KR20190117857A

KR20190117857A - 신뢰 지수의 시간 의존 특징을 이용한 신뢰지수 예측 방법 및 시스템

Info

Publication number: KR20190117857A
Application number: KR1020180036065A
Authority: KR
Inventors: 윤태성; 배기웅
Original assignee: 한국과학기술원
Priority date: 2018-03-28
Filing date: 2018-03-28
Publication date: 2019-10-17
Also published as: KR102094595B1

Abstract

신뢰 지수의 시간 의존 특징을 이용한 신뢰지수 예측 방법 및 시스템이 개시된다. 컴퓨터로 구현되는 신뢰 지수(trust index) 예측 방법에 있어서, 거래와 관련된 고객 데이터, 회사 데이터 및 물건 데이터를 수집하는 단계, 수집된 상기 고객 데이터, 회사 데이터 및 물건 데이터를 진실(base), 능력(ability), 및 의도(intent)에 따라 분류하는 단계, 상기 진실, 능력, 및 의도로 분류된 데이터들을 대상으로, 딥러닝(deep learning) 구조(architecture)를 다르게 구성하는 단계, 및 새로운 거래가 발생함에 따라, 다르게 구성된 상기 딥러닝 구조를 기반으로 새로운 거래에 해당하는 신뢰 지수를 예측하는 단계를 포함할 수 있다.

Description

신뢰 지수의 시간 의존 특징을 이용한 신뢰지수 예측 방법 및 시스템{METHOD AND SYSTEM FORFORECASING DYNAMIC TRUST INDEX}

본 발명의 실시예들은 공유 경제 환경에서 자원 제공자, 자원, 자원 소비자의 신뢰도를 수치적으로 정량화한 신뢰 지수를 예측하는 기술에 관한 것이다.

경제의 발전과 함께 여분의 자원이 형성되면서 여분의 자원을 소유한 사람과 상기 여분의 자원을 활용하고자 하는 사람이 존재하게 되었다. 예를 들어, 자동차의 이용률은 약 4%이며, 운행 중인 자동차의 좌석이 꽉 차는 경우는 20% 정도로 전 세계의 자동차 수용 능력에는 막대한 여분이 존재한다. 이러한 여분의 자원을 플랫폼(platform)을 통해 공유 가능하도록 제공하여 경제적 이익을 얻는 것을 공유경제(共有經濟, sharing economy)라고 한다.

즉, 공유 경제는 자원을 소유의 개념이 아닌 서로 대여해 주고 차용해 쓰는 개념의 경제 활동으로서, 자원 제공자와 자원 소비자는 플랫폼을 통해 연결되어 일정 규모로 공유 경제 네트워크가 형성된다. 이러한, 공유 경제는 여러 분야에서 다양한 형태로 나타나고 있다. 예컨대, DVD 렌탈, 자동차 렌탈, P2P 숙박 공유, 장비 렌탈, 의복 렌탈 등 다양한 분야에서 존재하며, 공유 경제 시장이 커짐에 따라 대여한 물건을 험하게 사용하거나, 무분별한 낭비로 인해 자원 제공자가 피해를 보거나, 원래 소개되었던 물건에 비해 물건의 품질이 떨어져 자원 소비자가 피해를 보는 여러가지 문제점이 발생하고 있다.

예를 들어, 한복 대여 후, 반납된 한복이 찢어지거나 진한 얼룩이 묻는 등의 손상이 발생하는 문제점이 존재한다. 이외에, 자동차 렌탈 시 렌탈 계약 이전의 제품의 상태와 실제 렌탈된 제품의 상태가 다른 경우(예컨대, 타이어 흠집, 후미등/와이퍼 고장 등의 차량 정비 상태가 불량한 경우)가 존재하며, Airbnb 등에서 방/집을 대여하는 경우, 자원 제공자가 집을 소개한 사진과 자원 소비자가 실제 머물게 된 집의 상태가 차이가 많이 나거나, 자원 소비자가 무분별하게 수도/전기요금을 이용하여 자원 제공자가 과도한 수도/전기요금을 정산해야 하는 경우가 존재한다.

기존의 공유경제 네트워크 기반의 플랫폼은 자원 제공자와 자원 소비자를 연결하지만, 자원 제공자 또는 자원을 대상으로 자원 소비자가 일방적으로 평가 또는 리뷰하는 방식이다. 예컨대, 집/방 등에 숙박 후에 자원 소비자가 해당 자원 또는 자원 제공자에 대해 별점을 주거나 리뷰하는 등의 일방적인 평가 방식이며, 긍정 또는 부정의 형태로 단순화된 정보를 제공한다. 즉, 기존의 평판/리뷰 기반의 시스템은 과거에서 현재까지 관련된 정보만을 이용하고, 일방적인 정보만을 유통함, 긍정 또는 부정의 단순화된 형태로 제공된다는 제한이 존재한다.

이로 인해, 기업이 아닌 개인인 자원 제공자가 공유 경제 네트워크를 자신의 집 또는 자동차를 렌탈하는 경우, 자원 소비자의 무분별한 사용으로 인해 피해를 보는 상황이 여전히 존재한다. 이에 따라, 자원 소비자뿐만 아니라 자원 제공자 역시 안전한 자원 소비자를 선별할 수 있도록 도와주는 기술이 요구되며, 신뢰지수의 시간의존 특징을 이용하여 새로운 거래 발생시, 새로운 거래에 대한 신뢰지수를 예측하는 기술이 요구된다.

한국공개특허 제10-2017-0097497호는 공유경제를 이용한 큐레이팅 타이어 교체 서비스 시스템 및 방법에 관한 것으로, 데이터베이스를 참조하여 사용자가 사용중인 타이어 정보로부터 추출된 타이어 정보와 사용자가 입력하고 선택한 인자 정보에 대응하는 타이어를 소정 개수 추천하고, 추천된 타이어 중 타이어 교체를 예약하면 예약된 타이어를 사용자와 가까운 서비스 제휴업체로 배송요청하고, 사용자로부터 가까운 위치에 있는 서비스맨에게 사용자의 차량이 있는 곳으로 방문하도록 메시지를 전송함으로써, 장애인, 외국인 등 매장 방문 교체가 어려운 사람들이 타이어 교체가 가능하도록 하는 구성을 개시하고 있다.

본 발명의 일실시예는 플랫폼을 통해 형성된 공유경제 네트워크에서, 자원 제공자, 자원 소비자 및 자원의 3자 간의 상호 평가를 위한 신뢰 지표를 기반으로 산출된 신뢰 지수를 이용하여 새로운 거래에 대한 신뢰 지수를 예측하기 위한 것이다.

