特開 2024-56214 食品のレコメンドするレコメンド装置、レコメンド方法およびレコメンドプログラム

(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】P2024056214

(43)【公開日】2024-04-23

(54)【発明の名称】食品のレコメンドするレコメンド装置、レコメンド方法およびレコメンドプログラム

(51)【国際特許分類】

   G16H 20/60 20180101AFI20240416BHJP

【ＦＩ】

G16H20/60

【審査請求】未請求

【請求項の数】9

【出願形態】ＯＬ

(21)【出願番号】P 2022162950

(22)【出願日】2022-10-11

(71)【出願人】

【識別番号】000000228

【氏名又は名称】江崎グリコ株式会社

(74)【代理人】

【識別番号】110000796

【氏名又は名称】弁理士法人三枝国際特許事務所

(72)【発明者】

【氏名】三瓶 雅俊

(72)【発明者】

【氏名】齋藤 康雄

【テーマコード（参考）】

5L099

【Ｆターム（参考）】

5L099AA15

(57)【要約】

【課題】ユーザーの健康状態に対応した食品を適切にレコメンドする。
【解決手段】ユーザーが摂取する食品をレコメンドするレコメンド装置１であって、ユーザーの健康状態に関するユーザー情報を取得する情報取得部１１と、前記ユーザー情報に基づいて、前記食品をレコメンドするレコメンド部１４と、を備え、レコメンド部１４は、人間の健康状態に関する情報および所定の食品を説明変数とし、前記人間が前記所定の食品を摂取した場合の体感を目的変数として機械学習された体感予測モデルＭ１～Ｍｎを用いてレコメンドする。
【選択図】図１

【特許請求の範囲】

【請求項1】

ユーザーが摂取する食品をレコメンドするレコメンド装置であって、
ユーザーの健康状態に関するユーザー情報を取得する情報取得部と、
前記ユーザー情報に基づいて、前記食品をレコメンドするレコメンド部と、
を備え、
前記レコメンド部は、人間の健康状態に関する情報および所定の食品を説明変数とし、前記人間が前記所定の食品を摂取した場合の体感を目的変数として機械学習された体感予測モデルを用いて、前記レコメンドすることを特徴とするレコメンド装置。

【請求項2】

前記ユーザー情報は、前記ユーザーの腸内細菌に関する菌叢情報を含むことを特徴とする請求項１に記載のレコメンド装置。

【請求項3】

前記体感予測モデルは、レコメンドされる候補となる食品ごとに対応して用意されており、
前記レコメンド部は、出力された前記体感が所定以上である体感予測モデルに対応する食品をレコメンドすることを特徴とする請求項２に記載のレコメンド装置。

【請求項4】

前記情報取得部によって取得された前記ユーザー情報を、前記体感予測モデルに入力するための演算用情報に加工する情報加工部をさらに備え、
前記情報加工部は、前記体感予測モデルのそれぞれの機械学習に用いられた学習用データにおいて、当該体感予測モデルに対応する食品を摂取した被験者を体感の有無で分類した群の間で保有率に有意差のあった腸内細菌を前記ユーザーの腸内細菌から選択し、選択した腸内細菌を前記演算用情報に紐づけることを特徴とする請求項３に記載のレコメンド装置。

【請求項5】

ユーザーが摂取する食品をレコメンドするレコメンド方法であって、
ユーザーの健康状態に関するユーザー情報を取得する情報取得ステップと、
前記ユーザー情報に基づいて、前記食品をレコメンドするレコメンドステップと、
を備え、
前記レコメンドステップでは、人間の健康状態に関する情報および所定の食品を説明変数とし、前記人間が前記所定の食品を摂取した場合の体感を目的変数として機械学習された体感予測モデルを用いて、前記レコメンドすることを特徴とするレコメンド方法。

