ホーム > 特許ランキング > 株式会社ＥＬＥＭＥＮＴＳ
知財求人 - 知財ポータルサイト「IP Force」
(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】P2022177028
(43)【公開日】2022-11-30
(54)【発明の名称】情報処理装置、情報処理方法、及びプログラム
(51)【国際特許分類】
A43D 1/02 20060101AFI20221122BHJP
A43D 999/00 20060101ALI20221122BHJP
G06Q 30/06 20120101ALI20221122BHJP
【ＦＩ】
A43D1/02
A43D999/00
G06Q30/06 320
【審査請求】有
【請求項の数】3
【出願形態】ＯＬ
(21)【出願番号】P 2022136173
(22)【出願日】2022-08-29
(62)【分割の表示】P 2017255031の分割
【原出願日】2017-12-28
(31)【優先権主張番号】P 2016257434
(32)【優先日】2016-12-29
(33)【優先権主張国・地域又は機関】JP
(31)【優先権主張番号】P 2017080649
(32)【優先日】2017-04-14
(33)【優先権主張国・地域又は機関】JP
(71)【出願人】
【識別番号】516206761
【氏名又は名称】株式会社ＥＬＥＭＥＮＴＳ
(74)【代理人】
【識別番号】100205659
【弁理士】
【氏名又は名称】齋藤 拓也
(74)【代理人】
【識別番号】100154748
【弁理士】
【氏名又は名称】菅沼 和弘
(72)【発明者】
【氏名】藤澤 哲平
(72)【発明者】
【氏名】久田 康弘
(57)【要約】
【課題】形状が規格化されていないアイテムであっても平等かつ容易にマッチングを行うことができる。
【解決手段】アイテムの測定データに基づいて、正対を特定し、１以上のランドマーク点を検出し、アイテムのデザイン性を排除するための所定のルールに基づいて基準シンボルを算出し、前記正対、前記ランドマーク点、及び前記基準シンボルに基づいて、複数の項目の各計測値を算出し、前記複数の項目の前記各計測値を少なくとも含む情報を、前記アイテムの計測データとして生成する計測手段を備える。
【選択図】図５
【解決手段】アイテムの測定データに基づいて、正対を特定し、１以上のランドマーク点を検出し、アイテムのデザイン性を排除するための所定のルールに基づいて基準シンボルを算出し、前記正対、前記ランドマーク点、及び前記基準シンボルに基づいて、複数の項目の各計測値を算出し、前記複数の項目の前記各計測値を少なくとも含む情報を、前記アイテムの計測データとして生成する計測手段を備える。
【選択図】図５
【特許請求の範囲】
【請求項1】
アイテムの測定データに基づいて、正対を特定し、１以上のランドマーク点を検出し、アイテムのデザイン性を排除するための所定のルールに基づいて基準シンボルを算出し、前記正対、前記ランドマーク点、及び前記基準シンボルに基づいて、複数の項目の各計測値を算出し、前記複数の項目の前記各計測値を少なくとも含む情報を、前記アイテムの計測データとして生成する計測手段
を備える情報処理装置。
を備える情報処理装置。
【請求項2】
情報処理装置が実行する情報処理方法であって、
アイテムの測定データに基づいて、正対を特定し、１以上のランドマーク点を検出し、アイテムのデザイン性を排除するための所定のルールに基づいて基準シンボルを算出し、前記正対、前記ランドマーク点、及び前記基準シンボルに基づいて、複数の項目の各計測値を算出し、前記複数の項目の前記各計測値を少なくとも含む情報を、前記アイテムの計測データとして生成する計測ステップ
を含む情報処理方法。
アイテムの測定データに基づいて、正対を特定し、１以上のランドマーク点を検出し、アイテムのデザイン性を排除するための所定のルールに基づいて基準シンボルを算出し、前記正対、前記ランドマーク点、及び前記基準シンボルに基づいて、複数の項目の各計測値を算出し、前記複数の項目の前記各計測値を少なくとも含む情報を、前記アイテムの計測データとして生成する計測ステップ
を含む情報処理方法。
【請求項3】
情報処理装置を制御するコンピュータに、
アイテムの測定データに基づいて、正対を特定し、１以上のランドマーク点を検出し、アイテムのデザイン性を排除するための所定のルールに基づいて基準シンボルを算出し、前記正対、前記ランドマーク点、及び前記基準シンボルに基づいて、複数の項目の各計測値を算出し、前記複数の項目の前記各計測値を少なくとも含む情報を、前記アイテムの計測データとして生成する計測ステップ
を含む制御処理を実行させるプログラム。
アイテムの測定データに基づいて、正対を特定し、１以上のランドマーク点を検出し、アイテムのデザイン性を排除するための所定のルールに基づいて基準シンボルを算出し、前記正対、前記ランドマーク点、及び前記基準シンボルに基づいて、複数の項目の各計測値を算出し、前記複数の項目の前記各計測値を少なくとも含む情報を、前記アイテムの計測データとして生成する計測ステップ
を含む制御処理を実行させるプログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、情報処理装置、情報処理方法、及びプログラムに関する。
【背景技術】
【0002】
従来より、靴は、職人によって手作りされた木型に合わせて制作が行われる等の手法がとられているため規格化が遅れている。最適なマッチングを行うためには、靴の伸びや変形を考慮した靴の内寸を知る必要があるが、従来のやり方では、靴の伸びや変形の度合いを定量的に決めることができない。また、誤差が大きいため、破壊的な方法を用いる必要があり、コストがかかっていた。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特開２０１２－０３３１２８号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
このため、形状が規格化されていない靴等のアイテムについて、平等かつ容易に採寸することができる新たな手法が求められている状況である。
【0005】
本発明は、このような状況に鑑みてなされたものであり、形状が規格化されていないアイテムであっても平等かつ容易にマッチングを行うことができる新たな手法を提供することを目的とする。
【課題を解決するための手段】
【0006】
上記目的を達成するため、本発明の一態様の情報処理装置は、
アイテムの測定データに基づいて、正対を特定し、１以上のランドマーク点を検出し、アイテムのデザイン性を排除するための所定のルールに基づいて基準シンボルを算出し、前記正対、前記ランドマーク点、及び前記基準シンボルに基づいて、複数の項目の各計測値を算出し、前記複数の項目の前記各計測値を少なくとも含む情報を、前記アイテムの計測データとして生成する計測手段
を備える。
アイテムの測定データに基づいて、正対を特定し、１以上のランドマーク点を検出し、アイテムのデザイン性を排除するための所定のルールに基づいて基準シンボルを算出し、前記正対、前記ランドマーク点、及び前記基準シンボルに基づいて、複数の項目の各計測値を算出し、前記複数の項目の前記各計測値を少なくとも含む情報を、前記アイテムの計測データとして生成する計測手段
を備える。
【発明の効果】
【0007】
本発明によれば、形状が規格化されていないアイテムであっても平等かつ容易にマッチングを行うことができる。
【図面の簡単な説明】
【0008】
【図1】本発明が適用される情報処理装置を含む情報処理システムの構成例を示すブロック図である。
【図2】図１に示す情報処理システムが適用される本サービスにおけるマッチングの前提となる、機械学習等の処理について模式的に示した概念図である。 本発明の情報処理装置の一実施形態であるマッチング装置を含む、情報処理システムの構成図である。
【図6】標準化足計測手法を説明するための足の外観構成の概略を示す図である。
【図7】標準化靴計測手法を説明するための靴及びシューアンカーの外観構成の概略を示す図である。
【図9】機械学習の結果に基づいて決定されるマッチング手法の一例を説明する図である。
【図12】アイテムを衣服とした場合における、標準化計測がなされる場合のユーザＵ（テスターＴ含む）の計測データの一例を示している。
【図13】アイテムを衣服（ジャケット）とした場合における、標準化計測がなされる場合のアイテムの計測データの一例を示している。
【図14】ＥＣサイトの画面のモックの一例である。
【図15】ＥＣサイトの画面のモックの一例である。
【図16】ＥＣサイトの画面のモックの一例である。
【発明を実施するための形態】
【0009】
以下、本発明の実施形態について、図面を用いて説明する。
【0010】
図１は、本発明が適用される情報処理装置を含む情報処理システムの構成例を示すブロック図である。
図１に示す情報処理システムは、靴計測装置１と、テスター足計測装置２と、学習装置３と、ユーザ足計測装置４と、マッチング装置５と、ユーザ端末６と、靴計測ＤＢ１１と、足計測ＤＢ１２と、評価ＤＢ１３とを含むように構成される。
靴計測装置１乃至ユーザ端末６及び靴計測ＤＢ１１乃至評価ＤＢ１３の夫々は、インターネット等の所定のネットワークＮを介して相互に接続されている。
図１に示す情報処理システムは、靴計測装置１と、テスター足計測装置２と、学習装置３と、ユーザ足計測装置４と、マッチング装置５と、ユーザ端末６と、靴計測ＤＢ１１と、足計測ＤＢ１２と、評価ＤＢ１３とを含むように構成される。