컴퓨터로 구현되는 신뢰 지수(trust index) 예측 방법에 있어서, 거래와 관련된 고객 데이터, 회사 데이터 및 물건 데이터를 수집하는 단계, 수집된 상기 고객 데이터, 회사 데이터 및 물건 데이터를 진실(base), 능력(ability), 및 의도(intent)에 따라 분류하는 단계, 상기 진실, 능력, 및 의도로 분류된 데이터들을 대상으로, 딥러닝(deep learning) 구조(architecture)를 다르게 구성하는 단계, 및 새로운 거래가 발생함에 따라, 다르게 구성된 상기 딥러닝 구조를 기반으로 새로운 거래에 해당하는 신뢰 지수를 예측하는 단계를 포함할 수 있다.

일측면에 따르면, 상기 딥러닝 구조를 다르게 구성하는 단계는, 상기 진실, 능력, 의도 별로 서로 다른 중요도를 적용하기 위해, 상기 진실, 능력, 의도 각각에 서로 다른 개수의 은닉층(hidden layer)을 적용하는 단계를 포함할 수 있다.

다른 측면에 따르면, 상기 신뢰 지수를 예측하는 단계는, 상기 새로운 거래와 관련하여 분할 및 결합 방법론(split & combine methodology)에 기초하여 상기 신뢰 지수를 예측할 수 있다.

또 다른 측면에 따르면, 상기 신뢰 지수를 예측하는 단계는, 수집된 상기 거래와 관련된 고객 데이터, 회사 데이터 및 물건 데이터를 저장 및 유지하고 있는 데이터베이스를 대상으로, 상기 새로운 거래와 유사도가 가장 높은 기존 거래를 복수개 검색하는 단계, 및 검색된 복수개의 상기 기존 거래를 대상으로, 기존 거래의 신뢰 지수의 평균을 계산하는 단계를 포함할 수 있다.

또 다른 측면에 따르면, 상기 유사도는 상기 새로운 거래와 기존 거래간의 유클리드 거리(Euclideandistance)에 기초하여 계산될 수 있다.

또 다른 측면에 따르면, 상기 새로운 거래와 유사도가 가장 높은 기존 거래를 복수개 검색하는 단계는, K-최근접 알고리즘(kNN algorithm)에 기초하여 상기 새로운 거래와 유사도가 가장 높은 순서로 복수개의 기존 거래를 검색할 수 있다.

또 다른 측면에 따르면, 상기 신뢰 지수를 예측하는 단계는, 상기 다르게 구성된 딥러닝 구조에 상기 새로운 구조에 해당하는 특징값(feature value)을 입력으로 대입하여 상기 새로운 구조에 해당하는 신뢰 지수를 계산하는 단계를 포함할 수 있다.

또 다른 측면에 따르면, 상기 신뢰 지수를 예측하는 단계는, 상기 다르게 구성된 딥러닝 구조에 기초하여 계산된 상기 새로운 거래에 해당하는 신뢰 지수 및 상기 새로운 거래와의 유사도에 기초하여 계산된 기존 거래의 신뢰지수의 평균을 대상으로, 평균값을 계산하여 상기 새로운 거래에 해당하는 최종 신뢰 지수를 예측할 수 있다.

또 다른 측면에 따르면, 상기 분류하는 단계는, 상기 새로운 거래가 발생할 때 마다 상기 새로운 거래에 해당하는 고객 데이터, 회사 데이터, 및 물건 데이터를 데이터프레임에 지정된 진실(base)에 해당하는 열(column)에 할당하는 단계, 상기 데이터베이스에서 상기 새로운 거래와 관련된 기존 거래의 고객 데이터, 회사 데이터, 및 물건 데이터와 연관하여 저장된 거래 내역들을 추출하는 단계, 추출된 상기 기존 거래의 거래 내역들을 상기 데이터프레임에 지정된 능력(ability)에 해당하는 열(column)에 할당하는 단계, 및 상기 새로운 거래에 해당하는 계약 조건을 상기 데이터프레임에 지정된 의도(intention)에 해당하는 열(column)에 할당하는 단계를 포함할 수 있다.

또 다른 측면에 따르면, 상기 데이터프레임은, 제1 열(column)부터 마지막 열까지 진실(base), 능력(ability), 의도(intention), 및 신뢰지수(trust index) 순서로 할당되도록 지정될 수 있다.

또 다른 측면에 따르면, 상기 의도의 중요도가 가장 높고, 상기 능력이 상기 진실보다 중요도가 높고, 상기 진실의 중요도가 가장 낮게 설정될 수 있다.

컴퓨터로 구현되는 신뢰 지수(trust index) 예측 시스템에 있어서, 거래와 관련된 고객 데이터, 회사 데이터 및 물건 데이터를 수집하는 데이터 수집부, 수집된 상기 고객 데이터, 회사 데이터 및 물건 데이터를 진실(base), 능력(ability), 및 의도(intent)에 따라 분류하는 분류부, 상기 진실, 능력, 및 의도로 분류된 데이터들을 대상으로, 딥러닝(deep learning) 구조(architecture)를 다르게 구성하는 딥러닝 제어부, 및 새로운 거래가 발생함에 따라, 다르게 구성된 상기 딥러닝 구조를 기반으로 새로운 거래에 해당하는 신뢰 지수를 예측하는 신뢰지수 예측부를 포함할 수 있다.

일측면에 따르면, 상기 딥러닝 제어부는, 상기 진실, 능력, 의도 별로 서로 다른 중요도를 적용하기 위해, 상기 진실, 능력, 의도 각각에 서로 다른 개수의 은닉층(hidden layer)을 적용할 수 있다.

다른 측면에 따르면, 상기 신뢰지수 예측부는, 상기 새로운 거래와 관련하여 분할 및 결합 방법론(split & combine methodology)에 기초하여 상기 신뢰 지수를 예측할 수 있다.

또 다른 측면에 따르면, 상기 신뢰지수 예측부는, 수집된 상기 거래와 관련된 고객 데이터, 회사 데이터 및 물건 데이터를 저장 및 유지하고 있는 데이터베이스를 대상으로, 상기 새로운 거래와 유사도가 가장 높은 기존 거래를 복수개 검색하고, 검색된 복수개의 상기 기존 거래를 대상으로, 기존 거래의 신뢰 지수의 평균을 계산할 수 있다.

또 다른 측면에 따르면, 상기 신뢰지수 예측부는, K-최근접 알고리즘(kNN algorithm)에 기초하여 상기 새로운 거래와 유사도가 가장 높은 순서로 복수개의 기존 거래를 검색할 수 있다.

또 다른 측면에 따르면, 상기 신뢰지수 예측부는, 상기 다르게 구성된 딥러닝 구조에 상기 새로운 구조에 해당하는 특징값(feature value)을 입력으로 대입하여 상기 새로운 구조에 해당하는 신뢰 지수를 계산할 수 있다.