【請求項6】

前記ユーザー情報は、前記ユーザーの腸内細菌に関する菌叢情報を含むことを特徴とする請求項５に記載のレコメンド方法。

【請求項7】

前記体感予測モデルは、レコメンドされる候補となる食品ごとに対応して用意されており、
前記レコメンドステップでは、出力された前記体感が所定以上である体感予測モデルに対応する食品をレコメンドすることを特徴とする請求項６に記載のレコメンド方法。

【請求項8】

前記情報取得ステップによって取得された前記ユーザー情報を、前記体感予測モデルに入力するための演算用情報に加工する情報加工ステップをさらに備え、
前記情報加工ステップでは、前記体感予測モデルのそれぞれの機械学習に用いられた学習用データにおいて、当該体感予測モデルに対応する食品を摂取した被験者を体感の有無で分類した群の間で保有率に有意差のあった腸内細菌を前記ユーザーの腸内細菌から選択し、選択した腸内細菌を前記演算用情報に紐づけることを特徴とする請求項７に記載のレコメンド方法。

【請求項9】

請求項５～８のいずれかに記載のレコメンド方法の各ステップをコンピュータに実行させるためのレコメンドプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、ユーザーが摂取する食品をレコメンドするレコメンド装置、レコメンド方法およびレコメンドプログラムに関するものである。

【背景技術】

【0002】

この数年の研究により「プロバイオティクス」、「プレバイオティクス」を訴求される素材が多種類見出されている。また、それらの素材を含む非常に多種類な食品も発売されている。ユーザーは、それらの食品の中から自己が求める機能を持つ食品を選択し摂取している。

【0003】

しかし腸内菌叢には個人差があり、また宿主の健康状態や生活環境の変化によってもその構成は変化する。その結果、「プロバイオティクス」、「プレバイオティクス」の体感も個人の持つ腸内菌叢の特徴によって享受しやすい場合としにくい場合があることが報告されている（非特許文献１）。

【0004】

特許文献１、２には、ユーザーが入力した情報と腸内菌叢データに基づいて、サプリメントなどのレコメンドを行う発明が開示されている。特許文献１に記載の発明では、ユーザーが保有する腸内細菌データに基づき、ユーザーが高く保有する腸内細菌と相互作用があることが一般的に知られている素材やサプリメントがレコメンドされる。特許文献２に記載の発明では、腸内細菌データ、アンケートデータと各素材との関連度からレコメンドするサプリや素材を算出し、さらにレコメンドされた当該ユーザーの評価結果に基づいて関連度が補正され、次回のレコメンド時には反映される。

【先行技術文献】

【特許文献】

【0005】

【特許文献1】特許６９０７３９４号

【特許文献2】特許６８０１８３７号

【非特許文献】

【0006】

【非特許文献1】Keisuke Yoshida、外９名、「Bifidobacterium response to lactulose ingestion in the gut relies on a solute-binding protein-dependent ABC transporter」、Communications Biology 4、Article number: 541 (2021)

【発明の概要】

【発明が解決しようとする課題】

【0007】

しかし、特許文献１に記載の発明では、サプリメントなどのレコメンドにおいて、ユーザーが保有する他の腸内細菌データ、アンケートデータからの影響は加味されておらず、また実際のユーザーの評価結果には基づいていない。また、特許文献２に記載の発明では、各データと素材間の関連度に基づいてレコメンドを行うに過ぎず、複数のユーザーデータの相互作用による素材との関連度については考慮されない。

【0008】

多種類の「プレバイオティクス」、「プロバイオティクス」の素材の機能性（例えば、整腸作用や抗肥満、抗炎症、免疫機能改善、動脈硬化予防、認知機能改善など）に対する享受のしやすさ、しにくさは個人の持つ腸内菌叢や体質等により異なり、さらには体質と腸内菌叢は相互に作用しあう。そのためグルーピングや各項目を評価するだけでは個人の腸内菌叢と体質を配慮しきれず、ある項目の類似度だけで一律に同程度の推奨度合で食品がレコメンドされることになる。そのため、ユーザーの多くは「プレバイオティクス」、「プロバイオティクス」の食品の中から、自分がその効果を享受しやすい食品を判別するためには、レコメンドされた食品の中から自身で選択、摂取して効果を確認することを、好ましい実感を得るまで繰り返さなくてはいけない。

【0009】

本発明は、上記問題を解決するためになされたものであって、ユーザーの健康状態に対応した食品を適切にレコメンドすることを課題とする。

【課題を解決するための手段】

【0010】

上記課題を解決するために、本発明は以下の態様を含む。
項１．
ユーザーが摂取する食品をレコメンドするレコメンド装置であって、
ユーザーの健康状態に関するユーザー情報を取得する情報取得部と、
前記ユーザー情報に基づいて、前記食品をレコメンドするレコメンド部と、
を備え、
前記レコメンド部は、人間の健康状態に関する情報および所定の食品を説明変数とし、前記人間が前記所定の食品を摂取した場合の体感を目的変数として機械学習された体感予測モデルを用いて、前記レコメンドすることを特徴とするレコメンド装置。
項２．
前記ユーザー情報は、前記ユーザーの腸内細菌に関する菌叢情報を含むことを特徴とする項１に記載のレコメンド装置。
項３．
前記体感予測モデルは、レコメンドされる候補となる食品ごとに対応して用意されており、
前記レコメンド部は、出力された前記体感が所定以上である体感予測モデルに対応する食品をレコメンドすることを特徴とする項２に記載のレコメンド装置。
項４．
前記情報取得部によって取得された前記ユーザー情報を、前記体感予測モデルに入力するための演算用情報に加工する情報加工部をさらに備え、
前記情報加工部は、前記体感予測モデルのそれぞれの機械学習に用いられた学習用データにおいて、当該体感予測モデルに対応する食品を摂取した被験者を体感の有無で分類した群の間で保有率に有意差のあった腸内細菌を前記ユーザーの腸内細菌から選択し、選択した腸内細菌を前記演算用情報に紐づけることを特徴とする項３に記載のレコメンド装置。
項５．
ユーザーが摂取する食品をレコメンドするレコメンド方法であって、
ユーザーの健康状態に関するユーザー情報を取得する情報取得ステップと、
前記ユーザー情報に基づいて、前記食品をレコメンドするレコメンドステップと、
を備え、
前記レコメンドステップでは、人間の健康状態に関する情報および所定の食品を説明変数とし、前記人間が前記所定の食品を摂取した場合の体感を目的変数として機械学習された体感予測モデルを用いて、前記レコメンドすることを特徴とするレコメンド方法。
項６．
前記ユーザー情報は、前記ユーザーの腸内細菌に関する菌叢情報を含むことを特徴とする項５に記載のレコメンド方法。
項７．
前記体感予測モデルは、レコメンドされる候補となる食品ごとに対応して用意されており、
前記レコメンドステップでは、出力された前記体感が所定以上である体感予測モデルに対応する食品をレコメンドすることを特徴とする項６に記載のレコメンド方法。
項８．
前記情報取得ステップによって取得された前記ユーザー情報を、前記体感予測モデルに入力するための演算用情報に加工する情報加工ステップをさらに備え、
前記情報加工ステップでは、前記体感予測モデルのそれぞれの機械学習に用いられた学習用データにおいて、当該体感予測モデルに対応する食品を摂取した被験者を体感の有無で分類した群の間で保有率に有意差のあった腸内細菌を前記ユーザーの腸内細菌から選択し、選択した腸内細菌を前記演算用情報に紐づけることを特徴とする項７に記載のレコメンド方法。
項９．
項５～８のいずれかに記載のレコメンド方法の各ステップをコンピュータに実行させるためのレコメンドプログラム。