靴計測装置１乃至ユーザ端末６及び靴計測ＤＢ１１乃至評価ＤＢ１３の夫々は、インターネット等の所定のネットワークＮを介して相互に接続されている。
【0011】
以下、このような図１の情報処理システムを用いて実現されるサービス（以下、「本サービス」と呼ぶ）の概要について説明する。
本サービスは、形状が規格化されていないアイテム（例えば靴）であっても、平等かつ容易に採寸して、購入等を希望するユーザとのマッチング（お奨めの靴の推薦等）を行うことができるサービスである。本サービスによれば、後述するように、ユーザの身体の形状と、アイテムの形状との夫々に見られる傾向を抽象的に捉えるので、必ずしも同じ位置の比較を行うことなく、平等かつ容易にマッチングを行うことができる。さらに、計測時の誤差を統計的に捉えるので、誤差が生じやすい安価なセンサによる計測値であっても実用的なマッチングを行うことができる。
なお、本サービスが適用されるアイテムは、ユーザの体の少なくとも一部に装着されるものであれば特に限定されないが、以下の例では靴であるものとする。
本サービスは、形状が規格化されていないアイテム（例えば靴）であっても、平等かつ容易に採寸して、購入等を希望するユーザとのマッチング（お奨めの靴の推薦等）を行うことができるサービスである。本サービスによれば、後述するように、ユーザの身体の形状と、アイテムの形状との夫々に見られる傾向を抽象的に捉えるので、必ずしも同じ位置の比較を行うことなく、平等かつ容易にマッチングを行うことができる。さらに、計測時の誤差を統計的に捉えるので、誤差が生じやすい安価なセンサによる計測値であっても実用的なマッチングを行うことができる。
なお、本サービスが適用されるアイテムは、ユーザの体の少なくとも一部に装着されるものであれば特に限定されないが、以下の例では靴であるものとする。
【0012】
【0013】
ここで、マッチング対象のモデル化にあたり、実際の靴を用いて計測してもよいが、本実施形態ではｍ個（ｍは１以上の整数値）のシューアンカーＳｈ１乃至Ｓｈｍが用いられる。シューアンカーＳｈ１乃至Ｓｈｍの夫々を個々に区別する必要がない場合、これらをまとめて以下、「シューアンカーＳｈ」と呼ぶ。
ステップＳaにおいて、靴計測装置１は、シューアンカーＳｈ１乃至Ｓｈｍの夫々をスキャンすることで、３ＤスキャンデータＤｓ１乃至Ｄｓｍの夫々を生成する。
ステップＳｂにおいて、靴計測装置１は、３ＤスキャンデータＤｓ１乃至Ｄｓｍの夫々に対して、本発明者等により考案されて本実施形態で標準のものとして採用する靴についての計測手法（詳細については後述するが、以下、「標準化靴計測手法」と呼ぶ）に従った計測を行い、その計測の結果得られるデータ（以下、「靴計測データ」と呼ぶ）Ｋｓ１乃至Ｋｓｍの夫々を靴計測ＤＢ１１に記憶させる。
なお以下、靴計測データＫｓ１乃至ｋｓｍの夫々を個々に区別する必要がない場合、これらをまとめて以下、「靴計測データＫｓ」と呼ぶ。
ステップＳaにおいて、靴計測装置１は、シューアンカーＳｈ１乃至Ｓｈｍの夫々をスキャンすることで、３ＤスキャンデータＤｓ１乃至Ｄｓｍの夫々を生成する。
ステップＳｂにおいて、靴計測装置１は、３ＤスキャンデータＤｓ１乃至Ｄｓｍの夫々に対して、本発明者等により考案されて本実施形態で標準のものとして採用する靴についての計測手法（詳細については後述するが、以下、「標準化靴計測手法」と呼ぶ）に従った計測を行い、その計測の結果得られるデータ（以下、「靴計測データ」と呼ぶ）Ｋｓ１乃至Ｋｓｍの夫々を靴計測ＤＢ１１に記憶させる。
なお以下、靴計測データＫｓ１乃至ｋｓｍの夫々を個々に区別する必要がない場合、これらをまとめて以下、「靴計測データＫｓ」と呼ぶ。
【0014】
一方、ｎ人（ｎは１以上の整数値）の自然人Ｔ１乃至Ｔｎの夫々に、ｍ個の靴を実際に履いてもらって評価をしてもらう。なお、以下、このような自然人Ｔ１乃至Ｔｎの夫々を、以下、「テスターＴ１乃至Ｔｎ」と呼ぶ。テスターＴ１乃至Ｔｎの夫々を個々に区別する必要がない場合、これらをまとめて以下、「テスターＴ」と呼ぶ。
ステップＳｃにおいて、テスター足計測装置２は、テスターＴ１乃至Ｔｎの夫々の両足をスキャンすることで、３ＤスキャンデータＤｔ１乃至Ｄｔｎの夫々を生成する。
ステップＳｄにおいて、テスター足計測装置２は、３ＤスキャンデータＤｔ１乃至Ｄｔｎの夫々に対して、本発明者等により考案されて本実施形態で標準のものとして採用される足についての計測手法（詳細については後述するが、以下、「標準化足計測手法」と呼ぶ）に従った計測を行い、その計測の結果得られるデータ（以下、「足計測データ」と呼ぶ）Ｋｔ１乃至Ｋｔｍの夫々を足計測ＤＢ１２に記憶させる。
なお以下、足計測データＫｔ１乃至ｋｔｎの夫々を個々に区別する必要がない場合、これらをまとめて以下、「足計測データＫｔ」と呼ぶ。
また、テスターＴ１乃至Ｔｎ毎に、ｍ個の靴の夫々を実際に履いたときの履き心地に関する評価のデータ（以下、単に「評価データ」と呼ぶ）Ｈｔ１乃至Ｈｔｎが取得されて、評価ＤＢ１３に格納される。
なお以下、評価データＨｔ１乃至Ｈｔｎの夫々を個々に区別する必要がない場合、これらをまとめて以下、「評価データＨｔ」と呼ぶ。
ステップＳｃにおいて、テスター足計測装置２は、テスターＴ１乃至Ｔｎの夫々の両足をスキャンすることで、３ＤスキャンデータＤｔ１乃至Ｄｔｎの夫々を生成する。
ステップＳｄにおいて、テスター足計測装置２は、３ＤスキャンデータＤｔ１乃至Ｄｔｎの夫々に対して、本発明者等により考案されて本実施形態で標準のものとして採用される足についての計測手法（詳細については後述するが、以下、「標準化足計測手法」と呼ぶ）に従った計測を行い、その計測の結果得られるデータ（以下、「足計測データ」と呼ぶ）Ｋｔ１乃至Ｋｔｍの夫々を足計測ＤＢ１２に記憶させる。
なお以下、足計測データＫｔ１乃至ｋｔｎの夫々を個々に区別する必要がない場合、これらをまとめて以下、「足計測データＫｔ」と呼ぶ。
また、テスターＴ１乃至Ｔｎ毎に、ｍ個の靴の夫々を実際に履いたときの履き心地に関する評価のデータ（以下、単に「評価データ」と呼ぶ）Ｈｔ１乃至Ｈｔｎが取得されて、評価ＤＢ１３に格納される。
なお以下、評価データＨｔ１乃至Ｈｔｎの夫々を個々に区別する必要がない場合、これらをまとめて以下、「評価データＨｔ」と呼ぶ。
【0015】
学習装置３は、ｍ個の靴（シューアンカーＳｈ１乃至Ｓｈｍ）の靴計測データＫｓ１乃至Ｋｓｍとの夫々と、ｎ人のテスターＴ１乃至Ｔｎの足計測データＫｔ１乃至Ｋｔｎの夫々との各組合せと、ｎ人のテスターＴ１乃至Ｔｎの夫々のｍ個の靴毎の評価データＨｔ１乃至Ｈｔｎの夫々とを用いて機械学習を行う。
これにより、学習結果として例えば、所定の足と所定の靴との各種各様な組合せ毎に、履き心地の傾向が得られる。ここで注目すべき点は、靴計測データＫｓと足計測データＫｔとは、必ずしも同一位置で計測したデータを含む必要は特にない点である。つまり、異なった位置で計測したとしても、機械学習を行うことで、所定の足と所定の靴との各種各様な組合せ毎に、履き心地の傾向が得られることになる。
このような学習結果を用いることで、足と靴の夫々の形状等の傾向を抽象的に捉えることが可能となり、必ずしも同じ位置の比較を行う必要なしにマッチング（詳細は後述する）を行うことが可能になる。
また、このような機械学習手法を用いることで、計測時の誤差を統計的に扱うことができるようになるため、誤差の大きい安価なセンサを用いたスキャンでも実用的なマッチングが可能になる。
これにより、学習結果として例えば、所定の足と所定の靴との各種各様な組合せ毎に、履き心地の傾向が得られる。ここで注目すべき点は、靴計測データＫｓと足計測データＫｔとは、必ずしも同一位置で計測したデータを含む必要は特にない点である。つまり、異なった位置で計測したとしても、機械学習を行うことで、所定の足と所定の靴との各種各様な組合せ毎に、履き心地の傾向が得られることになる。
このような学習結果を用いることで、足と靴の夫々の形状等の傾向を抽象的に捉えることが可能となり、必ずしも同じ位置の比較を行う必要なしにマッチング（詳細は後述する）を行うことが可能になる。
また、このような機械学習手法を用いることで、計測時の誤差を統計的に扱うことができるようになるため、誤差の大きい安価なセンサを用いたスキャンでも実用的なマッチングが可能になる。
【0016】
【0017】
ステップＳｆにおいて、ユーザ足計測装置４は、ユーザＵの両足をスキャンすることで、３ＤスキャンデータＤｕを生成する。
ステップＳｇにおいて、ユーザ足計測装置４は、３ＤスキャンデータＤｕに対して、標準化足計測手法に従った計測を行い、その計測の結果得られる足計測データＫｕを足計測ＤＢ１２に記憶させる。
ステップＳｇにおいて、ユーザ足計測装置４は、３ＤスキャンデータＤｕに対して、標準化足計測手法に従った計測を行い、その計測の結果得られる足計測データＫｕを足計測ＤＢ１２に記憶させる。
【0018】
ステップＳｉにおいて、マッチング装置５は、ステップＳｇで得られたユーザＵの足計測データＫｕと、図２を用いて上述したｍ個の靴（シューアンカーＳｈ１乃至Ｓｈｍ）の夫々の靴計測データＫｓ１乃至Ｋｓｍの夫々とを用いて、当該ユーザＵにとってどの靴が履き心地がよいのか（という推定をするための）マッチングを行う。
ここで、単なる計測データの比較のみならず、マッチング装置５は、ステップＳｈにおいて、ユーザＵの嗜好を取得して、ステップＳｉにおいて、その嗜好も考慮したマッチングを行ってもよい。これにより、例えば、きつい靴がユーザＵの嗜好である場合、一般的にはＡサイズの靴が履き心地がよいと判断されたとしても、そのＡサイズよりも小さいＢサイズがユーザＵに適していると判断される、といった各ユーザＵに夫々適したマッチングが可能になる。
