것에 응답하여, 검증될 주소 정보가 잘못된 주소 정보라는 것이 결정된다. 검증될 주소 정보가 검증될 근무 주소 정보인 경우, 검증될 근무 주소 정보의 좌표가, 검증될 근무 주소 정보에 대응하는 경도 및 위도에 기초하여 결정되고; 검증될 근무 주소 정보의 좌표가 상주 근무 범위 내에 속하는지의 여부가 결정되고; 검증될 근무 주소 정보의 좌표가 상주 근무 범위 내에 속한다는 것을 결정하는 것에 응답하여, 검증될 주소 정보가 잘못된 주소 정보가 아니라는 것이 결정되고; 검증될 근무 주소 정보의 좌표가 상주 근무 범위 내에 속하지 않는다는 것을 결정하는 것에 응답하여, 검증될 주소 정보가 잘못된 주소 정보라는 것이 결정된다.
일반적으로, 금융 기관이 계정에 의한 대출 또는 신용 카드 신청의 위험성을 결정하는 경우, 계정은, 신원 정보, 연락처 정보, 및 자산 정보와 같은 정보를 제공하는 것, 및, 후속하는 동작에 대한 계정의 잠재적 위험성을 결정하기 위해 그 정보를 검증하는 것을 필요로 한다. 연락처 정보는, 전화 번호, 주소 정보, 등등을 포함할 수 있다.
따라서, 본 출원의 다른 구현예에서, 주소 정보를 검증하는 것은, 계정이 금융 기관에 신용 카드 또는 신용 서비스를 신청할 때 금융 기관이 계정의 주소 정보를 검증하는 것을 나타낼 수도 있다. 그러한 만큼, 서버는 주소 정보를 검증하기 위해 금융 기관에 의해 사용되는 서버일 수 있거나, 또는 금융 기관은 서버로의 주소 정보 검증 요청을 개시하는 제3자일 수 있다. 금융 기관은 일반적으로, 주소 정보의 진위 및 주소 정보가 계정에 속하는지의 여부를 검증한다.
또한, 단계 S101 내지 단계 S104 이후에, 서버는 검증될 계정의 주소 정보가 잘못된 주소 정보인지의 여부를 결정할 수 있다. 또한, 서버는 검증될 주소 정보의 진위를 결정할 수 있을뿐만 아니라, 검증될 주소 정보가 계정에 대응하는지의 여부, 다시 말하면, 검증될 주소 정보가 계정을 사용하는 유저의 거주 범위와 매치하는지의 여부를 결정할 수 있다.
또한, 검증될 주소 정보가 검증될 계정의 근무 주소 정보 및/또는 검증될 생활 주소 정보일 수 있기 때문에, 계정의 위험성은, 검증될 주소 정보가 잘못된 주소 정보인지의 여부를 결정하는 것에 의해 결정될 수 있다. 예를 들면, 계정이 잘못된 주소 정보를 제공하는 경우, 계정에 의한 대출을 편취할 가능성이 상대적으로 높고, 그 반대의 경우도 마찬가지이다. 예를 들면, 유저 d가 계정 e를 사용하는 것에 의해 은행 f에게 신용 카드 서비스를 신청하고, 은행에 의해 요구될 때 생활 주소 g 및 근무 주소 h를 제공한다고 가정하고; 검증될 계정 e의 주소 정보가 검증될 생활 주소, 즉 생활 주소 g, 및 검증될 근무 주소, 즉, 생활 주소 h를 포함한다는 것을 은행 f의 서버 i가 결정한다고 가정한다. 서버 i는, 먼저, 미리 결정된 기간 내에 계정 e에 의해 보고되는 지리적 위치 정보 및 트레이닝된 분류 모델에 기초하여, 사전 분할을 통해 획득되는 지리적 범위에서 계정 e의 상주 생활 범위 및 상주 근무 범위를 개별적으로 결정할 수 있고; 그 다음, 검증될 생활 주소 정보를 상주 생활 범위와, 그리고 검증될 근무 주소 정보를 상주 근무 범위와 개별적으로 매칭할 수 있고; 마지막으로, 검증될 생활 주소 정보와 상주 생활 범위 사이의 매칭의 결과 및 검증될 근무 주소 정보와 상주 근무 범위 사이의 매칭의 결과에 기초하여, 검증될 생활 주소 정보 및 검증될 근무 주소가 잘못된 주소 정보인지의 여부를 결정할 수 있다. 검증될 생활 주소 정보 및 검증될 근무 주소 중 어느 하나가 잘못된 주소 정보인 경우, 서버 i는, 계정 e의 위험성이 상대적으로 높다는 것을 결정할 수 있고, 계정 e에게 신용 카드 서비스를 제공하지 않거나, 또는 계정 e에 의해 제공되는 신용의 한도(line of credit)를 감소시킨다. 물론, 계정이 잘못된 주소 정보를 제공한다는 것이 결정된 이후, 후속하여 수행될 동작은 본 출원에서 제한되지는 않는다.
본 출원의 구현예에서 제공되는 방법의 모든 단계는 동일한 디바이스에 의해 수행될 수 있거나, 또는 상이한 디바이스에 의해 수행될 수 있다는 것을 주목할 가치가 있다. 예를 들면, 단계 S101 및 단계 S102는 디바이스 1에 의해 수행될 수 있고, 단계 S103은 디바이스 2에 의해 수행될 수 있다. 다른 예의 경우, 단계 S101은 디바이스 1에 의해 수행될 수 있고, 단계 S102 및 단계 S103은 디바이스 2에 의해 수행될 수 있다. 다시 말하면, 서버는 복수의 디바이스를 포함하는 분산 서버일 수 있다. 또한, 본 출원의 구현예에서 제공되는 방법의 각각의 단계는 서버 또는 엔드 유저 디바이스에 의해 수행될 수 있는데, 이것은 제한되지는 않는다. 엔드 유저 디바이스는 이동 전화, 퍼스널 컴퓨터, 또는 태블릿 컴퓨터와 같은 디바이스일 수 있다.
도 3에서 도시되는 바와 같이, 도 1에서 도시되는 잘못된 주소 정보를 식별하는 프로세스에 기초하여, 본 출원의 구현예는 또한, 상응하여, 잘못된 주소 정보를 식별하기 위한 장치를 제공한다.
도 3은, 본 출원의 구현예에 따른, 잘못된 주소 정보를 식별하기 위한 장치를 예시하는 개략적인 구조도이다. 장치는 다음의 것을 포함한다: 검증될 계정의 주소 정보를 결정하도록 구성되는 제1 결정 모듈(201); 사전 분할을 통해 획득되는 지리적 범위에서, 트레이닝된 분류 모델 및 미리 결정된 기간 내에 계정에 의해 보고되는 지리적 위치 정보에 기초하여 계정의 거주 범위를 결정하도록 구성되는 제2 결정 모듈(202); 검증될 주소 정보를 거주 범위와 매치시키도록 구성되는 매칭 모듈(203); 및 검증될 주소 정보와 거주 범위 사이의 매칭의 결과에 기초하여, 검증될 주소 정보가 잘못된 주소 정보인지의 여부를 결정하도록 구성되는 식별 모듈(204).
지리적 위치 정보는 경도 및 위도를 포함한다.
지리적 위치 정보는 위치 결정 정확도를 더 포함한다. 제2 결정 모듈(202)은, 미리 결정된 위치 결정 정확도 문턱값에 기초하여, 미리 결정된 기간 내에 계정에 의해 보고되는 지리적 위치 정보로부터, 자신의 위치 결정 정확도가 미리 결정된 위치 결정 정확도 문턱값 미만이 아닌 지리적 위치 정보를 결정하고; 사전 분할을 통해 획득되는 지리적 범위에서, 트레이닝된 분류 모델 및 자신의 위치 결정 정확도가 미리 결정된 위치 결정 정확도 문턱값 미만이 아닌 지리적 위치 정보에 기초하여, 계정의 거주 범위를 결정한다.
