TWI832588B - 資訊處理系統、資訊處理方法及程式產品 - Google Patents

資訊處理系統、資訊處理方法及程式產品 Download PDF

Info

Publication number
TWI832588B
TWI832588B TW111145818A TW111145818A TWI832588B TW I832588 B TWI832588 B TW I832588B TW 111145818 A TW111145818 A TW 111145818A TW 111145818 A TW111145818 A TW 111145818A TW I832588 B TWI832588 B TW I832588B
Authority
TW
Taiwan
Prior art keywords
person
relationship
mentioned above
data
character
Prior art date
Application number
TW111145818A
Other languages
English (en)
Other versions
TW202341055A (zh
Inventor
薩蒂恩 阿布羅爾
曼諾吉 康達帕卡
山田絢一郎
Original Assignee
日商樂天集團股份有限公司
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 日商樂天集團股份有限公司 filed Critical 日商樂天集團股份有限公司
Publication of TW202341055A publication Critical patent/TW202341055A/zh
Application granted granted Critical
Publication of TWI832588B publication Critical patent/TWI832588B/zh

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
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

對於個人資訊未被更新之狀態能更適切地應對。 關係性特定手段(26)係將注目人物與參考人物的關係性之種類加以特定；接近度分數決定手段(28)，係用以依照前記注目人物與前記參考人物的關係性之種類所對應之判斷基準，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；更新要否推定手段(34)，係用以基於含有：前記注目人物之屬性、前記參考人物之屬性、前記參考人物的個人資訊之變更狀況、關於前記注目人物與前記參考人物之配對的前記接近度分數、和前記關係性之種類的輸入資料，來推定前記注目人物的個人資訊之更新要否。

Description

資訊處理系統、資訊處理方法及程式產品
本發明係有關於資訊處理系統、資訊處理方法及程式產品。
個人資訊，係在提供各式各樣的服務之際，會被使用。服務的事業者，係將利用者的個人資訊，從該使用者加以取得，使用該個人資訊中所含之住址或電話號碼等，來提供必要的服務。
日本特開2020-035093號公報中係揭露，基於家電機器之操作日誌來推定生活型態之變化，在被推定為有生活型態之變化的情況下，將用來求取個人資訊之更新的更新要求，發送至使用者的資訊處理終端。
[發明所欲解決之課題]
在個人資訊之中，係有例如像是住址這類，會隨著時間經過而與實際發生不相符的資訊。另一方面，利用者，係即使個人資訊與實際發生不相符，有時候仍不會去更新服務之事業者的個人資訊。如此一來，例如，以郵送寄送的文件會無法送達給利用者等，由於對服務之提供會造成某些障礙，因而會有導致利用者遭受不利益之虞。又，服務的事業者若頻繁地確認個人資訊的變更狀況，則會對利用者造成負擔。
本發明係有鑑於上記課題而研發，其目的為，提供對於服務事業者所擁有的個人資訊未被更新之狀態而能夠較為適切地應對的技術。 [用以解決課題之手段]
本發明所述之資訊處理系統係含有：關係性特定手段，係用以將注目人物與參考人物的關係性之種類，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的關係性之種類所對應之判斷基準，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；和更新要否推定手段，係用以基於含有：前記注目人物之屬性、前記參考人物之屬性、前記參考人物的個人資訊之變更狀況、關於前記注目人物與前記參考人物之配對的前記接近度分數、和前記關係性之種類的輸入資料，來推定前記注目人物的個人資訊之更新要否。
本發明所述之資訊處理方法係含有：將注目人物與參考人物的關係性之種類加以特定之步驟；和依照前記注目人物與前記參考人物的關係性之種類所對應之判斷基準，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；和基於含有：前記注目人物之屬性、前記參考人物之屬性、前記參考人物的個人資訊之變更狀況、關於前記注目人物與前記參考人物之配對的前記接近度分數、和前記關係性之種類的輸入資料，來推定前記注目人物的個人資訊之更新要否之步驟。
本發明所述之程式，係令電腦發揮機能成為：關係性特定手段，係用以將注目人物與參考人物的關係性之種類，加以特定；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的關係性之種類所對應之判斷基準，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；及更新要否推定手段，係用以基於含有：前記注目人物之屬性、前記參考人物之屬性、前記參考人物的個人資訊之變更狀況、關於前記注目人物與前記參考人物之配對的前記接近度分數、和前記關係性之種類的輸入資料，來推定前記注目人物的個人資訊之更新要否。
在本發明的一態樣中，前記更新要否推定手段，係可藉由將前記輸入資料輸入至更新要否推定模型，以推定前記更新要否，其中，該更新要否推定模型係為，藉由含有：第1人物之屬性、第2人物之屬性、關於前記第1人物與前記第2人物之配對的前記關係性之種類及前記接 近度分數、前記第2人物的個人資訊之變更狀況、表示前記第1人物之個人資訊是否有變更之正確答案資料的訓練資料，而被進行過學習的機器學習模型。
在本發明的一態樣中，前記關係性特定手段，係可從包含有親子、配偶、及兄弟姊妹(sibling)之至少一部分的候補中選擇出任一者，來作為前記關係性之種類。
在本發明的一態樣中，前記關係性特定手段係亦可基於：姓氏之同一性、IP位址之同一性、住所之同一性、年齡差、及性別之同一性之其中至少一部分，而將前記注目人物與前記參考人物的關係性之種類，加以特定。
在本發明的一態樣中，前記接近度分數決定手段，係可基於對前記注目人物與前記參考人物的關係性之種類所相應之機器學習模型也就是接近度分數決定模型輸入了，表示前記注目人物與前記參考人物之關係之強度的指標之際的輸出，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。
在本發明的一態樣中，表示前記注目人物與前記參考人物之關係之強度的指標係可包含：前記注目人物與該當參考人物之間住址是否相同、前記注目人物與該當參考人物之間是否有共用信用卡、前記注目人物與該當參考人物之間的共通之朋友之數量、前記注目人物與該當參考人物之間的通話之頻繁度、及前記注目人物與前記參考人物之間的禮物寄送之頻繁度之其中至少一部分。
在本發明的一態樣中，前記關係性特定手段，係亦可基於第1電腦系統中所被登錄的前記注目人物之屬性資料、與第2電腦系統中所被登錄的前記參考人物之屬性資料，而將前記注目人物與前記參考人物的關係性之種類，加以特定。 [發明效果]
若依據本發明，則對於服務事業者所擁有的個人資訊未被更新之狀態，能夠較為適切地應對。
以下，基於圖式而詳細說明本發明的一實施形態。在本實施形態中係說明，將例如因為搬遷等理由而導致個人資訊的變更變成必須，且其個人資訊未被更新的使用者，加以偵測，並對應於該使用者的資訊處理系統1。
圖1係為本發明的一實施形態所述之資訊處理系統1的全體構成之一例的圖示。如圖1所示，本實施形態所述之資訊處理系統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，在本實施形態所述的資訊處理系統1中，亦可被包含有複數台之電腦。
處理器10係為例如，依照資訊處理系統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。資訊處理系統1，係可含有1或複數個處理器10。記憶部12，係為例如ROM或RAM等之記憶元件、或硬碟機(HDD)、包含快閃記憶體的固態硬碟機(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係為例如像是網路介面卡這類有線通訊或無線通訊用的通訊介面，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，資訊處理系統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，資訊處理系統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，而被供給至資訊處理系統1。
