TW202301241A - 信用度判定系統、信用度判定方法及資訊記憶媒體 - Google Patents

Abstract

提供一種可確實地判定無授信資訊之人物之信用度的信用度判定系統、信用度判定方法及資訊記憶媒體。關係性特定部(26)，係注目人物與參考人物之關係性加以特定。接近度分數決定部(28)，係依照注目人物與參考人物之關係性所對應之判斷基準，基於表示注目人物與該當參考人物之關係之強度的指標，而決定表示注目人物與參考人物之接近度的接近度分數。信用度判定部(32)，係針對至少1位參考人物，基於關於該當參考人物之資訊與針對該當參考人物而被決定的接近度分數，而判定注目人物之信用度。

Description

信用度判定系統、信用度判定方法及資訊記憶媒體

本發明係有關於信用度判定系統、信用度判定方法及資訊記憶媒體。

專利文獻1中係記載，判定查詢結果檔案中所含之各貸款合約之借入餘額，是否在貸款業法之總量限制所規定的借入上限額以下的技術。又，專利文獻1中係記載，有婚姻關係之人物彼此各自簽下貸款合約而將借入餘額進行積算時，作為借入上限額，係可使用針對收入較多之一方之簽約者而被設定的借入上限額，亦可使用兩者的借入上限額之合計。 [先前技術文獻] [專利文獻]

[專利文獻1]日本特開2009-301236號公報

[發明所欲解決之課題]

在專利文獻1所記載的技術中，是基於信用資訊機關中所被登錄的貸款合約之資訊，來進行上述的判定。因此，即使可將某個人物之信用度，使用專利文獻1所記載之技術來做判定，若無該人物的授信之資訊則無法確實地判定該人物之信用度。

本發明係有鑑於上述課題而研發，其目的之1係為，提供一種能夠確實地判定無授信資訊之人物之信用度的信用度判定系統、信用度判定方法及資訊記憶媒體。 [用以解決課題之手段]

本發明所述之信用度判定系統，係為一種判定注目人物之信用度的信用度判定系統，其係含有：關係性特定手段，係用以將前記注目人物與參考人物之關係性，加以特定；和接近度分數決定手段，係用以依照前記注目人物與前記參考人物之關係性所對應之判斷基準，基於表示該當注目人物與該當參考人物之關係之強度的指標，而決定表示該當注目人物與該當參考人物之接近度的接近度分數；和信用度判定手段，係用以針對至少1位前記參考人物，基於關於該當參考人物之資訊與針對該當參考人物而被決定的前記接近度分數，而判定前記注目人物之信用度。

在本發明的一態樣中，前記接近度分數決定手段，係基於對前記注目人物與前記參考人物之關係性所對應之已學習之機器學習模型輸入表示前記指標之資料之際的輸出，而決定表示前記注目人物與前記參考人物之接近度的前記接近度分數。

又，在本發明的一態樣中，前記關係性特定手段，係基於第1電腦系統中所被登錄的前記注目人物之帳號資料、與第2電腦系統中所被登錄的前記參考人物之帳號資料，而將前記注目人物與前記參考人物之關係性，加以特定。

又，在本發明的一態樣中，還含有：配對特定手段，係用以基於複數個人物之每一者的屬性，而將彼此有關係之人物的配對，加以特定；和參考人物特定手段，係用以將作為與前記注目人物有關係之人物而被特定的人物、及作為有關係之人物而被特定之人物係有所定數量以上是與前記注目人物呈共通的人物，特定成為前記參考人物。

又，在本發明的一態樣中，前記關係性特定手段，係將前記注目人物與前記參考人物的身為家人之關係，加以特定。

又，在本發明的一態樣中，前記信用度判定手段，係判定前記注目人物之信用分數。

又，在本發明的一態樣中，前記關係性特定手段，係基於以與人物間之關係建立對應的值為基礎的聚類之結果，而將前記注目人物與前記參考人物之關係性，加以特定。

在此態樣中，前記關係性特定手段，係亦可基於以姓氏、IP位址、住址、信用卡號碼、年齡差、或性別之其中至少1者為基礎的聚類之結果，而將前記注目人物與前記參考人物之關係性，加以特定。

又，在本發明的一態樣中，前記信用度判定手段，係基於關於前記注目人物之資訊，而執行判定前記注目人物之信用度的第1判定；前記信用度判定手段，係在藉由前記第1判定而被判定的前記注目人物之信用度為所定之等級以下的情況下，或者，藉由前記第1判定而無法判定前記注目人物之信用度的情況下，基於關於至少1位前記參考人物之資訊，而執行重新判定前記注目人物之信用度的第2判定。

又，本發明所述之信用度判定方法，係為一種判定注目人物之信用度的信用度判定方法，其係含有：將前記注目人物與參考人物之關係性加以特定之步驟；和依照前記注目人物與前記參考人物之關係性所對應之判斷基準，基於表示該當注目人物與該當參考人物之關係之強度的指標，而決定表示該當注目人物與該當參考人物之接近度的接近度分數之步驟；和針對至少1位前記參考人物，基於關於該當參考人物之資訊與針對該當參考人物而被決定的前記接近度分數，而判定前記注目人物之信用度之步驟。

