KR102445251B1 - 불법 상품 및 판매자 검출 방법 및 그를 위한 장치 및 시스템 - Google Patents
불법 상품 및 판매자 검출 방법 및 그를 위한 장치 및 시스템 Download PDFInfo
- Publication number
- KR102445251B1 KR102445251B1 KR1020210119034A KR20210119034A KR102445251B1 KR 102445251 B1 KR102445251 B1 KR 102445251B1 KR 1020210119034 A KR1020210119034 A KR 1020210119034A KR 20210119034 A KR20210119034 A KR 20210119034A KR 102445251 B1 KR102445251 B1 KR 102445251B1
- Authority
- KR
- South Korea
- Prior art keywords
- seller
- product
- information
- illegal
- genuine
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000010801 machine learning Methods 0.000 claims abstract description 40
- 238000012790 confirmation Methods 0.000 claims abstract description 30
- 238000001514 detection method Methods 0.000 claims description 86
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012552 review Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 24
- 239000000284 extract Substances 0.000 description 6
- 230000000903 blocking effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000003909 pattern recognition Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000013078 crystal Substances 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000005316 response function Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010044565 Tremor Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000000193 eyeblink Effects 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000010344 pupil dilation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/18—Legal services
- G06Q50/184—Intellectual property management
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Technology Law (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Burglar Alarm Systems (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
Abstract
본 발명은 불법 상품 및 판매자 검출 방법 및 그를 위한 장치 및 시스템에 관한 것으로서, 머신러닝 기술을 적용하여 불법 상품 및 판매자 검출하는 기술에 관한 것이며, 일 측면에 따른 불법 상품 및 판매자 검출 시스템에서 불법 상품 및 판매자를 검출하는 방법은 온라인상의 상품 정보를 수집하는 단계와 상기 수집된 상품 정보에 기반하여 위조 상품 후보군을 선정하는 단계와 상기 선정된 위조 상품 후보군에 상응하는 판매자 전화 번호로 자동 응답 전화 연결을 시도하는 단계와 상기 자동 응답 전화 연결에 성공한 경우, 소정 질의 응답 절차를 수행하여 정품 판매자 여부를 판단하는 단계와 상기 판단 결과, 정품 판매자인 것에 기반하여 추후 정품 판매자 확인 전화를 수신할 지 여부를 확인하는 수신 거부 확인 절차를 수행하는 단계와 상기 수신 거부 확인 절차를 통해 수신이 거부된 것에 기반하여 해당 판매자를 판매자 관리 데이터베이스에 그레이리스트로 등록하는 단계와 상기 수신 거부 확인 절차를 통해 수신이 수락된 것에 기반하여 해당 판매자를 상기 판매자 관리 데이터베이스에 화이트리스트로 등록하는 단계를 포함할 수 있다.
Description
본 발명은 불법 상품 및 판매자 검출 기술에 관한 것으로서, 상세하게, 사전 수집된 빅데이터에 기반한 학습 모델을 통해 온라인상에서 실시간 수집된 상품 판매 정보에 대한 머신 러닝을 수행함으로써, 의심 상품 및 판매자를 자동 식별할 수 있을 뿐만 아니라 식별된 의심 판매자에 대한 콜센터 질의 확인 절차를 추가적으로 수행함으로써, 보다 신뢰성이 높은 불법 상품 및 판매자 검출 방법 및 그를 위한 장치 및 시스템에 관한 것이다.
최근 IT업계의 화두로 떠오른 머신러닝은 인터넷 검색 엔진, 스팸 메일 필터링, 음악, 책, 영화 등의 콘텐츠 추천 시스템과 같은 영역에서 이미 널리 활용되고 있으며, 빅데이터·클라우드 컴퓨팅 시대에 맞춰 가치 창출을 위한 연구가 진행 중이다.
머신러닝은 빅데이터 시대에 보다 직관적인 이해를 돕기 위한 시각화(Visualization)를 지원하며, 차원(Vector) 변경 등 여러 방법을 활용하여 데이터 분석을 통해 숨겨진 데이터를 찾아주기도 한다. 머신러닝의 가장 핵심은 기계를 학습시켜 대량의 데이터에 대해 보다 정교하게 분류, 미래의 예측, 진단 및 탐지할 수 있다는 것이다. 머신러닝의 활용분야는 이미 일상생활에서 의사결정의 지원, 자동 검색과 번역 등 삶의 질 향상에 응용되고 있다.
하지만, 머리러닝을 전적으로 신뢰하기에는 아직 응용 분야에 따라 기술적인 한계가 있는 것이 현실이다.
최근 코로나 팬데믹으로 인해 온라인 판매 시장이 보다 활성화되고 있으며, 이에 따라 불법 상품 및 판매자에 대한 소비자 불만도 증가하고 있는 실정이다.
한국특허등록 제10-1839348호(이하, 특허 문헌 1)는 개인키 기반의 위조품 발견시스템, 방법 및 프로그램에 관한 것으로, 이에 따르면, 특정한 정품인증코드 확인요청을 수신하면, 정품인증서버가 클라이언트에 부여된 범용 단일 식별자(Universal Unique Identifier)를 기반으로 개인키를 생성하여 상기 클라이언트로 발급하는 개인키발급단계와, 하나 이상의 물품에 대한 정품인증코드를 동시 또는 순차적으로 수신하여, 상기 정품인증코드와 상기 정품인증코드를 전송한 클라이언트에 상응하는 개인키를 매칭하는 단계와, 상기 개인키에 매칭되는 물품리스트를 생성하여, 상기 개인키에 상응하는 클라이언트로 제공하되, 상기 물품리스트는 특정한 클라이언트로부터 상기 정품인증코드 확인요청을 수신한 물품의 내역을 지시하는 것인 물품리스트제공단계 및 상기 물품리스트 상의 물품개수와 실제 구매한 물품개수가 상이한 것으로 확인되는 경우, 상기 정품인증서버가 상기 클라이언트로부터 위조품 의심신고를 수신하는 단계를 포함한다.
그러나, 전술한 특허문헌 1은 정품인증서버에서 발급한 정품인증코드의 보유여부를 통해 위조품을 판별하는 구조로 이루어져 있으며, 등록된 코드를 허위로 작성하였을 경우, 해당 위조상품을 판별하는 것에 대하여 한계점이 있으며, 판별되는 위조품의 정확도 및 신뢰도가 떨어지는 문제점이 있다.
따라서, 불법 상품 및 판매자를 상시 모니터링하고 보다 정확히 적발함과 동시에 그에 따른 후속 조치를 빠르게 수행할 수 있는 방법이 요구되고 있다.
본 발명의 목적은 온라인상의 불법 상품 및 판매자를 검출하는 방법 및 그를 위한 장치 및 시스템을 제공하는 것이다.
본 발명의 다른 목적은 온라인상에서 실시간 수집된 상품 정보에 대한 머신 러닝을 통해 의심 상품 및 판매자를 식별할 뿐만 아니라 식별된 의심 판매자에 대한 콜센터 질의 확인 절차를 추가적으로 수행함으로써 보다 신뢰할 수 있는 불법 상품 및 판매자 검출 서비스를 제공하는 것이다.
본 발명의 다른 목적은 클라우드 환경에서 빅데이터 기반의 머신 러닝을 통해 보다 빠르고 정확하게 불법 상품 및 판매자를 검출하는 것이 가능한 불법 상품 및 판매자 검출 방법 및 그를 위한 장치 및 시스템을 제공하는 것이다.
본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재들로부터 당업자에게 명확하게 이해될 수 있을 것이다.
일 측면에 따른 불법 상품 및 판매자 검출 시스템에서 불법 상품 및 판매자를 검출하는 방법은 온라인상의 상품 정보를 수집하는 단계와 상기 수집된 상품 정보에 기반하여 위조 상품 후보군을 선정하는 단계와 상기 선정된 위조 상품 후보군에 상응하는 판매자 전화 번호로 자동 응답 전화 연결을 시도하는 단계와 상기 자동 응답 전화 연결에 성공한 경우, 소정 질의 응답 절차를 수행하여 정품 판매자 여부를 판단하는 단계와 상기 판단 결과, 정품 판매자인 것에 기반하여 추후 정품 판매자 확인 전화를 수신할 지 여부를 확인하는 수신 거부 확인 절차를 수행하는 단계와 상기 수신 거부 확인 절차를 통해 수신이 거부된 것에 기반하여 해당 판매자를 판매자 관리 데이터베이스에 그레이리스트로 등록하는 단계와 상기 수신 거부 확인 절차를 통해 수신이 수락된 것에 기반하여 해당 판매자를 상기 판매자 관리 데이터베이스에 화이트리스트로 등록하는 단계를 포함할 수 있다.
실시 예로, 상기 방법은 상기 자동 응답 전화 연결에 실패한 경우, 해당 판매자를 집중 관리 대상 리스트에 추가하는 단계와 상기 판단 결과, 정품 판매자가 아닌 것에 기반하여 해당 판매자를 상기 판매자 관리 데이터베이스에 블랙리스트로 등록하는 단계를 더 포함할 수 있다.
실시 예로, 상기 상품 정보는 상품 판매 정보, 상품 광고 정보, 상품 구매 후기 정보, 상품 구매 정보 중 적어도 하나를 포함하고, 상기 상품 정보는 사용자의 상품 선택 시 웹링크 리다이렉션(Redirection)을 통해 수집될 수 있다.
실시 예로, 상기 방법은 상기 수집된 상품 정보로부터 상품 고유 식별자를 추출하는 단계와 상기 추출된 상품 고유 식별자에 상응하여 기 등록된 정품 정보를 상품 데이터베이스로부터 획득하는 단계와 상기 추출된 상품 고유 식별자에 상응하여 기 산출된 가격 통계 정보를 통계 데이터베이스로부터 획득하는 단계와 상기 추출된 상품 고유 식별자에 상응하여 기 수집된 지식 재산권 정보를 지재권 데이터베이스로부터 획득하는 단계와 상기 상품 정보, 상기 정품 정보, 상기 가격 통계 정보 및 상기 지식 재산권 정보 중 적어도 하나에 기반한 기계 학습을 수행하여 리스크스코어(Risk Score)를 산출하는 단계와 상기 산출된 리스크스코어와 미리 설정된 임계치의 비교 결과에 기반하여 불법 상품 여부를 결정하는 단계를 더 포함할 수 있다.
실시 예로, 상기 방법은 상기 선정된 위조 상품 후보군에 상응하는 판매자 전화 번호로 화상 통화를 연결하는 단계와 상기 화상 통화를 통해 판매자와의 통화 녹취 정보 및 영상 정보 중 적어도 하나를 획득하는 단계와 상기 녹취 정보 및 상기 영상 정보 중 적어도 하나에 기반한 기계 학습을 수행하여 리스크스코어(Risk Score)를 산출하는 단계와 상기 산출된 리스크스코어와 미리 설정된 임계치의 비교 결과에 기반하여 불법 판매자 여부를 결정하는 단계를 더 포함할 수 있다.
실시 예로, 상기 방법은 과거 불법 판매 관련 수집된 빅데이터에 대한 전처리를 수행하여 학습 데이터셋을 생성하는 단계와 상기 생성된 학습 데이터셋에 기반하여 불법 판매 패턴을 분석하는 단계와 상기 분석된 불법 판매 패턴에 기반하여 기계 학습을 위한 학습 모델을 생성하는 단계를 더 포함하되, 상기 생성된 학습 모델을 통한 상기 수집된 상품 정보에 대한 기계 학습을 수행하여 상기 상품 정보에 대한 리스크스코어(Risk Score)가 산출되고, 상기 산출된 리스크스코어와 미리 설정된 임계치의 비교 결과에 기반하여 상기 상품 정보에 대한 불법 여부가 판별될 수 있다.
실시 예로, 상기 방법은 상기 상품 정보가 불법인 것에 기반하여, 상기 상품 정보가 포함된 신고 메시지를 불법 상품 및 판매자 신고 센터로 전송하는 단계를 더 포함하되, 상기 불법으로 판별된 상기 상품 정보에 상응하는 쇼핑사이트 접속, 웹페이지 접속, 결재 중 적어도 하나가 차단될 수 있다.
다른 측면에 따른 불법 상품 및 판매자 검출 시스템은 온라인상의 상품 정보를 수집하는 수단과 상기 수집된 상품 정보에 기반하여 위조 상품 후보군을 선정하는 수단과 상기 선정된 위조 상품 후보군에 상응하는 판매자 전화 번호로 자동 응답 전화 연결을 시도하는 수단과 상기 자동 응답 전화 연결에 성공한 경우, 소정 질의 응답 절차를 수행하여 정품 판매자 여부를 판단하는 수단과 상기 판단 결과, 정품 판매자인 것에 기반하여 추후 정품 판매자 확인 전화를 수신할 지 여부를 확인하는 수신 거부 확인 절차를 수행하는 수단과 상기 수신 거부 확인 절차를 통해 수신이 거부된 것에 기반하여 해당 판매자를 판매자 관리 데이터베이스에 그레이리스트로 등록하는 수단과 상기 수신 거부 확인 절차를 통해 수신이 수락된 것에 기반하여 해당 판매자를 상기 판매자 관리 데이터베이스에 화이트리스트로 등록하는 수단을 포함할 수 있다.
실시 예로, 상기 시스템은 상기 자동 응답 전화 연결에 실패한 경우, 해당 판매자를 집중 관리 대상 리스트에 추가하는 수단과 상기 판단 결과, 정품 판매자가 아닌 것에 기반하여 해당 판매자를 상기 판매자 관리 데이터베이스에 블랙리스트로 등록하는 수단을 더 포함할 수 있다.
실시 예로, 상기 상품 정보는 상품 판매 정보, 상품 광고 정보, 상품 구매 후기 정보, 상품 구매 정보 중 적어도 하나를 포함하고, 상기 상품 정보는 사용자의 상품 선택 시 웹링크 리다이렉션(Redirection)을 통해 수집될 수 있다.
실시 예로, 상기 시스템은 상기 수집된 상품 정보로부터 상품 고유 식별자를 추출하는 수단과 상기 추출된 상품 고유 식별자에 상응하여 기 등록된 정품 정보를 상품 데이터베이스로부터 획득하는 수단과 상기 추출된 상품 고유 식별자에 상응하여 기 산출된 가격 통계 정보를 통계 데이터베이스로부터 획득하는 수단과 상기 추출된 상품 고유 식별자에 상응하여 기 수집된 지식 재산권 정보를 지재권 데이터베이스로부터 획득하는 수단과 상기 상품 정보, 상기 정품 정보, 상기 가격 통계 정보 및 상기 지식 재산권 정보 중 적어도 하나에 기반한 기계 학습을 수행하여 리스크스코어(Risk Score)를 산출하는 수단과 상기 산출된 리스크스코어와 미리 설정된 임계치의 비교 결과에 기반하여 불법 상품 여부를 결정하는 수단을 더 포함할 수 있다.
실시 예로, 상기 시스템은 상기 선정된 위조 상품 후보군에 상응하는 판매자 전화 번호로 화상 통화를 연결하는 수단과 상기 화상 통화를 통해 판매자와의 통화 녹취 정보 및 영상 정보 중 적어도 하나를 획득하는 수단과 상기 녹취 정보 및 상기 영상 정보 중 적어도 하나에 기반한 기계 학습을 수행하여 리스크스코어(Risk Score)를 산출하는 수단과 상기 산출된 리스크스코어와 미리 설정된 임계치의 비교 결과에 기반하여 불법 판매자 여부를 결정하는 수단을 더 포함할 수 있다.
실시 예로, 상기 시스템은 과거 불법 판매 관련 수집된 빅데이터에 대한 전처리를 수행하여 학습 데이터셋을 생성하는 전처리부와 상기 생성된 학습 데이터셋에 기반하여 불법 판매 패턴을 분석하는 불법 상품 및 판매자 특징 추출부와 상기 분석된 불법 판매 패턴에 기반하여 기계 학습을 위한 학습 모델을 생성 및 갱신하는 학습 모델 갱신부를 더 포함하되, 상기 생성된 학습 모델을 통한 상기 수집된 상품 정보에 대한 기계 학습을 수행하여 상기 상품 정보에 대한 리스크스코어(Risk Score)가 산출되고, 상기 산출된 리스크스코어와 미리 설정된 임계치의 비교 결과에 기반하여 상기 상품 정보에 대한 불법 여부가 판별될 수 있다.
실시 예로, 상기 시스템은 상기 상품 정보가 불법인 것에 기반하여, 상기 상품 정보가 포함된 신고 메시지를 불법 상품 및 판매자 신고 센터로 전송하는 수단을 더 포함하되, 상기 불법으로 판별된 상기 상품 정보에 상응하는 쇼핑사이트 접속, 웹페이지 접속 및 결재 중 적어도 하나가 차단될 수 있다.