또 다른 측면에 따르면, 상기 신뢰지수 예측부는, 상기 다르게 구성된 딥러닝 구조에 기초하여 계산된 상기 새로운 거래에 해당하는 신뢰 지수 및 상기 새로운 거래와의 유사도에 기초하여 계산된 기존 거래의 신뢰지수의 평균을 대상으로, 평균값을 계산하여 상기 새로운 거래에 해당하는 최종 신뢰 지수를 예측할 수 있다.

또 다른 측면에 따르면, 상기 분류부는, 상기 새로운 거래가 발생할 때 마다 상기 새로운 거래에 해당하는 고객 데이터, 회사 데이터, 및 물건 데이터를 데이터프레임에 지정된 진실(base)에 해당하는 열(column)에 할당하고, 상기 데이터베이스에서 상기 새로운 거래와 관련된 기존 거래의 고객 데이터, 회사 데이터, 및 물건 데이터와 연관하여 저장된 거래 내역들을 추출하고, 추출된 상기 기존 거래의 거래 내역들을 상기 데이터프레임에 지정된 능력(ability)에 해당하는 열(column)에 할당하고, 상기 새로운 거래에 해당하는 계약 조건을 상기 데이터프레임에 지정된 의도(intention)에 해당하는 열(column)에 할당할 수 있다.

플랫폼을 통해 형성된 공유경제 네트워크에서, 자원 제공자, 자원 소비자 및 자원의 3자 간의 상호 평가를 위한 신뢰 지표를 기반으로 기존 거래에 대한 신뢰 지수를 계산하고, 기존 거래관련 데이터들 및 계산된 신뢰 지수를 기반으로 딥러닝(deep learning)을 통해 새로운 거래에 해당하는 신뢰 지수를 예측할 수 있다.

도 1은 본 발명의 일실시예에 있어서, 자원 제공자, 자원 소비자, 자원으로 구성된 공유 경제 네트워크 환경을 도시한 도면이다.
도 2는 본 발명의 일실시예에 있어서, 신뢰지수 예측 방법을 도시한 흐름도이다.
도 3은 본 발명의 일실시예에 있어서, 신뢰지수 예측 시스템의 내부구성을 도시한 블록도이다.
도 4는 본 발명의 일실시예에 있어서, 진실, 능력, 의도에 따라 차별하여 다르게 구성된 딥러닝 구조를 나타낼 수 있다.
도 5는 본 발명의 일실시예에 있어서, 분할 및 결합 방법론을 기반으로 신뢰지수를 예측하는 방법을 도시한 개념도이다.

본 실시예들은 공유경제 네트워크에서 플랫폼을 통해 물건, 상품 등의 자원을 공유하는 자원 제공자, 자원 소비자 및 자원을 상호 평가하고, 평가된 자료를 기반으로 수지화된 기존 거래의 신뢰 지수를 기반으로 새로운 거래의 신뢰 지수를 예측하여 제공하는 기술에 관한 것으로서, 특히, 신뢰 지표인 진실(base), 능력(ability), 의도(intent) 별로 중요도를 다르게 하여 딥러닝 구조를 구성하여, 새로운 거래에 대한 신뢰 지수를 예측하는 기술에 관한 것이다. 예를 들어, 대여하고자 하는 자원을 제공하는 자원 제공자가 자원 소비자 및 자원을 평가하고, 자원을 대여하려는 자원 소비자가 자원 제공자와 자원을 평가하고, 자원 역시 센서를 이용하여 자원 소비자와 자원 제공자를 평가하고, 평가 데이터를 기반으로 신뢰 지수를 산출하여 구축된 3자 모델을 기반으로 자원 제공자(supplier), 자원 소비자(user), 자원(thing) 간의 신뢰 지수를 계산하고, 자원 제공자, 자원 소비자, 자원 간의 신뢰 지수와 딥러닝을 기반으로 새로운 거래에 대한 신뢰 지수를 예측하여 제공하는 기술에 관한 것이다.

본 실시예들에서, "신뢰(trust)"는 과거에서 현재뿐만 아니라 미래에 대한 가치를 나타내며, 상대방이 미래에 의도한 대로 행동할 것으로 믿는 의지를 나타내는 것으로서, "신뢰 지수(trust index)"는 자원 제공자, 자원 소비자, 자원 간에 상호 평가 데이터를 수지화한 값을 나타낼 수 있다. 즉, 신뢰 지수는 상황, 시간에 따라 달라지는 자원 제공자, 자원 소비자, 자원 간의 신뢰도가 높고 낮음을 나타내는 수지화한 값을 나타낼 수 있다.

본 실시예들에서, "자원(Thing)"은 공유/대여하고자 하는 대상으로서, 회사(company), 조직(organization), 에이전트(agent), 물건(product), 서비스(service), 데이터(data) 등을 포함할 수 있으며, 자원은 Cyber-Physical system 개념을 통해 ICT 환경과 연결될 수 있는 센서 등의 인프라를 갖추고 있음을 가정할 수 있다. 즉, 유무선 네트워크 등의 인프라를 통해 복수의 서로 다른 거래와 관련된 데이터들(예컨대, 회사 데이터, 물건 데이터, 고객 데이터 등)을 능동적으로 수집할 수 있음을 가정할 수 있다. 예컨대, 자원이 자동차인 경우, 자동차에 탑재된 각종 센서 및 차량용 정보 표시 장치(OBD)를 통해 정보들이 공유/대여 전의 차량의 상태를 나타내는 데이터들, 그리고, 공유/대여된 이후 차량의 상태를 나타내는 다양한 데이터들이 수집될 수 있다. 자원이 집인 경우, 스마트 홈 등에 설치된 각종 센서 및 음성인식 AI 등을 통해 공유/대여 전의 집의 상태, 공유/대여 후의 집의 상태를 나타내는 정보가 수집될 수 있다.

본 실시예들에서, 복수의 서로 다른 거래와 관련된 데이터들(예컨대, 회사 데이터, 물건 데이터, 고객 데이터 등)은 신뢰 지수를 계산하기 위해 이용되는 데이터(즉, 신뢰 지표)로서, 진실(base), 능력(ability), 및 의도(intent)로 구분될 수 있다.

본 실시예들에서, "진실(base)"은 예컨대, 거래하려는 고객(즉, 자원 소비자), 및 거래를 제공하는 자원 제공자 실존 인물인가?, 본인이 말하는 대로의 사람인가? 여부를 나타내는 신뢰 지표에 해당할 수 있으며, 신뢰 지수 계산에 이용될 수 있다.

본 실시예들에서, "능력(ability)"은 예컨대, 자원 소비자/자원 제공자의 실력은 확실한가? 자원의 품질은 설명과 동일한가? 여부를 나타내는 신뢰 지표로서, 신뢰 지수 계산에 이용될 수 있다.

본 실시예들에서, "의도(intent)"는 예컨대, 자원 제공자/자원 소비자가 악의는 없는가?, 자원을 깨끗이 사용하는가? 등을 나타내는 신뢰 지표로서, 신뢰 지수 계산에 이용될 수 있다.

공유 경제는 여러 사용자들이 협력하여 경제적 이득을 취하는 것으로서, 신뢰가 있어야 모르는 다른 사람과의 협력이 가능하므로, 신뢰 지수는 모르는 다른 사람이 제공하는 자원 또는 자신의 자원을 이용하려고 하는 모르는 사람과의 거래를 위한 필수불가결 요소에 해당할 수 있다.

본 실시예들에서, "자원 제공자" 및 "자원 소비자"는 자원 제공자 및 자원 소비자가 소지한 사용자 단말을 나타낼 수 있다. 예컨대, 자원 제공자, 자원 소비자가 소지한 스마트폰(smartphone), 태블릿(tablet), 노트북, 데스크탑 PC 등을 포함할 수 있다.

도 1은 본 발명의 일실시예에 있어서, 자원 제공자, 자원 소비자, 자원으로 구성된 공유 경제 네트워크 환경을 도시한 도면이다.

도 1에 따르면, 네트워크(100)는 자원(120), 자원(120)의 공유/대여를 제공하는 자원 제공자(110), 및 자원(120)을 공유/대여받으려는 자원 소비자(130)를 포함할 수 있다. 자원(120), 자원 소비자(130), 자원 제공자(110)는 해당 단말에 설치된 어플리케이션을 통해 네트워크(100)로 연결될 수 있으며, 신뢰지수 예측 시스템은 서버에 플랫폼 형태로 구현될 수도 있고, 자원 제공자(110) 및 자원 소비자(130)에 해당하는 사용자 단말 상에 어플리케이션 형태로 구현될 수도 있다. 예컨대, 자원 제공자(110) 및 자원 소비자(130)는 네트워크(100)를 통해 서버로부터 제공되는 파일에 의해 설치되는 프로그램(일례로 상술한 어플리케이션)을 실행하기 위해 프로그램 코드를 로딩하는 메모리, 기본적인 산술, 로직, 및 입출력 연산을 수행함으로써 프로그램의 명령을 처리하는 프로세서 등을 포함할 수 있다.

도 1을 참고하면, 자원 제공자(110), 자원(120) 및 자원 소비자(130)가 네트워크(110)를 형성함에 따라, 자원 제공자(110)와 자원(120)이 상호 평가가 가능하고, 자원(120)과 자원 소비자(130) 간에 상호 평가가 가능하고, 자원 소비자(130)와 자원 제공자(110) 간에 상호 평가가 가능한 3자 모델이 구축될 수 있다. 이때, 자원 제공자(110), 자원(120) 및 자원 소비자(130) 간에 화살표마다 하나씩의 신뢰지수, 즉, 총 6개의 신뢰지수가 도출되는 것이 아니라, 자원 제공자(110), 자원(120) 및 자원 소비자(130) 간에 상호 방향으로, 즉, 화살표 하나마다 안정성, 만족도, 거래효율 각각에 해당하는 신뢰지수가 계산될 수 있다. 다시 말해, 자원 제공자(110), 자원(120) 및 자원 소비자(130) 간에 양방향으로 형성된 단방향의 화살표 하나씩 마다 3개의 신뢰지수가 계산되어, 결국, 총 18개의 신뢰 지수가 계산될 수 있다. 예컨대, 자원 제공자(110)에서 자원(120) 방향으로 3개의 신뢰 지수, 자원(120)에서 자원 제공자(110) 방향으로 3개의 신뢰 지수, 합이 6개의 신뢰지수, 마찬가지로, 자원(120)과 자원 소비자(130) 간에 양방향으로 합이 6개의 신뢰지수, 자원 소비자(130)와 자원 제공자(110) 간에 양방향으로 합이 6개의 신뢰 지수가 계산될 수 있다. 이에 따라, 총 18개의 신뢰지수가 도출될 수 있다.

이때, 제공된 신뢰 지표를 나타내는 각종 데이터(예컨대, 회사 데이터, 고객 데이터, 물건 데이터 등)와 관련하여 자원 제공자(110) 및 자원 소비자(130)로부터 수집된 정보, 자원(120)으로부터 수집된 센서 데이터에 기초하여 신뢰 지수가 결정될 수 있다. 그리고, 자원 제공자(110), 자원 소비자(130), 및 자원(120) 간의 신뢰 지수가 계산될 수 있다.

예를 들어, 진실, 능력, 의도 각 신뢰 지표는 세부 지표로 구성될 수 있으며, 신뢰 지수는 각 신뢰 지표 별로 수치화된 값의 가중합(weighted sum)형태로 계산될 수 있다. 예컨대, 아래의 수학식 1에 기초하여 가중합 형태로 계산될 수 있다.

[수학식 1]

자동차 공유 서비스(car sharing service)를 제공하는 경우, 아래의 표 1 내지 표 3은 자원 소비자(user)와의 신뢰 지수 계산을 위한 진실, 능력, 의도에 해당하는 세부 지표를 나타내고, 표 4 내지 표 6은 자원 제공자(supplier)와의 신뢰 지수 계산을 위한 진실, 능력, 의도에 해당하는 세부 지표를 나타내고, 표 7 내지 표 9는 자원(car)과의 신뢰 지수 계산을 위한 진실, 능력, 의도에 해당하는 세부 지표를 나타낼 수 있다. 아래의 표 1 내지 표 7에서 차량은 자원(Thing)에 해당하고, 기업은 자원 제공자(Supplier)에 해당하고, 고객은 자원 소비자(User)에 해당할 수 있다. 그리고, 능력, 진실, 의도 별 세부 지표에서 차량, 고객 또는 기업 항목에 표시된 "o"는 기업 또는 고객이 자원 제공/사용 이후에 입력하거나 자원이 신뢰 진수 산출을 위해 제공해야 하는 필수 항목에 해당하고, "o"가 표시되지 않은 항목은 선택(optional) 항목에 해당할 수 있다.

도 2는 본 발명의 일실시예에 있어서, 신뢰지수 예측 방법을 도시한 흐름도이고, 도 3은 본 발명의 일실시예에 있어서, 신뢰지수 예측 시스템의 내부구성을 도시한 블록도이다.