又，本發明所述之資訊記憶媒體，係為一種資訊記憶媒體，係記憶程式，其係令判定注目人物之信用度的電腦，執行：將前記注目人物與參考人物之關係性加以特定之程序；依照前記注目人物與前記參考人物之關係性所對應之判斷基準，基於表示該當注目人物與該當參考人物之關係之強度的指標，而決定表示該當注目人物與該當參考人物之接近度的接近度分數之程序；針對至少1位前記參考人物，基於關於該當參考人物之資訊與針對該當參考人物而被決定的前記接近度分數，而判定前記注目人物之信用度之程序。

以下，基於圖式而詳細說明本發明的一實施形態。

圖1係為本發明的一實施形態所述之信用度判定系統1的全體構成之一例的圖示。如圖1所示，本實施形態所述之信用度判定系統1，係為例如伺服器電腦或個人電腦等之電腦，係含有：處理器10、記憶部12、通訊部14、操作部16、及輸出部18。此外，在本實施形態所述之信用度判定系統1中，亦可被包含有複數台之電腦。

處理器10係為例如，依照信用度判定系統1中所被安裝的程式而動作的微處理器等之程式控制裝置。記憶部12係為例如ROM或RAM等之記憶元件、或固態硬碟機(SSD)等。記憶部12中係記憶有：藉由處理器10而被執行的程式等。通訊部14係為例如有線通訊或無線通訊用之通訊介面，透過網際網路等之電腦網路，而與其他電腦或終端之間，授受資料。

操作部16，係為輸入裝置，包含例如觸控面板或滑鼠等之指標裝置或鍵盤等。操作部16係將操作內容，傳達至處理器10。輸出部18係為例如液晶顯示部或有機EL顯示部等之顯示器、或揚聲器等之聲音輸出裝置等之輸出裝置。

此外，作為被記憶在記憶部12中而說明的程式及資料，係亦可透過網路而從其他電腦被供給。又，信用度判定系統1的硬體構成，係不限於上記的例子，可適用各式各樣的硬體。例如，信用度判定系統1中亦可包含有：將電腦可讀取之資訊記憶媒體予以讀取的讀取部(例如光碟驅動機或記憶卡插槽)或用來與外部機器進行資料之輸出入所需之輸出入部(例如USB埠)。例如，資訊記憶媒體中所被記憶之程式或資料係亦可透過讀取部或輸出入部，而被供給至信用度判定系統1。

在本實施形態所述之信用度判定系統1中係例如，在信用資訊機關中未被登錄有授信之資訊的人物(以下稱作注目人物。)之信用度，會被判定。

以下，進一步說明本實施形態所述之信用度判定系統1的機能、及信用度判定系統1中所被執行的處理。

圖2係為本實施形態所述之信用度判定系統1中所被實作的機能之一例的機能區塊圖。此外，本實施形態所述之信用度判定系統1中，不需要實作圖2所示的全部機能，又，亦可被實作有圖2所示的機能以外之機能。

如圖2所示，在本實施形態所述之信用度判定系統1中，在機能上係含有例如：人物屬性資料取得部20、圖形資料生成部22、參考人物特定部24、關係性特定部26、接近度分數決定部28、信用分數取得部30、信用度判定部32。

人物屬性資料取得部20、信用分數取得部30，係以通訊部14為主而被實作。圖形資料生成部22、參考人物特定部24、關係性特定部26、信用度判定部32，係以處理器10為主而被實作。接近度分數決定部28，係以處理器10及記憶部12為主而被實作。

以上的機能係亦可藉由，屬於電腦的信用度判定系統1中所被安裝的含有對應於以上之機能之指令的程式，以處理器10加以執行，而被實作。又，該程式亦可透過例如：光碟、磁碟、磁帶、光磁碟等之電腦可讀取之資訊記憶媒體，或是透過網際網路等，而被供給至信用度判定系統1。

本實施形態所述之信用度判定系統1係可與例如：電子商務交易系統40、高爾夫球場預約系統42、旅行預約系統44、卡片管理系統46等這類複數個電腦系統進行通訊(參照圖3、圖5、及圖7)。在這些電腦系統之每一者中係被登錄有，關於利用該當電腦系統的使用者之資訊也就是帳號資料。然後，信用度判定系統1，係向這些電腦系統進行存取，而可取得該當電腦系統中所被登錄的帳號資料。

