KR20180081101A - 사용자 신용 점수를 최적화하기 위한 방법 및 장치 - Google Patents

사용자 신용 점수를 최적화하기 위한 방법 및 장치 Download PDF

Info

Publication number
KR20180081101A
KR20180081101A KR1020187015855A KR20187015855A KR20180081101A KR 20180081101 A KR20180081101 A KR 20180081101A KR 1020187015855 A KR1020187015855 A KR 1020187015855A KR 20187015855 A KR20187015855 A KR 20187015855A KR 20180081101 A KR20180081101 A KR 20180081101A
Authority
KR
South Korea
Prior art keywords
social
user
users
target
credit score
Prior art date
Application number
KR1020187015855A
Other languages
English (en)
Other versions
KR102121360B1 (ko
Inventor
페이쉬안 천
첸 천
린 리
즈빈 류
Original Assignee
텐센트 테크놀로지(센젠) 컴퍼니 리미티드
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 텐센트 테크놀로지(센젠) 컴퍼니 리미티드 filed Critical 텐센트 테크놀로지(센젠) 컴퍼니 리미티드
Publication of KR20180081101A publication Critical patent/KR20180081101A/ko
Application granted granted Critical
Publication of KR102121360B1 publication Critical patent/KR102121360B1/ko

Links

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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0609—Buyer or seller confidence or verification
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q50/01—Social networking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q40/025—
    • 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
    • G06Q40/03—Credit; Loans; Processing thereof

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Primary Health Care (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Technology Law (AREA)
  • Educational Administration (AREA)
  • Mathematical Analysis (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Algebra (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

사용자 신용 점수를 최적화하기 위한 방법 및 장치. 본 방법은, 다수의 소셜 사용자 집합들에서의 사용자 각각의 초기 신용 점수를 획득하는 단계(S101); 소셜 사용자 집합 각각에서의 사용자 각각의 초기 신용 점수에 따라 소셜 사용자 집합 각각의 초기 신용 점수를 획득하는 단계(S102); 매 2개의 소셜 사용자 집합들에서의 사용자들의 소셜 관계에 따라 매 2개의 소셜 사용자 집합들 사이의 소셜 관계를 결정하는 단계(S103); 타겟 소셜 사용자 집합과의 소셜 관계를 갖는 적어도 하나의 소셜 사용자 집합의 신용 점수 및 적어도 하나의 소셜 사용자 집합과 타겟 소셜 사용자 집합 사이의 소셜 관계에 따라 타겟 소셜 사용자 집합의 신용 점수를 최적화하고 조정하는 단계(S104); 및 타겟 소셜 사용자 집합의 최적화되고 조정된 신용 점수에 따라 타겟 소셜 사용자 집합에서의 사용자 각각의 신용 점수를 수정하는 단계(S105)를 포함한다.

