WO2022269926A1 - 信用度判定システム、信用度判定方法及びプログラム - Google Patents

信用度判定システム、信用度判定方法及びプログラム Download PDF

Info

Publication number
WO2022269926A1
WO2022269926A1 PCT/JP2021/024215 JP2021024215W WO2022269926A1 WO 2022269926 A1 WO2022269926 A1 WO 2022269926A1 JP 2021024215 W JP2021024215 W JP 2021024215W WO 2022269926 A1 WO2022269926 A1 WO 2022269926A1
Authority
WO
WIPO (PCT)
Prior art keywords
person
interest
relationship
data
credibility
Prior art date
Application number
PCT/JP2021/024215
Other languages
English (en)
French (fr)
Inventor
サティアン アブロール
マノゥチ コンダパカ
崇 菅原
卓志 梅田
Original Assignee
楽天グループ株式会社
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 楽天グループ株式会社 filed Critical 楽天グループ株式会社
Priority to EP21921627.2A priority Critical patent/EP4138023A4/en
Priority to JP2022523373A priority patent/JP7130314B1/ja
Priority to PCT/JP2021/024215 priority patent/WO2022269926A1/ja
Priority to TW111114380A priority patent/TW202301241A/zh
Priority to JP2022132025A priority patent/JP7459189B2/ja
Publication of WO2022269926A1 publication Critical patent/WO2022269926A1/ja

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—Systems or methods specially adapted for 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance
    • 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

Definitions

  • the present invention relates to a credit rating system, a credit rating method, and a program.
  • Patent Literature 1 describes a technique for determining whether or not the borrowing balance of each money lending contract included in the inquiry result file is equal to or less than the maximum borrowing amount stipulated by the Money Lending Business Act.
  • the maximum amount of borrowing set for the contractor with the higher income is used as the maximum amount of borrowing when the persons who are married have each signed a money lending contract and the borrowing balance is integrated. It is described that the total amount of borrowing limits of both may be used.
  • Patent Document 1 With the technology described in Patent Document 1, the above determination is made based on the information of the money lending contract registered with the credit information agency. Therefore, even if an attempt is made to determine the creditworthiness of a certain person using the technique described in Patent Document 1, the creditworthiness of the person cannot be accurately determined without the credit information of the person.
  • the present invention has been made in view of the above problems, and one of its objects is to provide a credit evaluation system, a credit evaluation method, and a program capable of accurately determining the credit of a person who does not have credit information. .
  • a credibility determination system is a credibility determination system for determining the credibility of a person of interest, and includes: relationship identifying means for identifying a relationship between the person of interest and a reference person; A proximity score indicating the closeness between the person of interest and the reference person is determined based on the index indicating the strength of the relationship between the person of interest and the reference person according to the criteria corresponding to the relationship of and credibility determination means for determining the credibility of the person of interest based on at least one of the reference persons information about the reference person and the proximity score determined for the reference person. , including.
  • the closeness score determination means is based on an output when data representing the index is input to a trained machine learning model corresponding to the relationship between the person of interest and the reference person. , determine the proximity score indicating the proximity of the person of interest and the reference person.
  • the relationship identifying means includes account data of the person of interest registered in a first computer system and account data of the reference person registered in a second computer system. and to identify the relationship between the person of interest and the reference person.
  • pair identifying means for identifying a pair of persons who are related to each other based on attributes of each of a plurality of persons; a person who is identified as a person who is related to the person of interest; and reference person identification means for identifying, as the reference person, a person who has at least a predetermined number of persons identified as related persons in common with the person of interest.
  • the relationship identifying means identifies a family relationship between the person of interest and the reference person.
  • the credit rating determination means determines the credit score of the person of interest.
  • the relationship identifying means identifies the relationship between the person of interest and the reference person based on the result of clustering based on the values associated with the relationship between the persons.
  • the relationship identifying means determines the target person and the reference person based on clustering results based on at least one of last name, IP address, address, credit card number, age difference, and gender. You may specify a relationship with
  • the credibility determination means executes a first determination for determining the credibility of the person of interest based on the information about the person of interest, and the credibility determination means performs a If the determined credibility of the person of interest is equal to or less than a predetermined level, or if the first determination fails to determine the credibility of the person of interest, based on information about at least one of the reference persons. , perform a second determination of re-determining the credibility of the person of interest.
  • a credibility determination method is a credibility determination method for determining the credibility of a person of interest, comprising: identifying a relationship between the person of interest and a reference person; determining a proximity score indicating the closeness between the person of interest and the reference person based on an index indicating the strength of the relationship between the person of interest and the reference person according to a criterion corresponding to the relationship; , for at least one of the reference persons, determining the credibility of the person of interest based on the information about the reference person and the proximity score determined for the reference person.
  • the program according to the present invention provides a computer for determining the credibility of a person of interest, a procedure for specifying a relationship between the person of interest and a reference person, and a criterion corresponding to the relationship between the person of interest and the reference person. determining a proximity score indicating the closeness between the person of interest and the reference person, based on an index indicating the strength of the relationship between the person of interest and the reference person according to, at least one of the reference persons; determining the credibility of the person of interest based on the information about the reference person and the proximity score determined for the reference person.
  • FIG. 1 is a functional block diagram showing an example of functions of a credit rating system according to an embodiment of the present invention
  • FIG. FIG. 4 is a diagram schematically showing an example of common IP address data values; It is a figure which shows an example of graph data.
  • FIG. 4 is a diagram schematically showing an example of common address data values; It is a figure which shows an example of graph data.
  • FIG. 4 is a diagram schematically showing an example of common credit card number data values; It is a figure which shows an example of graph data. It is a figure which shows an example of graph data.
  • FIG. 10 is a diagram showing an example of classification visualization
  • FIG. 2 illustrates an example of proximity score determination using a machine learning model.
  • FIG. 2 illustrates an example of proximity score determination using a machine learning model.
  • FIG. 2 illustrates an example of proximity score determination using a machine learning model.
  • FIG. 2 illustrates an example of proximity score determination using a machine learning model.
  • FIG. 2 illustrates an example of proximity score determination using a machine learning model.
  • FIG. 2 illustrates an example of proximity score determination using a machine learning model.
  • FIG. 2 illustrates an example of proximity score determination using a machine learning model.
  • FIG. 2 illustrates an example of proximity score determination using a machine learning model.
  • FIG. 2 illustrates an example of proximity score determination using a machine learning model.
  • FIG. 2 illustrates an example of proximity score determination using a machine learning model.
  • FIG. 2 illustrates an example of proximity score determination using a machine learning model.
  • FIG. 2 illustrates an example of proximity score determination using a machine learning model.
  • FIG. 1 is a diagram showing an example of the overall configuration of a credit rating system 1 according to one embodiment of the present invention.
  • the credit evaluation system 1 according to this embodiment is a computer such as a server computer or a personal computer, and includes a processor 10, a storage unit 12, a communication unit 14, an operation unit 16, and an output unit. 18 included.
  • the credit evaluation system 1 according to this embodiment may include a plurality of computers.
  • the processor 10 is, for example, a program-controlled device such as a microprocessor that operates according to a program installed in the credit evaluation system 1.
  • the storage unit 12 is, for example, a storage element such as ROM or RAM, or a solid state drive (SSD).
  • the storage unit 12 stores programs and the like executed by the processor 10 .
  • the communication unit 14 is, for example, a communication interface for wired communication or wireless communication, and exchanges data with other computers or terminals via a computer network such as the Internet.
  • the operation unit 16 is an input device, and includes, for example, a touch panel, a pointing device such as a mouse, a keyboard, and the like.
  • the operation unit 16 transmits operation contents to the processor 10 .
  • the output unit 18 is, for example, a display such as a liquid crystal display unit or an organic EL display unit, or an output device such as an audio output device such as a speaker.
  • the programs and data described as being stored in the storage unit 12 may be supplied from another computer via a network.
  • the hardware configuration of the credit evaluation system 1 is not limited to the above example, and various types of hardware can be applied.
  • the credit evaluation system 1 may include a reading unit (for example, an optical disk drive or memory card slot) for reading a computer-readable information storage medium, or an input/output unit (for example, a USB port) for inputting/outputting data with an external device. may be included.
  • programs and data stored in an information storage medium may be supplied to the credit evaluation system 1 via a reading section or an input/output section.
  • the creditworthiness determination system 1 determines the creditworthiness of a person whose credit information is not registered in a credit information agency (hereafter referred to as a person of interest).
  • FIG. 2 is a functional block diagram showing an example of functions implemented in the credit rating system 1 according to this embodiment. Note that the credibility determination system 1 according to the present embodiment does not need to implement all the functions shown in FIG. 2, and functions other than the functions shown in FIG. 2 may be installed.
  • the credibility determination system 1 functionally includes, for example, a person attribute data acquisition unit 20, a graph data generation unit 22, a reference person identification unit 24, a relationship identification unit 26, A proximity score determination unit 28, a credit score acquisition unit 30, and a credit determination unit 32 are included.
  • the personal attribute data acquisition unit 20 and the credit score acquisition unit 30 are mainly implemented in the communication unit 14.
  • the graph data generator 22 , the reference person identification unit 24 , the relationship identification unit 26 , and the credibility determination unit 32 are mainly implemented by the processor 10 .
  • the proximity score determination unit 28 is implemented mainly by the processor 10 and the storage unit 12 .
  • the above functions may be implemented by causing the processor 10 to execute a program containing commands corresponding to the above functions, which is installed in the credit evaluation system 1, which is a computer. Also, this program may be supplied to the credit evaluation system 1 via a computer-readable information storage medium such as an optical disk, magnetic disk, magnetic tape, or magneto-optical disk, or via the Internet or the like.
  • the credit evaluation system 1 can communicate with a plurality of computer systems such as, for example, an electronic commerce system 40, a golf course reservation system 42, a travel reservation system 44, a card management system 46 (see FIG. 3). , FIGS. 5 and 7). Each of these computer systems is registered with account data, which is information about users who use the computer system. The credit evaluation system 1 can access these computer systems and acquire account data registered in the computer systems.
  • a plurality of computer systems such as, for example, an electronic commerce system 40, a golf course reservation system 42, a travel reservation system 44, a card management system 46 (see FIG. 3). , FIGS. 5 and 7).
  • Each of these computer systems is registered with account data, which is information about users who use the computer system.
  • the credit evaluation system 1 can access these computer systems and acquire account data registered in the computer systems.
  • Account data includes, for example, user ID, name data, address data, age data, gender data, phone number data, mobile phone number data, credit card number data, IP address data, and the like.
  • the user ID is, for example, identification information of the user in the computer system.
  • the name data is, for example, data indicating the name (surname and given name) of the user.
  • the address data is, for example, data indicating the address of the user. When the computer system is the electronic commerce system 40, the address data may indicate the address of the delivery destination of the product purchased by the user.
  • Age data is, for example, data indicating the age of the user.
  • Gender data is, for example, data indicating the gender of the user.
  • the telephone number data is, for example, data indicating the telephone number of the user.
  • the mobile phone number data is, for example, data indicating the mobile phone number of the user.
  • the credit card number data is, for example, data indicating the card number of the credit card used by the user for payment in the computer system.
  • the IP address data is, for example, data indicating the IP address of the computer used by the user (for example, the IP address of the sender).
  • the person attribute data acquisition unit 20 acquires person attribute data indicating attributes of a plurality of persons including a person of interest.
  • An example of the personal attribute data is the account data described above.
  • the person attribute data acquisition unit 20 acquires account data of the person, for example, from each of the plurality of systems described above.
  • the graph data generation unit 22 identifies pairs of persons who are related to each other, for example, based on the attributes of each of the plurality of persons.
  • the graph data generator 22 may identify pairs of persons who are related to each other based on the person attribute data of a plurality of persons.
  • the graph data generation unit 22 according to the present embodiment corresponds to an example of pair identification means for identifying a pair of persons who are related to each other based on the attributes of each of a plurality of persons described in the claims. .
  • the graph data generation unit 22 generates, for example, graph data including node data 50 associated with a plurality of persons including a person of interest, and link data 52 associated with a pair of mutually related persons ( 4, 6, 8 and 9).
  • user A's account data is registered in the electronic commerce system 40, as shown in FIG. It is also assumed that user B's account data is registered in the golf course reservation system 42 . It is also assumed that user C's account data is registered in the travel reservation system 44 .
  • IP address data value of user A registered in the electronic commerce system 40 the IP address data value of user B registered in the golf course reservation system 42, and the IP address data value registered in the travel reservation system 44. Assume that the IP address data values of user C are the same.
  • the graph data generator 22 generates node data 50a associated with user A, node data 50b associated with user B, node data 50c associated with user C, and Graph data including link data 52a indicating a relationship with user B, link data 52b indicating a relationship between user A and user C, and link data 52c indicating a relationship between user B and user C. Generate.
  • the graph data generation unit 22 generates node data 50d associated with user D, node data 50e associated with user E, node data 50f associated with user F, and Graph data including link data 52d indicating a relationship with user E, link data 52e indicating a relationship between user D and user F, and link data 52f indicating a relationship between user E and user F. Generate.
  • user G's account data is registered in the electronic commerce system 40 . It is also assumed that user H's account data is registered in the golf course reservation system 42 . It is also assumed that user I's account data is registered in the travel reservation system 44 .
  • the graph data generation unit 22 generates node data 50g associated with user G, node data 50h associated with user H, node data 50i associated with user I, and user G Graph data including link data 52g indicating a relationship with user H, link data 52h indicating a relationship between user G and user I, and link data 52i indicating a relationship between user H and user I Generate.
  • link indicated by the link data 52 that associates the persons identified as being related to each other, as described above, will be referred to as an explicit link.
  • a person connected to the first person by an explicit link and a person connected to the second person by an explicit link are a predetermined number or more (for example, three or more) in common.
  • the graph data generator 22 generates link data 52 indicating that the first person is related to the second person.
  • a link indicated by the link data 52 generated in this way is called an implicit link.
  • node data 50j associated with user J and node data 50k associated with user K are connected by link data 52j indicating an explicit link. It is also assumed that node data 50j associated with user J and node data 50l associated with user L are connected by link data 52k indicating an explicit link. It is also assumed that node data 50j associated with user J and node data 50m associated with user M are connected by link data 52l indicating an explicit link.
  • node data 50k associated with user K and node data 50n associated with user N are connected by link data 52m indicating an explicit link. It is also assumed that node data 50l associated with user L and node data 50n associated with user N are connected by link data 52n indicating an explicit link. It is also assumed that node data 50m associated with user M and node data 50n associated with user N are connected by link data 52o indicating an explicit link.
  • the graph data generator 22 generates link data 52p indicating that user J is related to user N (link data 52p indicating an implicit link). In this manner, user N is identified as a person who has a relationship with user J.
  • the graph data generator 22 may generate link data 52 (link data 52 indicating an implied link) indicating that the first person is related to the second person.
  • the graph data generation unit 22 may generate graph data based on personal attribute data different from account data.
