JP7376275B2 - Message sorting device, method, program, and system - Google Patents

Message sorting device, method, program, and system Download PDF

Info

Publication number
JP7376275B2
JP7376275B2 JP2019146405A JP2019146405A JP7376275B2 JP 7376275 B2 JP7376275 B2 JP 7376275B2 JP 2019146405 A JP2019146405 A JP 2019146405A JP 2019146405 A JP2019146405 A JP 2019146405A JP 7376275 B2 JP7376275 B2 JP 7376275B2
Authority
JP
Japan
Prior art keywords
message
destination
acquired
unit
delivery destination
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.)
Active
Application number
JP2019146405A
Other languages
Japanese (ja)
Other versions
JP2021026671A (en
Inventor
勇介 多川
皓亮 辻本
由衣 西嶋
恭彰 芳田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
MUFG Bank Ltd
Original Assignee
MUFG Bank Ltd
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 MUFG Bank Ltd filed Critical MUFG Bank Ltd
Priority to JP2019146405A priority Critical patent/JP7376275B2/en
Publication of JP2021026671A publication Critical patent/JP2021026671A/en
Application granted granted Critical
Publication of JP7376275B2 publication Critical patent/JP7376275B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Description

本発明は、電文を振り分けるための技術に関する。 The present invention relates to a technique for sorting messages.

従来、コンピュータ間で種々の電文が送受信されている（特許文献１等）。例えば、銀行等の金融機関では、コンピュータが、ＳＷＩＦＴ（Society for Worldwide Interbank Financial Telecommunication）の電文、日銀ネット（日本銀行金融ネットワークシステム）の電文等を取得し、事前に登録された配信ルール（つまり、どのようなパターンの電文であればどこへ配信するのかのルール）に従って、それらの電文を金融機関内の各部署等へ振り分けている。 Conventionally, various telegrams have been transmitted and received between computers (see Patent Document 1, etc.). For example, in financial institutions such as banks, computers acquire messages from SWIFT (Society for Worldwide Interbank Financial Telecommunication), BOJ-NET (Bank of Japan Financial Network System), etc., and use pre-registered distribution rules (i.e., These messages are distributed to various departments within the financial institution according to rules regarding what pattern of messages should be sent to where.

特開２０１３－２５０６６９号公報Japanese Patent Application Publication No. 2013-250669

しかしながら、事前に登録された配信ルールでは振り分けることができない電文（つまり、いずれの配信ルールにも該当しない新たなパターンの電文）が生じるたびに、新たな配信ルールを登録しなければならなかった。さらに、新たな配信ルールが登録されるまでは、人が、手動で電文を適切な部署等へ転送しなければならなかった。 However, a new distribution rule had to be registered each time a message that could not be sorted according to the pre-registered distribution rules (that is, a new pattern of message that did not apply to any distribution rule) was generated. Furthermore, until new distribution rules were registered, people had to manually forward messages to the appropriate department.

そこで、本発明は、電文の振り分けを容易にすることを目的とする。 Therefore, an object of the present invention is to facilitate the distribution of messages.

本発明の一態様は、電文が入力されると前記電文の配信先が出力される学習済みモデルと、電文を取得する電文取得部と、前記取得した電文を前記学習済みモデルに入力して、前記取得した電文の配信先を出力させる推論部と、を備える。 One aspect of the present invention includes a trained model that outputs a delivery destination of the message when a message is input, a message acquisition unit that acquires the message, and inputs the acquired message to the learned model, and an inference unit that outputs a distribution destination of the acquired message.

本発明によれば、電文の振り分けを容易にすることができる。 According to the present invention, it is possible to easily sort messages.

本発明の一実施形態に係る電文振分システムの全体の構成図である。1 is an overall configuration diagram of a message distribution system according to an embodiment of the present invention. 本発明の一実施形態に係る電文振分装置の機能ブロック図である。FIG. 2 is a functional block diagram of a message sorting device according to an embodiment of the present invention. 本発明の一実施形態に係る電文の種類を説明するための図である。FIG. 3 is a diagram for explaining types of messages according to an embodiment of the present invention. 本発明の一実施形態に係る配信ルールの例である。It is an example of the distribution rule based on one embodiment of this invention. 本発明の一実施形態に係る所定の形式の電文のモデル生成について説明するための図である。FIG. 3 is a diagram for explaining model generation of a message of a predetermined format according to an embodiment of the present invention. 本発明の一実施形態に係る所定の形式の電文のモデル生成について説明するための図である。FIG. 3 is a diagram for explaining model generation of a message of a predetermined format according to an embodiment of the present invention. 本発明の一実施形態に係るフリーフォーマットの電文のモデル生成について説明するための図である。FIG. 3 is a diagram for explaining model generation of a free format message according to an embodiment of the present invention. 本発明の一実施形態に係る電文振分処理を示すフローチャートである。It is a flowchart which shows message distribution processing concerning one embodiment of the present invention. 本発明の一実施形態に係る機械学習処理を示すフローチャートである。3 is a flowchart showing machine learning processing according to an embodiment of the present invention. 本発明の一実施形態に係る電文振分装置のハードウェア構成を示すブロック図である。FIG. 2 is a block diagram showing the hardware configuration of a message sorting device according to an embodiment of the present invention.

以下、図面に基づいて本発明の実施の形態を説明する。 Embodiments of the present invention will be described below based on the drawings.

なお、本明細書では、ＳＷＩＦＴ（Society for Worldwide Interbank Financial Telecommunication）の電文、日銀ネット（日本銀行金融ネットワークシステム）の電文の振り分けについて説明するが、本発明は、これらの電文に限らず、任意の電文の振り分けに適用することができる。 Although this specification describes the distribution of SWIFT (Society for Worldwide Interbank Financial Telecommunication) telegrams and Bank of Japan Net (Bank of Japan Financial Network System) telegrams, the present invention is not limited to these telegrams; It can be applied to sorting messages.

＜システム構成＞
図１は、本発明の一実施形態に係る電文振分システム１００の全体の構成図である。電文振分システム１００は、電文振分装置１０１および複数の配信先装置１０２を含む。以下、それぞれについて説明する。 <System configuration>
FIG. 1 is an overall configuration diagram of a message distribution system 100 according to an embodiment of the present invention. The message distribution system 100 includes a message distribution device 101 and a plurality of destination devices 102 . Each will be explained below.

なお、外部システム１０４は、電文振分装置１０１に電文を提供する任意のシステムである。外部システム１０４と電文振分装置１０１とは、任意のネットワーク１０３を介して通信可能に接続されている。 Note that the external system 104 is any system that provides messages to the message sorting device 101. The external system 104 and the message sorting device 101 are communicably connected via an arbitrary network 103.

電文振分装置１０１は、外部システム１０４から取得した電文を、適切な配信先（例えば、その電文を取り扱う業務を行なう部門（金融機関内の各部署等））へ振り分けるための装置である。電文振分装置１０１は、１または複数のコンピュータからなる。後段で、図２を参照しながら、電文振分装置１０１について詳細に説明する。 The message distribution device 101 is a device that distributes messages obtained from the external system 104 to appropriate distribution destinations (for example, departments (departments within a financial institution, etc.) that perform operations that handle the messages). The message sorting device 101 consists of one or more computers. In the latter part, the message sorting device 101 will be explained in detail with reference to FIG. 2.

配信先装置１０２は、電文振分装置１０１が振り分けた電文を取り扱うための装置（例えば、その電文を取り扱う業務を行なうためのシステム（金融機関内の各種システム等））である。配信先装置１０２は、１または複数のコンピュータからなる。配信先装置１０２と電文振分装置１０１とは、任意のネットワーク１０３を介して通信可能に接続されている。 The delivery destination device 102 is a device for handling the messages distributed by the message sorting device 101 (for example, a system (such as various systems within a financial institution) for performing operations that handle the messages). Delivery destination device 102 consists of one or more computers. The delivery destination device 102 and the message sorting device 101 are communicably connected via an arbitrary network 103.

＜機能ブロック＞
図２は、本発明の一実施形態に係る電文振分装置１０１の機能ブロック図である。電文振分装置１０１は、電文取得部２０１、判定部２０２（推論部２１０、事前判定部２２０）、配信部２０３、学習済みモデル格納部２１１、教師データ格納部２１２、機械学習部２１３、配信ルール格納部２２１を含むことができる。電文振分装置１０１は、プログラムを実行することで、電文取得部２０１、判定部２０２（推論部２１０、事前判定部２２０）、配信部２０３、機械学習部２１３として機能することができる。以下、それぞれについて説明する。 <Functional block>
FIG. 2 is a functional block diagram of the message sorting device 101 according to an embodiment of the present invention. The message sorting device 101 includes a message acquisition unit 201, a determination unit 202 (inference unit 210, preliminary determination unit 220), a distribution unit 203, a trained model storage unit 211, a teacher data storage unit 212, a machine learning unit 213, and a distribution rule. A storage unit 221 may be included. The message sorting device 101 can function as a message acquisition unit 201, a determination unit 202 (inference unit 210, preliminary determination unit 220), a distribution unit 203, and a machine learning unit 213 by executing a program. Each will be explained below.

電文取得部２０１は、外部システム１０４から、任意の電文を取得する。電文取得部２０１は、電文の種類を特定するための識別子を外部システム１０４から取得することによって、あるいは、取得した電文を解析することによって、取得した電文の種類を特定することができる。電文取得部２０１は、外部システム１０４から取得したデータを、判定部２０２が参照できるように任意のメモリに記憶する。 The message acquisition unit 201 acquires an arbitrary message from the external system 104. The message acquisition unit 201 can identify the type of the acquired message by acquiring an identifier for identifying the type of message from the external system 104 or by analyzing the acquired message. The message acquisition unit 201 stores the data acquired from the external system 104 in any memory so that the determination unit 202 can refer to it.

ここで、電文について説明する。電文は、例えば、ＳＷＩＦＴの電文、日銀ネットの電文等である。電文は、電文の内容に応じた様々な種類の電文に分類される。例えば、ＳＷＩＦＴの電文には、電文の内容に応じた様々な種類の電文がある。また、日銀ネットの電文には、電文の内容に応じた様々な種類の電文がある。 Here, the message will be explained. The message is, for example, a SWIFT message, a Bank of Japan Net message, or the like. Messages are classified into various types of messages depending on the content of the message. For example, there are various types of SWIFT messages depending on the content of the message. Furthermore, there are various types of telegrams on the BOJ Net depending on the content of the telegrams.

図３は、本発明の一実施形態に係る電文の種類を説明するための図である。図３に示されるように、電文は、電文の内容に応じて分類される。図３の例では、電文は、種類１～種類８（具体的には、ＳＷＩＦＴの決済電文であるＭＴ１０３、日銀ネットの決済電文であるＣＴ、ＳＷＩＦＴのメッセージ電文（フリーフォーマットのフィールドが大部分を占める電文）であるＭＴ１９９、ＭＴ２９９、ＭＴ７９９、ＭＴ９９９、ＭＴ１９１、ＭＴ７３０）といった複数の種類の電文に分類されている。 FIG. 3 is a diagram for explaining types of messages according to an embodiment of the present invention. As shown in FIG. 3, the messages are classified according to the content of the message. In the example in Figure 3, the messages are type 1 to type 8 (specifically, MT103, which is a SWIFT payment message, CT, which is a Bank of Japan Net payment message, and SWIFT message message (where most of the free format fields are It is classified into multiple types of messages such as MT199, MT299, MT799, MT999, MT191, and MT730).

なお、図３では、ＳＷＩＦＴの決済電文であるＭＴ１０３、日銀ネットの決済電文であるＣＴ、ＳＷＩＦＴのメッセージ電文（フリーフォーマットのフィールドが大部分を占める電文）であるＭＴ１９９、ＭＴ２９９、ＭＴ７９９、ＭＴ９９９、ＭＴ１９１、ＭＴ７３０を一例として説明したが、本発明は、これらの電文に限らず、任意の種類の電文に適用することができる。また。図３では、８種類の電文を一例として説明したが、本発明は、この個数に限らず、電文は任意の個数の種類の電文に分類されうる。 In addition, in FIG. 3, MT103 is a SWIFT payment message, CT is a Bank of Japan Net payment message, and MT199, MT299, MT799, MT999, and MT191 are SWIFT message messages (telegrams that are mostly free format fields). , MT730 has been described as an example, but the present invention is not limited to these messages, but can be applied to any type of message. Also. In FIG. 3, eight types of messages are explained as an example, but the present invention is not limited to this number, and the messages can be classified into any number of types of messages.

図２に戻る。判定部２０２は、電文取得部２０１が取得した電文の配信先を判定する。具体的には、推論部２１０は、機械学習により生成された学習済みモデルに基づいて電文の配信先を判定する。また、事前判定部２２０は、事前に登録された配信ルールに基づいて電文の配信先を判定する。以下、＜＜学習済みモデルに基づく判定＞＞および＜＜配信ルールに基づく判定＞＞について説明する。 Return to Figure 2. The determination unit 202 determines the destination of the message acquired by the message acquisition unit 201. Specifically, the inference unit 210 determines the destination of the message based on a learned model generated by machine learning. Further, the advance determination unit 220 determines the destination of the message based on distribution rules registered in advance. <<Determination based on trained model>> and <<Determination based on distribution rule>> will be described below.

なお、推論部２１０は、事前判定部２２０によって配信先を判定できなかった電文（つまり、いずれの配信ルールにも該当しない新たなパターンの電文）の配信先を判定する構成とすることもできる。＜＜学習済みモデルに基づく判定＞＞と＜＜配信ルールに基づく判定＞＞とを組み合わせることによって、配信ルールに基づき判定できる電文については確実に配信先を判定し、かつ、配信ルールに基づき判定できなかった電文については学習済みモデルを用いて配信先を推論し、人手を介さず正しい配信先へ配信される電文数を増加させることができる。 Note that the inference unit 210 may be configured to determine the distribution destination of a message whose distribution destination could not be determined by the advance determination unit 220 (that is, a message of a new pattern that does not correspond to any distribution rule). By combining <<Determination based on learned model>> and <<Determination based on delivery rule>>, for messages that can be determined based on the delivery rule, the delivery destination can be reliably determined, and the judgment can be made based on the delivery rule. For messages that cannot be delivered, the trained model is used to infer the delivery destination, and the number of messages delivered to the correct delivery destination can be increased without human intervention.

＜＜学習済みモデルに基づく判定＞＞
推論部２１０は、学習済みモデル格納部２１１に格納されている学習済みモデルを用いて、電文の配信先を推論する。具体的には、推論部２１０は、電文取得部２０１が取得した電文を学習済みモデルに入力することによって出力される配信先を、その電文の配信先として判定することができる。推論部２１０は、判定した配信先を、配信部２０３が参照できるように任意のメモリに記憶する。 <<Judgment based on trained model>>
The inference unit 210 uses the trained model stored in the trained model storage unit 211 to infer the destination of the message. Specifically, the inference unit 210 can determine the delivery destination output by inputting the message acquired by the message acquisition unit 201 into the trained model as the distribution destination of the message. The inference unit 210 stores the determined distribution destination in an arbitrary memory so that the distribution unit 203 can refer to it.

推論部２１０は、電文の種類に応じた学習済みモデルを用いて、電文の配信先を推論することができる。具体的には、推論部２１０は、電文取得部２０１が取得した電文を、その電文の種類に応じた学習済みモデルに入力することができる。また、推論部２１０は、電文を学習済みモデルに入力することによって出力される配信先を、その電文の配信先として判定することができる。 The inference unit 210 can infer the delivery destination of the message using a trained model according to the type of message. Specifically, the inference unit 210 can input the message acquired by the message acquisition unit 201 into a trained model according to the type of the message. Furthermore, the inference unit 210 can determine a delivery destination outputted by inputting a message into the trained model as the delivery destination of the message.

学習済みモデル格納部２１１は、機械学習により生成された学習済みモデルを格納している。学習済みモデル格納部２１１内の学習済みモデルは、電文が入力されるとその電文の配信先が出力される分類モデルである。学習済みモデル格納部２１１内の学習済みモデルは、電文の種類ごとに生成された分類モデル（例えば、ＭＴ１０３用の分類モデル、ＣＴ用の分類モデル、ＭＴ１９９用の分類モデル、ＭＴ２９９用の分類モデル、ＭＴ７９９用の分類モデル、ＭＴ９９９用の分類モデル、ＭＴ１９１用の分類モデル、ＭＴ７３０用の分類モデル）であってもよい。 The trained model storage unit 211 stores trained models generated by machine learning. The learned model in the trained model storage unit 211 is a classification model that outputs the delivery destination of a message when a message is input. The trained models in the trained model storage unit 211 include classification models generated for each type of message (for example, a classification model for MT103, a classification model for CT, a classification model for MT199, a classification model for MT299, The classification model may be a classification model for MT799, a classification model for MT999, a classification model for MT191, a classification model for MT730).

＜＜配信ルールに基づく判定＞＞
事前判定部２２０は、配信ルール格納部２２１に格納されている配信ルールに従って、電文の配信先を判定する。具体的には、事前判定部２２０は、電文の種類に応じた配信ルールを参照して、電文の配信先を判定することができる。事前判定部２２０は、判定した配信先を、配信部２０３が参照できるように任意のメモリに記憶する。 <<Judgment based on distribution rules>>
The advance determination unit 220 determines the destination of the message according to the distribution rule stored in the distribution rule storage unit 221. Specifically, the advance determination unit 220 can determine the destination of the message by referring to the distribution rule according to the type of message. The preliminary determination unit 220 stores the determined distribution destination in an arbitrary memory so that the distribution unit 203 can refer to it.

配信ルール格納部２２１は、事前に登録された配信ルールを格納している。配信ルール格納部２２１内の配信ルールは、電文の種類ごとに１または複数の配信ルール（例えば、ＭＴ１０３用の１または複数の配信ルール、ＣＴ用の１または複数の配信ルール、ＭＴ１９９用の１または複数の配信ルール、ＭＴ２９９用の１または複数の配信ルール、ＭＴ７９９用の１または複数の配信ルール、ＭＴ９９９用の１または複数の配信ルール、ＭＴ１９１用の１または複数の配信ルール、ＭＴ７３０用の１または複数の配信ルール）が登録されている。 The distribution rule storage unit 221 stores distribution rules registered in advance. The distribution rules in the distribution rule storage unit 221 include one or more distribution rules for each type of message (for example, one or more distribution rules for MT103, one or more distribution rules for CT, one or more distribution rules for MT199). a plurality of delivery rules, one or more delivery rules for MT299, one or more delivery rules for MT799, one or more delivery rules for MT999, one or more delivery rules for MT191, one or more delivery rules for MT730; multiple distribution rules) are registered.

図４は、本発明の一実施形態に係る配信ルールの例である。図４に示されるように、電文内の所定のフィールドに所定の文字または数字が含まれていると、所定の配信先に配信されるよう配信ルールが登録されている。 FIG. 4 is an example of a distribution rule according to an embodiment of the present invention. As shown in FIG. 4, a distribution rule is registered so that if a predetermined field in a message contains predetermined characters or numbers, the message is delivered to a predetermined destination.

図２に戻る。配信部２０３は、電文取得部２０１が取得した電文を、判定部２０２が判定した配信先に配信する。具体的には、配信部２０３は、電文取得部２０１が取得した電文を、判定部２０２が判定した配信先に紐付けられた配信先装置１０２（例えば、その電文を取り扱う業務を行なうためのシステム（金融機関内の各種システム等））に送信する。 Return to Figure 2. The distribution unit 203 distributes the message acquired by the message acquisition unit 201 to the distribution destination determined by the determination unit 202. Specifically, the distribution unit 203 transmits the message acquired by the message acquisition unit 201 to the destination device 102 (for example, a system for performing operations that handles the message) linked to the distribution destination determined by the determination unit 202. (various systems within financial institutions, etc.)).

機械学習部２１３は、入力データが電文であり出力データが電文の配信先である教師データを用いて機械学習することによって、電文が入力されるとその電文の配信先が出力される分類モデルを生成する。機械学習部２１３は、生成した学習済みモデルを学習済みモデル格納部２１１に格納する。 The machine learning unit 213 performs machine learning using training data in which the input data is a message and the output data is the destination of the message, thereby creating a classification model that outputs the destination of the message when the message is input. generate. The machine learning unit 213 stores the generated trained model in the trained model storage unit 211.

教師データ格納部２１２は、機械学習部２１３が用いる教師データを格納している。教師データ格納部２１２内の教師データは、入力データが電文であり出力データが電文の配信先である教師データである。 The teacher data storage unit 212 stores teacher data used by the machine learning unit 213. The teacher data in the teacher data storage unit 212 is teacher data whose input data is a message and whose output data is the destination of the message.

例えば、過去に金融機関等が取得した電文、および、それらの電文の配信先を教師データとすることができる。また、例えば、電文取得部２０１が取得した電文と、その電文の正しい配信先（例えば、誤った配信先に配信された場合には転送された正しい配信先）を教師データとすることができる。 For example, the teacher data may be telegrams acquired by a financial institution or the like in the past and the recipients of those telegrams. Further, for example, the message acquired by the message acquisition unit 201 and the correct distribution destination of the message (for example, the correct destination to which the message is transferred if the message is distributed to a wrong destination) can be used as the teacher data.

なお、本発明の一実施形態では、教師データ格納部２１２に格納されている電文の生データから、配信先の判定に用いる特徴量を抽出する。そのため、電文のフォーマットが変更されたとしても（例えば、外部システム等の外的要因によるフォーマットの変更があったとしても）、特徴量が変わりさえしなければ、生成済みの学習済みモデルを使用し続けることができる。 Note that, in an embodiment of the present invention, feature amounts used for determining the distribution destination are extracted from the raw data of the message stored in the teacher data storage unit 212. Therefore, even if the format of the message changes (for example, even if the format is changed due to external factors such as an external system), as long as the features do not change, the generated trained model can be used. I can continue.

以下、機械学習の方法についてより詳細に説明する。＜＜所定の形式の電文＞＞の場合と＜＜フリーフォーマットの電文＞＞の場合とに分けて説明する。 The machine learning method will be explained in more detail below. The case of <<predetermined format message>> and the case of <<free format message>> will be explained separately.

＜＜所定の形式の電文＞＞
図５および図６を参照しながら、所定の形式の電文の場合について説明する。所定の形式の電文とは、電文内の各フィールドの記述形式が規定されている電文である。例えば、所定の形式の電文は、ＭＴ１０３、ＣＴ等である。 <<Telegram in specified format>>
The case of a message in a predetermined format will be described with reference to FIGS. 5 and 6. A message in a predetermined format is a message in which the description format of each field within the message is defined. For example, the predetermined format of the message is MT103, CT, etc.

機械学習部２１３は、電文の生データから、電文内でその電文の特徴を表わしているフィールド（以下、特徴量と呼ぶ）を抽出し、ベクトル表を参照して、特徴量をベクトル化する。 The machine learning unit 213 extracts a field (hereinafter referred to as a feature amount) representing the feature of the message from the raw data of the message, and vectorizes the feature amount by referring to a vector table.

まず、ベクトル表の生成について説明する。ベクトル表は、電文内の単語と、その単語をベクトルで表現した単語ベクトルとの対応関係を示す。
・機械学習部２１３は、電文の生データ（図５の５０１）を教師データ格納部２１２から取得する。
・機械学習部２１３は、電文の生データから所定の特徴量（図５の５０２）を抽出する。上述のとおり、特徴量とは、電文内でその電文の特徴を表わしているフィールドである。所定の特徴量は、金融機関の担当者等によって指定されている。
・機械学習部２１３は、抽出した特徴量を構造化（図５の５０３）する。
・機械学習部２１３は、抽出した特徴量を用いて機械学習することによって、ベクトル表を生成する。 First, generation of a vector table will be explained. The vector table shows the correspondence between words in the message and word vectors representing the words as vectors.
- The machine learning unit 213 acquires the raw data of the message (501 in FIG. 5) from the teacher data storage unit 212.
- The machine learning unit 213 extracts a predetermined feature amount (502 in FIG. 5) from the raw data of the message. As described above, the feature amount is a field within a message that represents the characteristics of the message. The predetermined feature amount is designated by a person in charge of the financial institution or the like.
- The machine learning unit 213 structures the extracted feature amounts (503 in FIG. 5).
- The machine learning unit 213 generates a vector table by performing machine learning using the extracted feature amounts.

次に、所定の形式の電文の配信先を判定するための分類モデルの生成について説明する。
・機械学習部２１３は、電文の生データ（図６の６０１）を教師データ格納部２１２から取得する。
・機械学習部２１３は、電文の生データから所定の特徴量（図６の６０２）を抽出する。上述のとおり、特徴量とは、電文内でその電文の特徴を表わしているフィールドである。所定の特徴量は、金融機関の担当者等によって指定されている。
・機械学習部２１３は、抽出した特徴量を構造化（図６の６０３）する。
・機械学習部２１３は、ベクトル表を参照して、抽出した特徴量（つまり、所定のフィールドに記述されているテキスト等）をベクトルへ変換（図６の６０４）する。
・機械学習部２１３は、ベクトル化した特徴量を用いて機械学習することによって分類モデルを生成する。 Next, generation of a classification model for determining the delivery destination of a message in a predetermined format will be explained.
- The machine learning unit 213 acquires the raw data of the message (601 in FIG. 6) from the teacher data storage unit 212.
- The machine learning unit 213 extracts a predetermined feature amount (602 in FIG. 6) from the raw data of the message. As described above, the feature amount is a field within a message that represents the characteristics of the message. The predetermined feature amount is designated by a person in charge of the financial institution or the like.
- The machine learning unit 213 structures the extracted feature amounts (603 in FIG. 6).
- The machine learning unit 213 refers to the vector table and converts the extracted feature amount (that is, text written in a predetermined field, etc.) into a vector (604 in FIG. 6).
- The machine learning unit 213 generates a classification model by performing machine learning using vectorized feature amounts.

＜＜フリーフォーマットの電文＞＞
図７を参照しながら、フリーフォーマットの電文の場合について説明する。フリーフォーマットの電文とは、記述形式が規定されていないフィールド（フリーフォーマットのフィールド）を含む電文である。例えば、フリーフォーマットの電文は、ＭＴ１９９、ＭＴ２９９、ＭＴ７９９、ＭＴ９９９、ＭＴ１９１、ＭＴ７３０等である。 ＜＜Free format message＞＞
The case of a free format message will be explained with reference to FIG. A free format message is a message that includes fields for which the description format is not specified (free format fields). For example, free format telegrams include MT199, MT299, MT799, MT999, MT191, MT730, etc.

フリーフォーマットの電文の配信先を判定するための分類モデルの生成について説明する。
・機械学習部２１３は、電文の生データ（図７の７０１）を教師データ格納部２１２から取得する。
・機械学習部２１３は、電文の生データから所定の特徴量（図７の７０２）を抽出する。上述のとおり、特徴量とは、電文内でその電文の特徴を表わしているフィールドである。所定の特徴量は、金融機関の担当者等によって指定されている。所定の特徴量のうちの少なくとも１つの特徴量は、フリーフォーマットのフィールドである。
・機械学習部２１３は、抽出した特徴量を構造化（図７の７０３）する。
・機械学習部２１３は、抽出した特徴量（つまり、所定のフィールドに記述されているテキスト等）を数値へ変換（図７の７０４）する。
・機械学習部２１３は、数値化した特徴量を用いて機械学習することによって分類モデルを生成する。 Generation of a classification model for determining the delivery destination of a free format message will be explained.
- The machine learning unit 213 acquires the raw data of the message (701 in FIG. 7) from the teacher data storage unit 212.
- The machine learning unit 213 extracts a predetermined feature amount (702 in FIG. 7) from the raw data of the message. As described above, the feature amount is a field within a message that represents the characteristics of the message. The predetermined feature amount is designated by a person in charge of the financial institution or the like. At least one of the predetermined features is a free format field.
- The machine learning unit 213 structures the extracted feature amounts (703 in FIG. 7).
- The machine learning unit 213 converts the extracted feature amount (that is, text written in a predetermined field, etc.) into a numerical value (704 in FIG. 7).
- The machine learning unit 213 generates a classification model by performing machine learning using the numerical features.

このように、本発明の一実施形態では、電文の記述形式（例えば、＜＜所定の形式の電文＞＞＜＜フリーフォーマットの電文＞＞）に応じた機械学習の手法により分類モデルが生成される。 As described above, in one embodiment of the present invention, a classification model is generated using a machine learning method according to the description format of the message (for example, <<predetermined format message>><<free format message>>). Ru.

＜処理方法＞
図８は、本発明の一実施形態に係る電文振分処理を示すフローチャートである。 <Processing method>
FIG. 8 is a flowchart showing message distribution processing according to an embodiment of the present invention.

ステップ１１（Ｓ１１）において、電文取得部２０１は、外部システム１０４から、任意の電文を取得する。なお、電文取得部２０１は、電文の種類を特定するための識別子を外部システム１０４から取得することによって、あるいは、取得した電文を解析することによって、取得した電文の種類を特定することができる。 In step 11 (S11), the message acquisition unit 201 acquires an arbitrary message from the external system 104. Note that the message acquisition unit 201 can identify the type of the acquired message by acquiring an identifier for identifying the type of message from the external system 104 or by analyzing the acquired message.

ステップ１２（Ｓ１２）において、事前判定部２２０は、Ｓ１１で取得された電文の種類に応じた配信ルールを参照して、電文の配信先を判定することができる。 In step 12 (S12), the advance determination unit 220 can determine the destination of the message by referring to the distribution rule according to the type of message acquired in S11.

ステップ１３（Ｓ１３）において、事前判定部２２０は、Ｓ１２で配信先を判定できた場合にはステップ１５へ進み配信部２０３に電文を配信させ、Ｓ１２で配信先を判定できなかった場合にはステップ１６へ進み推論部２１０に電文の配信先を推論させる。 In step 13 (S13), if the advance determination unit 220 was able to determine the distribution destination in S12, the process proceeds to step 15 and causes the distribution unit 203 to distribute the message, and if the distribution destination could not be determined in S12, the advance determination unit 220 proceeds to step 15. 16, the inference unit 210 infers the delivery destination of the message.

なお、Ｓ１２およびＳ１３を省略して、Ｓ１１で取得されたすべての電文がステップ１４で学習済みモデルに基づいて配信先を判定されるようにしてもよい。 Note that S12 and S13 may be omitted, and the distribution destination of all messages acquired in S11 may be determined in step 14 based on the learned model.

ステップ１４（Ｓ１４）において、推論部２１０は、学習済みモデル格納部２１１に格納されている学習済みモデルを用いて、電文の配信先を推論する。具体的には、推論部２１０は、Ｓ１１で取得された電文を学習済みモデルに入力することによって出力される配信先を、その電文の配信先として判定することができる。 In step 14 (S14), the inference unit 210 uses the trained model stored in the trained model storage unit 211 to infer the destination of the message. Specifically, the inference unit 210 can determine the delivery destination output by inputting the message acquired in S11 into the learned model as the delivery destination of the message.

なお、推論部２１０は、Ｓ１１で取得された電文を、その電文の種類に応じた学習済みモデル（つまり、Ｓ１１で特定された種類に応じた学習済みモデル）に入力することができる。また、推論部２１０は、電文を学習済みモデルに入力することによって出力される配信先を、その電文の配信先として判定することができる。 Note that the inference unit 210 can input the message acquired in S11 into a trained model according to the type of the message (that is, a trained model according to the type specified in S11). Furthermore, the inference unit 210 can determine a delivery destination outputted by inputting a message into the trained model as the delivery destination of the message.

ステップ１５（Ｓ１５）において、配信部２０３は、Ｓ１１で取得された電文を、Ｓ１４（またはＳ１２）で判定された配信先に紐付けられた配信先装置１０２に送信する。その後、配信先装置１０２（金融機関内の各種システム等）は、振り分けられた電文を取り扱う業務（決済処理等）を行なうことができる。 In step 15 (S15), the distribution unit 203 transmits the message acquired in S11 to the distribution destination device 102 linked to the distribution destination determined in S14 (or S12). Thereafter, the destination device 102 (such as various systems within a financial institution) can perform operations (such as payment processing) that handle the distributed messages.

図９は、本発明の一実施形態に係る機械学習処理を示すフローチャートである。 FIG. 9 is a flowchart showing machine learning processing according to an embodiment of the present invention.

ステップ２１（Ｓ２１）において、機械学習部２１３は、電文の生データから所定の特徴量（例えば、電文内の所定のフィールド）を抽出する。 In step 21 (S21), the machine learning unit 213 extracts a predetermined feature amount (for example, a predetermined field within the message) from the raw data of the message.

ステップ２２（Ｓ２２）において、機械学習部２１３は、Ｓ２１で抽出した特徴量を構造化する。 In step 22 (S22), the machine learning unit 213 structures the feature amount extracted in S21.

ステップ２３（Ｓ２３）において、機械学習部２１３は、Ｓ２１で抽出した特徴量をベクトルへ変換（所定の形式の電文の場合）、または、数値へ変換（フリーフォーマットの電文の場合）する。 In step 23 (S23), the machine learning unit 213 converts the feature amount extracted in S21 into a vector (in the case of a message in a predetermined format) or into a numerical value (in the case of a message in a free format).

ステップ２４（Ｓ２４）において、機械学習部２１３は、Ｓ２３で変換されたベクトルまたは数値を用いて機械学習する。 In step 24 (S24), the machine learning unit 213 performs machine learning using the vector or numerical value converted in S23.

ステップ２５（Ｓ２５）において、機械学習部２１３は、Ｓ２３で機械学習することによって学習済みモデルを生成する。 In step 25 (S25), the machine learning unit 213 generates a learned model by performing machine learning in S23.

＜ハードウェア構成＞
図１０は、本発明の一実施形態に係る電文振分装置１０１のハードウェア構成を示すブロック図である。電文振分装置１０１は、ＣＰＵ（Central Processing Unit）１、ＲＯＭ（Read Only Memory）２、ＲＡＭ（Random Access Memory）３を有する。ＣＰＵ１、ＲＯＭ２、ＲＡＭ３は、いわゆるコンピュータを形成する。 <Hardware configuration>
FIG. 10 is a block diagram showing the hardware configuration of the message sorting device 101 according to an embodiment of the present invention. The message sorting device 101 includes a CPU (Central Processing Unit) 1, a ROM (Read Only Memory) 2, and a RAM (Random Access Memory) 3. CPU1, ROM2, and RAM3 form what is called a computer.

また、電文振分装置１０１は、補助記憶装置４、表示装置５、操作装置６、Ｉ／Ｆ（Interface）装置７、ドライブ装置８を有する。なお、電文振分装置１０１の各ハードウェアは、バス９を介して相互に接続されている。 Further, the message sorting device 101 includes an auxiliary storage device 4, a display device 5, an operating device 6, an I/F (Interface) device 7, and a drive device 8. Note that each piece of hardware of the message sorting device 101 is interconnected via a bus 9.

ＣＰＵ１は、補助記憶装置４にインストールされている各種プログラムを実行する演算デバイスである。 The CPU 1 is a calculation device that executes various programs installed in the auxiliary storage device 4.

ＲＯＭ２は、不揮発性メモリである。ＲＯＭ２は、補助記憶装置４にインストールされている各種プログラムをＣＰＵ１が実行するために必要な各種プログラム、データ等を格納する主記憶デバイスとして機能する。具体的には、ＲＯＭ２はＢＩＯＳ（Basic Input/Output System）やＥＦＩ（Extensible Firmware Interface）等のブートプログラム等を格納する、主記憶デバイスとして機能する。 ROM2 is a nonvolatile memory. The ROM 2 functions as a main storage device that stores various programs, data, etc. necessary for the CPU 1 to execute various programs installed in the auxiliary storage device 4 . Specifically, the ROM 2 functions as a main storage device that stores boot programs such as BIOS (Basic Input/Output System) and EFI (Extensible Firmware Interface).

ＲＡＭ３は、ＤＲＡＭ（Dynamic Random Access Memory）やＳＲＡＭ（Static Random Access Memory）等の揮発性メモリである。ＲＡＭ３は、補助記憶装置４にインストールされている各種プログラムがＣＰＵ１によって実行される際に展開される作業領域を提供する、主記憶デバイスとして機能する。 The RAM 3 is a volatile memory such as DRAM (Dynamic Random Access Memory) or SRAM (Static Random Access Memory). The RAM 3 functions as a main storage device that provides a work area in which various programs installed in the auxiliary storage device 4 are expanded when the CPU 1 executes them.

補助記憶装置４は、各種プログラムや、各種プログラムが実行される際に用いられる情報を格納する補助記憶デバイスである。 The auxiliary storage device 4 is an auxiliary storage device that stores various programs and information used when the various programs are executed.

表示装置５は、電文振分装置１０１の内部状態等を表示する表示デバイスである。 The display device 5 is a display device that displays the internal state of the message sorting device 101 and the like.

操作装置６は、電文振分装置１０１の管理者が電文振分装置１０１に対して各種指示を入力する入力デバイスである。 The operating device 6 is an input device through which the administrator of the message sorting device 101 inputs various instructions to the message sorting device 101.

Ｉ／Ｆ装置７は、ネットワーク１０３に接続し、配信先装置１０２および外部システム１０４と通信を行うための通信デバイスである。 The I/F device 7 is a communication device that connects to the network 103 and communicates with the destination device 102 and the external system 104.

ドライブ装置８は記憶媒体１０をセットするためのデバイスである。ここでいう記憶媒体１０には、ＣＤ－ＲＯＭ、フレキシブルディスク、光磁気ディスク等のように情報を光学的、電気的あるいは磁気的に記録する媒体が含まれる。また、記憶媒体１０には、ＥＰＲＯＭ (Erasable Programmable Read Only Memory)、フラッシュメモリ等のように情報を電気的に記録する半導体メモリ等が含まれていてもよい。 The drive device 8 is a device for setting the storage medium 10. The storage medium 10 herein includes a medium for recording information optically, electrically, or magnetically, such as a CD-ROM, a flexible disk, or a magneto-optical disk. Further, the storage medium 10 may include a semiconductor memory that records information electrically, such as an EPROM (Erasable Programmable Read Only Memory) or a flash memory.

なお、補助記憶装置４にインストールされる各種プログラムは、例えば、配布された記憶媒体１０がドライブ装置８にセットされ、該記憶媒体１０に記録された各種プログラムがドライブ装置８により読み出されることでインストールされる。あるいは、補助記憶装置４にインストールされる各種プログラムは、Ｉ／Ｆ装置７を介して、ネットワーク１０３とは異なる他のネットワークよりダウンロードされることでインストールされてもよい。 The various programs to be installed in the auxiliary storage device 4 can be installed, for example, by setting the distributed storage medium 10 in the drive device 8 and reading out the various programs recorded on the storage medium 10 by the drive device 8. be done. Alternatively, various programs to be installed in the auxiliary storage device 4 may be installed by being downloaded from a network different from the network 103 via the I/F device 7.

＜効果＞
このように、本発明の一実施形態では、外部システムから取得した電文を学習済みモデルに入力することによって出力される配信先を、その電文の配信先として判定することができる。そのため、電文を振り分けるための配信ルールを登録したり、新たな配信ルールが登録されるまで人が手動で電文を適切な部署等へ転送したりする必要がない。 <Effect>
In this way, in one embodiment of the present invention, a delivery destination output by inputting a message obtained from an external system into a trained model can be determined as the delivery destination of the message. Therefore, there is no need to register distribution rules for distributing messages, or to manually forward messages to appropriate departments until new distribution rules are registered.

また、本発明の一実施形態では、電文の内容に応じた電文の種類ごとに生成された学習済みモデルを用いて、電文の配信先を推論することができる。また、学習済みモデルは、電文の記述形式（例えば、＜＜所定の形式の電文＞＞＜＜フリーフォーマットの電文＞＞）に応じた機械学習の手法により生成される。そのため、より正確な配信先を推定することができる。 Furthermore, in an embodiment of the present invention, it is possible to infer the delivery destination of a message using a trained model generated for each type of message according to the content of the message. Further, the trained model is generated by a machine learning method according to the description format of the message (for example, <<predetermined format message>><<free format message>>). Therefore, a more accurate delivery destination can be estimated.

また、本発明の一実施形態では、電文の生データから特徴量を抽出して機械学習に用いている。そのため、電文のフォーマットが変更されたとしても（例えば、外部システム等の外的要因によるフォーマットの変更があったとしても）、生成済みの学習済みモデルを使用し続けることができる。 Further, in an embodiment of the present invention, feature amounts are extracted from raw data of a message and used for machine learning. Therefore, even if the format of the message is changed (for example, even if the format is changed due to external factors such as an external system), the generated trained model can continue to be used.

さらに、本発明の一実施形態では、配信ルールに基づき配信先が判定されなかった電文の配信先を推論するようにすることによって、人手を介さず正しい配信先へ配信される電文数を増加させることができる。 Furthermore, in an embodiment of the present invention, by inferring the delivery destination of a message whose delivery destination has not been determined based on the delivery rule, the number of messages delivered to the correct delivery destination can be increased without human intervention. be able to.

また、本発明の一実施形態では、配信ルールもしくは学習済みモデルが誤った判定をした場合に、転送された正しい配信先の情報を蓄積し学習することによって、再学習を行った学習済モデルで正しく判定を行うことができる。 Furthermore, in an embodiment of the present invention, when the distribution rule or the trained model makes an incorrect determination, the trained model is re-trained by accumulating and learning the correct information on the forwarded distribution destination. Able to make correct judgments.

以上、本発明の実施例について詳述したが、本発明は上述した特定の実施形態に限定されるものではなく、特許請求の範囲に記載された本発明の要旨の範囲内において、種々の変形・変更が可能である。 Although the embodiments of the present invention have been described in detail above, the present invention is not limited to the specific embodiments described above, and various modifications can be made within the scope of the gist of the present invention described in the claims. - Can be changed.

１００ 電文振分システム
１０１ 電文振分装置
１０２ 配信先装置
１０３ ネットワーク
１０４ 外部システム
２０１ 電文取得部
２０２ 判定部
２０３ 配信部
２１０ 推論部
２１１ 学習済みモデル格納部
２１２ 教師データ格納部
２１３ 機械学習部
２２０ 事前判定部
２２１ 配信ルール格納部 100 Message distribution system 101 Message distribution device 102 Delivery destination device 103 Network 104 External system 201 Message acquisition section 202 Judgment section 203 Distribution section 210 Inference section 211 Learned model storage section 212 Teacher data storage section 213 Machine learning section 220 Prior judgment Section 221 Distribution rule storage section

Claims (10)

金融機関で用いられる電文が入力されると前記電文の配信先が出力される学習済みモデルと、
前記金融機関で用いられる電文を取得する電文取得部と、
前記取得した電文を、前記取得した電文の種類に応じた前記学習済みモデルに入力して、前記取得した電文の配信先を出力させる推論部と
を備え、前記学習済みモデルは、前記電文の種類ごとに定められた所定のフィールドに記述されているテキストを教師データとして用いて機械学習されている、電文振分装置。 a trained model that outputs the delivery destination of the message when a message used in a financial institution is input;
a message acquisition unit that acquires a message used by the financial institution ;
an inference unit that inputs the acquired message to the trained model according to the type of the acquired message and outputs a delivery destination of the acquired message , the learned model is configured to input the learned model according to the type of the acquired message A message sorting device that performs machine learning using text written in a predetermined field as training data. 前記学習済みモデルは、前記電文の内容に応じた前記電文の種類ごとに生成される、請求項１に記載の電文振分装置。 The message sorting device according to claim 1, wherein the learned model is generated for each type of message according to the content of the message. 前記学習済みモデルは、前記電文の記述形式に応じた機械学習の手法により生成される、請求項１または２に記載の電文振分装置。 3. The message sorting device according to claim 1, wherein the learned model is generated by a machine learning method according to a description format of the message. 入力データが電文であり出力データが前記電文の配信先である教師データを用いて機械学習することによって、電文が入力されると前記電文の配信先が出力される前記学習済みモデルを生成する機械学習部、をさらに備えた請求項１から３のいずれか一項に記載の電文振分装置。 A machine that generates the learned model that outputs the delivery destination of the message when a message is input by performing machine learning using teacher data in which the input data is a message and the output data is the delivery destination of the message. The message sorting device according to any one of claims 1 to 3, further comprising a learning section. 前記機械学習部は、前記取得した電文と、推論した前記配信先または推論した前記配信先から転送された正しい配信先と、を教師データとする、請求項４に記載の電文振分装置。 5. The message sorting device according to claim 4, wherein the machine learning unit uses the acquired message and the inferred destination or a correct destination transferred from the inferred destination as training data. 電文の配信先を配信ルールに従って判定する事前判定部、をさらに備え、
前記推論部は、前記事前判定部によって配信先が判定されなかった電文の配信先を推論する、請求項１から５のいずれか一項に記載の電文振分装置。 further comprising a preliminary determination unit that determines the delivery destination of the message according to the delivery rule,
The message sorting device according to any one of claims 1 to 5, wherein the inference section infers a destination of a message whose destination has not been determined by the advance determination section. 推論した前記配信先に紐付けられた配信先装置に前記取得した電文を送信する配信部、
をさらに備えた請求項１から６のいずれか一項に記載の電文振分装置。 a distribution unit that transmits the acquired message to a distribution destination device linked to the inferred distribution destination;
The message sorting device according to any one of claims 1 to 6, further comprising: コンピュータが実行する方法であって、
金融機関で用いられる電文を取得するステップと、
前記金融機関で用いられる電文が入力されると前記電文の配信先が出力される学習済みモデルであって前記取得した電文の種類に応じた学習済みモデルに、前記取得した電文を入力して、前記取得した電文の配信先を出力させるステップと
を含み、前記学習済みモデルは、前記電文の種類ごとに定められた所定のフィールドに記述されているテキストを教師データとして用いて機械学習されている、方法。 A method performed by a computer, the method comprising:
a step of obtaining a telegram used by a financial institution ;
Inputting the obtained message into a trained model that outputs the delivery destination of the message when a message used by the financial institution is input, and which corresponds to the type of the obtained message , outputting a delivery destination of the acquired message, the trained model is machine learned using text written in a predetermined field determined for each type of message as training data. There is a way. コンピュータを、
金融機関で用いられる電文を取得する電文取得部、
前記金融機関で用いられる電文が入力されると前記電文の配信先が出力される学習済みモデルであって前記取得した電文の種類に応じた学習済みモデルに、前記取得した電文を入力して、前記取得した電文の配信先を出力させる推論部
として機能させ、前記学習済みモデルは、前記電文の種類ごとに定められた所定のフィールドに記述されているテキストを教師データとして用いて機械学習されている、プログラム。 computer,
A message acquisition department that acquires messages used by financial institutions ;
Inputting the obtained message into a trained model that outputs the delivery destination of the message when a message used by the financial institution is input, and which corresponds to the type of the obtained message , The learned model is operated as an inference unit that outputs the delivery destination of the acquired message, and the trained model is subjected to machine learning using text written in a predetermined field determined for each type of message as training data. Yes, there is a program. 電文振分装置と配信先装置とを含み、
金融機関で用いられる電文が入力されると前記電文の配信先が出力される学習済みモデルと、
前記金融機関で用いられる電文を取得する電文取得部と、
前記取得した電文を、前記取得した電文の種類に応じた前記学習済みモデルに入力して、前記取得した電文の配信先を出力させる推論部と、
推論した前記配信先に紐付けられた前記配信先装置に前記取得した電文を送信する配信部と
を備え、前記学習済みモデルは、前記電文の種類ごとに定められた所定のフィールドに記述されているテキストを教師データとして用いて機械学習されている、電文振分システム。 Including a message sorting device and a delivery destination device,
a trained model that outputs the delivery destination of the message when a message used in a financial institution is input;
a message acquisition unit that acquires a message used by the financial institution ;
an inference unit that inputs the acquired message to the trained model according to the type of the acquired message and outputs a delivery destination of the acquired message;
a distribution unit that transmits the acquired message to the distribution destination device linked to the inferred distribution destination, and the trained model is described in a predetermined field determined for each type of message. A message sorting system that is machine-learned using the existing text as training data .
JP2019146405A 2019-08-08 2019-08-08 Message sorting device, method, program, and system Active JP7376275B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2019146405A JP7376275B2 (en) 2019-08-08 2019-08-08 Message sorting device, method, program, and system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019146405A JP7376275B2 (en) 2019-08-08 2019-08-08 Message sorting device, method, program, and system

Publications (2)

Publication Number Publication Date
JP2021026671A JP2021026671A (en) 2021-02-22
JP7376275B2 true JP7376275B2 (en) 2023-11-08

Family

ID=74662395

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019146405A Active JP7376275B2 (en) 2019-08-08 2019-08-08 Message sorting device, method, program, and system

Country Status (1)

Country Link
JP (1) JP7376275B2 (en)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015045953A (en) 2013-08-27 2015-03-12 株式会社三井住友銀行 Forex transaction message distribution system, and forex transaction message distribution program
JP2018101351A (en) 2016-12-21 2018-06-28 キヤノンマーケティングジャパン株式会社 Information processing device, information processing method, and program
JP2019057311A (en) 2018-11-28 2019-04-11 株式会社東芝 Ledger sheet information recognition device and ledger sheet information recognition method
JP2019074907A (en) 2017-10-16 2019-05-16 株式会社三菱Ｕｆｊ銀行 Information processing apparatus and program

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015045953A (en) 2013-08-27 2015-03-12 株式会社三井住友銀行 Forex transaction message distribution system, and forex transaction message distribution program
JP2018101351A (en) 2016-12-21 2018-06-28 キヤノンマーケティングジャパン株式会社 Information processing device, information processing method, and program
JP2019074907A (en) 2017-10-16 2019-05-16 株式会社三菱Ｕｆｊ銀行 Information processing apparatus and program
JP2019057311A (en) 2018-11-28 2019-04-11 株式会社東芝 Ledger sheet information recognition device and ledger sheet information recognition method

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
柴田 秀哉 ほか，多クラス分類による電子メール誤送信検出手法，第３回データ工学と情報マネジメントに関するフォーラム 論文集 [online]，日本，電子情報通信学会 データ工学専門委員会，2011年02月28日，[検索日 2023.05.18], インターネット:<URL: https://db-event.jpn.org/deim2011/proceedings/pdf/b5-4.pdf>

Also Published As

Publication number Publication date
JP2021026671A (en) 2021-02-22

Similar Documents

Publication Publication Date Title
US10643154B2 (en) Transforming attributes for training automated modeling systems
CN108428132B (en) Fraud transaction identification method, device, server and storage medium
WO2019169756A1 (en) Product recommendation method and apparatus, and storage medium
Dimitrova et al. Some comments on Bitcoin market (in) efficiency
US20190340533A1 (en) Systems and methods for preparing data for use by machine learning algorithms
CN105051693B (en) Method, equipment and system for managing computer server capacity
KR102058683B1 (en) Method and apparatus for analyzing transaction of cryptocurrency
JP7337949B2 (en) Handling Categorical Field Values in Machine Learning Applications
Häggström Data‐driven confounder selection via Markov and Bayesian networks
WO2021174693A1 (en) Data analysis method and apparatus, and computer system and readable storage medium
CN110175850B (en) Transaction information processing method and device
CN112527630B (en) Test case generation method, device, computer equipment and storage medium
US20230023630A1 (en) Creating predictor variables for prediction models from unstructured data using natural language processing
JP2018116566A (en) Accounting processing system, accounting processing method and accounting processing program
CN115170319A (en) Abnormal account detection method, and method and device for constructing graph neural network model
CN112052663B (en) Customer service statement quality inspection method and related equipment
JP7376275B2 (en) Message sorting device, method, program, and system
KR102197110B1 (en) Asset trading and traceability system based on block chain
JP2023029604A (en) Apparatus and method for processing patent information, and program
US20230076149A1 (en) Methods and apparatus for data imputation of a sparse time series data set
US20210133853A1 (en) System and method for deep learning recommender
JP7178073B2 (en) Financing possible amount evaluation device, corporate value evaluating device, financing possible amount evaluation method, and financing possible amount evaluation program
Jaidhan et al. Application of big data analytics and pattern recognition aggregated with random forest for detecting fraudulent credit card transactions (CCFD-BPRRF)
CN114846459A (en) Method and apparatus for an intelligent and extensible pattern matching framework
JP6547341B2 (en) INFORMATION PROCESSING APPARATUS, METHOD, AND PROGRAM

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220704

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230523

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20230524

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230704

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: 20231017

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20231026

R150 Certificate of patent or registration of utility model

Ref document number: 7376275

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150