Description

사용자 신용 점수를 최적화하기 위한 방법 및 장치
<관련된 출원>
본 출원은 2016년 6월 6일 중국 특허청에 출원된 "OPTIMIZATION METHOD AND APPARATUS FOR CREDIT SCORE OF USER"라는 명칭의 중국 특허 출원 제201610396866.8호에 대한 우선권을 주장하고, 이는 그 전부가 참조로 원용된다.
<기술분야>
본 출원은 인터넷 기술 분야에, 특히, 사용자의 신용 점수에 대한 최적화 방법 및 장치에 관한 것이다.
최근 몇 년 동안 인터넷 기술이 급속히 발전함에 따라, 사람들은 인터넷을 사용하여 점점 더 많은 수의 다양한 데이터 서비스들을 처리하고, 사용자의 신용 평가 또한 인터넷 기술 분야에서 집중 문제점이 된다.
기존의 기술에서는, 일반적으로, 사용자에 대한 신용 등급 방법에서, 사용자의 개인 정보가 수집되고, 다음으로 통계 모델 또는 머신 학습의 일부 예측 알고리즘들, 예를 들어, 자주 사용되는 FICO 신용 점수 시스템 및 Zestfinace 신용 등급 시스템을 사용하여 사용자의 채무 불이행 리스크가 예측된다. 기존의 신용 점수 메커니즘에서는, 사용자의 규모의 정보만 사용된다. 사용자의 개인 정보가 불완전하게 또는 실수로 수집되면, 사용자에 대해 정확한 신용 등급을 구현하기가 매우 어렵다.
이러한 것을 고려하여, 본 출원의 실시예들은 사용자의 신용 점수에 대한 최적화 방법 및 장치를 제공하여, 사용자의 신용 점수의 정확성을 효과적으로 증가시킨다.
전술한 기술적 문제점을 해결하기 위해, 본 출원의 실시예는 사용자의 신용 점수에 대한 최적화 방법을 제공하고, 이러한 방법은,
다수의 소셜 사용자 집합들에서의 사용자들의 초기 신용 점수들을 획득하는 단계;
소셜 사용자 집합들에서의 사용자들의 초기 신용 점수들에 따라 소셜 사용자 집합들의 초기 신용 점수들을 획득하는 단계;
2개의 소셜 사용자 집합들 각각 사이의 소셜 관계를 2개의 소셜 사용자 집합들 각각에서의 사용자들 사이의 소셜 관계에 따라 결정하는 단계;
타겟 소셜 사용자 집합과의 소셜 관계를 갖는 적어도 하나의 소셜 사용자 집합의 신용 점수 및 적어도 하나의 소셜 사용자 집합과 타겟 소셜 사용자 집합 사이의 소셜 관계에 따라, 타겟 소셜 사용자 집합의 신용 점수를 최적화하고 조정하는 단계; 및
타겟 소셜 사용자 집합의 최적화되고 조정된 신용 점수에 따라 타겟 소셜 사용자 집합에서의 사용자들의 신용 점수들을 수정하는 단계를 포함한다.
이에 대응하여, 본 출원의 실시예는 사용자의 신용 점수에 대한 최적화 장치를 추가로 제공하고, 이러한 장치는 적어도 프로세서 및 메모리를 포함하고, 메모리는 사용자 점수 획득 모듈, 집합 관계 획득 모듈, 집합 점수 획득 모듈, 집합 점수 최적화 모듈, 및 사용자 점수 수정 모듈을 저장하고, 프로세서에 의해 실행될 때,
사용자 점수 획득 모듈은 다수의 소셜 사용자 집합들에서의 사용자들의 초기 신용 점수들을 획득하도록 구성되고;
집합 점수 획득 모듈은 소셜 사용자 집합들에서의 사용자들의 초기 신용 점수들에 따라 소셜 사용자 집합들의 초기 신용 점수들을 획득하도록 구성되고;
집합 관계 획득 모듈은 2개의 소셜 사용자 집합들 각각에서의 사용자들 사이의 소셜 관계에 따라 2개의 소셜 사용자 집합들 각각 사이의 소셜 관계를 결정하도록 구성되고;
집합 점수 최적화 모듈은, 타겟 소셜 사용자 집합과의 소셜 관계를 갖는 적어도 하나의 소셜 사용자 집합의 신용 점수 및 적어도 하나의 소셜 사용자 집합과 타겟 소셜 사용자 집합 사이의 소셜 관계에 따라, 타겟 소셜 사용자 집합의 신용 점수를 최적화하고 조정하도록 구성되고;
사용자 점수 수정 모듈은 타겟 소셜 사용자 집합의 최적화되고 조정된 신용 점수에 따라 타겟 소셜 사용자 집합에서의 사용자들의 신용 점수들을 수정하도록 구성된다.
본 출원의 실시예들에서의 또는 기존의 기술에서의 기술적 해결책들을 보다 명확하게 설명하기 위해, 이하는 실시예들 또는 기존의 기술들을 설명하기 위해 요구되는 첨부 도면들을 간단하게 설명한다. 명백히, 이하의 설명에서의 첨부 도면들은 단지 본 출원의 일부 실시예들을 도시하고, 해당 분야에의 통상의 기술자는 창의적인 노력들 없이도 이러한 첨부 도면들로부터 다른 도면들을 여전히 도출할 수 있다.
도 1은 본 출원의 실시예에 따른 사용자의 신용 점수에 대한 최적화 방법의 개략적인 흐름도이다.
도 2는 본 출원의 실시예에 따른 사용자의 소셜 관계의 계층적 처리의 개략적인 도면이다.
도 3은 본 출원의 실시예에 따른 소셜 사용자 집합의 신용 점수에 대해 최적화 및 반복을 수행하는 개략적인 흐름도이다.
도 4는 본 출원의 다른 실시예에 따른 사용자의 신용 점수에 대한 최적화 방법의 개략적인 흐름도이다.
도 5는 본 출원의 실시예에 따른 타겟 소셜 사용자 집합에서의 사용자의 신용 점수에 대해 최적화 및 반복을 수행하는 개략적인 흐름도이다.
도 6은 본 출원의 실시예에 따른 사용자의 신용 점수에 대한 최적화 장치의 개략적인 구조도이다.
도 7은 본 출원의 실시예에 따른 집합 점수 최적화 모듈의 개략적인 구조도이다.
도 8은 본 출원의 실시예에 따른 사용자 점수 최적화 모듈의 개략적인 구조도이다.
도 9는 본 출원의 실시예에 따른 사용자의 신용 점수에 대한 최적화 장치의 하드웨어 구조의 블록도이다.
이하는 본 출원의 실시예들에서의 첨부 도면들을 참조하여 본 출원의 실시예들에서의 기술적 해결책들을 명확하고 완전하게 설명한다. 명백히, 설명되는 실시예들은 실시예들의 전부라기 보다는 본 출원의 일부 실시예들이다. 창의적인 노력들 없이 본 출원의 실시예들에 기초하여 해당 분야에서의 통상의 기술자에 의해 획득되는 모든 다른 실시예들이 본 출원의 보호 범위 내에 있을 것이다.
본 출원의 실시예들에서의 사용자의 신용 점수의 최적화 방법 및 장치는, 개인용 컴퓨터, 노트북 컴퓨터, 스마트폰, 태블릿 컴퓨터, 또는 전자 판독기와 같은, 컴퓨터 시스템에서 구현될 수 있다. 이하는 사용자의 신용 점수에 대한 최적화 장치를 본 출원의 실시예들의 실행 본체로서 사용하여 설명들을 제공한다.
도 1은 본 출원의 실시예에 따른 사용자의 신용 점수에 대한 최적화 방법의 개략적인 흐름도이다. 도면에 도시되는 바와 같이, 본 실시예에서, 사용자의 신용 점수에 대한 최적화 방법은 이하의 프로시저를 포함할 수 있다.
S101: 다수의 소셜 사용자 집합들에서의 사용자들의 초기 신용 점수들을 획득함.
구체적으로, 다수의 소셜 사용자 집합들에서의 사용자들의 초기 신용 점수는 사용자의 신용 점수에 대한 최적화 장치 내로 임포트될 수 있고; 대안적으로, 사용자의 신용 점수에 대한 최적화 장치는 사용자들의 개인 정보를 획득하고, 사용자들의 개인 정보 및 구체적인 예측 모델에 따라 신용 점수화를 수행하여, 다수의 소셜 사용자 집합들에서의 사용자들의 초기 신용 점수들을 획득할 수 있고; 대안적으로, 사용자의 신용 점수에 대한 최적화 장치는 본 출원을 구현하는 것에 의해 사용자들의 최적화된 신용 점수들을 획득하고, 최적화된 신용 점수들을 다수의 소셜 사용자 집합들에서의 사용자들의 초기 신용 점수들로서 사용할 수 있다. 예를 들어, 현재 신용 점수들이 최적화될 때, 이전 최적화에서 획득된 사용자들의 신용 점수들이 본 최적화에서의 초기 신용 점수들로서 사용될 수 있다. 사용자들의 신용 점수들을 최적화하는 것은 관리자에 의해 수동으로 트리거될 수 있거나, 또는 업데이트 사이클에 따라 또는 신규 사용자 또는 소셜 사용자 집합을 추가하는 이벤트에 따라 트리거될 수 있다.
실시예에서, 사용자의 초기 신용 점수가 누락되어 있으면, 소셜 친구들, 동료들, 및 친척들인 사용자들의 신용 점수들의 평균 점수 또는 가중 평균 점수가 사용자의 초기 신용 점수로서 사용될 수 있다. 가중 값은 사용자와 해당 사용자 사이의 친밀 정도에 따라 또는 사용자와 해당 사용자 사이에 발생하는 소셜 이벤트의 빈도에 따라 결정될 수 있다.
다수의 소셜 사용자 집합들은 상이한 소셜 그룹들에 참여하는 사용자들의 집합들일 수 있다. 동일한 소셜 그룹에 참여하는 사용자들은 해당 소셜 그룹에 대응하는 소셜 사용자 집합에 속한다. 대안적으로, 다수의 소셜 사용자 집합들은 사용자들의 구체적인 속성들, 예를 들어, 사용자들의 관심들 또는 지리적 위치들에 따라 구분을 수행하는 것에 의해 획득될 수 있다. 바람직한 실시예에서는, 소셜 사용자 집합들에, 동일한 사용자가 존재하지 않는다, 즉, 사용자는 소셜 사용자 집합에만 속한다.
S102: 소셜 사용자 집합들에서의 사용자들의 초기 신용 점수들에 따라 소셜 사용자 집합들의 초기 신용 점수들을 획득함.
구체적인 구현에서, 소셜 사용자 집합에서의 사용자들의 초기 신용 점수들의 평균 점수 또는 가중 평균 점수는 소셜 사용자 집합의 초기 신용 점수로서 사용될 수 있다. 즉,
Figure pct00001
이거나
Figure pct00002
이고,
여기서,
Figure pct00003
는 소셜 사용자 집합의 초기 신용 점수이고,
Figure pct00004
는 소셜 사용자 집합에서의 j번째 사용자의 초기 신용 점수이고,
Figure pct00005
는 소셜 사용자 집합에서의 사용자들의 수량이고,
Figure pct00006
는 소셜 사용자 집합의 신용 점수에 대한 j번째 사용자의 가중 값이다.
사용자 각각의 가중 값은 해당 사용자와 소셜 사용자 집합에서의 사용자 사이의 소셜 관계에 따라 결정될 수 있다. 예를 들어, 사용자는 소셜 사용자 집합(총 6명)에서의 4명의 소셜 친구들을 갖고, 가중 값은 4/(6-1)=0.8일 수 있는 등이다. 대안적으로, 소셜 사용자 집합의 신용 점수에 대한 사용자의 가중 값은 해당 사용자와 소셜 사용자 집합에서의 사용자 사이에 발생하는 소셜 이벤트의 빈도에 따라 결정될 수 있다. 대안적으로, 해당 사용자가 속하는 소셜 사용자 집합의 신용 점수에 대한 사용자의 가중 값이 전술한 2개의 방식들과 조합하여 공동으로 결정될 수 있다.
S103: 2개의 소셜 사용자 집합들 각각에서의 사용자들 사이의 소셜 관계에 따라 2개의 소셜 사용자 집합들 각각 사이의 소셜 관계를 결정함.
본 출원의 본 실시예에서의 사용자의 신용 점수에 대한 최적화 장치는 2개의 소셜 사용자 집합들에 개별적으로 속하는 사용자들 사이의 소셜 관계들에 따라 2개의 소셜 사용자 집합들 사이의 소셜 관계를 결정할 수 있다. 예를 들어, 제1 소셜 사용자 집합에 속하는 제1 사용자가 제2 소셜 사용자 집합에서의 소셜 친구를 가지면, 제1 소셜 사용자 집합과 제2 소셜 사용자 집합 사이에 소셜 관계가 존재한다. 다음으로, 이러한 2개의 소셜 사용자 집합들 사이의 소셜 관계의 친밀 정도가 정량화될 수 있다. 예를 들어, 2개의 소셜 사용자 집합들 사이의 소셜 관계의 친밀 정도는, 2개의 소셜 사용자 집합들에 존재하고 서로의 소셜 친구들인 사용자들의 수량(사용자들의 수량 또는 소셜 관계 쌍들의 수량)에 따라 정량화될 수 있다. 이러한 친밀 정도는 일치할 수 있다, 즉, 2개의 소셜 사용자 집합들 사이의 양방향 친밀 정도가 정량화되거나, 또는 일치하지 않을 수 있다, 즉, 2개의 소셜 사용자 집합들 사이의 단방향 친밀 정도가 정량화된다. 예를 들어, 소셜 사용자 집합들(공동체들이라고도 지칭됨) A, B, C, 및 D는 도 2에 도시되는 사용자들 사이의 소셜 관계들의 계층적 처리에 의해 획득된다. 소셜 사용자 집합 A에 존재하고 소셜 사용자 집합 B에서의 소셜 친구들을 갖는 사용자들의 수량이 결정되고, 소셜 사용자 집합 B에서의 소셜 친구들을 갖는 사용자들의 수량을 소셜 사용자 집합 A에서의 사용자들의 총 수량으로 나눈 결과가 소셜 사용자 집합 B와의 소셜 사용자 집합 A의 소셜 친밀 정도이다. 반대로, 소셜 사용자 집합 A에서의 소셜 친구들을 갖는 사용자들의 수량을 소셜 사용자 집합 B에서의 사용자들의 총 수량으로 나눈 결과가 소셜 사용자 집합 A와의 소셜 사용자 집합 B의 소셜 친밀 정도이다. 소셜 사용자 집합 A와 소셜 사용자 집합 B 사이의 양방향 친밀 정도는 소셜 사용자 집합 A와의 소셜 사용자 집합 B의 소셜 친밀 정도와 조합하여 소셜 사용자 집합 B와의 소셜 사용자 집합 A의 소셜 친밀 정도에 따라 추가로 계산될 수 있다. 후속하여, 2개의 소셜 사용자 집합들 사이의 소셜 가중치는 정량화에 의해 획득되는 2개의 소셜 사용자 집합들 사이의 소셜 관계의 친밀 정도에 따라 또한 결정될 수 있다. 즉, 타겟 소셜 사용자 집합의 신용 점수가 계산될 때, 타겟 소셜 사용자 집합과의 소셜 관계를 갖는 다른 소셜 사용자 집합의 신용 점수의 가중 값이 고려된다. 2개의 소셜 사용자 집합들 사이의 소셜 관계가 더 친밀하면, 2개의 소셜 사용자 집합들의 신용 점수들이 유사할 확률이 더 높다. 달리 말하면, 타겟 소셜 사용자 집합의 친밀한 소셜 사용자 집합의 신용 점수는 타겟 소셜 사용자 집합의 신용 점수를 반영할 가능성이 있다. 따라서, 타겟 소셜 사용자 집합의 신용 점수가 최적화되고 조정될 때, 친밀한 소셜 사용자 집합의 신용 점수의 영향 인자(기준 가중치)는 더 큰 값으로 설정되어야 한다.
