JP6417002B1 - 生成装置、生成方法及び生成プログラム - Google Patents

Abstract

【課題】多様な観点から信用度を判定する生成装置、生成方法及び生成プログラムを提供する。
【解決手段】本願に係る生成装置は、取得部と、生成部とを有する。取得部は、商取引の対象となる商品の物流に関する情報を取得する。生成部は、取得部によって取得された物流に関する情報に基づいて、商取引の対象者の信用度を算出するためのモデルを生成する。例えば、取得部は、物流に関する情報として、提供者が商品を発送したのちに、商品が返品された返品率を取得する。生成部は、返品率に基づいて、提供者の信用度を算出するモデルを生成する。
【選択図】図１

Description

本発明は、生成装置、生成方法及び生成プログラムに関する。

従来、インターネットを介して様々な商取引が行われている。例えば、インターネット上では、ストアを管理するストアとユーザや、ユーザ同士の商取引を仲介するプラットフォームが提供されている。

上記のような商取引に関する技術として、ネットワーク上のユーザの行動に基づいて、事業者の与信等の信用度を算出する技術が知られている。

特開２０１６−１１８９３２号公報

しかしながら、商取引の対象者の信用を求める手法については、さらに改善の余地がある。例えば、商取引においては、商品の発送がスムーズに行われたり、商品が間違いなく届けられたりといった、実際の商品の受け渡しの完了までが、商取引の対象者の信用を判定する要素となりうる。しかしながら、従来技術では、ネットワーク上のユーザの行動履歴等に基づいて信用度を算出するが、商取引の成立後の実際の商品の受け渡しに関する情報等の多様な観点から信用度を算出することについては言及されていない。

本願は、上記に鑑みてなされたものであって、多様な観点から信用度を判定することのできる生成装置、生成方法及び生成プログラムを提供することを目的とする。

本願に係る生成装置は、商取引の対象となる商品の物流に関する情報を取得する取得部と、前記取得部によって取得された物流に関する情報に基づいて、前記商取引の対象者の信用度を算出するためのモデルを生成する生成部と、を備えたことを特徴とする。

実施形態の一態様によれば、多様な観点から信用度を判定することができるという効果を奏する。

図１は、実施形態に係る生成処理の一例を示す図である。 図２は、実施形態に係る生成システムの構成例を示す図である。 図３は、実施形態に係る生成装置の構成例を示す図である。 図４は、実施形態に係るストア情報記憶部の一例を示す図である。 図５は、実施形態に係るユーザ情報記憶部の一例を示す図である。 図６は、実施形態に係るストア用モデル記憶部の一例を示す図である。 図７は、実施形態に係るユーザ用モデル記憶部の一例を示す図である。 図８は、実施形態に係る生成装置による処理手順を示すフローチャート（１）である。 図９は、実施形態に係る生成装置による処理手順を示すフローチャート（２）である。 図１０は、生成装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。

以下に、本願に係る生成装置、生成方法及び生成プログラムを実施するための形態（以下、「実施形態」と表記する）について図面を参照しつつ詳細に説明する。なお、この実施形態により本願に係る生成装置、生成方法及び生成プログラムが限定されるものではない。また、以下の各実施形態において同一の部位には同一の符号を付し、重複する説明は省略される。

〔１．生成処理の一例〕
まず、図１を用いて、実施形態に係る生成処理の一例について説明する。図１は、実施形態に係る生成処理の一例を示す図である。図１では、実施形態に係る生成装置１００によって実行される生成処理の一例について説明する。具体的には、図１では、生成装置１００によって、商品の物流に関する情報に基づいて、ネットワーク上の所定の商取引サイトに出店するストア、及び、当該商取引サイトを利用するユーザの信用度を算出するためのモデル（算出式）を生成する処理が行われる例について説明する。

図１に示す例において、生成装置１００と、ユーザ端末１０と、ウェブサーバ３０と、配送業者装置５０とは、図示しない通信ネットワーク（例えば、インターネット）を介して通信可能に接続される。

図１に示す生成装置１００は、商取引の対象者の信用度を算出するためのモデルを生成するサーバ装置である。生成装置１００は、商取引の対象者として、例えば、商品の提供者（ストア）又は商品の購入者（ユーザ）の信用度を算出するためのモデルを生成する。なお、実施形態では、商品の提供者として、ショッピングモールに出店するストアを例に挙げるが、提供者はこの例に限らず、例えば、個人間の取引やオークションサイトにおける出品者等であってもよい。

図１に示すユーザ端末１０は、ユーザによって利用される情報処理装置である。具体的には、ユーザ端末１０は、ユーザがウェブページを閲覧するためや、ウェブサイト（例えばネットワーク上のショッピングモール）において商品を購入したり、商品情報の評価（いわゆるレビュー）を投稿したりするために利用される。図１の例では、ユーザ端末１０は、例えばスマートフォンやタブレット端末である。

図１に示すウェブサーバ３０は、ユーザ端末１０からアクセスされた場合に、各種ウェブページを提供するサーバ装置である。図１に示す例では、ウェブサーバ３０は、ネットワーク上のショッピングモールサイトを提供するものとする。ウェブサーバ３０が提供するショッピングモールでは、各事業者が種々のカテゴリの商品を扱う店舗（ストア）を出店する。

また、ウェブサーバ３０は、提供するウェブサイトを介して、ネットワーク上におけるユーザ行動に関する情報を取得してもよい。ユーザ行動に関する情報は、例えば、ウェブサーバ３０が備える記憶部や、所定の外部ストレージ装置に格納される。ネットワーク上におけるユーザ行動に関する情報とは、ウェブサーバ３０から提供されるサービス（図１の例ではショッピングモール）の利用に際して、ユーザの操作に従いユーザ端末１０から発信される情報や、サービスにおけるユーザの行動を示した情報である。例えば、ネットワーク上におけるユーザ行動は、ショッピングモールにおける購買行動や、ショッピングモールの各店舗に対するユーザからのレビューの投稿等である。なお、ウェブサーバ３０は、ユーザ行動のみならず、ユーザからのレビューに対してストア管理者が返信したコメント等のデータを取得してもよい。

配送業者装置５０は、配送業者によって利用されるサーバ装置である。図１の例では、配送業者装置５０は、配送業者の一例である配送業者４０によって利用される。配送業者装置５０は、ショッピングモールに出店するストアから商品の発送の依頼を受け付ける。そして、配送業者装置５０は、配送品を配送する予定の日時や配送先等が登録された情報である配送情報を生成する。配送業者４０は、配送業者装置５０によって生成された配送情報に基づいて、配送先への配送を行う。なお、図１での図示は省略しているが、配送業者４０は複数存在してもよい。すなわち、ストアは、複数の配送業者４０のいずれかを選択して商品の発送を依頼してもよい。また、以下では、配送業者を配送業者装置５０と読み替える場合がある。例えば、「配送業者４０が情報を送信する」という記載は、実際には、「配送業者４０が利用する配送業者装置５０が情報を送信する」という状況を示す場合がある。

また、配送業者装置５０は、生成装置１００に物流に関する情報を提供する。物流に関する情報とは、例えば、ユーザに対して配送が完了したことや、ユーザから配送日時の変更があったことや、ユーザに対して配送された商品が返品されたこと等、商取引の対象となる商品の配送に関する種々の情報を含む。

ところで、ウェブサーバ３０が提供するショッピングモールのようなネットワーク上の商取引サイトにおいては、商取引の対象となるユーザやストア（あるいはストアを管理するストア管理者）の信用度を測り、円滑な運営を行いたいという要望がある。このような信用度は、例えばストアであれば、商品の売行きや、ユーザからの評価値等が指標値となりる。また、ユーザであれば、信用度は、取引回数の多寡や、購入代金の振込を確実に行っているか等が指標値となりうる。信用度を算出することで、ウェブサーバ３０は、例えば、信用度の低いストアの出店を断ったり、信用度の低いユーザの利用を制限したりすることができるので、円滑な運営を行うことができる。

ここで、商取引においては、商品の発送がスムーズに行われたり、商品が間違いなく届けられたりといった、実際の商品の受け渡しの完了までが、商取引の対象者の信用を判定する要素となりうる。そこで、実施形態に係る生成装置１００は、例えば配送業者装置５０等と連携し、商取引の対象者の物流に関する情報を取得し、物流に関する情報に基づいて信用度を算出するためのモデルを生成する。これにより、生成装置１００は、より商品の配送や受け取りといった、商取引サイトにおける実情に即したデータに基づいて信用度を算出することができる。以下、図１を用いて、実施形態に係る生成処理について流れに沿って説明する。

図１に示す例において、ウェブサーバ３０が提供するショッピングモールには、ストア管理者７０が運営するストアＡ０１が出店している。なお、図１では図示を省略しているが、ウェブサーバ３０が提供するショッピングモールには、実施形態に係る生成処理を行うための充分な量の情報が得られるほどの相当数のストアが存在するものとする。

ユーザ端末１０は、ショッピングモールを利用するユーザの一例であるユーザＵ０１による操作に従い、ウェブサーバ３０にアクセスする。なお、図１の例では図示を省略しているが、ユーザやユーザ端末１０は複数存在し、実施形態に係る生成処理を行うのに充分な量の情報が得られるほどの相当数のアクセスを行っているものとする。ショッピングモールにアクセスしたユーザＵ０１は、購買行動やレビュー送信等の行動を通じて、ショッピングモールを利用する（ステップＳ１１）。

ウェブサーバ３０は、ユーザ端末１０から送信される各種情報を取得する。例えば、ウェブサーバ３０は、ストアＡ０１においてユーザＵ０１が所定の商品を購入したことを示す情報を取得する。また、ウェブサーバ３０は、ストアＡ０１に対するユーザＵ０１からの評価に関する情報を取得してもよい。ユーザＵ０１からの評価に関する情報とは、例えば、レビューとして投稿されるテキストデータや、ストアＡ０１に対する評点（ストアに対する評価値。例えば５段階の数値等で示される。）等である。

また、ウェブサーバ３０は、ユーザ端末１０が行った注文に関して発生する配送に関する情報を取得してもよい。例えば、ウェブサーバ３０は、ユーザＵ０１から商品の注文を受けたストアＡ０１が、商品の発送の依頼を配送業者装置５０に行ったという情報を取得する。また、ウェブサーバ３０は、物流に関する情報として、ストアＡ０１が問題なく商品の発送依頼を行うことができたかを示す情報を取得してもよい。例えば、ウェブサーバ３０は、ユーザＵ０１から注文された商品がストアＡ０１において在庫切れではなかったか、あるいは、注文から所定期間内（例えば、ショッピングモールが定める配送手続開始までの期間内。具体的には、２４時間以内など）にストアＡ０１が商品の発送手続きを行ったか否か等の情報を取得する。

その後、ストアＡ０１が配送業者装置５０に商品の発送の依頼等を行った場合（ステップＳ１２）、配送業者４０によって商品の発送等がユーザＵ０１に対して行われる（ステップＳ１３）。

配送業者装置５０は、かかる商品の物流に関する情報を取得する。例えば、配送業者装置５０は、ユーザＵ０１が指定した配送日時に在宅であったか（言い換えれば、商品の受領が一度の配送で完了したか）、あるいは、配送日時を頻繁に変更する等の行動があったか否かを取得する。また、配送業者装置５０は、例えば、ユーザＵ０１への配送の際に、配送業者４０が理不尽なクレームを受けたか否かといった情報を取得してもよい。配送業者装置５０は、例えば、配送業者４０が所有する端末装置からのフィードバックに基づいて、かかる情報を取得する。

このようにして、ショッピングモールでは、多数のユーザから様々なストアに対する注文が発生し、多数の商品の配送が行われているものとする。

生成装置１００は、ウェブサーバ３０から、上記のような商取引に関する情報、また、商取引における商品の物流に関する情報を含む、ストア及びユーザに関する情報を取得する（ステップＳ１４）。

また、生成装置１００は、配送業者装置５０から、実際に商品を配送した際の物流に関する情報を取得する（ステップＳ１５）。

そして、生成装置１００は、取得した情報に基づいて、商取引の対象者の信用度を算出するためのモデルを生成する（ステップＳ１６）。例えば、生成装置１００は、ストアの信用度を算出するためのモデルと、ユーザの信用度を算出するためのモデルとをそれぞれ生成する。

例えば、生成装置１００は、信用度算出の対象となるストア又はユーザの情報が入力された場合に、所定の指標値（スコア）を出力するモデルを生成する。詳細は後述するが、例えば、生成装置１００は、物流に関する種々の情報を素性（判定要素）とし、各々の素性に対応する情報に対してスコアリングを行い、最終的に、信用度算出の対象となるストア又はユーザの信用度をスコアとして出力するモデルを生成する。

例えば、生成装置１００は、ショッピングモールのような商取引のプラットフォーム上において、ネガティブワードに設定されている用語を頻繁に投稿するユーザや、コメントをまったく記載せずにストア評価値に最低点を付けているような行動をとるユーザについて、信用度が比較的低く算出されるようなモデルを生成してもよい。あるいは、生成装置１００は、配送業者４０に対して理不尽なクレームを付けたユーザや、配送日時を指定したのに在宅していなかったユーザについて、信用度が比較的低く算出されるようなモデルを生成してもよい。

また、生成装置１００は、例えば購入された商品の返品率が高いストアや、注文を受け付けた商品に在庫切れが発生しているストアや、在庫切れを素早く解消しない等の情報が取得されたストアについて、信用度が比較的低く算出されるようなモデルを生成してもよい。

このように、実施形態に係る生成装置１００は、商取引の対象となる商品の物流に関する情報を取得し、取得した物流に関する情報に基づいて、商取引の対象者の信用度を算出するモデルを生成する。

すなわち、実施形態に係る生成装置１００は、ストアの信用度を測るために一般的に用いられる財務情報や取引情報のみならず、商品の物流という観点からストアの信用度を算出するためのモデルを生成する。また、生成装置１００は、ユーザについても、ユーザの信用度を測るために一般的に用いられる取引情報や行動情報のみならず、商品の物流という観点からユーザの信用度を算出するためのモデルを生成する。このように、生成装置１００は、商取引のプラットフォームであるショッピングモール上における情報のみならず、配送業者４０しか知り得ない情報や、実際の商品の発送に関わる情報に基づいてモデルを生成することができる。これにより、生成装置１００は、多様な観点からストアやユーザの信用度を判定することができる。また、生成装置１００は、ユーザやストアの物流に関する情報をリアルタイムに取得してモデルに入力することで、信用度を算出する。このため、生成装置１００は、鮮度の高いデータを用いてストアやユーザの信用度を算出することができる。以下、上記の処理を行う生成装置１００、及び、生成装置１００を含む生成システム１の構成等について詳細に説明する。

〔２．生成システムの構成〕
図２を用いて、実施形態に係る生成装置１００が含まれる生成システム１の構成について説明する。図２は、実施形態に係る生成システム１の構成例を示す図である。図２に例示するように、実施形態に係る生成システム１には、ユーザ端末１０と、ストア端末２０と、ウェブサーバ３０と、配送業者装置５０と、生成装置１００とが含まれる。これらの各種装置は、ネットワークＮ（例えば、インターネット）を介して、有線又は無線により通信可能に接続される。なお、図２に示した生成システム１が含む装置の数は図示した数に限られず、例えば生成システム１には、複数台のユーザ端末１０等が含まれてもよい。

ユーザ端末１０は、例えば、スマートフォンや、デスクトップ型ＰＣ（Personal Computer）や、ノート型ＰＣや、タブレット型端末や、携帯電話機、ＰＤＡ（Personal Digital Assistant）、ウェアラブルデバイス（Wearable Device）等の情報処理装置である。ユーザ端末１０は、ユーザによる操作に従って、ウェブサーバ３０にアクセスすることで、ウェブサーバ３０から提供されるウェブサイトからウェブページ（例えば、図１に示したストアＡ０１のウェブページ）を取得する。そして、ユーザ端末１０は、取得したウェブページを表示装置（例えば、液晶ディスプレイ）に表示する。なお、本明細書中においては、ユーザとユーザ端末１０とを同一視する場合がある。例えば、「ユーザがウェブサーバ３０にアクセスする」とは、実際には、「ユーザが利用するユーザ端末１０がウェブサーバ３０にアクセスする」ことを意味する場合がある。

ストア端末２０は、ストアを管理する事業者（図１の例ではストア管理者７０）によって利用される情報処理装置である。具体的には、ストア端末２０は、ショッピングモールにおけるストアの運営に関する情報処理や、ユーザから商品の注文を受けた場合に、当該商品の発送を配送業者に依頼するための情報処理等を実行する。

ウェブサーバ３０は、ユーザ端末１０からアクセスされた場合に、各種ウェブページを提供するサーバ装置である。図１の例では、ウェブサーバ３０がショッピングモールに対応するウェブサイトを提供し、当該ショッピングモールに出店しているストアＡ０１のウェブページを提供する例を示した。しかし、ウェブサーバ３０が提供するウェブページはこれに限られず、ウェブサーバ３０は、例えば、ニュースサイト、天気予報サイト、ショッピングサイト、ファイナンス（株価）サイト、路線検索サイト、地図提供サイト、旅行サイト、飲食店紹介サイト、ウェブブログなどに関する各種ウェブページを提供してもよい。

また、ウェブサーバ３０は、各ウェブサイトにおける情報であって、ネットワーク上における情報を取得してもよい。ネットワーク上における情報とは、例えば、各種ウェブサイトから提供されるサービスの利用に際して、ユーザの操作に従いユーザ端末１０から発信される情報である。例えば、ネットワーク上における情報は、検索サイトにおける検索クエリに関する情報や、ショッピングサイトにおける購買行動やユーザからのレビューに関する情報や、ユーザが投稿するＳＮＳ（Social Networking Service）サイトにおけるメッセージに関する情報等を含む。

また、ウェブサーバ３０は、各ウェブサイトにおける情報であって、ストア管理者の行動に関する行動を取得してもよい。例えば、ウェブサーバ３０は、ユーザレビューに対して返答したストア管理者のコメントや、商品の入荷を希望するユーザに対して回答したストア管理者のコメント等を取得してもよい。

配送業者装置５０は、配送業者によって利用されるサーバ装置である。配送業者装置５０は、ショッピングモールに出店するストアから商品の発送の依頼を受け付ける。また、配送業者装置５０は、商品の物流に関する情報を生成装置１００に提供する。

生成装置１００は、上述のように、商取引の対象となる商品の物流に関する情報を取得し、取得した物流に関する情報に基づいて、商取引の対象者の信用度を算出するモデルを生成するサーバ装置である。なお、生成装置１００は、上記のウェブサーバ３０としての構成を兼ねてもよい。すなわち、生成装置１００自身がショッピングモールを提供し、生成装置１００自身がショッピングモールにアクセスしたユーザ端末１０から情報を取得してもよい。

なお、生成装置１００は、商取引の対象となる商品の物流に関する情報等について、ウェブサーバ３０や配送業者装置５０から提供を受けてもよいし、例えば、ネットワーク上をクロール（crawl）して情報を取得する所定のプログラム等を利用して取得してもよい。

〔３．生成装置の構成〕
次に、図３を用いて、実施形態に係る生成装置１００の構成について説明する。図３は、実施形態に係る生成装置１００の構成例を示す図である。図３に示すように、生成装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。なお、生成装置１００は、生成装置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（例えば、液晶ディスプレイ等）を有してもよい。

（通信部１１０について）
通信部１１０は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。かかる通信部１１０は、通信ネットワークと有線又は無線で接続され、通信ネットワークを介して、ユーザ端末１０等との間で情報の送受信を行う。

（記憶部１２０について）
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。実施形態に係る記憶部１２０は、ストア情報記憶部１２１と、ユーザ情報記憶部１２２と、ストア用モデル記憶部１２３と、ユーザ用モデル記憶部１２４とを有する。以下、各記憶部について順に説明する。

（ストア情報記憶部１２１について）
ストア情報記憶部１２１は、所定の商取引サイトに出店するストアに関する情報を記憶する。例えば、生成装置１００は、ストア情報記憶部１２１に記憶される情報を、ネットワークＮを介してウェブサーバ３０や配送業者装置５０から取得する。ここで、図４に、実施形態に係るストア情報記憶部１２１の一例を示す。図４に示すように、ストア情報記憶部１２１は、「ストアＩＤ」、「ストア素性情報」といった項目を有する。また、「ストア素性情報」の項目は、「返品率」、「受注キャンセル率」、「在庫切れ商品率」、「在庫切れ平均期間」、「ストア評価値」、「ユーザレビュー指標値」といった小項目を含む。

「ストアＩＤ」は、所定の商取引サイトに出店しているストアを識別する識別情報を示す。なお、本明細書では、図４に示すような識別情報は、説明で用いる参照符号と共通するものとする。例えば、ストアＩＤ「Ａ０１」によって識別されるストアは、「ストアＡ０１」を示す。

「ストア素性情報」は、生成装置１００によるモデル生成処理（モデリング）における素性となりうる情報を示す。

「返品率」は、ユーザに発送された商品が、ストア側の不手際や商品の不具合等により、所定期間内（例えば１か月など）にユーザから返品された率を示す。「受注キャンセル率」は、ユーザから発注された商品について、何らかの理由でストア側がキャンセルを行った率を示す。受注のキャンセルは、例えば、注文後に商品が在庫切れであることが判明したり、注文された商品を調達できなかったりした場合に発生する。

「在庫切れ商品率」は、ストアが取り扱っている商品のうち在庫切れとなっている商品の率を示す。「在庫切れ平均期間」は、当該ストアにおいて、任意の商品が在庫切れとなっている期間の平均を示す。例えば、在庫切れ平均期間は、所定の統計期間（例えば１年間）において、商品に在庫切れが発生し、在庫切れの状態が解消されるまでの期間の平均を示す。例えば、在庫切れに対して比較的素早く対処するストアであれば、かかる期間は比較的短く算出される。

「ストア評価値」は、ショッピングモール等のプラットフォーム上におけるストアの評価値を示す。ストア評価値は、例えば、ユーザが選択する５段階評価の数値の平均値等によって示される。なお、ストア評価値は、ショッピングモールの管理者等によって与えられる評価であってもよい。

「ユーザレビュー指標値」は、当該ストアにおいてユーザから投稿されるレビューの評価となりうる指標値を示す。実施形態では、ユーザレビュー指標値は、１００段階の数値で示されるものとする。ユーザレビュー指標値は、例えば、レビューの全テキストデータのうち、ユーザからネガティブな評価を受けた語句（例えば、「配達が遅い」や、「在庫切れが多い」や、「梱包が悪い」等）の含まれる量等に基づいて、ウェブサーバ３０や生成装置１００等によって算出される。ユーザレビュー指標値の算出については、種々の既知の技術が利用されてもよい。例えば、生成装置１００は、ストア評価値の比較的高いストアに対して投稿されるレビューを正解データ（例えばユーザレビュー指標値が「１００」と判定されるストア）であるとラベリングして、かかるレビューに含まれる語句等を学習することにより、ユーザレビュー指標値を算出するためのモデルを生成してもよい。

すなわち、図４では、ストア情報記憶部１２１に記憶されるデータの一例として、ストアＩＤが「Ａ０１」であるストアＡ０１のストア素性情報は、返品率が「３％」であり、受注キャンセル率が「４％」であり、在庫切れ商品率が「６％」であり、在庫切れ平均期間が「１６日間」であり、ストア評価値が「３．５」であり、ユーザレビュー指標値が「７５」であることを示している。

なお、図４での図示は省略するが、ストア情報記憶部１２１には、上述した情報の他に、ストアに関する種々の情報が記憶されてもよい。例えば、ストア情報記憶部１２１には、ストアの売上高や資本金等の財務状況や、ストアの継続年数等の情報が記憶されてもよい。また、ストア情報記憶部１２１には、継続してストアを利用するユーザ（例えば、１週間以内に再びアクセスを行うなどの行動を行うユーザ）の数や、ユーザの顧客単価（例えば、所定期間における１ユーザあたりの購買額）や、所定期間においてストアやストア名や商品が検索された回数や、検索回数の増加率等の情報が記憶されてもよい。また、ストア情報記憶部１２１には、ストアのページビュー（Page View）や、ストアにアクセスするユニークユーザの数等が記憶されてもよい。また、生成装置１００は、これらの情報を素性として用いて、ストアの信用度を算出するためのモデルを生成してもよい。

（ユーザ情報記憶部１２２について）
ユーザ情報記憶部１２２は、商取引における商品の購入者であるユーザに関する情報を記憶する。ここで、図５に、実施形態に係るユーザ情報記憶部１２２の一例を示す。図５に示すように、ユーザ情報記憶部１２２は、「ユーザＩＤ」、「ユーザ素性情報」といった項目を有する。また、「ユーザ素性情報」の項目は、「返品率」、「中途キャンセル率」、「レビュー適性度」、「配送成功率」、「配送日時変更率」、「配送業者レビュー指標値」といった小項目を含む。

「返品率」は、ストアから発送された商品のうち、ユーザ側の都合により所定期間内（例えば１か月など）にストアに返品した商品数の割合を示す。「中途キャンセル率」は、ショッピングモールにおいて発注した商品のうち、商品が発送される前にユーザ側の都合によりキャンセルを行った商品数の割合を示す。

「レビュー適性度」は、ユーザがショッピングモール等のプラットフォーム上に投稿する内容を指標値化したものを示す。実施形態では、レビュー適性度は、１００段階の数値で示されるものとする。レビュー適性度は、例えば、ユーザが投稿したレビューの全テキストデータのうち、ストアを罵倒するような語句が含まれる割合や、商品を購入していないストアに対して不自然に低い評価を付けるといった行動等に基づいて、生成装置１００やウェブサーバ３０によって算出されるものとする。レビュー適性度は、図４で示したユーザレビュー指標値と同じく、種々の既知の技術が利用されてもよい。

「配送成功率」は、配送業者によるユーザへの商品の配送（ユーザによる商品の受領）が指定日時通りに行われた割合を示す。例えば、配送成功率は、一度目の配送の成功率であってもよいし、一度目又は再配達（二度目まで）による配送の成功率であってもよい。例えば、配送成功率が高いユーザは、ショッピングモール（あるいは、配送業者）にとって信用のあるユーザであると判定される。

「配送日時変更率」は、配送業者に対してユーザから配送日時の変更が行われた割合を示す。例えば、配送日時変更率が極めて高いユーザは、ショッピングモール（あるいは、配送業者）にとって信用のないユーザであると判定される。

「配送業者レビュー指標値」は、配送業者によるユーザに対する評価を指標値で示したものである。実施形態では、配送業者レビュー指標値は、１００段階の数値で示されるものとする。例えば、配送業者レビュー指標値は、実際にユーザに配送を行った配送業者から送信されるスコア等によって算出されてもよい。あるいは、配送業者レビュー指標値は、実際にユーザに配送を行った配送業者から「ユーザからクレームを受けた」とか、「配送日時を指定したが在宅していない」といった問題行動が報告された回数や割合等に基づいて算出されてもよい。

すなわち、図５では、ユーザ情報記憶部１２２に記憶されるデータの一例として、ユーザＩＤが「Ｕ０１」であるユーザＵ０１のユーザ素性情報は、返品率が「５％」であり、中途キャンセル率が「１３％」であり、レビュー適性度が「５５」であり、配送成功率が「６０％」であり、配送日時変更率が「４５％」であり、配送業者レビュー指標値が「４０」であることを示している。

なお、図５での図示は省略するが、ユーザ情報記憶部１２２には、上述した情報の他に、ユーザに関する種々の情報が記憶されてもよい。例えば、ユーザ情報記憶部１２２には、ユーザの年齢や性別や居住地等の属性情報や、ストアにおける購入金額の合計や、所定期間におけるストアでの購入金額の平均額や、過去に購入した商品のリスト等が記憶されてもよい。また、生成装置１００は、これらの情報を素性として用いて、ユーザの信用度を算出するためのモデルを生成してもよい。

（ストア用モデル記憶部１２３について）
ストア用モデル記憶部１２３は、ストアの信用度を算出するためのモデルに関する情報を記憶する。ここで、図６に、実施形態に係るストア用モデル記憶部１２３の一例を示す。図６に示すように、ストア用モデル記憶部１２３は、「ストアモデルＩＤ」、「素性」といった項目を有する。また、「素性」の項目には、図４で示したストア素性情報に対応する小項目と、それぞれの素性の結果とスコアとの対応を示した小項目が含まれる。

「ストアモデルＩＤ」は、ストア用のモデルを識別する識別情報を示す。「素性」は、ストアの信用度を算出するための素性に関する情報を示す。

実施形態では、生成装置１００が生成するモデルの一例として、ストア素性情報の結果が入力された場合に、入力された各素性の結果に対応したスコアを算出し、算出したスコアの合算から、ストアの信用度を出力するモデルを例に挙げる。

例えば、図６に示すストアモデルＭＳ０１に、返品率が「３％」であるストアの情報を入力した場合には、返品率の結果である「〜３」に対応するスコア「７」が算出される。同様に、各素性に対応するスコアを算出し、算出したスコアを合算した値により、当該ストアの信用度（スコア）が算出される。例えば、実施形態で示すストアモデルＭＳ０１では、スコアが高いほど、ストアの信用度が高く算出されるものとする。

なお、図６に示した結果とスコアの対応は一例であり、生成装置１００は、種々の既知の技術を用いて、結果とスコアの対応等を導出してもよい。例えば、生成装置１００は、多数のサンプルとなるストアの情報を取得し、取得した情報を統計的に解析することにより、図６に示すような素性の結果とスコアとの対応を生成してもよい。具体的には、生成装置１００は、取得した各素性の結果の平均値が、スコアにおける平均（例えば、スコアが「５」と算出される結果）となるようにモデルを生成してもよい。また、詳細は後述するが、生成装置１００は、統計的手法に限らず、所定の学習処理等を用いてモデルを生成してもよい。すなわち、生成装置１００は、商取引の対象となる商品の物流に関する情報に基づいて商取引の対象者（例えばストア）の信用度を算出することの可能なモデルであれば、どのようなモデルを生成してもよい。

すなわち、図６では、ストアモデルＩＤ「ＭＳ０１」で識別されるストアモデルＭＳ０１は、「返品率」、「受注キャンセル率」、「在庫切れ商品率」、「在庫切れ平均期間」、「ストア評価値」、「ユーザレビュー指標値」の各々の素性の結果情報に基づいてスコアを算出し、算出したスコアに基づいてストアの信用度を出力するモデルであることを示している。

（ユーザ用モデル記憶部１２４について）
ユーザ用モデル記憶部１２４は、ユーザの信用度を算出するためのモデルに関する情報を記憶する。ここで、図７に、実施形態に係るユーザ用モデル記憶部１２４の一例を示す。図７に示すように、ユーザ用モデル記憶部１２４は、「ユーザモデルＩＤ」、「素性」といった項目を有する。また、「素性」の項目には、図５で示したユーザ素性情報に対応する小項目と、それぞれの素性の結果とスコアとの対応を示した小項目が含まれる。

「ユーザモデルＩＤ」は、ユーザ用のモデルを識別する識別情報を示す。「素性」は、ユーザの信用度を算出するための素性に関する情報を示す。

実施形態では、生成装置１００が生成するモデルの一例として、ユーザ素性情報の結果が入力された場合に、入力された各素性の結果に対応したスコアを算出し、算出したスコアの合算から、ユーザの信用度を出力するモデルを例に挙げる。

例えば、図７に示すユーザモデルＭＵ０１に、返品率が「５％」であるユーザの情報を入力した場合には、返品率の結果である「〜５」に対応するスコア「５」が算出される。同様に、各素性に対応するスコアを算出し、算出したスコアを合算した値により、当該ユーザの信用度（スコア）が算出される。例えば、実施形態で示すユーザモデルＭＵ０１では、スコアが高いほど、ストアの信用度が高く算出されるものとする。

なお、図７に示した結果とスコアの対応は一例であり、生成装置１００は、図６で示したストア用のモデルと同様に、種々の既知の技術を用いて、結果とスコアの対応等を導出してもよい。すなわち、生成装置１００は、商取引の対象となる商品の物流に関する情報に基づいて商取引の対象者（例えばユーザ）の信用度を算出することの可能なモデルであれば、どのようなモデルを生成してもよい。

すなわち、図７では、ユーザモデルＩＤ「ＭＵ０１」で識別されるユーザモデルＭＵ０１は、「返品率」、「中途キャンセル率」、「レビュー適性度」、「配送成功率」、「配送日時変更率」、「配送業者レビュー指標値」の各々の素性の結果情報に基づいてスコアを算出し、算出したスコアに基づいてユーザの信用度を出力するモデルであることを示している。

（制御部１３０について）
制御部１３０は、コントローラ（controller）であり、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、生成装置１００内部の記憶装置に記憶されている各種プログラム（生成プログラムの一例に相当）がＲＡＭ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、コントローラであり、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現される。

実施形態に係る制御部１３０は、図３に示すように、取得部１３１と、生成部１３２と、算出部１３３とを有し、以下に説明する情報処理の機能や作用を実現または実行する。なお、制御部１３０の内部構成は、図３に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。また、制御部１３０が有する各処理部の接続関係は、図３に示した接続関係に限られず、他の接続関係であってもよい。

（取得部１３１について）
取得部１３１は、各種情報を取得する。例えば、取得部１３１は、商取引の対象となる商品の物流に関する情報を取得する。

具体的には、取得部１３１は、物流に関する情報として、ストアが商品を発送したのちに、商品が返品された返品率を取得する。例えば、取得部１３１は、ショッピングモールにおける取引状況に基づいて算出された返品率をウェブサーバ３０から取得してもよい。あるいは、取得部１３１は、商品の発送と返送が行われた情報を配送業者装置５０から取得し、取得した情報に基づいて、商品の返品率を取得してもよい。取得部１３１は、例えば、ショッピングモールに出店するストアごとに、商品の返品率を取得する。

また、取得部１３１は、物流に関する情報として、ストアが商取引の注文を受け付けた際に商品の発送を完了することができたか否かを示す発送情報を取得してもよい。なお、商品の発送を完了することができたとは、例えば、商品に在庫切れ等が発生しておらず、ユーザからの注文に問題なく応答できたこと等をいう。例えば、取得部１３１は、上記の発送情報をウェブサーバ３０から取得してもよいし、商品のユーザへの配送が完了したことを配送業者装置５０から取得してもよい。なお、取得部１３１は、発送情報に基づいて、図４で示した受注キャンセル率や、在庫切れ商品率等の情報を算出し、算出した数値を取得してもよい。また、取得部１３１は、物流に関する情報として、ストアの在庫切れ商品率や、在庫切れ平均期間や、ストア評価値を、適宜、ウェブサーバ３０から取得してもよい。

また、取得部１３１は、物流に関する情報として、ストアによる商品の発送に関するユーザレビューを取得してもよい。例えば、取得部１３１は、任意のストアに対して、ショッピングモールに投稿されたユーザレビューをウェブサーバ３０から取得する。また、取得部１３１は、商品の発送に関するユーザレビューに基づいて、図４に示したユーザレビュー指標値等を算出してもよい。この場合、取得部１３１は、ユーザレビュー等のテキストに関する情報を集計するにあたり、例えば、ユーザレビューに対して形態素解析を行い、さらに、ｔｆ−ｉｄｆ（Term Frequency−Inverse Document Frequency）など、レビューに出現する各単語をスコアリングするアルゴリズムを利用し、重みの高い単語のみを取得するようにしてもよい。そして、取得部１３１は、レビューのうち、「遅い」とか、「悪い」とか、「雑」といったネガティブな単語が含まれる割合等に基づいて、ユーザレビューを数値化してもよい。上述のように、かかる処理は、種々の既知の技術が用いられてもよい。すなわち、取得部１３１は、ユーザレビューに基づいてストアの評価を行うことのできる情報（例えば数値）が取得できるのであれば、いずれの手法を用いてもよい。

また、取得部１３１は、物流に関する情報とともに、ストアに関する情報として、所定の商取引サイトにおけるストアに対するユーザからの評価に関する情報をさらに取得してもよい。例えば、取得部１３１は、ストアに対するユーザからの反応の数や、ストアや商品に対するページビュー等の数値を取得してもよい。

また、取得部１３１は、ストアもしくは商品に対するユーザからの反応の数の推移、又は、ストアもしくは商品に対してユーザが評点した評価値の推移に関する情報を取得してもよい。すなわち、取得部１３１は、所定期間におけるレビューが投稿された数の増減や、評点の増減の推移を取得してもよい。これにより、取得部１３１は、かつてユーザから低い評価を得ていたストアが、近年では高い評価を受けるようになった等の傾向に関する情報を取得することができる。

また、取得部１３１は、例えば金融機関や財務管理企業等からストアの財務情報が取得可能な場合には、かかる情報を取得してもよい。後述する生成部１３２は、取得部１３１によって財務情報が取得された場合には、財務情報を加味して信用度を算出するようなモデルを生成してもよい。

また、取得部１３１は、ユーザにおける物流に関する情報を取得してもよい。例えば、取得部１３１は、物流に関する情報として、ユーザが商品を購入したのちに、当該商品を返品するための申し込みを行った返品申込み率（例えば、図５に示した「返品率」に相当する）を取得する。例えば、取得部１３１は、ユーザとストアとの取引を記憶しているウェブサーバ３０から情報を取得してもよいし、ユーザからストアへの返送を依頼された配送業者装置５０から情報を取得してもよい。

また、取得部１３１は、物流に関する情報として、ユーザが商品を発注したのちに、商品の発送や受取の前にキャンセルを行ったことを示す情報を取得してもよい。取得部１３１は、かかる情報に基づいて、図５に示した中途キャンセル率を算出し、算出した数値を取得してもよい。

また、取得部１３１は、物流に関する情報として、商品の配送に関するユーザレビューを取得してもよい。また、取得部１３１は、取得したユーザレビューに基づいて、図５に示したレビュー適性度を算出し、算出した数値を取得してもよい。

また、取得部１３１は、物流に関する情報として、商品の配送指定日時においてユーザが商品を受領したか否かを示す商品受領情報を取得してもよい。取得部１３１は、例えば、配送業者装置５０から商品受領情報を取得する。そして、取得部１３１は、取得した情報に基づいて、図５に示す配送成功率や配送日時変更率等を算出し、算出した数値を取得する。

また、取得部１３１は、物流に関する情報として、ユーザに対して商品を配送した配送業者から送信される情報であって、ユーザを評価した結果を示す評価情報を取得してもよい。取得部１３１は、例えば、配送業者装置５０から評価情報を取得する。そして、取得部１３１は、取得した情報に基づいて、図５に示す配送業者レビュー指標値等を算出し、算出した数値を取得する。

取得部１３１は、取得した情報を適宜記憶部１２０に記憶する。例えば、取得部１３１は、取得したストアに関する情報をストア情報記憶部１２１に記憶する。また、取得部１３１は、取得したユーザに関する情報をユーザ情報記憶部１２２に記憶する。

なお、取得部１３１は、情報を取得するストアやユーザを特定せずに、種々のストアやユーザの情報を無作為に取得してもよい。例えば、取得部１３１は、検索エンジン等に用いられる探索ロボットなどのプログラムを利用して、インターネット上をクロールさせることにより、ストアやユーザに関する情報を随時取得したり、取得した情報を更新したりしてもよい。

（生成部１３２について）
生成部１３２は、取得部１３１によって取得された物流に関する情報に基づいて、商取引の対象者の信用度を算出するモデルを生成する。

例えば、生成部１３２は、商取引の対象者として、商取引における商品の提供者（実施形態ではストア）の信用度を算出するモデルを生成する。

具体的には、生成部１３２は、取得部１３１によって取得された返品率に基づいて、ストアの信用度を算出するモデルを生成する。例えば、生成部１３２は、ストアにおける返品率が高いほど信用度が低く算出され、返品率が低いほど信用度が高く算出されるようなモデルを生成する。

また、生成部１３２は、取得部１３１によって取得された発送情報に基づいて、ストアの信用度を算出するモデルを生成する。具体的には、生成部１３２は、発送情報に基づいて算出される受注キャンセル率や在庫切れ商品率等に基づいてモデルを生成する。例えば、生成部１３２は、受注キャンセル率や在庫切れ商品率が高いほど信用度が低く算出され、受注キャンセル率や在庫切れ商品率が低いほど信用度が高く算出されるようなモデルを生成する。なお、生成部１３２は、在庫切れ平均期間が短いほど信用度が高く算出され、在庫切れ平均期間が長いほど信用度が低く算出されるようなモデルを生成してもよい。

また、生成部１３２は、ストアによる商品の発送に関するユーザレビューに基づいて、ストアの信用度を算出するモデルを生成する。具体的には、生成部１３２は、ユーザレビューに基づいて算出されるユーザレビュー指標値や、ユーザレビューとともに取得されるストア評価値等に基づいてモデルを生成する。例えば、生成部１３２は、ストア評価値やユーザレビュー指標値が高いほど信用度が高く算出され、ストア評価値やユーザレビュー指標値が低いほど信用度が低く算出されるようなモデルを生成する。

また、生成部１３２は、商取引の対象者として、商取引における商品の購入者（実施形態では、ショッピングモールにおけるユーザ）の信用度を算出するモデルを生成する。

例えば、生成部１３２は、ユーザが行う返品申込み率に基づいて、ユーザの信用度を算出するモデルを生成する。具体的には、生成部１３２は、返品申込み率（図５で示す返品率に相当）が高いほど信用度が低く算出され、返品申込み率が高いほど信用度が低く算出されるようなモデルを生成する。また、生成部１３２は、中途キャンセル率が高いほど信用度が低く算出され、中途キャンセル率が低いほど信用度が高く算出されるようなモデルを生成してもよい。

また、生成部１３２は、ストアによる商品の発送に関するユーザレビューに基づいて、ユーザの信用度を算出するモデルを生成する。具体的には、生成部１３２は、ユーザレビューに基づいて算出されるレビュー適性度等に基づいてモデルを生成する。例えば、生成部１３２は、レビュー適性度が高いほど信用度が高く算出され、レビュー適性度が低いほど信用度が低く算出されるようなモデルを生成する。

また、生成部１３２は、商品の配送指定日時においてユーザが当該商品を受領したか否かを示す商品受領情報に基づいて、ユーザの信用度を算出するモデルを生成する。具体的には、生成部１３２は、商品受領情報に基づいて算出される配送成功率や配送日時変更率等に基づいてモデルを生成する。例えば、生成部１３２は、配送成功率が高かったり配送日時変更率が低かったりするほど信用度が高く算出され、配送成功率が低かったり配送日時変更率が高かったりするほど信用度が低く算出されるようなモデルを生成する。

また、生成部１３２は、ユーザに対して商品を配送した配送業者から送信される情報であって、配送業者がユーザを評価した結果を示す評価情報に基づいて、ユーザの信用度を算出するモデルを生成する。具体的には、生成部１３２は、評価情報に基づいて算出される配送業者レビュー指標値に基づいてモデルを生成する。例えば、生成部１３２は、配送業者レビュー指標値が高いほど信用度が高く算出され、配送業者レビュー指標値が低いほど信用度が低く算出されるようなモデルを生成する。

例えば、生成部１３２は、図６や図７に示すような、対象となるストアやユーザの各素性の情報を入力し、入力した結果に対応する各素性のスコアを算出し、算出したスコアを合算して合計スコアを出力するようなモデルを生成する。

なお、生成部１３２が出力するモデルは、上記例に限らず、上記で例示したような物流に関する情報に基づいて信用度を算出する（数値化する）ことのできるモデルであれば、どのようなモデルであってもよい。

例えば、生成部１３２は、正例（例えば、ショッピングモールにおいて評価値の高い上位１０００件のストア）となるストアの各素性の結果情報と、負例（例えば、ショッピングモールにおいて評価値の低い下位１０００件のストア）となるストアの各素性の結果情報とを回帰式で学習させ、モデルを生成してもよい。例えば、生成部１３２は、下記式（１）を作成する。

ｙ ＝ ω_１・ｘ_１ ＋ ω_２・ｘ_２ ＋ ω_３・ｘ_３ ・・・＋ ω_Ｎ・ｘ_Ｎ ・・・（１）（Ｎは任意の数）

上記式（１）は、例えば、個々のストアごとに作成される。上記式（１）において、「ｙ」は、ストアが正例か負例かを示す。例えば、正例であれば、「ｙ」には「１」が入力され、負例であれば、「ｙ」には「０」が入力される。

また、上記式（１）において、「ｘ」は、ストアの素性情報であり、回帰式における説明変数に対応する。また、上記式（１）において、「ω」は、「ｘ」の係数であり、所定の重み値を示す。具体的には、「ω_１」は、「ｘ_１」の重み値であり、「ω_２」は、「ｘ_２」の重み値であり、「ω_３」は、「ｘ_３」の重み値である。このように、上記式（１）は、物流に関する情報から抽出された特徴情報に対応する説明変数「ｘ」と、所定の重み値「ω」とを含む変数（例えば、「ω_１・ｘ_１」）を組合せることにより作成される。例えば、上記式（１）において、「ｘ_１」は、図４で示した「返品率」であり、「ｘ_２」は、図４で示した「受注キャンセル率」である。

生成部１３２は、ストアごとに上記式（１）を生成する。そして、生成部１３２は、生成した式を機械学習のサンプルとする。そして、生成部１３２は、サンプルとなる式の演算処理（回帰学習）を行うことにより、所定の重み値「ω」に対応する値を導出する。すなわち、生成部１３２は、上記式（１）を満たすような所定の重み値「ω」を決定する。言い換えれば、生成部１３２は、所定の説明変数が目的変数「ｙ」に与える影響を示す重み値「ω」を決定する。例えば、「信用度（この例では、ショッピングモールにおける評価値）」という事象に対して、「返品率」が他の変数と比較して大きく寄与しているのであれば、「返品率」に対応する重み値「ω_１」の値は、他の変数と比較して大きな値が算出される。

なお、上記の例では、返品率や受注キャンセル率等を素性として示したが、返品率や受注キャンセル率が式（１）に代入される際には、所定の処理により、説明変数として利用可能な数値に変換されてもよい。例えば、生成部１３２は、既知の手法により、これらの数値を正規化して用いる。また、上記式（１）を用いた生成処理では、左辺を「１」や「０」とするのではなく、所定の誤差を想定し、かかる誤差との差異を２乗した値が最小値となるよう近似する最小二乗法などの手法を用いて、「ω」の最適解を算出してもよい。また、生成部１３２は、ショッピングモールにおける評価値の高いストアを正例とするのではなく、他の所定条件に適合するストアを正例とするなど、種々の設計変更を行ってもよい。また、生成部１３２は、ストアのみならず、ユーザについても、同様の手法でモデルを生成してもよい。

なお、上記の例では表記を省略したが、生成部１３２は、ストアやユーザに関するあらゆる素性を用いてモデルを生成してもよい。また、例示したモデルの生成手法は一例であり、生成部１３２が生成するモデルは上記の例に限られない。すなわち、生成部１３２は、物流に関する情報に基づいて生成されるモデルであって、商取引の対象者に関する情報が入力された場合に、商取引の対象者の信用度を出力するモデルであれば、既知の手法を組み合わせることによって、上記例とは異なるモデルを適宜生成してもよい。例えば、上記の例では、回帰分析によってモデルを生成する例を示したが、生成部１３２は、他の統計的処理によりモデルを生成してもよいし、また、ニューラルネットワークを利用したモデル等を生成してもよい。また、学習処理（機械学習）においては、線形回帰、ロジスティック回帰、サポートベクターマシン、決定木、ハザード分析等の種々の手法が利用されてもよい。

生成部１３２は、生成したストア用のモデルをストア用モデル記憶部１２３に格納する。また、生成部１３２は、生成したユーザ用のモデルをユーザ用モデル記憶部１２４に格納する。

（算出部１３３について）
算出部１３３は、商取引の対象者の信用度を算出する。具体的には、算出部１３３は、生成部１３２が生成したモデルに、ある商取引の対象者の情報を入力して、当該商取引の対象者の信用度を算出する。

例えば、算出部１３３は、生成部１３２が生成したストア用のモデルに、ストアにおける物流に関する情報を入力することにより、当該ストアのスコアを出力させる。出力されたスコアは、当該ストアの信用度を示す。また、算出部１３３は、生成部１３２が生成したユーザ用のモデルに、ユーザにおける物流に関する情報を入力することにより、当該ユーザのスコアを出力させる。出力されたスコアは、当該ユーザの信用度を示す。

算出部１３３は、出力されたスコアに基づいて、ストアやユーザの信用度を算出する。算出部１３３は、出力されたスコアそのものをストアやユーザの信用度としてもよいし、出力されたスコアを正規化する等の処理を行い、処理後に算出された値をストアやユーザの信用度としてもよい。例えば、算出部１３３は、モデルから出力されたスコアを１００段階の数値に正規化する処理を行い、処理後に算出された１から１００までの値をストアやユーザの信用度としてもよい。

例えば、算出部１３３は、ウェブサーバ３０からのリクエストを受け付けて、ユーザやストアの信用度を算出してもよいし、あるショッピングモールに関わる全てのユーザやストアの信用度を算出するようにしてもよい。

〔４．処理手順〕
次に、図８及び図９を用いて、実施形態に係る生成装置１００による生成処理の手順について説明する。図８は、実施形態に係る生成装置１００による処理手順を示すフローチャート（１）である。

図８に示すように、生成装置１００は、例えばウェブサーバ３０から、ストア及びユーザに関する情報を取得する（ステップＳ１０１）。また、生成装置１００は、配送業者から、商取引における物流に関する情報を取得する（ステップＳ１０２）。

そして、生成装置１００は、取得した情報を統計する（ステップＳ１０３）。生成装置１００は、統計処理の結果に基づいて、ユーザ及びストアの信用度を算出するためのそれぞれのモデルを生成する（ステップＳ１０４）。

続けて、生成装置１００は、生成したそれぞれのモデルを記憶部１２０内に格納する（ステップＳ１０５）。

次に、図９を用いて、実施形態に係る生成装置１００による信用度の算出処理の手順について説明する。図９は、実施形態に係る生成装置１００による処理手順を示すフローチャート（２）である。

図９に示すように、生成装置１００は、対象者の情報を取得したか否かを判定する（ステップＳ２０１）。生成装置１００は、情報を取得していない場合には、取得するまで待機する（ステップＳ２０１；Ｎｏ）。

一方、対象者の情報を取得した場合（ステップＳ２０１；Ｙｅｓ）、生成装置１００は、取得した情報をストア又はユーザ用のモデルに入力する（ステップＳ２０２）。

そして、生成装置１００は、モデルからスコアを出力させる（ステップＳ２０３）。さらに、生成装置１００は、出力させたスコアに基づいてストア又はユーザの信用度を算出する（ステップＳ２０４）。

〔５．変形例〕
上述した実施形態に係る生成装置１００は、上記実施形態以外にも種々の異なる形態にて実施されてよい。そこで、以下では、上記の生成装置１００の他の実施形態について説明する。

〔５−１．モデルに入力するデータ〕
上述した実施形態において、生成装置１００は、生成したモデルにストア又はユーザに関する情報を入力して、信用度を算出する例を示した。ここで、生成装置１００は、モデルを生成するために用いられた情報と、モデルに入力されるストア又はユーザの情報との取得時期を対応させるようにしてもよい。

生成装置１００が取得する情報は、ショッピングモール等の商取引サイトにおける情報であるため、時期的影響を受けた情報となる可能性がある。例えば、年末など取引が盛んに行われる時期と、それ以外の時期とでは、ストアごとの発送件数や在庫状況等に差が生じる可能性がある。このため、生成装置１００は、モデルを生成するために情報を取得した時期を記憶し、処理対象となるストア又はユーザの情報を入力する場合には、モデルの生成に用いられた情報が取得された時期と類似する時期に取得された情報を入力する。これにより、生成装置１００は、出力されるスコアの時期的影響を加味した生成処理を行うことができる。

〔５−２．情報量〕
上記実施形態において、生成装置１００は、ネットワーク上で取得可能な種々の情報に基づいて、モデルを生成する例を示した。ここで、生成装置１００は、各種ウェブサイトを利用する一般ユーザから取得される情報が一定の閾値を超えたもののみを用いて処理を行うようにしてもよい。

例えば、あるストアにおける商品に関するレビューや、ユーザの評価等は、一定数以上のデータに基づかない場合、偏った傾向を示すことがありうる。この場合、回帰式に偏った傾向のデータの影響が及ぶため、生成装置１００は、ストア又はユーザの信用度を精度よく算出することができないモデルを生成する場合がある。このため、生成装置１００は、ストアに対してユーザから送信された評点やレビューの総数が一定数を超えたもののみを、モデルの生成処理で扱うデータとしてもよい。これにより、生成装置１００は、信頼性の高いスコアを出力するモデルを生成することができる。

〔５−３．情報のバリエーション〕
上記実施形態において、生成装置１００は、ショッピングモール等に投稿されるユーザレビュー等に基づいてモデルを生成する例を示した。ここで、生成装置１００が扱う情報のバリエーションに関して、より詳細に説明する。

例えば、生成装置１００は、ユーザレビューに含まれる情報として、取得された単語を形態素解析し、品詞ごとに集計された情報を取得してもよい。具体的には、生成装置１００は、名詞のカテゴリを人、物、場所等へ分類した集計結果を取得する。また、生成装置１００は、各単語がポジティブ属性を有するか、ネガティブ属性を有するかといった分類結果や、メッセージが対話形式である場合、かかる対話の意図判定などの判定結果を取得してもよい。

また、生成装置１００は、ユーザから送信される音声情報を、ユーザレビューの一例として取得してもよい。すなわち、生成装置１００は、音声検索や音声入力などを利用するユーザから送信される音声を音声認識することにより、ユーザレビューに対応するテキスト情報として取得してもよい。

また、生成装置１００は、取得された単語に関して、特定の品詞のみを抽出してもよい。例えば、生成装置１００は、名詞や形容詞など、ストア又はユーザの状況を端的に表すことのできる品詞を処理に用いてもよい。これにより、生成装置１００は、生成するモデルの精度を低下させずに、処理負担を軽減させることができる。

また、生成装置１００は、予め登録された単語のみをスコア算出の処理に用いてもよい。例えば、生成装置１００は、「良い」や「悪い」、「（配送が）遅い」や「速い」等といった、物流への評価を端的に表すことのできる単語を処理に用いてもよい。かかる登録は、例えば、生成装置１００の管理者により行われる。

また、生成装置１００は、ユーザレビュー等のテキストデータを、ショッピングモールのプラットフォーム上に限らず、広くネットワーク上から取得してもよい。例えば、生成装置１００は、ＳＮＳや、ユーザのメールや、ショッピングモールに関する情報が掲載されたウェブページ等から、ユーザレビューに対応するようなテキストデータを取得してもよい。

〔５−４．信用度の可視化〕
生成装置１００は、算出した信用度を可視化する処理を行ってもよい。例えば、生成装置１００は、ユーザ又はストアから信用度の算出の要求を受け付けた場合には、要求に応じて、当該ユーザ又はストアの信用度を算出する。そして、生成装置１００は、例えばユーザ端末１０やストア端末２０の画面に、算出した信用度を表示させる。例えば、生成装置１００は、算出した信用度の数値を示してもよいし、所定のグラフで表示させてもよい。一例として、生成装置１００は、各素性情報のスコアが一目でわかるようなチャートや円グラフを用いて、ユーザ又はストアの信用度を可視化してもよい。

また、生成装置１００は、信用度を用いて、所定の処理を行ってもよい。例えば、生成装置１００（又はウェブサーバ３０）は、所定の閾値を超える信用度を有するユーザに対してノベルティがもらえる権利を付与したり、所定の閾値を超える信用度を有するストアはショッピングモールにおける評価値が高したりするといった処理を行ってもよい。

〔６．その他〕
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全部または一部を手動的に行うこともでき、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。

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。

例えば、図３に示した記憶部１２０内の情報は、生成装置１００が保持せずに、外部のストレージサーバ等に保持されてもよい。この場合、生成装置１００は、ストレージサーバにアクセスすることで、格納されている各種情報を取得する。

また、例えば、上述してきた生成装置１００は、各種情報を取得したり、ストアの信用度の算出要求を受け付けたりといった、外部装置とのやりとりを主に実行するフロントエンドサーバ側と、生成処理などを実行するバックエンドサーバ側とに分散されてもよい。この場合、例えば、フロントエンドサーバは、少なくとも、取得部１３１を有する。また、バックエンドサーバは、少なくとも、生成部１３２を有する。

〔７．ハードウェア構成〕
また、上述してきた実施形態に係る生成装置１００やユーザ端末１０等やストア端末２０やウェブサーバ３０や配送業者装置５０は、例えば図１０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。以下、生成装置１００を例に挙げて説明する。図１０は、生成装置１００の機能を実現するコンピュータ１０００の一例を示すハードウェア構成図である。コンピュータ１０００は、ＣＰＵ１１００、ＲＡＭ１２００、ＲＯＭ１３００、ＨＤＤ１４００、通信インターフェイス（Ｉ／Ｆ）１５００、入出力インターフェイス（Ｉ／Ｆ）１６００、及びメディアインターフェイス（Ｉ／Ｆ）１７００を有する。

ＣＰＵ１１００は、ＲＯＭ１３００又はＨＤＤ１４００に格納されたプログラムに基づいて動作し、各部の制御を行う。ＲＯＭ１３００は、コンピュータ１０００の起動時にＣＰＵ１１００によって実行されるブートプログラムや、コンピュータ１０００のハードウェアに依存するプログラム等を格納する。

ＨＤＤ１４００は、ＣＰＵ１１００によって実行されるプログラム、及び、かかるプログラムによって使用されるデータ等を記憶する。通信インターフェイス１５００は、通信網５００（図２に示すネットワークＮに対応する）を介して他の機器からデータを受信してＣＰＵ１１００へ送り、また、通信網５００を介してＣＰＵ１１００が生成したデータを他の機器へ送信する。

ＣＰＵ１１００は、入出力インターフェイス１６００を介して、ディスプレイやプリンタ等の出力装置、及び、キーボードやマウス等の入力装置を制御する。ＣＰＵ１１００は、入出力インターフェイス１６００を介して、入力装置からデータを取得する。また、ＣＰＵ１１００は、入出力インターフェイス１６００を介して生成したデータを出力装置へ出力する。

メディアインターフェイス１７００は、記録媒体１８００に格納されたプログラム又はデータを読み取り、ＲＡＭ１２００を介してＣＰＵ１１００に提供する。ＣＰＵ１１００は、かかるプログラムを、メディアインターフェイス１７００を介して記録媒体１８００からＲＡＭ１２００上にロードし、ロードしたプログラムを実行する。記録媒体１８００は、例えばＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。

例えば、コンピュータ１０００が生成装置１００として機能する場合、コンピュータ１０００のＣＰＵ１１００は、ＲＡＭ１２００上にロードされたプログラムを実行することにより、制御部１３０の機能を実現する。また、ＨＤＤ１４００には、記憶部１２０内の各データが格納される。コンピュータ１０００のＣＰＵ１１００は、これらのプログラムを記録媒体１８００から読み取って実行するが、他の例として、他の装置から通信網５００を介してこれらのプログラムを取得してもよい。

〔８．効果〕
上述してきたように、実施形態に係る生成装置１００は、取得部１３１と、生成部１３２とを有する。取得部１３１は、商取引の対象となる商品の物流に関する情報を取得する。生成部１３２は、取得部１３１によって取得された物流に関する情報に基づいて、商取引の対象者の信用度を算出するモデルを生成する。

このように、実施形態に係る生成装置１００は、商品の物流という観点から、商取引の対象者の信用度を算出するためのモデルを生成する。これにより、生成装置１００は、実際の商品の発送に関わる情報に基づいてモデルを生成することができるので、実情に即した信用度を算出することのできるモデルを生成することができる。結果として、生成装置１００は、多様な観点から商取引の対象者の信用度を判定することができる。

また、生成部１３２は、商取引の対象者として、商取引における商品の提供者（実施形態ではストア）の信用度を算出するモデルを生成する。

このように、実施形態に係る生成装置１００は、物流に関する情報に基づいて、商取引における商品の提供者の信用度を算出するモデルを生成することにより、当該提供者の信用度を多様な観点から判定することができる。

また、取得部１３１は、物流に関する情報として、提供者が商品を発送したのちに、当該商品が返品された返品率を取得する。生成部１３２は、返品率に基づいて、提供者の信用度を算出するモデルを生成する。

このように、実施形態に係る生成装置１００は、返品率に基づきモデルを生成することで、例えば、商品の返品が多い提供者や、商品の無駄な配送を発生させ易い提供者については信用度を低く算出するなど、多様な観点から提供者の信用度を判定することができる。

また、取得部１３１は、物流に関する情報として、提供者が商取引の注文を受け付けた際に商品の発送を完了することができたか否かを示す発送情報を取得する。生成部１３２は、発送情報に基づいて、提供者の信用度を算出するモデルを生成する。

このように、実施形態に係る生成装置１００は、発送情報に基づきモデルを生成することで、例えば、在庫不足によりキャンセルを発生させ易い提供者については信用度を低く算出するなど、多様な観点から提供者の信用度を判定することができる。

また、取得部１３１は、物流に関する情報として、提供者による商品の発送に関するユーザレビューを取得する。生成部１３２は、提供者による商品の発送に関するユーザレビューに基づいて、提供者の信用度を算出するモデルを生成する。

このように、実施形態に係る生成装置１００は、発送に関するユーザレビューに基づきモデルを生成することで、例えば、ユーザからの評判が悪い提供者や、商品の遅れを発生させ易い提供者については信用度を低く算出するなど、多様な観点から提供者の信用度を判定することができる。

また、生成部１３２は、商取引の対象者として、商取引における商品の購入者（実施形態ではユーザ）の信用度を算出するモデルを生成する。

このように、実施形態に係る生成装置１００は、物流に関する情報に基づいて、商取引における商品の購入者の信用度を算出するモデルを生成することにより、当該購入者の信用度を多様な観点から判定することができる。

また、取得部１３１は、物流に関する情報として、購入者が商品を購入したのちに、当該商品を返品するための申し込みを行った返品申込み率を取得する。生成部１３２は、返品申込み率に基づいて、購入者の信用度を算出するモデルを生成する。

このように、実施形態に係る生成装置１００は、返品申込み率に基づきモデルを生成することで、例えば、頻繁に返品を要求する購入者や、商品の配送量を無駄に増加させ易い購入者については信用度を低く算出するなど、多様な観点から購入者の信用度を判定することができる。

また、取得部１３１は、物流に関する情報として、商品の配送に関するユーザレビューを取得する。生成部１３２は、購入者による商品の発送に関するユーザレビューに基づいて、購入者の信用度を算出するモデルを生成する。

このように、実施形態に係る生成装置１００は、ユーザが記載するユーザレビューの適性度等に基づきモデルを生成することで、例えば、理不尽なクレームを頻繁に記載する等の行動をとる購入者については信用度を低く算出するなど、多様な観点から購入者の信用度を判定することができる。

また、取得部１３１は、物流に関する情報として、商品の配送指定日時において購入者が当該商品を受領したか否かを示す商品受領情報を取得する。生成部１３２は、商品受領情報に基づいて、購入者の信用度を算出するモデルを生成する。

このように、実施形態に係る生成装置１００は、商品の配送の完了の度合い（配送成功率）や、配送日時変更率等に基づきモデルを生成することで、例えば、単に商品を購入する頻度の高い購入者ではなく、円滑な物流に関心の高い購入者や、無駄な再配達を発生させない購入者に対して信用度を高く算出するなど、多様な観点から購入者の信用度を判定することができる。

また、取得部１３１は、物流に関する情報として、購入者に対して商品を配送した配送業者から送信される情報であって、購入者を評価した結果を示す評価情報を取得する。生成部１３２は、評価情報に基づいて、購入者の信用度を算出するモデルを生成する。

このように、実施形態に係る生成装置１００は、実際に商品を配送した業者の評判等に基づきモデルを生成することで、例えば、理不尽なクレームを配送業者に付けやすい購入者や、配送業者間で敬遠されやすい購入者に対して信用度を低く算出するなど、多様な観点から購入者の信用度を判定することができる。

以上、本願の実施形態及び実施形態の変形例のいくつかを図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の欄に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。

また、上述した生成装置１００は、複数のサーバコンピュータで実現してもよく、また、機能によっては外部のプラットフォーム等をＡＰＩ（Application Programming Interface）やネットワークコンピューティングなどで呼び出して実現するなど、構成は柔軟に変更できる。

また、特許請求の範囲に記載した「部（section、module、unit）」は、「手段」や「回路」などに読み替えることができる。例えば、生成部は、生成手段や生成回路に読み替えることができる。

１ 生成システム
１０ ユーザ端末
２０ ストア端末
３０ ウェブサーバ
５０ 配送業者装置
１００ 生成装置
１１０ 通信部
１２０ 記憶部
１２１ ストア情報記憶部
１２２ ユーザ情報記憶部
１２３ ストア用モデル記憶部
１２４ ユーザ用モデル記憶部
１３０ 制御部
１３１ 取得部
１３２ 生成部
１３３ 算出部

Claims (14)

1. 商取引の対象となる商品の物流に関する情報を取得する取得部と、
   前記取得部によって取得された物流に関する情報に基づいて、前記商取引の対象者のうち、当該商取引における商品の購入者の信用度を算出するモデルを生成する生成部と、
   を備え、
   前記取得部は、
   前記物流に関する情報として、前記商品の配送に関するユーザレビューを取得し、
   前記生成部は、
   前記購入者による商品の発送に関するユーザレビューに基づいて、当該購入者の信用度を算出するモデルを生成する、
   ことを特徴とする生成装置。
2. 商取引の対象となる商品の物流に関する情報を取得する取得部と、
   前記取得部によって取得された物流に関する情報に基づいて、前記商取引の対象者のうち、当該商取引における商品の購入者の信用度を算出するモデルを生成する生成部と、
   を備え、
   前記取得部は、
   前記物流に関する情報として、前記商品の配送指定日時において前記購入者が当該商品を受領したか否かを示す商品受領情報を取得し、
   前記生成部は、
   前記商品受領情報に基づいて、前記購入者の信用度を算出するモデルを生成する、
   ことを特徴とする生成装置。
3. 商取引の対象となる商品の物流に関する情報を取得する取得部と、
   前記取得部によって取得された物流に関する情報に基づいて、前記商取引の対象者のうち、当該商取引における商品の購入者の信用度を算出するモデルを生成する生成部と、
   を備え、
   前記取得部は、
   前記物流に関する情報として、前記購入者に対して前記商品を配送した配送業者から送信される情報であって、前記購入者を評価した結果を示す評価情報を取得し、
   前記生成部は、
   前記評価情報に基づいて、前記購入者の信用度を算出するモデルを生成する、
   ことを特徴とする生成装置。
4. 前記生成部は、
   さらに、前記商取引の対象者として、前記商取引における商品の提供者の信用度を算出するモデルを生成する、
   ことを特徴とする請求項１〜３のいずれか一つに記載の生成装置。
5. 前記取得部は、
   前記物流に関する情報として、前記提供者が前記商品を発送したのちに、当該商品が返品された返品率を取得し、
   前記生成部は、
   前記返品率に基づいて、前記提供者の信用度を算出するモデルを生成する、
   ことを特徴とする請求項４に記載の生成装置。
6. 前記取得部は、
   前記物流に関する情報として、前記提供者が商取引の注文を受け付けた際に商品の発送を完了することができたか否かを示す発送情報を取得し、
   前記生成部は、
   前記発送情報に基づいて、前記提供者の信用度を算出するモデルを生成する、
   ことを特徴とする請求項４又は５に記載の生成装置。
7. 前記取得部は、
   前記物流に関する情報として、前記提供者による商品の発送に関するユーザレビューを取得し、
   前記生成部は、
   前記提供者による商品の発送に関するユーザレビューに基づいて、前記提供者の信用度を算出するモデルを生成する、
   ことを特徴とする請求項４〜６のいずれか一つに記載の生成装置。
8. 前記取得部は、
   前記物流に関する情報として、前記購入者が前記商品を購入したのちに、当該商品を返品するための申し込みを行った返品申込み率を取得し、
   前記生成部は、
   前記返品申込み率に基づいて、前記購入者の信用度を算出するモデルを生成する、
   ことを特徴とする請求項１〜７のいずれか一つに記載の生成装置。
9. コンピュータが実行する生成方法であって、
   商取引の対象となる商品の物流に関する情報を取得する取得工程と、
   前記取得工程によって取得された物流に関する情報に基づいて、前記商取引の対象者のうち、当該商取引における商品の購入者の信用度を算出するためのモデルを生成する生成工程と、
   を含み、
   前記取得工程は、
   前記物流に関する情報として、前記商品の配送に関するユーザレビューを取得し、
   前記生成工程は、
   前記購入者による商品の発送に関するユーザレビューに基づいて、当該購入者の信用度を算出するモデルを生成する、
   ことを特徴とする生成方法。
10. 商取引の対象となる商品の物流に関する情報を取得する取得手順と、
    前記取得手順によって取得された物流に関する情報に基づいて、前記商取引の対象者のうち、当該商取引における商品の購入者の信用度を算出するためのモデルを生成する生成手順と、
    をコンピュータに実行させ、
    前記取得手順は、
    前記物流に関する情報として、前記商品の配送に関するユーザレビューを取得し、
    前記生成手順は、
    前記購入者による商品の発送に関するユーザレビューに基づいて、当該購入者の信用度を算出するモデルを生成する、
    ことを特徴とする生成プログラム。
11. コンピュータが実行する生成方法であって、
    商取引の対象となる商品の物流に関する情報を取得する取得工程と、
    前記取得工程によって取得された物流に関する情報に基づいて、前記商取引の対象者のうち、当該商取引における商品の購入者の信用度を算出するモデルを生成する生成工程と、
    を含み、
    前記取得工程は、
    前記物流に関する情報として、前記商品の配送指定日時において前記購入者が当該商品を受領したか否かを示す商品受領情報を取得し、
    前記生成工程は、
    前記商品受領情報に基づいて、前記購入者の信用度を算出するモデルを生成する、
    ことを特徴とする生成方法。
12. 商取引の対象となる商品の物流に関する情報を取得する取得手順と、
    前記取得手順によって取得された物流に関する情報に基づいて、前記商取引の対象者のうち、当該商取引における商品の購入者の信用度を算出するモデルを生成する生成手順と、
    をコンピュータに実行させ、
    前記取得手順は、
    前記物流に関する情報として、前記商品の配送指定日時において前記購入者が当該商品を受領したか否かを示す商品受領情報を取得し、
    前記生成手順は、
    前記商品受領情報に基づいて、前記購入者の信用度を算出するモデルを生成する、
    ことを特徴とする生成プログラム。
13. コンピュータが実行する生成方法であって、
    商取引の対象となる商品の物流に関する情報を取得する取得工程と、
    前記取得工程によって取得された物流に関する情報に基づいて、前記商取引の対象者のうち、当該商取引における商品の購入者の信用度を算出するモデルを生成する生成工程と、
    を含み、
    前記取得工程は、
    前記物流に関する情報として、前記購入者に対して前記商品を配送した配送業者から送信される情報であって、前記購入者を評価した結果を示す評価情報を取得し、
    前記生成工程は、
    前記評価情報に基づいて、前記購入者の信用度を算出するモデルを生成する、
    ことを特徴とする生成方法。
14. 商取引の対象となる商品の物流に関する情報を取得する取得手順と、
    前記取得手順によって取得された物流に関する情報に基づいて、前記商取引の対象者のうち、当該商取引における商品の購入者の信用度を算出するモデルを生成する生成手順と、
    をコンピュータに実行させ、
    前記取得手順は、
    前記物流に関する情報として、前記購入者に対して前記商品を配送した配送業者から送信される情報であって、前記購入者を評価した結果を示す評価情報を取得し、
    前記生成手順は、
    前記評価情報に基づいて、前記購入者の信用度を算出するモデルを生成する、
    ことを特徴とする生成プログラム。

Images