【発明の効果】

【0011】

本発明によれば、ユーザーの健康状態に対応した食品を適切にレコメンドすることができる。

【図面の簡単な説明】

【0012】

【図1】本発明の一実施形態に係るレコメンド装置の構成を示すブロック図である。

【図2】本発明の一実施形態に係るレコメンド方法の処理手順を示すフローチャートである。

【図3】リコメンドする候補となる食品と、解析対象となった腸内細菌（一部）の一覧である。

【図4】リコメンドステップのさらに具体的な処理手順を示すフローチャートである。

【図5】本発明の一実施形態に係るモデル生成装置の構成を示すブロック図である。

【図6】本発明の一実施形態に係るモデル生成方法の処理手順を示すフローチャートである。

【図7】本発明の変形例に係るレコメンド装置の構成を示すブロック図である。

【図8】本発明の変形例に係るモデル生成装置の構成を示すブロック図である。

【発明を実施するための形態】

【0013】

以下、本発明の実施形態について添付図面を参照して説明する。なお、本発明は、下記の実施形態に限定されるものではない。

【0014】

（レコメンド装置）
図１は、本発明の一実施形態に係るレコメンド装置１の構成を示すブロック図である。レコメンド装置１は、ユーザーが摂取する食品をレコメンド（推奨）する装置であり、本実施形態では、特に、ユーザーの整腸作用に適した食品をレコメンドする。つまり、ユーザーは、レコメンド装置１により整腸作用に適した食品のレコメンドが行われる対象者である。例えば、レコメンド装置１は、食品を製造または販売する企業によって管理されており、当該企業は、食品の購入を検討しているユーザーに対して、各ユーザーに適した食品をレコメンドする食品レコメンドサービスを提供する。

【0015】

なお、食品とは、人間が摂取可能なものであればよい。すなわち、食品は、固体状のものに限らず、ゲル状や液体状のものであってもよい。本実施形態では、食品として、特に整腸作用を有する素材として製造されたプレバイオティクスおよびプロバイオティクスを対象としている。また、食品は、整腸作用を有する素材そのものであってもよいし、当該素材を含む食材や加工食品であってもよい。

【0016】

レコメンド装置１は、汎用のコンピュータで構成することができ、ハードウェア構成として、ＣＰＵやＧＰＵなどのプロセッサ、ＤＲＡＭやＳＲＡＭなどの主記憶装置（図示省略）、および、ＨＤＤやＳＳＤなどの補助記憶装置１０を備えている。補助記憶装置１０には、菌叢情報データベースＤ１、ｎ（ｎは１以上の自然数）の体感予測モデルＭ１～Ｍｎの他、レコメンドプログラムＰ等のレコメンド装置１を動作させるための各種プログラムが格納されている。

【0017】

レコメンド装置１は、機能ブロックとして、情報取得部１１と、菌叢解析部１２と、情報加工部１３と、レコメンド部１４と、結果出力部１５とを備えている。本実施形態において、これらの各部は、レコメンド装置１のプロセッサがレコメンドプログラムＰを主記憶装置に読み出して実行することによってソフトウェア的に実現される。

【0018】

体感予測モデルＭ１～Ｍｎは、人間の健康状態に関する情報および所定の食品を説明変数とし、前記人間が前記所定の食品を摂取した場合の体感を目的変数として機械学習されている。体感予測モデルＭ１～Ｍｎは、レコメンドされる候補となる食品ごとに対応して用意されており、特定の１つの食品を摂取した場合の体感を、０（体感なし）～１（体感あり）の範囲で出力する。

【0019】

本実施形態では、ｎ＝５であり、体感予測モデルＭ１は、ビフィズス菌ＢｉｆｉＸを摂取した場合の体感を出力し、体感予測モデルＭ２は、酪酸菌を摂取した場合の体感を出力し、体感予測モデルＭ３は、イヌリンを摂取した場合の体感を出力し、体感予測モデルＭ４は、マンノオリゴ糖（ＭＯＳ）を摂取した場合の体感を出力し、体感予測モデルＭ５は、小麦ブランを摂取した場合の体感を出力する。体感予測モデルＭ１～Ｍｎの機械学習については、後述する。