도 2에 도시되는 소셜 관계들의 계층적 처리에서는, 상위 계층의 본래의 소셜 관계들에서의 사용자들의 상호 공동체(소셜 사용자 집합) 소셜 관계들에 따라 처리를 수행하는 것에 의해 중간 계층의 공동체들 사이의 소셜 관계들이 획득되고, 공동체에서의 사용자들 사이의 소셜 관계들은 하위 계층 공동체에서의 사용자들의 소셜 관계들로서 보유된다.
S104: 타겟 소셜 사용자 집합과의 소셜 관계를 갖는 적어도 하나의 소셜 사용자 집합의 신용 점수 및 적어도 하나의 소셜 사용자 집합과 타겟 소셜 사용자 집합 사이의 소셜 관계에 따라, 타겟 소셜 사용자 집합의 신용 점수를 최적화하고 조정함.
단계 S103에 따라, 2개의 소셜 사용자 집합 각각 사이의 소셜 관계가 획득된다. 소셜 관계를 갖는 2개의 소셜 사용자 집합들이 서로 영향을 미칠 수 있거나, 또는 소셜 관계를 갖는 2개의 소셜 사용자 집합들의 신용 점수들이 서로의 기준으로 사용될 수 있다는 점이 고려될 수 있다. 따라서, 사용자의 신용 점수에 대한 최적화 장치는 타겟 소셜 사용자 집합과의 소셜 관계들을 갖는 모든 다른 소셜 사용자 집합들의 신용 점수들에 따라 타겟 소셜 사용자 집합의 신용 점수를 최적화하고 조정할 수 있어, 사용자의 해당 정보에 의해 야기되는 타겟 소셜 사용자 집합의 부정확한 신용 점수가 불완전하게 또는 실수로 수집되는 것을 효과적으로 회피한다. 예를 들어, 타겟 소셜 사용자 집합과의 소셜 관계들을 갖는 다른 소셜 사용자 집합들의 신용 점수들의 평균 값이 타겟 소셜 사용자 집합의 최적화되고 조정된 신용 점수이거나, 또는 타겟 소셜 사용자 집합과의 소셜 관계들을 갖는 다른 소셜 사용자 집합들의 신용 점수들의 평균 값과 타겟 소셜 사용자 집합의 초기 신용 점수 사이의 임의의 값이 타겟 소셜 사용자 집합의 최적화되고 조정된 신용 점수이다.
다음으로, 실시예에서, 사용자의 신용 점수에 대한 최적화 장치는 소셜 사용자 집합과 타겟 소셜 사용자 집합 사이의 소셜 관계에 따라 소셜 사용자 집합 각각과 타겟 소셜 사용자 집합 사이의 소셜 가중치를 결정하고, 적어도 하나의 소셜 사용자 집합과 타겟 소셜 사용자 집합 사이의 소셜 가중치 및 대응하는 소셜 사용자 집합의 신용 점수에 따라, 타겟 소셜 사용자 집합의 신용 점수를 최적화하고 조정할 수 있다. 즉, 소셜 사용자 집합 각각과 타겟 소셜 사용자 집합 사이의 소셜 가중치는 타겟 소셜 사용자 집합과 다른 소셜 사용자 집합들 각각 사이의 것인 그리고 S103을 수행하는 것에 의해 정량화되는 것인 친밀 정도에 따라 결정되고, 다음으로 타겟 소셜 사용자 집합의 신용 점수는 타겟 소셜 사용자 집합과의 소셜 관계를 갖는 소셜 사용자 집합 각각의 신용 점수 및 소셜 사용자 집합과 타겟 소셜 사용자 집합 사이의 소셜 가중치에 따라 최적화되고 조정된다, 예를 들어,
Figure pct00007
이고, 여기서
Figure pct00008
는 타겟 소셜 사용자 집합의 신용 점수이고,
Figure pct00009
는 타겟 소셜 사용자 집합과의 소셜 관계를 갖는 k번째 소셜 사용자 집합의 신용 점수이고,
Figure pct00010
는 k번째 소셜 사용자 집합과 타겟 소셜 사용자 집합 사이의 소셜 가중치이고,
Figure pct00011
는 타겟 소셜 사용자 집합과의 소셜 관계를 갖는 소셜 사용자 집합 각각의 신용 점수와, 대응하는 소셜 사용자 집합과 타겟 소셜 사용자 집합 사이의 소셜 가중치의 곱들의 합을 나타낸다. 이러한 구현은 신규 타겟 소셜 사용자 집합이 추가되는 한편 다른 소셜 사용자 집합들이 모두 최적화되고 조정되는 상황에 특히 적용 가능하다.
다른 소셜 사용자 집합들을 다시 최적화하고 조정하지 않고 타겟 소셜 사용자 집합만이 개별적으로 최적화되고 조정된다.
소셜 사용자 집합들 각각과 타겟 소셜 사용자 집합 사이의 소셜 가중치는 소셜 사용자 집합들에서의 소셜 연관된 사용자들을 갖는 사용자들 대 타겟 소셜 사용자 집합에서의 모든 사용자들의 비율에 따라 획득될 수 있다. 예를 들어, 2개의 소셜 사용자 집합들 사이의 소셜 관계의 친밀 정도가 정량화되는 S103과 동일한 방식이 적용된다.
다른 실시예에서, 사용자의 신용 점수에 대한 최적화 방법은, 타겟 소셜 사용자 집합과의 소셜 관계를 갖는 적어도 하나의 소셜 사용자 집합의 신용 점수 및 적어도 하나의 소셜 사용자 집합과 타겟 소셜 사용자 집합 사이의 소셜 관계에 따라, 소셜 사용자 집합의 신용 점수를 최적화하고 반복할 수 있다. 구체적인 반복 프로시저가 도 3에 도시될 수 있다.
S105: 타겟 소셜 사용자 집합의 최적화되고 조정된 신용 점수에 따라 타겟 소셜 사용자 집합에서의 사용자들의 신용 점수들을 수정함.
구체적으로, 사용자의 신용 점수에 대한 최적화 장치는 타겟 소셜 사용자 집합에서의 사용자의 신용 점수를 대응하는 사용자의 초기 신용 점수와 타겟 소셜 사용자 집합의 최적화되고 조정된 신용 점수 사이의 임의의 값으로 수정할 수 있다. 예를 들어, 타겟 소셜 사용자 집합에서의 사용자의 정보가 누락되거나 잘못되면, 사용자의 신용 점수에 대한 최적화 장치는 타겟 소셜 사용자 집합의 최적화되고 조정된 신용 점수를 사용자의 수정된 신용 점수로서 사용할 수 있다.
실시예에서, 사용자의 신용 점수에 대한 최적화 장치는 타겟 소셜 사용자 집합의 신용 점수를 최적화하고 조정하기 위한 조정 값에 따라 타겟 소셜 사용자 집합에서의 사용자들의 신용 점수들을 수정할 수 있다. 예를 들어, 타겟 소셜 사용자 집합에서의 사용자들의 신용 점수들은 이하의 식을 사용하여 수정된다:
Figure pct00012
이고, 여기서
Figure pct00013
는 타겟 소셜 사용자 집합의 최적화되고 조정된 신용 점수이고,
Figure pct00014
는 타겟 소셜 사용자 집합의 초기 신용 점수이고,
Figure pct00015
는 타겟 소셜 사용자 집합에서의 j번째 사용자의 초기 신용 점수이고,
Figure pct00016
는 타겟 소셜 사용자 집합에서의 j번째 사용자의 수정된 신용 점수이다.
사용자의 신용 점수에 대한 최적화 장치는 타겟 소셜 사용자 집합의 신용 점수를 최적화하고 조정하기 위한 조정 비율에 따라 타겟 소셜 사용자 집합에서의 사용자들의 신용 점수들의 대응하는 비율을 수정할 수 있다.
다음으로, 실시예에서, 사용자의 신용 점수에 대한 최적화 장치는 이러한 실시예에서의 단계들을 수행하는 것에 의해 획득되는 대응하는 사용자의 수정된 신용 점수에 따라 사용자에 대한 제품 정보를 푸시할 수 있거나, 예를 들어, 금융 제품 정보 또는 고정 자산 관리 제품 정보를 푸시하거나; 또는 대응하는 사용자의 신용 점수에 따라 사용자의 데이터 서비스를 모니터링하고 관리할 수 있다, 예를 들어, 대응하는 사용자의 대출 서비스에 관한 리스크 관리를 수행하거나, 또는 사용자의 현재 자금의 관리에 관한 제안을 제시할 수 있다.
도 3은 본 출원의 실시예에 따른 소셜 사용자 집합의 신용 점수를 최적화하고 반복하는 개략적인 흐름도이다. 도 3에 도시되는 바와 같이, 본 구현에서의 최적화 및 반복 프로세스는 이하의 단계들을 포함할 수 있다.
S1041: 2개의 소셜 사용자 집합들 각각 사이의 소셜 관계에 따라 2개의 소셜 사용자 집합들 각각 사이의 소셜 가중치를 결정함.
소셜 사용자 집합 각각과 타겟 소셜 사용자 집합 사이의 소셜 가중치는 소셜 사용자 집합들에서의 소셜 연관된 사용자를 각각 갖는 사용자들 대 타겟 소셜 사용자 집합에서의 사용자들의 비율에 따라 결정될 수 있다. 예를 들어, 소셜 사용자 집합들(공동체들이라고도 지칭됨) A, B, C, 및 D는 도 2에 도시되는 사용자들 사이의 소셜 관계들의 계층적 처리에 의해 획득된다. 소셜 사용자 집합 A에 존재하고 소셜 사용자 집합 B에서의 소셜 친구들을 갖는 사용자들의 수량이 결정되고, 소셜 사용자 집합 B에서의 소셜 친구들을 갖는 사용자들의 수량을 소셜 사용자 집합 A에서의 사용자들의 총 수량으로 나눈 결과가 소셜 사용자 집합 B와의 소셜 사용자 집합 A의 소셜 가중치이다. 예를 들어, 소셜 사용자 집합 A에서의 a1 및 a2는 소셜 사용자 집합 B에서의 소셜 친구를 각각 갖고, 소셜 사용자 집합 A에서의 사용자들의 총 수량은 3이므로, 소셜 사용자 집합 B와의 소셜 사용자 집합 A의 소셜 가중치는 2/3일 수 있다. 즉, 소셜 사용자 집합 A의 신용 점수가 최적화되면, 소셜 사용자 집합 B의 신용 점수의 소셜 가중치는 2/3이다. 다른 한편, 소셜 사용자 집합 A에서의 소셜 친구들을 갖는 사용자들의 수량을 소셜 사용자 집합 B에서의 사용자들의 총 수량으로 나눈 결과가 소셜 사용자 집합 A와의 소셜 사용자 집합 B의 소셜 친밀 정도이다. 예를 들어, 소셜 사용자 집합 B에서의 2명의 사용자들은 소셜 사용자 집합 A에서의 소셜 친구를 또한 각각 갖고고, 소셜 사용자 집합 B에서의 사용자들의 총 수량은 4이므로, 소셜 사용자 집합 A와의 소셜 사용자 집합 A의 소셜 가중치는 2/4=0.5일 수 있다. 즉, 소셜 사용자 집합 B의 신용 점수가 최적화될 때, 소셜 사용자 집합 A의 신용 점수의 소셜 가중치는 0.5이다.
S1042: 소셜 사용자 집합들의 신용 점수들을 최적화하고 반복함.
S1043: 다수의 소셜 사용자 집합들 각각을 타겟 소셜 사용자 집합으로서 개별적으로 사용하고, 적어도 하나의 소셜 사용자 집합과 타겟 소셜 사용자 집합 사이의 소셜 가중치 및 대응하는 소셜 사용자 집합의 신용 점수에 따라, 타겟 소셜 사용자 집합의 신용 점수를 최적화하고 조정함.
즉, 각각의 반복에서, 다수의 소셜 사용자 집합들 각각의 신용 점수가 이하의 식을 사용하여 최적화되고 조정된다:
Figure pct00017
이고, 여기서
Figure pct00018
는 반복의 r번째 라운드에서의 i번째 소셜 사용자 집합의 신용 점수이고,
Figure pct00019
는 반복의 (r-1)번째 라운드에서의 i번째 소셜 사용자 집합과의 소셜 관계를 갖는 소셜 사용자 집합의 신용 점수이고,
Figure pct00020
는 i번째 소셜 사용자 집합과의 소셜 관계를 갖는 소셜 사용자 집합과 i번째 소셜 사용자 집합 사이의 소셜 가중치이고,
Figure pct00021
는 i번째 소셜 사용자 집합과의 소셜 관계를 갖는 소셜 사용자 집합 각각의 신용 점수와, 대응하는 소셜 사용자 집합과 i번째 소셜 사용자 집합 사이의 소셜 가중치의 모든 곱들의 합을 나타내고,
Figure pct00022
는 미리 설정된 댐핑 인자이다.
S1044: 이러한 반복에서의 소셜 사용자 집합 각각의 신용 점수와 이전 반복에서의 소셜 사용자 집합의 신용 점수 사이의 차이의 절대 값이 제1 미리 설정된 값보다 작은지, 즉,
Figure pct00023
인지 결정하고, 이러한 식이 만족되면, S1045를 수행하고, 그렇지 않으면 S1042를 수행함, 즉, 다음 반복을 수행함.
S1045: 반복을 중단하고, 반복에 의해 획득되는 소셜 사용자 집합 각각의 신용 점수는 최적화 및 조정에 의해 획득되는 소셜 사용자 집합의 신용 점수임.
전술한 설명들은 반복 알고리즘의 예일 뿐이라는 점이 주목되어야 한다. 본 출원에서의 소셜 사용자 집합의 신용 점수를 반복하기 위한 알고리즘이 이러한 알고리즘에 제한되는 것으로 고려되어서는 안 되고, 열 전도 네트워크 반복 알고리즘과 같은 다른 알고리즘들이 적용 가능할 수 있다.
본 실시예에서의 사용자의 신용 점수에 대한 최적화 장치가 사용자가 속하는 소셜 사용자 집합의 신용 점수를 계산하고 최적화 및 조정을 수행한 이후, 이러한 장치는 최적화 및 조정에 의해 획득되는 소셜 사용자 집합의 신용 점수에 따라 소셜 사용자 집합에서의 사용자의 신용 점수를 수정하여, 소셜 사용자 집합의 정보와 조합하여 사용자의 신용 점수를 최적화한다. 사용자의 신용 점수를 계산하는 것이 더 이상 사용자의 개인 정보에만 따르지 않으므로, 사용자의 신용 점수의 정확성이 효과적으로 증가될 수 있다.
도 4는 본 출원의 다른 실시예에 따른 사용자의 신용 점수에 대한 최적화 방법의 개략적인 흐름도이다. 도면에 도시되는 바와 같이, 본 실시예에서, 사용자의 신용 점수에 대한 최적화 방법은 이하의 프로시저를 포함할 수 있다.
S201: 다수의 소셜 사용자 집합들에서의 사용자들의 초기 신용 점수들을 획득함.