도 3에 따르면, 신뢰지수 예측 시스템(300)은 데이터 수집부(310), 분류부(320), 딥러닝 제어부(330) 및 신뢰지수 예측부(340)를 포함할 수 있으며, 데이터 수집부(310), 분류부(320), 딥러닝 제어부(330) 및 신뢰지수 예측부(340)는 신뢰지수 예측 시스템(300)의 프로세서(processor)에 포함되는 형태로 구현될 수 있다.

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

210 단계에서, 데이터 수집부(310)는 거래와 관련된 고객 데이터, 회사 데이터 및 물건 데이터를 수집할 수 있다. 이때, 상기 거래와 관련된 거래 내역들을 함께 수집할 수 있으며, 수집된 고객 데이터, 회사 데이터, 물건 데이터, 거래 내역은 해당 거래와 연관하여 데이터베이스에 저장 및 유지될 수 있다. 여기서, 거래는 공유/대여하고자 하는 자원을 자원 제공자가 자원 소비자에게 제공하거나, 자원 소비자가 자원 제공자로부터 제공받기 위한 요청 및 요청에 대한 응답으로서 상대방(즉, 상대 단말)로부터 승인이 발생함에 따라 발생할 수 있다. 상기 거래의 식별자 정보는 자원 제공자 및 자원 소비자의 식별자 정보(예컨대, 블로그/까페/SNS 등의 닉네임, 블로그/까페/SNS 등의 ID, 전화번호 등), 자원의 식별자 정보와 연관하여 데이터베이스에 저장될 수 있다.

예를 들어, 데이터 수집부(310)는 과거에 다른 자원 제공자의 상기 거래에 해당하는 자원(예컨대, 렌탈하고자 하는 자동차/집/의류 등)의 이용과 관련된 자원 소비자의 평가 데이터, 자원 제공자가 상기 자원을 다른 자원 소비자에게 제공함에 따라 다른 자원 소비자들로부터 평가된 데이터, 자원 제공자가 상기 자원을 평가한 데이터, 다른 자원 소비자가 상기 자원을 평가한 데이터 등을 수집할 수 있다. 예컨대, 자원 소비자가 평가한 데이터는 고객 데이터, 자원 제공자가 평가한 데이터는 회사 데이터, 자원과 관련하여 평가된 데이터는 물건 데이터로서 수집될 수 있으며, 데이터 수집부(310)는 자원의 공유/대여를 제공하는 회사의 서버, 자원 소비자의 SNS, 블로그, 까페 등에 자원 제공자 및 자원과 관련하여 올려진 게시물 등으로부터 상기 회사 데이터, 고객 데이터, 물건 데이터를 수집할 수 있다. 그리고, 상기 자원의 공유 또는 대여를 제공하는 회사 서버로부터 각각의 거래 내역을 수집할 수 있다.

220 단계에서, 분류부(320)는 수집된 고객 데이터, 회사 데이터 및 물건 데이터를 진실(base), 능력(ability), 및 의도(intent) 별로 분류, 즉, 구분할 수 있다. 이에 따라, 수집된 각 데이터들은 진실(base), 능력(ability), 및 의도(intent) 별로 구분되어 해당 거래 및 거래 내역과 연관하여 데이터베이스에 저장 및 유지될 수 있다. 이때, 회사 데이터, 물건 데이터, 고객 데이터는 각각 별도의 데이터베이스에 저장 및 유지될 수도 있고, 하나의 데이터베이스에 저장 및 유지될 수도 있다.

아래의 표 10 내지 표 12는 데이터고객 데이터, 회사 데이터, 물건 데이터를 대상으로 분류된 진실(base), 능력(ability), 및 의도(intent) 중 진실(base)에 해당하는 데이터들을 나타낼 수 있다.

위의 표 10은 진실(base)에 해당하는 고객 데이터를 나타내고, 아래의 표 11은 진실(base)에 해당하는 회사 데이터를 나타낼 수 있다. 고객 데이터는 고객의 평가 데이터 이외에, 고객의 주소, 성별, 회원 등급, 이름, 전화번호, 신용카드 정보 등의 고객의 개인 정보를 포함할 수 있다. 회사 데이터는 회사관련 평가데이터 이외에, 회사 이름, 종목 코드, 순매출액, 영업 이익 등의 회사 정보를 포함할 수 있다.

위의 표 12는 진실(base)에 해당하는 물건 데이터를 나타내는 것으로서, 물건 데이터는 물건관련 평가 데이터 이외에, 물건 이름, 물건이 속하는 자원 제공자(즉, 회사 이름), 물건의 가격 정보, 제조년도 등의 물건 정보를 포함할 수 있다.

230 단계에서, 딥러닝 제어부(330)는 진실, 능력 및 의도로 분류된 데이터들 각각을 대상으로, 딥러닝(deep learning) 구조(architecture)를 다르게 구성할 수 있다.

예를 들어, 딥러닝 제어부(330)는 진실, 능력, 의도 별로 서로 다른 중요도를 적용하기 위해, 진실, 능력 의도 각각을 대상으로 서로 다른 개수의 은닉층(hidden layer)을 갖도록 딥러닝 구조를 구성할 수 있다. 여기서, 진실<능력<의도 순으로 중요도가 상대적으로 높을 수 있으며, 중요도가 높을수록 중요도가 낮을 때 보다 상대적으로 은닉층의 개수가 많은 딥러닝 구조로 구성될 수 있다.

240 단계에서, 신뢰지수 예측부(340)는 새로운 거래가 발생하면, 진실, 능력 의도 별로 다르게 구성된 딥러닝 구조를 기반으로 새로운 거래에 해당하는 신뢰지수를 예측할 수 있다.

예컨대, 신뢰지수 예측부(340)는 딥러닝 구조(즉, 딥러닝 모델)에서 층 수를 조절해서 신뢰지수의 예측력을 측정할 수 있으며, 가장 높은 예측력이 얻어지는 층 조합을 선택함으로써 새로운 거래에 해당하는 신뢰지수를 예측할 수 있다.

도 4는 본 발명의 일실시예에 있어서, 진실, 능력, 의도에 따라 차별하여 다르게 구성된 딥러닝 구조를 나타낼 수 있다.

도 4를 참고하면, 입력층(input layer, 410)에 의도, 능력, 진실에 해당하는 데이터들이 입력 데이터로서 설정될 수 있다. 입력 데이터는 새로운 거래에 해당하는 고객 데이터, 회사 데이터 및 물건 데이터에 해당할 수 있다. 일례로, 새로운 거래가 자동차 대여인 경우, 자동차를 대여해주는 회사 데이터, 자동차를 대여하고자 하는 고객 데이터, 자동차 데이터(즉, 물건 데이터)가 데이터프레임의 열(column)로 할당될 수 있으며, 데이터프레임이 입력층(input layer, 410)의 입력데이터로 설정될 수 있다. 여기서, 새로운 거래에 해당하는 고객 데이터, 회사 데이터 및 물건 데이터는 고유값이므로 진실(base)에 해당할 수 있다. 예컨대, 고객 데이터 중 고객의 거주지역과 같이 거래와 관계없이 거의 일정한 값을 갖는 데이터는 고유값으로서 진실(base)에 해당할 수 있다.

데이터베이스에서 새로운 거래관련 거래내역들을 추출하여 데이터프레임의 열(column)에 추가될 수 있다. 분류부(320)는 새로운 거래가 발생할 때마다 데이터베이스에서 상기 새로운 거래(예컨대, 자동차 대여)와 관련된 기존 거래에 해당하는 거래내역들(예컨대, 해당거래 관련 사고 내역, 클레임 내역 등)을 추출할 수 있다. 예컨대, 사고내역, 클레임 내역 등은 거래가 발생할 때마다 누적될 수 있으며, 상기 거래내역들은 데이터프레임의 능력(ability)에 해당하는 열(column)에 할당될 수 있다. 그리고, 분류부(320)는 새로운 거래의 계약 조건을 데이터프레임의 의도(intention)에 해당하는 열(column)에 할당할 수 있다. 예를 들어, 자동차 대여의 경우, 목적이 여행이면, 상기 의도는 이번 거래 한 번에만 해당할 수 있다. 이처럼, 데이터프레임의 각 열(column)에 진실, 능력, 의도에 해당하는 데이터들이 포함되도록 데이터프레임이 구성되면, 데이터프레임이 입력층(410)의 입력데이터로 설정될 수 있다. 지정된 열(column) 별로 데이터가 포함되도록 구성된 데이터프레임은 아래의 표 13과 같을 수 있다.

위의 표 13에서 신뢰지수는 거래가 끝난 이후에 작성되는 값으로서, 새로운 거래의 경우 상기 신뢰지수가 공백일 수 있으며, 기존 거래의 경우 데이터프레임에 상기 신뢰지수가 포함될 수 있다. 예컨대, 도 4의 출력층(output layer, 420)에 해당하는 출력 데이터가 상기 표 13의 신뢰지수에 해당할 수 있다.

데이터프레임을 구성하는 각 열(column) 중 카테고리 변수(categorical variable)의 경우 더미 코딩(dummy coding)을 통해 차원을 확장시킬 수 있다.

예를 들어, 거주지역이 [서울, 경기도, 부산, 기타]의 값을 가지고, 새로운 거래의 거주지역이 서울인 경우, 더미코딩하면, 차원은 1차원에서 거주지역_서울, 거주지역_경기도, 거주지역_부산, 거주지역_기타의 4차원으로 확장될 수 있다. 그리고, 새로운 거래관련 카테고리 변수 상기 거주지역_서울=1, 거주지역_경기도=0, 거주지역_부산=0, 거주지역_기타=0의 값으로 변환될 수 있다. 이러한 카테고리 변수의 더미코딩이 완료되면, 딥러닝 구조가 적용될 수 있다.

일례로, 딥러닝 제어부(330)는 진실, 능력, 의도 별로 서로 다른 중요도에 따라 다른 은닉층(hidden layer)을 갖는 딥러닝 구조를 데이터프레임을 대상으로 적용할 수 있다. 예컨대, 거래목적_여행과 같이 입력데이터가 의도에 해당하면 은닉층이 2개, 능력의 경우 은닉층이 1개, 거주지역_서울과 같이 입력데이터가 진실에 해당하면 은닉층이 0개인 서로 다른 구조의 딥러닝 구조가 구성될 수 있다.

이때, 도 4를 참고하면, 딥러닝 구조(즉, 딥러닝 모델)에서, 진실은 1층(layer), 능력은 2층(layer), 의도는 3층(layer) 구조로 딥러닝을 통해 신뢰 지수를 예측한 이후, 다음 예측 시(즉, 새로운 거래 발생 시), 진실은 2층, 능력은 3층, 의도는 4층으로 설정해서 딥러닝을 통해 신뢰지수 예측이 수행되도록 딥러닝 제어부(330)는 딥러닝 구조(즉, 딥러닝 모델)가 제어될 수 있다. 이처럼, 중요도에 따라 딥러닝 구조가 서로 다르게 구성됨에 따라, 입력층(input layer)으로 입력되는 데이터의 양이 많을수록(예컨대, 빅데이터를 대상으로 딥러닝을 수행할수록) 최적화 속도가 빠르게 진행될 수 있다. 그리고, 진실, 능력, 의도에 할당된 층(layer) 수를 조절함으로써, 예측력을 측정할 수 있다. 그리고, 가장 높은 예측력에 해당하는 층 조합을 선택하고, 선택된 층 조합을 기반으로 새로운 거래에 해당하는 신뢰지수를 예측할 수 있다.

도 5는 본 발명의 일실시예에 있어서, 분할 및 결합 방법론을 기반으로 신뢰지수를 예측하는 방법을 도시한 개념도이다.

도 5에서 설명하는 각 프로세스는 도 3의 신뢰지수 예측 시스템(300)의 구성 요소인 신뢰지수 예측부(340)에 의해 수행될 수 있다.

신뢰지수 예측부(340)는 새로운 거래가 발생할 때 마다 서로 다른 두 가지의 별개의 방법을 이용하여 평균값을 도출하는 분할 및 결합 방법론(split & combine methodology)에 기초하여 새로운 거래에 해당하는 신뢰지수를 예측할 수 있다.

새로운 거래가 발생한 경우(510), 520을 참고하면, 신뢰지수 예측부(340)는 데이터베이스에 저장된 기존 거래들을 대상으로, K-최근접 알고리즘(KNN algorithm)에 기초하여 새로운 거래와 가장 비슷한 복수의 기존 거래들을 검색할 수 있다. 이때, 미리 지정된 기준 개수(예컨대, N개)에 해당하는 기존 거래들을 검색할 수 있다.

일례로, 아래의 표 14와 같이 기존 거래에 해당하는 신뢰 지수가 계산되어 데이터프레임의 신뢰지수 영역에 계산된 신뢰지수가 포함되어 관리 및 유지되고 있고, 아래의 표 15와 같이 새로운 거래가 발생한 경우, 신뢰지수 예측부(340)는 K-최근접 알고리즘(KNN algorithm)에 기초하여 새로운 거래에 해당하는 신뢰지수 예측치를 계산하고, 도 4의 딥러닝 구조를 통해 획득한 새로운 거래에 해당하는 신뢰지수 예측치를 기반으로 최종적으로 새로운 거래의 신뢰지수(즉, 최종 신뢰 지수)를 예측할 수 있다.