【0020】

（レコメンド方法）
レコメンド装置１の機能について、図２に基づいて説明する。図２は、本実施形態に係るレコメンド方法の処理手順を示すフローチャートである。該レコメンド方法は、ステップＳ１～Ｓ４を有しており、レコメンド装置１の上記機能ブロックがステップＳ１～Ｓ４を実行する。すなわち、レコメンドプログラムＰがレコメンド装置１にステップＳ１～Ｓ４を実行させる。

【0021】

ステップＳ１（情報取得ステップ）では、情報取得部１１が、ユーザーの健康状態に関するユーザー情報を取得する。本実施形態では、ユーザー情報は、ユーザーの年齢および性別等の基礎情報、および腸内細菌に関する菌叢情報を含んでいる。基礎情報は、年齢および性別の他、排便習慣、習慣的に摂取している食品（例えばヨーグルト、乳酸菌飲料、オリゴ糖入り食品、食物繊維入り食品、納豆、キムチ等）、習慣的に摂取している薬またはサプリメント（例えば、整腸剤、胃腸薬、抗生物質、乳酸菌サプリ等）、睡眠時間、飲酒習慣の有無、朝食をとる習慣の有無、幼少期の居住地域、現在の居住地域などを含んでもよい。

【0022】

情報取得部１１は、これらの情報のうち、菌叢情報以外の基礎情報を、ユーザーが管理するユーザー端末２から取得する。具体的には、ユーザー端末２にアンケートを表示し、ユーザーがアンケートに回答してレコメンド装置１に送信することにより、情報取得部１１は、ユーザー基礎情報を取得する。

【0023】

また、情報取得部１１は、菌叢情報を補助記憶装置１０に格納された菌叢情報データベースＤ１から取得する。ユーザーは、食品レコメンドサービスを提供する企業に自身の糞便を郵送し、菌叢解析部１２が、糞便に含まれる腸内細菌の種類およびその割合を解析して、解析結果をユーザーの識別子に対応付けて菌叢情報データベースＤ１に記録する。情報取得部１１は、菌叢情報データベースＤ１からユーザーに対応する菌叢情報を取得する。

【0024】

ステップＳ２では、情報加工部１３が、情報取得部１１によって取得されたユーザー情報を、同一の識別子が付いているデータで統合することにより、体感予測モデルＭ１～Ｍｎに入力するための演算用情報に加工する。本実施形態では、情報加工部１３は、体感予測モデルＭ１～Ｍｎのそれぞれに対応した演算用情報に加工する。具体的には、情報加工部１３は、体感予測モデルＭ１～Ｍｎのそれぞれの機械学習に用いられた学習用データにおいて、当該体感予測モデルに対応する食品を摂取した被験者を体感の有無で分類した群の間で保有率（腸内細菌を保有している被験者の割合）に有意差のあった腸内細菌を選択し、選択した腸内細菌を前記演算用情報に紐づける。

【0025】

図３を参照して説明する。図３は、後述するモデル生成方法において、体感予測モデルＭ１～Ｍｎを機械学習するための学習用データを生成するために、複数の被験者に対して行われたアンケートから取得された情報に基づいて作成されたものであり、リコメンドする候補となる食品と、解析対象となった腸内細菌（一部）の一覧である。アンケートでは被験者に対し、基礎情報の他、複数の食品のそれぞれを摂取した際の整腸作用に対する被験者の実感度合いを、「好ましい変化だった・好ましくない変化だった・どちらでもない」という選択肢の中から選択して回答させる。

【0026】

図３において、〇印は、対応する食品について、「好ましい変化だった」と回答した被験者群と、「好ましくない変化だった」または「どちらでもない」と回答した被験者群との間で、保有率に有意差のあった腸内細菌を示している。例えば、ビフィズス菌ＢｉｆｉＸの列で〇印が付されている腸内細菌（g_acidaminococcus、g_adlercreutzia等）は、ビフィズス菌ＢｉｆｉＸを摂取して「好ましい変化だった」と回答した被験者群の当該腸内細菌の保有率と、「好ましくない変化だった」または「どちらでもない」と回答した被験者群の当該腸内細菌の保有率との間に有意差があった腸内細菌である。有意差検定（Ｗｅｌｃｈのｔ検定）は、Ｐｙｌｕｍ、Ｃｌａｓｓ、Ｏｒｄｅｒ、Ｆａｍｉｌｙ、Ｇｅｎｕｓ、Ｓｐｅｃｉｅｓのすべてのレベルで行う。ビフィズス菌ＢｉｆｉＸの列で〇印が付されている腸内細菌のみがビフィズス菌ＢｉｆｉＸと紐づけされる。他の腸内細菌についても同様である。

【0027】

情報加工部１３は、例えば、ビフィズス菌ＢｉｆｉＸに対応する体感予測モデルＭ１に入力するための演算用情報には、図３において、ビフィズス菌ＢｉｆｉＸの列で〇印が付されている腸内細菌の割合を紐づける。このように、演算用情報に紐づける腸内細菌を限定することにより、体感予測モデルＭ１～Ｍｎを機械学習するための演算量を低減するとともに、体感予測モデルＭ１～Ｍｎの予測精度を向上させることができる。

【0028】

図２に戻り、ステップＳ３（レコメンドステップ）では、レコメンド部１４が、ユーザー情報（加工された演算用情報）に基づいて、ユーザーが摂取する食品をレコメンドする。本実施形態では、レコメンド部１４は、体感予測モデルＭ１～Ｍｎを用いて食品をレコメンドする。

【0029】

ステップＳ３の処理について、図４を参照して説明する。図４は、ステップＳ３のさらに具体的な処理手順を示すフローチャートである。

【0030】

ステップＳ３－１では、レコメンド部１４は、体感予測モデルＭ１～Ｍｎから１の体感予測モデルを選択する。

【0031】

ステップＳ３－２では、レコメンド部１４は、選択した体感予測モデルに対し、当該体感予測モデルに対応する演算用情報を入力する。体感予測モデルは、演算用情報が入力されると、対応する食品をユーザーが摂取した場合の体感を予測結果として出力する。

【0032】

ステップＳ３－３では、レコメンド部１４は、体感予測モデルから予測結果を取得する。

【0033】

予測結果を取得していない体感予測モデルが存在する場合（ステップＳ３－４においてＮＯ）、レコメンド部１４は、体感予測モデルＭ１～Ｍｎから選択していない他の体感予測モデルを選択して（ステップＳ３－５）、ステップＳ３－２およびＳ３－３を実行する。すなわち、レコメンド部１４は、全ての体感予測モデルＭ１～Ｍｎから予測結果を取得するまで（ステップＳ３－４においてＹＥＳ）、ステップＳ３－２およびＳ３－３を繰り返す。

【0034】

ステップＳ３－６では、レコメンド部１４は、予測結果が所定以上、すなわち、ユーザーが摂取した場合の体感が所定以上に良好であると予測された食品を、ユーザーが摂取する食品としてリコメンドする。本実施形態では、予測結果が０（体感なし）～１（体感あり）の範囲で出力され、その値が０．５以上となる食品がリコメンドされる。

【0035】

以上により、図２に示すステップＳ３が終了する。

【0036】

続いて、ステップＳ４では、結果出力部１５が、レコメンド部１４によってリコメンドされた食品を出力する。本実施形態では、結果出力部１５は、予測結果をユーザー端末２に送信する。これにより、ユーザー端末２には、リコメンドされた食品が、「整腸作用の体感が得られる可能性のある食品素材」として表示される。このとき、「体感あり」となる可能性が高い食品の順に並べて表示してもよい。