S202: 소셜 사용자 집합들에서의 사용자들의 초기 신용 점수들에 따라 소셜 사용자 집합들의 초기 신용 점수들을 획득함.
S203: 2개의 소셜 사용자 집합들 각각에서의 사용자들 사이의 소셜 관계에 따라 2개의 소셜 사용자 집합들 각각 사이의 소셜 관계를 결정함.
S204: 타겟 소셜 사용자 집합과의 소셜 관계를 갖는 적어도 하나의 소셜 사용자 집합의 신용 점수 및 적어도 하나의 소셜 사용자 집합과 타겟 소셜 사용자 집합 사이의 소셜 관계에 따라, 타겟 소셜 사용자 집합의 신용 점수를 최적화하고 조정함.
S205: 타겟 소셜 사용자 집합의 최적화되고 조정된 신용 점수에 따라 타겟 소셜 사용자 집합에서의 사용자들의 신용 점수들을 수정함.
본 실시예에서의 S201 내지 S205는 이전 실시예에서의 S101 내지 S105와 동일하고, 상세 사항들이 다시 설명되지는 않는다. 본 실시예와 이전 실시예 사이의 차이는, 타겟 소셜 사용자 집합에서의 사용자들의 신용 점수들이 타겟 소셜 사용자 집합의 최적화되고 조정된 신용 점수에 따라 수정된 이후, 타겟 소셜 사용자 집합에서의 사용자의 신용 점수가 추가로 최적화되고 조정된다는 것이다.
S206: 타겟 소셜 사용자 집합에서의 타겟 사용자와 다른 사용자들 각각 사이의 소셜 관계 및 타겟 소셜 사용자 집합에서의 다른 사용자들의 신용 점수들에 따라, 타겟 사용자의 신용 점수를 최적화하고 조정함.
하위 계층 공동체에서의 사용자들 사이의 소셜 관계들은 도 2에 도시되는 소셜 관계들, 예를 들어, 소셜 사용자 집합 A에서의 사용자들 a1, a2, 및 a3 사이의 소셜 관계들의 계층적 처리에 의해 획득된다. 실시예에서, 사용자들 a1, a2, 및 a3을 소셜 사용자 집합 A로 구분하는 이유는 배제될 수 있다. 예를 들어, 사용자들 a1, a2, 및 a3은 3명의 사용자들이 참여하는 동일한 소셜 그룹에 따라 소셜 사용자 집합 A로 구분되고, 사용자들 a1, a2, 및 a3 사이의 소셜 관계들이 고려될 때, 사용자들 a1, a2, 및 a3이 동일한 소셜 그룹에 참여한다는 정보는 무시될 수 있고, 사용자들 a1, a2, 및 a3 사이의 소셜 관계들은, 예를 들어, 3명의 사용자들 사이에 소셜 친구 관계가 수립되는지, 3명의 사용자들이 공통의 관심사를 갖는지, 3명의 사용자들이 동시에 소셜 이벤트에 참여하는지, 또는 3명의 사용자들이 동일한 지리적 위치에 위치되는지의 인자에 기초하여 결정될 수 있다.
동일한 소셜 사용자 집합에서의 2명의 사용자들이 소셜 관계를 가지면, 이러한 소셜 관계를 갖는 2명의 사용자들이 서로 영향을 미치거나, 이러한 소셜 관계를 갖는 2명의 사용자들의 신용 점수들이 서로의 기준으로서 사용될 수 있다는 점이 고려될 수 있다. 따라서, 사용자의 신용 점수에 대한 최적화 장치는 동일한 소셜 사용자 집합에 속하고 타겟 사용자와의 소셜 관계를 갖는 다른 사용자의 신용 점수에 따라 타겟 사용자의 신용 점수를 최적화 조정할 수 있고, 그렇게 함으로써 사용자의 해당 정보에 의해 야기되는 타겟 사용자의 부정확한 신용 점수가 불완전하게 또는 실수로 수집되는 문제점을 효과적으로 회피한다. 예를 들어, 타겟 사용자와의 소셜 관계를 갖는 모든 다른 사용자들의 신용 점수들의 평균 값이 타겟 사용자의 최적화되고 조정된 신용 점수로서 직접 사용되거나, 또는 타겟 사용자와의 소셜 관계들을 갖는 모든 다른 사용자들의 신용 점수들의 평균 값과 타겟 사용자의 초기 신용 점수 사이의 임의의 값이 타겟 사용자의 최적화되고 조정된 신용 점수로서 사용된다.
다음으로, 실시예에서, 사용자의 신용 점수에 대한 최적화 장치는, 타겟 사용자와 동일한 소셜 사용자 집합에서의 다른 사용자들 각각 사이의 소셜 관계에 따라, 다른 사용자와 타겟 사용자 사이의 소셜 가중치를 결정하고, 다음으로 동일한 소셜 사용자 집합에 속하는 다른 사용자들 각각과 타겟 사용자 사이의 소셜 가중치 및 대응하는 사용자의 신용 점수에 따라, 타겟 사용자의 신용 점수를 최적화하고 조정할 수 있다. 이러한 소셜 가중치는 2명의 사용자들 사이의 소셜 관계의 친밀 정도를 정량화한 결과일 수 있다. 예를 들어, 2명의 사용자들 사이의 소셜 관계의 친밀 정도는 2명의 사용자들의 공통 소셜 친구들, 2명의 사용자들이 공동으로 참여하는 소셜 그룹, 2명의 사용자들이 공동으로 참여하는 소셜 이벤트, 2명의 사용자들 사이에 발생하는 소셜 이벤트의 빈도 등의 수량을 계산하는 것에 의해 정량화되어, 2명의 사용자들 사이의 소셜 가중치를 획득한다. 2명의 사용자들 사이의 소셜 관계가 더 가까우면, 2명의 사용자들의 신용 점수들이 유사할 확률이 더 높다. 달리 말하면, 타겟 사용자의 친밀한 사용자의 신용 점수는 타겟 사용자의 신용 점수를 반영할 가능성이 높다. 따라서, 타겟 사용자의 신용 점수가 최적화되고 조정될 때, 타겟 사용자의 친밀한 사용자의 신용 점수의 영향 인자(기준 가중치)가 더 큰 값으로 설정되어야 한다. 타겟 소셜 사용자 집합의 신용 점수는, 타겟 소셜 사용자 집합에서의 다른 사용자들 각각의 신용 점수 및 사용자와 타겟 사용자 사이의 소셜 가중치에 따라 최적화되고 조정된다, 예를 들어,
Figure pct00024
이고, 여기서
Figure pct00025
는 타겟 사용자의 신용 점수이고,
Figure pct00026
는 타겟 사용자와의 소셜 관계를 갖는 k번째 사용자의 신용 점수이고,
Figure pct00027
는 k번째 사용자와 타겟 사용자 사이의 소셜 가중치이고,
Figure pct00028
는 타겟 소셜 사용자 집합에 존재하고 타겟 사용자와의 소셜 관계를 갖는 사용자 각각의 신용 점수와, 대응하는 사용자와 타겟 사용자 사이의 소셜 가중치의 모든 곱들의 합을 나타낸다. 이러한 구현은 신규 타겟 사용자가 타겟 소셜 사용자 집합에 추가되는 한편 다른 사용자들 모두 최적화되고 조정되는 상황에 특히 적용 가능하므로, 타겟 소셜 사용자 집합에서의 다른 사용자들을 다시 최적화하고 조정하지 않고 타겟 사용자만이 개별적으로 최적화하고 조정된다.
다른 실시예에서, 사용자의 신용 점수에 대한 최적화 장치는, 소셜 사용자 집합에서의 사용자들의 신용 점수들 및 소셜 사용자 집합에서의 사용자들 사이의 소셜 관계에 따라, 소셜 사용자 집합에서의 사용자의 신용 점수를 최적화하고 반복하고; 각각의 반복에서, 타겟 소셜 사용자 집합에서의 소셜 사용자 각각을 타겟 사용자로서 개별적으로 사용하고, 타겟 소셜 사용자 집합에서의 다른 사용자들 각각과 타겟 사용자 사이의 소셜 가중치 및 대응하는 사용자의 신용 점수에 따라, 타겟 사용자의 신용 점수를 최적화하고 조정하고, 이러한 반복에서의 타겟 소셜 사용자 집합에서의 사용자 각각의 신용 점수와 이전 반복에서의 사용자의 신용 점수 사이의 차이가 제2 미리 설정된 값보다 작을 때 반복을 중단할 수 있으므로, 사용자의 획득된 신용 점수가 최적화 및 조정에 의해 획득되는 신용 점수이다. 구체적인 반복 프로시저가 도 5에 도시될 수 있고, 이하의 단계들을 포함한다.
S2061: 2명의 사용자들 각각 사이의 소셜 관계에 따라 타겟 소셜 사용자 집합에서의 2명의 사용자들 각각 사이의 소셜 가중치를 결정함.
동일한 소셜 사용자 집합에서의 임의의 2명의 사용자들 사이의 소셜 가중치는 2명의 사용자들 사이의 소셜 관계에 따라 결정될 수 있다. 이러한 소셜 가중치는 2명의 사용자들 사이의 소셜 관계의 친밀 정도를 정량화한 결과일 수 있다. 예를 들어, 2명의 사용자들 사이의 소셜 관계의 친밀 정도는 2명의 사용자들의 공통 소셜 친구들, 2명의 사용자들이 공동으로 참여하는 소셜 그룹, 2명의 사용자들이 공동으로 참여하는 소셜 이벤트, 2명의 사용자들 사이에 발생하는 소셜 이벤트의 빈도 등의 수량을 계산하는 것에 의해 정량화되어, 2명의 사용자들 사이의 소셜 가중치를 획득한다.
S2062: 소셜 사용자 집합들의 신용 점수들을 최적화하고 반복함.
S2063: 다수의 소셜 사용자 집합들 각각을 타겟 소셜 사용자 집합으로서 개별적으로 사용하고, 적어도 하나의 소셜 사용자 집합과 타겟 소셜 사용자 집합 사이의 소셜 가중치 및 대응하는 소셜 사용자 집합의 신용 점수에 따라, 타겟 소셜 사용자 집합의 신용 점수를 최적화하고 조정함.
즉, 각각의 반복에서, 타겟 소셜 사용자 집합에서의 사용자 각각의 신용 점수가 이하의 식을 사용하여 최적화되고 조정된다:
Figure pct00029
이고, 여기서
Figure pct00030
는 반복의 r번째 라운드에서의 i번째 사용자의 신용 점수이고,
Figure pct00031
는 반복의 (r-1)번째 라운드에서의 타겟 소셜 사용자 집합에서의 i번째 사용자와의 소셜 관계를 갖는 사용자의 신용 점수이고,
Figure pct00032
는 타겟 소셜 사용자 집합에서의 i번째 사용자와의 소셜 관계를 갖는 사용자와 i번째 사용자 사이의 소셜 가중치이고,
Figure pct00033
는 타겟 소셜 사용자 집합에서의 i번째 사용자와의 소셜 관계를 갖는 사용자 각각의 신용 점수와, 대응하는 사용자와 i번째 사용자 사이의 소셜 가중치의 모든 곱들의 합을 나타내고,
Figure pct00034
는 미리 설정된 댐핑 인자이다.
S2064: 이러한 반복에서의 타겟 소셜 사용자 집합에서의 사용자 각각의 신용 점수와 이전 반복에서의 사용자의 신용 점수 사이의 차이의 절대 값이 제1 미리 설정된 값보다 작은지, 즉,
Figure pct00035
인지 결정하고, 이러한 식이 만족되면, S2065를 수행하고, 그렇지 않으면 S2062를 수행함, 즉, 다음 반복을 수행함.
S2065: 반복을 중단하고, 반복에 의해 획득되는 소셜 사용자 집합 각각의 신용 점수는 최적화 및 조정에 의해 획득되는 소셜 사용자 집합의 신용 점수임.
전술한 설명들은 반복 알고리즘의 예일 뿐이라는 점이 주목되어야 한다. 본 출원에서의 소셜 사용자 집합의 신용 점수를 반복하기 위한 알고리즘이 이러한 알고리즘에 제한되는 것으로 고려되어서는 안 되고, 열 전도 네트워크 반복 알고리즘과 같은 다른 알고리즘들이 적용 가능할 수 있다.
다음으로, 실시예에서, 사용자의 신용 점수에 대한 최적화 장치는 이러한 실시예에서의 단계들을 수행하는 것에 의해 획득되는 대응하는 사용자의 수정된 신용 점수에 따라 사용자에 대한 제품 정보를 푸시할 수 있거나, 예를 들어, 금융 제품 정보 또는 고정 자산 관리 제품 정보를 푸시하거나; 또는 대응하는 사용자의 신용 점수에 따라 사용자의 데이터 서비스를 모니터링하고 관리할 수 있다, 예를 들어, 대응하는 사용자의 대출 서비스에 관한 리스크 관리를 수행하거나, 또는 사용자의 현재 자금의 관리에 관한 제안을 제시할 수 있다.
본 실시예에서, 사용자가 속하는 소셜 사용자 집합의 신용 점수를 계산하고 소셜 사용자 집합들 사이의 소셜 관계에 따라 소셜 사용자 집합의 신용 점수를 최적화하고 조정한 이후, 사용자의 신용 점수에 대한 최적화 장치는 소셜 사용자 집합의 최적화되고 조정된 신용 점수에 따라 소셜 사용자 집합에서의 사용자들의 신용 점수들을 수정하고, 소셜 사용자 집합에서의 사용자들 사이의 소셜 관계에 따라 소셜 사용자 집합에서의 사용자들의 신용 점수들을 최적화하고 조정하여, 소셜 사용자 집합의 정보와 조합하여 사용자들의 신용 점수들을 최적화한다. 사용자들의 신용 점수들을 계산하는 것은 더 이상 사용자들의 개인 정보에만 따르지 않으므로, 사용자들의 신용 점수들의 정확성이 효과적으로 증가될 수 있다. 더욱이, 최적화 프로세스가 2회 수행되더라도, 이러한 2개의 최적화들은 소셜 사용자 집합들 사이의 소셜 관계 및 소셜 사용자 집합에서의 사용자들 사이의 소셜 관계에 기초하여 개별적으로 수행되고, 실제로, 이러한 것은 많은 계산량을 초래하지 않는다.
도 6은 본 출원의 실시예에 따른 사용자의 신용 점수에 대한 최적화 장치의 개략적인 구조도이다. 도면에 도시되는 바와 같이, 본 실시예에서, 사용자의 신용 점수에 대한 최적화 장치는 적어도 이하의 모듈들을 포함할 수 있다.
사용자 점수 획득 모듈(610)은 다수의 소셜 사용자 집합들에서의 사용자들의 초기 신용 점수들을 획득하도록 구성된다.
구체적으로, 사용자 점수 획득 모듈(610)은 임포트된 데이터를 수신하는 것에 의해 다수의 소셜 사용자 집합들에서의 사용자들의 초기 신용 점수들을 획득할 수 있고; 대안적으로, 사용자 점수 획득 모듈(610)은 사용자들의 개인 정보를 획득하고, 사용자들의 개인 정보 및 구체적인 예측 모델에 따라 신용 점수화를 수행하여, 다수의 소셜 사용자 집합들에서의 사용자들의 초기 신용 점수들을 획득할 수 있고; 대안적으로, 사용자 점수 획득 모듈(610)은 본 출원을 구현하는 것에 의해 사용자들의 최적화된 신용 점수들을 획득하고, 최적화된 신용 점수들을 다수의 소셜 사용자 집합들에서의 사용자들의 초기 신용 점수들로서 사용할 수 있다. 예를 들어, 현재 신용 점수들이 최적화될 때, 이전 최적화에서 획득된 사용자들의 신용 점수들이 본 최적화에서의 초기 신용 점수들로서 사용될 수 있다. 사용자들의 신용 점수들을 최적화하는 것은 관리자에 의해 수동으로 트리거될 수 있거나, 또는 업데이트 사이클에 따라 또는 신규 사용자 또는 소셜 사용자 집합을 추가하는 이벤트에 따라 트리거될 수 있다.
실시예에서, 사용자의 초기 신용 점수가 누락되어 있으면, 사용자 점수 획득 모듈(610)은 사용자의 소셜 친구들, 동료들, 및 친척들인 사용자들의 신용 점수들의 평균 점수 또는 가중 평균 점수를 사용자의 초기 신용 점수로서 사용할 수 있다. 가중 값은 사용자와 해당 사용자 사이의 친밀 정도에 따라 또는 사용자와 해당 사용자 사이에 발생하는 소셜 이벤트의 빈도에 따라 결정될 수 있다.
다수의 소셜 사용자 집합들은 상이한 소셜 그룹들에 참여하는 사용자들의 집합들일 수 있다. 동일한 소셜 그룹에 참여하는 사용자들은 해당 소셜 그룹에 대응하는 소셜 사용자 집합에 속한다. 대안적으로, 다수의 소셜 사용자 집합들은 사용자들의 구체적인 속성들, 예를 들어, 사용자들의 관심들 또는 지리적 위치들에 따라 구분을 수행하는 것에 의해 획득될 수 있다. 바람직한 실시예에서는, 소셜 사용자 집합들에, 동일한 사용자가 존재하지 않는다, 즉, 사용자는 소셜 사용자 집합에만 속한다.
집합 점수 획득 모듈(620)은 소셜 사용자 집합들에서의 사용자들의 초기 신용 점수들에 따라 소셜 사용자 집합들의 초기 신용 점수들을 획득하도록 구성된다.
구체적인 구현에서, 집합 점수 획득 모듈(620)은 소셜 사용자 집합에서의 사용자들의 초기 신용 점수들의 평균 점수 또는 가중 평균 점수를 소셜 사용자 집합의 초기 신용 점수로서 사용할 수 있다.
사용자 각각의 가중 값은 해당 사용자와 소셜 사용자 집합에서의 사용자 사이의 소셜 관계에 따라 결정될 수 있다. 예를 들어, 사용자는 소셜 사용자 집합(총 6명)에서의 4명의 소셜 친구들을 갖고, 가중 값은 4/(6-1)=0.8일 수 있는 등이다. 대안적으로, 소셜 사용자 집합의 신용 점수에 대한 사용자의 가중 값은 해당 사용자와 소셜 사용자 집합에서의 사용자 사이에서 발생하는 소셜 이벤트(예를 들어, 세션 메시지를 전송하는 것 또는 비디오 세션을 수행하는 것)의 빈도에 따라 결정될 수 있다. 대안적으로, 해당 사용자가 속하는 소셜 사용자 집합의 신용 점수에 대한 사용자의 가중 값이 전술한 2개의 방식들과 조합하여 공동으로 결정될 수 있다.
집합 관계 획득 모듈(630)은 2개의 소셜 사용자 집합들 각각에서의 사용자들 사이의 소셜 관계에 따라 2개의 소셜 사용자 집합들 각각 사이의 소셜 관계를 결정하도록 구성된다.
집합 관계 획득 모듈(630)은 2개의 소셜 사용자 집합들에 개별적으로 속하는 사용자들 사이의 소셜 관계들에 따라 2개의 소셜 사용자 집합들 사이의 소셜 관계를 결정할 수 있다. 예를 들어, 제1 소셜 사용자 집합에 속하는 제1 사용자가 제2 소셜 사용자 집합에서의 소셜 친구를 가지면, 제1 소셜 사용자 집합과 제2 소셜 사용자 집합 사이에 소셜 관계가 존재한다. 다음으로, 집합 관계 획득 모듈(630)은 2개의 소셜 사용자 집합들 사이의 소셜 관계의 친밀 정도를 추가로 정량화할 수 있다. 예를 들어, 2개의 소셜 사용자 집합들 사이의 소셜 관계의 친밀 정도는, 2개의 소셜 사용자 집합들에 존재하고 서로의 소셜 친구들인 사용자들의 수량(사용자들의 수량 또는 소셜 관계 쌍들의 수량)에 따라 정량화될 수 있다. 이러한 친밀 정도는 일치할 수 있다, 즉, 2개의 소셜 사용자 집합들 사이의 양방향 친밀 정도가 정량화되거나, 또는 일치하지 않을 수 있다, 즉, 2개의 소셜 사용자 집합들 사이의 단방향 친밀 정도가 정량화된다. 예를 들어, 소셜 사용자 집합들(공동체들이라고도 지칭됨) A, B, C, 및 D는 도 2에 도시되는 사용자들 사이의 소셜 관계들의 계층적 처리에 의해 획득된다. 소셜 사용자 집합 A에 존재하고 소셜 사용자 집합 B에서의 소셜 친구들을 갖는 사용자들의 수량이 결정되고, 소셜 사용자 집합 B에서의 소셜 친구들을 갖는 사용자들의 수량을 소셜 사용자 집합 A에서의 사용자들의 총 수량으로 나눈 결과가 소셜 사용자 집합 B와의 소셜 사용자 집합 A의 소셜 친밀 정도이다. 반대로, 소셜 사용자 집합 A에서의 소셜 친구들을 갖는 사용자들의 수량을 소셜 사용자 집합 B에서의 사용자들의 총 수량으로 나눈 결과가 소셜 사용자 집합 A와의 소셜 사용자 집합 B의 소셜 친밀 정도이다. 소셜 사용자 집합 A와 소셜 사용자 집합 B 사이의 양방향 친밀 정도는 소셜 사용자 집합 A와의 소셜 사용자 집합 B의 소셜 친밀 정도와 조합하여 소셜 사용자 집합 B와의 소셜 사용자 집합 A의 소셜 친밀 정도에 따라 추가로 계산될 수 있다. 후속하여, 2개의 소셜 사용자 집합들 사이의 소셜 가중치는 정량화에 의해 획득되는 2개의 소셜 사용자 집합들 사이의 소셜 관계의 친밀 정도에 따라 또한 결정될 수 있다. 즉, 타겟 소셜 사용자 집합의 신용 점수가 계산될 때, 타겟 소셜 사용자 집합과의 소셜 관계를 갖는 다른 소셜 사용자 집합의 신용 점수의 가중 값이 고려된다. 2개의 소셜 사용자 집합들 사이의 소셜 관계가 더 친밀하면, 2개의 소셜 사용자 집합들의 신용 점수들이 유사할 확률이 더 높다. 달리 말하면, 타겟 소셜 사용자 집합의 친밀한 소셜 사용자 집합의 신용 점수는 타겟 소셜 사용자 집합의 신용 점수를 반영할 가능성이 있다. 따라서, 타겟 소셜 사용자 집합의 신용 점수가 최적화되고 조정될 때, 친밀한 소셜 사용자 집합의 신용 점수의 영향 인자(기준 가중치)는 더 큰 값으로 설정되어야 한다.
도 2에 도시되는 소셜 관계들의 계층적 처리에서는, 상위 계층의 본래의 소셜 관계들에서의 사용자들의 상호 공동체(소셜 사용자 집합) 소셜 관계들에 따라 처리를 수행하는 것에 의해 중간 계층의 공동체들 사이의 소셜 관계들이 획득되고, 공동체에서의 사용자들 사이의 소셜 관계들은 하위 계층 공동체에서의 사용자들의 소셜 관계들로서 보유된다.
집합 점수 최적화 모듈(640)은, 타겟 소셜 사용자 집합과의 소셜 관계를 갖는 적어도 하나의 소셜 사용자 집합의 신용 점수 및 적어도 하나의 소셜 사용자 집합과 타겟 소셜 사용자 집합 사이의 소셜 관계에 따라, 타겟 소셜 사용자 집합의 신용 점수를 최적화하고 조정하도록 구성된다.
집합 관계 획득 모듈(630)에 의해 획득되는 2개의 소셜 사용자 집합들 각각 사이의 소셜 관계에 따르면, 소셜 관계를 갖는 2개의 소셜 사용자 집합들이 서로 영향을 미칠 수 있거나, 소셜 관계를 갖는 2개의 소셜 사용자 집합들의 신용 점수들이 서로의 기준으로서 사용될 수 있다는 점이 고려될 수 있다. 따라서, 집합 점수 최적화 모듈(640)은 타겟 소셜 사용자 집합과의 소셜 관계들을 갖는 모든 다른 소셜 사용자 집합들의 신용 점수들에 따라 타겟 소셜 사용자 집합의 신용 점수를 최적화하고 조정할 수 있어, 사용자의 해당 정보에 의해 야기되는 타겟 소셜 사용자 집합의 부정확한 신용 점수가 불완전하게 또는 실수로 수집되는 것을 효과적으로 회피한다. 예를 들어, 집합 점수 최적화 모듈(640)은 타겟 소셜 사용자 집합과의 소셜 관계들을 갖는 다른 소셜 사용자 집합들의 신용 점수들의 평균 값을 타겟 소셜 사용자 집합의 최적화되고 조정된 신용 점수로서 직접 사용하거나, 또는 타겟 소셜 사용자 집합과의 소셜 관계들을 갖는 다른 소셜 사용자 집합들의 신용 점수들의 평균 값과 타겟 소셜 사용자 집합의 초기 신용 점수 사이의 임의의 값을 타겟 소셜 사용자 집합의 최적화되고 조정된 신용 점수로서 사용할 수 있다.
다음으로, 실시예에서, 도 7에 도시되는 바와 같이, 집합 점수 최적화 모듈(640)은 이하의 유닛들을 추가로 포함한다.
집합 가중치 획득 유닛(641)은 소셜 사용자 집합과 타겟 소셜 사용자 집합 사이의 소셜 관계에 따라 소셜 사용자 집합 각각과 타겟 소셜 사용자 집합 사이의 소셜 가중치를 개별적으로 결정하도록 구성된다. 예를 들어, 소셜 사용자 집합 각각과 타겟 소셜 사용자 집합 사이의 소셜 가중치는 소셜 사용자 집합들에서의 소셜 연관된 사용자를 각각 갖는 사용자들 대 타겟 소셜 사용자 집합에서의 사용자들의 비율에 따라 결정될 수 있다.
집합 점수 최적화 유닛(642)은, 적어도 하나의 소셜 사용자 집합과 타겟 소셜 사용자 집합 사이의 소셜 가중치 및 대응하는 소셜 사용자 집합의 신용 점수에 따라, 타겟 소셜 사용자 집합의 신용 점수를 최적화하고 조정하도록 구성된다.
즉, 소셜 사용자 집합 각각과 타겟 소셜 사용자 집합 사이의 소셜 가중치는 타겟 소셜 사용자 집합과 다른 소셜 사용자 집합들 각각 사이의 것인 그리고 정량화에 의해 획득되는 것인 친밀 정도에 따라 결정되고, 다음으로 타겟 소셜 사용자 집합의 신용 점수는 타겟 소셜 사용자 집합과의 소셜 관계를 갖는 소셜 사용자 집합 각각의 신용 점수 및 소셜 사용자 집합과 타겟 소셜 사용자 집합 사이의 소셜 가중치에 따라 최적화되고 조정된다, 예를 들어,
Figure pct00036
이고, 여기서
Figure pct00037
는 타겟 소셜 사용자 집합의 신용 점수이고,
Figure pct00038
는 타겟 소셜 사용자 집합과의 소셜 관계를 갖는 k번째 소셜 사용자 집합의 신용 점수이고,
Figure pct00039
는 k번째 소셜 사용자 집합과 타겟 소셜 사용자 집합 사이의 소셜 가중치이고,
Figure pct00040
는 타겟 소셜 사용자 집합과의 소셜 관계를 갖는 소셜 사용자 집합 각각의 신용 점수와, 대응하는 소셜 사용자 집합과 타겟 소셜 사용자 집합 사이의 소셜 가중치의 곱들의 합을 나타낸다. 이러한 구현은 신규 타겟 소셜 사용자 집합이 추가되는 한편 다른 소셜 사용자 집합들 모두 최적화되고 조정되는 상황에 특히 적용 가능하므로, 집합 점수 최적화 모듈(640)은 다른 소셜 사용자 집합들을 다시 최적화하고 조정하지 않고 타겟 소셜 사용자 집합만을 개별적으로 최적화하고 조정할 수 있다.
다른 실시예에서, 집합 점수 최적화 유닛(642)은, 타겟 소셜 사용자 집합과의 소셜 관계를 갖는 적어도 하나의 소셜 사용자 집합의 신용 점수 및 적어도 하나의 소셜 사용자 집합과 타겟 소셜 사용자 집합 사이의 소셜 관계에 따라, 소셜 사용자 집합들의 신용 점수들을 최적화하고 조정할 수 있다. 구체적인 반복 프로시저가 도 3에 도시될 수 있고, 구체적으로, 소셜 사용자 집합들의 신용 점수들을 최적화하고 반복하는 단계; 및 각각의 반복에서, 다수의 소셜 사용자 집합들 각각을 타겟 소셜 사용자 집합으로서 개별적으로 사용하는 단계, 적어도 하나의 소셜 사용자 집합과 타겟 소셜 사용자 집합 사이의 소셜 가중치 및 대응하는 소셜 사용자 집합의 신용 점수에 따라, 타겟 소셜 사용자 집합의 신용 점수를 최적화하고 조정하는 단계, 및 이러한 반복에서의 다수의 소셜 사용자 집합들 각각의 신용 점수와 이전 반복에서의 소셜 사용자 집합의 신용 점수 사이의 차이가 제1 미리 설정된 값보다 작은 이후 반복을 중단하는 단계- 소셜 사용자 집합의 획득된 신용 점수가 최적화 및 조정에 의해 획득되는 신용 점수임 -를 포함한다. 예를 들어, 집합 점수 최적화 유닛(642)은 이하의 식을 사용하여 다수의 소셜 사용자 집합들 각각의 신용 점수를 반복한다:
Figure pct00041
이고, 여기서
Figure pct00042
는 반복의 r번째 라운드에서의 i번째 소셜 사용자 집합의 신용 점수이고,
Figure pct00043
는 반복의 (r-1)번째 라운드에서의 i번째 소셜 사용자 집합과의 소셜 관계를 갖는 소셜 사용자 집합의 신용 점수이고,
Figure pct00044
는 i번째 소셜 사용자 집합과의 소셜 관계를 갖는 소셜 사용자 집합과 i번째 소셜 사용자 집합 사이의 소셜 가중치이고,
Figure pct00045
는 i번째 소셜 사용자 집합과의 소셜 관계를 갖는 소셜 사용자 집합 각각의 신용 점수와, 대응하는 소셜 사용자 집합과 i번째 소셜 사용자 집합 사이의 소셜 가중치의 모든 곱들의 합을 나타내고,
Figure pct00046
는 미리 설정된 댐핑 인자이다.
전술한 설명들은 반복 알고리즘의 예일 뿐이라는 점이 주목되어야 한다. 본 출원에서의 소셜 사용자 집합의 신용 점수를 반복하기 위한 알고리즘이 이러한 알고리즘에 제한되는 것으로 고려되어서는 안 되고, 열 전도 네트워크 반복 알고리즘과 같은 다른 알고리즘들이 적용 가능할 수 있다.