제2 결정 모듈은, 미리 결정된 그리드 사이즈에 기초하여 맵을 수개의 그리드로 분할하고, 맵 상의 각각의 그리드를 사전 분할을 통해 획득되는 지리적 범위로서 사용한다.
제2 결정 모듈(202)은 다음의 것을 포함하는 방법을 사용하는 것에 의해 분류 모델을 트레이닝한다: 실제 알려진 주소 정보를 갖는 수개의 계정을 트레이닝 샘플로서 결정하는 것; 각각의 트레이닝 샘플에 의해 보고되는 수개의 단편의 지리적 위치 정보에 기초하여, 각각의 그리드에서 트레이닝 샘플이 출현하는 횟수 및 순간을 결정하는 것; 각각의 그리드에서 트레이닝 샘플이 출현하는 횟수 및 순간에 기초하여 각각의 그리드에서의 트레이닝 샘플에 대응하는 특성 값을 결정하는 것; 및 각각의 그리드에서의 트레이닝 샘플에 대응하는 특성 값 및 트레이닝 샘플의 실제 알려진 주소 정보에 기초하여 분류 모델을 트레이닝하는 것.
제2 결정 모듈(202)은, 미리 결정된 기간 내에 계정에 의해 보고되는 지리적 위치 정보에 기초하여 각각의 그리드에서의 계정에 대응하는 특성 값을 결정하고; 각각의 그리드에서의 계정에 대응하는 특성 값을 트레이닝된 분류 모델에 입력하여 계정의 거주 범위를 결정한다.
식별 모듈(204)은, 검증될 주소 정보에 대응하는 경도 및 위도에 기초하여 검증될 주소 정보의 좌표를 결정하고; 검증될 주소 정보의 좌표가 거주 범위 내에 속하는지의 여부를 결정하고; 검증될 주소 정보의 좌표가 거주 범위 내에 속한다는 것을 결정하는 것에 응답하여, 검증될 주소 정보가 잘못된 주소 정보가 아니라는 것을 결정하고; 검증될 주소 정보의 좌표가 거주 범위 내에 속하지 않는다는 것을 결정하는 것에 응답하여, 검증될 주소 정보가 잘못된 주소 정보라는 것을 결정한다.
검증될 주소 정보는 검증될 생활 주소 정보 및 검증될 근무 주소 정보를 포함한다. 제2 결정 모듈(202)은, 사전 분할을 통해 획득되는 지리적 범위에서, 트레이닝된 분류 모델 및 미리 결정된 기간 내에 계정에 의해 보고되는 지리적 위치 정보에 기초하여 계정의 상주 생활 범위 및 상주 근무 범위를 결정한다.
제2 결정 모듈(202)은, 실제 알려진 생활 주소 정보 및 근무 주소 정보를 갖는 수개의 계정을 트레이닝 샘플로서 결정하고; 각각의 트레이닝 샘플에 의해 보고되는 수개의 단편의 지리적 위치 정보에 기초하여, 각각의 그리드에서 트레이닝 샘플이 출현하는 횟수 및 순간을 결정하고; 각각의 그리드에서 트레이닝 샘플이 출현하는 횟수 및 순간에 기초하여 각각의 그리드에서의 트레이닝 샘플에 대응하는 특성 값을 결정하고; 분류 모델이 상주 생활 범위 및 상주 근무 범위를 결정하기 위해 사용되도록, 각각의 그리드에서의 트레이닝 샘플에 대응하는 특성 값, 트레이닝 샘플의 실제 알려진 생활 주소 정보, 및 트레이닝 샘플의 실제 알려진 근무 주소 정보에 기초하여 분류 모델을 트레이닝한다.
임의의 그리드에서의 트레이닝 샘플에 대응하는 특성 값은, 트레이닝 샘플이 출현하는 총 횟수(total quantity of times)에 대한 그리드에서 트레이닝 샘플이 출현하는 횟수의 비율, 트레이닝 샘플이 출현하는 총 일수(total quantity of days)에 대한 그리드에서 트레이닝 샘플이 출현하는 일수(quantity of days)의 비율, 트레이닝 샘플이 출현하는 총 일수에 대한 그리드에서 트레이닝 샘플이 출현하는 평일의 수의 비율, 트레이닝 샘플이 출현하는 총 일수에 대한 그리드에서 트레이닝 샘플이 출현하는 휴일의 수의 비율, 트레이닝 샘플이 출현하는 총 일수에 대한 낮시간에 그리드에서 트레이닝 샘플이 출현하는 평일의 수의 비율, 트레이닝 샘플이 출현하는 총 일수에 대한 야간에 그리드에서 트레이닝 샘플이 출현하는 평일의 수의 비율, 트레이닝 샘플이 출현하는 총 일수에 대한 낮시간에 그리드에서 트레이닝 샘플이 출현하는 휴일의 수의 비율, 및 트레이닝 샘플이 출현하는 총 일수에 대한 야간에 그리드에서 트레이닝 샘플이 출현하는 휴일의 수의 비율 중 적어도 하나를 포함한다.
검증될 주소 정보가 검증될 생활 주소 정보인 경우, 식별 모듈(204)은, 검증될 생활 주소 정보에 대응하는 경도 및 위도에 기초하여 검증될 생활 주소 정보의 좌표를 결정하고; 검증될 생활 주소 정보의 좌표가 상주 생활 범위 내에 속하는지의 여부를 결정하고; 검증될 생활 주소 정보의 좌표가 상주 생활 범위 내에 속한다는 것을 결정하는 것에 응답하여, 검증될 주소 정보가 잘못된 주소 정보가 아니라는 것을 결정하고; 검증될 생활 주소 정보의 좌표가 상주 생활 범위 내에 속하지 않는다는 것을 결정하는 것에 응답하여, 검증될 주소 정보가 잘못된 주소 정보라는 것을 결정한다. 검증될 주소 정보가 검증될 근무 주소 정보인 경우, 식별 모듈(204)은, 검증될 근무 주소 정보에 대응하는 경도 및 위도에 기초하여 검증될 근무 주소 정보의 좌표를 결정하고; 검증될 근무 주소 정보의 좌표가 상주 근무 범위 내에 속하는지의 여부를 결정하고; 검증될 근무 주소 정보의 좌표가 상주 근무 범위 내에 속한다는 것을 결정하는 것에 응답하여, 검증될 주소 정보가 잘못된 주소 정보가 아니라는 것을 결정하고; 검증될 근무 주소 정보의 좌표가 상주 근무 범위 내에 속하지 않는다는 것을 결정하는 것에 응답하여, 검증될 주소 정보가 잘못된 주소 정보라는 것을 결정한다.
도 3에서 도시되는 잘못된 주소 정보를 식별하기 위한 설명된 장치는 서버 내에 위치될 수 있다. 서버는 하나의 디바이스일 수 있거나, 또는 복수의 디바이스를 포함하는 시스템, 즉 분산 서버일 수 있다.