위의 표 14에서 y1 내지 y7은 거래 별 신뢰지수를 나타낼 수 있다. 즉, 표 14는 기존 거래의 신뢰지수를 나타낼 수 있다. 아래의 표 15는 새로운 거래를 나타낼 수 있다.

530을 참고하면, 신뢰지수 예측부(340)는 데이터베이스에서 검색된 기준 개수(N개)의 기존 거래에 해당하는 신뢰 지수를 평균하여 새로운 거래에 해당하는 신뢰지수의 예측치를 계산할 수 있다.

예를 들어, 신뢰지수 예측부(340)는 K-최근접 알고리즘(KNN algorithm)에 기초하여 유클리드 거리(Euclideandistance)를 계산함으로써, 새로운 거래와 유사도가 가장 높은 N개의 기존 거래의 신뢰지수를 평균할 수 있다. 예컨대, 두 점

사이의 유클리드 거리(Euclideandistance)는 아래의 수학식 2 및 수학식 3에 기초하여 계산될 수 있다.

[수학식 2]

위의 수학식 2에서, 좌표 사이의 가중치가 다른 경우, 가중치를

로 두고

라고 하면, 수학식 2의 유클리드 거리(Euclideandistance)는 아래의 수학식 3과 같이 표현될 수 있다.

[수학식 3]

위의 수학식 2 및 수학식 3에 기초하여, 위의 표 15와 같은 새로운 거래와 관련하여 가장 유클리드 거리가 가까운 거래는 아래의 표 16과 같을 수 있다.

위의 표 16은 Yonungho와 유클리드 거리가 가장 가까운 고객(즉, 거래)에 해당하는 정보를 나타낼 수 있다. 상기 표 16의 정보를 기반으로 유클리드 거리가 가까운 순으로 N개의 고객(즉, 거래)을 검색할 수 있다. 즉, 상기 표 16의 정보와 매칭하는 매칭도가 높은 N개의 거래를 추려낼 수 있다. 이후, 신뢰지수 예측부9340)는 검색된 N개의 기존 거래에 해당하는 신뢰지수를 평균하고, 평균한 값을 새로운 거래의 신뢰지수의 예측치로 계산할 수 있다. 예컨대, 기존거래의 평균 신뢰지수가 70인 경우, 70이 새로운 거래의 신뢰지수의 예측치로 계산될 수 있다.

540을 참고하면, 신뢰지수 예측부(340)는 도 4의 딥러닝 구조에 표 14의 Yonungho에 해당하는 데이터(즉, 특징값)을 대입해서 새로운 거래(즉, Yonungho)에 해당하는 신뢰지수의 예측치를 계산할 수 있다. 예를 들어, 딥러닝 구조를 기반으로

이 새로운 거래의 신뢰지수의 예측치로 계산됨을 가정할 수 있다.

550을 참고하면, 신뢰지수 예측부(340)는 유사도(즉, 유클리드 거리)를 기반으로 계산된 새로운 거래의 신뢰지수의 예측치(예컨대, 70)와 딥러닝 구조를 기반으로 계산된 새로운 거래의 신뢰지수의 예측치(예컨대, 50)에 기초하여 최종적으로 새로운 거래에 해당하는 신뢰지수를 예측할 수 있다. 예컨대, 상기 예측치 70과 50을 평균한60을 새로운 거래(Youngho)의 신뢰지수로 예측할 수 있다.

이처럼, 신뢰지수는 안정성, 만족도, 거래효율의 관점에서 세 가지로 구분되고, 분할 및 결합 방법론(split & combine methodology)를 기반으로 두 가지로 분할하여 신뢰지수를 예측하고, 예측치의 평균을 통해 최종적으로 신뢰지수를 예측함으로써, 예측의 안정성을 증대시킬 수 있다. 그리고, 딥러닝 구조로 예측 시 진실, 능력, 의도 별로 차별화된 은닉층을 갖도록 딥러닝 구조를 구성함으로써, 빅데이터를 기반으로 새로운 거래의 신뢰지수를 예측함에 있어서, 예측 정확성을 높일 수 있다.

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

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

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

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

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

Claims

컴퓨터로 구현되는 신뢰 지수(trust index) 예측 방법에 있어서,
거래와 관련된 고객 데이터, 회사 데이터 및 물건 데이터를 수집하는 단계;
수집된 상기 고객 데이터, 회사 데이터 및 물건 데이터를 진실(base), 능력(ability), 및 의도(intent)에 따라 분류하는 단계;
상기 진실, 능력, 및 의도로 분류된 데이터들을 대상으로, 딥러닝(deep learning) 구조(architecture)를 다르게 구성하는 단계; 및
새로운 거래가 발생함에 따라, 다르게 구성된 상기 딥러닝 구조를 기반으로 새로운 거래에 해당하는 신뢰 지수를 예측하는 단계
를 포함하는 신뢰 지수 예측 방법.
제1항에 있어서,
상기 딥러닝 구조를 다르게 구성하는 단계는,
상기 진실, 능력, 의도 별로 서로 다른 중요도를 적용하기 위해, 상기 진실, 능력, 의도 각각에 서로 다른 개수의 은닉층(hidden layer)을 적용하는 단계
를 포함하는 신뢰 지수 예측 방법.
제1항에 있어서,
상기 신뢰 지수를 예측하는 단계는,
상기 새로운 거래와 관련하여 분할 및 결합 방법론(split & combine methodology)에 기초하여 상기 신뢰 지수를 예측하는 것
을 특징으로 하는 신뢰 지수 예측 방법.
제3항에 있어서,
상기 신뢰 지수를 예측하는 단계는,
수집된 상기 거래와 관련된 고객 데이터, 회사 데이터 및 물건 데이터를 저장 및 유지하고 있는 데이터베이스를 대상으로, 상기 새로운 거래와 유사도가 가장 높은 기존 거래를 복수개 검색하는 단계; 및
검색된 복수개의 상기 기존 거래를 대상으로, 기존 거래의 신뢰 지수의 평균을 계산하는 단계
를 포함하는 신뢰 지수 예측 방법.
제4항에 있어서,
상기 유사도는 상기 새로운 거래와 기존 거래간의 유클리드 거리(Euclideandistance)에 기초하여 계산되는 것
을 특징으로 하는 신뢰 지수 예측 방법.
제4항에 있어서,
상기 새로운 거래와 유사도가 가장 높은 기존 거래를 복수개 검색하는 단계는,
K-최근접 알고리즘(kNN algorithm)에 기초하여 상기 새로운 거래와 유사도가 가장 높은 순서로 복수개의 기존 거래를 검색하는 것
을 특징으로 하는 신뢰 지수 예측 방법.
제3항에 있어서,
상기 신뢰 지수를 예측하는 단계는,
상기 다르게 구성된 딥러닝 구조에 상기 새로운 구조에 해당하는 특징값(feature value)을 입력으로 대입하여 상기 새로운 구조에 해당하는 신뢰 지수를 계산하는 단계
를 포함하는 신뢰 지수 예측 방법.
제3항에 있어서,
상기 신뢰 지수를 예측하는 단계는,
상기 다르게 구성된 딥러닝 구조에 기초하여 계산된 상기 새로운 거래에 해당하는 신뢰 지수 및 상기 새로운 거래와의 유사도에 기초하여 계산된 기존 거래의 신뢰지수의 평균을 대상으로, 평균값을 계산하여 상기 새로운 거래에 해당하는 최종 신뢰 지수를 예측하는 것
을 특징으로 하는 신뢰 지수 예측 방법.
제1항에 있어서,
상기 분류하는 단계는,
상기 새로운 거래가 발생할 때 마다 상기 새로운 거래에 해당하는 고객 데이터, 회사 데이터, 및 물건 데이터를 데이터프레임에 지정된 진실(base)에 해당하는 열(column)에 할당하는 단계;
상기 데이터베이스에서 상기 새로운 거래와 관련된 기존 거래의 고객 데이터, 회사 데이터, 및 물건 데이터와 연관하여 저장된 거래 내역들을 추출하는 단계;
추출된 상기 기존 거래의 거래 내역들을 상기 데이터프레임에 지정된 능력(ability)에 해당하는 열(column)에 할당하는 단계; 및
상기 새로운 거래에 해당하는 계약 조건을 상기 데이터프레임에 지정된 의도(intention)에 해당하는 열(column)에 할당하는 단계
를 포함하는 신뢰 지수 예측 방법.
제9항에 있어서,
상기 데이터프레임은, 제1 열(column)부터 마지막 열까지 진실(base), 능력(ability), 의도(intention), 및 신뢰지수(trust index) 순서로 할당되도록 지정되는 것
을 특징으로 하는 신뢰 지수 예측 방법.
제10항에 있어서,
상기 의도의 중요도가 가장 높고, 상기 능력이 상기 진실보다 중요도가 높고, 상기 진실의 중요도가 가장 낮게 설정되는 것
을 특징으로 하는 신뢰 지수 예측 방법.
컴퓨터로 구현되는 신뢰 지수(trust index) 예측 시스템에 있어서,
거래와 관련된 고객 데이터, 회사 데이터 및 물건 데이터를 수집하는 데이터 수집부;
수집된 상기 고객 데이터, 회사 데이터 및 물건 데이터를 진실(base), 능력(ability), 및 의도(intent)에 따라 분류하는 분류부;
상기 진실, 능력, 및 의도로 분류된 데이터들을 대상으로, 딥러닝(deep learning) 구조(architecture)를 다르게 구성하는 딥러닝 제어부; 및
새로운 거래가 발생함에 따라, 다르게 구성된 상기 딥러닝 구조를 기반으로 새로운 거래에 해당하는 신뢰 지수를 예측하는 신뢰 지수 예측부
를 포함하는 신뢰 지수 예측 시스템.
제12항에 있어서,
상기 딥러닝 제어부는,
상기 진실, 능력, 의도 별로 서로 다른 중요도를 적용하기 위해, 상기 진실, 능력, 의도 각각에 서로 다른 개수의 은닉층(hidden layer)을 적용하는 것
을 특징으로 하는 신뢰 지수 예측 시스템.
제12항에 있어서,
상기 신뢰지수 예측부는,
상기 새로운 거래와 관련하여 분할 및 결합 방법론(split & combine methodology)에 기초하여 상기 신뢰 지수를 예측하는 것
을 특징으로 하는 신뢰 지수 예측 시스템.
제14항에 있어서,
상기 신뢰지수 예측부는,
수집된 상기 거래와 관련된 고객 데이터, 회사 데이터 및 물건 데이터를 저장 및 유지하고 있는 데이터베이스를 대상으로, 상기 새로운 거래와 유사도가 가장 높은 기존 거래를 복수개 검색하고, 검색된 복수개의 상기 기존 거래를 대상으로, 기존 거래의 신뢰 지수의 평균을 계산하는 것
을 특징으로 하는 신뢰 지수 예측 시스템.
제15항에 있어서,
상기 유사도는 상기 새로운 거래와 기존 거래간의 유클리드 거리(Euclideandistance)에 기초하여 계산되는 것
을 특징으로 하는 신뢰 지수 예측 시스템.
제15항에 있어서,
상기 신뢰지수 예측부는,
K-최근접 알고리즘(kNN algorithm)에 기초하여 상기 새로운 거래와 유사도가 가장 높은 순서로 복수개의 기존 거래를 검색하는 것
을 특징으로 하는 신뢰 지수 예측 시스템.
제14항에 있어서,
상기 신뢰지수 예측부는,
상기 다르게 구성된 딥러닝 구조에 상기 새로운 구조에 해당하는 특징값(feature value)을 입력으로 대입하여 상기 새로운 구조에 해당하는 신뢰 지수를 계산하는 것
을 특징으로 하는 신뢰 지수 예측 시스템.
제14항에 있어서,
상기 신뢰지수 예측부는,
상기 다르게 구성된 딥러닝 구조에 기초하여 계산된 상기 새로운 거래에 해당하는 신뢰 지수 및 상기 새로운 거래와의 유사도에 기초하여 계산된 기존 거래의 신뢰지수의 평균을 대상으로, 평균값을 계산하여 상기 새로운 거래에 해당하는 최종 신뢰 지수를 예측하는 것
을 특징으로 하는 신뢰 지수 예측 시스템.
제12항에 있어서,
상기 분류부는,
상기 새로운 거래가 발생할 때 마다 상기 새로운 거래에 해당하는 고객 데이터, 회사 데이터, 및 물건 데이터를 데이터프레임에 지정된 진실(base)에 해당하는 열(column)에 할당하고, 상기 데이터베이스에서 상기 새로운 거래와 관련된 기존 거래의 고객 데이터, 회사 데이터, 및 물건 데이터와 연관하여 저장된 거래 내역들을 추출하고, 추출된 상기 기존 거래의 거래 내역들을 상기 데이터프레임에 지정된 능력(ability)에 해당하는 열(column)에 할당하고, 상기 새로운 거래에 해당하는 계약 조건을 상기 데이터프레임에 지정된 의도(intention)에 해당하는 열(column)에 할당하는 것
을 특징으로 하는 신뢰 지수 예측 시스템.