사용자 점수 수정 모듈(650)은 타겟 소셜 사용자 집합의 최적화되고 조정된 신용 점수에 따라 타겟 소셜 사용자 집합에서의 사용자들의 신용 점수들을 수정하도록 구성된다.
구체적으로, 사용자 점수 수정 모듈(650)은 타겟 소셜 사용자 집합에서의 사용자의 신용 점수를 대응하는 사용자의 초기 신용 점수와 타겟 소셜 사용자 집합의 최적화되고 조정된 신용 점수 사이의 임의의 값으로 수정할 수 있다. 예를 들어, 타겟 소셜 사용자 집합에서의 사용자의 정보가 누락되거나 잘못되면, 사용자 점수 수정 모듈(650)은 타겟 소셜 사용자 집합의 최적화되고 조정된 신용 점수를 사용자의 수정된 신용 점수로서 사용할 수 있다.
실시예에서, 사용자 점수 수정 모듈(650)은 타겟 소셜 사용자 집합의 신용 점수를 최적화하고 조정하기 위한 조정 값에 따라 타겟 소셜 사용자 집합에서의 사용자들의 신용 점수들을 수정할 수 있다. 예를 들어, 타겟 소셜 사용자 집합에서의 사용자들의 신용 점수들은 이하의 식을 사용하여 수정된다:
Figure pct00047
이고, 여기서
Figure pct00048
는 타겟 소셜 사용자 집합의 최적화되고 조정된 신용 점수이고,
Figure pct00049
는 타겟 소셜 사용자 집합의 초기 신용 점수이고,
Figure pct00050
는 타겟 소셜 사용자 집합에서의 j번째 사용자의 초기 신용 점수이고,
Figure pct00051
는 타겟 소셜 사용자 집합에서의 j번째 사용자의 수정된 신용 점수이다.
사용자 점수 수정 모듈(650)은 타겟 소셜 사용자 집합의 신용 점수를 최적화하고 조정하기 위한 조정 비율에 따라 타겟 소셜 사용자 집합에서의 사용자들의 신용 점수들의 대응하는 비율을 대안적으로 수정할 수 있다.
실시예에서, 사용자의 신용 점수에 대한 최적화 장치는,
사용자 점수 최적화 모듈(660)을 추가로 포함할 수 있고, 이는 타겟 소셜 사용자 집합에서의 타겟 사용자와 다른 사용자들 각각 사이의 소셜 관계 및 타겟 소셜 사용자 집합에서의 다른 사용자들의 신용 점수들에 따라, 타겟 사용자의 신용 점수를 최적화하고 조정하도록 구성된다.
하위 계층 공동체에서의 사용자들 사이의 소셜 관계들은 도 2에 도시되는 소셜 관계들, 예를 들어, 소셜 사용자 집합 A에서의 사용자들 a1, a2, 및 a3 사이의 소셜 관계들의 계층적 처리에 의해 획득된다. 실시예에서, 사용자들 a1, a2, 및 a3을 소셜 사용자 집합 A로 구분하는 이유는 배제될 수 있다. 예를 들어, 사용자들 a1, a2, 및 a3은 3명의 사용자들이 참여하는 동일한 소셜 그룹에 따라 소셜 사용자 집합 A로 구분되고, 사용자들 a1, a2, 및 a3 사이의 소셜 관계들이 고려될 때, 사용자들 a1, a2, 및 a3이 동일한 소셜 그룹에 참여한다는 정보는 무시될 수 있고, 사용자들 a1, a2, 및 a3 사이의 소셜 관계들은, 예를 들어, 3명의 사용자들 사이에 소셜 친구 관계가 수립되는지, 3명의 사용자들이 공통의 관심사를 갖는지, 3명의 사용자들이 동시에 소셜 이벤트에 참여하는지, 또는 3명의 사용자들이 동일한 지리적 위치에 위치되는지의 인자에 기초하여 결정될 수 있다.
동일한 소셜 사용자 집합에서의 2명의 사용자들이 소셜 관계를 가지면, 이러한 소셜 관계를 갖는 2명의 사용자들이 서로 영향을 미치거나, 이러한 소셜 관계를 갖는 2명의 사용자들의 신용 점수들이 서로의 기준으로서 사용될 수 있다는 점이 고려될 수 있다. 따라서, 사용자 점수 최적화 모듈(660)은 동일한 소셜 사용자 집합에 속하고 타겟 사용자와의 소셜 관계를 갖는 다른 사용자의 신용 점수에 따라 타겟 사용자의 신용 점수를 최적화하고 조정할 수 있고, 그렇게 함으로써 사용자의 해당 정보에 의해 야기되는 타겟 사용자의 부정확한 신용 점수가 불완전하게 또는 실수로 수집되는 문제점을 효과적으로 회피한다. 예를 들어, 타겟 사용자와의 소셜 관계를 갖는 모든 다른 사용자들의 신용 점수들의 평균 값이 타겟 사용자의 최적화되고 조정된 신용 점수로서 직접 사용되거나, 또는 타겟 사용자와의 소셜 관계들을 갖는 모든 다른 사용자들의 신용 점수들의 평균 값과 타겟 사용자의 초기 신용 점수 사이의 임의의 값이 타겟 사용자의 최적화되고 조정된 신용 점수로서 사용된다.
다음으로, 실시예에서, 도 8에 도시되는 바와 같이, 사용자 점수 최적화 모듈(660)은 이하의 유닛들을 추가로 포함할 수 있다:
사용자 가중치 획득 유닛(661)은 타겟 소셜 사용자 집합에서의 타겟 사용자와 사용자 사이의 소셜 관계에 따라 타겟 소셜 사용자 집합에서의 다른 사용자들 각각과 타겟 사용자 사이의 소셜 가중치를 결정하도록 구성된다.
이러한 소셜 가중치는 2명의 사용자들 사이의 소셜 관계의 친밀 정도를 정량화한 결과일 수 있다. 예를 들어, 2명의 사용자들 사이의 소셜 관계의 친밀 정도는 2명의 사용자들의 공통 소셜 친구들, 2명의 사용자들이 공동으로 참여하는 소셜 그룹, 2명의 사용자들이 공동으로 참여하는 소셜 이벤트, 2명의 사용자들 사이에 발생하는 소셜 이벤트의 빈도 등의 수량을 계산하는 것에 의해 정량화되어, 2명의 사용자들 사이의 소셜 가중치를 획득한다.
사용자 점수 최적화 유닛(662)은, 타겟 소셜 사용자 집합에서의 다른 사용자들 각각과 타겟 사용자 사이의 소셜 가중치 및 대응하는 사용자의 신용 점수에 따라, 타겟 사용자의 신용 점수를 최적화하고 조정하도록 구성된다.
2명의 사용자들 사이의 소셜 관계가 더 가까우면, 2명의 사용자들의 신용 점수들이 유사할 확률이 더 높다. 달리 말하면, 타겟 사용자의 친밀한 사용자의 신용 점수는 타겟 사용자의 신용 점수를 반영할 가능성이 높다. 따라서, 타겟 사용자의 신용 점수가 최적화되고 조정될 때, 타겟 사용자의 친밀한 사용자의 신용 점수의 영향 인자(소셜 가중치)가 더 큰 값으로 설정될 수 있다. 사용자 점수 최적화 유닛(662)은, 타겟 소셜 사용자 집합에서의 다른 사용자들 각각의 신용 점수 및 해당 사용자와 타겟 사용자 사이의 소셜 가중치에 따라, 타겟 소셜 사용자 집합의 신용 점수를 최적화하고 조정하고, 예를 들어,
Figure pct00052
이고, 여기서
Figure pct00053
는 타겟 사용자의 신용 점수이고,
Figure pct00054
는 타겟 사용자와의 소셜 관계를 갖는 k번째 사용자의 신용 점수이고,
Figure pct00055
는 k번째 사용자와 타겟 사용자 사이의 소셜 가중치이고,
Figure pct00056
는 타겟 소셜 사용자 집합에 존재하고 타겟 사용자와의 소셜 관계를 갖는 사용자 각각의 신용 점수와, 대응하는 사용자와 타겟 사용자 사이의 소셜 가중치의 모든 곱들의 합을 나타낸다. 이러한 구현은 신규 타겟 사용자가 타겟 소셜 사용자 집합에 추가되는 한편 다른 사용자들 모두 최적화되고 조정되는 상황에 특히 적용 가능하므로, 타겟 소셜 사용자 집합에서의 다른 사용자들을 다시 최적화하고 조정하지 않고 타겟 사용자만이 개별적으로 최적화하고 조정된다.
다른 실시예에서, 사용자 점수 최적화 유닛(662)은, 소셜 사용자 집합에서의 사용자들의 신용 점수들 및 소셜 사용자 집합에서의 사용자들 사이의 소셜 관계에 따라, 소셜 사용자 집합에서의 사용자들의 신용 점수들을 최적화하고 반복할 수 있다. 구체적인 반복 프로시저가 도 5에 도시될 수 있고, 이는, 각각의 반복에서, 타겟 소셜 사용자 집합에서의 사용자 각각을 타겟 사용자로서 개별적으로 사용하는 단계, 타겟 소셜 사용자 집합에서의 다른 사용자들 각각과 타겟 사용자 사이의 소셜 가중치 및 대응하는 사용자의 신용 점수에 따라, 타겟 사용자의 신용 점수를 최적화하고 조정하는 단계, 및 이러한 반복에서의 타겟 소셜 사용자 집합에서의 사용자 각각의 신용 점수와 이전 반복에서의 사용자의 신용 점수 사이의 차이가 제2 미리 설정된 값보다 작은 이후 반복을 중단하는 단계- 사용자의 획득된 신용 점수가 최적화 및 조정에 의해 획득되는 신용 점수임 -를 포함한다. 예를 들어, 사용자 점수 최적화 유닛(662)은 이하의 식을 사용하여 타겟 소셜 사용자 집합에서의 사용자들의 신용 점수들을 최적화하고 조정할 수 있다:
Figure pct00057
이고, 여기서
Figure pct00058
는 반복의 r번째 라운드에서의 i번째 사용자의 신용 점수이고,
Figure pct00059
는 반복의 (r-1)번째 라운드에서의 타겟 소셜 사용자 집합에서의 i번째 사용자와의 소셜 관계를 갖는 사용자의 신용 점수이고,
Figure pct00060
는 타겟 소셜 사용자 집합에서의 i번째 사용자와의 소셜 관계를 갖는 사용자와 i번째 사용자 사이의 소셜 가중치이고,
Figure pct00061
는 타겟 소셜 사용자 집합에서의 i번째 사용자와의 소셜 관계를 갖는 사용자 각각의 신용 점수와, 대응하는 사용자와 i번째 사용자 사이의 소셜 가중치의 모든 곱들의 합을 나타내고,
Figure pct00062
는 미리 설정된 댐핑 인자이다.
전술한 설명들은 반복 알고리즘의 예일 뿐이라는 점이 주목되어야 한다. 본 출원에서의 소셜 사용자 집합의 신용 점수를 반복하기 위한 알고리즘이 이러한 알고리즘에 제한되는 것으로 고려되어서는 안 되고, 열 전도 네트워크 반복 알고리즘과 같은 다른 알고리즘들이 적용 가능할 수 있다.
본 출원의 본 실시예에서, 이러한 장치는 정보 푸시 모듈(670) 및 서비스 모니터링 모듈(680) 중 임의의 하나 또는 둘을 추가로 포함할 수 있고:
정보 푸시 모듈(670)은 대응하는 사용자의 신용 점수에 따라 사용자에 대한 제품 정보를 푸시하도록, 즉, 본 출원의 구현을 사용하여 수정되거나 또는 최적화되는 사용자의 신용 점수에 따라 대응하는 사용자에 대한 제품 정보를 푸시하도록, 예를 들어, 금융 제품 정보 또는 고정 자산 관리 제품 정보를 푸시하도록 구성되고;
서비스 모니터링 모듈(680)은 대응하는 사용자의 신용 점수에 따라 사용자의 데이터 서비스를 모니터링하고 관리하도록, 즉, 본 출원의 구현을 사용하여 수정되거나 또는 최적화되는 대응하는 사용자의 신용 점수에 따라 사용자의 데이터 서비스를 모니터링하고 관리하도록, 예를 들어, 대응하는 사용자의 대출 서비스에 관한 리스크 관리를 수행하도록 또는 사용자의 현재 자금의 관리에 관한 제안을 제시하도록 구성된다.
도 9는 본 출원의 실시예에 따른 사용자의 신용 점수에 대한 최적화 장치의 하드웨어 구조의 블록도이다. 이러한 장치는 프로세서(901), 버스(902), 및 메모리(903)를 포함할 수 있다. 프로세서(901) 및 메모리(903)는 버스(902)를 사용하여 상호 접속된다.
메모리(903)는 사용자 점수 획득 모듈(610), 집합 점수 획득 모듈(620), 집합 관계 획득 모듈(630), 집합 점수 최적화 모듈(640), 사용자 점수 수정 모듈(650), 사용자 점수 최적화 모듈(660), 정보 푸시 모듈(670), 및 서비스 모니터링 모듈(680)을 저장한다.
프로세서(901)에 의해 수행될 때, 메모리(903)에 저장되는 모듈들에 의해 수행되는 동작들은 전술한 실시예에서의 것들과 동일하고, 상세 사항들이 본 명세서에서 다시 설명되지는 않는다.
본 실시예에서, 사용자가 속하는 소셜 사용자 집합의 신용 점수를 계산하고 소셜 사용자 집합들 사이의 소셜 관계에 따라 소셜 사용자 집합의 신용 점수를 최적화하고 조정한 이후, 사용자의 신용 점수에 대한 최적화 장치는 소셜 사용자 집합의 최적화되고 조정된 신용 점수에 따라 소셜 사용자 집합에서의 사용자들의 신용 점수들을 수정하고, 소셜 사용자 집합에서의 사용자들 사이의 소셜 관계에 따라 소셜 사용자 집합에서의 사용자들의 신용 점수들을 최적화하고 조정할 수 있어, 소셜 사용자 집합의 정보와 조합하여 사용자들의 신용 점수들을 최적화한다. 사용자들의 신용 점수들을 계산하는 것은 더 이상 사용자들의 개인 정보에만 따르지 않으므로, 사용자들의 신용 점수들의 정확성이 효과적으로 증가될 수 있다.
해당 분야에서의 통상의 기술자는 실시예들에서의 방법들의 프로세스들 중 일부 또는 전부가 관련 하드웨어에 명령하는 컴퓨터 프로그램에 의해 구현될 수 있다는 점을 이해할 수 있다. 이러한 프로그램은 컴퓨터 판독 가능 저장 매체에 저장될 수 있다. 프로그램이 실행될 때, 실시예들에서의 방법들의 프로세스들이 수행된다. 이러한 저장 매체는, 자기 디스크, 광 디스크, ROM(read-only memory), RAM(random access memory) 등일 수 있다.
위에 개시된 것은 단지 본 출원의 바람직한 실시예들일 뿐이고, 물론 본 출원의 보호 범위를 제한하려고 의도되는 것은 아니다. 따라서, 본 출원의 청구항들에 따라 이루어지는 균등한 변형들은 본 출원의 범위 내에 속할 것이다.