ステップＳｊにおいて、マッチング装置５は、ステップＳｉのマッチングの結果に基づいて、ユーザＵにとって適した（履き心地がよいとユーザＵが感じるであろう）靴を、当該ユーザＵ（ユーザ端末６）に対して推薦する。
ここで、単なる計測データの比較のみならず、マッチング装置５は、ステップＳｈにおいて、ユーザＵの嗜好を取得して、ステップＳｉにおいて、その嗜好も考慮したマッチングを行ってもよい。これにより、例えば、きつい靴がユーザＵの嗜好である場合、一般的にはＡサイズの靴が履き心地がよいと判断されたとしても、そのＡサイズよりも小さいＢサイズがユーザＵに適していると判断される、といった各ユーザＵに夫々適したマッチングが可能になる。
ステップＳｊにおいて、マッチング装置５は、ステップＳｉのマッチングの結果に基づいて、ユーザＵにとって適した（履き心地がよいとユーザＵが感じるであろう）靴を、当該ユーザＵ（ユーザ端末６）に対して推薦する。
【0019】
必要に応じて、ユーザＵが推薦された靴（シューアンカーＳｈ：ｈは１乃至ｍのうち任意の整数値）を実際に履いた際の履き心地の評価がなされる。この場合、そのユーザＵの評価データＨｕは、評価ＤＢ１３に格納される。
そして、ユーザＵの評価データＨｕ、ユーザＵの足計測データＫｕ、及び推薦された靴（シューアンカーＳｈ）の靴計測データＫｓｋが学習装置３に提供されると、学習装置３は、ステップＳｋにおいて、機械学習（再学習）を行う。このように実際の推薦結果とその評価がフィードバックされて、再学習が行われることで、より精度の高いマッチングが可能になっていく。
そして、ユーザＵの評価データＨｕ、ユーザＵの足計測データＫｕ、及び推薦された靴（シューアンカーＳｈ）の靴計測データＫｓｋが学習装置３に提供されると、学習装置３は、ステップＳｋにおいて、機械学習（再学習）を行う。このように実際の推薦結果とその評価がフィードバックされて、再学習が行われることで、より精度の高いマッチングが可能になっていく。
【0020】
【0021】
マッチング装置５は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）２１と、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）２２と、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）２３と、バス２４と、入出力インターフェース２５と、出力部２６と、入力部２７と、記憶部２８と、通信部２９と、ドライブ３０とを備えている。
【0022】
ＣＰＵ２１は、ＲＯＭ２２に記録されているプログラム、又は、記憶部２８からＲＡＭ２３にロードされたプログラムに従って各種の処理を実行する。
ＲＡＭ２３には、ＣＰＵ２１が各種の処理を実行する上において必要なデータ等も適宜記憶される。
ＲＡＭ２３には、ＣＰＵ２１が各種の処理を実行する上において必要なデータ等も適宜記憶される。
【0023】
ＣＰＵ２１、ＲＯＭ２２及びＲＡＭ２３は、バス２４を介して相互に接続されている。このバス２４にはまた、入出力インターフェース２５も接続されている。入出力インターフェース２５には、出力部２６、入力部２７、記憶部２８、通信部２９及びドライブ３０が接続されている。
【0024】
出力部２６は、ディスプレイやスピーカ等で構成され、各種情報を画像や音声として出力する。
入力部２７は、キーボードやマウス等で構成され、各種情報を入力する。
入力部２７は、キーボードやマウス等で構成され、各種情報を入力する。
【0025】
記憶部２８は、ハードディスクやＤＲＡＭ（Ｄｙｎａｍｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等で構成され、各種データを記憶する。
通信部２９は、インターネットを含むネットワークＮを介して他の装置との間で通信を行う。
通信部２９は、インターネットを含むネットワークＮを介して他の装置との間で通信を行う。
【0026】
ドライブ３０には、磁気ディスク、光ディスク、光磁気ディスク、或いは半導体メモリ等よりなる、リムーバブルメディア３１が適宜装着される。ドライブ３０によってリムーバブルメディア３１から読み出されたプログラムは、必要に応じて記憶部２８にインストールされる。
また、リムーバブルメディア３１は、記憶部２８に記憶されている各種データも、記憶部２８と同様に記憶することができる。
また、リムーバブルメディア３１は、記憶部２８に記憶されている各種データも、記憶部２８と同様に記憶することができる。
【0027】
なお、靴計測装置１と、テスター足計測装置２と、学習装置３と、ユーザ足計測装置４と、ユーザ端末６との夫々は、図４と同様のハードウェア構成を採ることができる。従って、これらのハードウェア構成の説明については省略する。
【0028】
【0029】
図５に示すように、靴計測装置１においては、スキャン部１１１と、標準化靴計測部１１２とが機能する。
テスター足計測装置２においては、スキャン部１２１と、標準化足計測部１２２と、評価取得部１２３とが機能する。
テスター足計測装置２においては、スキャン部１２１と、標準化足計測部１２２と、評価取得部１２３とが機能する。
【0030】
靴計測装置１のスキャン部１１１は、シューアンカーＳｈをスキャンすることで、３ＤスキャンデータＤｓを生成する。
標準化靴計測部１１２は、３ＤスキャンデータＤｓに対して、標準化靴計測手法に従った計測を行い、その計測の結果得られる靴計測データＫｓを靴計測ＤＢ１１に記憶させる。
ここで、靴（或いはシューアンカーＳｈ）の靴計測データＫｓは、当該靴に関する様々な情報を紐付けて靴計測ＤＢ１１に格納させることができる。具体的には例えば、３ＤスキャンデータＤｓを靴計測データＫｓに紐付けることができる。また例えば、靴の部位毎の素材の種類に関する情報や、引っ張り強さ（比強度）等素材が持つ性質に関する情報を靴計測データＫｓに紐付けることができる。
標準化靴計測部１１２は、３ＤスキャンデータＤｓに対して、標準化靴計測手法に従った計測を行い、その計測の結果得られる靴計測データＫｓを靴計測ＤＢ１１に記憶させる。
ここで、靴（或いはシューアンカーＳｈ）の靴計測データＫｓは、当該靴に関する様々な情報を紐付けて靴計測ＤＢ１１に格納させることができる。具体的には例えば、３ＤスキャンデータＤｓを靴計測データＫｓに紐付けることができる。また例えば、靴の部位毎の素材の種類に関する情報や、引っ張り強さ（比強度）等素材が持つ性質に関する情報を靴計測データＫｓに紐付けることができる。
【0031】
一方、テスター足計測装置２のスキャン部１２１は、テスターＴの両足をスキャンすることで、３ＤスキャンデータＤｔを生成する。
標準化足計測部１２２は、３ＤスキャンデータＤｔに対して、標準化足計測手法に従った計測を行い、その計測の結果得られる足計測データＫｔを足計測ＤＢ１２に記憶させる。
ここで、テスターＴの足計測データＫｔには、当該テスターＴに関する様々な情報を紐付けることができる。具体的には例えば、３ＤスキャンデータＤｔを足計測データＫｔに紐付けることもできる。また例えば、性別、年齢、体重、１日あたりの平均歩数、靴の購買履歴や返品履歴等の情報や、よく着用する靴、興味を持たない靴、好きなブランド、嫌いなブランド等の各種各様な情報を足計測データＫｔに紐付けることができる。さらに例えば、テスターＴの住所や職業等の情報を足計測データＫｔに紐付けてもよい。なお、足計測データＫｔや上述の靴計測データＫｓが多数得られた場合、これらのデータはビッグデータとして各種分析等各種各様な用途で活用することができる。
また、評価取得部１２３は、テスターＴが各靴の夫々を実際に履いたときの履き心地に関する評価を示す評価データＨｔを取得して、評価ＤＢ１３に記憶させる。
標準化足計測部１２２は、３ＤスキャンデータＤｔに対して、標準化足計測手法に従った計測を行い、その計測の結果得られる足計測データＫｔを足計測ＤＢ１２に記憶させる。
ここで、テスターＴの足計測データＫｔには、当該テスターＴに関する様々な情報を紐付けることができる。具体的には例えば、３ＤスキャンデータＤｔを足計測データＫｔに紐付けることもできる。また例えば、性別、年齢、体重、１日あたりの平均歩数、靴の購買履歴や返品履歴等の情報や、よく着用する靴、興味を持たない靴、好きなブランド、嫌いなブランド等の各種各様な情報を足計測データＫｔに紐付けることができる。さらに例えば、テスターＴの住所や職業等の情報を足計測データＫｔに紐付けてもよい。なお、足計測データＫｔや上述の靴計測データＫｓが多数得られた場合、これらのデータはビッグデータとして各種分析等各種各様な用途で活用することができる。
また、評価取得部１２３は、テスターＴが各靴の夫々を実際に履いたときの履き心地に関する評価を示す評価データＨｔを取得して、評価ＤＢ１３に記憶させる。
【0032】
ここで、図６を参照して標準化足計測手法について説明し、引き続き、図７を参照して標準化靴計測手法について説明する。
図６は、標準化足計測手法を説明するための足の外観構成の概略を示す図である。
図７は、標準化靴計測手法を説明するための靴及びシューアンカーの外観構成の概略を示す図である。
図６は、標準化足計測手法を説明するための足の外観構成の概略を示す図である。
図７は、標準化靴計測手法を説明するための靴及びシューアンカーの外観構成の概略を示す図である。
【0033】
テスター足計測装置２の標準化足計測部１２２は、標準化足計測手法に従った計測を、例えば次のようにして実行する。
【0034】
標準化足計測部１２２は、「正対」を特定する。
即ち、標準化足計測部１２２は、テスターＴの足の３ＤスキャンデータＤｔの点群に対し、ＰＣＡ（主成分分析）を用いることで、データの分布の広がりが大きい方向を求め、正対方向を一意に定める。これにより、テスターＴは計測時に足の向きを厳密に揃える必要がなくなる。
換言すると、様々な形状を取り得る足から一定のルールで長さや角度を抽出し比較するためには、まずはじめに基準となる軸方向を決定する必要がある。そこで、標準化足計測部１２２は、３ＤスキャンデータＤｔにおいて足のフットプリントの形状が最も広く分布する軸を進行方向軸と定義し、重力方向をそのまま上下軸に取り、進行方向軸および上下軸に直行する軸を左右軸として定義することで、「正対」を特定する。
即ち、標準化足計測部１２２は、テスターＴの足の３ＤスキャンデータＤｔの点群に対し、ＰＣＡ（主成分分析）を用いることで、データの分布の広がりが大きい方向を求め、正対方向を一意に定める。これにより、テスターＴは計測時に足の向きを厳密に揃える必要がなくなる。
換言すると、様々な形状を取り得る足から一定のルールで長さや角度を抽出し比較するためには、まずはじめに基準となる軸方向を決定する必要がある。そこで、標準化足計測部１２２は、３ＤスキャンデータＤｔにおいて足のフットプリントの形状が最も広く分布する軸を進行方向軸と定義し、重力方向をそのまま上下軸に取り、進行方向軸および上下軸に直行する軸を左右軸として定義することで、「正対」を特定する。
【0035】
標準化足計測部１２２は、「ランドマーク点Ｌ」を検出する。
即ち、標準化足計測部１２２は、足の形状の特徴を利用し、つま先やかかと頂点等のランドマーク点Ｌを検出する。形状の特徴だけでの抽出が難しいポイント（ボールジョイント（つま先の軸）、親指の付け根、親指と小指の端点）は、計測時に色付きのマーカーをテスターＴの足に貼っておき、標準化足計測部１２２は、それを元にして決定する。
即ち、標準化足計測部１２２は、足の形状の特徴を利用し、つま先やかかと頂点等のランドマーク点Ｌを検出する。形状の特徴だけでの抽出が難しいポイント（ボールジョイント（つま先の軸）、親指の付け根、親指と小指の端点）は、計測時に色付きのマーカーをテスターＴの足に貼っておき、標準化足計測部１２２は、それを元にして決定する。
【0036】
標準化足計測部１２２は、「計測値」を求める。
即ち、標準化足計測部１２２は、このようにして得られたランドマーク点Ｌに基づいて、幾何計算を行い、その計算により得られた値を、標準化された計測値として扱う。
即ち、標準化足計測部１２２は、このようにして得られたランドマーク点Ｌに基づいて、幾何計算を行い、その計算により得られた値を、標準化された計測値として扱う。
【0037】
計測値は、次のものが用いられる。
「足囲Ａ」：ボールジョイントＪ（Ｌ）で足をスライスした時の足の周長。
「足幅Ｂ」：ボールジョイントＪ（Ｌ）間の直線距離。
「足長Ｃ」：つま先（最も前方の点）とかかと頂点（最も後方の点）の床平面上での長さ。
「踵形状Ｄ」、「つま先高さＥ」、「つま先形状Ｆ」、及び「歪みＧ」。
その他、必要に応じて、次のような計測値が用いられてもよい。
「踵長」：足長Ｃに対する一定の割合での長さ。
「踵幅」：最後方点から、かかと長だけ前方に伸ばした面での足幅。
「踵深さ」：かかと頂点位置から指定長だけ垂直上方に伸ばした点から足までの距離（深さ）。
「つま先幅」：親指付け根の端点と小指付け根の端点間の距離。
「親指付け根、親指、小指の高さ」：それぞれのランドマーク点Ｌから床面までの高さ。
「足囲Ａ」：ボールジョイントＪ（Ｌ）で足をスライスした時の足の周長。
「足幅Ｂ」：ボールジョイントＪ（Ｌ）間の直線距離。
「足長Ｃ」：つま先（最も前方の点）とかかと頂点（最も後方の点）の床平面上での長さ。
「踵形状Ｄ」、「つま先高さＥ」、「つま先形状Ｆ」、及び「歪みＧ」。
その他、必要に応じて、次のような計測値が用いられてもよい。
「踵長」：足長Ｃに対する一定の割合での長さ。
「踵幅」：最後方点から、かかと長だけ前方に伸ばした面での足幅。
「踵深さ」：かかと頂点位置から指定長だけ垂直上方に伸ばした点から足までの距離（深さ）。
「つま先幅」：親指付け根の端点と小指付け根の端点間の距離。
「親指付け根、親指、小指の高さ」：それぞれのランドマーク点Ｌから床面までの高さ。
【0038】
これに対して、靴計測装置１の標準化靴計測部１１２は、標準化靴計測手法に従った計測を、例えば次のようにして実行する。
即ち、靴の内寸の計測手法は様々な手法（ＣＴによる撮影、石膏などを利用した型取り、製造時の型（木型）の計測等）が従来存在する。しかしながら、本実施形態のように機械学習を用いるとその個体を特徴づける相対的な違いだけがわかればいいので、以下の「計測値」が手に入れば足りる。換言すると、以下の「計測値」を求める任意の手法（各種各様名手法）が、標準化靴計測手法である。
即ち、靴の内寸の計測手法は様々な手法（ＣＴによる撮影、石膏などを利用した型取り、製造時の型（木型）の計測等）が従来存在する。しかしながら、本実施形態のように機械学習を用いるとその個体を特徴づける相対的な違いだけがわかればいいので、以下の「計測値」が手に入れば足りる。換言すると、以下の「計測値」を求める任意の手法（各種各様名手法）が、標準化靴計測手法である。
【0039】
標準化靴計測部１１２は、「計測値」を求めるにあたり、図６を参照して上述した標準化足計測手法と同様に、「正対」を特定し、「ランドマーク点Ｌ」を検出する。
【0040】
標準化靴計測部１１２は、また、次の基準シンボル（線、面）を求める。
基準シンボルは、次のものが、靴のデザイン性を排除するため次のルールで、夫々求められる。
「つま先位置」
（ルール）デザインのために足が入らない空洞部分があるのでその部分の影響を除くために、足囲Ａが一定（例えば１００mm等）になる位置をつま先位置とする。
「ボールジョイント（つま先とかかとをつなぐ骨の連結部分）位置」
（ルール）横方向に最も離れた点が足のボールジョイントに対応するとする。
基準シンボルは、次のものが、靴のデザイン性を排除するため次のルールで、夫々求められる。
「つま先位置」
（ルール）デザインのために足が入らない空洞部分があるのでその部分の影響を除くために、足囲Ａが一定（例えば１００mm等）になる位置をつま先位置とする。
「ボールジョイント（つま先とかかとをつなぐ骨の連結部分）位置」
（ルール）横方向に最も離れた点が足のボールジョイントに対応するとする。
【0041】
標準化靴計測部１１２は、このような「正対」、「ランドマーク点Ｌ」、及び「基準シンボル」に基づいて、「足囲Ａ」、「足幅Ｂ」、「足長Ｃ」、「踵形状Ｄ」、「つま先高さＥ」、「つま先形状Ｆ」、及び「歪みＧ」等を、「計測値」として求める。
【0042】
標準化靴計測手法によれば、標準化足計測手法と同様の理由により、靴の場合も基準となる軸方向（正対）を決定する必要がある。また、内部に骨がある足と異なり、ボールジョイントの位置が不定のため、その位置も安定して取得できる必要がある。
そこで、図７に示すように、足の爪先にぴったり合う形のシューアンカーＳｈが作成され、当該シューアンカーＳｈが靴に詰められた状態で一緒に３次元計測（スキャン）が行われる。これにより、シューアンカーＳｈを基にした基準軸（正対）や基準シンボルが求められ、これらに基づいて、各計測値が適切に求められる。
このように、標準化靴計測部１１２は、シューアンカーＳｈを基準にすることで、つま先などのデザイン要素を排除したモデル（靴計測データＫｓ）を構築することができる。
そこで、図７に示すように、足の爪先にぴったり合う形のシューアンカーＳｈが作成され、当該シューアンカーＳｈが靴に詰められた状態で一緒に３次元計測（スキャン）が行われる。これにより、シューアンカーＳｈを基にした基準軸（正対）や基準シンボルが求められ、これらに基づいて、各計測値が適切に求められる。
このように、標準化靴計測部１１２は、シューアンカーＳｈを基準にすることで、つま先などのデザイン要素を排除したモデル（靴計測データＫｓ）を構築することができる。
【0043】
シューアンカーＳｈは、上述の基準軸（正対）や基準シンボルを求めることができれば任意のものを採用することができるが、図７に示すような形状であると好適である。即ち、図７に示すように、シューアンカーＳｈは、ボールジョイント部分までで作成することで、ヒールの高さ毎に用意する必要がなくなるからである。なお、シューアンカーＳｈのつま先形状は、図７の例では平均的な形を採用しているが、統計的なモデルを用いてバリエーションをつくるとさらに好適である。
【0044】
以上のように、標準化靴計測手法と標準化足計測手法は、本発明人等により新たに提唱された複数の「計測値」を求める手法である。これらの複数の「計測値」に基づいて、機械学習が行われ、その学習結果を用いた（新たなユーザＵの）足と靴のマッチングが行われる。
即ち、標準化靴計測手法や標準化足計測手法は、規格化がなされていない靴や足の形状から、マッチングに影響を与える計測長が標準化されて得られる手法である。即ち、どんなタイプの靴や足から抽出しても平等に比較が可能になるような計測手法が、標準化靴計測手法や標準化足計測手法である。
従って、標準化靴計測手法の計測により得られた靴計測データＫｓや、標準化足計測手法の計測により得られた足計測データＫｔを用いて機械学習が行われるので、その学習結果として、各計測値のうちどの値がマッチング（履き心地等）にどのくらい影響を与えるのかという、従来であれば職人が勘で決めていたような関係性（重み付け）が自動的に得られることになる。