本實施形態所述之資訊處理系統1，係將個人資訊的變更變成必須，且其個人資訊未被更新的使用者(人物)，加以偵測。因此，資訊處理系統1係利用，該成為偵測之對象的使用者(以下亦記載作注目人物)、與和該使用者存有關係之使用者(以下亦記載作參考人物)的關係性之種類及接近度，還有參考人物的個人資訊之變更狀況。此處，所謂個人資訊之變更狀況，係為關於個人資訊之變更的資訊，例如：亦可包含有於一個服務中的個人資訊之變更履歷、亦可包含有於一個服務中的表示個人資訊之登錄或變更之有無或時序的資訊、亦可包含有與同一使用者所被建立對應的不同的複數個服務間的個人資訊之共通性、亦可包含有其他之態樣。
以下，進一步說明本實施形態所述之資訊處理系統1的機能、及資訊處理系統1中所被執行的處理。
圖2係為本實施形態所述之資訊處理系統1中所被實作的機能之一例的機能區塊圖。此外，本實施形態所述之資訊處理系統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，本實施形態所述之資訊處理系統1，在機能上係含有：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、手法決定部30、接近度分數決定部28、學習部32、推定部34、使用者通知部36、關連儲存部39。
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，係主要是用來作為含有使用者之配對及該配對中的使用者間之關係的社交圖譜所需之機能。推定部34係為推定注目人物的個人資訊之更新是否為必要(推定更新要否)的機能，學習部32係為令推定部34中所使用的機器學習模型(更新要否推定模型)進行學習的機能。
人物屬性資料取得部20、使用者通知部36，係主要是以處理器10、記憶部12及通訊部14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、手法決定部30、接近度分數決定部28、推定部34，係主要是以處理器10及記憶部12而被實作。關連儲存部39係主要是以記憶部12而被實作。
以上的機能係可藉由，屬於電腦的資訊處理系統1中所被安裝的含有對應於以上之機能之執行命令的程式，以處理器10加以執行，而被實作。又，該程式亦可透過例如：光學性碟片、磁碟、快閃記憶體等之電腦可讀取之資訊記憶媒體，或是透過網際網路等，而被供給至資訊處理系統1。
本實施形態所述之資訊處理系統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，資訊處理系統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(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，而將彼此存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，而將彼此存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，而將彼此存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、和與彼此存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)。又，圖形資料生成部22，係將已被生成之圖形資料，儲存在關連儲存部39中。
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存有關係的連結資料52a、表示使用者A是與使用者C存有關係的連結資料52b、表示使用者B是與使用者C存有關係的連結資料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存有關係的連結資料52d、表示使用者D是與使用者F存有關係的連結資料52e、表示使用者E是與使用者F存有關係的連結資料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存有關係的連結資料52g、表示使用者G是與使用者I存有關係的連結資料52h、表示使用者H是與使用者I存有關係的連結資料52i的圖形資料。
信用卡號為相同的使用者，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，是否符合於彼此存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存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人物存有關係的連結資料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存有關係的連結資料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存有關係之人物。
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人物存有關係的連結資料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，係將與處理對象人物(例如包含注目人物)存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係亦可將作為與處理對象人物存有關係之人物而被特定的人物(例如作為朋友而被登錄至電子商務交易系統40等的人物)、以及作為存有關係之人物而被特定的人物(例如已被登錄的朋友)係有所定數量以上是與處理對象人物呈共通的人物，特定成為參考人物。又，參考人物特定部24，係亦可基於處理對象人物之屬性、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，與處理對象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，特定成為對於該當處理對象人物的參考人物。