본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 발명은 온라인상의 불법 상품 및 판매자를 검출하는 방법 및 그를 위한 장치 및 시스템을 제공하는 장점이 있다.
또한, 본 발명은 온라인상에서 실시간 수집된 상품 정보에 대한 머신 러닝을 통해 의심 상품 및 판매자를 자동 식별할 수 있을 뿐만 아니라 식별된 의심 판매자에 대한 콜센터 질의 확인 절차를 추가적으로 수행함으로써 보다 신뢰할 수 있는 불법 상품 및 판매자 검출 서비스를 제공할 수 있는 장점이 있다.
또한, 본 발명은 클라우드 환경에서 빅데이터 기반의 머신 러닝을 통해 보다 빠르고 정확하게 불법 상품 및 판매자를 검출하는 것이 가능한 불법 상품 및 판매자 검출 방법 및 그를 위한 장치 및 시스템을 제공하는 장점이 있다.
이 외에, 본 문서를 통해 직접적 또는 간접적으로 파악되는 다양한 효과들이 제공될 수 있다.
본 명세서에 첨부되는 도면은 본 발명에 대한 이해를 제공하기 위한 것으로서 본 발명의 다양한 실시형태들을 나타내고 명세서의 기재와 함께 본 발명의 원리를 설명하기 위한 것이다.
도 1은 실시 예에 따른 불법 상품 및 불법 판매자의 검출을 위한 기계 학습 및 패턴 인식 절차를 설명하기 위한 도면이다.
도 2는 실시 예에 따른 불법 상품 및 불법 판매자 검출을 위한 위험 점수(RISK SCORE)를 설명하기 위한 도면이다.
도 3은 실시 예에 따른 불법 상품 및 판매자 검출 시스템을 설명하기 위한 도면이다.
도 4는 실시 예에 불법 상품 및 판매자 검출 서버에서의 불법 판매자 검출 방법을 설명하기 위한 도면이다.
도 5는 다른 실시 예에 따른 검출 서버에서의 불법 상품 및 판매자 검출 방법을 설명하기 위한 순서도이다.
도 6은 또 다른 실시 예에 따른 검출 서버에서의 불법 상품 및 판매자 검출 방법을 설명하기 위한 순서도이다.
도 7은 실시 예에 따른 사용자 단말에서의 불법 상품 및 판매자 검출 방법을 설명하기 위한 순서도이다.
도 8은 실시 예에 따른 검출 서버에서 빅데이터 및 머신 러닝에 기반하여 불법 상품 및 판매자를 검출하는 절차를 설명하기 위한 순서도이다.
도 9는 실시 예에 따른 사용자 단말(또는 검출 서버)의 불법 상품 및 판매자 검출 결과 화면을 보여준다.
도 10은 실시 예에 따른 자동 전화 발신을 이용한 온라인 위조상품 모니터링 방법을 설명하기 위한 순서도이다.
도 1은 실시 예에 따른 불법 상품 및 불법 판매자의 검출을 위한 기계 학습 및 패턴 인식 절차를 설명하기 위한 도면이다.
도 2는 실시 예에 따른 불법 상품 및 불법 판매자 검출을 위한 위험 점수(RISK SCORE)를 설명하기 위한 도면이다.
도 3은 실시 예에 따른 불법 상품 및 판매자 검출 시스템을 설명하기 위한 도면이다.
도 4는 실시 예에 불법 상품 및 판매자 검출 서버에서의 불법 판매자 검출 방법을 설명하기 위한 도면이다.
도 5는 다른 실시 예에 따른 검출 서버에서의 불법 상품 및 판매자 검출 방법을 설명하기 위한 순서도이다.
도 6은 또 다른 실시 예에 따른 검출 서버에서의 불법 상품 및 판매자 검출 방법을 설명하기 위한 순서도이다.
도 7은 실시 예에 따른 사용자 단말에서의 불법 상품 및 판매자 검출 방법을 설명하기 위한 순서도이다.
도 8은 실시 예에 따른 검출 서버에서 빅데이터 및 머신 러닝에 기반하여 불법 상품 및 판매자를 검출하는 절차를 설명하기 위한 순서도이다.
도 9는 실시 예에 따른 사용자 단말(또는 검출 서버)의 불법 상품 및 판매자 검출 결과 화면을 보여준다.
도 10은 실시 예에 따른 자동 전화 발신을 이용한 온라인 위조상품 모니터링 방법을 설명하기 위한 순서도이다.
이하, 본 발명의 일부 실시 예들을 예시적인 도면을 통해 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명의 실시 예를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 실시 예에 대한 이해를 방해한다고 판단되는 경우에는 그 상세한 설명은 생략한다.
본 발명의 실시 예의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 또한, 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가진 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
본 개시의 다양한 예에서, “/” 및 “,”는 “및/또는”을 나타내는 것으로 해석되어야 한다. 예를 들어, “A/B”는 “A 및/또는 B”를 의미할 수 있다. 나아가, “A, B”는 “A 및/또는 B”를 의미할 수 있다. 나아가, “A/B/C”는 “A, B 및/또는 C 중 적어도 어느 하나”를 의미할 수 있다. 나아가, “A, B, C”는 “A, B 및/또는 C 중 적어도 어느 하나”를 의미할 수 있다.
본 개시의 다양한 예에서, “또는”은 “및/또는”을 나타내는 것으로 해석되어야 한다. 예를 들어, “A 또는 B”는 “오직 A”, “오직 B”, 및/또는 “A 및 B 모두”를 포함할 수 있다. 다시 말해, “또는”은 “부가적으로 또는 대안적으로”를 나타내는 것으로 해석되어야 한다.
이하에서는 도 1 내지 도 10을 참조하여, 본원 발명에 따른 불법 상품 및 불법 판매자 검출 방법 및 그를 위한 장치 및 시스템에 대해 상세히 설명하기로 한다.
도 1은 실시 예에 따른 불법 상품 및 불법 판매자의 검출을 위한 기계 학습 및 패턴 인식 절차를 설명하기 위한 도면이다.
상기 불법 상품 및 불법 판매자의 검출을 위한 기계 학습 및 패턴 인식 수단은 후술할 도 3의 불법 상품 및 판매자 검출 서버(210)상에 구현될 수 있다.
불법 상품 및 판매자 검출 서버(210)는 클라우드 환경에서 구현될 수 있다. 이하 설명의 편의를 위해, 불법 상품 및 판매자 검출 서버를 간단히, “검출 서버“와 혼용하여 설명하기로 한다.
도 1을 참조하면, 검출 서버(100)는 빅데이터 데이터베이스(bigdata database, 10), 테스트 데이터 생성부(test data generation uint, 20), 전처리부(pre-processing unit, 30), 불법 상품 및 판매자 특징 추출부(Illegal product and seller feature extraction unit, 40), 학습부(learning unit, 50), 학습 데이터 분류 및 인식부(learning data classification and recognition unit, 60), 학습 모델 갱신부(learning model update unit, 70), 결정부(decision unit, 80) 및 출력부(display unit, 90)을 포함하여 구성될 수 있다.
실시 예로, 검출 서버(100) 내부에 미리 수집된 빅데이터가 유지될 수 있으나, 이는 하나의 실시 예에 불과하며, 빅데이터는 검출 서버(100)와 네트워크 연결된 클라우드 환경의 별도 데이터베이스 서버에 유지될 수 있다.
일 예로, 빅데이터는 불법 상품 및 불법 판매자에 대한 데이터를 포함할 수 있다. 다른 일 예로, 빅데이터는 불법 상품 및 판매자에 대한 데이터뿐만 아니라 정품 및 정상 판매자에 대한 데이터를 포함할 수 있다. 또 다른 일 예로, 빅데이터는 상술한 데이터들뿐만 아니라 불법 상품 적발 사례 관련 데이터, 불법 판매자 적발 사례 관련 데이터, 특허/상표/디자인 등의 상품 별 지적 재산권 관련 데이터, 온라인 판매 법규 관련 데이터, 상품 별 수출입 내역 관련 데이터, 전자 상거래 사업자에 관한 데이터 중 적어도 하나를 더 포함할 수 있다.
테스트 데이터 생성부(20)는 사전 정의된 규칙 및 설정에 따라 빅데이터로부터 학습 데이터를 선택 및 포맷 변환하여 테스트 데이터 집합을 생성할 수 있다.