即ち、標準化靴計測手法や標準化足計測手法は、規格化がなされていない靴や足の形状から、マッチングに影響を与える計測長が標準化されて得られる手法である。即ち、どんなタイプの靴や足から抽出しても平等に比較が可能になるような計測手法が、標準化靴計測手法や標準化足計測手法である。
従って、標準化靴計測手法の計測により得られた靴計測データＫｓや、標準化足計測手法の計測により得られた足計測データＫｔを用いて機械学習が行われるので、その学習結果として、各計測値のうちどの値がマッチング（履き心地等）にどのくらい影響を与えるのかという、従来であれば職人が勘で決めていたような関係性（重み付け）が自動的に得られることになる。
【0045】
ここで、標準化靴計測手法により得られた計測値（本段落では「靴」と略記する）と、標準化足計測手法により得られた計測値（本段落では「足」と略記する）との違いについて説明する。
「足囲Ａ」については、「足」は、ボールジョイント部分を地面に垂直に切った輪郭線長や形状であるのに対して、「靴」は、ぴったり入るシューアンカーＳｈの該当箇所の輪郭線長や形状である。
「足幅Ｂ」については、「足」は、ボールジョイント部分を地面に水平に結んだ線長であるの対して、「靴」は、最もでっぱっている部分の水平線長である。
「足長Ｃ」については、「足」は、進行方向軸に対し、つま先最先端とかかと最後端の、進行軸での長さであるのに対して、「靴」は、（シューアンカーＳｈの基準シンボルから当該シューアンカーＳｈにおけるつま先までの長さ）＋（シューアンカーＳｈの基準シンボルからかかと最後端までのインソールに沿った経路長）である。
「踵形状Ｄ」については、「足」は、かかと最後端を基準に、高さ方向にずらしながら地面に水平に切った時の輪郭形状の変化であるのに対して、「靴」は、（踵後端を基準に高さ方向にずらしながら地面に水平に切った時の輪郭形状の変化）＋（履き口部分の形状）である。
「つま先高さＥ」については、「足」は、ボールジョイントの線から一定長前に出た部分における足の高さ（平均や分布）であるのに対して、「靴」は、ボールジョイントの線から一定長前に出た部分における足の平均高さ（底面はインソール上面とする）である。
「つま先形状Ｆ」については、「足」は、ボールジョイント、親指、小指を結ぶ台形の形状（角度、長さなど）であるのに対して、「靴」は、インソール上面から一定長上で爪先部分を輪切りにした時の輪郭形状である。
「歪みＧ」については、「足」は、ボールジョイントから踵先端までの相対角度であるのに対して、「靴」は、ボールジョイントから踵先端までの相対角度である。
「足囲Ａ」については、「足」は、ボールジョイント部分を地面に垂直に切った輪郭線長や形状であるのに対して、「靴」は、ぴったり入るシューアンカーＳｈの該当箇所の輪郭線長や形状である。
「足幅Ｂ」については、「足」は、ボールジョイント部分を地面に水平に結んだ線長であるの対して、「靴」は、最もでっぱっている部分の水平線長である。
「足長Ｃ」については、「足」は、進行方向軸に対し、つま先最先端とかかと最後端の、進行軸での長さであるのに対して、「靴」は、（シューアンカーＳｈの基準シンボルから当該シューアンカーＳｈにおけるつま先までの長さ）＋（シューアンカーＳｈの基準シンボルからかかと最後端までのインソールに沿った経路長）である。
「踵形状Ｄ」については、「足」は、かかと最後端を基準に、高さ方向にずらしながら地面に水平に切った時の輪郭形状の変化であるのに対して、「靴」は、（踵後端を基準に高さ方向にずらしながら地面に水平に切った時の輪郭形状の変化）＋（履き口部分の形状）である。
「つま先高さＥ」については、「足」は、ボールジョイントの線から一定長前に出た部分における足の高さ（平均や分布）であるのに対して、「靴」は、ボールジョイントの線から一定長前に出た部分における足の平均高さ（底面はインソール上面とする）である。
「つま先形状Ｆ」については、「足」は、ボールジョイント、親指、小指を結ぶ台形の形状（角度、長さなど）であるのに対して、「靴」は、インソール上面から一定長上で爪先部分を輪切りにした時の輪郭形状である。
「歪みＧ」については、「足」は、ボールジョイントから踵先端までの相対角度であるのに対して、「靴」は、ボールジョイントから踵先端までの相対角度である。
【0046】
以上のようにして、標準化靴計測手法により、ｍ個の靴（シューアンカーＳｈ１乃至Ｓｈｍ）の靴計測データＫｓ１乃至Ｋｓｍが得られる。また、標準化足計測手法により、ｎ人のテスターＴ１乃至Ｔｎの足計測データＫｔ１乃至Ｋｔｎが得られる。
すると、図５の学習装置３は、ｍ個の靴（シューアンカーＳｈ１乃至Ｓｈｍ）の靴計測データＫｓ１乃至Ｋｓｍとの夫々と、ｎ人のテスターＴ１乃至Ｔｎの足計測データＫｔ１乃至Ｋｔｎの夫々との各組合せと、ｎ人のテスターＴ１乃至Ｔｎの夫々のｍ個の靴毎の評価データＨｔ１乃至Ｈｔｎの夫々とを用いて機械学習を行う。
すると、図５の学習装置３は、ｍ個の靴（シューアンカーＳｈ１乃至Ｓｈｍ）の靴計測データＫｓ１乃至Ｋｓｍとの夫々と、ｎ人のテスターＴ１乃至Ｔｎの足計測データＫｔ１乃至Ｋｔｎの夫々との各組合せと、ｎ人のテスターＴ１乃至Ｔｎの夫々のｍ個の靴毎の評価データＨｔ１乃至Ｈｔｎの夫々とを用いて機械学習を行う。
【0047】
次に、図１の情報処理システムが実行する処理のうち、このような学習装置３による学習結果を用いて行われる、図３に示すマッチング等の処理を実現可能な機能的構成について説明する。
図８は、図１の情報処理システム１が実行する処理のうち、図３に示すマッチング等の処理を実現可能な機能的構成の一例を示す機能ブロック図である。
図８は、図１の情報処理システム１が実行する処理のうち、図３に示すマッチング等の処理を実現可能な機能的構成の一例を示す機能ブロック図である。
【0048】
図８に示すように、ユーザ足計測装置４においては、スキャン部１４１と、標準化足計測部１４２と、評価取得部１４３とが機能する。
【0049】
ユーザ足計測装置４のスキャン部１４１は、ユーザＵの両足をスキャンすることで、３ＤスキャンデータＤｕを生成する。
標準化足計測部１２２は、３ＤスキャンデータＤｕに対して、上述した標準化足計測手法に従った計測を行い、その計測の結果得られる足計測データＫｕを足計測ＤＢ１２に記憶させる。
ここで、ユーザＵの足計測データＫｕには、テスターＴのものと同様に、当該ユーザＵに関する様々な情報を紐付けることができる。具体的には例えば、３ＤスキャンデータＤｕを足計測データＫｕに紐付けることもできる。また例えば、性別、年齢、体重、１日あたりの平均歩数、靴の購買履歴や返品履歴等の情報や、よく着用する靴、興味を持たない靴、好きなブランド、嫌いなブランド等の各種各様な情報を足計測データＫｕに紐付けることができる。さらに例えば、ユーザＵの住所や職業等の情報を足計測データＫｕに紐付けてもよい。なお、ユーザＵの足計測データＫｕは、テスターＴの計測データＫｔと共に、ビッグデータの一部として各種分析等各種各様な用途で活用することができる。
また、評価取得部１４３は、マッチング装置５によるマッチングの結果として推薦された靴をユーザＵが実際に履いたときの履き心地に関する評価を示す評価データＨｕをユーザ端末６等から取得して、評価ＤＢ１３に記憶させる。
標準化足計測部１２２は、３ＤスキャンデータＤｕに対して、上述した標準化足計測手法に従った計測を行い、その計測の結果得られる足計測データＫｕを足計測ＤＢ１２に記憶させる。
ここで、ユーザＵの足計測データＫｕには、テスターＴのものと同様に、当該ユーザＵに関する様々な情報を紐付けることができる。具体的には例えば、３ＤスキャンデータＤｕを足計測データＫｕに紐付けることもできる。また例えば、性別、年齢、体重、１日あたりの平均歩数、靴の購買履歴や返品履歴等の情報や、よく着用する靴、興味を持たない靴、好きなブランド、嫌いなブランド等の各種各様な情報を足計測データＫｕに紐付けることができる。さらに例えば、ユーザＵの住所や職業等の情報を足計測データＫｕに紐付けてもよい。なお、ユーザＵの足計測データＫｕは、テスターＴの計測データＫｔと共に、ビッグデータの一部として各種分析等各種各様な用途で活用することができる。
また、評価取得部１４３は、マッチング装置５によるマッチングの結果として推薦された靴をユーザＵが実際に履いたときの履き心地に関する評価を示す評価データＨｕをユーザ端末６等から取得して、評価ＤＢ１３に記憶させる。
【0050】
このようなユーザ足計測装置４に対して、マッチング装置５においては、マッチング手法決定部１５１と、ユーザ嗜好取得部１５２と、マッチング部１５３と、推薦部１５４とが機能する。
【0051】
マッチング手法決定部１５１は、学習装置３による機械学習の結果に基づいて、ユーザＵにとって適切なマッチング手法を決定する。
ユーザ嗜好取得部１５２は、靴に関するユーザＵの嗜好をユーザ端末６等から取得する。
マッチング部１５３は、ユーザＵの足計測データＫｕと、ｍ個の靴（シューアンカーＳｈ１乃至Ｓｈｍ）の夫々の靴計測データＫｓ１乃至Ｋｓｍの夫々と、ユーザＵの嗜好とを用いて、当該ユーザＵにとってどの靴が履き心地がよいのか（という推定をするための）マッチングを行う。
推薦部１５４は、マッチング部１５３のマッチングの結果に基づいて、ユーザＵにとって適した（履き心地がよいとユーザＵが感じるであろう）靴を、当該ユーザＵ（ユーザ端末６）に対して推薦する。
ユーザ嗜好取得部１５２は、靴に関するユーザＵの嗜好をユーザ端末６等から取得する。
マッチング部１５３は、ユーザＵの足計測データＫｕと、ｍ個の靴（シューアンカーＳｈ１乃至Ｓｈｍ）の夫々の靴計測データＫｓ１乃至Ｋｓｍの夫々と、ユーザＵの嗜好とを用いて、当該ユーザＵにとってどの靴が履き心地がよいのか（という推定をするための）マッチングを行う。
推薦部１５４は、マッチング部１５３のマッチングの結果に基づいて、ユーザＵにとって適した（履き心地がよいとユーザＵが感じるであろう）靴を、当該ユーザＵ（ユーザ端末６）に対して推薦する。
【0052】
ここで、図９を参照して、学習装置３による機械学習の結果に基づいて、マッチング手法決定部１５１により決定されるマッチング手法の一例について説明する。
図９は、機械学習の結果に基づいて決定されるマッチング手法の一例を説明する図である。
図９に示すように、テスターＴ１乃至Ｔｍの夫々についての、所定の靴（シューアンカーＳｈ）の靴計測データＫｓｋとテスターＴの足計測データＫｔとの組合せと、その所定の靴を実際に履いた際の評価データＨｔとのセットを用いて、学習装置３による機械学習が行われる。
ここで、靴計測データＫｓｋとテスターＴの足計測データＫｔとの夫々は、上述したように、「足囲Ａ」、「足幅Ｂ」、「足長Ｃ」等の複数の計測値の集合体である。また、靴の評価データＨｔについても、「足囲Ａ」、「足幅Ｂ」、「足長Ｃ」等の複数の計測値に対応する各項目についての履き心地の個別評価の集合体である。
従って、図９に示すような機械学習が行われた場合、所定の靴（シューアンカーＳｈ）の靴計測データＫｓｋとユーザＵの足計測データＫｕとの組合せに対して、ユーザＵの評価の予測を行うマッチング手法が採用されることになる。ここで、ユーザの評価の予測は、「足囲Ａ」、「足幅Ｂ」、「足長Ｃ」等の複数の計測値に対応する各項目についての履き心地の個別評価の予測となる。
図９は、機械学習の結果に基づいて決定されるマッチング手法の一例を説明する図である。
図９に示すように、テスターＴ１乃至Ｔｍの夫々についての、所定の靴（シューアンカーＳｈ）の靴計測データＫｓｋとテスターＴの足計測データＫｔとの組合せと、その所定の靴を実際に履いた際の評価データＨｔとのセットを用いて、学習装置３による機械学習が行われる。
ここで、靴計測データＫｓｋとテスターＴの足計測データＫｔとの夫々は、上述したように、「足囲Ａ」、「足幅Ｂ」、「足長Ｃ」等の複数の計測値の集合体である。また、靴の評価データＨｔについても、「足囲Ａ」、「足幅Ｂ」、「足長Ｃ」等の複数の計測値に対応する各項目についての履き心地の個別評価の集合体である。
従って、図９に示すような機械学習が行われた場合、所定の靴（シューアンカーＳｈ）の靴計測データＫｓｋとユーザＵの足計測データＫｕとの組合せに対して、ユーザＵの評価の予測を行うマッチング手法が採用されることになる。ここで、ユーザの評価の予測は、「足囲Ａ」、「足幅Ｂ」、「足長Ｃ」等の複数の計測値に対応する各項目についての履き心地の個別評価の予測となる。
【0053】
以上、本発明の一実施形態について説明したが、本発明は、上述の実施形態に限定されるものではなく、本発明の目的を達成できる範囲での変形、改良等は本発明に含まれるものである。
【0054】
上述の実施形態では、テスターＵの足とｍ個の靴との関係について機械学習がなされ、その機械学習の結果に基づいて、ユーザＵの足と靴のマッチングがなされ、そのマッチングの結果に基づいて、ユーザＵの足に適した靴（ユーザＵの評価が高いと推測される靴）が推薦されたが、機械学習の対象（その機械学習の結果を使うマッチング及び推薦の対象は特にこれに限定されない。
【0055】
例えば、機械学習の対象（その機械学習の結果を使うマッチング及び推薦の対象）は、図１０に示すものでもよい。
図１０は、図１の情報処理システムが実施可能な処理であって、図３の例とは異なる処理の概要を示す図である。
図１０に示すように、ｍ個の既存の靴Ｓ１乃至Ｓｍ（シューアンカーＳｈ１乃至Ｓｈｍ）の夫々について、靴計測データＫｓ１乃至Ｋｓｍと、多数のユーザＵ１乃至Ｕｋ（ｋは任意整数値、図１０の例ではｋ＝３）の評価データＨｕ（テスターＴの評価データＨｔを含む）との組合せに基づいて、靴同士のマッチングがなされ、新たな靴と評価の類似する既存の靴が推薦される。
即ち、靴計測データＫｓをＡ軸とし、評価データＨｕをＢ軸とした２次元平面上に対して、ｍ個の既存の靴（シューアンカーＳｈ１乃至Ｓｈｍであって、マッチングの比較先）の夫々が、靴計測データＫｓ１乃至Ｋｓｍと多数のユーザＵ１乃至Ｕｋとの組合せに基づいてプロット（射影）されて機械学習がなされる。換言すると、評価の似ている靴（アイテム）が近くに配置されるような２次元平面（空間）が生成されるように機械学習がなされる。
この機械学習の結果として、新たな靴（マッチングの比較元）について、当該２次元平面（空間）上に、靴計測データＫｓと多数のユーザＵ１乃至Ｕｋとの組合せに基づいてプロット（射影）することで、当該２次元平面（空間）近くに配置される靴を検索（マッチング）して、評価の類似する靴、即ち履き心地が似ている靴として推薦することが可能になる。
図１０は、図１の情報処理システムが実施可能な処理であって、図３の例とは異なる処理の概要を示す図である。
図１０に示すように、ｍ個の既存の靴Ｓ１乃至Ｓｍ（シューアンカーＳｈ１乃至Ｓｈｍ）の夫々について、靴計測データＫｓ１乃至Ｋｓｍと、多数のユーザＵ１乃至Ｕｋ（ｋは任意整数値、図１０の例ではｋ＝３）の評価データＨｕ（テスターＴの評価データＨｔを含む）との組合せに基づいて、靴同士のマッチングがなされ、新たな靴と評価の類似する既存の靴が推薦される。
即ち、靴計測データＫｓをＡ軸とし、評価データＨｕをＢ軸とした２次元平面上に対して、ｍ個の既存の靴（シューアンカーＳｈ１乃至Ｓｈｍであって、マッチングの比較先）の夫々が、靴計測データＫｓ１乃至Ｋｓｍと多数のユーザＵ１乃至Ｕｋとの組合せに基づいてプロット（射影）されて機械学習がなされる。換言すると、評価の似ている靴（アイテム）が近くに配置されるような２次元平面（空間）が生成されるように機械学習がなされる。
この機械学習の結果として、新たな靴（マッチングの比較元）について、当該２次元平面（空間）上に、靴計測データＫｓと多数のユーザＵ１乃至Ｕｋとの組合せに基づいてプロット（射影）することで、当該２次元平面（空間）近くに配置される靴を検索（マッチング）して、評価の類似する靴、即ち履き心地が似ている靴として推薦することが可能になる。
【0056】
また例えば、機械学習の対象（その機械学習の結果を使うマッチング及び推薦の対象）は、図１１に示すものでもよい。
図１１は、図１の情報処理システムが実施可能な処理であって、図２例とは異なる機械学習を行う処理の概要を示す図である。
図３に示す機械学習では、ｍ個の靴についての、ｎ人（多数）のテスターＴの一般的な評価に基づくモデル（既存モデル）が得られる。
これに対して、図１１の例では、これらの既存モデルを用いてマッチング及び推薦がなされたユーザＵからのフィードバック情報、例えば当該ユーザＵに関する各種履歴（購買履歴や返品履歴）を示す情報も考慮して、追加学習がなされる。この追加学習の結果として、（既存モデルと比較して）ユーザＵの好みに特化したモデル、即ちユーザ特化モデルが得られる。
このユーザ特化モデルを用いたマッチングを行うことで、既存モデルを用いた場合と比較して、ユーザＵにより適した靴の推薦が可能になる。
図１１は、図１の情報処理システムが実施可能な処理であって、図２例とは異なる機械学習を行う処理の概要を示す図である。
図３に示す機械学習では、ｍ個の靴についての、ｎ人（多数）のテスターＴの一般的な評価に基づくモデル（既存モデル）が得られる。
これに対して、図１１の例では、これらの既存モデルを用いてマッチング及び推薦がなされたユーザＵからのフィードバック情報、例えば当該ユーザＵに関する各種履歴（購買履歴や返品履歴）を示す情報も考慮して、追加学習がなされる。この追加学習の結果として、（既存モデルと比較して）ユーザＵの好みに特化したモデル、即ちユーザ特化モデルが得られる。
このユーザ特化モデルを用いたマッチングを行うことで、既存モデルを用いた場合と比較して、ユーザＵにより適した靴の推薦が可能になる。
【0057】
また例えば、機械学習の対象（その機械学習の結果を使うマッチング及び推薦の対象）は、上述の実施形態では靴とされたが、特にこれに限定されず、ユーザＵ（テスターＴ含む）が着用可能な任意のアイテム、例えば衣服、帽子、保護用あるいは補助用に着用するヘルメット、コルセット、サポータ等でもよい。
【0058】
図１２は、アイテムを衣服とした場合における、標準化計測がなされる場合のユーザＵ（テスターＴ含む）の計測データの一例を示している。
即ち、人体（ユーザＵの体）は計測方法が規格化されているので、当該計測方法による計測が標準化計測として採用され、その計測結果が標準化された測定値として採用された例、即ちユーザＵの計測データの一例が、図１２に示されている。
即ち、人体（ユーザＵの体）は計測方法が規格化されているので、当該計測方法による計測が標準化計測として採用され、その計測結果が標準化された測定値として採用された例、即ちユーザＵの計測データの一例が、図１２に示されている。
【0059】
図１３は、アイテムを衣服（ジャケット）とした場合における、標準化計測がなされる場合のアイテムの計測データの一例を示している。
即ち、衣服（ジャケット）はカテゴリ毎にどの部分の測定を行うのかといった計測方法が規格化されているので、当該計測方法による計測が標準化計測として採用され、その計測結果が標準化された測定値として採用された例、即ち衣服（ジャケット）の計測データの一例が、図１３に示されている。
即ち、衣服（ジャケット）はカテゴリ毎にどの部分の測定を行うのかといった計測方法が規格化されているので、当該計測方法による計測が標準化計測として採用され、その計測結果が標準化された測定値として採用された例、即ち衣服（ジャケット）の計測データの一例が、図１３に示されている。
【0060】
また例えば、上述の実施形態では、アイテムの形状に基づくマッチングが行われたが、特にこれに限定されず、形状と共に又は形状とは別に、他の要素が考慮されたマッチングが行われてもよい。即ち、アイテムの着心地（アイテムが靴であれば履き心地）を決める要素は形状の差だけではなく、靴であれば、体重や年齢、ヒールの高さ、靴の素材といった要素がある。また、服であれば、生地の素材や性別、年齢等の要素がある。
従来はこれらの「他の要素」の影響を考慮しようとすると、どう影響するかを全てルール付する必要があった。これに対して、複数の別要素の影響を自動的に学習することの出来る機械学習手法（決定木をベースにしたもの）を採用することで、ルール付なしに、「他の要素」の影響を考慮したマッチングが実現可能になる。
ここで、「他の要素」としては、次のようなものを採用することができる。
即ち、「他の要素」＝（データタイプ、影響）というフォーマットで記載すると次のようになる。
「素材の延びやすさ」＝（引張強さ［Ｎ／ｃｍ］、形状の差の許容範囲に影響）
「素材タイプ」＝（カテゴリ（布、ポリエステル等）、接触部分の痛さに影響）
「体重」＝（ｋｇ、ヒールにおいて、つま先への荷重に影響）
「ヒールの高さ」＝（ｃｍ、ヒールにおいて、つま先への荷重に影響）
「年齢」＝（数値、歩きやすさなどの好みの違いに影響）
一日平均歩数数値疲れやすさなどの好みの違いに影響
従来はこれらの「他の要素」の影響を考慮しようとすると、どう影響するかを全てルール付する必要があった。これに対して、複数の別要素の影響を自動的に学習することの出来る機械学習手法（決定木をベースにしたもの）を採用することで、ルール付なしに、「他の要素」の影響を考慮したマッチングが実現可能になる。
ここで、「他の要素」としては、次のようなものを採用することができる。
即ち、「他の要素」＝（データタイプ、影響）というフォーマットで記載すると次のようになる。
「素材の延びやすさ」＝（引張強さ［Ｎ／ｃｍ］、形状の差の許容範囲に影響）
「素材タイプ」＝（カテゴリ（布、ポリエステル等）、接触部分の痛さに影響）
「体重」＝（ｋｇ、ヒールにおいて、つま先への荷重に影響）
「ヒールの高さ」＝（ｃｍ、ヒールにおいて、つま先への荷重に影響）
「年齢」＝（数値、歩きやすさなどの好みの違いに影響）
一日平均歩数数値疲れやすさなどの好みの違いに影響
【0061】
また例えば、上述の実施形態では、テスターＴが実際にｍ個の靴を履いた際の評価を用いた間接的な機械学習が行われたが、特にこれに限定されず、この評価と共に又は代えて、例えば布型の圧力分布センサを用いてテスターＴによるｍ個の靴の夫々の着用時の着圧を測定し、その測定結果を用いた機械学習を行い、ユーザＵに対するマッチングの際には圧力分布センサが無いときでも予測できるようにしてもよい。
この場合も、その予測の結果を用いて最終的なユーザＵの嗜好（靴であれば履き心地）の推定、及び推定結果に基づくユーザＵに対する推薦が行われる。
この場合も、その予測の結果を用いて最終的なユーザＵの嗜好（靴であれば履き心地）の推定、及び推定結果に基づくユーザＵに対する推薦が行われる。
【0062】
また例えば、上述の実施形態では、靴の靴計測データＫｓ、テスターＴの足計測データＫｔ、及びユーザＵの足計測データＫｕには、各種情報（メタデータ）が紐付けられていた。これらの各種情報（メタデータ）を考慮することで、機械学習やマッチング（嗜好推定）及び推薦がより高精度で行われるからである。
このようなメタデータは、上述の実施形態に限定されず、任意のものを採用することが可能である。例えば、次のようなメタデータを採用可能である。なお、かっこ書きで（ベター）と付しているメタデータは、そのメタデータを採用することが好適であるメタデータである。かっこ書きで（アドバンス）と付しているメタデータは、そのメタデータを採用することは必須ではないが、採用するとより適切な機械学習やマッチング（嗜好推定）及び推薦を行い得るメタデータである。
即ち、素材特性のメタデータとして、伸び率（ベター）、表面硬度（ベター）、素材タイプ（エナメル、スムース、布等）（アドバンス）を採用することができる。
製造情報のメタデータとして、ブランド名・メーカー名・工場名（アドバンス）、製法（アドバンス）を採用することができる。
ユーザＵの属性情報として、習熟度（ベター）、利用頻度（ベター）、年齢（アドバンス）を採用することができる。
このようなメタデータは、上述の実施形態に限定されず、任意のものを採用することが可能である。例えば、次のようなメタデータを採用可能である。なお、かっこ書きで（ベター）と付しているメタデータは、そのメタデータを採用することが好適であるメタデータである。かっこ書きで（アドバンス）と付しているメタデータは、そのメタデータを採用することは必須ではないが、採用するとより適切な機械学習やマッチング（嗜好推定）及び推薦を行い得るメタデータである。
即ち、素材特性のメタデータとして、伸び率（ベター）、表面硬度（ベター）、素材タイプ（エナメル、スムース、布等）（アドバンス）を採用することができる。
製造情報のメタデータとして、ブランド名・メーカー名・工場名（アドバンス）、製法（アドバンス）を採用することができる。
ユーザＵの属性情報として、習熟度（ベター）、利用頻度（ベター）、年齢（アドバンス）を採用することができる。
【0063】
上述の実施形態では、ユーザＵが靴の販売店等に赴き、そこで自身の足をスキャンしてもらい、その結果得られる足計測データＫｕを用いてマッチングが行われ、その結果に基づいて、ユーザＵにとって適切な靴（履き心地がよいと予測される靴）が推薦された。
しかしながら、マッチングの際足計測データＫｕを用いることは特に必須な事項ではない。
例えばＥＣサイト等において、ユーザＵの足・体の形状データがない状態で靴や服を推薦するには、例えばユーザＵが過去に購入してぴったりだった靴や服を用いたマッチングを行い、それらと同一の又は類似の形状のものを検索して推薦してもよい。
この場合、靴や服の計測値には大量の種類が存在し、それらの単純な類似性ではかならずしもフィッティングに重要な数値が重視されない可能性がある。そこで、上述の機械学習を適用した情報処理システムを採用し、テスターＴ（テストユーザー）による事前の評価の類似性を用いて、靴や服の計測値に対する類似性への寄与度を算出し、その寄与度を反映した検索を行えると好適である。
しかしながら、マッチングの際足計測データＫｕを用いることは特に必須な事項ではない。
例えばＥＣサイト等において、ユーザＵの足・体の形状データがない状態で靴や服を推薦するには、例えばユーザＵが過去に購入してぴったりだった靴や服を用いたマッチングを行い、それらと同一の又は類似の形状のものを検索して推薦してもよい。
この場合、靴や服の計測値には大量の種類が存在し、それらの単純な類似性ではかならずしもフィッティングに重要な数値が重視されない可能性がある。そこで、上述の機械学習を適用した情報処理システムを採用し、テスターＴ（テストユーザー）による事前の評価の類似性を用いて、靴や服の計測値に対する類似性への寄与度を算出し、その寄与度を反映した検索を行えると好適である。
【0064】
具体的には例えば、テスターＴ１と靴の組合せ（以下、「第１組合せ」と呼ぶ）による評価が、（足長差、つまみ厚差、かかと幅差、脱げやすさ）＝（＋０．１、－０．８、＋０．１、Ａ）であったものとする。また、別のテスターＴ２と靴の組合せ（以下、「第２組合せ」と呼ぶ）による評価が、（足長差、つまみ厚差、かかと幅差、脱げやすさ）＝（＋０．１、－０．８、＋０．１、Ａ）であったものとする。
この場合、機械学習により、脱げやすさを推定するために、重要だった項目の割合（寄与度）の割合が例えば次のように算出されたものとする。即ち、寄与度＝（足長差、つまみ厚差、かかと幅差）＝（０．３、０．１、０．６）と算出されたものとする。
この寄与度を用いて、靴の類似度指標（靴計測データＫｓの各測定値）の重み付けをして、マッチング（検索）を行うことができる。
例えば、第１靴の靴計測データＫｓ１が、（足長、つまみ厚、かかと幅）＝（２３．２、２．４、４．５５）であり、第２靴の靴計測データＫｓ１が、（足長、つまみ厚、かかと幅）＝（２３．６、３．６、４．６）であったものとする。この場合、上記の例では、かかと幅差の寄与度が０．６と一番高いので、計測値のうちかかと幅が重要視されてマッチング（検索）が行われる。即ち、かかと幅は、第１靴が４．５５であり第２靴が４．６であるため、第１靴と第２靴は脱げやすさの点で極めて類似していると判定される。即ち、第１靴をユーザＵが過去に購入してぴったりだったものとするならば、脱げやすさを重視するユーザＵには、第２靴が推薦されることになる。
この場合、機械学習により、脱げやすさを推定するために、重要だった項目の割合（寄与度）の割合が例えば次のように算出されたものとする。即ち、寄与度＝（足長差、つまみ厚差、かかと幅差）＝（０．３、０．１、０．６）と算出されたものとする。
この寄与度を用いて、靴の類似度指標（靴計測データＫｓの各測定値）の重み付けをして、マッチング（検索）を行うことができる。