關係性特定部26，係將處理對象人物(例如包含注目人物)與參考人物之關係性，加以特定。此處，關係性特定部26，係亦可基於處理對象人物的帳號資料、和參考人物的帳號資料，而將處理對象人物與參考人物之關係性，加以特定。此處，處理對象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中所被登錄的處理對象人物的帳號資料、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，而將處理對象人物與參考人物之關係性(更具體而言係為關係性之種類)，加以特定。關係性特定部26，係可將已被特定之關係性，與處理對象人物及參考人物之配對建立關連而儲存在關連儲存部39中。
又，關係性特定部26，係可將處理對象人物與參考人物的身為家人之關係(例如親子、配偶、兄弟姊妹)，加以特定。甚至，關係性特定部26，作為所被特定的關係性之種類，係可選擇包含：親子、配偶、兄弟姊妹、同事、鄰居、朋友之其中至少一部分的候補之其中任一者。
接著，更詳細說明關係性特定部26之處理。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。此外，關於處理對象人物及參考人物的配對屬性資料係可含有：藉由關係性特定部26而被特定的，表示關於處理對象人物及參考人物之配對的關係性之種類的資訊。
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，而將處理對象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、年齡差、或性別之其中至少1者為基礎的聚類之結果，而將處理對象人物與參考人物之關係性，加以特定。
接近度分數決定部28，係基於處理對象人物與參考人物之關係性所對應之判斷基準、和表示處理對象人物(例如包含注目人物)與參考人物之關係之強度的指標，而決定表示處理對象人物與該當參考人物之接近度的接近度分數。
手法決定部30，係將作為處理對象人物與參考人物之關係性而被選擇之種類所對應之判斷基準，加以決定。更具體而言，手法決定部30係可將接近度分數決定部28中所利用的接近度分數決定用之機器學習模型(接近度分數決定模型)加以決定，來作為判斷基準。
然後，接近度分數決定部28，係依照已被決定之判斷基準，基於表示處理對象人物與參考人物之關係之強度的指標，而決定表示該處理對象人物與該參考人物之接近度的接近度分數。又，接近度分數決定部28，係將已被決定之接近度分數，與處理對象人物及參考人物之配對建立關連而儲存在關連儲存部39中。
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(接近度分數決定模型)。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係可基於，對處理對象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(接近度分數決定模型)輸入表示指標的資料之際的輸出，該資料係表示處理對象人物與該當參考人物之關係之強度的指標，而決定表示處理對象人物與參考人物之接近度的接近度分數。
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(通話頻繁度)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(已被登錄之)友人的數量等的資料。
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(正確答案之資料)。
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(接近度分數決定模型)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(接近度分數決定模型)而不同。
推定部34，係基於含有：注目人物之屬性、參考人物之屬性、關於注目人物與參考人物之配對的關係性之種類及接近度分數的輸入資料，來推定注目人物的個人資訊之更新是否必要。以下，將推定個人資訊之更新是否必要的這件事情，記載作推定更新要否。推定部34，係可針對注目人物與參考人物之配對，而將關係性特定部26所特定的關係性之種類與接近度分數決定部28所決定的接近度分數，從關連儲存部39加以取得。參考人物之屬性係包含：性別及年齡、和例如表示郵遞區號、住址、電話號碼之任一者在最近數日是否有被更新的資訊、和行動履歷(例如家具或雜貨之購入狀況或瀏覽履歷)。注目人物之屬性也包含上記之資訊。此外，推定部34，係亦可取代配對的關係性之種類而改為基於該配對屬性資料之至少一部分，來推定該當蓋然性。
推定部34，係可使用機器學習模型(更新要否推定模型)來推定該更新要否。更具體而言，推定部34，係可根據對更新要否推定模型輸入了輸入資料之際的輸出，來推定更新要否。更新要否推定模型係可為例如：AdaBoost、隨機森林、神經網絡、支持向量機(SVM)、最近鄰識別器等之機器學習所被實作的機器學習模型。又，作為更新要否推定模型，亦可使用所謂的Deep Learning來建構機器學習模型。
學習部32，係藉由含有：介紹委託人物之屬性、被介紹人物之屬性、針對介紹委託人物與被介紹人物之配對而被求出的關係性之種類及接近度分數、表示個人資訊是否有更新之正確答案資料的訓練資料，而令更新要否推定模型進行學習。學習部32的處理之細節將於後述。
使用者通知部36，係基於推定部34所做的推定之結果，而向該注目人物發送用來催促個人資訊之確認及更新的通知。例如，藉由推定部34而被推定出來的更新之必要性之程度(相當於更新要否分數)為所定之閾值以上的情況下，使用者通知部36係可對注目人物的電子郵件或訊息軟體之位址，發送用來催促個人資訊之確認及更新的訊息。該訊息係可含有，前往可進行個人資訊之確認及更新的Web頁面之連結。
此處，本實施形態所述之資訊處理系統1中所被進行的，關於社交圖譜所涉及之資訊之作成的處理之一例，參照圖14中所例示的流程圖來做說明。圖14係主要針對參考人物特定部24、關係性特定部26、接近度分數決定部28之處理，來做說明。
圖14中所記載之處理，係針對圖形資料已被生成之人物之每一者，會被重複執行。圖形資料已被生成之人物係包含注目人物，身為圖14的處理之對象的人物，在以下係記載為處理對象人物。在圖14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(接近度分數決定模型)，是已經學習完成。
首先，參考人物特定部24，係將與處理對象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，將尚未執行S104~S108所示之處理的參考人物，選擇出1位(S103)。
然後，關係性特定部26，係將處理對象人物與藉由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，當作該配對的關係性之種類而加以特定(S104)。
手法決定部30，係基於已被特定的關係性之種類，而將接近度分數之決定時所使用的機器學習模型，加以決定(步驟S105)。
然後，接近度分數決定部28，係將處理對象人物與藉由S104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(S106)。
然後，接近度分數決定部28，係將藉由S106所示之處理而被生成的輸入資料，輸入至與藉由S104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(S107)。然後，接近度分數決定部28，係基於隨應於該輸入而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(S107)。又，關係性特定部26係將處理對象人物與參考人物之關係性儲存在關連儲存部39中，接近度分數決定部28係將處理對象人物與參考人物之接近度分數儲存在關連儲存部39中(S108)。
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S104~S108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S104~S108所示之處理的情況下(S110：N)，則回到S103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都已經執行過S104~S108所示之處理的情況下(S110：Y)，則圖14所示的處理係結束。
接著，關於社交圖譜所涉及之資訊已被作成之後所被進行的，學習部32所致之機器學習模型(更新要否推定模型)之學習的處理之一例，參照圖15所例示的流程圖來做說明。
首先，學習部32，係將資訊處理系統1的記憶部12中所被儲存的，聯絡方式已經聯絡不上的人物(使用者)、與和該人物存有關係之人物的配對，當作正例而加以取得(S201)。作為正例而連同已經聯絡不上的人物一併被取得的人物，係可為與已經聯絡不上的人物存有關係且聯絡方式已有更新的人物，也可為配偶、親子、兄弟姊妹這類親屬。此處，所謂已經聯絡不上的人物係例如：亦可為對個人資訊中所含之住址等的郵送物等已被退還之事實是藉由外部服務等而被通知的人物；亦可為對個人資訊中所含之住址等寄送郵送物等之後，在所定期間內，前往所記載之URL的存取或郵送物等中所記載之代碼的輸入等之某種指示(instruction)都未進行的人物；亦可為其他之態樣。此外，是否將已經聯絡不上的人物及和該人物存有關係之人物的配對當作正例而加以取得，係亦可基於人物間的聯絡方式是否不相符而被判定。
接著，學習部32，係將資訊處理系統1的記憶部12中所被儲存的，聯絡方式聯絡得上的人物、與和該人物存有關係之人物的配對，當作負例而加以取得(S202)。作為負例而連同聯絡得上的人物一併被取得的人物，係亦可為與聯絡得上的人物存有關係之人物，且無論是聯絡方式有更新的人物及未更新的人物之哪一者皆可。此處，所謂聯絡得上的人物，係可為針對上述的已經聯絡不上的人物的相當於反例的人物。
正例及負例一旦被取得，則學習部32，係將關於正例及負例之配對中所含之人物的屬性，當作輸入資料之一部分而加以取得(S203)。學習部32，針對正例，係將已經聯絡不上的人物當作第1人物，將和該人物存有關係之人物當作第2人物，針對負例，係將聯絡得上的人物當作第1人物，將和該人物存有關係之人物當作第2人物，將關於第1人物及第2人物之各者的資訊，加以取得。此處，關於人物的屬性，係包含該人物的年齡、點數利用狀況、各服務之利用型態。
又，學習部32，係將正例及負例之各個配對中的關係性之種類及接近度分數，當作輸入資料之一部分而加以取得(S204)。學習部32，作為輸入資料，亦可還將第1人物與第2人物之間的通話之頻繁度、及第1人物與第2人物之間的禮物寄送之頻繁度這類表示關係之強度的其他指標，加以取得。
學習部32，係藉由含有：第1人物之屬性、第2人物之屬性、及第1人物與第2人物的關係性之種類及接近度分數的輸入資料，和含有表示正例或負例之資訊的正確答案資料，令更新要否推定模型進行學習(S205)。此外更新要否推定模型係被學習成，在第1人物與第2人物被更換的情況下，必定不會輸出相同結果。對於已學習之更新要否推定模型，一旦輸入將注目人物當作第1人物、將參考人物當作第2人物的輸入資料，則更新要否推定模型，係將表示注目人物的個人資訊之更新是否為必要的資訊(更新要否分數)，予以輸出。
接著，關於更新要否推定模型已被進行學習之後所被進行的，推定部34所致之更新要否之推定及使用者通知部36所致之委託的處理之一例，參照圖16所例示的流程圖來做說明。圖16所示的處理，係針對作為該更新要否之判斷對象的注目人物，而被執行。在作為更新要否之判斷對象是存在有複數個注目人物存在的情況下，則圖16所示的處理係針對每一注目人物而被執行。
首先推定部34，係將與該注目人物存有關係的參考人物，加以取得(S301)。具體而言，推定部34係可將與處理對象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，其關係係為配偶、親子、兄弟姊妹這類家人之關係的人物，當作參考人物而加以取得。又，可取得至少1位的參考人物。