  • the reference person identifying unit 24 identifies, for example, a reference person who is related to the person of interest in this embodiment.
  • the reference person identification unit 24 identifies, as reference persons, a person identified as a person who is related to the person of interest, and a person who shares a predetermined number or more of persons identified as related persons with the person of interest. You may Further, the reference person identification unit 24 may identify the reference person from among the plurality of persons based on the attributes of the person of interest and the attributes of the plurality of persons.
  • the reference person identification unit 24 identifies a person associated with the node data 50 that is connected to the node data 50 associated with the person of interest and the link data 52 that indicates an explicit link or an implicit link with respect to the person of interest. It may be identified as a reference person.
  • the relationship identifying unit 26 identifies the relationship between the person of interest and the reference person.
  • the relationship identifying unit 26 may identify the relationship between the person of interest and the reference person based on the account data of the person of interest and the account data of the reference person.
  • the computer system in which the account data of the person of interest is registered may be different from the computer system in which the account data of the reference person is registered. For example, based on the account data of the person of interest registered in the electronic commerce system 40 and the account data of the reference person registered in the golf course reservation system 42, the relationship between the person of interest and the reference person may be specified.
  • the relationship identifying unit 26 may identify a family relationship between the person of interest and the reference person.
  • the relationship identifying unit 26 identifies pairs of node data 50 connected by link data 52, for example. Then, the relationship identifying unit 26 generates pair attribute data associated with the pair based on the person attribute data of the two persons associated with the pair.
  • the pair attribute data includes, for example, IP common flag, address common flag, credit card number common flag, surname same flag, age difference data, pair gender data, and the like.
  • the common IP flag is, for example, a flag indicating whether or not the value of the IP address data included in one account data of the pair is the same as the value of the IP address data included in the other account data. . For example, if the IP address data values are the same on a given day, the IP common flag value is set to 1, and if the IP address data values are different, the IP common flag value is set to 0. good.
  • the common address flag is, for example, a flag that indicates whether or not the value of the address data included in one account data of the pair is the same as the value of the address data included in the other account data. For example, if the address data values are the same, the common address flag value may be set to 1, and if the address data values are different, the common address flag value may be set to 0.
  • the common credit card number flag indicates, for example, whether or not the value of credit card number data included in one account data of the pair is the same as the value of credit card number data included in the other account data. flag to indicate For example, if the credit card number data values are the same, the credit card number common flag value is set to 1, and if the credit card number data values are different, the credit card number common flag value is set to 0. good too.
  • the same surname flag is a flag that indicates, for example, whether the surname indicated by the name data included in one of the account data of the pair is the same as the surname indicated by the name data included in the other account data. . For example, if the surnames indicated by the name data are the same, the value of the same last name flag may be set to 1, and if the surnames indicated by the name data are different, the value of the same last name flag may be set to 0.
  • Age difference data is, for example, data that indicates the difference between the value of age data included in one account data of the pair and the value of age data included in the other account data.
  • Paired gender data is, for example, data that indicates a combination of a gender data value included in one account data of the pair and a gender data value included in the other account data.
  • the relationship identifying unit 26 performs clustering using a general clustering method based on the values of the pair attribute data associated with each of the plurality of pairs, thereby classifying the plurality of pairs as shown in FIG. are classified into a plurality of clusters 54 as shown in FIG.
  • FIG. 10 is a diagram schematically showing an example of how a plurality of pairs are classified into five clusters 54 (54a, 54b, 54c, 54d, and 54e).
  • the crosses shown in FIG. 10 correspond to pairs.
  • Each of the plurality of cross marks is arranged at a position associated with the value of the paired attribute data of the pair corresponding to the cross mark.
  • a plurality of pairs are classified into five clusters 54, but the number of clusters 54 into which a plurality of pairs are classified is not limited to five. 54 may be classified.
  • FIG. 11 is a diagram showing an example of visualization of the classification when multiple pairs are classified into four clusters 54 .
  • pairs having the same address, the same gender, an age difference greater than X years, and the same surname may be classified into the first cluster. Also, pairs having the same address, the same gender, an age difference of X years or less, and the same surname may be classified into the second cluster. Also, a pair having the same address, different gender, an age difference larger than Y years, and the same surname may be classified into the third cluster. Also, a pair having the same address, different gender, an age difference of Y years or less, and the same surname may be classified into the fourth cluster.
  • the first cluster is presumed to be, for example, the cluster 54 associated with the same-sex parent and child.
  • the second cluster is presumed to be the cluster 54 associated with siblings of the same sex, for example.
  • the third cluster is presumed to be the cluster 54 associated with the parent and child of the opposite sex, for example.
  • the fourth cluster is presumed to be the cluster 54 associated with married couples or opposite-sex siblings, for example.
  • the relationship identifying unit 26 may identify the relationship between the person of interest and the reference person based on the results of clustering based on the values associated with the relationship between the persons. Further, the relationship identifying unit 26 determines the relationship between the person of interest and the reference person based on the clustering results based on at least one of the surname, IP address, address, credit card number, age difference, and gender. may be specified.
  • the closeness score determining unit 28 determines whether the target person is interested based on the index indicating the strength of the relationship between the target person and the reference person according to the criteria corresponding to the relationship between the target person and the reference person.
  • a proximity score is determined that indicates the proximity of the person to the reference person.
  • the closeness score determination unit 28 may include learned machine learning models that are associated with the clusters 54 described above. For example, if multiple pairs are classified into five clusters 54, the proximity score determiner 28 may include five machine learning models.
  • the closeness score determination unit 28 inputs data representing an index indicating the strength of the relationship between the person of interest and the reference person into the learned machine learning model corresponding to the relationship between the person of interest and the reference person.
  • a proximity score which indicates the proximity of the person of interest and the reference person, may be determined based on the output of each. In this case, the input/output relationship implemented in the trained machine learning model corresponds to the above-described criterion.
  • the closeness score determination unit 28 assigns an input corresponding to the pair classified into the cluster 54 associated with the n-th machine learning model to the n-th machine learning model, which is the n-th machine learning model. You may enter data. For example, if the proximity score determination unit 28 includes five machine learning models, the above value n will be any integer between 1 and 5 inclusive. Then, the closeness score determination unit 28 may determine the value of the output data output from the n-th machine learning model in response to the input of the input data as the value of the closeness score for the pair. .
  • the input data associated with the pair may include, for example, part or all of the pair attribute data associated with the pair. Also, the input data may include data that is not included in the pair attribute data.
  • the input data may include data indicating the usage history of the electronic commerce system 40, data obtained by the proximity score determination unit 28 from other information sources such as SNS, and the like. More specifically, for example, the input data includes data indicating the number of calls and messages exchanged between pairs per unit period, the number of gifts one party sent to the other, the number of common friends in the pair, etc. may be included.
  • the types of data included in the input data associated with the pair may be the same or different depending on the cluster 54 to which the pair belongs. For example, the type of data included in the input data input to the first machine learning model and the type of data included in the input data input to the second machine learning model may be different.
  • the n-th machine learning model using a plurality of given training data associated with the n-th machine learning model in advance. Learning is performed.
  • This training data is, for example, prepared in advance so that the determination of the closeness score in the cluster 54 associated with the n-th machine learning model is valid.
  • weakly supervised learning may be performed on the n-th machine learning model.
  • the training data as shown in FIG. 13, learning input data containing the same type of data as the input data input to the n-th machine learning model, and teacher data to be compared with the output data output from the learning model.
  • closeness score takes a value of either 0 or 1. For example, if the pair is closely related, then a closeness score value of 1 is determined for the pair; otherwise, a closeness score value of 0 is determined for the pair.
  • the teacher data may include data indicating a valid closeness score value in the corresponding learning input data and the probability that this value is valid.
  • the n-th Weakly supervised learning may be performed to update the values of the parameters of the machine learning model.
  • the closeness score described above does not have to be binary data that takes a value of either 0 or 1.
  • the above-mentioned closeness score is a real number (for example, a real number of 0 or more and 10 or less) that becomes a larger value as the pair has a closer relationship, or a multi-step integer value (for example, an integer of 1 or more and 10 or less). numerical value).
  • the learning method of the machine learning model is not limited to weakly supervised learning.
  • the input data associated with the pair is input to the trained machine learning model corresponding to the sibling relationship.
  • the value Learning may be performed such that output data in which is 1 is output.
  • the values of the address data are different for this pair, the number of gifts sent by one of the pair to the other is 2, and the number of calls made so far by this pair is 30, then the value Learning may be performed such that output data in which is 0 is output.
  • the criterion for example, threshold value
  • the criterion for determining whether the value of the output data corresponding to the closeness score is 1 or 0 may differ depending on the machine learning model.
  • the credit score acquisition unit 30 acquires credit score data indicating the credit score of the reference person.
  • the credit score acquisition unit 30 may access the system of the credit information agency and acquire credit score data indicating the credit score of the reference person from the system.
  • the credit score acquisition unit 30 may access the card management system 46 and acquire credit score data indicating the credit score of the reference person from the card management system 46 .
  • the credibility determination unit 32 determines the credibility of at least one reference person based on the information about the reference person and the closeness score to the person of interest determined for the reference person. judge.
  • credit score data indicating the credit score of the reference person acquired by the credit score acquisition unit 30 can be cited.
  • the credibility determination unit 32 may determine the credit score of the person of interest as an example of the credibility of the person of interest. For example, the credibility determination unit 32 may determine a weighted average value of credit scores based on proximity scores as the credit score of the person of interest.
  • a value p that sums the products of the credit score data values and the proximity score values associated with the reference person and the attention person pairs may be calculated. good.
  • a value q that sums the values of the closeness scores associated with the pair of the reference person and the person-of-interest may be calculated.
  • a value obtained by dividing the value p by the value q may be determined as the credit score of the person of interest.
  • the credibility determination unit 32 does not need to determine the credibility of the person of interest based on the credit score of the reference person.
  • the credibility determination unit 32 may determine the credibility of the person of interest based on, for example, the reference person's income, the reference person's name recognition, demographics, and the like.
  • the credit score of the person of interest determined by the credit score determination unit 32 is not limited to the credit score of the person of interest.
  • the credit rating determination unit 32 may determine the credit limit of the person of interest.
  • the credibility determination unit 32 may determine whether or not to allow new user registration for any membership service, or deferred payment of usage charges for any Internet mail order or flea market service.
  • the reference person identification unit 24 identifies, as a reference person, the person corresponding to the node data 50 connected to the node data 50 corresponding to the person of interest by an explicit link or an implicit link (S101).
  • a reference person the person corresponding to the node data 50 connected to the node data 50 corresponding to the person of interest by an explicit link or an implicit link (S101).
  • S101 an explicit link or an implicit link
  • the relationship identifying unit 26 selects one reference person for whom the processes shown in S103 to S109 have not yet been executed from among the reference persons identified in the process shown in S101 (S102).
  • the relationship identifying unit 26 identifies the cluster 54 corresponding to the pair of the person of interest and the reference person selected in the process shown in S102 (S103).
  • the closeness score determination unit 28 generates input data corresponding to the pair of the person of interest and the reference person selected in the process shown in S102 (S104).
  • the closeness score determination unit 28 inputs the input data generated in the process shown in S104 to the learned machine learning model associated with the cluster 54 identified in the process shown in S103 (S105).
  • the closeness score determining unit 28 associates a pair of the attention person and the reference person based on the output data output from the machine learning model according to the input executed in the process shown in S105.
  • a closeness score value is determined (S106).
  • the credit score acquisition unit 30 acquires the credit score data of the reference person (S107).
  • the credibility determination unit 32 adds to the value p the product p1 of the value of the credit score data acquired in the process shown in S107 and the value of the closeness score determined in the process shown in S106 (S108).
  • the credibility determination unit 32 adds the closeness score value q1 determined in the process shown in S106 to the value q (S109).
  • the relationship identifying unit 26 confirms whether or not the processes shown in S103 to S109 have been executed for all of the reference persons identified in the process shown in S101 (S110).
  • This embodiment can also be used to determine the credibility of a new person of interest whose corresponding node data 50 is not included in the graph data. For example, based on the person attribute data of a new person of interest, node data 50 corresponding to the person of interest and at least one piece of link data 52 connected to the node data 50 may be generated. Then, a person connected to the node data 50 corresponding to the person of interest by the link data 52 may be specified as a reference person of the person of interest.
  • pair attribute data corresponding to the pair of the reference person and the person of interest may be generated.
  • a cluster 54 corresponding to the relationship between the reference person and the attention person may be specified based on the paired attribute data and the clustering result that has already been performed.
  • a trained machine learning model corresponding to the identified cluster 54 may be identified. Then, based on the output from the machine learning when input data corresponding to the pair of the reference person and the person of interest is input to the machine learning model, a closeness score for the pair may be determined. .
  • the credibility of the new person-of-interest may be determined based on the proximity score and the credit score for each reference person.
  • the credibility determination unit 32 may perform a first determination to determine the credibility of the person of interest based on information related to the person of interest.
  • the credibility of the person of interest may be determined based only on the information on the person of interest without using the information on the person other than the person of interest (for example, the information on the reference person described above).
  • the credibility determination unit 32 In this manner, a second determination may be performed to re-determine the creditworthiness of the person of interest based on information regarding at least one reference person.
  • the credibility determination unit 32 determines the credibility of the person of interest based on the information regarding at least one reference person as described above. You may perform the 2nd determination which determines again.