例えば、第１靴の靴計測データＫｓ１が、（足長、つまみ厚、かかと幅）＝（２３．２、２．４、４．５５）であり、第２靴の靴計測データＫｓ１が、（足長、つまみ厚、かかと幅）＝（２３．６、３．６、４．６）であったものとする。この場合、上記の例では、かかと幅差の寄与度が０．６と一番高いので、計測値のうちかかと幅が重要視されてマッチング（検索）が行われる。即ち、かかと幅は、第１靴が４．５５であり第２靴が４．６であるため、第１靴と第２靴は脱げやすさの点で極めて類似していると判定される。即ち、第１靴をユーザＵが過去に購入してぴったりだったものとするならば、脱げやすさを重視するユーザＵには、第２靴が推薦されることになる。
【0065】
このような検索（推薦）が行われる際のユーザ端末６に表示される、ＥＣサイトの画面と、店舗でユーザＵの足がスキャンされて店舗側装置（例えばユーザ足計測装置４）に表示される画面は、例えば図１４乃至図１６のようになる。
図１４は、店舗での推薦画面のモックの一例を示す図である。
図１５は、店舗での推薦画面のモックの一例であって、図１４の画面の表示後に表示される画面の一例を示す図である。
図１６は、ＥＣサイトの画面のモックの一例である。
図１４は、店舗での推薦画面のモックの一例を示す図である。
図１５は、店舗での推薦画面のモックの一例であって、図１４の画面の表示後に表示される画面の一例を示す図である。
図１６は、ＥＣサイトの画面のモックの一例である。
【0066】
また例えば、図４に示す各ハードウェア構成は、本発明の目的を達成するための例示に過ぎず、特に限定されない。
【0067】
また、図５や図８に示す機能ブロック図は、例示に過ぎず、特に限定されない。即ち、上述した一連の処理を全体として実行出来る機能が情報処理システムに備えられていれば足り、この機能を実現するためにどのような機能ブロックを用いるのかは、図５や図８の例に特に限定されない。
【0068】
また、機能ブロックの存在場所も、図５や図８に示す場所に限定されず、任意でよい。例えば各装置の機能ブロックの少なくとも一部をユーザ端末６側に設けてもよい。つまり、ユーザ端末６からみて、ブラウザを用いて外部のサーバ等に処理を実行させる情報処理システムを構築してもよいし、インストールされるアプリケーションプログラムに処理を実行させる情報処理システムを構築させてもよいし、これらの組合せからなる情報処理システムを構築してもよい。
そして、１つの機能ブロックは、ハードウェア単体で構成してもよいし、ソフトウェア単体との組み合わせで構成してもよい。
そして、１つの機能ブロックは、ハードウェア単体で構成してもよいし、ソフトウェア単体との組み合わせで構成してもよい。
【0069】
各機能ブロックの処理をソフトウェアにより実行させる場合には、そのソフトウェアを構成するプログラムが、コンピュータ等にネットワークや記録媒体からインストールされる。
コンピュータは、専用のハードウェアに組み込まれているコンピュータであってもよい。また、コンピュータは、各種のプログラムをインストールすることで、各種の機能を実行することが可能なコンピュータ、例えばサーバの他汎用のスマートフォンやパーソナルコンピュータであってもよい。
コンピュータは、専用のハードウェアに組み込まれているコンピュータであってもよい。また、コンピュータは、各種のプログラムをインストールすることで、各種の機能を実行することが可能なコンピュータ、例えばサーバの他汎用のスマートフォンやパーソナルコンピュータであってもよい。
【0070】
このようなプログラムを含む記録媒体は、プログラムを提供するために装置本体とは別に配布される、リムーバブルメディアにより構成されるだけではなく、装置本体に予め組み込まれた状態で各ユーザに提供される記録媒体等で構成される。
【0071】
なお、本明細書において、記録媒体に記録されるプログラムを記述するステップは、その順序に添って時系列的に行われる処理はもちろん、必ずしも時系列的に処理されなくとも、並列的或いは個別に実行される処理をも含むものである。
【0072】
以上まとめると、本発明が適用される情報処理装置は、次のような構成を取れば足り、各種各様な実施形態を取ることができる。
即ち、本発明が適用される情報処理装置（例えば図１のマッチング装置５）は、
所定のアイテム（例えば靴であり、シューアンカーＳｈ１乃至Ｓｈｍでもよい）の採寸データ（例えば図２の３ＤスキャンデータＤｓ１乃至Ｄｓｍ）を標準化させた第１種標準データ（例えば図２の靴計測データＫｓ１乃至Ｋｓｍ）と、所定のテスター（例えば図２のテスターＴ１乃至Ｔｎ）の身体の少なくとも一部の採寸データ（例えば図２の３ＤスキャンデータＤｔ１乃至Ｄｔｎ）を標準化させた第２種標準データ（例えば図２の足計測データＫｔ１乃至Ｋｔｎ）との組合せを、複数のアイテム及び複数のテスター毎に用いた機械学習（例えば図２のステップＳｅ）の結果に基づいて、ユーザ（例えば図３のユーザＵ）にとってアイテムが適する度合いを予測する予測手段（例えば図３のステップＳｉのマッチングを行う図８のマッチング部１５３）と、
前記予測手段の予測結果に基づいて、前記ユーザにアイテムを推薦する推薦手段（例えば図３のステップＳｊの推薦を行う図８の推薦部１５４）と、
を備える。
即ち、本発明が適用される情報処理装置（例えば図１のマッチング装置５）は、
所定のアイテム（例えば靴であり、シューアンカーＳｈ１乃至Ｓｈｍでもよい）の採寸データ（例えば図２の３ＤスキャンデータＤｓ１乃至Ｄｓｍ）を標準化させた第１種標準データ（例えば図２の靴計測データＫｓ１乃至Ｋｓｍ）と、所定のテスター（例えば図２のテスターＴ１乃至Ｔｎ）の身体の少なくとも一部の採寸データ（例えば図２の３ＤスキャンデータＤｔ１乃至Ｄｔｎ）を標準化させた第２種標準データ（例えば図２の足計測データＫｔ１乃至Ｋｔｎ）との組合せを、複数のアイテム及び複数のテスター毎に用いた機械学習（例えば図２のステップＳｅ）の結果に基づいて、ユーザ（例えば図３のユーザＵ）にとってアイテムが適する度合いを予測する予測手段（例えば図３のステップＳｉのマッチングを行う図８のマッチング部１５３）と、
前記予測手段の予測結果に基づいて、前記ユーザにアイテムを推薦する推薦手段（例えば図３のステップＳｊの推薦を行う図８の推薦部１５４）と、
を備える。
【0073】
また、本発明が適用される別の態様の情報処理装置（例えば図１の靴計測装置１）は、
アイテムの測定データ（例えば図５のスキャン部１１１により生成される、図２の３ＤスキャンデータＤｓ１乃至Ｄｓｍ）に基づいて、正対を特定し、１以上のランドマーク点を検出し、アイテムのデザイン性を排除するための所定のルールに基づいて基準シンボルを算出し、前記正対、前記ランドマーク点、及び前記基準シンボルに基づいて、複数の項目の各計測値を算出し（例えば図７参照）、前記複数の項目の前記各計測値を少なくとも含む情報を、前記アイテムの計測データ（例えば図２の靴計測データＫｓ１乃至Ｋｓｍ）として生成する計測手段（例えば図５の標準化靴計測部１１２）
を備える。
アイテムの測定データ（例えば図５のスキャン部１１１により生成される、図２の３ＤスキャンデータＤｓ１乃至Ｄｓｍ）に基づいて、正対を特定し、１以上のランドマーク点を検出し、アイテムのデザイン性を排除するための所定のルールに基づいて基準シンボルを算出し、前記正対、前記ランドマーク点、及び前記基準シンボルに基づいて、複数の項目の各計測値を算出し（例えば図７参照）、前記複数の項目の前記各計測値を少なくとも含む情報を、前記アイテムの計測データ（例えば図２の靴計測データＫｓ１乃至Ｋｓｍ）として生成する計測手段（例えば図５の標準化靴計測部１１２）
を備える。
【符号の説明】
【0074】
１：靴計測装置
２：テスター足計測装置
３：学習装置
４：ユーザ足計測装置
５：マッチング装置
６：ユーザ端末
１１：靴計測ＤＢ
１２：足計測ＤＢ
１３：評価ＤＢ
２１：ＣＰＵ
２２：ＲＯＭ
２３：ＲＡＭ
２４：バス
２５：入出力インターフェース
２６：出力部
２７：入力部
２８：記憶部
２９：通信部
３０：ドライブ
３１：リムーバブルメディア
１１１：スキャン部
１１２：標準化靴計測部
１２１：スキャン部
１２２：標準化足計測部
１２３：評価取得部
１４１：スキャン部
１４２：標準化足計測部
１４３：評価取得部
１５１：マッチング手法決定部
１５２：ユーザ嗜好取得部
１５３：マッチング部
１５４：推薦部
Ｊ：ボールジョイント
Ａ：足囲
Ｂ：足幅
Ｃ：足長
Ｄ：踵形状
Ｅ：つま先高さ
Ｆ：つま先形状
Ｇ：歪み
Ｈ：評価データ
Ｌ：ランドマーク点
Ｕ：ユーザ
２：テスター足計測装置
３：学習装置
４：ユーザ足計測装置
５：マッチング装置
６：ユーザ端末
１１：靴計測ＤＢ
１２：足計測ＤＢ
１３：評価ＤＢ
２１：ＣＰＵ
２２：ＲＯＭ
２３：ＲＡＭ
２４：バス
２５：入出力インターフェース
２６：出力部
２７：入力部
２８：記憶部
２９：通信部
３０：ドライブ
３１：リムーバブルメディア
１１１：スキャン部
１１２：標準化靴計測部
１２１：スキャン部
１２２：標準化足計測部
１２３：評価取得部
１４１：スキャン部
１４２：標準化足計測部
１４３：評価取得部
１５１：マッチング手法決定部
１５２：ユーザ嗜好取得部
１５３：マッチング部
１５４：推薦部
Ｊ：ボールジョイント
Ａ：足囲
Ｂ：足幅
Ｃ：足長
Ｄ：踵形状
Ｅ：つま先高さ
Ｆ：つま先形状
Ｇ：歪み
Ｈ：評価データ
Ｌ：ランドマーク点
Ｕ：ユーザ
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15】
【図16】