Claims (24)

  1. 사용자의 신용 점수에 대한 최적화 방법으로서,
    다수의 소셜 사용자 집합들에서의 사용자들의 초기 신용 점수들을 획득하는 단계;
    상기 소셜 사용자 집합들에서의 사용자들의 초기 신용 점수들에 따라 상기 소셜 사용자 집합들의 초기 신용 점수들을 획득하는 단계;
    2개의 소셜 사용자 집합들 각각 사이의 소셜 관계를 상기 2개의 소셜 사용자 집합들 각각에서의 사용자들 사이의 소셜 관계에 따라 결정하는 단계;
    타겟 소셜 사용자 집합과의 소셜 관계를 갖는 적어도 하나의 소셜 사용자 집합의 신용 점수 및 상기 적어도 하나의 소셜 사용자 집합과 상기 타겟 소셜 사용자 집합 사이의 소셜 관계에 따라, 상기 타겟 소셜 사용자 집합의 신용 점수를 최적화하고 조정하는 단계; 및
    상기 타겟 소셜 사용자 집합의 최적화되고 조정된 신용 점수에 따라 상기 타겟 소셜 사용자 집합에서의 사용자들의 신용 점수들을 수정하는 단계
    를 포함하는 사용자의 신용 점수에 대한 최적화 방법.
  2. 제1항에 있어서,
    상기 타겟 소셜 사용자 집합의 최적화되고 조정된 신용 점수에 따라 상기 타겟 소셜 사용자 집합에서의 사용자들의 신용 점수들을 수정하는 상기 단계 이후, 상기 방법은,
    상기 타겟 소셜 사용자 집합에서의 타겟 사용자와 다른 사용자들 각각 사이의 소셜 관계 및 상기 타겟 소셜 사용자 집합에서의 상기 다른 사용자들의 신용 점수들에 따라, 상기 타겟 사용자의 신용 점수를 최적화하고 조정하는 단계를 추가로 포함하는 사용자의 신용 점수에 대한 최적화 방법.
  3. 제1항에 있어서,
    타겟 소셜 사용자 집합과의 소셜 관계를 갖는 적어도 하나의 소셜 사용자 집합의 신용 점수 및 상기 적어도 하나의 소셜 사용자 집합과 상기 타겟 소셜 사용자 집합 사이의 소셜 관계에 따라, 상기 타겟 소셜 사용자 집합의 신용 점수를 최적화하고 조정하는 상기 단계는,
    상기 소셜 사용자 집합과 상기 타겟 소셜 사용자 집합 사이의 소셜 관계에 따라 소셜 사용자 집합 각각과 상기 타겟 소셜 사용자 집합 사이의 소셜 가중치를 결정하는 단계, 및 상기 적어도 하나의 소셜 사용자 집합과 상기 타겟 소셜 사용자 집합 사이의 소셜 가중치 및 대응하는 소셜 사용자 집합의 신용 점수에 따라, 상기 타겟 소셜 사용자 집합의 신용 점수를 최적화하고 조정하는 단계를 포함하는 사용자의 신용 점수에 대한 최적화 방법.
  4. 제3항에 있어서,
    상기 소셜 사용자 집합들과 상기 타겟 소셜 사용자 집합 사이의 소셜 관계에 따라 소셜 사용자 집합 각각과 상기 타겟 소셜 사용자 집합 사이의 소셜 가중치를 결정하는 상기 단계는,
    상기 소셜 사용자 집합들에서의 소셜 연관된 사용자를 각각 갖는 사용자들 대 상기 타겟 소셜 사용자 집합에서의 사용자들의 비율에 따라 소셜 사용자 집합 각각과 상기 타겟 소셜 사용자 집합 사이의 소셜 가중치를 결정하는 단계를 포함하는 사용자의 신용 점수에 대한 최적화 방법.
  5. 제3항에 있어서,
    상기 적어도 하나의 소셜 사용자 집합과 상기 타겟 소셜 사용자 집합 사이의 소셜 가중치 및 대응하는 소셜 사용자 집합의 신용 점수에 따라, 상기 타겟 소셜 사용자 집합의 신용 점수를 최적화하고 조정하는 상기 단계는,
    상기 소셜 사용자 집합들의 신용 점수들을 최적화하고 반복하는 단계; 및 각각의 반복에서, 상기 다수의 소셜 사용자 집합들 각각을 상기 타겟 소셜 사용자 집합으로서 개별적으로 사용하는 단계, 상기 적어도 하나의 소셜 사용자 집합과 상기 타겟 소셜 사용자 집합 사이의 소셜 가중치 및 상기 대응하는 소셜 사용자 집합의 신용 점수에 따라, 상기 타겟 소셜 사용자 집합의 신용 점수를 최적화하고 조정하는 단계, 및 이러한 반복에서의 상기 다수의 소셜 사용자 집합들 각각의 신용 점수와 이전 반복에서의 상기 소셜 사용자 집합의 신용 점수 사이의 차이가 제1 미리 설정된 값보다 작은 이후 상기 반복을 중단하는 단계- 상기 소셜 사용자 집합의 획득된 신용 점수가 최적화 및 조정에 의해 획득되는 신용 점수임 -를 포함하는 사용자의 신용 점수에 대한 최적화 방법.
  6. 제5항에 있어서,
    상기 소셜 사용자 집합들의 신용 점수들을 최적화하고 반복하는 상기 단계; 및 각각의 반복에서, 상기 다수의 소셜 사용자 집합들 각각을 상기 타겟 소셜 사용자 집합으로서 개별적으로 사용하는 단계, 상기 적어도 하나의 소셜 사용자 집합과 상기 타겟 소셜 사용자 집합 사이의 소셜 가중치 및 상기 대응하는 소셜 사용자 집합의 신용 점수에 따라, 상기 타겟 소셜 사용자 집합의 신용 점수를 최적화하고 조정하는 상기 단계는,
    이하의 식을 사용하여 상기 다수의 소셜 사용자 집합들 각각의 신용 점수를 반복하는 단계-
    Figure pct00063
    이고, 여기서
    Figure pct00064
    는 반복의 r번째 라운드에서의 i번째 소셜 사용자 집합의 신용 점수이고,
    Figure pct00065
    는 반복의 (r-1)번째 라운드에서의 상기 i번째 소셜 사용자 집합과의 소셜 관계를 갖는 소셜 사용자 집합의 신용 점수이고,
    Figure pct00066
    는 상기 i번째 소셜 사용자 집합과의 소셜 관계를 갖는 소셜 사용자 집합과 상기 i번째 소셜 사용자 집합 사이의 소셜 가중치이고,
    Figure pct00067
    는 상기 i번째 소셜 사용자 집합과의 소셜 관계를 갖는 소셜 사용자 집합 각각의 신용 점수와, 상기 대응하는 소셜 사용자 집합과 상기 i번째 소셜 사용자 집합 사이의 소셜 가중치의 모든 곱들의 합을 나타내고,
    Figure pct00068
    는 미리 설정된 댐핑 인자임 -를 포함하는 사용자의 신용 점수에 대한 최적화 방법.
  7. 제2항에 있어서,
    상기 타겟 소셜 사용자 집합에서의 타겟 사용자와 다른 사용자들 각각 사이의 소셜 관계 및 상기 타겟 소셜 사용자 집합에서의 상기 다른 사용자들의 신용 점수들에 따라, 상기 타겟 사용자의 신용 점수를 최적화하고 조정하는 상기 단계는,
    상기 타겟 소셜 사용자 집합에서의 상기 타겟 사용자와 상기 사용자 사이의 소셜 관계에 따라 상기 타겟 소셜 사용자 집합에서의 상기 다른 사용자들 각각과 상기 타겟 사용자 사이의 소셜 가중치를 결정하는 단계, 및 상기 타겟 소셜 사용자 집합에서의 다른 사용자들 각각과 상기 타겟 사용자 사이의 소셜 가중치 및 대응하는 사용자의 신용 점수에 따라, 상기 타겟 사용자의 신용 점수를 최적화하고 조정하는 단계를 포함하는 사용자의 신용 점수에 대한 최적화 방법.
  8. 제7항에 있어서,
    상기 타겟 소셜 사용자 집합에서의 다른 사용자들 각각과 상기 타겟 사용자 사이의 소셜 가중치 및 상기 대응하는 사용자의 신용 점수에 따라, 상기 타겟 사용자의 신용 점수를 최적화하고 조정하는 상기 단계는,
    상기 타겟 소셜 사용자 집합에서의 상기 사용자들의 신용 점수들을 최적화하고 반복하는 단계; 및 각각의 반복에서, 상기 타겟 소셜 사용자 집합에서의 소셜 사용자 각각을 상기 타겟 사용자로서 개별적으로 사용하는 단계, 상기 타겟 소셜 사용자 집합에서의 다른 사용자들 각각과 상기 타겟 사용자 사이의 소셜 가중치 및 상기 대응하는 사용자의 신용 점수에 따라, 상기 타겟 사용자의 신용 점수를 최적화하고 조정하는 단계, 및 이러한 반복에서의 상기 타겟 소셜 사용자 집합에서의 사용자 각각의 신용 점수와 이전 반복에서의 상기 사용자의 신용 점수 사이의 차이가 제2 미리 설정된 값보다 작은 이후 상기 반복을 중단하는 단계- 상기 사용자의 획득된 신용 점수가 최적화 및 조정에 의해 획득되는 신용 점수임 -를 포함하는 사용자의 신용 점수에 대한 최적화 방법.
  9. 제8항에 있어서,
    상기 타겟 소셜 사용자 집합에서의 상기 사용자들의 신용 점수들을 최적화하고 반복하는 상기 단계; 및 각각의 반복에서, 상기 타겟 소셜 사용자 집합에서의 사용자 각각을 상기 타겟 사용자로서 개별적으로 사용하는 단계, 상기 타겟 소셜 사용자 집합에서의 다른 사용자들 각각과 상기 타겟 사용자 사이의 소셜 가중치 및 상기 대응하는 사용자의 신용 점수에 따라, 상기 타겟 사용자의 신용 점수를 최적화하고 조정하는 상기 단계는,
    이하의 식을 사용하여 상기 타겟 소셜 사용자 집합에서의 사용자 각각의 신용 점수를 반복하는 단계-
    Figure pct00069
    이고, 여기서
    Figure pct00070
    는 반복의 r번째 라운드에서의 i번째 사용자의 신용 점수이고,
    Figure pct00071
    는 반복의 (r-1)번째 라운드에서의 상기 타겟 소셜 사용자 집합에서의 i번째 사용자와의 소셜 관계를 갖는 사용자의 신용 점수이고,
    Figure pct00072
    는 상기 타겟 소셜 사용자 집합에서의 상기 i번째 사용자와의 소셜 관계를 갖는 사용자와 상기 i번째 사용자 사이의 소셜 가중치이고,
    Figure pct00073
    는 상기 타겟 소셜 사용자 집합에서의 상기 i번째 사용자와의 소셜 관계를 갖는 사용자 각각의 신용 점수와, 상기 대응하는 사용자와 상기 i번째 사용자 사이의 소셜 가중치의 모든 곱들의 합을 나타내고,
    Figure pct00074
    는 미리 설정된 댐핑 인자임 -를 포함하는 사용자의 신용 점수에 대한 최적화 방법.
  10. 제1항에 있어서,
    상기 타겟 소셜 사용자 집합의 최적화되고 조정된 신용 점수에 따라 상기 타겟 소셜 사용자 집합에서의 사용자들의 신용 점수들을 수정하는 상기 단계는,
    상기 타겟 소셜 사용자 집합의 신용 점수를 최적화하고 조정하기 위한 조정 값에 따라 상기 타겟 소셜 사용자 집합에서의 상기 사용자들의 신용 점수들을 수정하는 단계를 포함하는 사용자의 신용 점수에 대한 최적화 방법.
  11. 제10항에 있어서,
    상기 타겟 소셜 사용자 집합의 신용 점수를 최적화하고 조정하기 위한 조정 값에 따라 상기 타겟 소셜 사용자 집합에서의 상기 사용자들의 신용 점수들을 수정하는 상기 단계는,
    이하의 식을 사용하여 상기 타겟 소셜 사용자 집합에서의 상기 사용자들의 신용 점수들을 수정하는 단계-
    Figure pct00075
    이고, 여기서
    Figure pct00076
    는 상기 타겟 소셜 사용자 집합의 최적화되고 조정된 신용 점수이고,
    Figure pct00077
    는 상기 타겟 소셜 사용자 집합의 초기 신용 점수이고,
    Figure pct00078
    는 상기 타겟 소셜 사용자 집합에서의 j번째 사용자의 초기 신용 점수이고,
    Figure pct00079
    는 상기 타겟 소셜 사용자 집합에서의 j번째 사용자의 수정된 신용 점수임 -를 포함하는 사용자의 신용 점수에 대한 최적화 방법.
  12. 제1항 내지 제11항 중 어느 한 항에 있어서,
    상기 방법은,
    상기 대응하는 사용자의 신용 점수에 따라 사용자에 대한 제품 정보를 푸시하는 단계; 또는
    상기 대응하는 사용자의 신용 점수에 따라 사용자의 데이터 서비스를 모니터링하고 관리하는 단계
    를 추가로 포함하는 사용자의 신용 점수에 대한 최적화 방법.
  13. 사용자의 신용 점수에 대한 최적화 장치로서,
    상기 장치는 적어도 프로세서 및 메모리를 포함하고, 상기 메모리는 사용자 점수 획득 모듈, 집합 점수 획득 모듈, 집합 관계 획득 모듈, 집합 점수 최적화 모듈, 및 사용자 점수 수정 모듈을 저장하고, 상기 프로세서에 의해 실행될 때,
    상기 사용자 점수 획득 모듈은 다수의 소셜 사용자 집합들에서의 사용자들의 초기 신용 점수들을 획득하도록 구성되고;
    상기 집합 점수 획득 모듈은 상기 소셜 사용자 집합들에서의 상기 사용자들의 초기 신용 점수들에 따라 상기 소셜 사용자 집합들의 초기 신용 점수들을 획득하도록 구성되고;
    상기 집합 관계 획득 모듈은 2개의 소셜 사용자 집합들 각각에서의 사용자들 사이의 소셜 관계에 따라 2개의 소셜 사용자 집합들 각각 사이의 소셜 관계를 결정하도록 구성되고;
    상기 집합 점수 최적화 모듈은, 타겟 소셜 사용자 집합과의 소셜 관계를 갖는 적어도 하나의 소셜 사용자 집합의 신용 점수 및 상기 적어도 하나의 소셜 사용자 집합과 상기 타겟 소셜 사용자 집합 사이의 상기 소셜 관계에 따라, 상기 타겟 소셜 사용자 집합의 신용 점수를 최적화하고 조정하도록 구성되고;
    상기 사용자 점수 수정 모듈은 상기 타겟 소셜 사용자 집합의 최적화되고 조정된 신용 점수에 따라 상기 타겟 소셜 사용자 집합에서의 상기 사용자들의 신용 점수들을 수정하도록 구성되는 사용자의 신용 점수에 대한 최적화 장치.
  14. 제13항에 있어서,
    상기 메모리는 사용자 점수 최적화 모듈을 추가로 저장하고, 상기 프로세서에 의해 실행될 때,
    상기 사용자 점수 최적화 모듈은, 상기 타겟 소셜 사용자 집합에서의 타겟 사용자와 다른 사용자들 각각 사이의 소셜 관계 및 상기 타겟 소셜 사용자 집합에서의 다른 사용자들의 신용 점수들에 따라, 상기 타겟 사용자의 신용 점수를 최적화하고 조정하도록 구성되는 사용자의 신용 점수에 대한 최적화 장치.
  15. 제13항에 있어서,
    상기 집합 점수 최적화 모듈은 집합 가중치 획득 유닛 및 집합 점수 최적화 유닛을 포함하고, 상기 프로세서에 의해 실행될 때,
    상기 집합 가중치 획득 유닛은 상기 소셜 사용자 집합과 상기 타겟 소셜 사용자 집합 사이의 소셜 관계에 따라 각각의 소셜 사용자 집합과 상기 타겟 소셜 사용자 집합 사이의 소셜 가중치를 결정하도록 구성되고;
    상기 집합 점수 최적화 유닛은, 상기 적어도 하나의 소셜 사용자 집합과 상기 타겟 소셜 사용자 집합 사이의 소셜 가중치 및 대응하는 소셜 사용자 집합의 신용 점수에 따라, 상기 타겟 소셜 사용자 집합의 신용 점수를 최적화하고 조정하도록 구성되는 사용자의 신용 점수에 대한 최적화 장치.
  16. 제15항에 있어서,
    상기 프로세서에 의해 실행될 때,
    상기 집합 가중치 획득 유닛은,
    상기 소셜 사용자 집합들에서의 소셜 연관된 사용자를 각각 갖는 사용자들 대 상기 타겟 소셜 사용자 집합에서의 사용자들의 비율에 따라 소셜 사용자 집합 각각과 상기 타겟 소셜 사용자 집합 사이의 소셜 가중치를 결정하도록 구성되는 사용자의 신용 점수에 대한 최적화 장치.
  17. 제15항에 있어서,
    상기 프로세서에 의해 실행될 때,
    상기 집합 가중치 최적화 유닛은,
    상기 소셜 사용자 집합들의 신용 점수들을 최적화하고 반복하도록; 그리고 각각의 반복에서, 상기 다수의 소셜 사용자 집합들 각각을 상기 타겟 소셜 사용자 집합으로서 개별적으로 사용하도록, 상기 적어도 하나의 소셜 사용자 집합과 상기 타겟 소셜 사용자 집합 사이의 소셜 가중치 및 상기 대응하는 소셜 사용자 집합의 신용 점수에 따라, 상기 타겟 소셜 사용자 집합의 신용 점수를 최적화하고 조정하도록, 그리고 이러한 반복에서의 상기 다수의 소셜 사용자 집합들 각각의 신용 점수와 이전 반복에서의 상기 소셜 사용자 집합의 신용 점수 사이의 차이가 제1 미리 설정된 값보다 작은 이후 상기 반복을 중단하도록- 상기 소셜 사용자 집합의 획득된 신용 점수가 최적화 및 조정에 의해 획득되는 신용 점수임 - 구성되는 사용자의 신용 점수에 대한 최적화 장치.
  18. 제17항에 있어서,
    상기 프로세서에 의해 실행될 때,
    상기 집합 가중치 최적화 유닛은,
    이하의 식을 사용하여 상기 다수의 소셜 사용자 집합들 각각의 신용 점수를 반복하도록-
    Figure pct00080
    이고, 여기서
    Figure pct00081
    는 반복의 r번째 라운드에서의 i번째 소셜 사용자 집합의 신용 점수이고,
    Figure pct00082
    는 반복의 (r-1)번째 라운드에서의 상기 i번째 소셜 사용자 집합과의 소셜 관계를 갖는 소셜 사용자 집합의 신용 점수이고,
    Figure pct00083
    는 상기 i번째 소셜 사용자 집합과의 소셜 관계를 갖는 소셜 사용자 집합과 상기 i번째 소셜 사용자 집합 사이의 소셜 가중치이고,
    Figure pct00084
    는 상기 i번째 소셜 사용자 집합과의 소셜 관계를 갖는 소셜 사용자 집합 각각의 신용 점수와, 상기 대응하는 소셜 사용자 집합과 상기 i번째 소셜 사용자 집합 사이의 소셜 가중치의 모든 곱들의 합을 나타내고,
    Figure pct00085
    는 미리 설정된 댐핑 인자임 - 구성되는 사용자의 신용 점수에 대한 최적화 장치.
  19. 제14항에 있어서,
    상기 집합 점수 최적화 모듈은 사용자 가중치 획득 유닛 및 사용자 점수 최적화 유닛을 포함하고, 상기 프로세서에 의해 실행될 때,
    상기 사용자 가중치 획득 유닛은 상기 타겟 소셜 사용자 집합에서의 상기 타겟 사용자와 상기 사용자 사이의 소셜 관계에 따라 상기 타겟 소셜 사용자 집합에서의 다른 사용자들 각각과 상기 타겟 사용자 사이의 소셜 가중치를 결정하도록 구성되고;
    상기 사용자 점수 최적화 유닛은, 상기 타겟 소셜 사용자 집합에서의 다른 사용자들 각각과 상기 타겟 사용자 사이의 소셜 가중치 및 대응하는 사용자의 신용 점수에 따라, 상기 타겟 사용자의 신용 점수를 최적화하고 조정하도록 구성되는 사용자의 신용 점수에 대한 최적화 장치.
  20. 제19항에 있어서,
    상기 프로세서에 의해 실행될 때,
    상기 사용자 가중치 최적화 유닛은,
    상기 타겟 소셜 사용자 집합에서의 사용자들의 신용 점수들을 최적화하고 반복하도록; 그리고 각각의 반복에서, 상기 타겟 소셜 사용자 집합에서의 사용자 각각을 상기 타겟 사용자로서 개별적으로 사용하도록, 상기 타겟 소셜 사용자 집합에서의 다른 사용자들 각각과 상기 타겟 사용자 사이의 소셜 가중치 및 상기 대응하는 사용자의 신용 점수에 따라, 상기 타겟 사용자의 신용 점수를 최적화하고 조정하도록, 그리고 이러한 반복에서의 상기 타겟 소셜 사용자 집합에서의 사용자 각각의 신용 점수와 이전 반복에서의 상기 사용자의 신용 점수 사이의 차이가 제2 미리 설정된 값보다 작은 이후 상기 반복을 중단하도록- 상기 사용자의 획득된 신용 점수가 최적화 및 조정에 의해 획득되는 신용 점수임 - 구성되는 사용자의 신용 점수에 대한 최적화 장치.
  21. 제20항에 있어서,
    상기 프로세서에 의해 실행될 때,
    상기 사용자 가중치 최적화 유닛은,
    이하의 식을 사용하여 상기 타겟 소셜 사용자 집합에서의 상기 사용자들의 신용 점수들을 반복하도록-
    Figure pct00086
    이고, 여기서
    Figure pct00087
    는 반복의 r번째 라운드에서의 i번째 사용자의 신용 점수이고,
    Figure pct00088
    는 반복의 (r-1)번째 라운드에서의 상기 타겟 소셜 사용자 집합에서의 i번째 사용자와의 소셜 관계를 갖는 사용자의 신용 점수이고,
    Figure pct00089
    는 상기 타겟 소셜 사용자 집합에서의 상기 i번째 사용자와의 소셜 관계를 갖는 사용자와 상기 i번째 사용자 사이의 소셜 가중치이고,
    Figure pct00090
    는 상기 타겟 소셜 사용자 집합에서의 상기 i번째 사용자와의 소셜 관계를 갖는 사용자 각각의 신용 점수와, 상기 대응하는 사용자와 상기 i번째 사용자 사이의 소셜 가중치의 모든 곱들의 합을 나타내고,
    Figure pct00091
    는 미리 설정된 댐핑 인자임 - 구성되는 사용자의 신용 점수에 대한 최적화 장치.
  22. 제13항에 있어서,
    상기 프로세서에 의해 실행될 때,
    상기 사용자 점수 수정 모듈은,
    상기 타겟 소셜 사용자 집합의 신용 점수를 최적화하고 조정하기 위한 조정 값에 따라 상기 타겟 소셜 사용자 집합에서의 상기 사용자들의 신용 점수들을 수정하도록 구성되는 사용자의 신용 점수에 대한 최적화 장치.
  23. 제22항에 있어서,
    상기 프로세서에 의해 실행될 때,
    상기 사용자 점수 수정 모듈은,
    이하의 식을 사용하여 상기 타겟 소셜 사용자 집합에서의 상기 사용자들의 신용 점수들을 수정하도록-
    Figure pct00092
    이고, 여기서
    Figure pct00093
    는 상기 타겟 소셜 사용자 집합의 최적화되고 조정된 신용 점수이고,
    Figure pct00094
    는 상기 타겟 소셜 사용자 집합의 초기 신용 점수이고,
    Figure pct00095
    는 상기 타겟 소셜 사용자 집합에서의 j번째 사용자의 초기 신용 점수이고,
    Figure pct00096
    는 상기 타겟 소셜 사용자 집합에서의 j번째 사용자의 수정된 신용 점수임 - 구성되는 사용자의 신용 점수에 대한 최적화 장치.
  24. 제13항 내지 제23항 중 어느 한 항에 있어서,
    상기 메모리는 정보 푸시 모듈 및 서비스 모니터링 모듈을 추가로 포함하고, 상기 프로세서에 의해 실행될 때,
    상기 정보 푸시 모듈은 상기 대응하는 사용자의 신용 점수에 따라 사용자에 대한 제품 정보를 푸시하도록 구성되거나, 또는
    상기 서비스 모니터링 모듈은 상기 대응하는 사용자의 신용 점수에 따라 사용자의 데이터 서비스를 모니터링하고 관리하도록 구성되는 사용자의 신용 점수에 대한 최적화 장치.
KR1020187015855A 2016-06-06 2017-06-06 사용자 신용 점수를 최적화하기 위한 방법 및 장치 KR102121360B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN201610396866.8A CN106156941B (zh) 2016-06-06 2016-06-06 一种用户信用评分优化方法和装置
CN201610396866.8 2016-06-06
PCT/CN2017/087261 WO2017211259A1 (zh) 2016-06-06 2017-06-06 一种用户信用评分优化方法和装置