然後，推定部34，係從藉由S301所示之處理而被特定的參考人物之中，將尚未執行S303~S304所示之處理的參考人物，選擇出1位(S302)。
一旦參考人物被選擇，則推定部34係針對注目人物與已被選擇之參考人物之配對，而取得輸入資料(S303)。輸入資料係含有：注目人物之屬性(還包含個人資訊之更新狀況)、參考人物之屬性(還包含個人資訊之更新狀況)、及注目人物與參考人物的關係性之種類及接近度分數。輸入資料係亦可還含有：注目人物與參考人物之間的通話之頻繁度、及注目人物與參考人物之間的禮物寄送之頻繁度這類表示關係之強度的其他指標。個人資訊之更新狀況，係可為任一電腦系統中所被登錄的個人資訊(例如郵遞區號、住址、電話號碼之任一者)之變更所相關之資訊，具體而言，係可為過去N日之間所被登錄的個人資訊是否有被更新。又，該更新狀況，係可基於任一電腦系統或記憶部12中所被儲存之個人資訊之變更狀況而被取得。
推定部34，係藉由取得將已被取得之輸入資料輸入至更新要否推定模型之際的輸出，以決定更新要否分數(S304)。推定部34係亦可將更新要否推定模型之輸出直接當作更新要否分數，亦可藉由對該輸出進行所定之演算而決定更新要否分數。
然後推定部34係判定，已被決定之更新要否分數是否滿足所定之條件，具體而言是否為閾值以上(S305)。在更新要否分數是閾值以上的情況下(S305：Y)，則推定部34係將注目人物之資訊追加至要變更清單(S306)，並結束關於該注目人物的圖16之處理。
在更新要否分數是未滿閾值的情況下(S305：N)，則推定部34係針對藉由S301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S303~S305所示之處理(S307)。
針對藉由S301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S303~S305所示之處理的情況下(S307：N)，則回到S302所示之處理。
針對藉由S301所示之處理而被特定的參考人物之全部都已經執行過S303~S305所示之處理的情況下(S307：Y)，則推定部34係結束關於該注目人物的圖16之處理。
一旦圖16所示之處理對必要的注目人物而被執行，則使用者通知部36，係對要變更清單中所含之注目人物，查詢個人資訊之變更狀況，並發送用來催促其個人資訊之更新的資訊。
例如注目人物所做的電子商務交易系統40等之電腦系統的利用頻率較低的情況下，則在本人搬遷等之際，變更個人資訊的可能性係較低。然而，該注目人物之配偶(相當於參考人物)所做的電腦系統之利用頻率較高，其個人資訊有被更新的情況下，則藉由更新要否推定模型，就會推定成注目人物的個人資訊之更新之必要性之程度(相當於更新要否分數)為較高。當然，關於注目人物及參考人物之雙方，若個人資訊都未更新而也沒有採取伴隨搬遷的行動的情況下，則藉由更新要否推定模型，就會推定成注目人物的個人資訊之更新之必要性之程度為較低。
推定部34，係不只推定在參考人物之個人資訊有被更新的情況下注目人物之個人資訊必須更新，還會推定即使參考人物之個人資訊有被更新但注目人物之個人資訊仍不需要更新。
例如，參考人物之年齡為18歲，且注目人物與參考人物之關係是親子關係，參考人物之住址有被更新的情況下，參考人物開始一個人生活的可能性較高，在如此情況下，推定部34係可推定為，注目人物之個人資訊之更新的必要性之程度為較低。另一方面，注目人物與參考人物之關係是配偶，在參考人物之住址有被更新的情況下，注目人物也有搬遷的可能性。如此情況下，推定部34，係可推定為，注目人物之個人資訊之更新的必要性之程度為較高。
在本實施形態中，推定部34，係針對注目人物與參考人物之配對，不只使用人物彼此間的關係性之種類，還會使用表示人物彼此間的親密性的接近度分數，而求出更新要否。又，關於注目人物與參考人物之配對，決定是否為配偶、兄弟姊妹等的關係性之種類，隨應於該關係性之種類來決定接近度分數。藉由這些，就可精度更佳地推定出更新要否。
又，於接近度分數之決定時，亦可使用注目人物與參考人物之間的通話之頻繁度、或注目人物與參考人物之間的禮物寄送之頻繁度等，這類使用者間的互動。藉此，就可精度更佳地決定接近度分數，可提升更新要否之推定的精度。
此外，本發明係不限定於上述的實施形態，可進行各式各樣的變形。例如，學習部32在更新要否推定模型之學習時所使用的關連儲存部39之資料，與推定部34在更新要否之推定之際所使用的關連儲存部39之資料，亦可不同。更新要否推定模型的學習與推定部34的處理之間，可使用最新的資訊，來讓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的處理被執行。
申請專利範圍之記載，係旨在網羅存在於本發明之宗旨及範圍內所可能存在的所有變更。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:資訊處理系統 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:手法決定部 32:學習部 34:推定部 36:使用者通知部 39:關連儲存部 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 50,50a~50n:節點資料 52,52a~52p:連結資料 54,54a~54e:群聚
[圖1]本發明的一實施形態所述之資訊處理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資訊處理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資訊處理系統中所被進行的，社交圖譜之作成所涉及的處理之一例的流程圖。 [圖15]本發明的一實施形態所述之資訊處理系統中所被進行的，學習部的處理之一例的流程圖。 [圖16]本發明的一實施形態所述之資訊處理系統中所被進行的，推定部的處理之一例的流程圖。
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:手法決定部
32:學習部
34:推定部
36:使用者通知部
39:關連儲存部

Claims (8)

  1. 一種資訊處理系統，其特徵為，含有：關係性特定手段，係用以基於注目人物的屬性資料、與參考人物的屬性資料，而將前記注目人物與前記參考人物的關係性之種類，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的關係性之種類所對應之判斷基準，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；和更新要否推定手段，係用以根據含有：前記注目人物之屬性、前記參考人物之屬性、前記參考人物的個人資訊之變更狀況、關於前記注目人物與前記參考人物之配對的前記接近度分數、和前記關係性之種類的輸入資料被輸入至更新要否推定模型之際的輸出，來推定前記注目人物的個人資訊之更新要否；前記更新要否推定模型係為，藉由含有：第1人物之屬性、第2人物之屬性、關於前記第1人物與前記第2人物之配對的前記關係性之種類及前記接近度分數、前記第2人物的個人資訊之變更狀況、表示前記第1人物之個人資訊是否有變更之正確答案資料的訓練資料，而被進行過學習的機器學習模型。
  2. 如請求項1所記載之資訊處理系統，其中， 前記關係性特定手段，係從包含有親子、配偶、及兄弟姊妹之至少一部分的候補中選擇出任一者，來作為前記關係性之種類。
  3. 如請求項1或2所記載之資訊處理系統，其中，前記關係性特定手段係基於：姓氏之同一性、IP位址之同一性、住所之同一性、年齡差、及性別之同一性之其中至少一部分，而將前記注目人物與前記參考人物的關係性之種類，加以特定。
  4. 如請求項1或2所記載之資訊處理系統，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的關係性之種類所相應之機器學習模型也就是接近度分數決定模型輸入了，表示前記注目人物與前記參考人物之關係之強度的指標之際的輸出，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。
  5. 如請求項1或2所記載之資訊處理系統，其中，表示前記注目人物與前記參考人物之關係之強度的指標係包含：前記注目人物與該當參考人物之間住址是否相同、前記注目人物與該當參考人物之間是否有共用信用卡、前記注目人物與該當參考人物之間的共通之朋友之數量、前記注目人物與該當參考人物之間的通話之頻繁度、及前記注目人物與前記參考人物之間的禮物寄送之頻繁度 之其中至少一部分。
  6. 如請求項1或2所記載之資訊處理系統，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屬性資料、與第2電腦系統中所被登錄的前記參考人物之屬性資料，而將前記注目人物與前記參考人物的關係性之種類，加以特定。
  7. 一種資訊處理方法，其特徵為，含有：由電腦基於注目人物的屬性資料、與參考人物的屬性資料，而將前記注目人物與前記參考人物的關係性之種類加以特定之步驟；和由前記電腦依照前記注目人物與前記參考人物的關係性之種類所對應之判斷基準，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；和由前記電腦根據含有：前記注目人物之屬性、前記參考人物之屬性、前記參考人物的個人資訊之變更狀況、關於前記注目人物與前記參考人物之配對的前記接近度分數、和前記關係性之種類的輸入資料被輸入至更新要否推定模型之際的輸出，來推定前記注目人物的個人資訊之更新要否之步驟；前記更新要否推定模型係為，藉由含有：第1人物之屬性、第2人物之屬性、關於前記第1人物與前記第2人物之配對的前記關係性之種類及前記接近度分數、前記第2 人物的個人資訊之變更狀況、表示前記第1人物之個人資訊是否有變更之正確答案資料的訓練資料，而被進行過學習的機器學習模型。
  8. 一種程式產品，係用來使電腦發揮機能而成為：關係性特定手段，係用以基於注目人物的屬性資料、與參考人物的屬性資料，而將前記注目人物與前記參考人物的關係性之種類，加以特定；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的關係性之種類所對應之判斷基準，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；及更新要否推定手段，係用以根據含有：前記注目人物之屬性、前記參考人物之屬性、前記參考人物的個人資訊之變更狀況、關於前記注目人物與前記參考人物之配對的前記接近度分數、和前記關係性之種類的輸入資料被輸入至更新要否推定模型之際的輸出，來推定前記注目人物的個人資訊之更新要否；前記更新要否推定模型係為，藉由含有：第1人物之屬性、第2人物之屬性、關於前記第1人物與前記第2人物之配對的前記關係性之種類及前記接近度分數、前記第2人物的個人資訊之變更狀況、表示前記第1人物之個人資訊是否有變更之正確答案資料的訓練資料，而被進行過學 習的機器學習模型。
TW111145818A 2021-12-22 2022-11-30 資訊處理系統、資訊處理方法及程式產品 TWI832588B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
WOPCT/JP2021/047626 2021-12-22
PCT/JP2021/047626 WO2023119500A1 (ja) 2021-12-22 2021-12-22 情報処理システム、情報処理方法及びプログラム

Publications (2)

Publication Number Publication Date
TW202341055A TW202341055A (zh) 2023-10-16
TWI832588B true TWI832588B (zh) 2024-02-11

Family

ID=86901637

Family Applications (1)

Application Number Title Priority Date Filing Date
TW111145818A TWI832588B (zh) 2021-12-22 2022-11-30 資訊處理系統、資訊處理方法及程式產品

Country Status (4)

Country Link
US (1) US20230289898A1 (zh)
JP (1) JP7302106B1 (zh)
TW (1) TWI832588B (zh)
WO (1) WO2023119500A1 (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004038277A (ja) * 2002-06-28 2004-02-05 Yoshimi Kanemitsu 個人情報の一括通知サービスの提供方法及び装置
CN101247362A (zh) * 2008-03-26 2008-08-20 腾讯科技（深圳）有限公司 即时通信联系人资料的更新方法以及即时通信系统
TW201003429A (en) * 2008-07-01 2010-01-16 Univ Nat Sun Yat Sen A data-mining-based method of constructing the updatable tree for recording personalized information
JP2010154121A (ja) * 2008-12-24 2010-07-08 Fujitsu Ten Ltd 車載装置及び情報通知システム
CN108197108A (zh) * 2017-12-29 2018-06-22 智搜天机（北京）信息技术有限公司 基于ai的终端通讯录智能延伸的方法及其系统
TWM607639U (zh) * 2020-10-19 2021-02-11 玉山商業銀行股份有限公司 客戶資料管理系統
TWM615179U (zh) * 2021-04-08 2021-08-01 第一商業銀行股份有限公司 客戶個資管理更新系統

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005346251A (ja) 2004-06-01 2005-12-15 Nippon Telegr & Teleph Corp <Ntt> 情報開示システム、情報開示方法および情報開示プログラム
WO2020241693A1 (ja) 2019-05-29 2020-12-03 株式会社ニチレイ レコメンドシステム、レコメンド装置、情報処理方法、及びコンピュータ読み取り可能な記録媒体

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004038277A (ja) * 2002-06-28 2004-02-05 Yoshimi Kanemitsu 個人情報の一括通知サービスの提供方法及び装置
CN101247362A (zh) * 2008-03-26 2008-08-20 腾讯科技（深圳）有限公司 即时通信联系人资料的更新方法以及即时通信系统
TW201003429A (en) * 2008-07-01 2010-01-16 Univ Nat Sun Yat Sen A data-mining-based method of constructing the updatable tree for recording personalized information
JP2010154121A (ja) * 2008-12-24 2010-07-08 Fujitsu Ten Ltd 車載装置及び情報通知システム
CN108197108A (zh) * 2017-12-29 2018-06-22 智搜天机（北京）信息技术有限公司 基于ai的终端通讯录智能延伸的方法及其系统
TWM607639U (zh) * 2020-10-19 2021-02-11 玉山商業銀行股份有限公司 客戶資料管理系統
TWM615179U (zh) * 2021-04-08 2021-08-01 第一商業銀行股份有限公司 客戶個資管理更新系統

Also Published As

Publication number Publication date
JPWO2023119500A1 (zh) 2023-06-29
JP7302106B1 (ja) 2023-07-03
TW202341055A (zh) 2023-10-16
WO2023119500A1 (ja) 2023-06-29
US20230289898A1 (en) 2023-09-14

Similar Documents

Publication Publication Date Title
Sarker et al. Mobile data science and intelligent apps: concepts, AI-based modeling and research directions
Li et al. Spam review detection with graph convolutional networks
WO2019169756A1 (zh) 产品推荐方法、装置及存储介质
US9152969B2 (en) Recommendation ranking system with distrust
US10074097B2 (en) Classification engine for classifying businesses based on power consumption
US20200134497A1 (en) Probabilistic framework for determining device associations
CN110443632A (zh) 用户画像的用户管理方法、装置、计算机设备及存储介质
EP3523932B1 (en) Method and apparatus for filtering a plurality of messages
JP7206761B2 (ja) 情報処理装置
US11514115B2 (en) Feed optimization
TWI832588B (zh) 資訊處理系統、資訊處理方法及程式產品
US10680841B1 (en) Facilitated content selection using occurrences of downstream events responsive to prior content distributions
CN110955840B (zh) 通知和推送的联合优化
TWI771468B (zh) 用於回饋及判定之語意屬性的動態合成與暫態叢集之系統及方法
US11580153B1 (en) Lookalike expansion of source-based custom audience by an online system
JP7312923B1 (ja) 情報処理システム、情報処理方法及びプログラム
TWI835439B (zh) 資訊處理系統、資訊處理方法及程式產品
WO2023119578A1 (ja) 情報処理システム、情報処理方法及びプログラム
WO2023119577A1 (ja) 情報処理システム、情報処理方法及びプログラム
JP7459189B2 (ja) 近さスコア決定システム、近さスコア決定方法及びプログラム
JP2024069608A (ja) グラフデータ生成システム、グラフデータ生成方法及びプログラム
JP2023148437A (ja) 情報処理システム、方法及びプログラム
KR20190109653A (ko) 상황 기반 서비스 로봇의 지식 생성 및 관리 장치 및 방법
JP2023064533A (ja) 情報処理システム、情報処理方法及び情報処理プログラム
JP2024000693A (ja) 情報処理装置、方法及びプログラム