1990년대에는, 기술 향상이 하드웨어 향상(예를 들면, 다이오드, 트랜지스터, 또는 스위치와 같은 회로 구조체의 향상)인지 또는 소프트웨어 향상(방법 프로시져의 향상)인지의 여부가 명백히 구별될 수 있었다. 그러나, 기술이 발전함에 따라, 많은 방법 프로시져에 대한 현재의 향상은 하드웨어 회로 구조체의 직접적인 향상으로서 간주될 수 있다. 설계자는, 대응하는 하드웨어 회로 구조체를 획득하기 위해, 향상된 방법 프로시져를 하드웨어 회로에 일반적으로 프로그래밍한다. 따라서, 하드웨어 엔티티 모듈을 사용하는 것에 의해 방법 프로시져가 향상될 수 있다. 예를 들면, 프로그래밍 가능한 논리 디바이스(programmable logic device; PLD)(예를 들면, 필드 프로그래머블 게이트 어레이(field programmable gate array; FPGA))는 그러한 집적 회로이고, 프로그래밍 가능한 논리 디바이스의 논리적 기능은 디바이스 프로그래밍을 통해 유저에 의해 결정된다. 설계자는, 칩 제조자에게 주문형 집적 회로 칩을 설계 및 생산할 것을 요청하지 않고도 디지털 시스템을 PLD에 "통합"하는 프로그래밍을 수행한다. 또한, 프로그래밍은, 집적 회로 칩을 수동으로 제조하는 대신, "논리 컴파일러" 소프트웨어를 수정하는 것에 의해 주로 구현된다. 이것은 프로그램 개발 및 컴파일링을 위해 사용되는 소프트웨어 컴파일러와 유사하다. 그러나, 컴파일링 이전의 원래 코드는 또한, 하드웨어 기술 언어(hardware description language; HDL)로 칭해지는 특정한 프로그래밍 언어로 작성된다. ABEL(Advanced Boolean Expression Language; 어드밴스드 불린 표현 언어), AHDL(Altera Hardware Description Language; 알테라 하드웨어 기술 언어), 컨플루언스(Confluence), CUPL(Cornell University Programming Language; 코넬대 프로그래밍 언어), HDCal, JHDL(Java Hardware Description Language; 자바 하드웨어 기술 언어), 라바(Lava), 롤라(Lola), MyHDL, PALASM, 및 RHDL(Ruby Hardware Description Language; 루비 하드웨어 기술 언어)과 같은 많은 HDL이 존재한다. 현재, 초고속 집적 회로 하드웨어 기술 언어(very-high-speed integrated circuit hardware description language; VHDL) 및 Verilog가 가장 일반적으로 사용된다. 기술 분야의 숙련된 자는 또한, 일단 방법 프로시져가 수개의 설명된 하드웨어 기술 언어를 사용하는 것에 의해 논리적으로 프로그래밍되고 집적 회로 안으로 프로그래밍되면, 논리적 방법 프로시져를 구현하는 하드웨어 회로가 쉽게 획득될 수 있다는 것을 이해해야 한다.
컨트롤러는 임의의 적절한 방법을 사용하는 것에 의해 구현될 수 있다. 예를 들면, 컨트롤러는 마이크로프로세서 또는 프로세서, 또는 컴퓨터 판독 가능 매체, 논리 게이트, 스위치, 주문형 집적 회로(application-specific integrated circuit; ASIC), 프로그래밍 가능 논리 컨트롤러, 또는 마이크로프로세서 또는 프로세서에 의해 실행될 수 있는 컴퓨터 판독 가능 프로그램 코드(예컨대 소프트웨어 또는 펌웨어)를 저장하는 임베딩된 마이크로프로세서일 수 있다. 컨트롤러의 예는 다음의 마이크로프로세서를 포함하지만 그러나 이들로 제한되지는 않는다: ARC 625D, Atmel(아트멜) AT91SAM, Microchip(마이크로칩) PIC18F26K20, 및 Silicone Labs(실리콘 랩스) C8051F320. 메모리 컨트롤러는 또한, 메모리의 제어 논리의 일부로서 구현될 수 있다. 기술 분야의 숙련된 자는 또한, 컨트롤러가 순수한 컴퓨터 판독 가능 프로그램 코드를 사용하는 것에 의해 구현될 수 있고, 방법에서의 단계는, 컨트롤러가, 논리 게이트, 스위치, 주문형 반도체, 프로그래밍 가능 논리 컨트롤러, 및 임베딩된 마이크로컨트롤러, 등등의 형태로, 동일한 기능을 또한 구현하는 것을 가능하게 하도록 논리적으로 프로그래밍될 수 있다는 것을 알고 있다. 따라서, 컨트롤러는 하드웨어 컴포넌트로서 간주될 수 있고, 컨트롤러에 포함되며 다양한 기능을 구현하도록 구성되는 장치도 하드웨어 컴포넌트에서의 구조체로서 또한 간주될 수 있다. 대안적으로, 다양한 기능을 구현하도록 구성되는 장치가, 방법을 구현하기 위한 소프트웨어 모듈 및 하드웨어 컴포넌트에서의 구조체 둘 모두로서 간주될 수 있다.
설명된 구현예에서 설명되는 시스템, 장치, 모듈, 또는 유닛은, 컴퓨터 칩 또는 엔티티에 의해 구현될 수 있거나, 또는 소정의 기능을 갖는 제품에 의해 구현될 수 있다. 통상적인 구현 디바이스는 컴퓨터이다. 컴퓨터는, 예를 들면, 퍼스널 컴퓨터, 랩탑 컴퓨터, 셀룰러 전화, 카메라 폰, 스마트폰, 개인 휴대형 정보 단말(personal digital assistant), 미디어 플레이어, 내비게이션 디바이스, 이메일 디바이스, 게임 콘솔, 태블릿 컴퓨터, 또는 웨어러블 디바이스, 또는 이들 디바이스 중 임의의 것의 조합일 수 있다.
설명의 용이성을 위해, 설명된 장치는 기능을 다양한 유닛으로 분할하는 것에 의해 설명된다. 물론, 본 출원이 구현될 때, 모든 유닛의 기능은 하나 이상의 단편의 소프트웨어 및/또는 하드웨어에서 구현될 수 있다.
기술 분야의 숙련된 자는, 본 개시의 구현예가, 방법, 시스템, 또는 컴퓨터 프로그램 제품으로서 제공될 수 있다는 것을 이해해야 한다. 따라서, 본 개시는 하드웨어 전용 구현예, 소프트웨어 전용 구현예, 또는 소프트웨어 및 하드웨어의 조합을 갖는 구현예의 형태를 사용할 수 있다. 또한, 본 개시는, 컴퓨터 사용 가능 프로그램 코드를 포함하는 하나 이상의 컴퓨터 사용 가능 저장 매체(디스크 메모리, CD-ROM, 및 광학 메모리를 포함하지만 그러나 이들로 제한되지는 않음) 상에서 구현되는 컴퓨터 프로그램 제품의 형태를 사용할 수 있다.
본 개시는, 본 개시의 구현예에 따른 방법, 디바이스(시스템), 및 컴퓨터 프로그램 제품의 흐름도 및/또는 블록도를 참조하여 설명된다. 컴퓨터 프로그램 명령어는 플로우차트 및/또는 블록도 내의 각각의 프로세스 및/또는 각각의 블록 및 플로우차트 및/또는 블록도 내의 프로세스 및/또는 블록의 조합을 구현하기 위해 사용될 수 있다는 것이 이해되어야 한다. 컴퓨터 또는 임의의 다른 프로그래밍 가능 데이터 프로세싱 디바이스의 프로세서에 의해 실행되는 명령어가, 플로우차트 내의 하나 이상의 프로세스에서 및/또는 블록도 내의 하나 이상의 블록에서 특정한 기능을 구현하기 위한 장치를 생성하도록, 이들 컴퓨터 프로그램 명령어는, 범용 컴퓨터, 전용 컴퓨터, 임베딩된 프로세서, 또는 임의의 다른 프로그래밍 가능 데이터 프로세싱 디바이스의 프로세서에 제공되어 머신을 생성할 수 있다.
컴퓨터 판독 가능 메모리에 저장되는 명령어가 명령어 장치를 포함하는 아티팩트(artifact)를 생성하도록, 컴퓨터 또는 임의의 다른 프로그래밍 가능 데이터 프로세싱 디바이스에게 특정한 방법으로 작동할 것을 지시할 수 있는 이들 컴퓨터 프로그램 명령어는 컴퓨터 판독 가능 메모리에 저장될 수 있다. 명령어 장치는 플로우차트 내의 하나 이상의 프로세스에서 및/또는 블록도 내의 하나 이상의 블록에서 특정한 기능을 구현한다.
일련의 동작 및 단계가 컴퓨터 또는 다른 프로그래밍 가능 디바이스 상에서 수행되고, 그에 의해 컴퓨터 구현 프로세싱을 생성하도록, 이들 컴퓨터 프로그램 명령어는, 컴퓨터 또는 다른 프로그래밍 가능 데이터 프로세싱 디바이스 상으로 로딩될 수 있다. 따라서, 컴퓨터 또는 다른 프로그래밍 가능 디바이스 상에서 실행되는 명령어는, 플로우차트 내의 하나 이상의 프로세스에서 및/또는 블록도 내의 하나 이상의 블록에서 특정한 기능을 구현하기 위한 단계를 제공한다.
통상적인 구성에서, 컴퓨팅 디바이스는 하나 이상의 프로세서(CPU), 하나 이상의 입력/출력 인터페이스, 하나 이상의 네트워크 인터페이스, 및 하나 이상의 메모리를 포함한다.
메모리는, 컴퓨터 판독 가능 매체에서 비영구적 메모리, 랜덤 액세스 메모리(random access memory; RAM) 및/또는 불휘발성 메모리, 예를 들면, 리드 온리 메모리(read-only memory; ROM) 또는 플래시 메모리(플래시 RAM)를 포함할 수 있다. 메모리는 컴퓨터 판독 가능 매체의 한 예이다.
컴퓨터 판독 가능 매체는, 임의의 방법 또는 기술을 사용하는 것에 의해 정보 저장을 구현할 수 있는, 영구적, 비영구적, 이동식, 및 비이동식 매체를 포함한다. 정보는 컴퓨터 판독 가능 명령어, 데이터 구조, 프로그램 모듈, 또는 다른 데이터일 수 있다. 컴퓨터 저장 매체는, 상변화 랜덤 액세스 메모리(phase-change random access memory; PRAM), 정적 랜덤 액세스 메모리(static random access memory: SRAM), 동적 랜덤 액세스 메모리(dynamic random access memory: DRAM), 다른 타입의 랜덤 액세스 메모리(RAM), 리드 온리 메모리(ROM), 전기적으로 소거 가능한 프로그래밍 가능 리드 온리 메모리(electrically erasable programmable read only memory: EEPROM), 플래시 메모리 또는 다른 메모리 기술, 컴팩트 디스크 리드 온리 메모리(compact disc-read only memory: CD-ROM), 디지털 다기능 디스크(digital video disk: DVD) 또는 다른 광학 스토리지, 자기 테이프, 자기 디스크 스토리지, 다른 자기 스토리지 디바이스, 또는 컴퓨팅 디바이스가 액세스할 수 있는 정보를 저장하기 위해 사용될 수 있는 임의의 다른 비송신 매체를 포함하지만, 그러나 이들로 제한되지는 않는다. 본 명세서에서의 정의에 기초하여, 컴퓨터 판독 가능 매체는 일시적 컴퓨터 판독 가능 매체(임시 매체), 예를 들면, 변조된 데이터 신호 및 캐리어를 포함하지 않는다.
엘리먼트의 리스트를 포함하는 프로세스, 방법, 상품, 또는 디바이스가, 이들 엘리먼트를 포함할 뿐만 아니라, 명시적으로 열거되지 않은 다른 엘리먼트도 또한 포함하거나, 또는 그러한 프로세스, 방법, 상품 또는 디바이스에 내재하는 엘리먼트를 더 포함하도록, "포함한다(include)", "포함한다(contain)", 또는 그들의 임의의 다른 변형예는 비 배타적인 포함을 포괄하도록 의도된다는 것을 또한 주목할 가치가 있다. "~를 포함하는(includes a ...)" 다음에 오는 엘리먼트는, 추가적인 제약 없이, 그 엘리먼트를 포함하는 프로세스, 방법, 상품, 또는 디바이스에서 추가적인 동일한 엘리먼트의 존재를 배제하지는 않는다.
기술 분야의 숙련된 자는, 본 출원의 구현예가, 방법, 시스템, 또는, 컴퓨터 프로그램 제품으로서 제공될 수 있다는 것을 이해해야 한다. 따라서, 본 출원은 하드웨어 전용 구현예, 소프트웨어 전용 구현예, 또는 소프트웨어와 하드웨어의 조합을 갖는 구현예의 형태를 사용할 수 있다. 또한, 본 출원은, 컴퓨터 사용 가능 프로그램 코드를 포함하는 하나 이상의 컴퓨터 사용 가능 저장 매체(디스크 메모리, CD-ROM, 및 광학 메모리를 포함하지만 그러나 이들로 제한되지는 않음) 상에서 구현되는 컴퓨터 프로그램 제품의 형태를 사용할 수 있다.
본 출원은, 컴퓨터에 의해 실행되는 컴퓨터 실행 가능 명령어, 예를 들면, 프로그램 모듈의 일반적인 맥락에서 설명될 수 있다. 일반적으로, 프로그램 모듈은, 특정한 작업을 실행하는 또는 특정한 추상 데이터 타입을 구현하기 위한 루틴, 프로그램, 오브젝트, 컴포넌트, 데이터 구조, 등등을 포함한다. 본 출원은 분산 컴퓨팅 환경에서도 또한 실시될 수 있다. 분산 컴퓨팅 환경에서, 작업은, 통신 네트워크를 통해 연결되는 원격 프로세싱 디바이스에 의해 수행된다. 분산 컴퓨팅 환경에서, 프로그램 모듈은, 스토리지 디바이스를 비롯한, 로컬 및 원격 컴퓨터 저장 매체 둘 모두에 위치될 수 있다.
본 명세서에서의 구현예는 점진적인 방식으로 모두 설명된다. 구현예의 동일한 또는 유사한 부분에 대해서는, 구현예에 대해 참조가 이루어질 수 있다. 각각의 구현예는 다른 구현예와의 차이점에 중점을 둔다. 특히, 시스템 구현예는 기본적으로 방법 구현예와 유사하고, 따라서, 간략하게 설명된다. 관련 부분에 대해서는, 방법 구현예의 부분적인 설명에 대한 참조가 이루어질 수 있다.
앞선 설명은 본 출원의 구현예에 불과하며, 본 출원을 제한하도록 의도되는 것은 아니다. 기술 분야의 숙련된 자는 본 출원에 대해 다양한 수정 및 변경을 가할 수 있다. 본 출원의 취지 및 원리 내에서 이루어지는 임의의 수정예, 등가적 대체예, 개선예, 등등은, 본 출원의 청구범위의 범위 내에 속할 것이다.

Claims (22)

  1. 잘못된 주소 정보(false address information)를 식별하기 위한 컴퓨터 구현(computer-implemented) 방법에 있어서,
    주소 질의(query) 정보를, 검증될 주소 정보에 대한 계정으로 송신하는 단계;
    상기 계정으로부터 상기 주소 정보를 수신하는 단계;
    미리 결정된 기간의 상기 계정으로부터의 지리적 위치 정보를 수신하는 단계;
    사전 분할을 통해 획득되는 지리적 범위에서, 트레이닝된 분류 모델 및 상기 지리적 위치 정보에 기초하여 상기 계정의 거주 범위(residential range)를 결정하는 단계 ― 사전 분할을 통해 상기 지리적 범위를 획득하는 것은:
    미리 결정된 그리드 사이즈에 기초하여 맵을 수개의(several) 그리드로 분할하는 것; 및
    상기 맵 상의 각각의 그리드를, 사전 분할을 통해 획득되는 상기 지리적 범위로서 사용하는 것
    을 포함하고, 상기 분류 모델은:
    실제 알려진 주소 정보를 갖는 수개의 계정을 트레이닝 샘플로서 결정하는 단계;
    각각의 트레이닝 샘플에 의해 보고되는 수개의 지리적 위치 정보에 기초하여, 각각의 그리드에서 상기 트레이닝 샘플이 출현하는 횟수(quantity of times)를 결정하는 단계;
    각각의 그리드에서 상기 트레이닝 샘플이 출현하는 상기 횟수에 기초하여 각각의 그리드에서의 상기 트레이닝 샘플에 대응하는 특성 값을 결정하는 단계; 및
    각각의 그리드에서의 상기 트레이닝 샘플에 대응하는 상기 특성 값 및 상기 트레이닝 샘플의 실제 알려진 주소 정보에 기초하여 상기 분류 모델을 트레이닝하는 단계
    를 포함하는 방법을 사용함으로써 트레이닝됨 ― ;
    검증될 상기 주소 정보를 상기 거주 범위와 매칭시키는 단계; 및
    상기 주소 정보와 상기 거주 범위 사이의 매칭의 결과에 기초하여, 검증될 상기 주소 정보가 잘못된 주소 정보인지의 여부를 결정하는 단계
    를 포함하는, 잘못된 주소 정보를 식별하기 위한 컴퓨터 구현 방법.
  2. 제1항에 있어서,
    상기 지리적 위치 정보는 위도 및 경도를 포함하는 것인, 잘못된 주소 정보를 식별하기 위한 컴퓨터 구현 방법.
  3. 제2항에 있어서,
    상기 지리적 위치 정보는 위치 결정 정확도(positioning accuracy)를 더 포함하는 것인, 잘못된 주소 정보를 식별하기 위한 컴퓨터 구현 방법.
  4. 제3항에 있어서,
    사전 분할을 통해 획득되는 지리적 범위에서, 트레이닝된 분류 모델, 및 미리 결정된 기간의 상기 계정에 의해 보고되는 지리적 위치 정보에 기초하여 상기 계정의 상기 거주 범위를 결정하는 단계는:
    미리 결정된 위치 결정 정확도 문턱값에 기초하여, 상기 미리 결정된 기간의 상기 계정에 의해 보고되는 상기 지리적 위치 정보로부터, 자신의 위치 결정 정확도가 상기 미리 결정된 위치 결정 정확도 문턱값 미만이 아닌 지리적 위치 정보를 결정하는 단계; 및
    사전 분할을 통해 획득되는 상기 지리적 범위에서, 상기 트레이닝된 분류 모델 및 자신의 위치 결정 정확도가 상기 미리 결정된 위치 결정 정확도 문턱값 미만이 아닌 상기 지리적 위치 정보에 기초하여 상기 계정의 상기 거주 범위를 결정하는 단계
    를 포함하는 것인, 잘못된 주소 정보를 식별하기 위한 컴퓨터 구현 방법.
  5. 제1항에 있어서,
    사전 분할을 통해 획득되는 지리적 범위에서, 트레이닝된 분류 모델, 및 상기 미리 결정된 기간의 상기 계정에 의해 보고되는 지리적 위치 정보에 기초하여 상기 계정의 상기 거주 범위를 결정하는 단계는:
    상기 미리 결정된 기간의 상기 계정에 의해 보고되는 상기 지리적 위치 정보에 기초하여 각각의 그리드에서의 상기 계정에 대응하는 특성 값을 결정하는 단계; 및
    각각의 그리드에서의 상기 계정에 대응하는 상기 특성 값을 상기 트레이닝된 분류 모델에 입력하여 상기 계정의 상기 거주 범위를 결정하는 단계
    를 포함하는 것인, 잘못된 주소 정보를 식별하기 위한 컴퓨터 구현 방법.
  6. 제1항에 있어서,
    검증될 상기 주소 정보와 상기 거주 범위 사이의 매칭의 결과에 기초하여, 검증될 상기 주소 정보가 잘못된 주소 정보인지의 여부를 결정하는 단계는:
    검증될 상기 주소 정보에 대응하는 경도 및 위도에 기초하여 검증될 상기 주소 정보의 좌표를 결정하는 단계;
    검증될 상기 주소 정보의 상기 좌표가 상기 거주 범위 내에 속하는지의 여부를 결정하는 단계; 및
    검증될 상기 주소 정보의 상기 좌표가 상기 거주 범위 내에 속한다고 결정한 것에 응답하여, 검증될 상기 주소 정보가 잘못된 주소 정보가 아니라고 결정하는 단계; 또는
    검증될 상기 주소 정보의 상기 좌표가 상기 거주 범위 내에 속하지 않는다고 결정한 것에 응답하여, 검증될 상기 주소 정보가 잘못된 주소 정보라고 결정하는 단계
    를 포함하는 것인, 잘못된 주소 정보를 식별하기 위한 컴퓨터 구현 방법.
  7. 제1항에 있어서,
    검증될 상기 주소 정보는, 검증될 생활 주소 정보(living address information) 및 검증될 근무 주소 정보(working address information)를 포함하는 것인, 잘못된 주소 정보를 식별하기 위한 컴퓨터 구현 방법.
  8. 제7항에 있어서,
    사전 분할을 통해 획득되는 지리적 범위에서, 트레이닝된 분류 모델, 및 상기 미리 결정된 기간의 상기 계정에 의해 보고되는 지리적 위치 정보에 기초하여 상기 계정의 거주 범위를 결정하는 단계는:
    사전 분할을 통해 획득되는 상기 지리적 범위에서, 상기 트레이닝된 분류 모델, 및 상기 미리 결정된 기간의 상기 계정에 의해 보고되는 상기 지리적 위치 정보에 기초하여, 상기 계정의 상주 생활 범위(resident living range) 및 상주 근무 범위(resident working range)를 결정하는 단계
    를 포함하는 것인, 잘못된 주소 정보를 식별하기 위한 컴퓨터 구현 방법.
  9. 제8항에 있어서,
    상기 분류 모델을 트레이닝하는 것은:
    실제 알려진 생활 주소 정보 및 근무 주소 정보를 갖는 수개의 계정을 트레이닝 샘플로서 결정하는 것;
    각각의 트레이닝 샘플에 의해 보고되는 수개의 지리적 위치 정보에 기초하여, 각각의 그리드에서 상기 트레이닝 샘플이 출현하는 횟수 및 순간을 결정하는 것;
    각각의 그리드에서 상기 트레이닝 샘플이 출현하는 상기 횟수 및 상기 순간에 기초하여, 각각의 그리드에서의 상기 트레이닝 샘플에 대응하는 특성 값을 결정하는 것; 및
    상기 분류 모델이 상기 상주 생활 범위 및 상기 상주 근무 범위를 결정하는데 사용되도록, 각각의 그리드에서의 상기 트레이닝 샘플에 대응하는 상기 특성 값, 상기 트레이닝 샘플의 실제 알려진 생활 주소 정보, 및 상기 트레이닝 샘플의 실제 알려진 근무 주소 정보에 기초하여 상기 분류 모델을 트레이닝하는 것
    을 포함하는 것인, 잘못된 주소 정보를 식별하기 위한 컴퓨터 구현 방법.
  10. 제9항에 있어서,
    임의의 그리드에서의 상기 트레이닝 샘플에 대응하는 상기 특성 값은:
    상기 트레이닝 샘플이 출현하는 총 횟수(total quantity of times)에 대한, 상기 그리드에서 상기 트레이닝 샘플이 출현하는 횟수의 비율;
    상기 트레이닝 샘플이 출현하는 총 일수(total quantity of days)에 대한, 상기 그리드에서 상기 트레이닝 샘플이 출현하는 일수(quantity of days)의 비율;
    상기 트레이닝 샘플이 출현하는 상기 총 일수에 대한, 상기 그리드에서 상기 트레이닝 샘플이 출현하는 평일(workday)의 수의 비율;
    상기 트레이닝 샘플이 출현하는 상기 총 일수에 대한, 상기 그리드에서 상기 트레이닝 샘플이 출현하는 휴일의 수의 비율;
    상기 트레이닝 샘플이 출현하는 상기 총 일수에 대한, 상기 그리드에서 상기 트레이닝 샘플이 낮시간에 출현하는 평일의 수의 비율;
    상기 트레이닝 샘플이 출현하는 상기 총 일수에 대한, 상기 그리드에서 상기 트레이닝 샘플이 야간에 출현하는 평일의 수의 비율;
    상기 트레이닝 샘플이 출현하는 상기 총 일수에 대한, 상기 그리드에서 상기 트레이닝 샘플이 낮시간에 출현하는 휴일의 수의 비율; 및
    상기 트레이닝 샘플이 출현하는 상기 총 일수에 대한, 상기 그리드에서 상기 트레이닝 샘플이 야간에 출현하는 휴일의 수의 비율
    중 적어도 하나를 포함하는 것인, 잘못된 주소 정보를 식별하기 위한 컴퓨터 구현 방법.
  11. 제9항에 있어서,
    상기 특성 값을 사용하는 것에 의해 상기 계정의 출현 빈도 및 상기 계정의 출현 기간 중 적어도 하나를 결정하는 단계를 더 포함하는, 잘못된 주소 정보를 식별하기 위한 컴퓨터 구현 방법.
  12. 제7항에 있어서,
    검증될 상기 주소 정보와 상기 거주 범위 사이의 매칭의 상기 결과에 기초하여, 검증될 상기 주소 정보가 잘못된 주소 정보인지의 여부를 결정하는 단계는:
    검증될 상기 주소 정보가 검증될 상기 생활 주소 정보라고 결정한 것에 응답하여,
    검증될 상기 생활 주소 정보에 대응하는 경도 및 위도에 기초하여, 검증될 상기 생활 주소 정보의 좌표를 결정하는 단계;
    검증될 상기 생활 주소 정보의 상기 좌표가 상기 계정의 상주 생활 범위 내에 속하는지의 여부를 결정하는 단계;
    검증될 상기 생활 주소 정보의 상기 좌표가 상기 상주 생활 범위 내에 속한다고 결정한 것에 응답하여, 검증될 상기 주소 정보가 잘못된 주소 정보가 아니라고 결정하거나, 또는 검증될 상기 생활 주소 정보의 상기 좌표가 상기 상주 생활 범위 내에 속하지 않는다고 결정한 것에 응답하여, 검증될 상기 주소 정보가 잘못된 주소 정보라고 결정하는 단계;
    검증될 상기 주소 정보가 검증될 상기 근무 주소 정보라고 결정한 것에 응답하여,
    검증될 상기 근무 주소 정보에 대응하는 경도 및 위도에 기초하여, 검증될 상기 근무 주소 정보의 좌표를 결정하는 단계;
    검증될 상기 근무 주소 정보의 상기 좌표가 상기 계정의 상주 근무 범위 내에 속하는지의 여부를 결정하는 단계; 및
    검증될 상기 근무 주소 정보의 상기 좌표가 상기 상주 근무 범위 내에 속한다고 결정한 것에 응답하여, 검증될 상기 주소 정보가 잘못된 주소 정보가 아니라고 결정하거나, 또는 검증될 상기 근무 주소 정보의 상기 좌표가 상기 상주 근무 범위 내에 속하지 않는다고 결정한 것에 응답하여, 검증될 상기 주소 정보가 잘못된 주소 정보라고 결정하는 단계
    를 포함하는 것인, 잘못된 주소 정보를 식별하기 위한 컴퓨터 구현 방법.
  13. 잘못된 주소 정보를 식별하기 위한 장치에 있어서,
    제1항 내지 제12항 중 어느 한 항의 컴퓨터 구현 방법을 수행하도록 구성되는 복수의 모듈을 포함하는, 잘못된 주소 정보를 식별하기 위한 장치.
  14. 삭제
  15. 삭제
  16. 삭제
  17. 삭제
  18. 삭제
  19. 삭제
  20. 삭제
  21. 삭제
  22. 삭제
KR1020197020451A 2016-12-14 2017-12-04 잘못된 주소 정보를 식별하기 위한 방법 및 장치 KR102208892B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN201611153869.5A CN107066478B (zh) 2016-12-14 2016-12-14 一种虚假地址信息识别的方法及装置
CN201611153869.5 2016-12-14
PCT/CN2017/114441 WO2018107993A1 (zh) 2016-12-14 2017-12-04 一种虚假地址信息识别的方法及装置

Publications (2)

Publication Number Publication Date
KR20190094230A KR20190094230A (ko) 2019-08-12
KR102208892B1 true KR102208892B1 (ko) 2021-01-29

Family

ID=59619172

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020197020451A KR102208892B1 (ko) 2016-12-14 2017-12-04 잘못된 주소 정보를 식별하기 위한 방법 및 장치

Country Status (7)

Country Link
US (1) US10733217B2 (ko)
EP (1) EP3557447A4 (ko)
JP (1) JP6756921B2 (ko)
KR (1) KR102208892B1 (ko)
CN (2) CN107066478B (ko)
TW (1) TWI699652B (ko)
WO (1) WO2018107993A1 (ko)

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107066478B (zh) 2016-12-14 2020-06-09 阿里巴巴集团控股有限公司 一种虚假地址信息识别的方法及装置
CN110069626B (zh) * 2017-11-09 2023-08-04 菜鸟智能物流控股有限公司 一种目标地址的识别方法、分类模型的训练方法以及设备
CN110392122B (zh) * 2018-04-16 2021-12-07 腾讯大地通途（北京）科技有限公司 地址类型的确定方法和装置、存储介质、电子装置
US10462080B1 (en) 2018-04-27 2019-10-29 Whatsapp Inc. Verifying users of an electronic messaging system
US10721242B1 (en) * 2018-04-27 2020-07-21 Facebook, Inc. Verifying a correlation between a name and a contact point in a messaging system
CN108416672A (zh) * 2018-05-11 2018-08-17 试金石信用服务有限公司 金融风险评估方法、系统、服务器及存储介质
CN109636568A (zh) * 2018-10-25 2019-04-16 深圳壹账通智能科技有限公司 电话号码的风险检测方法、装置、设备及存储介质
CN109359186B (zh) * 2018-10-25 2020-12-08 杭州时趣信息技术有限公司 一种确定地址信息的方法、装置和计算机可读存储介质
CN109919357B (zh) * 2019-01-30 2021-01-22 创新先进技术有限公司 一种数据确定方法、装置、设备及介质
CN111667127B (zh) * 2019-03-05 2023-04-18 杭州海康威视系统技术有限公司 一种智能监管方法、装置及电子设备
CN109978075B (zh) * 2019-04-04 2021-09-28 江苏满运软件科技有限公司 车辆虚假位置信息识别方法、装置、电子设备、存储介质
CN110599200B (zh) * 2019-09-10 2022-11-01 携程计算机技术（上海）有限公司 Ota酒店的虚假地址的检测方法、系统、介质及设备
CN110807068B (zh) * 2019-10-08 2022-09-23 北京百度网讯科技有限公司 换设备用户的识别方法、装置、计算机设备和存储介质
CN110708333B (zh) * 2019-10-22 2022-04-01 深圳市卡牛科技有限公司 一种位置验证方法以及相关设备
CN110807685B (zh) * 2019-10-22 2021-09-07 上海钧正网络科技有限公司 信息处理方法、装置、终端及可读存储介质
CN113034157B (zh) * 2019-12-24 2023-12-26 中国移动通信集团浙江有限公司 集团成员识别方法、装置及计算设备
CN111310462A (zh) * 2020-02-07 2020-06-19 北京三快在线科技有限公司 用户属性的确定方法、装置、设备及存储介质
US11803748B2 (en) * 2020-05-29 2023-10-31 Sap Se Global address parser
CN113076752A (zh) * 2021-03-26 2021-07-06 中国联合网络通信集团有限公司 识别地址的方法和装置
CN113722617A (zh) * 2021-09-30 2021-11-30 京东城市(北京)数字科技有限公司 企业实际办公地址的识别方法、装置及电子设备
CN115022014B (zh) * 2022-05-30 2023-07-14 平安银行股份有限公司 登录风险识别方法、装置、设备及存储介质
CN115333954B (zh) * 2022-08-10 2024-03-15 河南龙翼信息技术有限公司 虚假地址云端分析系统
CN115374713B (zh) * 2022-10-25 2022-12-27 成都新希望金融信息有限公司 一种gps真伪识别模型的训练方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140324844A1 (en) 1996-08-22 2014-10-30 Wgrs Licensing Company, Llc Unified geograhic database and methods of creating, maintaining and using the same
US20150095352A1 (en) 2013-10-01 2015-04-02 Stuart H. Lacey Systems and Methods for Sharing Verified Identity Documents
CN105447129A (zh) 2015-11-18 2016-03-30 腾讯科技（深圳）有限公司 个性化内容获取方法、用户属性挖掘方法、系统和装置
CN105787104A (zh) 2016-03-21 2016-07-20 百度在线网络技术（北京）有限公司 用户属性信息的获取方法和装置
WO2016119704A1 (zh) 2015-01-27 2016-08-04 北京嘀嘀无限科技发展有限公司 一种为按需服务提供信息的方法及系统

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6122624A (en) * 1998-05-28 2000-09-19 Automated Transaction Corp. System and method for enhanced fraud detection in automated electronic purchases
US6728767B1 (en) * 2000-08-18 2004-04-27 Cisco Technology, Inc. Remote identification of client and DNS proxy IP addresses
GB2402841B (en) * 2003-06-10 2005-05-11 Whereonearth Ltd A method of providing location based information to a mobile terminal within a communications network
US7454192B1 (en) * 2005-02-04 2008-11-18 Sprint Communications Company, L.P. Postal address validation using mobile telephone location information
US20080102819A1 (en) * 2006-10-30 2008-05-01 Henrik Bengtsson System and method for verifying contact data
US8220034B2 (en) 2007-12-17 2012-07-10 International Business Machines Corporation User authentication based on authentication credentials and location information
US8863258B2 (en) 2011-08-24 2014-10-14 International Business Machines Corporation Security for future log-on location
CN103825942B (zh) * 2014-02-24 2018-07-10 可牛网络技术（北京）有限公司 自动查询应用程序app行为报告的方法、装置及服务器
US20150310434A1 (en) 2014-04-29 2015-10-29 Dennis Takchi Cheung Systems and methods for implementing authentication based on location history
KR101667644B1 (ko) * 2014-10-10 2016-10-19 나이스평가정보 주식회사 고객정보 진위여부검증 지원시스템
CN104361023B (zh) * 2014-10-22 2018-01-30 浙江中烟工业有限责任公司 一种情境感知的移动终端烟草信息推送方法
CN104463668A (zh) * 2014-10-24 2015-03-25 南京邦科威信息科技有限公司 一种在线信用审核方法及装置
US20160132930A1 (en) * 2014-11-10 2016-05-12 Brian Handly Mobile Device Proximity Determination
CN104598573B (zh) * 2015-01-13 2017-06-16 北京京东尚科信息技术有限公司 一种用户的生活圈提取方法及系统
CN104765873B (zh) * 2015-04-24 2019-03-26 百度在线网络技术（北京）有限公司 用户相似度确定方法和装置
US20170017921A1 (en) * 2015-07-16 2017-01-19 Bandwidth.Com, Inc. Location information validation techniques
CN105260795B (zh) * 2015-10-13 2019-05-03 广西师范学院 一种基于条件随机场的重点人员位置时空预测方法
CN106027544B (zh) * 2016-06-24 2019-12-06 深圳壹账通智能科技有限公司 地址信息的校验方法、云服务器及手持终端
CN107066478B (zh) * 2016-12-14 2020-06-09 阿里巴巴集团控股有限公司 一种虚假地址信息识别的方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140324844A1 (en) 1996-08-22 2014-10-30 Wgrs Licensing Company, Llc Unified geograhic database and methods of creating, maintaining and using the same
US20150095352A1 (en) 2013-10-01 2015-04-02 Stuart H. Lacey Systems and Methods for Sharing Verified Identity Documents
WO2016119704A1 (zh) 2015-01-27 2016-08-04 北京嘀嘀无限科技发展有限公司 一种为按需服务提供信息的方法及系统
CN105447129A (zh) 2015-11-18 2016-03-30 腾讯科技（深圳）有限公司 个性化内容获取方法、用户属性挖掘方法、系统和装置
CN105787104A (zh) 2016-03-21 2016-07-20 百度在线网络技术（北京）有限公司 用户属性信息的获取方法和装置

Also Published As

Publication number Publication date
JP2020502673A (ja) 2020-01-23
KR20190094230A (ko) 2019-08-12
CN107066478B (zh) 2020-06-09
TWI699652B (zh) 2020-07-21
US10733217B2 (en) 2020-08-04
EP3557447A1 (en) 2019-10-23
CN111858937B (zh) 2024-04-30
EP3557447A4 (en) 2019-11-20
WO2018107993A1 (zh) 2018-06-21
CN107066478A (zh) 2017-08-18
TW201822032A (zh) 2018-06-16
US20190294620A1 (en) 2019-09-26
CN111858937A (zh) 2020-10-30
JP6756921B2 (ja) 2020-09-16

Similar Documents

Publication Publication Date Title
KR102208892B1 (ko) 잘못된 주소 정보를 식별하기 위한 방법 및 장치
CN108446281B (zh) 确定用户亲密度的方法、装置及存储介质
WO2019154115A1 (zh) 一种资源转移监测方法及装置
US20200143681A1 (en) Parking Identification and Availability Prediction
CA3115188C (en) Apparatus and method for providing application service using satellite image
WO2018219057A1 (zh) 选址方法及设备
KR102225194B1 (ko) 엔티티 정보를 검증하는 방법 및 장치
US11954190B2 (en) Method and apparatus for security verification based on biometric feature
CN114943307A (zh) 一种模型训练的方法、装置、存储介质以及电子设备
CN111582868B (zh) 一种交易请求的处理方法、装置及设备
CN112819611A (zh) 欺诈识别方法、装置、电子设备和计算机可读存储介质
CN109858735A (zh) 用户风险评分评定方法、装置、计算机设备及存储介质
CN116824339A (zh) 图像处理方法及装置
CN115936762A (zh) 景区人流量的预测方法、装置、设备及存储介质
CN110222056A (zh) 一种定位方法、系统及设备
CN110648213A (zh) 地址验证方法、装置、设备及计算机可读介质
CN114676344A (zh) 一种兴趣点坐标确定方法、装置、存储介质及电子设备
CN110347938A (zh) 地理信息处理方法、装置、电子设备及介质
CN111753200B (zh) 一种数据确定方法、装置、设备及介质
CN117272257A (zh) 一种职业身份认证方法、装置及设备
CN110020670B (zh) 一种模型迭代方法、装置及设备
CN116415961A (zh) 一种信息验证的方法、装置、存储介质及电子设备
CN116842570A (zh) 一种模型训练的方法以及业务风控的方法及装置
CN116401541A (zh) 一种模型训练的方法、装置、存储介质及电子设备
CN116645157A (zh) 数据处理方法、装置、电子设备和计算机可读存储介质

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
N231 Notification of change of applicant
E701 Decision to grant or registration of patent right