Abstract

与信の情報がない人物の信用度を的確に判定できる信用度判定システム、信用度判定方法及びプログラムを提供する。関係性特定部（２６）は、注目人物と参照人物との関係性を特定する。近さスコア決定部（２８）は、注目人物と参照人物との関係性に対応する判断基準に従って、注目人物と当該参照人物との関係の強さを示す指標に基づいて、注目人物と参照人物との近さを示す近さスコアを決定する。信用度判定部（３２）は、少なくとも１人の参照人物についての、当該参照人物に関する情報と当該参照人物について決定される近さスコアとに基づいて、注目人物の信用度を判定する。

Description

信用度判定システム、信用度判定方法及びプログラム
　本発明は、信用度判定システム、信用度判定方法及びプログラムに関する。
　特許文献１には、照会結果ファイルに含まれる各貸金契約の借入残高が、貸金業法の総量規制で定められる借入上限額以下になっているか否かを判定する技術が記載されている。また、特許文献１には、婚姻関係にある人物同士がそれぞれ貸金契約を結んでおり借入残高を積算した場合の借入上限額として、収入の多い方の契約者について設定されている借入上限額を用いてもよいし、両者の借入上限額の合計を用いてもよいことが記載されている。
特開２００９－３０１２３６号公報
　特許文献１に記載の技術では、信用情報機関に登録されている貸金契約の情報に基づいて上述の判定が行われている。そのため、ある人物の信用度を特許文献１に記載の技術を用いて判定しようとしても、この人物の与信の情報がなければこの人物の信用度を的確に判定することができない。
　本発明は上記課題に鑑みてなされたものであって、その目的の１つは、与信の情報がない人物の信用度を的確に判定できる信用度判定システム、信用度判定方法及びプログラムを提供することにある。
　本発明に係る信用度判定システムは、注目人物の信用度を判定する信用度判定システムであって、前記注目人物と参照人物との関係性を特定する関係性特定手段と、前記注目人物と前記参照人物との関係性に対応する判断基準に従って、当該注目人物と当該参照人物との関係の強さを示す指標に基づいて、当該注目人物と当該参照人物との近さを示す近さスコアを決定する近さスコア決定手段と、少なくとも１人の前記参照人物についての、当該参照人物に関する情報と当該参照人物について決定される前記近さスコアとに基づいて、前記注目人物の信用度を判定する信用度判定手段と、を含む。
　本発明の一態様では、前記近さスコア決定手段は、前記注目人物と前記参照人物との関係性に対応する学習済の機械学習モデルに前記指標を表すデータを入力した際の出力に基づいて、前記注目人物と前記参照人物との近さを示す前記近さスコアを決定する。
　また、本発明の一態様では、前記関係性特定手段は、第１のコンピュータシステムに登録されている前記注目人物のアカウントデータと、第２のコンピュータシステムに登録されている前記参照人物のアカウントデータと、に基づいて、前記注目人物と前記参照人物との関係性を特定する。
　また、本発明の一態様では、複数の人物のそれぞれの属性に基づいて、互いに関係がある人物のペアを特定するペア特定手段と、前記注目人物と関係がある人物として特定される人物、及び、関係がある人物として特定される人物が所定数以上前記注目人物と共通する人物を、前記参照人物として特定する参照人物特定手段と、をさらに含む。
　また、本発明の一態様では、前記関係性特定手段は、前記注目人物と前記参照人物との家族としての関係を特定する。
　また、本発明の一態様では、前記信用度判定手段は、前記注目人物のクレジットスコアを判定する。
　また、本発明の一態様では、前記関係性特定手段は、人物間の関係に対応付けられる値に基づくクラスタリングの結果に基づいて、前記注目人物と前記参照人物との関係性を特定する。
　この態様では、前記関係性特定手段は、名字、ＩＰアドレス、住所、クレジットカード番号、年齢差、又は、性別のうちの少なくとも１つに基づくクラスタリングの結果に基づいて、前記注目人物と前記参照人物との関係性を特定してもよい。
　また、本発明の一態様では、前記信用度判定手段は、前記注目人物に関する情報に基づいて、前記注目人物の信用度を判定する第１判定を実行し、前記信用度判定手段は、前記第１判定によって判定された前記注目人物の信用度が所定のレベル以下である場合、あるいは、前記第１判定では前記注目人物の信用度が判定され得なかった場合に、少なくとも１人の前記参照人物に関する情報に基づいて、前記注目人物の信用度を判定し直す第２判定を実行する。
　また、本発明に係る信用度判定方法は、注目人物の信用度を判定する信用度判定方法であって、前記注目人物と参照人物との関係性を特定するステップと、前記注目人物と前記参照人物との関係性に対応する判断基準に従って、当該注目人物と当該参照人物との関係の強さを示す指標に基づいて、当該注目人物と当該参照人物との近さを示す近さスコアを決定するステップと、少なくとも１人の前記参照人物についての、当該参照人物に関する情報と当該参照人物について決定される前記近さスコアとに基づいて、前記注目人物の信用度を判定するステップと、を含む。
　また、本発明に係るプログラムは、注目人物の信用度を判定するコンピュータに、前記注目人物と参照人物との関係性を特定する手順、前記注目人物と前記参照人物との関係性に対応する判断基準に従って、当該注目人物と当該参照人物との関係の強さを示す指標に基づいて、当該注目人物と当該参照人物との近さを示す近さスコアを決定する手順、少なくとも１人の前記参照人物についての、当該参照人物に関する情報と当該参照人物について決定される前記近さスコアとに基づいて、前記注目人物の信用度を判定する手順、を実行させる。
本発明の一実施形態に係る信用度判定システムの全体構成の一例を示す図である。 本発明の一実施形態に係る信用度判定システムの機能の一例を示す機能ブロック図である。 ＩＰアドレスデータの値が共通していることの一例を模式的に示す図である。 グラフデータの一例を示す図である。 住所データの値が共通していることの一例を模式的に示す図である。 グラフデータの一例を示す図である。 クレジットカード番号データの値が共通していることの一例を模式的に示す図である。 グラフデータの一例を示す図である。 グラフデータの一例を示す図である。 クラスタの一例を示す図である。 分類の可視化の一例を示す図である。 機械学習モデルを用いた近さスコアの決定の一例を示す図である。 機械学習モデルの学習の一例を示す図である。 本発明の一実施形態に係る信用度判定システムで行われる処理の流れの一例を示すフロー図である。
　以下、本発明の一実施形態について図面に基づき詳細に説明する。
　図１は、本発明の一実施形態に係る信用度判定システム１の全体構成の一例を示す図である。図１に示すように、本実施形態に係る信用度判定システム１は、例えば、サーバコンピュータやパーソナルコンピュータなどのコンピュータであり、プロセッサ１０、記憶部１２、通信部１４、操作部１６、及び、出力部１８を含む。なお、本実施形態に係る信用度判定システム１に、複数台のコンピュータが含まれていてもよい。
　プロセッサ１０は、例えば、信用度判定システム１にインストールされるプログラムに従って動作するマイクロプロセッサ等のプログラム制御デバイスである。記憶部１２は、例えばＲＯＭやＲＡＭ等の記憶素子や、ソリッドステートドライブ（ＳＳＤ）などである。記憶部１２には、プロセッサ１０によって実行されるプログラムなどが記憶される。通信部１４は、例えば、有線通信又は無線通信用の通信インタフェースであり、インターネット等のコンピュータネットワークを介して、他のコンピュータや端末との間でデータを授受する。
　操作部１６は、入力デバイスであり、例えば、タッチパネルやマウス等のポインティングデバイスやキーボード等を含む。操作部１６は、操作内容をプロセッサ１０に伝達する。出力部１８は、例えば、液晶表示部又は有機ＥＬ表示部等のディスプレイや、スピーカ等の音声出力デバイス等の出力デバイスである。
　なお、記憶部１２に記憶されるものとして説明するプログラム及びデータは、ネットワークを介して他のコンピュータから供給されるようにしてもよい。また、信用度判定システム１のハードウェア構成は、上記の例に限られず、種々のハードウェアを適用可能である。例えば、信用度判定システム１に、コンピュータ読み取り可能な情報記憶媒体を読み取る読取部（例えば、光ディスクドライブやメモリカードスロット）や外部機器とデータの入出力をするための入出力部（例えば、ＵＳＢポート）が含まれていてもよい。例えば、情報記憶媒体に記憶されたプログラムやデータが読取部や入出力部を介して信用度判定システム１に供給されるようにしてもよい。
　本実施形態に係る信用度判定システム１では例えば、信用情報機関に与信の情報が登録されていない人物（以下、注目人物と呼ぶ。）の信用度が判定される。
　以下、本実施形態に係る信用度判定システム１の機能、及び、信用度判定システム１で実行される処理についてさらに説明する。
　図２は、本実施形態に係る信用度判定システム１で実装される機能の一例を示す機能ブロック図である。なお、本実施形態に係る信用度判定システム１で、図２に示す機能のすべてが実装される必要はなく、また、図２に示す機能以外の機能が実装されていても構わない。
　図２に示すように、本実施形態に係る信用度判定システム１には、機能的には例えば、人物属性データ取得部２０、グラフデータ生成部２２、参照人物特定部２４、関係性特定部２６、近さスコア決定部２８、クレジットスコア取得部３０、信用度判定部３２、が含まれる。
　人物属性データ取得部２０、クレジットスコア取得部３０は、通信部１４を主として実装される。グラフデータ生成部２２、参照人物特定部２４、関係性特定部２６、信用度判定部３２は、プロセッサ１０を主として実装される。近さスコア決定部２８は、プロセッサ１０及び記憶部１２を主として実装される。
　以上の機能は、コンピュータである信用度判定システム１にインストールされた、以上の機能に対応する指令を含むプログラムをプロセッサ１０で実行することにより実装されてもよい。また、このプログラムは、例えば、光ディスク、磁気ディスク、磁気テープ、光磁気ディスク等のコンピュータ読み取り可能な情報記憶媒体を介して、あるいは、インターネットなどを介して信用度判定システム１に供給されてもよい。
　本実施形態に係る信用度判定システム１は、例えば、電子商取引システム４０、ゴルフ場予約システム４２、旅行予約システム４４、カード管理システム４６、などといった複数のコンピュータシステムと通信可能になっている（図３、図５、及び、図７参照）。これらのコンピュータシステムのそれぞれには、当該コンピュータシステムを利用するユーザに関する情報であるアカウントデータが登録されている。そして、信用度判定システム１は、これらのコンピュータシステムにアクセスして、当該コンピュータシステムに登録されているアカウントデータを取得できるようになっている。
　アカウントデータには、例えば、ユーザＩＤ、氏名データ、住所データ、年齢データ、性別データ、電話番号データ、携帯電話番号データ、クレジットカード番号データ、ＩＰアドレスデータ、などが含まれる。
　ユーザＩＤは、例えば、当該コンピュータシステムにおける当該ユーザの識別情報である。氏名データは、例えば、当該ユーザの氏名（名字及び名前）を示すデータである。住所データは、例えば、当該ユーザの住所を示すデータである。当該コンピュータシステムが電子商取引システム４０である場合に、住所データが、当該ユーザが購入した商品の送付先の住所を示していてもよい。年齢データは、例えば、当該ユーザの年齢を示すデータである。性別データは、例えば、当該ユーザの性別を示すデータである。電話番号データは、例えば、当該ユーザの電話番号を示すデータである。携帯電話番号データは、例えば、当該ユーザの携帯電話番号を示すデータである。クレジットカード番号データは、例えば、当該ユーザが当該コンピュータシステムでの決済において利用するクレジットカードのカード番号を示すデータである。ＩＰアドレスデータは、例えば、当該ユーザが使用するコンピュータのＩＰアドレス（例えば、送信元のＩＰアドレス）を示すデータである。
　人物属性データ取得部２０は、本実施形態では例えば、注目人物を含む複数の人物についての、当該人物の属性を示す人物属性データを取得する。ここで人物属性データの一例としては、上述のアカウントデータが挙げられる。人物属性データ取得部２０は、例えば、上述の複数のシステムのそれぞれから、当該人物のアカウントデータを取得する。
　グラフデータ生成部２２は、本実施形態では例えば、複数の人物のそれぞれの属性に基づいて、互いに関係がある人物のペアを特定する。グラフデータ生成部２２は、複数の人物の人物属性データに基づいて、互いに関係がある人物のペアを特定してもよい。なお、本実施形態に係るグラフデータ生成部２２は、請求の範囲に記載の、複数の人物のそれぞれの属性に基づいて、互いに関係がある人物のペアを特定するペア特定手段の一例に相当する。
　グラフデータ生成部２２は、例えば、注目人物を含む複数の人物にそれぞれ対応付けられるノードデータ５０と、互いに関係がある人物のペアに対応付けられるリンクデータ５２と、を含むグラフデータを生成する（図４、図６、図８、及び、図９参照）。
　例えば、図３に示すように、電子商取引システム４０に、ユーザＡのアカウントデータが登録されていることとする。また、ゴルフ場予約システム４２に、ユーザＢのアカウントデータが登録されていることとする。また、旅行予約システム４４に、ユーザＣのアカウントデータが登録されていることとする。
　そして、電子商取引システム４０に登録されているユーザＡのＩＰアドレスデータの値、ゴルフ場予約システム４２に登録されているユーザＢのＩＰアドレスデータの値、及び、旅行予約システム４４に登録されているユーザＣのＩＰアドレスデータの値が同じであるとする。
　この場合、グラフデータ生成部２２は、図４に示すように、ユーザＡに対応付けられるノードデータ５０ａ、ユーザＢに対応付けられるノードデータ５０ｂ、ユーザＣに対応付けられるノードデータ５０ｃ、ユーザＡがユーザＢと関係があることを示すリンクデータ５２ａ、ユーザＡがユーザＣと関係があることを示すリンクデータ５２ｂ、ユーザＢがユーザＣと関係があることを示すリンクデータ５２ｃ、を含むグラフデータを生成する。
　ＩＰアドレスが同じであるユーザは同じコンピュータを利用しているものと推察される。そのため、本実施形態ではこのようなユーザは互いに関連付けられるようになっている。
　また、例えば、図５に示すように、電子商取引システム４０に、ユーザＤ、ユーザＥ、及び、ユーザＦのアカウントデータが登録されていることとする。
　そして、電子商取引システム４０に登録されているユーザＤの住所データの値、ユーザＥの住所データの値、及び、ユーザＦの住所データの値が同じであるとする。
　この場合、グラフデータ生成部２２は、図６に示すように、ユーザＤに対応付けられるノードデータ５０ｄ、ユーザＥに対応付けられるノードデータ５０ｅ、ユーザＦに対応付けられるノードデータ５０ｆ、ユーザＤがユーザＥと関係があることを示すリンクデータ５２ｄ、ユーザＤがユーザＦと関係があることを示すリンクデータ５２ｅ、ユーザＥがユーザＦと関係があることを示すリンクデータ５２ｆ、を含むグラフデータを生成する。
　住所が同じであるユーザは同居しているものと推察される。そのため、本実施形態ではこのようなユーザは互いに関連付けられるようになっている。
　また、例えば、図７に示すように、電子商取引システム４０に、ユーザＧのアカウントデータが登録されていることとする。また、ゴルフ場予約システム４２に、ユーザＨのアカウントデータが登録されていることとする。また、旅行予約システム４４に、ユーザＩのアカウントデータが登録されていることとする。
　そして、電子商取引システム４０に登録されているユーザＧのクレジットカード番号データの値、ゴルフ場予約システム４２に登録されているユーザＨのクレジットカード番号データの値、及び、旅行予約システム４４に登録されているユーザＩのクレジットカード番号データの値が同じであるとする。
　この場合、グラフデータ生成部２２は、図８に示すように、ユーザＧに対応付けられるノードデータ５０ｇ、ユーザＨに対応付けられるノードデータ５０ｈ、ユーザＩに対応付けられるノードデータ５０ｉ、ユーザＧがユーザＨと関係があることを示すリンクデータ５２ｇ、ユーザＧがユーザＩと関係があることを示すリンクデータ５２ｈ、ユーザＨがユーザＩと関係があることを示すリンクデータ５２ｉ、を含むグラフデータを生成する。
　クレジットカード番号が同じであるユーザは親子等の家族であるものと推察される。そのため、本実施形態ではこのようなユーザは互いに関連付けられるようになっている。
　なお、互いに関係がある人物のペアに該当するか否かの判断基準は、以上で説明したものには限定されない。
　また、以上で説明した、互いに関係があると特定された人物を関連付けるリンクデータ５２が示すリンクを明示的リンクと呼ぶこととする。
　ここで例えば、第１の人物と明示的リンクで接続されている人物と、第２の人物と明示的リンクで接続されている人物と、が所定数以上（例えば、３人以上）共通しているとする。この場合、本実施形態では例えば、グラフデータ生成部２２は、当該第１の人物が当該第２の人物と関係があることを示すリンクデータ５２を生成する。このようにして生成されるリンクデータ５２が示すリンクを黙示的リンクと呼ぶこととする。
　例えば、図９に示すように、明示的リンクを示すリンクデータ５２ｊによって、ユーザＪに対応付けられるノードデータ５０ｊとユーザＫに対応付けられるノードデータ５０ｋとが接続されていることとする。また、明示的リンクを示すリンクデータ５２ｋによって、ユーザＪに対応付けられるノードデータ５０ｊとユーザＬに対応付けられるノードデータ５０ｌとが接続されていることとする。また、明示的リンクを示すリンクデータ５２ｌによって、ユーザＪに対応付けられるノードデータ５０ｊとユーザＭに対応付けられるノードデータ５０ｍとが接続されていることとする。
　また、明示的リンクを示すリンクデータ５２ｍによって、ユーザＫに対応付けられるノードデータ５０ｋとユーザＮに対応付けられるノードデータ５０ｎとが接続されていることとする。また、明示的リンクを示すリンクデータ５２ｎによって、ユーザＬに対応付けられるノードデータ５０ｌとユーザＮに対応付けられるノードデータ５０ｎとが接続されていることとする。また、明示的リンクを示すリンクデータ５２ｏによって、ユーザＭに対応付けられるノードデータ５０ｍとユーザＮに対応付けられるノードデータ５０ｎとが接続されていることとする。
　この場合、グラフデータ生成部２２は、ユーザＪがユーザＮと関係があることを示すリンクデータ５２ｐ（黙示的リンクを示すリンクデータ５２ｐ）を生成する。このようにして、ユーザＮが、ユーザＪと関係がある人物として特定されることとなる。
　また、例えば、第１の人物と明示的リンク又は黙示的リンクで接続されている人物と、第２の人物と明示的リンク又は黙示的リンクで接続されている人物と、が所定数以上（例えば、３人以上）共通しているとする。この場合、グラフデータ生成部２２が、当該第１の人物が当該第２の人物と関係があることを示すリンクデータ５２（黙示的リンクを示すリンクデータ５２）を生成してもよい。
　なお、グラフデータ生成部２２は、アカウントデータとは異なる人物属性データに基づいて、グラフデータを生成してもよい。
　参照人物特定部２４は、本実施形態では例えば、注目人物と関係がある人物である参照人物を特定する。ここで、参照人物特定部２４は、注目人物と関係がある人物として特定される人物、及び、関係がある人物として特定される人物が所定数以上注目人物と共通する人物を、参照人物として特定してもよい。また、参照人物特定部２４は、注目人物の属性と、複数の人物の属性と、に基づいて、当該複数の人物のうちから、参照人物を特定してもよい。
　参照人物特定部２４は、例えば、注目人物に対応付けられるノードデータ５０と、明示的リンク又は黙示的リンクを示すリンクデータ５２によって接続されるノードデータ５０に対応付けられる人物を、当該注目人物に対する参照人物として特定してもよい。
　関係性特定部２６は、本実施形態では例えば、注目人物と参照人物との関係性を特定する。ここで、関係性特定部２６が、注目人物のアカウントデータと、参照人物のアカウントデータと、に基づいて、注目人物と参照人物との関係性を特定してもよい。ここで、注目人物のアカウントデータが登録されているコンピュータシステムと参照人物のアカウントデータが登録されているコンピュータシステムとは異なっていてもよい。例えば、電子商取引システム４０に登録されている、注目人物のアカウントデータと、ゴルフ場予約システム４２に登録されている、参照人物のアカウントデータと、に基づいて、注目人物と参照人物との関係性を特定してもよい。
　また、関係性特定部２６は、注目人物と参照人物との家族としての関係を特定してもよい。
　関係性特定部２６は、例えば、リンクデータ５２で接続されているノードデータ５０のペアを特定する。そして、関係性特定部２６は、当該ペアに対応付けられる２人の人物の人物属性データに基づいて、当該ペアに対応付けられるペア属性データを生成する。
　ペア属性データには、例えば、ＩＰ共通フラグ、住所共通フラグ、クレジットカード番号共通フラグ、名字同一フラグ、年齢差データ、ペア性別データ、などが含まれる。
　ＩＰ共通フラグは、例えば、当該ペアのうちの一方のアカウントデータに含まれるＩＰアドレスデータの値と他方のアカウントデータに含まれるＩＰアドレスデータの値とが同じであるか否かを示すフラグである。例えば、所与の日においてＩＰアドレスデータの値が同じである場合はＩＰ共通フラグの値に１が設定され、ＩＰアドレスデータの値が異なる場合はＩＰ共通フラグの値に０が設定されてもよい。
　住所共通フラグは、例えば、当該ペアのうちの一方のアカウントデータに含まれる住所データの値と他方のアカウントデータに含まれる住所データの値とが同じであるか否かを示すフラグである。例えば、住所データの値が同じである場合は住所共通フラグの値に１が設定され、住所データの値が異なる場合は住所共通フラグの値に０が設定されてもよい。
　クレジットカード番号共通フラグは、例えば、当該ペアのうちの一方のアカウントデータに含まれるクレジットカード番号データの値と他方のアカウントデータに含まれるクレジットカード番号データの値とが同じであるか否かを示すフラグである。例えば、クレジットカード番号データの値が同じである場合はクレジットカード番号共通フラグの値に１が設定され、クレジットカード番号データの値が異なる場合はクレジットカード番号共通フラグの値に０が設定されてもよい。
　名字同一フラグは、例えば、当該ペアのうちの一方のアカウントデータに含まれる氏名データが示す名字と他方のアカウントデータに含まれる氏名データが示す名字とが同じであるか否かを示すフラグである。例えば、氏名データが示す名字が同じである場合は名字同一フラグの値に１が設定され、氏名データが示す名字が異なる場合は名字同一フラグの値に０が設定されてもよい。
　年齢差データは、例えば、当該ペアのうちの一方のアカウントデータに含まれる年齢データの値と他方のアカウントデータに含まれる年齢データの値との差を示すデータである。
　ペア性別データは、例えば、当該ペアのうちの一方のアカウントデータに含まれる性別データの値と他方のアカウントデータに含まれる性別データの値との組合せを示すデータである。
　そして、関係性特定部２６は、複数のペアのそれぞれに対応付けられるペア属性データの値に基づいて、一般的なクラスタリング手法を用いたクラスタリングを実行することで、当該複数のペアを、図１０に示すような複数のクラスタ５４に分類する。
　図１０は、複数のペアが、５つのクラスタ５４（５４ａ、５４ｂ、５４ｃ、５４ｄ、及び、５４ｅ）に分類された様子の一例を模式的に示す図である。図１０に示されているバツ印は、ペアに対応付けられる。そして、複数のバツ印のそれぞれは、当該バツ印に対応するペアのペア属性データの値に対応付けられる位置に配置されている。
　図１０の例では、複数のペアが５つのクラスタ５４に分類されているが、複数のペアが分類されるクラスタ５４の数は５つには限定されず、例えば、複数のペアが４つのクラスタ５４に分類されてもよい。
　図１１は、複数のペアが４つのクラスタ５４に分類された場合における、当該分類の可視化の一例を示す図である。
　図１１に示すように、住所が同じであり、性別が同じであり、年齢差がＸ歳より大きく、名字が同じペアは、第１クラスタに分類されてもよい。また、住所が同じであり、性別が同じであり、年齢差がＸ歳以下であり、名字が同じペアは、第２クラスタに分類されてもよい。また、住所が同じであり、性別が異なり、年齢差がＹ歳より大きく、名字が同じペアは、第３クラスタに分類されてもよい。また、住所が同じであり、性別が異なり、年齢差がＹ歳以下であり、名字が同じペアは、第４クラスタに分類されてもよい。
　この場合、第１クラスタは、例えば同性の親子に対応付けられるクラスタ５４であるものと推察される。また、第２クラスタは、例えば同性の兄弟に対応付けられるクラスタ５４であるものと推察される。また、第３クラスタは、例えば異性の親子に対応付けられるクラスタ５４であるものと推察される。また、第４クラスタは、例えば夫婦、または異性の兄弟に対応付けられるクラスタ５４であるものと推察される。
　以上で説明したようにして、関係性特定部２６が、人物間の関係に対応付けられる値に基づくクラスタリングの結果に基づいて、注目人物と参照人物との関係性を特定してもよい。また、関係性特定部２６が、名字、ＩＰアドレス、住所、クレジットカード番号、年齢差、又は、性別のうちの少なくとも１つに基づくクラスタリングの結果に基づいて、注目人物と参照人物との関係性を特定してもよい。
　近さスコア決定部２８は、本実施形態では例えば、注目人物と参照人物との関係性に対応する判断基準に従って、注目人物と当該参照人物との関係の強さを示す指標に基づいて、注目人物と当該参照人物との近さを示す近さスコアを決定する。
　ここで、近さスコア決定部２８が、それぞれ上述のクラスタ５４に対応付けられる学習済の機械学習モデルを含んでいてもよい。例えば、複数のペアが５つのクラスタ５４に分類される場合には、近さスコア決定部２８が、５つの機械学習モデルを含んでいてもよい。
　そして、近さスコア決定部２８は、注目人物と参照人物との関係性に対応する学習済の機械学習モデルに、注目人物と当該参照人物との関係の強さを示す指標を表すデータを入力した際の出力に基づいて、注目人物と参照人物との近さを示す近さスコアを決定してもよい。この場合、学習済の機械学習モデルにおいて実装された入出力関係が、上述の判断基準に相当する。
　図１２に示すように、近さスコア決定部２８が、ｎ番目の機械学習モデルである第ｎ機械学習モデルに、第ｎ機械学習モデルに対応付けられるクラスタ５４に分類されたペアに対応する入力データを入力してもよい。例えば、近さスコア決定部２８が５つの機械学習モデルを含む場合は、上述の値ｎは、１以上５以下の整数のうちのいずれかとなる。そして、近さスコア決定部２８が、当該入力データの入力に応じて第ｎ機械学習モデルから出力される出力データの値を、当該ペアについての近さスコアの値として決定するようにしてもよい。
　ペアに対応付けられる入力データには、例えば、当該ペアに対応付けられるペア属性データの一部又は全部が含まれるようにしてもよい。また、入力データに、ペア属性データに含まれていないデータが含まれるようにしてもよい。例えば、入力データに、電子商取引システム４０の利用履歴を示すデータや、近さスコア決定部２８によってＳＮＳ等の他の情報源から取得されるデータなどが含まれていてもよい。より具体的には例えば、入力データに、ペア間の単位期間あたりの通話回数やメッセージのやり取りの回数、一方が他方に送ったギフトの数、ペアにおける共通のフレンドの数、などを示すデータが含まれるようにしてもよい。
　また、ペアに対応付けられる入力データに含まれるデータの種類は、当該ペアが属するクラスタ５４によって同じであってもよいし異なっていてもよい。例えば、第１機械学習モデルに入力される入力データに含まれるデータの種類と、第２機械学習モデルに入力される入力データに含まれるデータの種類と、が異なっていてもよい。
　本実施形態では例えば、近さスコア決定部２８による近さスコアの決定に先立って、予め、第ｎ機械学習モデルに対応付けられる所与の複数の訓練データを用いた、第ｎ機械学習モデルの学習が実行される。この訓練データは、例えば、当該第ｎ機械学習モデルに対応付けられるクラスタ５４における近さスコアの決定が妥当なものとなるよう予め準備されたものである。
　ここで、第ｎ機械学習モデルに対して、弱教師あり学習による学習が行われてもよい。例えば、訓練データに、図１３に示すような、第ｎ機械学習モデルに入力される入力データと同じ種類のデータが含まれている学習入力データと、学習入力データの入力に応じて第ｎ機械学習モデルから出力される出力データと比較される教師データと、が含まれていてもよい。
　ここで例えば、上述の近さスコアが、０又は１のいずれかの値をとるとする。例えば、ペアが近い関係にある場合には、当該ペアの近さスコアの値として１が決定され、そうでない場合に、当該ペアの近さスコアの値として０が決定されるとする。
　この場合、教師データが、対応する学習入力データにおける妥当な近さスコアの値、及び、この値が妥当である確率を示すデータを含んでいてもよい。
　そして、例えば、訓練データに含まれる学習入力データの入力に応じて第ｎ機械学習モデルから出力される出力データの値と、当該訓練データに含まれる教師データの値と、に基づいて、第ｎ機械学習モデルのパラメータの値を更新する弱教師あり学習が実行されてもよい。
　なお、上述の近さスコアは、０又は１のいずれかの値をとるバイナリデータである必要はない。例えば、上述の近さスコアが、当該ペアが近い関係にあるほど大きな値となる実数値（例えば、０以上１０以下の実数値）や、多段階の整数値（例えば、１以上１０以下の整数値）であっても構わない。
　また、機械学習モデルの学習手法は、弱教師あり学習には限定されない。
　一具体例として、兄弟の関係があるペアについて考察する。この場合、当該ペアに対応付けられる入力データが、兄弟という関係に対応する学習済の機械学習モデルに入力される。そして例えば、このペアについて住所データの値が同じであり、このペアの一方が他方に送ったギフトの数が５０であり、このペアの今までの通話回数が１２００回である場合には、値が１である出力データが出力されるような学習が実行されてもよい。また例えば、このペアについて住所データの値が異なっており、このペアの一方が他方に送ったギフトの数が２であり、このペアの今までの通話回数が３０回である場合には、値が０である出力データが出力されるような学習が実行されてもよい。
　そして、近さスコアに対応する出力データの値が１となるか０となるかの判断基準（例えば閾値）が、機械学習モデルによって異なっていてもよい。
　クレジットスコア取得部３０は、本実施形態では例えば、参照人物のクレジットスコアを示すクレジットスコアデータを取得する。
　クレジットスコア取得部３０は、信用情報機関のシステムにアクセスして、当該システムから参照人物のクレジットスコアを示すクレジットスコアデータを取得してもよい。
　クレジットスコア取得部３０は、カード管理システム４６にアクセスして、カード管理システム４６から参照人物のクレジットスコアを示すクレジットスコアデータを取得してもよい。
　信用度判定部３２は、本実施形態では例えば、少なくとも１人の参照人物についての、当該参照人物に関する情報と当該参照人物について決定される注目人物との近さスコアとに基づいて、注目人物の信用度を判定する。
　ここで参照人物に関する情報の一例として、クレジットスコア取得部３０が取得する、当該参照人物のクレジットスコアを示すクレジットスコアデータが挙げられる。
　また、信用度判定部３２は、注目人物の信用度の一例として、注目人物のクレジットスコアを判定してもよい。例えば、信用度判定部３２は、近さスコアによるクレジットスコアの重み付き平均値を、注目人物のクレジットスコアとして判定してもよい。
　例えば、ある注目人物について、参照人物がｍ人いるとする。この場合、このｍ人の参照人物についての、クレジットスコアデータの値と当該参照人物と当該注目人物とのペアに対応付けられる近さスコアの値との積を合計した値ｐが計算されてもよい。そして、このｍ人の参照人物についての、当該参照人物と当該注目人物とのペアに対応付けられる近さスコアの値を合計した値ｑが計算されてもよい。そして、値ｐを値ｑで割った値が、注目人物のクレジットスコアとして判定されてもよい。
　なお、信用度判定部３２は、参照人物のクレジットスコアに基づいて、注目人物の信用度を判定する必要はない。例えば、信用度判定部３２が、例えば、参照人物の収入、参照人物の知名度、人口統計などに基づいて、注目人物の信用度を判定してもよい。
　また、信用度判定部３２が判定する注目人物の信用度は、注目人物のクレジットスコアには限定されない。例えば、信用度判定部３２が、注目人物の与信限度額を判定してもよい。また、例えば、信用度判定部３２が、任意の会員サービスに対する新規ユーザ登録や、任意のインターネット通販やフリーマーケットサービスの利用代金の後払いを許可するか否か等を判定してもよい。
　ここで、本実施形態に係る信用度判定システム１で行われる、ある注目人物についての信用度を判定する処理の流れの一例を、図１４に例示するフロー図を参照しながら説明する。以下の処理例では、注目人物を含む複数の人物についてのグラフデータが既に生成されており、複数のペアについて、当該ペアに対応付けられるクラスタ５４が特定されていることとする。また、各クラスタ５４に対応付けられる機械学習モデルが既に学習済であることとする。また、値ｐの初期値、及び、値ｑの初期値として０が設定されていることとする。
　まず、参照人物特定部２４が、注目人物に対応するノードデータ５０と明示的リンク又は黙示的リンクで接続されているノードデータ５０に対応する人物を、参照人物として特定する（Ｓ１０１）。ここでは例えば、少なくとも１人の参照人物が特定されるとする。
　そして、関係性特定部２６が、Ｓ１０１に示す処理で特定された参照人物のうちから、Ｓ１０３～Ｓ１０９に示す処理がまだ実行されていない参照人物を１人選択する（Ｓ１０２）。
　そして、関係性特定部２６が、当該注目人物とＳ１０２に示す処理で選択された参照人物とのペアに対応するクラスタ５４を特定する（Ｓ１０３）。
　そして、近さスコア決定部２８が、当該注目人物とＳ１０２に示す処理で選択された参照人物とのペアに対応する入力データを生成する（Ｓ１０４）。
　そして、近さスコア決定部２８が、Ｓ１０４に示す処理で生成された入力データを、Ｓ１０３に示す処理で特定されたクラスタ５４に対応付けられる学習済の機械学習モデルに入力する（Ｓ１０５）。
　そして、近さスコア決定部２８が、Ｓ１０５に示す処理で実行された入力に応じて、機械学習モデルから出力される出力データに基づいて、当該注目人物と当該参照人物とのペアに対応付けられる近さスコアの値を決定する（Ｓ１０６）。
　そして、クレジットスコア取得部３０が、当該参照人物のクレジットスコアデータを取得する（Ｓ１０７）。
　そして、信用度判定部３２が、値ｐに、Ｓ１０７に示す処理で取得されたクレジットスコアデータの値とＳ１０６に示す処理で決定された近さスコアの値との積ｐ１を加算する（Ｓ１０８）。
　そして、信用度判定部３２が、値ｑに、Ｓ１０６に示す処理で決定された近さスコアの値ｑ１を加算する（Ｓ１０９）。
　そして、関係性特定部２６が、Ｓ１０１に示す処理で特定された参照人物のすべてについてＳ１０３～Ｓ１０９に示す処理が実行されたか否かを確認する（Ｓ１１０）。
　Ｓ１０１に示す処理で特定された参照人物のすべてについてＳ１０３～Ｓ１０９に示す処理が実行されていない場合は（Ｓ１１０：Ｎ）、Ｓ１０２に示す処理に戻る。
　Ｓ１０１に示す処理で特定された参照人物のすべてについてＳ１０３～Ｓ１０９に示す処理が実行された場合は（Ｓ１１０：Ｙ）、信用度判定部３２は、値ｐを値ｑで割った値を、注目人物のクレジットスコアとして特定して（Ｓ１１１）、本処理例に示す処理は終了される。
　このようにして、本実施形態によれば、与信の情報がない人物の信用度を的確に判定できることとなる。
　本実施形態は、対応するノードデータ５０がグラフデータに含まれていない新規の注目人物についての信用度の判定にも用いることができる。例えば、新規の注目人物の人物属性データに基づいて、当該注目人物に対応するノードデータ５０、及び、当該ノードデータ５０と接続される少なくとも１つのリンクデータ５２が生成されてもよい。そして、リンクデータ５２によって当該注目人物に対応するノードデータ５０と接続される人物が、当該注目人物の参照人物として特定されてもよい。
　そして、特定される少なくとも１人の参照人物のそれぞれについて、当該参照人物と当該注目人物とのペアに対応するペア属性データが生成されてもよい。そして、ペア属性データと、既に行われたクラスタリングの結果と、に基づいて、当該参照人物と当該注目人物との関係に対応するクラスタ５４が特定されてもよい。
　そして、特定される少なくとも１人の参照人物のそれぞれについて、特定されるクラスタ５４に対応する学習済の機械学習モデルが特定されてもよい。そして、当該参照人物と当該注目人物とのペアに対応する入力データを当該機械学習モデルに入力した際の当該機械学習からの出力に基づいて、当該ペアについての近さスコアが決定されてもよい。
　そして、上述のように、各参照人物についての、近さスコアとクレジットスコアとに基づいて、新規の注目人物の信用度が判定されてもよい。
　なお、本発明は上述の実施形態に限定されるものではない。
　例えば、信用度判定部３２は、注目人物に関する情報に基づいて、当該注目人物の信用度を判定する第１判定を実行してもよい。第１判定では、当該注目人物以外の人物の情報（例えば上述の参照人物の情報）を用いず、注目人物に関する情報のみに基づいて、当該注目人物の信用度が判定されるようにしてもよい。
　そして、信用度判定部３２は、上述の第１判定によって判定された注目人物の信用度が所定のレベル以下であった（例えば注目人物のクレジットスコアの値が所定値以下であった）場合に、上述のようにして、少なくとも１人の参照人物に関する情報に基づいて、当該注目人物の信用度を判定し直す第２判定を実行してもよい。
　また、信用度判定部３２は、上述の第１判定では注目人物の信用度が判定され得なかった場合に、上述のようにして、少なくとも１人の参照人物に関する情報に基づいて、当該注目人物の信用度を判定し直す第２判定を実行してもよい。
　また、上記の具体的な文字列や数値及び図面中の具体的な文字列や数値は例示であり、これらの文字列や数値には限定されない。

Claims (11)

  1. 　注目人物の信用度を判定する信用度判定システムであって、
    　前記注目人物と参照人物との関係性を特定する関係性特定手段と、
    　前記注目人物と前記参照人物との関係性に対応する判断基準に従って、当該注目人物と当該参照人物との関係の強さを示す指標に基づいて、当該注目人物と当該参照人物との近さを示す近さスコアを決定する近さスコア決定手段と、
    　少なくとも１人の前記参照人物についての、当該参照人物に関する情報と当該参照人物について決定される前記近さスコアとに基づいて、前記注目人物の信用度を判定する信用度判定手段と、
    　を含むことを特徴とする信用度判定システム。
  2. 　前記近さスコア決定手段は、前記注目人物と前記参照人物との関係性に対応する学習済の機械学習モデルに前記指標を表すデータを入力した際の出力に基づいて、前記注目人物と前記参照人物との近さを示す前記近さスコアを決定する、
    　ことを特徴とする請求項１に記載の信用度判定システム。
  3. 　前記関係性特定手段は、第１のコンピュータシステムに登録されている前記注目人物のアカウントデータと、第２のコンピュータシステムに登録されている前記参照人物のアカウントデータと、に基づいて、前記注目人物と前記参照人物との関係性を特定する、
    　ことを特徴とする請求項１又は２に記載の信用度判定システム。
  4. 　複数の人物のそれぞれの属性に基づいて、互いに関係がある人物のペアを特定するペア特定手段と、
    　前記注目人物と関係がある人物として特定される人物、及び、関係がある人物として特定される人物が所定数以上前記注目人物と共通する人物を、前記参照人物として特定する参照人物特定手段と、をさらに含む、
    　ことを特徴とする請求項１から３のいずれか一項に記載の信用度判定システム。
  5. 　前記関係性特定手段は、前記注目人物と前記参照人物との家族としての関係を特定する、
    　ことを特徴とする請求項１から４のいずれか一項に記載の信用度判定システム。
  6. 　前記信用度判定手段は、前記注目人物のクレジットスコアを判定する、
    　ことを特徴とする請求項１から５のいずれか一項に記載の信用度判定システム。
  7. 　前記関係性特定手段は、人物間の関係に対応付けられる値に基づくクラスタリングの結果に基づいて、前記注目人物と前記参照人物との関係性を特定する、
    　ことを特徴とする請求項１から６のいずれか一項に記載の信用度判定システム。
  8. 　前記関係性特定手段は、名字、ＩＰアドレス、住所、クレジットカード番号、年齢差、又は、性別のうちの少なくとも１つに基づくクラスタリングの結果に基づいて、前記注目人物と前記参照人物との関係性を特定する、
    　ことを特徴とする請求項７に記載の信用度判定システム。
  9. 　前記信用度判定手段は、前記注目人物に関する情報に基づいて、前記注目人物の信用度を判定する第１判定を実行し、
    　前記信用度判定手段は、前記第１判定によって判定された前記注目人物の信用度が所定のレベル以下である場合、あるいは、前記第１判定によって前記注目人物の信用度が判定され得なかった場合に、少なくとも１人の前記参照人物に関する情報に基づいて、前記注目人物の信用度を判定し直す第２判定を実行する、
    　ことを特徴とする請求項１から８のいずれか一項に記載の信用度判定システム。
  10. 　注目人物の信用度を判定する信用度判定方法であって、
    　前記注目人物と参照人物との関係性を特定するステップと、
    　前記注目人物と前記参照人物との関係性に対応する判断基準に従って、当該注目人物と当該参照人物との関係の強さを示す指標に基づいて、当該注目人物と当該参照人物との近さを示す近さスコアを決定するステップと、
    　少なくとも１人の前記参照人物についての、当該参照人物に関する情報と当該参照人物について決定される前記近さスコアとに基づいて、前記注目人物の信用度を判定するステップと、
    　を含むことを特徴とする信用度判定方法。
  11. 　注目人物の信用度を判定するコンピュータに、
    　前記注目人物と参照人物との関係性を特定する手順、
    　前記注目人物と前記参照人物との関係性に対応する判断基準に従って、当該注目人物と当該参照人物との関係の強さを示す指標に基づいて、当該注目人物と当該参照人物との近さを示す近さスコアを決定する手順、
    　少なくとも１人の前記参照人物についての、当該参照人物に関する情報と当該参照人物について決定される前記近さスコアとに基づいて、前記注目人物の信用度を判定する手順、
    　を実行させることを特徴とするプログラム。
PCT/JP2021/024215 2021-06-25 2021-06-25 信用度判定システム、信用度判定方法及びプログラム WO2022269926A1 (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
EP21921627.2A EP4138023A4 (en) 2021-06-25 2021-06-25 RANKING DETERMINATION SYSTEM, RANKING DETERMINATION PROCESS AND PROGRAM
JP2022523373A JP7130314B1 (ja) 2021-06-25 2021-06-25 信用度判定システム、信用度判定方法及びプログラム
PCT/JP2021/024215 WO2022269926A1 (ja) 2021-06-25 2021-06-25 信用度判定システム、信用度判定方法及びプログラム
TW111114380A TW202301241A (zh) 2021-06-25 2022-04-15 信用度判定系統、信用度判定方法及資訊記憶媒體
JP2022132025A JP7459189B2 (ja) 2021-06-25 2022-08-22 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/024215 WO2022269926A1 (ja) 2021-06-25 2021-06-25 信用度判定システム、信用度判定方法及びプログラム

Publications (1)

Publication Number Publication Date
WO2022269926A1 true WO2022269926A1 (ja) 2022-12-29

Family

ID=83152182

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/024215 WO2022269926A1 (ja) 2021-06-25 2021-06-25 信用度判定システム、信用度判定方法及びプログラム

Country Status (4)

Country Link
EP (1) EP4138023A4 (ja)
JP (2) JP7130314B1 (ja)
TW (1) TW202301241A (ja)
WO (1) WO2022269926A1 (ja)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002123649A (ja) * 2000-10-13 2002-04-26 Nippon Telegr & Teleph Corp <Ntt> 信用調査装置、信用調査方法及び信用調査装置における信用調査プログラムを記録した記録媒体
JP2007052557A (ja) * 2005-08-16 2007-03-01 Junichiro Mori 情報共有設定方法および情報共有設定プログラム
JP2009301236A (ja) 2008-06-11 2009-12-24 Nomura Research Institute Ltd 信用情報機関仲介装置
JP2014149728A (ja) * 2013-02-01 2014-08-21 Toshihide Ota 賃貸借システム
JP2016157395A (ja) * 2015-02-26 2016-09-01 Ｌｉｎｅ株式会社 乗物の手配支援サーバ、乗物の手配支援方法
JP2018536940A (ja) * 2016-06-06 2018-12-13 ▲騰▼▲訊▼科技（深▲セン▼）有限公司 ユーザ信用スコアを最適化するための方法および装置
JP2019109831A (ja) * 2017-12-20 2019-07-04 株式会社Ｃ−Ｇｒｉｐ 信用度評価システム、コンピュータ端末、及び取引方法
US20190279297A1 (en) * 2017-02-08 2019-09-12 Tencent Technology (Shenzhen) Company Limited Credit scoring method and server
JP2020102013A (ja) * 2018-12-21 2020-07-02 株式会社メルカリ 情報処理方法、プログラムおよび情報処理装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010165097A (ja) 2009-01-14 2010-07-29 Ntt Docomo Inc 人間関係推定装置、及び、人間関係推定方法
JP6872851B2 (ja) 2016-01-14 2021-05-19 ヤフー株式会社 情報選択装置、情報選択方法および情報選択プログラム
US9721296B1 (en) * 2016-03-24 2017-08-01 Www.Trustscience.Com Inc. Learning an entity's trust model and risk tolerance to calculate a risk score
JP6675295B2 (ja) 2016-10-27 2020-04-01 株式会社エヌ・ティ・ティ・データ 家族関係推定装置、家族関係推定方法、およびプログラム

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002123649A (ja) * 2000-10-13 2002-04-26 Nippon Telegr & Teleph Corp <Ntt> 信用調査装置、信用調査方法及び信用調査装置における信用調査プログラムを記録した記録媒体
JP2007052557A (ja) * 2005-08-16 2007-03-01 Junichiro Mori 情報共有設定方法および情報共有設定プログラム
JP2009301236A (ja) 2008-06-11 2009-12-24 Nomura Research Institute Ltd 信用情報機関仲介装置
JP2014149728A (ja) * 2013-02-01 2014-08-21 Toshihide Ota 賃貸借システム
JP2016157395A (ja) * 2015-02-26 2016-09-01 Ｌｉｎｅ株式会社 乗物の手配支援サーバ、乗物の手配支援方法
JP2018536940A (ja) * 2016-06-06 2018-12-13 ▲騰▼▲訊▼科技（深▲セン▼）有限公司 ユーザ信用スコアを最適化するための方法および装置
US20190279297A1 (en) * 2017-02-08 2019-09-12 Tencent Technology (Shenzhen) Company Limited Credit scoring method and server
JP2019109831A (ja) * 2017-12-20 2019-07-04 株式会社Ｃ−Ｇｒｉｐ 信用度評価システム、コンピュータ端末、及び取引方法
JP2020102013A (ja) * 2018-12-21 2020-07-02 株式会社メルカリ 情報処理方法、プログラムおよび情報処理装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"IT Roadmap : How information and communication technology will change in 5 years! 2019 edition", 21 March 2019, TOYO KEIZAI INC., JP, ISBN: 978-4-492-58114-8, article ANONYMOUS: "3.2 Information bank and credit score", pages: 194 - 214, XP009542414 *
ANONYMOUS: "Panel discussion ''How to lead social change through digitalization?"", KNOWLEDGE CREATION AND INTEGRATION, JP, vol. 26, no. 1, 20 December 2017 (2017-12-20), JP , pages 36 - 51, XP009542413, ISSN: 0919-7133 *

Also Published As

Publication number Publication date
JP2023004993A (ja) 2023-01-17
EP4138023A1 (en) 2023-02-22
TW202301241A (zh) 2023-01-01
EP4138023A4 (en) 2023-02-22
JPWO2022269926A1 (ja) 2022-12-29
JP7459189B2 (ja) 2024-04-01
JP7130314B1 (ja) 2022-09-05

Similar Documents

Publication Publication Date Title
Ahn et al. A survey on churn analysis in various business domains
CN107967575B (zh) 一种人工智能保险咨询服务人工智能平台系统
US9582770B2 (en) Enhancement of machine learning techniques for an electronic message system
US9911131B1 (en) Method and system for obtaining leads based on data derived from a variety of sources
US8688603B1 (en) System and method for identifying and correcting marginal false positives in machine learning models
US9275125B1 (en) System for organizing data from a plurality of users to create individual user profiles
US20230020864A1 (en) Social network for merchants
JP7447348B1 (ja) 求人データ管理システム及び求人データ管理方法
Wang et al. An unsupervised strategy for defending against multifarious reputation attacks
WO2022269926A1 (ja) 信用度判定システム、信用度判定方法及びプログラム
CN113010255A (zh) 基于捆绑会话组的交互方法、装置和计算机设备
CN111382254A (zh) 电子名片推荐方法、装置、设备及计算机可读存储介质
CN110347928A (zh) 一种个性化信息推荐方法与系统
WO2023119499A1 (ja) 情報処理システム、情報処理方法及びプログラム
JP7302106B1 (ja) 情報処理システム、情報処理方法及びプログラム
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
TWI832588B (zh) 資訊處理系統、資訊處理方法及程式產品
TWI835439B (zh) 資訊處理系統、資訊處理方法及程式產品
Umamaheswari et al. Opinion mining using hybrid methods
CN108171589A (zh) 验证方法及装置
Rahul et al. Introduction to Data Mining and Machine Learning Algorithms
JP2023148437A (ja) 情報処理システム、方法及びプログラム
US20240144036A1 (en) Apparatus for emissions predictions
US20240095613A1 (en) Apparatus and method for evaluating assignments

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2022523373

Country of ref document: JP

Kind code of ref document: A

ENP Entry into the national phase

Ref document number: 2021921627

Country of ref document: EP

Effective date: 20220801

WWE Wipo information: entry into national phase

Ref document number: 17787334

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE