JP2021197089A - 出力装置、出力方法及び出力プログラム - Google Patents
出力装置、出力方法及び出力プログラム Download PDFInfo
- Publication number
- JP2021197089A JP2021197089A JP2020105478A JP2020105478A JP2021197089A JP 2021197089 A JP2021197089 A JP 2021197089A JP 2020105478 A JP2020105478 A JP 2020105478A JP 2020105478 A JP2020105478 A JP 2020105478A JP 2021197089 A JP2021197089 A JP 2021197089A
- Authority
- JP
- Japan
- Prior art keywords
- condition
- classification
- behavior
- conditions
- combination
- Prior art date
- Legal status (The legal status 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 status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims description 47
- 230000009471 action Effects 0.000 claims abstract description 39
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 230000006399 behavior Effects 0.000 claims description 67
- 238000003066 decision tree Methods 0.000 claims description 47
- 230000008569 process Effects 0.000 claims description 21
- 239000000284 extract Substances 0.000 description 14
- 238000012545 processing Methods 0.000 description 13
- 230000010365 information processing Effects 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 238000013145 classification model Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 7
- 230000015654 memory Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 101100139861 Arabidopsis thaliana RL2 gene Proteins 0.000 description 2
- 101100141529 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) RKM4 gene Proteins 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
まず、図1を参照して、本開示の例示的な実施形態について詳細に説明する。
例示的な実施形態に係る情報出力装置は、不正判定のためのモデルアルゴリズムとして、決定木を採用する。そして、情報出力装置は、決定木の中から、不純度の低いノードを分岐条件として抽出することによって、高い適合率かつ説明性の高い判定ルールを、自動的に生成する。
一般的に、不正判定は、ルールベースの判定手法や、機械学習ベースの判定手法に基づいて行われる。しかしながら、ルールベースの判定手法および機械学習ベースの判定手法に関しては、次のような問題がでてくる場合がある。
人手によるルールの作成は、時間と労力を要する。また、ルールを分析して検証するのに時間がかかる。加えて、不正の傾向変化に追従してルールを修正することが難しい。
モデルの説明性を重視することが求められる場合に、ビジネスの要件を満たす高い精度のモデルを作ることが難しい。また、高い精度のモデル(例えば、勾配ブースティング木、Deep Learning等)の判断を解釈することが難しい。このようなモデルは、一般的に、ブラックボックスモデルである。すなわち、モデルの精度と説明性との間のトレードオフが存在する。
以下では、図1A〜図1Dを参照して、例示的な実施形態に係る判定ルール生成処理について説明する。
上述のように、例示的な実施形態に係る情報出力装置100は、不正判定ルールの作成を自動化することができる。作成された不正判定ルール自体は、過去の不正データに基づく、機械学習の決定木を使用して作成されている。このため、情報出力装置100は、決定木を更新することによって、不正の傾向変化に追従することができる。
次に、図2を参照して、情報出力装置100を含むシステムの構成例について説明する。
図2は、実施形態に係る情報出力システム1の一例を示す図である。図2に示されるように、情報出力システム1は、情報出力装置100、情報提供装置200およびユーザ装置300等の構成要素を含む。図1中では図示していないが、情報出力システム1は、複数台の情報出力装置100や、複数台の情報提供装置200や、複数台のユーザ装置300を含んでもよい。また、情報出力システム1は、情報出力装置100に関係するエンティティ(例えば、業者、エンドユーザ)の装置等の、他の構成要素を含んでもよい。
図2に示されるように、情報出力装置100は、通信部110と、記憶部120と、制御部130とを有する。なお、情報出力装置100は、情報出力装置100を利用する管理者等から各種操作を受け付ける入力部(例えば、キーボードやマウス等)や、各種情報を表示するための表示部(液晶ディスプレイ等)を有してもよい。
通信部110は、例えば、NIC(Network Interface Card)等によって実現される。通信部110は、有線または無線によりネットワーク網と接続される。通信部110は、情報提供装置200およびユーザ装置300に、ネットワークNを介して、通信可能に接続されてもよい。通信部110は、情報提供装置200およびユーザ装置300との間で、ネットワーク網を介して、情報の送受信を行うことができる。
記憶部120は、例えば、RAM(Random Access Memory)、フラッシュメモリ(Flash Memory)等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。図2に示されるように、記憶部120は、ユーザ情報記憶部121と、モデル記憶部122とを有する。
ユーザ情報記憶部121は、ユーザ情報を記憶する。ユーザ情報は、各種行動の検知のための処理に使用される情報である。例えば、ユーザ情報は、オークション、ショッピング、フリーマーケットといった電子商取引サービスを利用するユーザの行動情報や属性情報を含む。
モデル記憶部122は、モデル(すなわち、機械学習モデル)を記憶する。モデル記憶部122は、後述する取得部132によって生成された予測モデル(例えば、機械学習モデルのデータ)を記憶することができる。いくつかの実施形態では、後述する受信部131によって受信されたモデルを記憶してもよい。
制御部130は、コントローラ(controller)であり、例えば、CPU(Central Processing Unit)、MPU(Micro Processing Unit)等のプロセッサによって、情報出力装置100内部の記憶装置に記憶されている各種プログラム(出力プログラムの一例に相当)がRAM等を作業領域として実行されることにより実現される。また、制御部130は、コントローラ(controller)であり、例えば、ASIC(Application Specific Integrated Circuit)、FPGA(Field Programmable Gate Array)、GPGPU(General Purpose Graphic Processing Unit)等の集積回路により実現されてもよい。
受信部131は、各種行動の検知のための処理に使用される各種情報を受信することができる。例えば、受信部131は、上述のユーザ情報を受信することができる。受信部131は、モデル(例えば、決定木モデル)を受信してもよい。受信部131は、情報提供装置200から、各種情報を受信することができる。
取得部132は、各種行動の検知のための処理に使用される各種情報を取得することができる。取得部132は、記憶部120から各種情報を取得することができる。例えば、取得部132は、上述のユーザ情報を、ユーザ情報記憶部121から取得することができる。また、例えば、モデルを、モデル記憶部122から取得することができる。
特定部133は、分類条件の組み合わせを特定することができる。分類条件の組み合わせは、各種行動を検知するための条件として使用され得る。
出力部134は、検知対象となる行動を検知するための検知条件を出力する。検知条件は、例えば、所定の対象に対する不正の有無を予測するために使用され得る。所定の対象は、例えば、電子商取引サービスであり得る。この場合、不正は、例えば、不正な取引であり得る。
次に、図3を参照して、実施形態に係る情報出力装置100による判定ルール生成処理の手順について説明する。
上述の実施形態に係る情報出力装置100は、上述の実施形態以外にも、種々の異なる形態で実施されてよい。そこで、以下では、上記の情報出力装置100の他の実施形態について説明する。
情報出力装置100(例えば、受信部131)が新しいユーザ情報を受信した場合に、報出力装置100は、新たなユーザ情報に基づいて、「モデルの生成」、「分類条件の取得」、「分類条件の組み合わせの特定」および「検知条件の出力」の一連の処理ステップを、再び実行してもよい。これにより、情報出力装置100は、新しいユーザ情報(例えば、新しい不正データ)に基づいて、検知条件(例えば、不正判定ルール)を更新することができる。情報出力装置100は、高い精度の分類条件を、ルール管理システムに、新たな分類条件として登録することができる。
また、上記実施形態において説明した各処理のうち、自動的に行われるものとして説明した処理の一部を手動的に行うこともできる。あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。
また、上述してきた実施形態に係る情報出力装置100は、例えば図4に示すような構成のコンピュータ1000によって実現される。図4は、ハードウェア構成の一例を示す図である。コンピュータ1000は、出力装置1010、入力装置1020と接続され、演算装置1030、一次記憶装置1040、二次記憶装置1050、出力IF(Interface)1060、入力IF1070、ネットワークIF1080がバス1090により接続された形態を有する。
上述してきたように、実施形態に係る情報出力装置100は、取得部132と、特定部133と、出力部134とを有する。
100 情報出力装置
110 通信部
120 記憶部
121 ユーザ情報記憶部
122 モデル記憶部
130 制御部
131 受信部
132 取得部
133 特定部
134 出力部
200 情報提供装置
300 ユーザ装置
Claims (15)
- 所定の行動の履歴に基づいて、当該履歴を分類する分類条件を取得する取得部と、
前記分類条件の組み合わせのうち、当該分類条件の組み合わせを満たす行動のうち、検知対象となる行動の割合が所定の条件を満たす分類条件の組み合わせを特定する特定部と、
前記特定部によって特定された分類条件の組み合わせを、前記検知対象となる行動を検知するための検知条件として出力する出力部と
を備えることを特徴とする出力装置。 - 前記取得部は、前記履歴から、条件判定によって行動が検知対象であるかを予測する予測モデルを生成し、生成された予測モデルから、前記分類条件を取得する
ことを特徴とする請求項1に記載の出力装置。 - 前記取得部は、前記予測モデルとして、行動が検知対象であるかを予測する決定木を生成し、生成された決定木の少なくとも1つのノードにそれぞれ対応する少なくとも1つの分岐条件を、前記分類条件として取得する
ことを特徴とする請求項2に記載の出力装置。 - 前記特定部は、前記取得部によって、前記分類条件として取得された少なくとも1つの分岐条件から、前記分類条件の組み合わせを満たす行動のうち検知対象となる行動の割合が前記所定の条件を満たす前記分類条件の組み合わせとして、不純度に関する条件を満たす分岐条件の組み合わせを特定する
ことを特徴とする請求項3に記載の出力装置。 - 前記特定部は、前記少なくとも1つのノードから、不純度が閾値を下回り、かつクラスが検知対象であるリーフノードを特定し、前記決定木を特定されたリーフノードからルートノードまでたどることによって、前記不純度に関する条件を満たす分岐条件の組み合わせを特定する
ことを特徴とする請求項4に記載の出力装置。 - 前記取得部は、前記所定の行動として、所定の購買行動を示し、当該所定の購買行動が、前記検知対象となる不正な行動であるかを示す前記履歴に基づいて、前記分類条件として、購買行動が当該不正な行動であるかを判定するための分類条件を決定する
ことを特徴とする請求項1〜5のうちいずれか1つに記載の出力装置。 - 前記取得部は、前記履歴に基づいて、前記分類条件として、前記所定の購買行動の購入金額又は前記所定の購買行動の取引対象の種別によって購買行動が不正な行動であるかを判定するための分類条件を決定する
ことを特徴とする請求項6に記載の出力装置。 - コンピュータが実行する出力方法であって、
所定の行動の履歴に基づいて、当該履歴を分類する分類条件を取得する取得工程と、
前記分類条件の組み合わせのうち、当該分類条件の組み合わせを満たす行動のうち、検知対象となる行動の割合が所定の条件を満たす分類条件の組み合わせを特定する特定工程と、
前記特定工程によって特定された分類条件の組み合わせを、前記検知対象となる行動を検知するための検知条件として出力する出力工程と
を含むことを特徴とする出力方法。 - 所定の行動の履歴に基づいて、当該履歴を分類する分類条件を取得する取得手順と、
前記分類条件の組み合わせのうち、当該分類条件の組み合わせを満たす行動のうち、検知対象となる行動の割合が所定の条件を満たす分類条件の組み合わせを特定する特定手順と、
前記特定手順によって特定された分類条件の組み合わせを、前記検知対象となる行動を検知するための検知条件として出力する出力手順と
をコンピュータに実行させることを特徴とする出力プログラム。 - 前記取得手順は、前記履歴から、条件判定によって行動が検知対象であるかを予測する予測モデルを生成し、生成された予測モデルから、前記分類条件を取得する
ことを特徴とする請求項9に記載の出力プログラム。 - 前記取得手順は、前記予測モデルとして、行動が検知対象であるかを予測する決定木を生成し、生成された決定木の少なくとも1つのノードにそれぞれ対応する少なくとも1つの分岐条件を、前記分類条件として取得する
ことを特徴とする請求項10に記載の出力プログラム。 - 前記特定手順は、前記取得手順によって、前記分類条件として取得された少なくとも1つの分岐条件から、前記分類条件の組み合わせを満たす行動のうち検知対象となる行動の割合が前記所定の条件を満たす前記分類条件の組み合わせとして、不純度に関する条件を満たす分岐条件の組み合わせを特定する
ことを特徴とする請求項11に記載の出力プログラム。 - 前記特定手順は、前記少なくとも1つのノードから、不純度が閾値を下回り、かつクラスが検知対象であるリーフノードを特定し、前記決定木を特定されたリーフノードからルートノードまでたどることによって、前記不純度に関する条件を満たす分岐条件の組み合わせを特定する
ことを特徴とする請求項12に記載の出力プログラム。 - 前記取得手順は、前記所定の行動として、所定の購買行動を示し、当該所定の購買行動が、前記検知対象となる不正な行動であるかを示す前記履歴に基づいて、前記分類条件として、購買行動が当該不正な行動であるかを判定するための分類条件を決定する
ことを特徴とする請求項9〜13のうちいずれか1つに記載の出力プログラム。 - 前記取得手順は、前記履歴に基づいて、前記分類条件として、前記所定の購買行動の購入金額又は前記所定の購買行動の取引対象の種別によって購買行動が不正な行動であるかを判定するための分類条件を決定する
ことを特徴とする請求項14に記載の出力プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020105478A JP7170689B2 (ja) | 2020-06-18 | 2020-06-18 | 出力装置、出力方法及び出力プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020105478A JP7170689B2 (ja) | 2020-06-18 | 2020-06-18 | 出力装置、出力方法及び出力プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021197089A true JP2021197089A (ja) | 2021-12-27 |
JP7170689B2 JP7170689B2 (ja) | 2022-11-14 |
Family
ID=79195781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020105478A Active JP7170689B2 (ja) | 2020-06-18 | 2020-06-18 | 出力装置、出力方法及び出力プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7170689B2 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2023131951A (ja) * | 2022-03-10 | 2023-09-22 | ヤフー株式会社 | 判定システム、判定方法、およびプログラム |
JP7359910B1 (ja) | 2022-07-06 | 2023-10-11 | PayPay株式会社 | 情報処理装置、情報処理方法、およびプログラム |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4377443B1 (ja) * | 2008-10-17 | 2009-12-02 | 株式会社インテリジェントウェイブ | クレジットカードの決済承認システム、クレジットカードの決済承認システムにおいて用いられるクレジットカード、端末装置及びホストコンピュータシステム、並びにクレジットカードの決済承認方法 |
US20170221075A1 (en) * | 2016-01-29 | 2017-08-03 | Sap Se | Fraud inspection framework |
US20180046939A1 (en) * | 2016-08-10 | 2018-02-15 | Paypal, Inc. | Automated Machine Learning Feature Processing |
JP2019067270A (ja) * | 2017-10-03 | 2019-04-25 | 富士通株式会社 | 分類プログラム、分類方法、および分類装置 |
WO2020044814A1 (ja) * | 2018-08-27 | 2020-03-05 | 日本電気株式会社 | モデル更新装置、モデル更新方法およびモデル更新プログラム |
JP2020509498A (ja) * | 2016-11-14 | 2020-03-26 | コグノア,インク. | 発達に係る疾病を評価し、およびカバー率と信頼度に対する制御を提供する方法および装置 |
-
2020
- 2020-06-18 JP JP2020105478A patent/JP7170689B2/ja active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4377443B1 (ja) * | 2008-10-17 | 2009-12-02 | 株式会社インテリジェントウェイブ | クレジットカードの決済承認システム、クレジットカードの決済承認システムにおいて用いられるクレジットカード、端末装置及びホストコンピュータシステム、並びにクレジットカードの決済承認方法 |
JP2010097450A (ja) * | 2008-10-17 | 2010-04-30 | Intelligent Wave Inc | クレジットカードの決済承認システム、クレジットカードの決済承認システムにおいて用いられるクレジットカード、端末装置及びホストコンピュータシステム、並びにクレジットカードの決済承認方法 |
US20170221075A1 (en) * | 2016-01-29 | 2017-08-03 | Sap Se | Fraud inspection framework |
US20180046939A1 (en) * | 2016-08-10 | 2018-02-15 | Paypal, Inc. | Automated Machine Learning Feature Processing |
JP2020509498A (ja) * | 2016-11-14 | 2020-03-26 | コグノア,インク. | 発達に係る疾病を評価し、およびカバー率と信頼度に対する制御を提供する方法および装置 |
JP2019067270A (ja) * | 2017-10-03 | 2019-04-25 | 富士通株式会社 | 分類プログラム、分類方法、および分類装置 |
WO2020044814A1 (ja) * | 2018-08-27 | 2020-03-05 | 日本電気株式会社 | モデル更新装置、モデル更新方法およびモデル更新プログラム |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2023131951A (ja) * | 2022-03-10 | 2023-09-22 | ヤフー株式会社 | 判定システム、判定方法、およびプログラム |
JP7428859B2 (ja) | 2022-03-10 | 2024-02-07 | Lineヤフー株式会社 | 判定システム、判定方法、およびプログラム |
JP7359910B1 (ja) | 2022-07-06 | 2023-10-11 | PayPay株式会社 | 情報処理装置、情報処理方法、およびプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP7170689B2 (ja) | 2022-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019061994A1 (zh) | 电子装置、保险产品推荐方法、***及计算机可读存储介质 | |
WO2019072091A1 (zh) | 用于确定用户兴趣标签的方法及装置 | |
US11341548B2 (en) | Preemptive transaction analysis | |
US11093535B2 (en) | Data preprocessing using risk identifier tags | |
US20190080352A1 (en) | Segment Extension Based on Lookalike Selection | |
CN111783039B (zh) | 风险确定方法、装置、计算机***和存储介质 | |
CN111583018A (zh) | 一种基于用户金融表现分析的授信策略管理方法、装置和电子设备 | |
CN111179051A (zh) | 金融目标客户确定方法、装置及电子设备 | |
CN112348321A (zh) | 风险用户的识别方法、装置及电子设备 | |
CN110717597A (zh) | 利用机器学习模型获取时序特征的方法和装置 | |
CN111768258A (zh) | 识别异常订单的方法、装置、电子设备和介质 | |
JP7170689B2 (ja) | 出力装置、出力方法及び出力プログラム | |
CN112200402A (zh) | 一种基于风险画像的风险量化方法、装置及设备 | |
CN109711849B (zh) | 以太坊地址画像生成方法、装置、电子设备及存储介质 | |
JP2019185595A (ja) | 情報処理装置、情報処理方法、情報処理プログラム、判定装置、判定方法及び判定プログラム | |
CN110070383B (zh) | 基于大数据分析的异常用户识别方法及装置 | |
Linthicum | Making sense of AI in public clouds | |
CN112348661B (zh) | 基于用户行为轨迹的服务策略分配方法、装置及电子设备 | |
CA3169819A1 (en) | Systems and methods for automated product classification | |
CN115689571A (zh) | 异常用户行为监测方法、装置、设备和介质 | |
CN110163482B (zh) | 确定活动方案的安全方案数据的方法、终端设备及服务器 | |
Hellman | Discussion of ‘Accounting for intangible assets: suggested solutions’ | |
US9009174B1 (en) | Consumer action mining | |
CN112288475A (zh) | 产品推荐方法、装置及电子设备 | |
CN111523929A (zh) | 一种商户信息管理方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210819 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220607 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220705 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220905 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20221004 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221101 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7170689 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |