図面 (/)

技術 評価モデルのためのモデリング方法及び装置

出願人 アリババ・グループ・ホールディング・リミテッド
発明者 ヂャオ,シンドゥ,ウェイ
出願日 2017年7月14日 (3年4ヶ月経過) 出願番号 2019-503322
公開日 2019年9月26日 (1年2ヶ月経過) 公開番号 2019-527434
状態 特許登録済
技術分野
  • -
主要キーワード 基本変数 サーバ端 リスク確率 デフォルトイベント 技術的解決策 デフォルト確率 モデリング装置 信用レベル
関連する未来課題
重要な関連分野

この項目の情報は公開日時点(2019年9月26日)のものです。
また、この項目は機械的に抽出しているため、正しく解析できていない場合があります

図面 (5)

課題・解決手段

本願は、評価モデルのためのモデリング方法及び装置を提供する。該方法は、複数のモデリングシナリオから、モデリングサンプルが属するモデリングシナリオを示すシナリオ変数と、いくつかの基本変数とを含む該モデリングサンプルを別々に収集するステップと;複数のモデリングシナリオから収集されたモデリングサンプルに基づいてモデリングサンプルセットを作成するステップと;モデリングサンプルセットにおけるモデリングサンプルに基づいて、加法モデルであり、かつ基本変数からなるモデル部分とシナリオ変数からなるモデル部分とを加算することによって取得される評価モデルをトレーニングするステップと;を備える。本願において、モデリングの複雑性を減少させることができ、その結果、モデルに基づいて取得されるスコアが、異なるサービスシナリオに適用可能になる。

概要

背景

サービスリスクモデルは、サービスリスク評価を実行するための評価モデルである。従来技術においては、通常、特定のサービスシナリオからモデリングサンプルとして大量のサービスデータ収集することができ、モデリングサンプルが予め定義されたサービスリスクイベントを含むか否かに基づいてモデリングサンプルを分類する。次いで、統計収集モデル又は機械学習方法を用いてモデリングサンプルをトレーニング訓練、学習)し、サービスリスクモデルを構築する。

サービスリスクモデルを構築した後、該サービスリスクモデルにターゲットサービスデータを入力してリスク評価を実行し、サービスリスクイベントの確率を予測する。次いで、確率を対応するサービススコアに変換して、サービスリスクレベルに反映する。

しかし、実際には、比較的多数のサービスシナリオがある場合、通常、単一のシナリオに対して構築されたサービスリスクモデルを用いてサービスリスク評価を実行することにより取得されるサービススコアは、普遍的な(すべてに及ぶ、又はユニバーサルな)ものでなく、したがって複数の異なるサービスシナリオに適用することができない。

概要

本願は、評価モデルのためのモデリング方法及び装置を提供する。該方法は、複数のモデリングシナリオから、モデリングサンプルが属するモデリングシナリオを示すシナリオ変数と、いくつかの基本変数とを含む該モデリングサンプルを別々に収集するステップと;複数のモデリングシナリオから収集されたモデリングサンプルに基づいてモデリングサンプルセットを作成するステップと;モデリングサンプルセットにおけるモデリングサンプルに基づいて、加法モデルであり、かつ基本変数からなるモデル部分とシナリオ変数からなるモデル部分とを加算することによって取得される評価モデルをトレーニングするステップと;を備える。本願において、モデリングの複雑性を減少させることができ、その結果、モデルに基づいて取得されるスコアが、異なるサービスシナリオに適用可能になる。

目的

本願はさらに、上述の方法の実施に応じて、装置の実施を提供する

効果

実績

技術文献被引用数
0件
牽制数
0件

この技術が所属する分野

(分野番号表示ON)※整理標準化データをもとに当社作成

該当するデータがありません

ライセンス契約や譲渡などの可能性がある特許掲載中! 開放特許随時追加・更新中 詳しくはこちら

請求項1

評価モデルのためのモデリング方法であって:複数のモデリングシナリオからモデリングサンプルを別々に収集するステップであって、前記モデリングサンプルは、シナリオ変数といくつかの基本変数とを備え、前記シナリオ変数は、前記モデリングサンプルが属するモデリングシナリオを示す、ステップと;前記複数のモデリングシナリオから収集された前記モデリングサンプルに基づいてモデリングサンプルセットを作成するステップと;前記モデリングサンプルセット内の前記モデリングサンプルに基づいて評価モデルをトレーニングするステップであって、前記評価モデルは加法モデルであり、前記評価モデルは基本変数からなるモデル部分とシナリオ変数からなるモデル部分とを加算することにより取得される、ステップと;を備える、モデリング方法。

請求項2

各モデリングシナリオにおけるモデリングサンプルの数に基づいて、各モデリングシナリオのトレーニングサンプル重みを定義するステップであって、前記トレーニングサンプル重みは、前記モデリングシナリオ間のモデリングサンプル数の差のバランスを取るために用いられ、モデリングシナリオにおけるモデリングサンプルの数が少ないほど、前記シナリオに定義されるトレーニングサンプル重みが大きい、ステップをさらに備える、請求項1に記載のモデリング方法。

請求項3

ターゲットデータを収集するステップであって、前記ターゲットデータはシナリオ変数といくつかの基本変数とを備える、ステップと;ターゲットデータスコアを取得するために前記ターゲットデータを前記評価モデルに入力するステップであって、前記スコアは、前記評価モデルにおける前記いくつかの基本変数の対応するスコアと、前記評価モデルにおける前記シナリオ変数の対応するスコアとを加算することによって取得される、ステップと;をさらに備える、請求項1に記載のモデリング方法。

請求項4

前記ターゲットデータが属する前記モデリングシナリオにおいて前記ターゲットデータをスコア付けする必要がある場合に、前記評価モデルにおける前記いくつかの基本変数の前記対応するスコアと、前記評価モデルにおける前記シナリオ変数の前記対応するスコアとの合計を、前記ターゲットデータが属するモデリングシナリオに適用可能なスコアとして出力するステップをさらに備える、請求項3に記載のモデリング方法。

請求項5

前記複数のモデリングシナリオにおいて前記ターゲットデータをスコア付けする必要がある場合に、前記評価モデルにおける前記いくつかの基本変数の前記対応するスコアを、前記複数のモデリングシナリオに適用可能なスコアとして出力するステップをさらに備える、請求項4に記載のモデリング方法。

請求項6

評価モデルのためのモデリング装置であって:複数のモデリングシナリオから、モデリングサンプルを別々に収集するように構成された収集モジュールであって、前記モデリングサンプルはシナリオ変数といくつかの基本変数とを備え、前記シナリオ変数は前記モデリングサンプルが属するモデリングシナリオを示す、前記収集モジュールと;前記複数のモデリングシナリオから収集された前記モデリングサンプルに基づいてモデリングサンプルセットを作成するように構成された作成モジュールと;前記モデリングサンプルセット内の前記モデリングサンプルに基づいて評価モデルをトレーニングするように構成されたトレーニングモジュールであって、前記評価モデルは加法モデルであり、前記評価モデルは基本変数からなるモデル部分とシナリオ変数からなるモデル部分とを加算することによって取得される、前記トレーニングモジュールと;を備える、モデリング装置。

請求項7

前記作成モジュールは:各モデリングシナリオにおけるモデリングサンプルの数に基づいて、各モデリングシナリオのトレーニングサンプル重みを定義するようにさらに構成され、前記トレーニングサンプル重みは、前記モデリングシナリオ間のモデリングサンプル数の差のバランスを取るために用いられ、モデリングシナリオにおけるモデリングサンプルの数が少ないほど、前記シナリオに定義されるトレーニングサンプル重みが大きい、請求項6に記載のモデリング装置。

請求項8

前記収集モジュールは:シナリオ変数といくつかの基本変数とを含むターゲットデータを収集するようにさらに構成され、ターゲットデータスコアを取得するために前記ターゲットデータを前記評価モデルに入力するように構成されたスコア付与モジュールであって、前記スコアは、前記評価モデルにおける前記いくつかの基本変数の対応するスコアと、前記評価モデルにおける前記シナリオ変数の対応するスコアとを加算することによって取得される、前記スコア付与モジュールをさらに備える、請求項6に記載のモデリング装置。

請求項9

前記スコア付与モジュールは:前記ターゲットデータが属する前記モデリングシナリオにおいて前記ターゲットデータをスコア付けする必要がある場合に、前記評価モデルにおける前記いくつかの基本変数の前記対応するスコアと、前記評価モデルにおける前記シナリオ変数の前記対応するスコアとの合計を、前記ターゲットデータが属するモデリングシナリオに適用可能なスコアとして出力するようにさらに構成される、請求項8に記載のモデリング装置。

請求項10

前記スコア付与モジュールは:前記複数のモデリングシナリオにおいて前記ターゲットデータをスコア付けする必要がある場合に、前記評価モデルにおける前記いくつかの基本変数の前記対応するスコアを、前記複数のモデリングシナリオに適用可能なスコアとして出力するようにさらに構成される、請求項9に記載のモデリング装置。

技術分野

0001

本願はコンピュータ技術の分野に関し、特に、評価モデルのためのモデリング方法及び装置に関する。

背景技術

0002

サービスリスクモデルは、サービスリスク評価を実行するための評価モデルである。従来技術においては、通常、特定のサービスシナリオからモデリングサンプルとして大量のサービスデータ収集することができ、モデリングサンプルが予め定義されたサービスリスクイベントを含むか否かに基づいてモデリングサンプルを分類する。次いで、統計収集モデル又は機械学習方法を用いてモデリングサンプルをトレーニング訓練、学習)し、サービスリスクモデルを構築する。

0003

サービスリスクモデルを構築した後、該サービスリスクモデルにターゲットサービスデータを入力してリスク評価を実行し、サービスリスクイベントの確率を予測する。次いで、確率を対応するサービススコアに変換して、サービスリスクレベルに反映する。

0004

しかし、実際には、比較的多数のサービスシナリオがある場合、通常、単一のシナリオに対して構築されたサービスリスクモデルを用いてサービスリスク評価を実行することにより取得されるサービススコアは、普遍的な(すべてに及ぶ、又はユニバーサルな)ものでなく、したがって複数の異なるサービスシナリオに適用することができない。

0005

本願は、評価モデルのためのモデリング方法を提供し、この方法は:複数のモデリングシナリオからモデリングサンプルを別々に収集するステップであって、前記モデリングサンプルは、シナリオ変数といくつかの基本変数とを含み、前記シナリオ変数は、前記モデリングサンプルが属するモデリングシナリオを示す、ステップと;前記複数のモデリングシナリオから収集された前記モデリングサンプルに基づいてモデリングサンプルセットを作成するステップと;前記モデリングサンプルセット内の前記モデリングサンプルに基づいて評価モデルをトレーニングするステップであって、前記評価モデルは加法モデルであり、前記評価モデルは基本変数からなるモデル部分とシナリオ変数からなるモデル部分とを加算することにより取得される、ステップと;を含む。

0006

オプションとして、各モデリングシナリオにおけるモデリングサンプルの数に基づいて、各モデリングシナリオのトレーニングサンプル重みを定義するステップであって、前記トレーニングサンプル重みは、前記モデリングシナリオ間のモデリングサンプル数の差のバランスを取るために用いられ、モデリングシナリオにおけるモデリングサンプルの数が少ないほど、前記シナリオに定義されるトレーニングサンプル重みが大きい、ステップをさらに含む。

0007

オプションとして、ターゲットデータを収集するステップであって、前記ターゲットデータはシナリオ変数といくつかの基本変数とを含む、ステップと;ターゲットデータスコアを取得するために前記ターゲットデータを前記評価モデルに入力するステップであって、前記スコアは、前記評価モデルにおける前記いくつかの基本変数の対応するスコアと、前記評価モデルにおける前記シナリオ変数の対応するスコアとを加算することによって取得される、ステップと;をさらに含む。

0008

オプションとして、前記ターゲットデータが属する前記モデリングシナリオにおいて前記ターゲットデータをスコア付けする必要がある場合に、前記評価モデルにおける前記いくつかの基本変数の前記対応するスコアと、前記評価モデルにおける前記シナリオ変数の前記対応するスコアとの合計を、前記ターゲットデータが属するモデリングシナリオに適用可能なスコアとして出力するステップをさらに含む。

0009

オプションとして、前記複数のモデリングシナリオにおいて前記ターゲットデータをスコア付けする必要がある場合に、前記評価モデルにおける前記いくつかの基本変数の前記対応するスコアを、前記複数のモデリングシナリオに適用可能なスコアとして出力するステップをさらに含む。

0010

本願は、評価モデルのためのモデリング装置をさらに提供し、この装置は:複数のモデリングシナリオから、モデリングサンプルを別々に収集するように構成された収集モジュールであって、前記モデリングサンプルはシナリオ変数といくつかの基本変数とを含み、前記シナリオ変数は前記モデリングサンプルが属するモデリングシナリオを示す、前記収集モジュールと;前記複数のモデリングシナリオから収集された前記モデリングサンプルに基づいてモデリングサンプルセットを作成するように構成された作成モジュールと;前記モデリングサンプルセット内の前記モデリングサンプルに基づいて評価モデルをトレーニングするように構成されたトレーニングモジュールであって、前記評価モデルは加法モデルであり、前記評価モデルは基本変数からなるモデル部分とシナリオ変数からなるモデル部分とを加算することによって取得される、前記トレーニングモジュールと;を含む。

0011

オプションとして、前記作成モジュールは:各モデリングシナリオにおけるモデリングサンプルの数に基づいて、各モデリングシナリオのトレーニングサンプル重みを定義するようにさらに構成され、前記トレーニングサンプル重みは、前記モデリングシナリオ間のモデリングサンプル数の差のバランスを取るために用いられ、モデリングシナリオにおけるモデリングサンプルの数が少ないほど、前記シナリオに定義されるトレーニングサンプル重みが大きい。

0012

オプションとして、前記収集モジュールは:シナリオ変数といくつかの基本変数とを含むターゲットデータを収集するようにさらに構成される。

0013

前記装置はさらに:ターゲットデータスコアを取得するために前記ターゲットデータを前記評価モデルに入力するように構成されたスコア付与モジュールであって、前記スコアは、前記評価モデルにおける前記いくつかの基本変数の対応するスコアと、前記評価モデルにおける前記シナリオ変数の対応するスコアとを加算することによって取得される、前記スコア付与モジュールを含む。

0014

オプションとして、前記スコア付与モジュールは:前記ターゲットデータが属する前記モデリングシナリオにおいて前記ターゲットデータをスコア付けする必要がある場合に、前記評価モデルにおける前記いくつかの基本変数の前記対応するスコアと、前記評価モデルにおける前記シナリオ変数の前記対応するスコアとの合計を、前記ターゲットデータが属するモデリングシナリオに適用可能なスコアとして出力するようにさらに構成される。

0015

オプションとして、前記スコア付与モジュールは:前記複数のモデリングシナリオにおいて前記ターゲットデータをスコア付けする必要がある場合に、前記評価モデルにおける前記いくつかの基本変数の前記対応するスコアを、前記複数のモデリングシナリオに適用可能なスコアとして出力するようにさらに構成される。

0016

本願において、複数のモデリングシナリオからモデリングサンプルが別々に収集され、複数のサービスシナリオから収集されたモデリングサンプルに基づいて、モデリングサンプルセットが作成され、元の基本変数に基づいて、モデリングサンプルセットにおけるモデリングサンプルに対して該モデリングサンプルが属するモデリングシナリオを示すシナリオ変数が別々に定義され、次いで、モデリングサンプルセットにおけるモデリングサンプルに基づいて評価モデルがトレーニングされる。本願においては、モデリングのために複数のサービスシナリオにおけるモデリングサンプルがマージされ、モデリングサンプルのシナリオ間を区別するために、モデリングサンプルにシナリオ変数が用いられる。したがって、トレーニング済みの最終的な評価モデルは普遍的であり、該評価モデルを用いることによって、複数の異なるサービスシナリオに適用可能なスコアを取得することができる。

図面の簡単な説明

0017

図1は、本願の実施に係る、評価モデルのためのモデリング方法を示すフローチャートである。

0018

図2は、本願の実施に係る、評価モデルをトレーニングするために、複数のサービスシナリオにおけるモデリングサンプルをマージするフローチャートである。

0019

図3は、本願の実施に係る、評価モデルのためのモデリング装置を示す論理ブロック図である。

0020

図4は、本願の実施に係る、評価モデルのためのモデリング装置を含むサーバ端ハードウェアを示す構成図である。

実施例

0021

実際には、複数の異なるサービスシナリオに対してサービスリスク評価が実行された場合、通常、トレーニングされた評価モデルは異なるサービスシナリオに適用可能なものであることが期待される。

0022

例えば、該サービスがローンサービスである場合、通常、評価モデルは信用クレジットリスク評価モデルであることができ、複数の異なるサービスシナリオには、クレジットカードサービス住宅ローンサービス、自動車ローンサービス等の異なるローンサービスシナリオが含まれ得る。この場合は通常、信用リスク評価モデルによるサービスリスク評価を実行して取得される信用スコアは普遍的なものであり得ることが予想されるため、信用リスク評価モデルは、ローンサービス、クレジットカードサービス、及び消費者金融サービス等の異なるシナリオにおいてより良いパフォーマンスを発揮する。

0023

従来技術においては、上述の問題を解決するために、通常、以下のモデリング方法が存在する。

0024

方法1:リスク評価モデルは、単一のサービスシナリオから収集されたモデリングサンプルに基づいてトレーニングすることができ、次いで該評価モデルを用いることによって取得されるスコアを、他のサービスシナリオに直接適用する。この解決策では、モデルトレーニングの際に他のサービスシナリオは考慮されないため、単一のシナリオでトレーニングされたサービスリスクモデルによって取得されるサービススコアは普遍的なものではなく、したがって他のサービスシナリオにおけるサービスリスクモデルのパフォーマンスは保証されない。

0025

方法2:評価モデルは、複数の異なるサービスシナリオから収集されたモデリングサンプルに基づいて別々にトレーニングすることができ、サービスシナリオにおいてトレーニングされた評価モデルを用いることによってサービスリスク評価を別々に実行してスコアを取得する。次いで、評価モデルによって取得されたスコアの加重平均をとる。この解決策では、複数のサービスシナリオにおける加重平均によって取得される最終スコア普遍性は改善されるが、モデルをサービスシナリオごとにトレーニングする必要があるため、サービスシナリオが多いほど、モデルのトレーニング及び管理がより複雑になる。

0026

方法3:評価モデルは、依然として複数の異なるサービスシナリオから収集されたモデリングサンプルに基づいて別々にトレーニングすることができ、次いでサービスシナリオにおいてトレーニングされた評価モデルを組み合わせる。この解決策では、依然としてモデルをサービスシナリオごとにトレーニングする必要があり、したがって複数のモデルを同時に維持する必要がある。また、サービスシナリオが多いほど、モデルのトレーニング及び管理がより複雑になる。さらに、ニューラルネットワークアルゴリズムがモデルトレーニングに用いられる等、比較的複雑なモデリングアルゴリズムがモデルトレーニングに用いられた場合、サービスシナリオにおいてトレーニングされた評価モデルは簡単には組み合わせられないため、実施は比較的複雑になる。

0027

そこで、本願は評価モデルのためのモデリング方法を提供する。

0028

複数のモデリングシナリオからモデリングサンプルが別々に収集され、複数のシナリオから収集されたモデリングサンプルに基づいて、モデリングサンプルセットが作成され、元の基本変数に基づいて、モデリングサンプルセットにおけるモデリングサンプルに対して該モデリングサンプルが属するモデリングシナリオを示すシナリオ変数が別々に定義され、次いで、モデリングサンプルセットにおけるモデリングサンプルに基づいて評価モデルがトレーニングされる。

0029

本願においては、モデリングのために複数のシナリオにおけるモデリングサンプルがマージ(融合、併合)され、モデリングサンプルのシナリオ間を区別するために、モデリングサンプルにシナリオ変数が用いられる。したがって、トレーニング済みの最終的な評価モデルは普遍的なものであるので、該評価モデルを用いることによって、複数の異なるサービスシナリオに適用可能なスコアを取得することができる。

0030

以下に、具体的な実施及び具体的なアプリケーション(適用)シナリオを参照しながら本願について説明する。

0031

図1を参照すると、図1は、本願の一実施に係る、評価モデルのためのモデリング方法を示す図である。該方法は、サーバ端(サービングエンド)に適用され、以下のステップを含む。

0032

ステップ101:複数のモデリングシナリオからモデリングサンプルを別々に収集する。モデリングサンプルはシナリオ変数といくつかの基本変数とを含み、シナリオ変数はモデリングサンプルが属するモデリングシナリオを示す。

0033

ステップ102:複数のモデリングシナリオから収集されたモデリングサンプルに基づいてモデリングサンプルセットを作成する。

0034

ステップ103:モデリングサンプルセット内のモデリングサンプルに基づいて評価モデルをトレーニングする。評価モデルは加法モデルであり、且つ評価モデルは基本変数からなるモデルとシナリオ変数からなるモデルとを加算することによって取得される。

0035

サーバ端は、評価モデルをトレーニングするように構成された、サーバサーバクラスタ、又はサーバクラスタに基づいて構築されたクラウドプラットフォームを含むことができる。

0036

評価モデルは、収集された多数のモデリングサンプルをトレーニングした後に構築された加法モデルである。例えば、ユーザに対してリスク評価を実行する。評価モデルを用いて、特定のサービスシナリオから収集されたターゲットデータに対してリスク評価を実行し、ユーザスコアを取得することができる。ユーザスコアは、将来の一定期間におけるサービスリスク確率を測定するために用いられる。

0037

例えば、該サービスがローンサービスである場合、評価モデルは信用リスク評価モデルであり得る。信用リスク評価モデルを用いて、特定のローンサービスシナリオから収集されたサービスサンプルに対して信用リスク評価を実行し、対応する信用スコアを取得することができる。信用スコアは、将来の一定期間におけるユーザの信用デフォルト確率を測定するために用いられる。

0038

実際には、モデリングサンプル及びターゲットデータのそれぞれは、サービスリスクに対する影響度が比較的高いいくつかの基本変数を含むことができる。

0039

例えば、該評価モデルが信用リスク評価モデルである場合、モデリングサンプル及びターゲットデータに含まれる基本変数は、信用リスクに影響を与える変数であり得る。例えば、信用リスクに影響を与える変数は、ユーザの収入支出データ、ローン履歴データ、及びユーザの雇用状況を含むことができる。

0040

モデリングサンプル及びターゲットデータに含まれる基本変数の選択は、本例示に限定されない。本願に記載の技術的解決策を実施する場合、当業者は従来技術における文献を参照することができる。

0041

本例示では、評価モデルをトレーニングするとき、サーバ端が複数のサービスシナリオからモデリングサンプルを別々に収集し、さらに、複数の異なるサービスシナリオから収集されたモデリングサンプルに含まれた元の基本変数に基づいて、シナリオ変数を用いることができる。

0042

複数のサービスシナリオのそれぞれは、モデリングシナリオと呼ぶことができる。用いられる該シナリオ変数は、該モデリングサンプルが属するモデリングシナリオ(すなわち、サービスシナリオ)を示すために用いられる。

0043

シナリオ変数がサービスシナリオにおけるモデリングサンプルに用いられた後、モデリングのために複数の異なるサービスシナリオにおけるモデリングサンプルをマージすることができる。これによって、モデリングの複雑性を軽減することができる。さらに、トレーニングされたサービスリスクモデルは普遍的なものであるので、複数の異なるサービスシナリオに適用可能である。

0044

図2を参照すると、図2は、本例示において、モデリングのために複数の異なるサービスシナリオにおけるモデリングサンプルをマージすることを示す概略図である。

0045

リスクイベントはサービスシナリオに対して別々に定義され、異なるサービスシナリオに対して定義されるリスクイベントは、互いに独立し、かつ互いに異なり得る。

0046

例えば、該サービスがローンサービスである場合、信用デフォルトイベントは、通常、クレジットカードサービス、住宅ローンサービス、及び自動車ローンサービス等の異なるローンサービスシナリオにおけるリスクイベントとして定義することができ、異なるローンシナリオにおける信用デフォルトイベントの定義は、互いに異なり得る。例えば、クレジットカードのクレジット発行融資)シナリオにおいて、30日を超える繰り延べ返済イベントを信用デフォルトイベントとして定義することができる。住宅ローンの融資シナリオにおいて、90日を超える繰り延べ返済イベントを信用デフォルトイベントとして定義することができる。自動車ローンの融資シナリオにおいて、60日を超える繰り延べ返済イベントを信用デフォルトイベントとして定義することができる。言い換えれば、信用デフォルトイベントを、それぞれのローンシナリオに対して別々に定義することができる。

0047

リスクイベントをサービスシナリオに対して別々に定義した後、サーバ端は、サービスシナリオからモデリングサンプルを別々に収集し、サービスシナリオに対して別々に定義されたリスクイベントが収集されたモデリングサンプルに含まれているか否かを特定して、サービスシナリオから収集されたモデリングサンプルを良好なサンプルと不良なサンプルとに分類する。

0048

モデリングサンプルに良好なサンプルのみ、又は不良なサンプルのみが含まれている場合、通常、完全にトレーニングされた評価モデルは十分な精度を有していない。したがって、収集されたモデリングサンプルを良好なサンプルと不良なサンプルとに分類することによって、モデリングサンプルを強化することができ、以って良好なサンプルと不良なサンプルは、モデリングサンプルにおいて一定の割合をそれぞれに占める。これにより、サービスリスク評価の際にトレーニング済みの最終的な評価モデルの精度を向上させることができる。

0049

本例示において、サービスシナリオから一定数のモデリングサンプルを収集した後、サーバ端は、サービスシナリオに対してモデリングを別々に実行するのではなく、モデルトレーニングのためにサービスシナリオから収集されたモデリングサンプルをマージする。

0050

図2を参照すると、サービスシナリオから収集されたモデリングサンプルをマージするとき、サーバ端は、サービスシナリオから収集されたモデリングサンプルをまとめてモデリングサンプルセットを生成することができる。モデリングサンプルセットは、サービスシナリオから収集されたモデリングサンプルを含む。

0051

モデリングサンプルセットにおけるモデリングサンプルは、モデリングシナリオを示すためのシナリオ変数を含む。

0052

ここで示す実施において、シナリオ変数は具体的には量子化されたラベル値であり得る。例えば、それぞれのサービスシナリオに対して、対応するラベル値を定義することができる。例えば、図2に示すように、ラベル値1は、シナリオ1からのモデリングサンプルに対して定義され、該モデリングサンプルがシナリオ1からのものであることを示し、ラベル値2は、シナリオ2からのモデリングサンプルに対して定義され、該モデリングサンプルがシナリオ2からのものであることを示す。

0053

サーバ端がモデリングサンプルに対してシナリオ変数を定義するとき、一実施においては、サーバ端は、サービスシナリオからモデリングサンプルが収集され次第、モデリングサンプルに対してシナリオ変数を定義することができ、他の実施においては、サーバ端は、サービスシナリオから収集されたモデリングサンプルに基づいてモデリングサンプルセットが生成された後に、モデリングサンプルセットにおけるモデリングサンプルのそれぞれに対してシナリオ変数を定義することができる。実施は本例示に制限されない。

0054

ここで示す実施において、サーバ端によってサービスシナリオから収集されたモデリングサンプルの数が互いに異なり得るため、サーバ端は、各サービスシナリオから収集されたモデリングサンプルの数に基づいて、各サービスシナリオに対してトレーニングサンプル重みを定義することができる。

0055

トレーニングサンプル重みは、サービスシナリオ間のモデリングサンプル数の差のバランスを取るために用いられる。実際には、トレーニングサンプル重みは、評価モデルをトレーニングするときに用いる必要がある各サービスシナリオにおけるモデリングサンプルの数を表す重み値であり得る。

0056

重み値は、各サービスシナリオにおけるモデリングサンプルの実際の数と負の相関関係を有する。言い換えれば、モデリングサンプルの数が少ないほど、より大きなトレーニングサンプル重みが定義されることを示す。

0057

この場合、比較的多数のモデリングサンプルを有する特定のサービスシナリオに対して、比較的小さなトレーニングサンプル重みを設定することができる。同様に、比較的少数のモデリングサンプルを有する特定のサービスシナリオに対して、比較的大きなトレーニングサンプル重みを設定することができる。

0058

トレーニングサンプル重みの具体的な値は、実際の要求に基づいてユーザが手動で設定することができる。例えば、集中モデリングのために複数のサービスシナリオにおけるモデリングサンプルをマージするとき、トレーニングされたモデルが特定のサービスシナリオをより重要視することをユーザが期待している場合、ユーザは手動でサービスシナリオのトレーニングサンプル重みをより大きい値に設定することができる。

0059

本例示においては、サーバ端がモデリングサンプルセットからモデリングサンプルを読み出して評価モデルをトレーニングするプロセスにおいて、サービスシナリオ間のモデリングサンプル数の差のバランスを取るために、以下の実施が用いられる。

0060

一実施において、比較的大きなトレーニングサンプル重みを有するサービスシナリオに対して、サーバ端は、該サービスシナリオにおけるモデリングサンプルを優先的に用いてモデリングに参加することができる。比較的小さなトレーニングサンプル重みを有するサービスシナリオに対して、サーバ端は、具体的な重み値に基づいて、サービスシナリオにおいて用いられるモデリングサンプルの数を適切に制御することができる。したがって、比較的大きなトレーニングサンプル重みを有するサービスシナリオにおけるモデリングに参加するモデリングサンプルの数は、比較的小さなトレーニングサンプル重みを有するサービスシナリオにおけるモデリングに参加するモデリングサンプルの数と一致する傾向がある。

0061

他の実施において、比較的大きなトレーニングサンプル重みを有するサービスシナリオに対して、サーバ端は、デフォルトで該サービスシナリオにおける全てのモデリングサンプルを用いてモデリングに参加することができる。比較的小さなトレーニングサンプル重みを有するサービスシナリオに対して、サーバ端は、具体的な重み値に基づいて、サービスシナリオにおいてモデリングサンプルを適切に繰り返し用いることができる。したがって、比較的大きなトレーニングサンプル重みを有するサービスシナリオにおけるモデリングに参加するモデリングサンプルの数は、比較的小さなトレーニングサンプル重みを有するサービスシナリオにおけるモデリングに参加するモデリングサンプルの数と一致する傾向がある。

0062

このように、サービスリスクモデルがトレーニングされる際の、サービスシナリオ間のモデリングサンプル数の差がトレーニング済みの最終的なサービスリスクモデルのサービス評価精度に与える影響度合い最大限に軽減させることができる。

0063

本例示において、サービスシナリオから収集されたモデリングサンプルに基づいてサーバ端がモデリングサンプルセットを生成し、モデリングサンプルセットにおけるモデリングサンプルに対して別々にシナリオ変数を定義した後、サーバ端は、所定のモデリングアルゴリズムに基づいてモデリングサンプルセットにおけるモデリングサンプルをトレーニングサンプルとして用い、評価モデルを構築することができる。

0064

なお、実際には、通常、評価モデルは加法モデル(Additive Model)である。したがって、サーバ端が評価モデルをトレーニングするときに用いられるモデリング方法は、スコアカード又は回帰分析等の加法モデルのモデリング方法であることができる。

0065

本実施の加法モデルは、通常、基本変数からなるモデル部分と、シナリオ変数からなるモデル部分とを加算することによって取得されるものと表現することができる。本実施において、上述のターゲットデータを加法モデルに入力した後、各変数に対して対応するスコアが取得される。したがって、本実施において加法モデルによって取得されるスコアは、通常、評価モデルにおけるターゲットデータの基本変数の対応するスコアと、評価モデルにおけるターゲットデータのシナリオ変数の対応するスコアとの合計を加算することによって取得される。

0066

図2を参照すると、評価モデルのトレーニングによって取得されるスコアをf(X,P)と仮定し、Xは基本変数を表し、Pはシナリオ変数を表し、モデルにおける基本変数Xの対応するスコアはf1(X)であり、モデルにおけるシナリオ変数Pの対応するスコアはf2(P)であり、f(X,P)はf1(X)+f2(P)と表すことができる。

0067

サーバ端がサービスリスクモデルをトレーニングするときに用いられるモデリングツールは、例えば、SAS(Statistical Analysis System、統計解析システム)、又はSPSS(Statistical Product and Service Solutions、統計的製品及びサービスソリューション)等の比較的成熟したデータマイニングツールであり得る。

0068

さらに、本例示において、評価モデルをトレーニングする具体的な処理及び評価モデルをトレーニングした後の該評価モデルの性能を評価する処理の詳細については、本例示では省略する。本願に開示の技術的解決策を実施する際に、当業者は従来技術の文献を参照することができる。

0069

本例示において、評価モデルをトレーニングした後、サーバ端はリアルタイムでターゲットデータを収集し、該評価モデルを用いることによってリスク評価を実行することができる。

0070

サーバ端がトレーニングされた評価モデルを用いることによってリスク評価を実行するとき、収集されたターゲットデータは、任意のサービスシナリオからのサービスデータであることができ、サービスサンプルに含まれる変数の種類は、モデリングサンプルに含まれる変数の種類と一致する必要がある。言い換えれば、ターゲットサービスもまた、モデリングサンプルの変数と同じ種類のシナリオ変数及びいくつかの基本変数を含み得る。

0071

任意のサービスシナリオからターゲットデータを収集した後、サーバ端はターゲットデータを評価モデルに入力し、対応するスコアを取得することで、評価モデルを用いたターゲットデータに対するリスク評価を実行することができる。取得されるスコアは、評価モデルにおけるターゲットデータのいくつかの基本変数の対応するスコアと、評価モデルにおけるターゲットデータのシナリオ変数の対応するスコアとを加算することによって取得することができる。

0072

本例示において、サービスシナリオにおけるモデリングサンプルをマージすることによって評価モデルをトレーニングし、モデリングサンプルに対してシナリオ変数を定義して、モデリングサンプルが属するサービスシナリオを区別する。したがって、異なるサービスシナリオが十分に考慮されるので、該評価モデルを用いてサービスリスク評価を実行することによって、様々な異なるサービスシナリオに適用可能なスコアを取得することができる。

0073

ここで示す実施において、ターゲットデータを複数のモデリングシナリオにおいてスコア付け(スコアリング)する必要がある場合、評価モデルによって出力されたスコアを複数のモデリングシナリオに適用可能であることが保証される必要がある。この場合、評価モデルにおけるターゲットデータに含まれる基本変数の対応するスコアを追加してから出力することができる。ここで出力されるスコアは、普遍的なスコアであって、複数の異なるモデリングシナリオに適用可能であり、かつ複数の異なるサービスシナリオにおける、該ターゲットデータに対応するユーザのサービスリスク確率を測定するために用いることができる。続いて、出力されたスコアを用いて、異なるサービスシナリオにおいて、対応するサービス手順を実行することができる。

0074

例えば、該スコアが信用スコアである場合、異なるローンサービスシナリオにおいて出力された信用スコアを、別々に所定の閾値と比較して、該信用スコアに対応するユーザがリスクユーザであるか否かを特定し、次いで該ユーザに融資をするか否かを特定する。

0075

これから分かるように、モデリングのためにサービスシナリオにおけるモデリングサンプルをマージすることによって、モデリングの複雑性が軽減され、また、異なるサービスシナリオに対してモデリングを別々に実行する必要がない。さらに、モデリングサンプルにシナリオ変数を用いるので、トレーニングされた評価モデルを異なるサービスシナリオに適用可能であり、該サービス評価モデルを用いてサービスリスク評価を実行することによって取得されるスコアは、異なるサービスシナリオにおける同じユーザのサービスリスクレベルを反映することができる。

0076

本例示において、上述のように、複数の異なるサービスシナリオに適用可能な普遍的なスコアは、サービスシナリオにおけるモデリングサンプルをマージすることによってトレーニングされたモデルを用いて取得することができる。

0077

しかし、サービスシナリオに対して定義されるサービスリスクイベントは互いに異なり得るため、サービスシナリオのモデリングサンプルをマージすることによってトレーニングされた評価モデルを用いてサービスリスク評価を実行することにより取得された、複数のサービスシナリオに適用可能なスコアは、通常、相対値であり、特定のサービスシナリオにおける同じユーザのサービスリスクレベルを正確に反映することはできない。

0078

実際には、サービスシナリオにおけるモデリングサンプルをマージすることによってトレーニングされた評価モデルは、異なるサービスシナリオに適用可能である必要があり、通常、さらに特定のサービスシナリオにおいて正確なサービスリスク評価を実行することができる必要がある。

0079

例えば、上述のサービスがローンサービスであり、評価モデルは信用リスク評価モデルである。3つのローンサービスシナリオ、すなわちクレジットカードサービス、住宅ローンサービス、及び自動車ローンサービスがあると仮定し、評価モデルは、3つのローンサービスシナリオにおけるモデリングサンプルをマージすることによってトレーニングされ、ユーザの信用スコアは、評価モデルに基づいて収集されたターゲットデータをトレーニングすることによって取得されるとする。この場合、信用スコアは、クレジットカードサービス、住宅ローンサービス、及び自動車ローンサービス等の異なるサービスシナリオに適用可能な相対値であり、特定のローンサービスシナリオにおける同じユーザのリスクレベルを正確に反映することはできない。

0080

しかし、実際には、クレジットカードサービス、住宅ローンサービス、及び自動車ローンサービス等のローンサービスシナリオのうちのいずれか1つにおけるユーザの信用レベルは、さらに正確に評価される必要がある。例えば、クレジットカードサービス、住宅ローンサービス、及び自動車ローンサービス等のローンサービスシナリオのうちのいずれか1つにおいて、ユーザの不良信用(バッドクレジット)の割合の統計が正確に収集される必要がある。この場合、信用リスク評価モデルは、シナリオに対応する信用スコアを取得するために、通常、特定のシナリオにおけるユーザの信用レベルを正確に評価できる必要がある。

0081

ここで示す実施において、サービスシナリオにおけるモデリングサンプルをマージすることによってトレーニングされた評価モデルが、特定のサービスシナリオにおいて正確なサービスリスク評価を実行するという特性をも両立できる。ターゲットデータを該ターゲットデータが属するモデリングシナリオにおいてスコア付けする必要がある場合、通常、評価モデルによって出力されるスコアは、該スコアを該ターゲットデータが属するモデリングシナリオにさえ適用可能であれば、普遍的なものである必要はない。この場合、評価モデルにおけるターゲットデータに含まれる基本変数の対応するスコアと、評価モデルにおけるターゲットデータに含まれるシナリオ変数の対応するスコアとを加算することができ、次いでこれらのスコアの合計を出力することができる。ここで出力されるこれらのスコアの合計は、該ターゲットデータに対応するシナリオスコアである。該スコアは普遍的なものではないため、該ターゲットデータが実際に属するサービスシナリオにのみ適用可能である。

0082

これから分かるように、特定のターゲットデータを、該ターゲットデータが実際に属するサービスシナリオにおいてスコア付けする必要がある場合、該ターゲットデータが実際に属するサービスシナリオに適用可能なスコアは、サービスシナリオに対して別々にモデリングを実行することなく、基本変数の対応するスコアとシナリオ変数の対応するスコアとの合計を出力することのみで取得することができる。

0083

以下に、信用リスク評価のアプリケーションシナリオを参照しながら、上述の実施における技術的解決策について詳細に説明する。

0084

本例示において、該サービスはローンサービスであることができ、評価モデルは信用リスク評価モデルであることができ、スコアは、信用リスク評価モデルによるユーザの収集されたサービスサンプルに対して信用リスク評価を実行した後に取得される信用スコアであることができる。複数のサービスシナリオは、クレジットカードサービス、住宅ローンサービス、及び自動車ローンサービス等の3つのローンサービスシナリオを含むことができる。

0085

最初に、信用デフォルトイベントを、ローンサービスシナリオに対して別々に定義することができる。例えば、クレジットカードの融資シナリオにおいては、30日を超える繰り延べ返済イベントを信用デフォルトイベントとして定義することができる。住宅ローンの融資シナリオにおいては、90日を超える繰り延べ返済イベントを信用デフォルトイベントとして定義することができる。自動車ローンの融資シナリオにおいては、60日を超える繰り延べ返済イベントを信用デフォルトイベントとして定義することができる。言い換えれば、信用デフォルトイベントを、それぞれのローンシナリオに対して別々に定義することができる。

0086

ローンサービスシナリオからモデリングサンプルを収集するとき、サーバ端は、シナリオに対して定義される信用デフォルトイベントに基づいて、収集されたモデリングサンプルを良好なサンプルと不良なサンプルとに分類することができる。モデリングサンプルは、収入支出データ、ローン履歴データ、及びユーザの雇用状況等の信用リスクに影響を与える変数を含むことができる。

0087

モデリングサンプルを収集した後、サーバ端は、ローンサービスシナリオから収集されたモデリングサンプルをまとめてモデリングサンプルセットを生成することができ、かつモデリングサンプルの元の基本変数に基づいてモデリングサンプルセットにおけるモデリングサンプルに対するシナリオ変数を別々に定義して、該モデリングサンプルが属するローンサービスシナリオを示すことができる。

0088

信用リスク評価モデルをトレーニングするとき、サーバ端は、シナリオから収集されたモデリングサンプルをマージし、モデリングサンプルセットに含まれる全てのモデリングサンプルに基づいて信用リスク評価モデルをトレーニングすることができる。

0089

SAS又はSPSS等の比較的成熟したデータマイニングツール、及びスコアカード又は回帰分析等の加法モデルのモデリング方法を用いて、モデルトレーニングを完了することができる。本例示において、具体的なモデルトレーニング処理の詳細は省略する。

0090

信用リスク評価モデルをトレーニングした後、サーバ端は、クレジットカードサービス、住宅ローンサービス、又は自動車ローンサービス等の任意のローンサービスシナリオからターゲットデータを収集することができる。収集されたターゲットデータは、依然としていくつかの基本変数及びシナリオ変数を含むことができる。ターゲットデータが収集された後、信用リスク評価モデルによって該ターゲットデータに対して信用スコア付けを実行することができる。信用リスク評価モデルは、クレジットカードサービス、住宅ローンサービス、及び自動車ローンサービス等のローンサービスシナリオにおけるモデリングサンプルをマージすることによってトレーニングされるため、このモデルを用いることで、クレジットカードサービス、住宅ローンサービス、及び自動車ローンサービス等の複数のローンサービスシナリオに適用可能な信用スコアを取得することができる。

0091

ターゲットデータが特定のローンサービスシナリオ(クレジットカード)からのサービスデータであると仮定し、特定のローンサービスシナリオ(クレジットカード)において該ターゲットデータに対して信用スコア付けを実行する必要がある場合、サーバ端は、モデルにおけるターゲットデータのいくつかの基本変数の対応する信用スコアと、モデルにおけるターゲットデータのシナリオ変数のスコアとを追加し、次いで該ターゲットデータに対応するユーザに、該ユーザの信用スコアとしてこれらのスコアの合計を出力することができる。ここで出力されるスコアは普遍的なものではないため、該ローンサービスシナリオ(クレジットカード)にのみ適用可能である。

0092

さらに、クレジットカードサービス、住宅ローンサービス、及び自動車ローンサービス等の複数のローンサービスシナリオにおいて、該ターゲットデータに対して信用スコア付けを実行する必要がある場合、サーバ端は、該ターゲットデータに対応するユーザに、該ユーザの信用スコアとしてモデルにおけるターゲットデータのいくつかの基本変数の対応する信用スコアを出力することができる。ここで出力されるスコアは普遍的なものであるため、クレジットカードサービス、住宅ローンサービス、及び自動車ローンサービス等の複数のローンサービスシナリオに適用可能である。

0093

上述の実施から分かるように、本願において、複数のモデリングシナリオからモデリングサンプルが別々に収集され、複数のサービスシナリオから収集されたモデリングサンプルに基づいて、モデリングサンプルセットが作成され、該モデリングサンプルが属するモデリングシナリオを示すシナリオ変数は、元の基本変数に基づいて、モデリングサンプルセットにおけるモデリングサンプルに対して別々に定義され、次いで、評価モデルが、モデリングサンプルセットにおけるモデリングサンプルに基づいてトレーニングされる。

0094

本願においては、複数のサービスシナリオにおけるモデリングサンプルがモデリングのためにマージされ、シナリオ変数は、モデリングサンプルのシナリオを区別するためにモデリングサンプルに対して用いられる。したがって、トレーニング済みの最終的な評価モデルは普遍的なものであるので、該評価モデルを用いることによって、複数の異なるサービスシナリオに適用可能なスコアを取得することができる。

0095

ターゲットデータが属するサービスシナリオにおいてスコア付けを実行する必要がある場合、モデルにおけるターゲットデータに含まれるいくつかの基本変数の対応するスコアと、モデルにおけるターゲットデータに含まれるシナリオ変数の対応するスコアとの合計を、該ターゲットデータが属するサービスシナリオに適用可能なスコアとして出力することができる。

0096

さらに、複数のサービスシナリオにおいてスコア付けを実行する必要がある場合、モデルにおけるトレーニングデータに含まれるいくつかの基本変数の対応するスコアを、複数の異なるサービスシナリオに適用可能なスコアとして出力することができる。したがって、該モデルは、普遍的なスコアだけでなく、該ターゲットデータが実際に属するサービスシナリオに適用可能なスコアも出力することができる。このため、より柔軟にスコアを出力し、異なるスコア付けシナリオに適用させることができる。

0097

本願はさらに、上述の方法の実施に応じて、装置の実施を提供する。

0098

図3を参照すると、本願は、サーバ端に適用される、評価モデルのためのモデリング装置(デバイス)30を提供する。図4を参照すると、評価モデルのためのモデリング装置30を含むサーバ端のハードウェアアーキテクチャは、一般に、CPU、メモリ不揮発性メモリネットワークインタフェース、及び内部バス等を含む。例えば、ソフトウェア実装の際、評価モデルのためのモデリング装置30は、通常、メモリにロードされたコンピュータプログラムがCPUで実行された後に形成されるソフトウェア及びハードウェアの組み合わせを有する論理装置として理解され得る。装置30は、複数のモデリングシナリオから、モデリングサンプルが属するモデリングシナリオを示すシナリオ変数と、いくつかの基本変数とを含むモデリングサンプルを別々に収集するように構成された収集モジュール301、複数のモデリングシナリオから収集されたモデリングサンプルに基づいて、モデリングサンプルセットを作成するように構成された作成モジュール302、及び、モデリングサンプルセットにおけるモデリングサンプルに基づいて、加法モデルであり且つ基本変数からなるモデル部分とシナリオ変数からなるモデル部分とを加算して取得される評価モデルをトレーニングするように構成されたトレーニングモジュール303を含む。

0099

本例示において、作成モジュール302は、各モデリングシナリオにおけるモデリングサンプルの数に基づいて、各モデリングシナリオのトレーニングサンプル重みを定義するようにさらに構成され、ここで、トレーニングサンプル重みは、モデリングシナリオ間のモデリングサンプル数の差のバランスを取るために用いられ、モデリングシナリオにおけるモデリングサンプルの数が少ないほど、シナリオに定義されるトレーニングサンプル重みが大きい。

0100

本例示において、収集モジュール301は、シナリオ変数といくつかの基本変数とを含むターゲットデータを収集するようにさらに構成される。

0101

装置30は、ターゲットデータスコアを取得するためにターゲットデータを評価モデルに入力するように構成されたスコア付与モジュール304をさらに含み、ここで、スコアは評価モデルにおけるいくつかの基本変数の対応するスコアと、評価モデルにおけるシナリオ変数の対応するスコアとを加算することによって取得される。

0102

本例示において、スコア付与モジュール304は、ターゲットデータが属するモデリングシナリオにおいて該ターゲットデータをスコア付けする必要がある場合、評価モデルにおけるいくつかの基本変数の対応するスコアと、評価モデルにおけるシナリオ変数の対応するスコアとの合計を、該ターゲットデータが属するモデリングシナリオに適用可能なスコアとして出力するようにさらに構成される。

0103

本例示において、スコア付与モジュール304は、複数のモデリングシナリオにおいてターゲットデータをスコア付けする必要がある場合、評価モデルにおけるいくつかの基本変数の対応するスコアを、複数のモデリングシナリオに適用可能なスコアとして出力するようにさらに構成される。

0104

当業者は、本明細書を検討し、本明細書に開示された本願を実施した後、本願の他の実施解決策に容易に想到することができる。本願は、本願の任意の変形、機能、又は適切な変更を包含することを意図している。これらの変形、機能、又は適切な変更は、本願の一般原則に従っており、本願に開示されていない、本技術分野における公知の知識や慣用的な技術手段を含む。本明細書及び実施は、単に例示としてみなされるものであり、本願の実際の範囲及び趣旨は特許請求の範囲に記載される。

0105

なお、本願は、添付の図面に示す上述の正確な構成に限定されず、本願の範囲から逸脱することなく、本願に様々な修正及び変更を加えることができることを理解されたい。本願の範囲は、添付の特許請求の範囲によってのみ限定される。

0106

上述の説明は、本願の好適な実施に過ぎず、本願を限定するものではない。本願の趣旨と原理から逸脱することなく施される如何なる修正、均等物による置換、又は改良等も、本願の保護範囲内に入るものとする。

0107

30評価モデルのためのモデリング装置
301収集モジュール
302作成モジュール
303トレーニングモジュール
304スコア付与モジュール

ページトップへ

この技術を出願した法人

この技術を発明した人物

ページトップへ

関連する挑戦したい社会課題

該当するデータがありません

関連する公募課題

該当するデータがありません

ページトップへ

技術視点だけで見ていませんか?

この技術の活用可能性がある分野

分野別動向を把握したい方- 事業化視点で見る -

(分野番号表示ON)※整理標準化データをもとに当社作成

該当するデータがありません

ページトップへ

おススメ サービス

おススメ astavisionコンテンツ

この 技術と関連性が強い技術

該当するデータがありません

この 技術と関連性が強い法人

該当するデータがありません

この 技術と関連性が強い人物

該当するデータがありません

この 技術と関連する社会課題

該当するデータがありません

この 技術と関連する公募課題

該当するデータがありません

astavision 新着記事

サイト情報について

本サービスは、国が公開している情報(公開特許公報、特許整理標準化データ等)を元に構成されています。出典元のデータには一部間違いやノイズがあり、情報の正確さについては保証致しかねます。また一時的に、各データの収録範囲や更新周期によって、一部の情報が正しく表示されないことがございます。当サイトの情報を元にした諸問題、不利益等について当方は何ら責任を負いかねることを予めご承知おきのほど宜しくお願い申し上げます。

主たる情報の出典

特許情報…特許整理標準化データ(XML編)、公開特許公報、特許公報、審決公報、Patent Map Guidance System データ