전처리부(30)은 테스트 데이터 집합을 학습부(50)가 쉽게 인식할 수 있는 형태로 최적화(optimization) 또는 정규화(normalization)하는 작업을 수행할 수 있다.
불법 상품 및 판매자 특징 추출부(40)는 소정 특징추출과정을 통해 전처리된 데이터로부터 불법 상품 및 불법 판매자를 검출하기 위한 가장 핵심적인 특성 및 패턴을 추출할 수 있다. 여기서, 불법 상품 패턴 및 불법 판매자 패턴은 적어도 하나의 특성들의 조합으로 결정될 수 있다.
불법 상품 및 판매자 특징 추출부(40)는 정제된 데이터 집합의 특성을 분석하여 불법 상품 및 불법 판매자의 패턴을 구분할 수 있는 기준(예를 들면, 결정경계) 및 해당 패턴에 상응하는 각 특성에 대한 가중치를 결정할 수 있다.
학습부(50)는 불법 상품 및 판매자 특징 추출부(40)에 의해 결정된 패턴 별 기준 및 특성 별 가중치에 기초한 학습 모델에 기반하여 데이터 집합에 대한 기계 학습을 수행할 수 있다. 여기서, 학습부(50)는 기계 학습을 통해 해당 데이터 집합의 위험 점수(RISK SCORE)를 산출하여 출력할 수 있다. 일 예로, 위험 점수는 도 2에 도시된 바와 같이, 패턴 별 결정경계를 기준으로 어느 쪽에 얼만큼 이격되어 있는지에 기반하여 결정될 수 있다. 즉, RISK SCORE가 양의 큰 값일수록 불법일 가능성이 높으며, 음의 작은 값일 수록 정상일 가능성이 높음을 의미할 수 있다.
결정부(80)는 학습부(50)로부터 수신된 위험 점수를 소정 기준치와 비교하여 해당 데이터 집합에 대한 불법 상품 및/또는 불법 판매자 여부를 판별할 수 있다.
학습 데이터 분류 및 인식부(60)는 학습부(50)의 학습 결과 및 불법 상품 및 판매자 특징 추출부(40)에 의해 결정된 패턴 및 특성에 기초하여 해당 데이터 집합이 어느 패턴에 해당되는지 분류할 수 있다. 또한, 학습 데이터 분류 및 인식부(60)는 패턴 분류에 대한 신뢰도를 산출할 수도 있다.
학습 모델 갱신부(70)는 학습 데이터 분류 및 인식부(60)의 패턴 분류 결과 및 신뢰도에 기초하여 학습 모델을 갱신할 수 있다. 만약, 분류된 패턴의 신뢰도가 기준치 이하인 경우, 학습 모델 갱신부(70)는 해당 패턴의 특성들에 대한 가중치를 조절할 수 있다. 이때, 갱신된 학습 모델은 학습부(50)에 즉시 적용되어 다음 학습 데이터 집합에 사용될 수 있다.
출력부(90)는 학습부(50)의 학습 결과, 결정부(80)의 불법 여부 판단 결과, 학습 데이터 분류 및 인식부(60)의 패턴 분류 및 신뢰도 인식 결과를 화면으로 구성하여 출력할 수 있다. 이때, 출력부(90)에 의해 구성된 화면은 그래프, 도표 등을 포함할 수 있다.
도 2는 실시 예에 따른 불법 상품 및 불법 판매자 검출을 위한 위험 점수(RISK SCORE)를 설명하기 위한 도면이다.
실시 예에 따른 위험 점수는 패턴 별 설정된 결정 경계(Decision Boundary)를 기준으로 해당 데이터 집합의 산출될 수 있다.
일 예로, 학습 결과, 해당 데이터 집합이 A 영역에 위치하는 경우, 위험 점수는 양의 값으로 산출되어, 불법인 것으로 판별될 수 있다. 반면, 해당 데이터 집합이 B 영역에 위치하는 경우, 위험 점수는 음의 값으로 산출되며, 정상인 것으로 판별될 수 있다.
여기서, 결정 경계는 패턴 별 상이하게 설정될 수 있다. 상기한 도 2의 실시 예에서는 결정 경계가 직선인 것으로 설명되고 있으나, 이는 하나의 실시 예에 불과하며, 다른 실시 예는 곡선 또는 다른 형태로 결정될 수 있다.
도 3은 실시 예에 따른 불법 상품 및 판매자 검출 시스템을 설명하기 위한 도면이다.
이하, 설명의 편의를 위해, 불법 상품 및 판매자 검출 시스템(200)을 설명의 편의를 위해 간단히 ‘시스템’과 혼용하여 설명하기로 한다.
도 3을 참조하면, 불법 상품 및 판매자 검출 시스템(200)은 크게 불법 상품 및 판매자 검출 서버(210), 인터넷 쇼핑몰(220), 단말(230), 불법 상품 및 판매자 신고 센터(240), 콜센터(250), 판매자 관리 데이터베이스(260) 및 유/무선 통신망(270)을 포함하여 구성될 수 있다.
여기서, 단말(230)은 사용자 단말, 판매자 단말, 제보자 단말 등을 포함할 수 있다.
불법 상품 및 판매자 검출 서버(210)는 빅데이터 데이터베이스(211), 불법 상품 및 판매자 검출 로직(212), 경고 알람 및 차단 로직(213), 프로세서(214), 음성 및 영상 분석 로직(215), 설문 분석 로직(216), 광고 분석 로직(217), 피드백 분석 로직(218) 및 제보 정보 분석 로직(219) 중 적어도 하나를 포함할 수 있다.
물론, 불법 상품 및 판매자 검출 서버(210)는 유/무선 통신을 위한 통신 모듈(미도시)이 구비될 수 있다. 이하 설명의 편의를 위해, 불법 상품 및 판매자 검출 서버(210)를 간단히, 검출 서버(210)라 명하여 설명하기로 한다.
프로세서(214)는 검출 서버(210)의 전체적인 동작 및 입출력을 제어할 수 있다.
검출 서버(210)는 상품 정보 및 판매자 정보를 수집하여 빅데이터 데이터베이스(211)에 저장할 수 있다.
검출 서버(210)는 과거 적발된 불법 상품 및 불법 판매자에 대한 정보를 수집하여 빅데이터 데이터베이스(211)에 저장할 수 있다.
검출 서버(210)는 해당 상품과 관련된 지적 재산권 정보를 수집하여 빅데이터 데이터베이스(211)에 저장할 수 있다.
검출 서버(210)는 위조 상품에 대한 각종 법률 규정 및 처리 규정에 대한 정보를 수집하여 빅데이터 데이터베이스(211)에 저장할 수 있다.
검출 서버(210)는 단말(230) 및 콜센터(250)로부터 수집된 각종 정보를 빅데이터 데이터베이스(211)에 저장할 수도 있다.
불법 상품 및 판매자 검출 로직(212)은 검출 서버(210)에 구비된 각종 로직의 분석 결과를 기초로 해당 상품 및 판매자에 대한 불법 여부를 검출할 수 있다.
경고 알람 및 차단 로직(213)은 불법 상품 및/또는 불법 판매자가 검출된 경우, 경고 알람을 생성하여 해당 사용자 단말에 전송할 수 있다.
경고 알람 및 차단 로직(213)은 불법 상품 및/또는 불법 판매자가 검출된 경우, 해당 불법 상품이 판매되고 있는 사이트로의 접속 차단 또는 폐쇄시키거나, 해당 인터넷 쇼핑몰에서의 해당 불법 상품 판매 중지를 요청하는 경고 메시지를 생성 및 전송할 수 있다.
경고 알람 및 차단 로직(213)은 불법 상품 및/또는 불법 판매자가 검출된 경우, 불법 상품 및 판매자 신고 센터(240)는 해당 불법 상품 및/또는 불법 판매자에 대한 신고 메시지를 생성하여 불법 상품 및 판매자 신고 센터(240)로 전송할 수 있다. 이때, 불법 상품 및 판매자 신고 센터(240)는 신고된 불법 상품에 대한 판매 중지를 해당 인터넷 쇼핑 사이트로 전송할 수 있으며, 해당 불법 판매자에 대한 금융 거래를 차단하도록 금융 당국에 요청할 수 있다.
프로세서(214)는 불법 판매자로 의심되는 판매자가 검출된 경우, 콜센터(250)에 요청하여 해당 불법 판매자에 대한 설문 조사 정보, 녹취 정보 및 영상 통화 녹화 정보 중 적어도 하나를 획득할 수 있다.
음성 및 영상 분석 로직(215)은 콜센터(250)로부터 획득된 녹취록 및 영상 통화 내역을 분석한 후 분석 결과를 불법 상품 및 판매자 검출 로직(212)에 제공할 수 있다.
설문 분석 로직(216)은 콜센터(250)로부터 획득된 설문 조사 정보를 분석한 후 분석 결과를 불법 상품 및 판매자 검출 로직(212)에 제공할 수 있다.
광고 분석 로직(217)은 사용자 단말로부터 광고 정보를 수신할 수 있으며, 수신된 광고 정보를 분석하여 불법 상품 및 판매자 검출 로직(212)에 제공할 수 있다.
피드백 분석 로직(217)은 인터넷 쇼핑몰 등에 게재된 상품 별 후기 정보를 수집하고, 수집된 후기 정보를 분석한 후, 분석 결과를 불법 상품 및 판매자 검출 로직(212)에 제공할 수 있다.
제보 정보 분석 로직(219)은 제보자 단말로부터 불법 상품 및 불법 판매자에 대한 제보 정보를 수신할 수 있으며, 수신된 제보 정보를 분석하여 불법 상품 및 판매자 검출 로직(212)에 제공할 수 있다.
불법 상품 및 판매자 검출 로직(212)은 음성 및 영상 분석 결과, 설문 분석 결과, 광고 분석 결과, 피드백 분석 결과 및 제보 정보 분석 중 적어도 하나에 기반하여 해당 상품 및 판매자에 대한 불법 여부를 판별할 수 있다.
불법 상품 및 판매자 검출 로직(212)은 불법 판매자가 검출된 경우, 해당 불법 판매자를 블랙리스트에 추가할 수 있다. 여기서, 추가된 블랙리스트는 판매자 관리 데이터베이스(260)에 유지될 수 있다.
불법 상품 및 판매자 검출 로직(212)은 정상 판매자가 검출된 경우, 해당 정상 판매자를 화이트리스트에 추가할 수 있다. 여기서, 추가된 화이트리스트는 판매자 관리 데이터베이스(260)에 유지될 수 있다.
실시 예에 따른 검출 서버(210)는 위조상품신고 포상금 산출 로직(미도시)을 더 포함할 수 있다.
일 예로, 위조상품신고 포상금 산출 로직은 위조 신고(제보)된 상품에 대한 기 조치된 사항-예를 들면, 해당 상품의 지적 재산 권리자(특허권자/상표권자/전용실시권자 등)와 피신고자 간의 피해 보상 합의 여부, 특허청/관세청/경찰청/관세청/지방자치단체 등의 공무원에 의한 신고인지 여부, 익명이나 가명 또는 타인의 명의로 신고했는지 여부 등- 이 있는지 여부를 확인하고, 확인 결과, 기 조치된 이력이 없는 경우, 위조 여부 판단에 기초하여 포상금 지급 여부를 결정하고, 포상금 지급이 결정된 경우, 위반자의 적발금액을 산출하여, 산출된 적발금액에 기반하여 위조상품신고포상금을 산출할 수 있다. 프로세서(214)는 산출된 포상금 내역을 신고자 단말에게 문자/전화/SNS 알림 등을 통해 전송할 수 있다.
검출 서버(210)에서의 불법 상품 및 불법 판매자를 검출하는 구체적인 방법은 후술할 도면들의 설명을 통해 보다 명확해질 것이다.
도 4는 실시 예에 불법 상품 및 판매자 검출 서버에서의 불법 판매자 검출 방법을 설명하기 위한 도면이다.
도 4를 참조하면, 불법 상품 및 판매자 검출 서버(210)는 지재권 데이터베이스(410), 상품 데이터베이스(420), 정품 정보 데이터베이스(420), 판매자 관리 데이터베이스(430), 통계 데이터베이스(440), 정보 수집부(450), 정보 분석부(470), 판매자 리스트 갱신부(480), 불법 판매자 확인부(490) 및 불법 상품 및 판매자 신고부(495) 중 적어도 하나를 포함하여 구성될 수 있다.
지재권 데이터베이스(410)는 상품 및/또는 상품 판매자에 상응하여 출원/공개/등록된 저작권/상표/디자인/실용신안/특허 등에 대한 정보가 유지될 수 있다.
상품 데이터베이스(420)는 정품 정보, 불법 상품 정보, 정품 상품에 상응하는 판매 사이트 및 웹페이지 정보, 불법 상품에 상응하는 판매 사이트 및 웹페이지 정보 등이 유지될 수 있다.
판매자 관리 데이터베이스(430)는 불법 판매자에 상응하는 업체명, 판매사이트, 연락처 등이 관리되는 블랙리스트, 의심 판매자에 상응하는 업체명, 판매사이트, 연락처 등이 관리되는 그레이리스트, 정품 판매자에 상응하는 업체명, 판매사이트, 연락처 등이 관리되는 화이트리스트가 유지될 수 있다.
통계 데이터베이스(440)는 상품 별 가격 통계 정보가 유지될 수 있다. 여기서, 가격 통계 정보는 연/월/일 단위 평균 가격, 최저가, 최고가 등에 대한 정보를 포함할 수 있으나 이에 한정되지는 않는다.
정보 수집부(450)는 온라인 판매 사이트, 홈쇼핑 사이트, SNS 광고, 유튜브 광고 등에 게재된 상품 판매 정보를 수집할 수 있다. 여기서, 상품 판매 정보는 상품 이미지 정보, 판매 사이트 주소 및 링크 정보, 제품 설명 정보, 판매 가격 정보, 상품평 정보, 업체명, 판매자 주소 및 연략처 정보 등을 포함할 수 있다.
통계 산출부(460)는 정보 수집부(450)로부터 상품 별 가격 정보를 획득하여 상품 별 연/월/일 단위 평균 가격, 최저가, 최고가 등을 산출하고, 산출된 정보를 통계 데이터베이스(440)에 등록할 수 있다.
정보 분석부(470)는 지재권 데이터베이스(410), 상품 데이터베이스(420), 판매자 관리 데이터베이스(430) 및 통계 데이터베이스(440)에 유지된 빅데이터를 기초로 수집된 상품 판매 정보에 대한 머신 러닝을 수행하여 해당 상품 판매 정보의 정상 여부를 판단할 수 있다.
일 예로, 정보 분석부(470)는 머신 러닝을 통해 상품 판매 정보 별 리스크 스코어를 산출할 수 있으며, 산출된 리스크 스코어를 소정 기준치와 비교하여 해당 상품 판매 정보의 정상 여부를 판단할 수 있다. 즉, 정보 분석부(470)는 해당 상품 판매 정보의 정상 여부에 판단 결과를 기초로 의심 판매자를 추출할 수 있다.
정보 분석부(470)는 의심 판매자에 대한 콜센터 질의 확인 절차를 수행하도록 불법 판매자 확인부(490)에 요청할 수 있다.
불법 판매자 확인부(490)는 콜센터(250)로 의심 판매자에 대한 전화 번호를 전송하여 콜센터 질의 확인 절차를 개시할 수 있다.
불법 판매자 확인부(490)는 콜센터(250)로부터 질의 응답 결과를 수신할 수 있으며, 수신된 질의 응답 결과에 기초하여 해당 의심 판매자에 상응하는 판매자 리스트를 결정할 수 있다. 여기서, 판매자 리스트는 블랙리스트, 그레이리스트 및 화이트리스트를 포함할 수 있다.
불법 판매자 확인부(490)는 의심 판매자가 블랙리스트에 해당되는 경우, 불법 판매자 신고부(495)로 해당 의심 판매자에 대한 불법 판매 신고를 요청할 수 있다.
불법 판매자 신고부(495)는 해당 블랙리스트에 대한 정보를 불법 상품 및 판매자 신고 센터(240)로 전송할 수 있다.
불법 판매자 확인부(490)는 리스트 분류 결과를 판매자 리스트 갱신부(480)에 전송할 수 있다.
판매자 리스트 갱신부(480)는 불법 판매자 확인부(490)로부터 수신된 리스트 분류 결과에 기초하여 판매자 관리 데이터베이스(430)를 갱신할 수 있다.
도 5는 실시 예에 따른 검출 서버에서의 불법 상품 및 판매자 검출 방법을 설명하기 위한 순서도이다.
도 5를 참조하면, 검출 서버(210)는 사용자의 상품 선택 시 검출 서버(210)로의 리다이렉션(Redirection)을 통해 사용자의 상품 구매 정보를 획득할 수 있다(S510).
검출 서버(210)는 상품 구매 정보로부터 상품 고유 식별자를 추출할 수 있다(S520).
검출 서버(210)는 추출된 상품 고유 식별자에 상응하여 기 등록된 정품 정보를 상품 데이터베이스(420)로부터 획득할 수 있다(S530).
검출 서버(210)는 획득된 상품 구매 정보 및 정품 정보에 기반한 기계 학습을 수행하여 리스크 스코어(RISK SCORE)를 산출할 수 있다(S540).
검출 서버(210)는 산출된 리스크 스코어와 미리 설정된 임계치(Threshold)를 비교할 수 있다(S550).
검출 서버(210)는 리스크 스코어가 임계치 이상인 것에 기반하여 구매 대상 상품을 비정상 상품(또는 의심 상품)으로 결정할 수 있다(S560).
검출 서버(210)는 리스크 스코어가 임계치 미만인 것에 기반하여 구매 대상 상품을 정상 상품으로 결정할 수 있다(S570).
도 6은 다른 실시 예에 따른 검출 서버에서의 불법 상품 및 판매자 검출 방법을 설명하기 위한 순서도이다.
도 6을 참조하면, 검출 서버(210)는 사용자의 상품 선택 시 검출 서버(210)로의 리다이렉션(Redirection)을 통해 사용자의 상품 구매 정보를 획득할 수 있다(S610).
검출 서버(210)는 상품 구매 정보로부터 판매자의 연락 정보를 추출할 수 있다(S620). 일 예로, 판매자의 연락 정보는 주소 정보, 이메일 주소 정보, 전화 번호 정보 등을 포함할 수 있다.
검출 서버(210)는 자동 응답 시스템 (또는 콜센터)를 통해 판매자의 전화 번호로 자동 응답 통화, 음성 통화 또는 화상 통화를 연결하여 판매자 설문 조사 결과, 녹취 정보, 판매자와의 통화 촬영 영상 중 적어도 하나를 획득할 수 있다(S630).
검출 서버(210)는 판매자 설문 조사 결과, 녹취 정보, 판매자와의 통화 촬영 영상 중 적어도 하나에 기반한 기계 학습을 수행하여 리스크 스코어(RISK SCORE)를 산출할 수 있다(S640).
검출 서버(210)는 산출된 리스크 스코어와 미리 설정된 임계치(Threshold)를 비교할 수 있다(S650).
검출 서버(210)는 리스크 스코어가 임계치 이상인 것에 기반하여 해당 판매자를 불법 판매자(또는 의심 판매자)로 결정할 수 있다(S660).
검출 서버(210)는 리스크 스코어가 임계치 미만인 것에 기반하여 해당 판매자를 정상 판매자로 결정할 수 있다(S670).
실시 예에 따른 검출 서버(210)는 녹취 정보에 기반하여 논리적이 오류, 목소리 톤 변화, 목소리 떨림, 대화 패턴(화법), 억양 변화 등의 특징 값을 기계 학습을 통해 산출하고, 산출된 특징 값에 소정 가중치를 적용하여 리스크 스코어를 계산할 수 있다.
실시 예에 따른 검출 서버(210)는 판매자 촬영 영상에 대한 기계 학습을 통해 판매자의 동공 확장 여부, 눈 깜박임 속도, 시선 회피 회수, 표정 변화, 몸의 움직임 등에 관한 특징 값을 추출하고, 특징 값에 소정 가중치를 적용하여 리스크 스코어를 계산할 수 있다.
도 7은 또 다른 실시 예에 따른 사용자 단말에서의 불법 상품 및 판매자 검출 방법을 설명하기 위한 순서도이다.
도 7을 참조하면, 사용자 단말(230)은 불법 상품 및 판매자 검출 앱이 실행되면, 인터넷 쇼핑몰 접속 접속 링크 정보를 검출 서버(210)로 전송할 수 있다(S710 내지 S720).
사용자 단말(230)은 접속 링크 정보에 상응하는 판매자 리스트 정보를 검출 서버(210)로부터 수신할 수 있다(S730). 여기서, 판매자 리스트 정보는 블랙리스트 정보, 그레이리스트 정보, 화이트리스트 정보 중 적어도 하나를 포함할 수 있다.
사용자 단말(230)은 판매자 리스트 정보로부터 사용자 선택 상품의 판매자를 식별할 수 있다(S740).
사용자 단말(230)은 식별된 판매자가 블랙리스트에 포함되어 있는지 판단할 수 있다(S750).
판단 결과, 블랙리스트에 포함된 경우, 사용자 단말(230)은 거래 차단을 알리는 경고 메시지를 화면 일측에 출력하고, 블랙리스트 검출 메시지를 불법 판매자 검출 서버(240)로 전송할 수 있다(S751 내지 S752).
상기 750 단계의 판단 결과, 블랙리스트에 포함되지 않은 경우, 사용자 단말(230)은 식별된 판매자가 화이트리스트에 포함되어 있는지 판단할 수 있다(S760).
판단 결과, 화이트리스트에 포함된 경우, 사용자 단말(230)은 신뢰할 수 있는 상품 및 판매자임을 알리는 메시지를 화면 일측에 출력할 수 있다(S761).
상기 상기 760 단계의 판단 결과, 화이트리스트에 포함되지 않은 경우, 사용자 단말(230)은 거래 가능 상품이나 주의가 필요함을 알리는 메시지를 화면 일측에 출력할 수 있다(S762).
도 8은 실시 예에 따른 검출 서버에서 빅데이터 및 머신 러닝에 기반하여 불법 상품 및 판매자를 검출하는 절차를 설명하기 위한 순서도이다.
도 8을 참조하면, 검출 서버(210)는 과거 불법 판매 관련 수집된 빅데이터에 대한 전처리를 수행하여 학습 데이터셋을 생성할 수 있다(S810).
검출 서버(210)는 학습 데이터셋에 기반하여 불법 판매 패턴(또는 특징)을 분석할 수 있다(S820).
검출 서버(210)는 분석된 불법 판매 패턴에 기반하여 머신 러닝을 위한 학습 모델을 생성할 수 있다(S830).
검출 서버(210)는 사용자 단말(230)로부터 실시간 수집된 상품 구매 관련 정보를 생성된 학습 모델에 적용하여 리스크 스코어를 산출할 수 있다(S840).
검출 서버(210)는 산출된 리스크 스코어를 소정 임계치와 비교하여 불법 상품 및/또는 불법 판매자를 검출할 수 있다(S850).
도 9는 실시 예에 따른 사용자 단말의 불법 상품 및 판매자 검출 결과 화면을 보여준다.
도 9를 참조하면, 불법 상품 및 판매자 검출 결과 화면(900)은 크게 메시지 출력 영역(910), 위험 레벨 표시 영역(920), 판매자의 다른 판매 사이트 표시 영역(930), 판매자의 다른 판매 상품 리스트 표시 영역(940), 구매 취소 및 신고하기 버튼(950) 및 불법 판매자 판매 상품에 상응하여 캡쳐된 웹사이트 스크린샷 표시 영역(960)을 포함하여 구성될 수 있다.
도 10은 실시 예에 따른 자동 전화 발신을 이용한 온라인 위조 상품 모니터링 방법을 설명하기 위한 순서도이다.
도 10을 참조하면, 시스템은 기 수집된 상품 및 판매자 정보에 기반하여 1차적인 위조 상품 후보군을 선정할 수 있다(S1001).
시스템은 선정된 후보군의 판매자 전화 번호로 자동 전화 연결을 시도할 수 있다(S1002). 여기서, 자동 전화 연결은 미리 정의된 회수만큼 일정 시간 주기로 자동 전화 연결이 성공할 때까지 반복 시도될 수 있다.
시스템은 자동 전화 연결 성공 여부를 확인할 수 있다(S1003).
시스템은 자동 전화 연결에 성공한 경우, 자동 응답 기능을 이용하여 해당 판매자가 정품 판매자 여부를 확인할 수 있다(S1004). 일 예로, 자동 응답 장치는 안내 멘트를 통해 정품 판매자인 경우, 숫자 1을 입력하고, 정품 판매자가 아닌 경우, 숫자 2를 입력하도록 안내할 수 있다.
만약, 자동 전화 연결이 최종적으로 실패한 경우, 시스템은 해당 판매자를 집중 관리 대상 리스트에 추가할 수 있다(S1005).
시스템은 자동 응답 기능을 통한 확인 결과, 정품 판매자인 경우, 확인된 정품 판매자가 추후 정품 판매자 확인 전화를 수신할 지 여부를 확인하는 수신 거부 확인 절차를 수행할 수 있다(S1006). 일 예로, 자동 응답 장치는 안내 멘트를 통해 수신을 거부하는 경우, 숫자 0을 입력하고, 수신을 수락하는 경우 숫자 1을 입력하도록 안내할 수 있다.
만약, 자동 응답 기능을 통한 확인 결과, 정품 판매자가 아닌 경우, 시스템은 해당 판매자를 블랙리스트에 추가할 수 있다(S1007).
상기 1406 단계에서, 판매자에 의해 수신 거부된 경우, 시스템은 해당 판매자를 그레이 리스트에 추가할 수 있다(S1008).
상기 1406 단계에서, 판매자에 의해 수신 수락된 경우, 시스템은 DB 등록 관리자로 전화를 연결하여 해당 판매자에 대한 판매자 정보를 획득하고, 획득된 판매자 정보를 정품 판매자 DB에 등록할 수 있다(S1009). 여기서, 시스템은 수신 수락한 판매자에게 정품 판매자 정보 등록 여부를 질의 확인할 수 있으며, 확인 결과, 판매자가 정품 판매자 정보 등록을 원할 경우, 판매자와 DB 등록 관리자의 전화 연결을 시도할 수 있다. 만약, DB 등록 관리자의 부재로 인해 전화 연결에 실패한 경우, 시스템은 정품 판매자 정보 등록을 위한 통화 예약 정보를 입력 받아 저장할 수 있다. 일 예로, 판매자가 숫자 "08121400"을 입력한 경우, 시스템은 8월12일 오후 2시에 통화가 가능하다는 의미로 해석할 수 있다.
본 명세서에 개시된 실시 예들과 관련하여 설명된 방법 또는 알고리즘의 단계는 프로세서에 의해 실행되는 하드웨어, 소프트웨어 모듈, 또는 그 2 개의 결합으로 직접 구현될 수 있다. 소프트웨어 모듈은 RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터, 하드 디스크, 착탈형 디스크, CD-ROM과 같은 저장 매체(즉, 메모리 및/또는 스토리지)에 상주할 수도 있다.
예시적인 저장 매체는 프로세서에 커플링되며, 그 프로세서는 저장 매체로부터 정보를 판독할 수 있고 저장 매체에 정보를 기입할 수 있다. 다른 방법으로, 저장 매체는 프로세서와 일체형일 수도 있다. 프로세서 및 저장 매체는 주문형 집적회로(ASIC) 내에 상주할 수도 있다. ASIC는 사용자 단말기 내에 상주할 수도 있다. 다른 방법으로, 프로세서 및 저장 매체는 사용자 단말기 내에 개별 컴포넌트로서 상주할 수도 있다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다.
따라서, 본 발명에 개시된 실시 예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시 예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
Claims (14)
- 불법 상품 및 판매자 검출 시스템에서 불법 상품 및 판매자를 검출하는 방법에 있어서,
온라인상의 상품 정보를 수집하는 단계;
상기 수집된 상품 정보에 기반하여 위조 상품 후보군을 선정하는 단계;
상기 선정된 위조 상품 후보군에 상응하는 판매자 전화 번호로 자동 응답 전화 연결을 시도하는 단계;
상기 자동 응답 전화 연결에 성공한 경우, 소정 질의 응답 절차를 수행하여 정품 판매자 여부를 판단하는 단계;
상기 판단 결과, 정품 판매자인 것에 기반하여 추후 정품 판매자 확인 전화를 수신할 지 여부를 확인하는 수신 거부 확인 절차를 수행하는 단계;
상기 수신 거부 확인 절차를 통해 수신이 거부된 것에 기반하여 해당 판매자를 판매자 관리 데이터베이스에 그레이리스트로 등록하는 단계; 및
상기 수신 거부 확인 절차를 통해 수신이 수락된 것에 기반하여 해당 판매자를 상기 판매자 관리 데이터베이스에 화이트리스트로 등록하는 단계; 를 포함하고,
상기 수집된 상품 정보로부터 상품 고유 식별자를 추출하는 단계;
상기 추출된 상품 고유 식별자에 상응하여 기 등록된 정품 정보를 상품 데이터베이스로부터 획득하는 단계;
상기 추출된 상품 고유 식별자에 상응하여 기 산출된 가격 통계 정보를 통계 데이터베이스로부터 획득하는 단계;
상기 추출된 상품 고유 식별자에 상응하여 기 수집된 지식 재산권 정보를 지재권 데이터베이스로부터 획득하는 단계;
상기 상품 정보, 상기 정품 정보, 상기 가격 통계 정보 및 상기 지식 재산권 정보 중 적어도 하나에 기반한 기계 학습을 수행하여 리스크스코어(Risk Score)를 산출하는 단계; 및
상기 산출된 리스크스코어와 미리 설정된 임계치의 비교 결과에 기반하여 불법 상품 여부를 결정하는 단계; 를 포함하며,
상기 선정된 위조 상품 후보군에 상응하는 판매자 전화 번호로 화상 통화를 연결하는 단계;
상기 화상 통화를 통해 판매자와의 통화 녹취 정보 및 영상 정보 중 적어도 하나를 획득하는 단계;
상기 녹취 정보 및 상기 영상 정보 중 적어도 하나에 기반한 기계 학습을 수행하여 리스크스코어(Risk Score)를 산출하는 단계; 및
상기 산출된 리스크스코어와 미리 설정된 임계치의 비교 결과에 기반하여 불법 판매자 여부를 결정하는 단계
를 포함하는, 방법. - 제1항에 있어서,
상기 자동 응답 전화 연결에 실패한 경우, 해당 판매자를 집중 관리 대상 리스트에 추가하는 단계; 및
상기 판단 결과, 정품 판매자가 아닌 것에 기반하여 해당 판매자를 상기 판매자 관리 데이터베이스에 블랙리스트로 등록하는 단계
를 더 포함하는, 방법. - 제1항에 있어서,
상기 상품 정보는 상품 판매 정보, 상품 광고 정보, 상품 구매 후기 정보, 상품 구매 정보 중 적어도 하나를 포함하고, 상기 상품 정보는 사용자의 상품 선택 시 웹링크 리다이렉션(Redirection)을 통해 수집되는 것을 특징으로 하는, 방법. - 삭제
- 삭제
- 제1항에 있어서,
과거 불법 판매 관련 수집된 빅데이터에 대한 전처리를 수행하여 학습 데이터셋을 생성하는 단계;
상기 생성된 학습 데이터셋에 기반하여 불법 판매 패턴을 분석하는 단계; 및
상기 분석된 불법 판매 패턴에 기반하여 기계 학습을 위한 학습 모델을 생성하는 단계
를 더 포함하되, 상기 생성된 학습 모델을 통한 상기 수집된 상품 정보에 대한 기계 학습을 수행하여 상기 상품 정보에 대한 리스크스코어(Risk Score)가 산출되고, 상기 산출된 리스크스코어와 미리 설정된 임계치의 비교 결과에 기반하여 상기 상품 정보에 대한 불법 여부가 판별되는 것을 특징으로 하는, 방법. - 제6항에 있어서,
상기 상품 정보가 불법인 것에 기반하여, 상기 상품 정보가 포함된 신고 메시지를 불법 상품 및 판매자 신고 센터로 전송하는 단계를 더 포함하되,
상기 불법으로 판별된 상기 상품 정보에 상응하는 쇼핑사이트 접속, 웹페이지 접속 및 결제 중 적어도 하나가 차단되는 것을 특징으로 하는, 방법. - 온라인상의 상품 정보를 수집하는 수단;
상기 수집된 상품 정보에 기반하여 위조 상품 후보군을 선정하는 수단;
상기 선정된 위조 상품 후보군에 상응하는 판매자 전화 번호로 자동 응답 전화 연결을 시도하는 수단;
상기 자동 응답 전화 연결에 성공한 경우, 소정 질의 응답 절차를 수행하여 정품 판매자 여부를 판단하는 수단;
상기 판단 결과, 정품 판매자인 것에 기반하여 추후 정품 판매자 확인 전화를 수신할 지 여부를 확인하는 수신 거부 확인 절차를 수행하는 수단;
상기 수신 거부 확인 절차를 통해 수신이 거부된 것에 기반하여 해당 판매자를 판매자 관리 데이터베이스에 그레이리스트로 등록하는 수단; 및
상기 수신 거부 확인 절차를 통해 수신이 수락된 것에 기반하여 해당 판매자를 상기 판매자 관리 데이터베이스에 화이트리스트로 등록하는 수단; 을 포함하고,
상기 수집된 상품 정보로부터 상품 고유 식별자를 추출하는 수단;
상기 추출된 상품 고유 식별자에 상응하여 기 등록된 정품 정보를 상품 데이터베이스로부터 획득하는 수단;
상기 추출된 상품 고유 식별자에 상응하여 기 산출된 가격 통계 정보를 통계 데이터베이스로부터 획득하는 수단;
상기 추출된 상품 고유 식별자에 상응하여 기 수집된 지식 재산권 정보를 지재권 데이터베이스로부터 획득하는 수단;
상기 상품 정보, 상기 정품 정보, 상기 가격 통계 정보 및 상기 지식 재산권 정보 중 적어도 하나에 기반한 기계 학습을 수행하여 리스크스코어(Risk Score)를 산출하는 수단; 및
상기 산출된 리스크스코어와 미리 설정된 임계치의 비교 결과에 기반하여 불법 상품 여부를 결정하는 수단; 을 포함하며,
상기 선정된 위조 상품 후보군에 상응하는 판매자 전화 번호로 화상 통화를 연결하는 수단;
상기 화상 통화를 통해 판매자와의 통화 녹취 정보 및 영상 정보 중 적어도 하나를 획득하는 수단;
상기 녹취 정보 및 상기 영상 정보 중 적어도 하나에 기반한 기계 학습을 수행하여 리스크스코어(Risk Score)를 산출하는 수단; 및
상기 산출된 리스크스코어와 미리 설정된 임계치의 비교 결과에 기반하여 불법 판매자 여부를 결정하는 수단
을 포함하는, 불법 상품 및 판매자 검출 시스템. - 제8항에 있어서,
상기 자동 응답 전화 연결에 실패한 경우, 해당 판매자를 집중 관리 대상 리스트에 추가하는 수단; 및
상기 판단 결과, 정품 판매자가 아닌 것에 기반하여 해당 판매자를 상기 판매자 관리 데이터베이스에 블랙리스트로 등록하는 수단
을 더 포함하는, 불법 상품 및 판매자 검출 시스템. - 제8항에 있어서,
상기 상품 정보는 상품 판매 정보, 상품 광고 정보, 상품 구매 후기 정보, 상품 구매 정보 중 적어도 하나를 포함하고, 상기 상품 정보는 사용자의 상품 선택 시 웹링크 리다이렉션(Redirection)을 통해 수집되는 것을 특징으로 하는, 불법 상품 및 판매자 검출 시스템. - 삭제
- 삭제
- 제8항에 있어서,
과거 불법 판매 관련 수집된 빅데이터에 대한 전처리를 수행하여 학습 데이터셋을 생성하는 전처리부;
상기 생성된 학습 데이터셋에 기반하여 불법 판매 패턴을 분석하는 불법 상품 및 판매자 특징 추출부; 및
상기 분석된 불법 판매 패턴에 기반하여 기계 학습을 위한 학습 모델을 생성 및 갱신하는 학습 모델 갱신부;
를 더 포함하되, 상기 생성된 학습 모델을 통한 상기 수집된 상품 정보에 대한 기계 학습을 수행하여 상기 상품 정보에 대한 리스크스코어(Risk Score)가 산출되고, 상기 산출된 리스크스코어와 미리 설정된 임계치의 비교 결과에 기반하여 상기 상품 정보에 대한 불법 여부가 판별되는 것을 특징으로 하는, 불법 상품 및 판매자 검출 시스템. - 제13항에 있어서,
상기 상품 정보가 불법인 것에 기반하여, 상기 상품 정보가 포함된 신고 메시지를 불법 상품 및 판매자 신고 센터로 전송하는 수단을 더 포함하되,
상기 불법으로 판별된 상기 상품 정보에 상응하는 쇼핑사이트 접속, 웹페이지 접속 및 결제 중 적어도 하나가 차단되는 것을 특징으로 하는, 불법 상품 및 판매자 검출 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210119034A KR102445251B1 (ko) | 2021-09-07 | 2021-09-07 | 불법 상품 및 판매자 검출 방법 및 그를 위한 장치 및 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210119034A KR102445251B1 (ko) | 2021-09-07 | 2021-09-07 | 불법 상품 및 판매자 검출 방법 및 그를 위한 장치 및 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102445251B1 true KR102445251B1 (ko) | 2022-09-20 |
Family
ID=83446630
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210119034A KR102445251B1 (ko) | 2021-09-07 | 2021-09-07 | 불법 상품 및 판매자 검출 방법 및 그를 위한 장치 및 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102445251B1 (ko) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100759536B1 (ko) * | 2007-05-31 | 2007-09-19 | 대한민국 | 위조상품 선별 시스템 및 방법 |
| KR20140118568A (ko) * | 2013-03-29 | 2014-10-08 | 삼성전자주식회사 | 전화 통화 참가자 인증 시스템, 장치, 방법 및 컴퓨터 판독 가능한 기록 매체 |
| KR101635396B1 (ko) * | 2015-08-10 | 2016-07-01 | 조준호 | 전자 상거래 방법 |
| KR101839348B1 (ko) | 2016-07-13 | 2018-03-22 | 주식회사 비케이소프트 | 개인키 기반의 위조품 발견시스템, 방법 및 프로그램 |
| KR20210009051A (ko) * | 2019-07-16 | 2021-01-26 | 주식회사 구하다 | 블록체인 기반의 쇼핑몰에서 제품을 사전에 검증하는 방법 및 그 시스템 |
-
2021
- 2021-09-07 KR KR1020210119034A patent/KR102445251B1/ko active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100759536B1 (ko) * | 2007-05-31 | 2007-09-19 | 대한민국 | 위조상품 선별 시스템 및 방법 |
| KR20140118568A (ko) * | 2013-03-29 | 2014-10-08 | 삼성전자주식회사 | 전화 통화 참가자 인증 시스템, 장치, 방법 및 컴퓨터 판독 가능한 기록 매체 |
| KR101635396B1 (ko) * | 2015-08-10 | 2016-07-01 | 조준호 | 전자 상거래 방법 |
| KR101839348B1 (ko) | 2016-07-13 | 2018-03-22 | 주식회사 비케이소프트 | 개인키 기반의 위조품 발견시스템, 방법 및 프로그램 |
| KR20210009051A (ko) * | 2019-07-16 | 2021-01-26 | 주식회사 구하다 | 블록체인 기반의 쇼핑몰에서 제품을 사전에 검증하는 방법 및 그 시스템 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11989740B2 (en) | Reducing false positives using customer feedback and machine learning | |
| US11695755B2 (en) | Identity proofing and portability on blockchain | |
| US9348896B2 (en) | Dynamic network analytics system | |
| WO2018090839A1 (zh) | 身份认证系统、方法、装置及账号认证方法 | |
| US20200193443A1 (en) | System and methods for dynamically determined contextual, user-defined, and adaptive authentication challenges | |
| US20240064135A1 (en) | Identity Proofing and Portability on Blockchain | |
| CN112581259B (zh) | 账户风险识别方法及装置、存储介质、电子设备 | |
| KR20130095548A (ko) | 금융거래패턴분석을 이용한 금융사기 경보 시스템 및 방법 | |
| CN111553701A (zh) | 一种基于会话的风险交易确定方法和装置 | |
| KR101999765B1 (ko) | 데이터마이닝 기술을 이용한 금융 사기 대출 패턴화 분석 시스템 및 방법 | |
| WO2021053646A1 (en) | Detection of presence of malicious tools on mobile devices | |
| US20220215393A1 (en) | Real-time updating of a security model | |
| US20140180765A1 (en) | Web-based survey verification | |
| US20230360051A1 (en) | Detecting unauthorized online applications using machine learning | |
| KR102445251B1 (ko) | 불법 상품 및 판매자 검출 방법 및 그를 위한 장치 및 시스템 | |
| KR102445252B1 (ko) | 판매자정보를 이용한 불법 상품 및 판매자 검출 방법 및 그를 위한 장치 및 시스템 | |
| KR20200107628A (ko) | 위치 정보를 이용한 중고차 대출 정보 제공 시스템 및 그 방법 | |
| CN110852762B (zh) | 商户识别方法及装置、电子设备、存储介质 | |
| CN116502202A (zh) | 基于nlp技术判断用户权限模型一致性的方法及装置 |