帳號資料中係含有例如：使用者ID、姓名資料、住址資料、年齡資料、性別資料、電話號碼資料、行動電話號碼資料、信用卡號碼資料、IP位址資料等。

使用者ID係為例如，於該當電腦系統中的該當使用者之識別資訊。姓名資料係為例如，表示該當使用者之姓名(姓氏及名字)的資料。住址資料係為例如，表示該當使用者之住址的資料。該當電腦系統是電子商務交易系統40的情況下，住址資料亦可為用來表示該當使用者所購入的商品之寄送地之住址。年齡資料係為例如，表示該當使用者之年齡的資料。性別資料係為例如，表示該當使用者之性別的資料。電話號碼資料係為例如，表示該當使用者之電話號碼的資料。行動電話號碼資料係為例如，表示該當使用者之行動電話號碼的資料。信用卡號碼資料係為例如，表示該當使用者在該當電腦系統中的結帳時所利用的信用卡之卡號的資料。IP位址資料係為例如，表示該當使用者所使用之電腦的IP位址(例如送訊來源之IP位址)的資料。

人物屬性資料取得部20，在本實施形態中係取得例如，關於含有注目人物之複數個人物的，表示該當人物之屬性的人物屬性資料。此處作為人物屬性資料之一例，係可舉出上述的帳號資料。人物屬性資料取得部20係例如，從上述的複數個系統之每一者，取得該當人物的帳號資料。

圖形資料生成部22，在本實施形態中係例如，基於複數個人物之每一者的屬性，而將彼此有關係之人物的配對，加以特定。圖形資料生成部22，係亦可基於複數個人物的人物屬性資料，而將彼此有關係之人物的配對，加以特定。此外，本實施形態所述之圖形資料生成部22，係相當於申請專利範圍所記載之，基於複數個人物之每一者的屬性，而將彼此有關係之人物的配對加以特定的配對特定手段之一例。

圖形資料生成部22係生成含有例如：與含有注目人物之複數個人物分別建立對應的節點資料50、和與彼此有關係之人物的配對建立對應的連結資料52的圖形資料(參照圖4、圖6、圖8、及圖9)。

例如，如圖3所示，假設電子商務交易系統40中係被登錄有，使用者A的帳號資料。又，假設高爾夫球場預約系統42中係被登錄有，使用者B的帳號資料。又，假設旅行預約系統44中係被登錄有，使用者C的帳號資料。

然後，假設電子商務交易系統40中所被登錄的使用者A的IP位址資料之值、高爾夫球場預約系統42中所被登錄的使用者B的IP位址資料之值、及旅行預約系統44中所被登錄的使用者C的IP位址資料之值，係為相同。

此情況下，圖形資料生成部22係生成，如圖4所示，含有：與使用者A建立對應的節點資料50a、與使用者B建立對應的節點資料50b、與使用者C建立對應的節點資料50c、表示使用者A是與使用者B有關係的連結資料52a、表示使用者A是與使用者C有關係的連結資料52b、表示使用者B是與使用者C有關係的連結資料52c的圖形資料。

IP位址為相同的使用者，推測是利用相同電腦的人。因此，在本實施形態中，如此的使用者係會被相互建立關連。

又，例如，如圖5所示，假設電子商務交易系統40中係被登錄有，使用者D，使用者E、及使用者F的帳號資料。

然後，假設電子商務交易系統40中所被登錄的使用者D的住址資料之值、使用者E的住址資料之值、及使用者F的住址資料之值，係為相同。

此情況下，圖形資料生成部22係生成，如圖6所示，含有：與使用者D建立對應的節點資料50d、與使用者E建立對應的節點資料50e、與使用者F建立對應的節點資料50f、表示使用者D是與使用者E有關係的連結資料52d、表示使用者D是與使用者F有關係的連結資料52e、表示使用者E是與使用者F有關係的連結資料52f的圖形資料。

住址為相同的使用者，係被推測為同居。因此，在本實施形態中，如此的使用者係會被相互建立關連。

又，例如，如圖7所示，假設電子商務交易系統40中係被登錄有，使用者G的帳號資料。又，假設高爾夫球場預約系統42中係被登錄有，使用者H的帳號資料。又，假設旅行預約系統44中係被登錄有，使用者I的帳號資料。

然後，假設電子商務交易系統40中所被登錄的使用者G的信用卡號資料之值、高爾夫球場預約系統42中所被登錄的使用者H的信用卡號資料之值、及旅行預約系統44中所被登錄的使用者I的信用卡號資料之值，係為相同。

此情況下，圖形資料生成部22係生成，如圖8所示，含有：與使用者G建立對應的節點資料50g、與使用者H建立對應的節點資料50h、與使用者I建立對應的節點資料50i、表示使用者G是與使用者H有關係的連結資料52g、表示使用者G是與使用者I有關係的連結資料52h、表示使用者H是與使用者I有關係的連結資料52i的圖形資料。

信用卡號碼為相同的使用者，係被推測為親子等之家人。因此，在本實施形態中，如此的使用者係會被相互建立關連。

此外，是否符合於彼此有關係之人物的配對的判斷基準，係不限定於以上所說明者。

又，以上所說明的，將已被特定為彼此是有關係之人物建立關連的連結資料52所表示的連結，稱作明示性連結。

此處假設例如，與第1人物以明示性連結而被連接的人物、和與第2人物以明示性連結而被連接的人物，是有所定數量以上(例如3人以上)為共通。此情況下，在本實施形態中係例如，圖形資料生成部22係生成，表示該當第1人物是與該當第2人物具有關係的連結資料52。如此所被生成的連結資料52所表示的連結，稱作暗示性連結。

例如，如圖9所示，假設藉由表示明示性連結的連結資料52j，與使用者J建立對應的節點資料50j和與使用者K建立對應的節點資料50k，係被連接。又，假設藉由表示明示性連結的連結資料52k，與使用者J建立對應的節點資料50j和與使用者L建立對應的節點資料50l，係被連接。又，假設藉由表示明示性連結的連結資料52l，與使用者J建立對應的節點資料50j和與使用者M建立對應的節點資料50m，係被連接。

又，假設藉由表示明示性連結的連結資料52m，與使用者K建立對應的節點資料50k和與使用者N建立對應的節點資料50n，係被連接。又，假設藉由表示明示性連結的連結資料52n，與使用者L建立對應的節點資料50l和與使用者N建立對應的節點資料50n，係被連接。又，假設藉由表示明示性連結的連結資料52o，與使用者M建立對應的節點資料50m和與使用者N建立對應的節點資料50n，係被連接。

此情況下，圖形資料生成部22係生成，表示使用者J是與使用者N有關係的連結資料52p(表示暗示性連結的連結資料52p)。如此一來，使用者N就會被特定成，與使用者J有關係之人物。

又假設例如，與第1人物以明示性連結或暗示性連結而被連接的人物、和與第2人物以明示性連結或暗示性連結而被連接的人物，是有所定數量以上(例如3人以上)為共通。此情況下，圖形資料生成部22亦可生成，表示該當第1人物是與該當第2人物有關係的連結資料52(表示暗示性連結的連結資料52)。

此外，圖形資料生成部22，係亦可基於與帳號資料不同的人物屬性資料，來生成圖形資料。

參考人物特定部24，在本實施形態中係例如，將與注目人物有關係之人物也就是參考人物，加以特定。此處，參考人物特定部24，係將作為與注目人物有關係之人物而被特定的人物、及作為有關係之人物而被特定之人物係有所定數量以上是與注目人物呈共通的人物，特定成為參考人物。又，參考人物特定部24，係亦可基於注目人物之屬性、和複數個人物之屬性，而從該當複數個人物之中，特定出參考人物。

參考人物特定部24係亦可將例如，與注目人物建立對應的節點資料50，和與藉由表示明示性連結或暗示性連結的連結資料52而被連接的節點資料50建立對應的人物，特定成為對於該當注目人物的參考人物。

關係性特定部26，在本實施形態中係例如，將注目人物與參考人物之關係性，加以特定。此處，關係性特定部26，係亦可基於注目人物的帳號資料、和參考人物的帳號資料，而將注目人物與參考人物之關係性，加以特定。此處，注目人物的帳號資料所被登錄的電腦系統與參考人物的帳號資料所被登錄的電腦系統，亦可為不同。例如，亦可基於電子商務交易系統40中所被登錄的注目人物的帳號資料、和高爾夫球場預約系統42中所被登錄的參考人物的帳號資料，而將注目人物與參考人物之關係性，加以特定。

又，關係性特定部26，係亦可將注目人物與參考人物的身為家人之關係，加以特定。

關係性特定部26係例如，將藉由連結資料52而被連接的節點資料50之配對，加以特定。然後，關係性特定部26，係基於與該當配對建立對應的2位人物的人物屬性資料，而生成與該當配對建立對應的配對屬性資料。

配對屬性資料中係含有例如：IP共通旗標、住址共通旗標、信用卡號碼共通旗標、姓氏相同旗標、年齡差資料、配對性別資料等。

IP共通旗標係為例如，表示該當配對之中的一方的帳號資料中所含之IP位址資料之值與他方的帳號資料中所含之IP位址資料之值是否為相同的旗標。例如，亦可為，於給定的日子中，IP位址資料之值為相同的情況下則對IP共通旗標之值係設定1，IP位址資料之值為不同的情況下則對IP共通旗標之值設定0。

住址共通旗標係為例如，表示該當配對之中的一方的帳號資料中所含之住址資料之值與他方的帳號資料中所含之住址資料之值是否為相同的旗標。例如，住址資料之值為相同的情況下則對住址共通旗標之值設定1，住址資料之值為不同的情況下則對住址共通旗標之值設定0。

信用卡號共通旗標係為例如，表示該當配對之中的一方的帳號資料中所含之信用卡號資料之值與他方的帳號資料中所含之信用卡號資料之值是否為相同的旗標。例如，信用卡號資料之值為相同的情況下則對信用卡號共通旗標之值設定1，信用卡號資料之值為不同的情況下則對信用卡號共通旗標之值設定0。

姓氏相同旗標係為例如，表示該當配對之中的一方的帳號資料中所含之姓名資料所表示之姓氏與他方的帳號資料中所含之姓名資料所表示之姓氏是否為相同的旗標。例如，姓名資料所表示之姓氏為相同的情況下則對姓氏相同旗標之值設定1，姓名資料所表示之姓氏為不同的情況下則對姓氏相同旗標之值設定0。

年齡差資料係為例如，表示該當配對之中的一方的帳號資料中所含之年齡資料之值與他方的帳號資料中所含之年齡資料之值的差的資料。

配對性別資料係為例如，表示該當配對之中的一方的帳號資料中所含之性別資料之值與他方的帳號資料中所含之性別資料之值之組合的資料。

然後，關係性特定部26，係基於與複數個配對之每一者建立對應的配對屬性資料之值，執行使用一般聚類手法的聚類，以將該當複數個配對，分類成如圖10所示的複數個群聚54。

圖10係為，複數個配對被分類成5個群聚54(54a、54b、54c、54d、及54e)的樣子之一例的模式性圖示。圖10中所示的叉叉，係與配對建立對應。然後，複數個叉叉之每一者係被配置在，與該當叉叉所對應之配對之配對屬性資料之值建立對應的位置上。

圖10的例子中，雖然複數個配對是被分類成5個群聚54，但複數個配對所被分類的群聚54之數量係不限定於5個，例如，複數個配對係可被分類成4個群聚54。

圖11係為，在複數個配對是被分類成4個群聚54的情況下，該當分類的可視化之一例的圖示。

如圖11所示，住址為相同、性別為相同、年齡差是大於X歲、姓氏為相同的配對，係亦可被分類成第1群聚。又，住址為相同、性別為相同、年齡差係為X歲以下、姓氏為相同的配對，係亦可被分類成第2群聚。又，住址為相同、性別為不同、年齡差是大於Y歲、姓氏為相同的配對，係亦可被分類成第3群聚。又，住址為相同、性別為不同、年齡差係為Y歲以下、姓氏為相同的配對，係亦可被分類成第4群聚。

此情況下，第1群聚係可被推測為，例如與同性之親子建立對應的群聚54。又，第2群聚係可被推測為，例如與同性之兄弟姊妹建立對應的群聚54。又，第3群聚係可被推測為，例如與異性之親子建立對應的群聚54。又，第4群聚係可被推測為，例如與夫婦、或異性之兄弟姊妹建立對應的群聚54。

如以上所說明，關係性特定部26，係亦可基於以與人物間之關係建立對應的值為基礎的聚類之結果，而將注目人物與參考人物之關係性，加以特定。又，關係性特定部26，係亦可基於以姓氏、IP位址、住址、信用卡號碼、年齡差、或性別之其中至少1者為基礎的聚類之結果，而將注目人物與參考人物之關係性，加以特定。

接近度分數決定部28，在本實施形態中係例如，依照注目人物與參考人物之關係性所對應之判斷基準，基於表示注目人物與該當參考人物之關係之強度的指標，而決定表示注目人物與該當參考人物之接近度的接近度分數。

此處，接近度分數決定部28係亦可含有，分別與上述之群聚54建立對應的已學習之機器學習模型。例如，複數個配對是被分類成5個群聚54的情況下，則接近度分數決定部28係亦可含有5個機器學習模型。

然後，接近度分數決定部28係亦可基於，對注目人物與參考人物之關係性所對應之已學習之機器學習模型輸入表示指標的資料之際的輸出，該資料係表示注目人物與該當參考人物之關係之強度的指標，而決定表示注目人物與參考人物之接近度的接近度分數。此情況下，於已學習之機器學習模型中所被實作的輸出入關係，係相當於上述的判斷基準。

如圖12所示，接近度分數決定部28，亦可對第n個機器學習模型也就是第n機器學習模型，輸入已被分類成與第n機器學習模型建立對應之群聚54的配對所對應之輸入資料。例如，接近度分數決定部28是含有5個機器學習模型的情況下，上述的值n，係為1以上5以下之整數之中的任一者。然後，接近度分數決定部28，亦可將隨應於該當輸入資料之輸入而從第n機器學習模型所被輸出的輸出資料之值，決定成為針對該當配對的接近度分數之值。

與配對建立對應的輸入資料中係亦可含有例如，與該當配對建立對應的配對屬性資料之部分或全部。又，輸入資料中亦可含有，配對屬性資料中所未含有的資料。例如，輸入資料中亦可含有，表示電子商務交易系統40之利用履歷的資料、或藉由接近度分數決定部28而從SNS等之其他資訊源所取得的資料等。更具體而言，例如，亦可在輸入資料中，含有表示配對間的每單位期間之通話次數或訊息之往來之次數、一方送給他方的贈禮之數量、配對中的共通之好友的數量等的資料。

又，與配對建立對應的輸入資料中所含之資料的種類，係亦可隨著該當配對所屬的群聚54，而為相同或不同。例如，被輸入至第1機器學習模型的輸入資料中所含之資料的種類，與被輸入至第2機器學習模型的輸入資料中所含之資料的種類，亦可為不同。

在本實施形態中係例如，早於接近度分數決定部28所致之接近度分數之決定，預先使用與第n機器學習模型建立對應的給定之複數個訓練資料，來執行第n機器學習模型的學習。該訓練資料係為例如，預先被準備，以使得與該當第n機器學習模型建立對應的群聚54中的接近度分數之決定會變成妥當。

此處，亦可對第n機器學習模型，進行弱監督式學習所致之學習。例如，訓練資料中亦可含有，如圖13所示的，含有與被輸入至第n機器學習模型之輸入資料相同種類之資料的學習輸入資料、和用來與隨應於學習輸入資料之輸入而從第n機器學習模型所被輸出之輸出資料進行比較的教師資料。

此處例如，上述的接近度分數，係取0或1之任一值。例如，配對是處於接近之關係的情況下，則作為該當配對之接近度分數之值是決定為1，除此以外的情況下，則作為該當配對之接近度分數之值是決定為0。

此情況下，教師資料係亦可含有，對應之學習輸入資料中的妥當的接近度分數之值、及表示該值為妥當之機率的資料。

然後，亦可基於例如，隨應於訓練資料中所含之學習輸入資料之輸入而從第n機器學習模型所被輸出的輸出資料之值、和該當訓練資料中所含之教師資料之值，來執行將第n機器學習模型之參數之值予以更新的弱監督式學習。

此外，上述的接近度分數，係並不必要為只能採取0或1之任一值的二進位資料。例如，上述的接近度分數係亦可為，該當配對越是處於接近之關係就取越大之值的實數值(例如0以上10以下之實數值)、或多階段之整數值(例如1以上10以下之整數值)。

又，機器學習模型的學習手法，係不限定於弱監督式學習。

作為一具體例，考慮具有兄弟姊妹之關係的配對。此情況下，與該當配對建立對應的輸入資料係被輸入至，兄弟姊妹此一關係所對應的已學習之機器學習模型。然後例如，關於該配對而住址資料之值為相同，該配對之一方送給他方的贈禮之數量為50，該配對的目前為止的通話次數是1200次的情況下，則輸出值為1的輸出資料，如此的學習亦可被執行。又例如，關於該配對而住址資料之值為不同，該配對之一方送給他方的贈禮之數量為2，該配對的目前為止的通話次數是30次的情況下，則輸出值為0的輸出資料，如此的學習亦可被執行。

然後，接近度分數所對應之輸出資料之值為1還是0的判斷基準(例如閾值)，亦可隨著機器學習模型而不同。

信用分數取得部30，在本實施形態中係例如，將表示參考人物之信用分數的信用分數資料，加以取得。

信用分數取得部30，係亦可對信用資訊機關之系統進行存取，從該當系統取得表示參考人物之信用分數的信用分數資料。

信用分數取得部30，係亦可對卡片管理系統46進行存取，從卡片管理系統46取得表示參考人物之信用分數的信用分數資料。

信用度判定部32，在本實施形態中係例如，針對至少1位參考人物，基於關於該當參考人物之資訊與針對該當參考人物而被決定的與注目人物之接近度分數，而判定注目人物之信用度。

此處作為關於參考人物的資訊之一例係可舉出，信用分數取得部30所取得的，表示該當參考人物之信用分數的信用分數資料。

又，信用度判定部32，作為注目人物之信用度之一例，亦可判定注目人物之信用分數。例如，信用度判定部32，係將接近度分數所致之信用分數的加權平均值，當作注目人物之信用分數而加以判定。

例如，關於某個注目人物，假設參考人物是有m位。此情況下，關於該m位的參考人物，信用分數資料之值與該當參考人物與該當注目人物之配對所被建立對應的接近度分數之值的積所合計而成的值p，亦可被計算。然後，關於該m位的參考人物，該當參考人物與該當注目人物之配對所被建立對應的接近度分數之值的積所合計而成的值q，亦可被計算。然後，值p除以值q所得的值，亦可被當作注目人物之信用分數而被判定。

此外，信用度判定部32，係不需要基於參考人物之信用分數，來判定注目人物之信用度。例如，信用度判定部32，係亦可基於例如：參考人物的收入、參考人物的知名度、人口統計等，來判定注目人物之信用度。

又，信用度判定部32所判定的注目人物之信用度，係不限定於注目人物之信用分數。例如，信用度判定部32亦可判定，注目人物之授信限度額。又，例如，信用度判定部32亦可判定，對於任意之會員服務的新增使用者登錄、或任意之網際網路購物或二手市場服務的利用費用之是否許可事後付款等。

此處，本實施形態所述之信用度判定系統1中所被進行的，針對某個注目人物而判定信用度的處理的流程之一例，參照圖14中所例示的流程圖來做說明。在以下的處理例中係假設，關於含有注目人物之複數個人物的圖形資料是已經被生成，針對複數個配對，與該當配對建立對應的群聚54是已被特定。又，假設與各群聚54建立對應的機器學習模型，是已經學習完成。又，假設作為值p的初期值、及值q的初期值，是設定0。

首先，參考人物特定部24，係將與注目人物所對應之節點資料50藉由明示性連結或暗示性連結而被連接的節點資料50所對應之人物，特定成為參考人物(S101)。此處係假設例如，特定出至少1位參考人物。

然後，關係性特定部26，係從藉由S101所示之處理而被特定的參考人物之中，選擇出1位尚未執行S103～S109所示之處理的參考人物(S102)。

然後，關係性特定部26，係將該當注目人物與藉由S102所示之處理而被選擇的參考人物之配對所對應之群聚54，加以特定(S103)。

然後，接近度分數決定部28，係將該當注目人物與藉由S102所示之處理而被選擇的參考人物之配對所對應之輸入資料，加以生成(S104)。

然後，接近度分數決定部28，係將藉由S104所示之處理而被生成的輸入資料，輸入至與藉由S103所示之處理而被特定之群聚54建立對應的已學習之機器學習模型(S105)。

然後，接近度分數決定部28，係隨應於藉由S105所示之處理而被執行的輸入，基於從機器學習模型所被輸出的輸出資料，決定與該當注目人物和該當參考人物之配對建立對應的接近度分數之值(S106)。

然後，信用分數取得部30，係將該當參考人物之信用分數資料，加以取得(S107)。

然後，信用度判定部32，係對值p，加算藉由S107所示之處理而被取得的信用分數資料之值與藉由S106所示之處理而被決定的接近度分數之值的積p1(S108)。

然後，信用度判定部32，係對值q，加算藉由S106所示之處理而被決定的接近度分數之值q1(S109)。

然後，關係性特定部26，係針對藉由S101所示之處理而被特定的參考人物之全部，確認是否都已經執行過S103～S109所示之處理(S110)。

針對藉由S101所示之處理而被特定的參考人物之全部並非都已經執行過S103～S109所示之處理的情況下(S110：N)，則回到S102所示之處理。

針對藉由S101所示之處理而被特定的參考人物之全部而都已經執行過S103～S109所示之處理的情況下(S110：Y)，則信用度判定部32，係將值p除以值q所得的值，當作注目人物之信用分數而加以特定(S111)，結束本處理例所示之處理。

如此一來，若依據本實施形態，則可確實地判定無授信資訊之人物之信用度。

本實施形態係也可使用於，針對對應之節點資料50並未被包含在圖形資料中的新增之注目人物的信用度之判定。例如，亦可基於新增之注目人物的人物屬性資料，而生成該當注目人物所對應之節點資料50、及與該當節點資料50連接的至少1個連結資料52。然後，藉由連結資料52而與該當注目人物所對應之節點資料50連接的人物，亦可被特定成為該當注目人物的參考人物。

然後，亦可針對所被特定的至少1位參考人物之每一者，生成該當參考人物與該當注目人物之配對所對應之配對屬性資料。然後，亦可基於配對屬性資料、與已經進行過的聚類之結果，而特定出該當參考人物與該當注目人物之關係所對應之群聚54。

然後，亦可針對所被特定的至少1位參考人物之每一者，特定出與所被特定之群聚54相對應之已學習之機器學習模型。然後，將該當參考人物與該當注目人物之配對所對應之輸入資料輸入至該當機器學習模型之際，亦可基於來自該當機器學習之輸出，而決定關於該當配對的接近度分數。

然後，如上述，關於各參考人物，亦可基於接近度分數與信用分數，來判定新增之注目人物之信用度。

此外，本發明係不限定於上述的實施形態。

例如，信用度判定部32亦可執行，基於關於注目人物之資訊，而判定該當注目人物之信用度的第1判定。在第1判定中，亦可不使用該當注目人物以外之人物的資訊(例如上述之參考人物之資訊)，而只基於關於注目人物之資訊，來判定該當注目人物之信用度。

然後，信用度判定部32，係在藉由上述之第1判定而被判定的注目人物之信用度是所定之等級以下(例如注目人物之信用分數之值為所定值以下)的情況下，亦可如上述，基於關於至少1位參考人物的資訊，而執行重新判定該當注目人物之信用度的第2判定。

又，信用度判定部32，係在上述之第1判定中無法判定注目人物之信用度的情況下，亦可如上述，基於關於至少1位參考人物的資訊，而執行重新判定該當注目人物之信用度的第2判定。

又，上記的具體的字串或數值及圖式中的具體的字串或數值係為例示，並不限定於這些字串或數值。

1:信用度判定系統 10:處理器 12:記憶部 14:通訊部 16:操作部 18:輸出部 20:人物屬性資料取得部 22:圖形資料生成部 24:參考人物特定部 26:關係性特定部 28:接近度分數決定部 30:信用分數取得部 32:信用度判定部 40:電子商務交易系統 42:高爾夫球場預約系統 44:旅行預約系統 46:卡片管理系統 50a～50n:節點資料 52a～52n:連結資料 54a～54e:群聚

[圖1]本發明的一實施形態所述之信用度判定系統的全體構成之一例的圖示。 [圖2]本發明的一實施形態所述之信用度判定系統的機能之一例的機能區塊圖。 [圖3]IP位址資料之值為共通之一例的模式性圖示。 [圖4]圖形資料之一例的圖示。 [圖5]住址資料之值為共通之一例的模式性圖示。 [圖6]圖形資料之一例的圖示。 [圖7]信用卡號碼資料之值為共通之一例的模式性圖示。 [圖8]圖形資料之一例的圖示。 [圖9]圖形資料之一例的圖示。 [圖10]群聚之一例的圖示。 [圖11]分類的可視化之一例的圖示。 [圖12]使用機器學習模型的接近度分數的決定之一例的圖示。 [圖13]機器學習模型的學習之一例的圖示。 [圖14]本發明的一實施形態所述之信用度判定系統中所被進行的處理的流程之一例的流程圖。

1:信用度判定系統

20:人物屬性資料取得部

22:圖形資料生成部

24:參考人物特定部

26:關係性特定部

28:接近度分數決定部

30:信用分數取得部

32:信用度判定部

Claims (11)

1. 一種信用度判定系統，係用來判定注目人物之信用度的信用度判定系統，其特徵為，含有： 關係性特定手段，係用以將前記注目人物與參考人物之關係性，加以特定；和 接近度分數決定手段，係用以依照前記注目人物與前記參考人物之關係性所對應之判斷基準，基於表示該當注目人物與該當參考人物之關係之強度的指標，而決定表示該當注目人物與該當參考人物之接近度的接近度分數；和 信用度判定手段，係用以針對至少1位前記參考人物，基於關於該當參考人物之資訊與針對該當參考人物而被決定的前記接近度分數，而判定前記注目人物之信用度。
2. 如請求項1所記載之信用度判定系統，其中， 前記接近度分數決定手段，係基於對前記注目人物與前記參考人物之關係性所對應之已學習之機器學習模型輸入表示前記指標之資料之際的輸出，而決定表示前記注目人物與前記參考人物之接近度的前記接近度分數。
3. 如請求項1所記載之信用度判定系統，其中， 前記關係性特定手段，係基於第1電腦系統中所被登錄的前記注目人物之帳號資料、與第2電腦系統中所被登錄的前記參考人物之帳號資料，而將前記注目人物與前記參考人物之關係性，加以特定。
4. 如請求項1所記載之信用度判定系統，其中， 還含有： 配對特定手段，係用以基於複數個人物之每一者的屬性，而將彼此有關係之人物的配對，加以特定；和 參考人物特定手段，係用以將作為與前記注目人物有關係之人物而被特定的人物、及作為有關係之人物而被特定之人物係有所定數量以上是與前記注目人物呈共通的人物，特定成為前記參考人物。
5. 如請求項1所記載之信用度判定系統，其中， 前記關係性特定手段，係將前記注目人物與前記參考人物的身為家人之關係，加以特定。
6. 如請求項1所記載之信用度判定系統，其中， 前記信用度判定手段，係判定前記注目人物之信用分數。
7. 如請求項1所記載之信用度判定系統，其中， 前記關係性特定手段，係基於以與人物間之關係建立對應的值為基礎的聚類之結果，而將前記注目人物與前記參考人物之關係性，加以特定。
8. 如請求項7所記載之信用度判定系統，其中， 前記關係性特定手段，係基於以姓氏、IP位址、住址、信用卡號碼、年齡差、或性別之其中至少1者為基礎的聚類之結果，而將前記注目人物與前記參考人物之關係性，加以特定。
9. 如請求項1所記載之信用度判定系統，其中， 前記信用度判定手段，係基於關於前記注目人物之資訊，而執行判定前記注目人物之信用度的第1判定； 前記信用度判定手段，係在藉由前記第1判定而被判定的前記注目人物之信用度為所定之等級以下的情況下，或者，藉由前記第1判定而無法判定前記注目人物之信用度的情況下，基於關於至少1位前記參考人物之資訊，而執行重新判定前記注目人物之信用度的第2判定。
10. 一種信用度判定方法，係用來判定注目人物之信用度的信用度判定方法，其特徵為，含有： 將前記注目人物與參考人物之關係性加以特定之步驟；和 依照前記注目人物與前記參考人物之關係性所對應之判斷基準，基於表示該當注目人物與該當參考人物之關係之強度的指標，而決定表示該當注目人物與該當參考人物之接近度的接近度分數之步驟；和 針對至少1位前記參考人物，基於關於該當參考人物之資訊與針對該當參考人物而被決定的前記接近度分數，而判定前記注目人物之信用度之步驟。
11. 一種資訊記憶媒體，係記憶程式，其特徵為，令判定注目人物之信用度的電腦，執行： 將前記注目人物與參考人物之關係性加以特定之程序； 依照前記注目人物與前記參考人物之關係性所對應之判斷基準，基於表示該當注目人物與該當參考人物之關係之強度的指標，而決定表示該當注目人物與該當參考人物之接近度的接近度分數之程序； 針對至少1位前記參考人物，基於關於該當參考人物之資訊與針對該當參考人物而被決定的前記接近度分數，而判定前記注目人物之信用度之程序。

Images