Publications (2)

Publication Number Publication Date
KR20180081101A true KR20180081101A (ko) 2018-07-13
KR102121360B1 KR102121360B1 (ko) 2020-06-10

Family

ID=57353202

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020187015855A KR102121360B1 (ko) 2016-06-06 2017-06-06 사용자 신용 점수를 최적화하기 위한 방법 및 장치

Country Status (6)

Country Link
US (1) US20180276748A1 (ko)
EP (1) EP3467730A4 (ko)
JP (1) JP6685541B2 (ko)
KR (1) KR102121360B1 (ko)
CN (1) CN106156941B (ko)
WO (1) WO2017211259A1 (ko)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106156941B (zh) * 2016-06-06 2018-01-23 腾讯科技（深圳）有限公司 一种用户信用评分优化方法和装置
CN108399564B (zh) * 2017-02-08 2021-03-19 腾讯科技（深圳）有限公司 信用评分方法及装置
CN108416662B (zh) * 2017-02-10 2021-09-21 腾讯科技（深圳）有限公司 一种数据验证方法及装置
CN108280757B (zh) * 2017-02-13 2021-08-17 腾讯科技（深圳）有限公司 用户信用评估方法及装置
CN107257312B (zh) * 2017-05-10 2018-09-04 腾讯科技（深圳）有限公司 一种数据处理方法和装置
CN107688997A (zh) * 2017-08-23 2018-02-13 浙江天悦信息技术有限公司 一种基于通话记录实现微贷用户风险评分的算法
CN110163460B (zh) * 2018-03-30 2023-09-19 腾讯科技（深圳）有限公司 一种确定应用分值的方法及设备
CN108615119B (zh) * 2018-05-09 2024-02-06 广州地铁小额贷款有限公司 一种异常用户的识别方法及设备
CN108960563A (zh) * 2018-05-22 2018-12-07 深圳壹账通智能科技有限公司 一种商店的评级方法及其设备
CN109493182A (zh) * 2018-11-14 2019-03-19 沈阳林科信息技术有限公司 一种评价用户计费等级的信誉度系统
CN112041881A (zh) * 2019-04-26 2020-12-04 天空株式会社 通过社交网络的分析对用户进行评估的服务器、通过社交网络的分析对用户进行评估的方法及系统
CN110264093B (zh) * 2019-06-21 2023-08-01 深圳前海微众银行股份有限公司 信用模型的建立方法、装置、设备及可读存储介质
CN110348992B (zh) * 2019-06-25 2020-09-04 深圳中兴飞贷金融科技有限公司 用户信息处理方法和装置、存储介质和电子设备
CN110599312A (zh) * 2019-09-29 2019-12-20 支付宝(杭州)信息技术有限公司 基于信用的交互信用评估方法以及装置
CN110956386A (zh) * 2019-11-27 2020-04-03 北京国腾联信科技有限公司 基于多渠道的信用数据的处理方法和装置
JP7130314B1 (ja) * 2021-06-25 2022-09-05 楽天グループ株式会社 信用度判定システム、信用度判定方法及びプログラム
CN113592333A (zh) * 2021-08-07 2021-11-02 杭州找查科技有限公司 互联网综合评分方法、系统、装置及可读存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006260137A (ja) * 2005-03-17 2006-09-28 Fuji Xerox Co Ltd 組織情報管理装置
CN105225149A (zh) * 2015-09-07 2016-01-06 腾讯科技（深圳）有限公司 一种征信评分确定方法及装置
KR20160123041A (ko) * 2015-04-15 2016-10-25 이태진 소셜 정보 기반의 대출 서비스 시스템, 방법 및 컴퓨터 프로그램
KR20170013444A (ko) * 2015-07-27 2017-02-07 주식회사 에스티에이엠 소셜 네트워크 서비스 기반의 온라인 대출 방법 및 서버

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5099842B2 (ja) * 2008-05-28 2012-12-19 日本電信電話株式会社 ネットワーク可視化装置、ネットワーク可視化方法、プログラムおよび記録媒体
CN101685458B (zh) * 2008-09-27 2012-09-19 华为技术有限公司 一种基于协同过滤的推荐方法和系统
WO2010065108A1 (en) * 2008-12-01 2010-06-10 Topsy Labs, Inc Estimating influence
US20100241580A1 (en) * 2009-03-19 2010-09-23 Tagged, Inc. System and method of selecting a relevant user for introduction to a user in an online environment
JP2011170471A (ja) * 2010-02-17 2011-09-01 Nippon Telegr & Teleph Corp <Ntt> ソーシャルグラフ生成方法、ソーシャルグラフ生成装置、およびプログラム
US8694401B2 (en) * 2011-01-13 2014-04-08 Lenddo, Limited Systems and methods for using online social footprint for affecting lending performance and credit scoring
CN102780683B (zh) * 2011-05-12 2015-04-29 同济大学 基于社交网络的动态群体间信任度估算方法
US20130166436A1 (en) * 2011-12-22 2013-06-27 Ike O. Eze Deriving buyer purchasing power from buyer profile and social network data
US10397363B2 (en) * 2013-03-27 2019-08-27 Facebook, Inc. Scoring user characteristics
US20150019404A1 (en) * 2013-07-15 2015-01-15 TollShare, Inc. Creditworthiness determination through online social network endorsements
JP5731608B2 (ja) * 2013-10-02 2015-06-10 グーグル・インコーポレーテッド ソーシャルネットワーク用Ａｄｈｅａｔ広告モデル
JP6507498B2 (ja) * 2014-06-25 2019-05-08 富士通株式会社 ユーザ決定プログラム、ユーザ決定方法及びユーザ決定システム
CN105404947A (zh) * 2014-09-02 2016-03-16 阿里巴巴集团控股有限公司 用户质量侦测方法及装置
CN104463603B (zh) * 2014-12-05 2018-02-02 中国联合网络通信集团有限公司 一种信用评估方法及系统
CN106156941B (zh) * 2016-06-06 2018-01-23 腾讯科技（深圳）有限公司 一种用户信用评分优化方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006260137A (ja) * 2005-03-17 2006-09-28 Fuji Xerox Co Ltd 組織情報管理装置
KR20160123041A (ko) * 2015-04-15 2016-10-25 이태진 소셜 정보 기반의 대출 서비스 시스템, 방법 및 컴퓨터 프로그램
KR20170013444A (ko) * 2015-07-27 2017-02-07 주식회사 에스티에이엠 소셜 네트워크 서비스 기반의 온라인 대출 방법 및 서버
CN105225149A (zh) * 2015-09-07 2016-01-06 腾讯科技（深圳）有限公司 一种征信评分确定方法及装置

Also Published As

Publication number Publication date
EP3467730A4 (en) 2019-04-17
KR102121360B1 (ko) 2020-06-10
US20180276748A1 (en) 2018-09-27
JP2018536940A (ja) 2018-12-13
JP6685541B2 (ja) 2020-04-22
CN106156941B (zh) 2018-01-23
CN106156941A (zh) 2016-11-23
EP3467730A1 (en) 2019-04-10
WO2017211259A1 (zh) 2017-12-14

Similar Documents

Publication Publication Date Title
KR20180081101A (ko) 사용자 신용 점수를 최적화하기 위한 방법 및 장치
Lin et al. ELECTRE II method to deal with probabilistic linguistic term sets and its application to edge computing
CN106296669B (zh) 一种图像质量评价方法和装置
CN113095512A (zh) 联邦学习建模优化方法、设备、介质及计算机程序产品
Brinton et al. Social learning networks: Efficiency optimization for MOOC forums
CN106454437A (zh) 一种流媒体业务速率预测方法及装置
US20220237917A1 (en) Video comparison method and apparatus, computer device, and storage medium
Rehman et al. Multilayer perceptron neural network-based QoS-aware, content-aware and device-aware QoE prediction model: A proposed prediction model for medical ultrasound streaming over small cell networks
WO2024037368A1 (zh) 调度装置的调度优化方法、调度装置和存储介质
Pei et al. Parallel adaptive survivor selection
CN112395504A (zh) 一种基于序列胶囊网络的短视频点击率预测方法
CN112307258B (zh) 一种基于双层胶囊网络的短视频点击率预测方法
Huang et al. A statistical model for social network labeling
WO2019062404A1 (zh) 应用程序的处理方法、装置、存储介质及电子设备
CN116976461A (zh) 联邦学习方法、装置、设备及介质
Khajehali et al. A Comprehensive Overview of IoT-Based Federated Learning: Focusing on Client Selection Methods
CN110555564A (zh) 一种客户关联风险的预测方法及装置
Wang et al. Correcting biases in online social media data based on target distributions in the physical world
CN107330710A (zh) 一种原生广告的插入方法、装置及电子设备
Sinha et al. A dynamic microtask scheduling approach for SLO based human-augmented computing
CN111598390B (zh) 服务器高可用性评估方法、装置、设备和可读存储介质
Liu et al. Data analysis of the development status of Basketball National Fitness based on FOG Computing
Meidani et al. Uncertainty quantification for Markov chain models
CN112804304A (zh) 基于多点输出模型的任务节点分配方法、装置及相关设备
Wei et al. QoE Prediction for IPTV Based on Imbalanced Dataset by the PNN-PSO algorithm

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant