特開 2018-5918 バーチャル評価システムおよびプログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】特開2018-5918(P2018-5918A)

(43)【公開日】2018年1月11日

(54)【発明の名称】バーチャル評価システムおよびプログラム

(51)【国際特許分類】

   G06F 17/30 20060101AFI20171208BHJP

   G06N 99/00 20100101ALI20171208BHJP

【ＦＩ】

   G06F17/30 340A

   G06N99/00 153

【審査請求】未請求

【請求項の数】6

【出願形態】ＯＬ

【全頁数】24

(21)【出願番号】特願2017-129527(P2017-129527)

(22)【出願日】2017年6月30日

(31)【優先権主張番号】62/357601

(32)【優先日】2016年7月1日

(33)【優先権主張国】US

(71)【出願人】

【識別番号】512035815

【氏名又は名称】ＳＥＮＳＹ株式会社

(74)【代理人】

【識別番号】110000017

【氏名又は名称】特許業務法人アイテック国際特許事務所

(72)【発明者】

【氏名】渡辺 祐樹

(72)【発明者】

【氏名】渡辺 淳也

(72)【発明者】

【氏名】岡本 卓

(57)【要約】

【課題】ユーザ間の特徴量知覚の相関を利用して、あるユーザにとって未知のアイテムに対する特徴量を、他のユーザが決定した特徴量から予測する。
【解決手段】ユーザ毎およびエキスパート毎のアイテムの特徴量と評価値とを含むユーザアイテム情報およびエキスパートアイテム情報に基づいて、ユーザとエキスパートとの組み合わせ毎にユーザが決定したアイテムの特徴量の入力に対してエキスパートが決定した該アイテムの特徴量を出力する入出力関係と、エキスパートが決定したアイテムの特徴量の入力に対してユーザが決定した該アイテムの特徴量を出力する入出力関係と、ユーザによるアイテムの特徴量の入力に対して該アイテムの評価値を出力する入出力関係とを学習する。そして、ユーザアイテム情報とエキスパートアイテム情報と学習値とに基づいてユーザのアイテムに対する予測評価値を予測する。
【選択図】図１

【特許請求の範囲】

【請求項1】

ユーザからアイテムの推薦要求がなされたときに推薦すべきアイテムを特定して推薦するバーチャル評価システムであって、
ユーザ毎にアイテム毎にユーザにより決定されたアイテムの特徴量と評価値とを含むユーザアイテム情報と、エキスパート毎にアイテム毎にエキスパートにより決定されたアイテムの特徴量と評価値とを含むエキスパートアイテム情報と、を含む情報を記憶する記憶部と、
前記ユーザアイテム情報と前記エキスパートアイテム情報とに基づいて、ユーザとエキスパートとの組み合わせ毎に、ユーザが決定したアイテムの特徴量の入力に対してエキスパートが決定した該アイテムの特徴量を出力するユーザ・エキスパート入出力関係と、エキスパートが決定したアイテムの特徴量の入力に対してユーザが決定した該アイテムの特徴量を出力するエキスパート・ユーザ入出力関係と、ユーザによるアイテムの特徴量の入力に対して該アイテムの評価値を出力するユーザアイテム評価入出力関係を学習するユーザアイテム評価学習部と、を学習する学習部と、
前記ユーザアイテム情報と前記エキスパートアイテム情報と前記ユーザ・エキスパート入出力関係と前記エキスパート・ユーザ入出力関係とに基づいてユーザのアイテムに対する予測評価値を予測する予測評価値予測部と、
を備えるバーチャル評価システム。

【請求項2】

請求項１記載のバーチャル評価システムであって、
前記予測評価値予測部は、
前記ユーザアイテム情報と前記エキスパートアイテム情報と前記ユーザ・エキスパート入出力関係とに基づいて、ユーザ毎に、少なくとも１つのアイテムの特徴量を決定していない全てのエキスパートについて、該エキスパートが知覚するアイテムの特徴量を予測すると共に、前記エキスパートアイテム情報と前記予測した特徴量に基づいて、エキスパートにおける全アイテムの特徴量を決定する第１アイテム特徴量決定部と、
前記エキスパート・ユーザ入出力関係と前記第１アイテム特徴量決定部により決定された全アイテムの特徴量とに基づいて、ユーザのアイテムに対する特徴量知覚を予測すると共に、前記特徴量知覚を用いてユーザにおける全アイテムの特徴量を決定する第２アイテム特徴量決定部と、
前記ユーザアイテム評価入出力関係と前記第２アイテム特徴量決定部により決定された全アイテムの特徴量とに基づいて、前記予測評価値を予測する予測部と、
を有する、
バーチャル評価システム。

【請求項3】

請求項１記載のバーチャル評価システムであって、
前記予測評価値予測部は、
前記ユーザアイテム情報と前記エキスパートアイテム情報と前記ユーザ・エキスパート入出力関係とに基づいて、ユーザ毎に、エキスパート毎に該エキスパートが知覚するアイテムの特徴量を予測すると共に、前記エキスパートアイテム情報と前記予測した特徴量に基づいて、エキスパートにおける全アイテムの特徴量を決定する第１アイテム特徴量決定部と、
前記エキスパート・ユーザ入出力関係と前記第１アイテム特徴量決定部により決定された全アイテムの特徴量とに基づいて、ユーザのアイテムに対する特徴量知覚を予測すると共に、前記特徴量知覚を用いてユーザにおける全アイテムの特徴量を決定する第２アイテム特徴量決定部と、
前記ユーザアイテム評価入出力関係と前記第２アイテム特徴量決定部により決定された全アイテムの特徴量とに基づいて、前記予測評価値を予測する予測部と、
を有する、
バーチャル評価システム。

【請求項4】

請求項２または３記載のバーチャル評価システムであって、
前記第１アイテム特徴量決定部は、前記予測した特徴量のアイテム毎の平均値を求めることによりエキスパートにおける全アイテムの特徴量を決定し、
前記第２アイテム特徴量決定部は、前記予測した特徴量のアイテム毎の平均値を求めることによりユーザにおける全アイテムの特徴量を決定する、
バーチャル評価システム。

【請求項5】

請求項１ないし４のうちのいずれか１つの請求項に記載のバーチャル評価システムであって、
ユーザからのアイテムの推薦要求がなされたときに、前記予測評価値に基づいてアイテムを推薦する推薦処理部を備える、
バーチャル評価システム。

【請求項6】

コンピュータをバーチャル評価システムとして機能させるプログラムであって、
ユーザ毎にアイテム毎にユーザにより決定されたアイテムの特徴量と評価値とを含むユーザアイテム情報と、エキスパート毎にアイテム毎にエキスパートにより決定されたアイテムの特徴量と評価値とを含むエキスパートアイテム情報と、を含む情報を記憶しておき、
前記ユーザアイテム情報と前記エキスパートアイテム情報とに基づいて、ユーザとエキスパートとの組み合わせ毎に、ユーザが決定したアイテムの特徴量の入力に対してエキスパートが決定した該アイテムの特徴量を出力するユーザ・エキスパート入出力関係と、エキスパートが決定したアイテムの特徴量の入力に対してユーザが決定した該アイテムの特徴量を出力するエキスパート・ユーザ入出力関係と、ユーザによるアイテムの特徴量の入力に対して該アイテムの評価値を出力するユーザアイテム評価入出力関係を学習するユーザアイテム評価学習部と、を学習するステップと、
前記ユーザアイテム情報と前記エキスパートアイテム情報と前記ユーザ・エキスパート入出力関係と前記エキスパート・ユーザ入出力関係とに基づいてユーザのアイテムに対する予測評価値を予測するステップと、
を有するプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、バーチャル評価システムおよびプログラムに関する。

【背景技術】

【0002】

あるアイテムの特徴量を入力すると、そのアイテムに対する予測評価値を出力する機械学習器を考える。一般に、このような機械学習器では、あらかじめできるだけ多くのアイテムについて、できるだけ正確な特徴量を算出しておくことが求められる（例えば、非特許文献１参照）。

【先行技術文献】

【非特許文献】

【0003】

【非特許文献1】AISSY株式会社 会社・技術概要，http://aissy.co.jp/images/AISSY-1218.pdf，Dec. 18th, 2014

【発明の概要】

【発明が解決しようとする課題】

【0004】

しかし、たとえば、人間のプロフェッショナルがアイテムを確認して特徴量を決定する場合や、測定に時間的にも金銭的にも大きなコストがかかるセンサを用いる場合のように、特徴量決定コストが大きい場合は、正確かつ大量なアイテムの特徴量が得られないという課題がある。

【0005】

本発明のバーチャル評価システムは、上述の課題をユーザ間の特徴量知覚の相関を利用して、あるユーザにとって未知のアイテムに対する特徴量を、他のユーザが決定した特徴量から予測することで解決する手段を提示することを主目的とする。また、本発明のプログラムは、コンピュータを上記バーチャル評価システムとして機能させることを主目的とする。

【課題を解決するための手段】

【0006】

本発明のバーチャル評価システムは、上述の主目的を達成するために以下の手段を採った。

【0007】

本発明のバーチャル評価システムは、
ユーザからアイテムの推薦要求がなされたときに推薦すべきアイテムを特定して推薦するバーチャル評価システムであって、
ユーザ毎にアイテム毎にユーザにより決定されたアイテムの特徴量と評価値とを含むユーザアイテム情報と、エキスパート毎にアイテム毎にエキスパートにより決定されたアイテムの特徴量と評価値とを含むエキスパートアイテム情報と、を含む情報を記憶する記憶部と、
前記ユーザアイテム情報と前記エキスパートアイテム情報とに基づいて、ユーザとエキスパートとの組み合わせ毎に、ユーザが決定したアイテムの特徴量の入力に対してエキスパートが決定した該アイテムの特徴量を出力するユーザ・エキスパート入出力関係と、エキスパートが決定したアイテムの特徴量の入力に対してユーザが決定した該アイテムの特徴量を出力するエキスパート・ユーザ入出力関係と、ユーザによるアイテムの特徴量の入力に対して該アイテムの評価値を出力するユーザアイテム評価入出力関係を学習するユーザアイテム評価学習部と、を学習する学習部と、
前記ユーザアイテム情報と前記エキスパートアイテム情報と前記ユーザ・エキスパート入出力関係と前記エキスパート・ユーザ入出力関係とに基づいてユーザのアイテムに対する予測評価値を予測する予測評価値予測部と、
ユーザからのアイテムの推薦要求がなされたときに、前記予測評価値に基づいてアイテムを推薦する推薦処理部と、
を備えることを要旨とする。

【0008】

この本発明のバーチャル評価システムでは、ユーザ毎にアイテム毎にユーザにより決定されたアイテムの特徴量と評価値とを含むユーザアイテム情報と、エキスパート毎にアイテム毎にエキスパートにより決定されたアイテムの特徴量と評価値とを含むエキスパートアイテム情報と、を含む情報を記憶しておき、ユーザアイテム情報とエキスパートアイテム情報とに基づいて、ユーザとエキスパートとの組み合わせ毎に、ユーザが決定したアイテムの特徴量の入力に対してエキスパートが決定したアイテムの特徴量を出力するユーザ・エキスパート入出力関係と、エキスパートが決定したアイテムの特徴量の入力に対してユーザが決定したアイテムの特徴量を出力するエキスパート・ユーザ入出力関係と、ユーザによるアイテムの特徴量の入力に対してアイテムの評価値を出力するユーザアイテム評価入出力関係を学習するユーザアイテム評価学習部と、を学習する。また、ユーザアイテム情報と前記エキスパートアイテム情報と前記ユーザ・エキスパート入出力関係と前記エキスパート・ユーザ入出力関係とに基づいてユーザのアイテムに対する予測評価値を予測する。これにより、ユーザとエキスパートとの間の特徴量知覚の相関（入出力関係）を利用して、ユーザにとって未知のアイテムに対する特徴量を、他のユーザが決定した特徴量から予測することができる。

【0009】

こうした本発明のバーチャル評価システムにおいて、前記予測評価値予測部は、前記ユーザアイテム情報と前記エキスパートアイテム情報と前記ユーザ・エキスパート入出力関係とに基づいて、ユーザ毎に、少なくとも１つのアイテムの特徴量を決定していない全てのエキスパートについて、該エキスパートが知覚するアイテムの特徴量を予測すると共に、前記エキスパートアイテム情報と前記予測した特徴量に基づいて、エキスパートにおける全アイテムの特徴量を決定する第１アイテム特徴量決定部と、前記エキスパート・ユーザ入出力関係と前記第１アイテム特徴量決定部により決定された全アイテムの特徴量とに基づいて、ユーザのアイテムに対する特徴量知覚を予測すると共に、前記特徴量知覚を用いてユーザにおける全アイテムの特徴量を決定する第２アイテム特徴量決定部と、前記ユーザアイテム評価入出力関係と前記第２アイテム特徴量決定部により決定された全アイテムの特徴量とに基づいて、前記予測評価値を予測する予測部と、を有するものとすることもできる。こうすれば、より適正な予測評価値を予測することができる。

【0010】

また、本発明のバーチャル評価システムにおいて、前記予測評価値予測部は、前記ユーザアイテム情報と前記エキスパートアイテム情報と前記ユーザ・エキスパート入出力関係とに基づいて、ユーザ毎に、エキスパート毎に該エキスパートが知覚するアイテムの特徴量を予測すると共に、前記エキスパートアイテム情報と前記予測した特徴量に基づいて、エキスパートにおける全アイテムの特徴量を決定する第１アイテム特徴量決定部と、前記エキスパート・ユーザ入出力関係と前記第１アイテム特徴量決定部により決定された全アイテムの特徴量とに基づいて、ユーザのアイテムに対する特徴量知覚を予測すると共に、前記特徴量知覚を用いてユーザにおける全アイテムの特徴量を決定する第２アイテム特徴量決定部と、前記ユーザアイテム評価入出力関係と前記第２アイテム特徴量決定部により決定された全アイテムの特徴量とに基づいて、前記予測評価値を予測する予測部と、を有するものとすることもできる。こうすれば、より適正な予測評価値を予測することができる。

【0011】

これらの態様の本発明のバーチャル評価システムにおいて、前記第１アイテム特徴量決定部は、前記予測した特徴量のアイテム毎の平均値を求めることによりエキスパートにおける全アイテムの特徴量を決定し、前記第２アイテム特徴量決定部は、前記予測した特徴量のアイテム毎の平均値を求めることによりユーザにおける全アイテムの特徴量を決定するものとしてもよい。

【0012】

本発明のバーチャル評価システムにおいて、ユーザからのアイテムの推薦要求がなされたときに、前記予測評価値に基づいてアイテムを推薦する推薦処理部を備えるものとしてもよい。例えば、予測評価値が最も高いアイテムを推薦したり、予測評価値が最も高い順に複数個のアイテムを推薦するのである。ユーザとエキスパートとの間の特徴量知覚の相関（入出力関係）を利用して、ユーザにとって未知のアイテムに対する特徴量を、他のユーザが決定した特徴量から予測して推薦するから、ユーザの嗜好にあったアイテムを推薦することができる。

【0013】

本発明のプログラムは、
コンピュータをバーチャル評価システムとして機能させるプログラムであって、
ユーザ毎にアイテム毎にユーザにより決定されたアイテムの特徴量と評価値とを含むユーザアイテム情報と、エキスパート毎にアイテム毎にエキスパートにより決定されたアイテムの特徴量と評価値とを含むエキスパートアイテム情報と、を含む情報を記憶しておき、
前記ユーザアイテム情報と前記エキスパートアイテム情報とに基づいて、ユーザとエキスパートとの組み合わせ毎に、ユーザが決定したアイテムの特徴量の入力に対してエキスパートが決定した該アイテムの特徴量を出力するユーザ・エキスパート入出力関係と、エキスパートが決定したアイテムの特徴量の入力に対してユーザが決定した該アイテムの特徴量を出力するエキスパート・ユーザ入出力関係と、ユーザによるアイテムの特徴量の入力に対して該アイテムの評価値を出力するユーザアイテム評価入出力関係を学習するユーザアイテム評価学習部と、を学習するステップと、
前記ユーザアイテム情報と前記エキスパートアイテム情報と前記ユーザ・エキスパート入出力関係と前記エキスパート・ユーザ入出力関係とに基づいてユーザのアイテムに対する予測評価値を予測するステップと、
を有することを要旨とする。

【0014】

本発明のプログラムは、ユーザ毎にアイテム毎にユーザにより決定されたアイテムの特徴量と評価値とを含むユーザアイテム情報と、エキスパート毎にアイテム毎にエキスパートにより決定されたアイテムの特徴量と評価値とを含むエキスパートアイテム情報と、を含む情報を記憶しておき、ユーザアイテム情報とエキスパートアイテム情報とに基づいて、ユーザとエキスパートとの組み合わせ毎に、ユーザが決定したアイテムの特徴量の入力に対してエキスパートが決定したアイテムの特徴量を出力するユーザ・エキスパート入出力関係と、エキスパートが決定したアイテムの特徴量の入力に対してユーザが決定したアイテムの特徴量を出力するエキスパート・ユーザ入出力関係と、ユーザによるアイテムの特徴量の入力に対してアイテムの評価値を出力するユーザアイテム評価入出力関係を学習するユーザアイテム評価学習部と、を学習する。また、ユーザアイテム情報と前記エキスパートアイテム情報と前記ユーザ・エキスパート入出力関係と前記エキスパート・ユーザ入出力関係とに基づいてユーザのアイテムに対する予測評価値を予測する。これにより、コンピュータを上記本発明のバーチャル評価システムとして機能させることができる。したがって、バーチャル評価システムとして機能するコンピュータは、ユーザとエキスパートとの間の特徴量知覚の相関（入出力関係）を利用して、ユーザにとって未知のアイテムに対する特徴量を、他のユーザが決定した特徴量から予測することができる。

【図面の簡単な説明】

【0015】

【図1】本発明の一実施例としてのバーチャル評価システム２０の構成の概略を示す構成図である。

【図2】実施例のバーチャル評価システム２０におけるアイテム評価値予測の流れの一例を示す説明図である。

【図3】ユーザのアイテム評価の一例を示すフローチャートである。

【図4】エキスパートのアイテム評価の一例を示すフローチャートである。

【図5】Ｕ→Ｅ特徴量計算機２４による学習の一例を示すフローチャートである。

【図6】Ｅ→Ｕ特徴量計算機２６による学習の一例を示すフローチャートである。

【図7】ユーザアイテム評価予測値計算機２８による学習の一例を示すフローチャートである。

【図8】予測の一例を示すフローチャートである。

【発明を実施するための形態】

【0016】

次に、本発明を実施するための形態を実施例を用いて説明する。

【実施例】

【0017】

図１は、本発明の一実施例としてのバーチャル評価システム２０の構成の概略を示す構成図である。本発明のバーチャル評価システム２０は、図１に示すように、ユーザ端末１２、エキスパート端末１４と接続可能に構成されており、Ｗｅｂサーバ２２、ユーザ・エキスパート特徴量計算機（Ｕ→Ｅ特徴量計算機）２４、エキスパート・ユーザ特徴量計算機（Ｅ→Ｕ特徴量計算機）２６、ユーザアイテム評価予測値計算機２８、アイテム情報テーブル３０、ユーザアイテム評価テーブル３２、エキスパートアイテム評価テーブル３４、ユーザ・エキスパート学習器テーブル（Ｕ→Ｅ学習器テーブル）３６、エキスパート・ユーザ学習器テーブル（Ｅ→Ｕ学習器テーブル）３８、ユーザアイテム評価予測器テーブル４０、ユーザアイテム評価予測値テーブル４２を備える。Ｕ→Ｅ特徴量計算機２４は、ユーザの特徴量知覚からエキスパート特徴量知覚を予測するための学習器を備えた計算機であり、Ｕ→Ｅ学習器テーブル３６は、Ｕ→Ｅ特徴量計算機２４での学習器を構成するためのパラメータを保存するためのテーブルである。Ｅ→Ｕ特徴量計算機２６は、エキスパート特徴量知覚からユーザの特徴量知覚を予測するための学習器を備えた計算機であり、Ｅ→Ｕ学習器テーブル３８は、Ｅ→Ｕ特徴量計算機２６での学習器を構成するためのパラメータを保存するためのテーブルである。図１では、Ｗｅｂサーバ２２、Ｕ→Ｅ特徴量計算機２４、Ｅ→Ｕ特徴量計算機２６、ユーザアイテム評価予測値計算機２８を個別のコンピュータで構成したが、それぞれの機能の一部を兼ねる複数のコンピュータ、ないしは単一のコンピュータで構成してもよい。アイテム情報テーブル３０、ユーザアイテム評価テーブル３２、エキスパートアイテム評価テーブル３４、Ｕ→Ｅ学習器テーブル３６、Ｅ→Ｕ学習器テーブル３８、ユーザアイテム評価予測器テーブル４０、ユーザアイテム評価予測値テーブル４２は、複数の記憶装置で構成してもよいし、単一の記憶装置で構成してもよい。

【0018】

Ａ．バーチャル評価システム２０の動作
次に、実施例のバーチャル評価システム２０の動作について説明する。図２は、実施例のバーチャル評価システム２０におけるアイテム評価値予測の流れの一例を示す説明図である。

【0019】

（１）事前のアイテム評価
Ｉ個のアイテムの番号集合をＩ＝｛１，…，Ｉ｝、Ｕ人のユーザの番号集合をＵ＝｛１，…，Ｕ｝とする。ユーザとは別に、アイテムの特徴量を的確に決定できるＥ人のエキスパート（センサと考えてもよい）の番号集合をＥ＝｛１，…，Ｅ｝とする。ユーザのアイテム評価の一例を示すフローチャートを図３に示し、エキスパートのアイテム評価の一例を示すフローチャートを図４に示す。

【0020】

ユーザｕ(式（１））は、図３に示すように、ユーザ端末１２からＷｅｂサーバ２２にアクセスし、評価を行いたいアイテムの番号（識別子）ｉ（式（２））をＷｅｂサーバ２２に送り、当該アイテムの情報提示を要求する（ステップＳ１００）。Ｗｅｂサーバ２２は、アイテム情報テーブル３０から当該アイテムの情報を読み取り（ステップＳ１１０）、ユーザに提示する（ステップＳ１２０，Ｓ１３０）。ユーザｕは、当該アイテムの特徴量ｘ（式（３））とその評価値ｄ（式（４））を決定し、アイテム番号（識別子）ｉ、ユーザ番号（識別子）ｕとともに、Ｗｅｂサーバ２２に送付する（ステップＳ１４０）。Ｗｅｂサーバ２２は、送付されたユーザ番号、アイテム番号、特徴量、評価値をユーザアイテム評価テーブル３２に保存する（ステップＳ１５０）。

【0021】

【数1】

【0022】

エキスパートｅ（式（５））は、図４に示すように、エキスパート端末１４からＷｅｂサーバ２２にアクセスし、評価を行いたいアイテムの番号（識別子）ｉ(式（２））をＷｅｂサーバ２２に送り、当該アイテムの情報提示を要求する（ステップＳ２００）。Ｗｅｂサーバ２２は、アイテム情報テーブル３０から当該アイテムの情報を読み取り（ステップＳ２１０）、エキスパートに提示する（ステップＳ２２０，Ｓ２３０）。エキスパートｅは、当該アイテムの特徴量（式（６））を決定し、アイテム番号（識別子）ｉ、エキスパート番号（識別子）ｅとともに、Ｗｅｂサーバ２２に送付する（ステップＳ２４０）。Ｗｅｂサーバ２２は、送付されたエキスパート番号、アイテム番号、特徴量をエキスパートアイテム評価テーブル３４に保存する（ステップＳ２５０）。

【0023】

【数2】

【0024】

（２）学習
上述した事前のアイテム評価において、ユーザｕ（式（１））が特徴量を決定したアイテム番号集合を式（７）とし、その特徴量を式（３），式（８）とし、その評価値を式（４），式（８）とする。エキスパートｅ(式（５））が特徴量を決定したアイテム番号集合を式（９）とし、その特徴量を式（１０），式（１１）とする。以下の説明では、｜Ａ｜は集合Ａの要素数を表す。Ｕ→Ｅ特徴量計算機２４による学習の一例を示すフローチャートを図５に示し、Ｅ→Ｕ特徴量計算機２６による学習の一例を示すフローチャートを図６に示し、ユーザアイテム評価予測値計算機２８による学習の一例を示すフローチャートを図７に示す。

【0025】

【数3】

【0026】

手順（１）
Ｕ→Ｅ特徴量計算機２４は、ユーザアイテム評価テーブル３２とエキスパートアイテム評価テーブル３４から必要な情報を読み込み（ステップＳ３００）、図２のＡで示す部分に関して、ユーザｕ（式（１））とエキスパートｅ（式（５））のすべての組み合わせについて、ユーザとエキスパートの特徴量知覚の相関関係を任意の機械学習器を用いて学習する（ステップＳ３１０）。ユーザｕとエキスパートｅの両者が特徴量を決定しているアイテム番号集合を式（１２）とする。この相関関係学習では、ユーザｕが決定したアイテムの特徴量（（式（１３），（式（１４））を入力すると、エキスパートｅが決定した同じアイテムの特徴量（式（１５））， 式（１４））を出力するように、入出力関係（式（１６））を学習する。Ｕ→Ｅ特徴量計算機２４は、ユーザ番号ｕ、エキスパート番号ｅ、学習器構成に必要なパラメータ（学習結果）をＵ→Ｅ学習器テーブル３６に保存する（ステップＳ３２０）。

【0027】

【数4】

【0028】

手順（２）
Ｅ→Ｕ特徴量計算機２６は、ユーザアイテム評価テーブル３２とエキスパートアイテム評価テーブル３４から必要な情報を読み込み（ステップＳ４００）、図２のＢで示す部分に関して、ユーザｕ(式（１））とエキスパートｅ（式（５））のすべての組み合わせについて、上述の入出力関係（式（１６））の逆関数を任意の機械学習器を用いて学習する（ステップＳ４１０）。すなわち、エキスパートｅが決定したアイテムの特徴量（（式（１５）），式（１４））を入力すると、ユーザｕが決定した同じアイテムの特徴量（式（１３），式（１４）を出力するように、入出力関係（式（１７））を学習する。Ｅ→Ｕ特徴量計算機２６は、ユーザ番号ｕ、エキスパート番号ｅ、学習器構成に必要なパラメータ（学習結果）をＥ→Ｕ学習器テーブル３８に保存する（ステップＳ４２０）。

【0029】

【数5】

【0030】

手順（３）
ユーザアイテム評価予測値計算機２８は、ユーザアイテム評価テーブル３２から必要な情報を読み込み（ステップＳ５００）、図２のＣで示す部分に関して、すべてのユーザｕ(式（１））について、ユーザｕが知覚したアイテムｉ（式（８））の特徴量（式（１３））を入力すると、その評価値（式（１８））を出力するように、任意の機械学習器を用いて、入出力関係（式（１９））を学習する（ステップＳ５１０）。ユーザアイテム評価予測値計算機２８は、ユーザ番号ｕと学習器構成に必要なパラメータ（学習結果）をユーザアイテム評価予測器テーブル４０に保存する（ステップＳ５２０）。なお、上述における機械学習器は、入出力関係の要件を満たすものであれば、何を用いても構わない。

【0031】

【数6】

【0032】

（３）予測
次に、実施例のバーチャル評価システム２０を用いて、ユーザｕ’（式（２０））にとって未知のアイテムｉ（式（２１））の評価値を予測する手順を説明する。なお、いずれかのユーザによってアイテムｉの特徴量が決定されている、すなわち式（２２）が成り立つものとする。また、すべてのエキスパートのうち、アイテムｉの特徴量を決定している、すなわち式（１１）であるエキスパートｅ（式（５））の集合を式（２３）とする。すべてユーザのうち、アイテムｉの特徴量を決定している、すなわち式（８）であるユーザｕ（式（１））の集合を式（２４）とする。予測の一例を示すフローチャートを図８に示す。図８のフローチャートでは、ステップＳ６００〜Ｓ６３０の処理はＵ→Ｅ特徴量計算機２４により実行され、ステップＳ６４０〜Ｓ６６０の処理はＥ→Ｕ特徴量計算機２６により実行され、ステップＳ６７０〜Ｓ６９０の処理はユーザアイテム評価予測値計算機２８により実行される。

【0033】

【数7】

【0034】

手順（１）
Ｕ→Ｅ特徴量計算機２４は、ユーザアイテム評価テーブル３２、エキスパートアイテム評価テーブル３４、Ｕ→Ｅ学習器テーブル３６から必要な情報を読み込み（ステップＳ６００）、ユーザｕ（式（２５））ごとに、アイテムｉの特徴量を決定していないすべてのエキスパートｅ（式（２６））について、エキスパートｅが知覚する特徴量を式（２７）と予測する（ステップＳ６１０）。

【0035】

【数8】

【0036】

手順（２）
Ｕ→Ｅ特徴量計算機２４は、エキスパートアイテム評価テーブル３４から必要な情報を読み込み（ステップＳ６２０）、上記手順（１）で算出した式（２８），式（２５），式（２６）を用いて、すべてのエキスパートｅ（式（５））について、アイテムｉの特徴量（式（２９））を決定する。すでにアイテムｉの特徴量を決定しているエキスパート、すなわち式（３０）であるエキスパートについては、式（３１）とする。式（２６）であるエキスパートについては、式（３２），式（２５）を用いて式（３３）を構成する。構成方法としては、たとえば、式（２８），式（２５）の平均値を用いる方法、すなわち式（３４）とする方法が考えられる。また、すべてユーザとすべてのエキスパートに同じアイテムの特徴量を決定させた情報を用いて、構成方法を事前に学習しておき、その結果を用いても構わない。

【0037】

【数9】

【数10】

【0038】

手順（３）
Ｅ→Ｕ特徴量計算機２６は、Ｅ→Ｕ学習器テーブル３８から必要な情報を読み込み（ステップＳ６４０）、上記手順（２）で算出した特徴量（式（３３），式（５）を用いて、ユーザｕ’のアイテムｉに対する特徴量知覚を式（３５）と予測する（ステップＳ６５０）。

【0039】

【数11】

【0040】

手順（４）
Ｅ→Ｕ特徴量計算機２６は、上記手順（３）で算出した特徴量知覚（式（３６），式（５））を用いて、ユーザの特徴量知覚予測結果を統合して特徴量知覚（式（３７））を決定する（ステップＳ６６０）。決定方法としては、たとえば、式（３６），式 （５）の平均値を用いる方法、すなわち式（３８）とする方法が考えられる。また、すべてユーザとすべてのエキスパートに同じアイテムの特徴量を決定させた情報を用いて、構成方法を事前に学習しておき、その結果を用いても構わない。

【0041】

【数12】

【0042】

手順（５）
ユーザアイテム評価予測値計算機２８は、ユーザアイテム評価予測器テーブル４０から必要な情報を読み込み（ステップＳ６７０）、上記手順（４）で算出した式（３７）を用いて、ユーザｕ’のアイテムｉに対する評価値を式（３９）と予測する（ステップＳ６８０）。ユーザアイテム評価予測値計算機は、ユーザ番号ｕ’、アイテム番号ｉ、予測評価値（式（３９）の左辺）をユーザアイテム評価予測値テーブル４２に保存する（ステップＳ６９０）。

【0043】

【数13】

【0044】

上述の処理においては、アイテムｉの特徴量を決定している、すなわち式（３０）であるエキスパートについては、決定済みの特徴量をそのまま用いる方法を採用しているが、ユーザｕ（式（２５））による特徴量知覚情報を用いて、決定済みの特徴量を補正する方法も考えられる。この方法を採用する場合は、上述の手順（１）と手順（２）を以下の手順に変更することもできる。

【0045】

手順（１）
Ｕ→Ｅ特徴量計算機２４は、ユーザアイテム評価テーブル３２、エキスパートアイテム評価テーブル３４、Ｕ→Ｅ学習器テーブル３６から必要な情報を読み込み、ユーザｕ（式（２５））ごとに、すべてのエキスパートｅ（式（５））について、エキスパートｅが知覚する特徴量を式（２７）と予測する。

【0046】

手順（２）
続いて、Ｕ→Ｅ特徴量計算機２４は、エキスパートアイテム評価テーブル３４から必要な情報を読み込み、上記手順（１）で算出した式（２８），式（２５），式（５）を用いて、すべてのエキスパートｅ（式（５））について、アイテムｉの特徴量（式（２９））を決定する。構成方法としては、たとえば、式（２８），式（２５）の平均値を用いる方法、すなわち式（４０）とする方法が考えられる。また、すでにアイテムｉの特徴量を決定しているユーザ、すなわち式（３０）であるユーザについては、式（３３）の情報を加味して、式（４１）とする方法も考えられる。

【0047】

【数14】

【0048】

なお、上述のシステムでは、複数のエキスパートによる特徴量決定を独立に扱う方法について説明したが、単一のエキスパートのみを考え、その特徴量は複数のエキスパートの平均値とする方法で構成しても構わない。

【0049】

（４）アイテム推薦
Ｗｅｂサーバ２２は、ユーザ端末１２からの要求に応じて、アイテム情報テーブル３０とユーザアイテム評価予測値テーブル４２から必要な情報を読み込み、アイテム予測値に基づいて、当該ユーザにアイテムを推薦する。

【0050】

Ｂ．具体例
Ｂ（１）ソムリエが特徴量を決定するワイン推薦システム
次に、本実施例のバーチャル評価システム２０を用いた具体例としてソムリエが特徴量を決定するワイン推薦システムについて説明する。ワインの推薦システムでは、ワインの特徴量を甘み、酸味、苦味、渋み、余韻の５変数５段階で表現し、ワインの特徴量ｘ（式（４２））に対するユーザの評価ｚ（式（４３））を予測する。ワインの特徴量は、ソムリエが評価するべきであるが、ソムリエの数に限りがあり、ソムリエが評価できるワインの数にも限りがある。そこで、一般ユーザとソムリエの特徴量知覚の相関関係を利用して、ソムリエが評価していないワインの特徴量を仮想的に算出した上で、この情報から推薦対象ユーザの当該ワインに対する特徴量知覚を予測し、この情報から推薦対象ユーザに対する当該ワインの評価を予測する。

【0051】

【数15】

【0052】

（１）事前のワイン評価
本システムで取り扱うＩ個のワインの番号集合をＩ＝｛１，…，Ｉ｝とし、Ｕ人のユーザの番号集合をＵ＝｛１，…，Ｕ｝とする。Ｅ人のソムリエの番号集合をＥ＝｛１，…，Ｅ｝とする。ユーザｕ（式（４４））は、ユーザ端末からＷｅｂサーバ２２にアクセスし、評価を行いたいワインの番号ｉ（式（４５））をＷｅｂサーバ２２に送り、当該ワインの情報提示を要求する。Ｗｅｂサーバ２２は、アイテム情報テーブル３０から当該ワインの情報を読み取り、ユーザに提示する。ユーザｕは、当該ワインの特徴量ｘ（式（４６））とその評価値（式（４７））を決定し、ワイン番号ｉ、ユーザ番号ｕとともに、Ｗｅｂサーバ２２に送付する。Ｗｅｂサーバ２２は、送付されたユーザ番号、ワイン番号、特徴量、評価値をユーザアイテム評価テーブル３２に保存する。

【0053】

【数16】

【0054】

ソムリエｅ（式（４８））は、エキスパート端末１４からＷｅｂサーバ２２にアクセスし、評価を行いたいワインの番号ｉ（式（４９））をＷｅｂサーバ２２に送り、当該ワインの情報提示を要求する。Ｗｅｂサーバ２２は、アイテム情報テーブル３０から当該ワインの情報を読み取り、ソムリエに提示する。ソムリエｅは、当該ワインの特徴量ｙ（式（５０））を決定し、ワイン番号ｉ、ソムリエ番号ｅとともに、Ｗｅｂサーバ２２に送付する。Ｗｅｂサーバ２２は、送付されたソムリエ番号、ワイン番号、特徴量をエキスパートアイテム評価テーブル３４に保存する。

【0055】

【数17】

【0056】

（２）学習
ユーザｕ（式（４４））が特徴量を決定したワイン番号集合を式（５１）とし、その特徴量を式（４６），式（５２）、その評価を式（４７），式（５２）とする。ソムリエｅ（式（４８））が特徴量を決定したワイン番号集合を式（５３）とし、その特徴量を式（５０）， 式（５４）とする。

【0057】

【数18】

【0058】

手順（１）
Ｕ→Ｅ特徴量計算機２４は、ユーザアイテム評価テーブル３２とエキスパートアイテム評価テーブル３４から必要な情報を読み込み、ユーザｕ（式（４４））とソムリエｅ（式（４８）のすべての組み合わせについて、特徴量知覚の相関関係を学習する。ユーザｕとエキスパートｅの両者が特徴量を決定しているワイン番号集合を式（５５）とする。ユーザｕが決定したワインの特徴量（式（５６），式（５７））を入力すると、ソムリエｅが決定した同じワインの特徴量（式（５８），式（５９））を出力するように、入出力関係（式（６０））を、シグモイド関数を活性化関数とした階層型ニューラルネットワークを用いて学習する。Ｕ→Ｅ特徴量計算機２４は、ユーザ番号ｕ、エキスパート番号ｅ、学習器のパラメータとして、中間層数、中間層ニューロン数、ニューロン間の重み、活性化関数の閾値をＵ→Ｅ学習器テーブル３６に保存する。

【0059】

【数19】

【0060】

手順（２）
Ｅ→Ｕ特徴量計算機２６は、ユーザアイテム評価テーブル３２とエキスパートアイテム評価テーブル３４から必要な情報を読み込み、ユーザｕ（式（４４））とソムリエｅ（式（４８））のすべての組み合わせについて、上述の式（６０）の逆関数を学習する。すなわち、ソムリエｅが決定したワインの特徴量（（式（５８），式（５９））を入力すると、ユーザｕが決定した同じワインの特徴量（式（５６），式（５７））を出力するように、入出力関係（式（６１））を、シグモイド関数を活性化関数とした階層型ニューラルネットワークを用いて学習する。Ｅ→Ｕ特徴量計算機２６は、ユーザ番号ｕ、エキスパート番号ｅ、学習器のパラメータとして、中間層数、中間層ニューロン数、ニューロン間の重み、活性化関数の閾値をＥ→Ｕ学習器テーブル３８に保存する。

【0061】

【数20】

【0062】

手順（３）
ユーザアイテム評価予測値計算機２８は、ユーザアイテム評価テーブル３２から必要な情報を読み込み、すべてのユーザｕ（式（４４））について、ユーザｕが知覚したワインｉ（式（５２））の特徴量（式（５６））を入力すると、その評価（式（６２））を出力するように、入出力関係（式（６３））を、ラジアル基底関数ネットワークを用いて学習する。ユーザアイテム評価予測値計算機２８は、ユーザ番号ｕ、学習器のパラメータとして、中間層ニューロン数、基底関数の中心、基底関数の半径、基底関数と出力層間の重みをユーザアイテム評価予測器テーブル４０に保存する。

【0063】

【数21】

【0064】

（３）予測
つぎに、本システムを用いて、ユーザｕ’（式（６４））にとって未知のワインｉ（式（６５））の評価を予測する手順を説明する。なお、いずれかのユーザによって、ワインｉの特徴量が決定されており、そのユーザ番号集合を式（６６）とする。すべてのソムリエのうち、アイテムの特徴量を決定しているソムリエの番号集合を式（６７）とする。

【0065】

【数22】

【0066】

手順（１）
Ｕ→Ｅ特徴量計算機２４は、ユーザアイテム評価テーブル３２、エキスパートアイテム評価テーブル３４、Ｕ→Ｅ学習器テーブル３６から必要な情報を読み込み、ユーザｕ（式（６８））ごとに、ワインｉの特徴量を決定していないすべてのソムリエｅ（式（６９））について、ソムリエｅが知覚する特徴量を式（７０）と予測する。

【0067】

【数23】

【0068】

手順（２）
Ｕ→Ｅ特徴量計算機２４は、エキスパートアイテム評価テーブル３４から必要な情報を読み込み、上記手順（１）で算出した式（７１），式（６８），式（６９）を用いて、すべてのソムリエｅ（式（４８））について、ワインｉの特徴量（式（７２））を決定する。すでにワインｉの特徴量を決定しているソムリエｅ（式（７３））については、式（７４）とする。ワインｉの特徴量を決定していないソムリエｅ（式（６９））については、ユーザの知覚情報から予測した式（７１），式（６８）を用いて、式（７５）とする。

【0069】

【数24】

【0070】

手順（３）
Ｅ→Ｕ特徴量計算機２６は、Ｅ→Ｕ学習器テーブル３８から必要な情報を読み込み、上記手順（２）で算出した特徴量（式（２７），式（４８））を用いて、ユーザｕ’のワインｉに対する特徴量知覚を式（７６）と予測する。

【0071】

【数25】

【0072】

手順（４）
Ｅ→Ｕ特徴量計算機２６は、上記手順（３）で算出した式（７７），式（４８）を用いて、一般ユーザｕ’のワインｉに対する特徴量知覚を式（７８）と決定する。

【0073】

【数26】

【0074】

手順（５）
ユーザアイテム評価予測値計算機２８は、ユーザアイテム評価予測器テーブル４０から必要な情報を読み込み、上記手順（４）で算出した式（７９）を用いて、ユーザｕ’のワインｉに対する評価を式（８０）と予測する。ユーザアイテム評価予測値計算機２８は、ユーザ番号ｕ’、ワイン番号ｉ、予測評価値（式（８１））をユーザアイテム評価予測値テーブル４２に保存する。

【0075】

【数27】

【0076】

（４）ワイン推薦
Ｗｅｂサーバ２２は、ユーザ端末１２からの要求に応じて、アイテム情報テーブル３０とユーザアイテム評価予測値テーブル４２から必要な情報を読み込み、ワイン予測値に基づいて、当該ユーザにワインを推薦する。

【0077】

Ｂ（２）センサが特徴量を決定するワイン推薦システム
次に、ワインなどの食品の味覚をセンシングする技術について考える。食品に対する味覚を定量的に計測することが可能であるが、計測に対する時間的、金銭的コストが大きく、市場に出回っているワインすべてを測定することは難しい。そこで、代表的なワインを集めたベンチマークワインを考え、ベンチマークワインについて事前にセンシングを行い、一般ユーザとセンサによる特徴量知覚の相関係数を利用して、センサが評価していないワインの特徴量を仮想的に算出した上で、この情報から推薦対象ユーザの当該ワインに対する特徴量知覚を予測し、この情報から推薦対象ユーザに対する当該ワインの評価を予測する。

【0078】

（１）事前のワイン評価
本システムで取り扱うＩ個のワインの番号集合をＩ＝｛１，…，Ｉ｝とし、Ｕ人のユーザの番号集合をＵ＝｛１，…，Ｕ｝とする。センシング済みのベンチマークワイン番号集合を式（８１Ａ）とし、その特徴量を式（８２），式（８３）とする。センシング済みのベンチマークワインの特徴量は、すべてエキスパートアイテム評価テーブル３４に入力済みであるものとする。

【0079】

【数28】

【0080】

ユーザｕ（式（８４））は、ユーザ端末からＷｅｂサーバ２２にアクセスする。ベンチマークワインの情報未入力の場合は、Ｗｅｂサーバ２２は、アイテム情報テーブル３０からベンチマークワインの情報を読み取り、ユーザに評価値を入力するように促す。ユーザｕは、ベンチマークワインの特徴量（式（８４），式（８５））とその評価値式（（８６），式（８５））を決定し、ワイン番号ｉ、ユーザ番号ｕとともに、Ｗｅｂサーバ２２に送付する。Ｗｅｂサーバ２２は、送付されたユーザ番号、ワイン番号、特徴量、評価値をユーザアイテム評価テーブル３２に保存し、当該ユーザのベンチマークワイン情報入力フラグを入力済みとする。なお、ユーザはすべてのベンチマークワインの情報を入力する必要はない。ベンチマークワインの情報を入力済みの場合は、評価を行いたいワインの番号ｉ（式（８７））をＷｅｂサーバ２２に送り、当該ワインの情報提示を要求する。Ｗｅｂサーバ２２は、アイテム情報テーブル３０から当該ワインの情報を読み取り、ユーザに提示する。ユーザｕは、当該ワインの特徴量（式（８５））とその評価値（式（８６））を決定し、ワイン番号ｉ、ユーザ番号ｕとともに、Ｗｅｂサーバ２２に送付する。Ｗｅｂサーバ２２は、送付されたユーザ番号、ワイン番号、特徴量、評価値をユーザアイテム評価テーブル３２に保存する。

【0081】

【数29】

【0082】

（２）学習
ユーザｕ（式（８８））が特徴量を決定したワイン番号集合式を（８９）とし、その特徴量を式（８５），式（９０）、その評価を式（８６），式（９０）とする。

【0083】

【数30】

【0084】

手順（１）
Ｕ→Ｅ特徴量計算機２４は、ユーザアイテム評価テーブル３２とエキスパートアイテム評価テーブル３４から必要な情報を読み込み、すべてのユーザｕ（式（９１））について、センサとの特徴量知覚の相関関係を学習する。ベンチマークワインのうち、ユーザｕが特徴量を決定しているワイン番号集合を式（９２）とする。ユーザｕが決定したワインの特徴量（式（９３），式（９４））を入力すると、ベンチマークワインの特徴量（式（９５），式（９４））を出力するように、入出力関係（式（９６））を、シグモイド関数を活性化関数とした階層型ニューラルネットワークを用いて学習する。Ｕ→Ｅ特徴量計算機２４は、ユーザ番号ｉ、学習器のパラメータとして、中間層数、中間層ニューロン数、ニューロン間の重み、活性化関数の閾値をＵ→Ｅ学習器テーブル３６に保存する。

【0085】

【数31】

【0086】

手順（２）
Ｅ→Ｕ特徴量計算機２６は、ユーザアイテム評価テーブル３２とエキスパートアイテム評価テーブル３４から必要な情報を読み込み、すべてのユーザｕ（式（９１））について、上述の式（９６）の逆関数を学習する。すなわち、ベンチマークワインの特徴量（式（９５），式（９４））を入力すると、ユーザｕが決定した同じワインの特徴量（式（９３），式（９４））を出力するように、入出力関係（式（９７））を、シグモイド関数を活性化関数とした階層型ニューラルネットワークを用いて学習する。Ｅ→Ｕ特徴量計算機２６は、ユーザ番号ｕ、学習器のパラメータとして、中間層数、中間層ニューロン数、ニューロン間の重み、活性化関数の閾値をＥ→Ｕ学習器テーブル３８に保存する。

【0087】

【数32】

【0088】

手順（３）
ユーザアイテム評価予測値計算機２８は、ユーザアイテム評価テーブル３２から必要な情報を読み込み、すべてのユーザｕ（式（９１）について、ユーザｕが知覚したワイン（式（９０））の特徴量（式（９３））を入力すると、その評価（式（９８））を出力するように、入出力関係（式（９９））を、ラジアル基底関数ネットワークを用いて学習する。ユーザアイテム評価予測値計算機２８は、ユーザ番号ｕ、学習器のパラメータとして、中間層ニューロン数、基底関数の中心、基底関数の半径、基底関数と出力層間の重みをユーザアイテム評価予測器テーブル４０に保存する。

【0089】

【数33】

【0090】

（３）予測
つぎに、本システムを用いて、ユーザｕ’（式（１００））にとって未知のワインｉ（式（１０１））の評価を予測する手順を説明する。なお、いずれかのユーザによって、ワインの特徴量が決定されており、そのユーザ番号集合を式（１０２）とする。

【0091】

【数34】

【0092】

手順（１）
Ｕ→Ｅ特徴量計算機２４は、エキスパートアイテム評価テーブル３４から必要な情報を読み込み、もし式（８３）、すなわちワインｉがベンチマークワインに含まれているならば、式（１０３）とし、以下の手順（２）をスキップして手順（３）に進む。式（１０４）であれば、Ｕ→Ｅ特徴量計算機２４は、ユーザアイテム評価テーブル３２、Ｕ→Ｅ学習器テーブル３６から必要な情報を読み込み、ユーザｕ（式（１０５））ごとに、センサが知覚する特徴量を式（１０６）と予測する。

【0093】

【数35】

【0094】

手順（２）
Ｅ→Ｕ特徴量計算機２６は、手順（１）で算出した式（１０７），式（１０５）用いて、式（１０８）とする。

【0095】

【数36】

【0096】

手順（３）
Ｅ→Ｕ特徴量計算機２６は、Ｅ→Ｕ学習器テーブル３８から必要な情報を読み込み、手順（２）までに算出した特徴量（式（１０９））を用いて、ユーザｕ’のワインｉに対する特徴量知覚を式（１１０）と予測する。

【0097】

【数37】

【0098】

手順（４）
ユーザアイテム評価予測値計算機２８は、ユーザアイテム評価予測器テーブル４０から必要な情報を読み込み、手順（３）で算出した式（１１１）を用いて、ユーザｕ’のワインｉに対する評価を式（１１２）と予測する。ユーザアイテム評価予測値計算機２８は、ユーザ番号ｕ’、ワイン番号ｉ、予測評価値（式（１１３））をユーザアイテム評価予測値テーブル４２に保存する。

【0099】

【数38】

【0100】

（４）ワイン推薦
Ｗｅｂサーバ２２は、ユーザ端末１２からの要求に応じて、アイテム情報テーブル３０とユーザアイテム評価予測値テーブル４２から必要な情報を読み込み、ワイン予測値に基づいて、当該ユーザにワインを推薦する。

【0101】

Ｂ（３）その他
本システムは、特徴量を算定可能なアイテムのリコメンデーション全般に適用可能で、とくに、正確に特徴量を決定可能なエキスパートないしは（コストの大きい）センサが存在する一方で、一般ユーザが特徴量知覚を行うと、その基準がユーザごとに異なる場合に有用である。たとえば、本システムは、上述のワインをはじめとする酒類（ビール、日本酒、焼酎など）のリコメンデーション、チーズなどの食品のリコメンデーション、香水のリコメンデーション、レビューをもとにした映画のリコメンデーション、レビューをもとにした化粧品のリコメンデーション等に応用可能である。

【0102】

以上、本発明を実施するための形態について実施例を用いて説明したが、本発明はこうした実施例に何等限定されるものではなく、本発明の要旨を逸脱しない範囲内において、種々なる形態で実施し得ることは勿論である。

【産業上の利用可能性】

【0103】

本発明は、バーチャル評価システムの製造産業などに利用可能である。

【符号の説明】

【0104】

１２ ユーザ端末、１４ エキスパート端末、２０ バーチャル評価システム、２２ Ｗｅｂサーバ、２４ ユーザ・エキスパート特徴量計算機（Ｕ→Ｅ特徴量計算機）、２６ エキスパート・ユーザ特徴量計算機（Ｅ→Ｕ特徴量計算機）、２８ ユーザアイテム評価予測値計算機、３０ アイテム情報テーブル、３２ ユーザアイテム評価テーブル、３４ エキスパートアイテム評価テーブル、３６ ユーザ・エキスパート学習器テーブル（Ｕ→Ｅ学習器テーブル）、３８ エキスパート・ユーザ学習器テーブル（Ｅ→Ｕ学習器テーブル）、４０ ユーザアイテム評価予測器テーブル、４２ ユーザアイテム評価予測値テーブル。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】