【0037】

（小括）
以上のように、本実施形態では、人間の健康状態に関する情報および所定の食品を説明変数とし、前記人間が前記所定の食品を摂取した場合の体感を目的変数として機械学習された体感予測モデルＭ１～Ｍｎを用いて、ユーザーが摂取する食品をレコメンドしている。すなわち、人間の健康状態および食品と、その食品を摂取した場合の体感との関連性を機械学習によって見出しており、そのような関連性は、従来の解析では見出すことはできないため、本実施形態では、先行技術に比べ、ユーザーの健康状態に対応した食品を適切にレコメンドすることができる。

【0038】

（モデル生成装置）
続いて、体感予測モデルＭ１～Ｍｎを生成する装置および方法について説明する。

【0039】

図５は、本発明の一実施形態に係るモデル生成装置３の構成を示すブロック図である。モデル生成装置３は、機械学習によって図１に示す体感予測モデルＭ１～Ｍｎを生成する装置である。

【0040】

モデル生成装置３は、汎用のコンピュータで構成することができ、ハードウェア構成として、ＣＰＵやＧＰＵなどのプロセッサ、ＤＲＡＭやＳＲＡＭなどの主記憶装置（図示省略）、および、ＨＤＤやＳＳＤなどの補助記憶装置３０を備えている。補助記憶装置３０には、菌叢情報データベースＤ２よびアンケート情報データベースＤ３が格納されている。

【0041】

モデル生成装置３は、機能ブロックとして、情報取得部３１と、菌叢解析部３２と、情報加工部３３と、学習部３４とを備えている。本実施形態において、これらの各部は、モデル生成装置３のプロセッサが所定のプログラムを主記憶装置に読み出して実行することによってソフトウェア的に実現される。

【0042】

なお、モデル生成装置３は、単一のコンピュータで構成してもよいし、複数のコンピュータで構成してもよい。例えば、モデル生成装置３を、モデル生成のための学習用データを生成する機能ブロックである情報取得部３１、菌叢解析部３２および情報加工部３３を備えるコンピュータと、機械学習によってモデルを生成する機能ブロックである学習部３４を備えるコンピュータとで構成してもよい。

【0043】

（モデル生成方法）
モデル生成装置３の機能について、図６に基づいて説明する。図６は、本実施形態に係るモデル生成方法の処理手順を示すフローチャートである。

【0044】

ステップＳ１１では、多数の被験者から糞便を採取し、菌叢解析部３２が、糞便に含まれる腸内細菌の種類およびその割合を解析して、解析結果を被験者の識別子に対応付けて菌叢情報データベースＤ２に記録する。被験者はモデル生成のためにサンプルを提供した者である。モデル生成後は被験者が上記のレコメンド方法におけるユーザーとなってもよいし、当該ユーザーも後述する学習用データＤ４の蓄積によりモデル生成成のための被験者となってもよい。菌叢の解析手法は特に限定されないが、例えば１６Ｓメタゲノム解析により実施することができる。なお、ある被験者の腸内細菌について、他の被験者でのみ抽出が確認された細菌は、その構成割合を０として菌叢情報データベースＤ２に追記される。

【0045】

ステップＳ１２では、上記の被験者に健康状態に関するアンケートを行い、アンケート情報を収集する。アンケートでは、被験者の年齢、性別、排便習慣、習慣的に摂取している食品（例えばヨーグルト、乳酸菌飲料、オリゴ糖入り食品、食物繊維入り食品、納豆、キムチ等）、習慣的に摂取している薬またはサプリメント（例えば、整腸剤、胃腸薬、抗生物質、乳酸菌サプリ等）、睡眠時間、飲酒習慣の有無、朝食をとる習慣の有無、幼少期の居住地域および現在の居住地域等の基礎情報の他、複数の食品のそれぞれを摂取した際の整腸作用に対する被験者の実感度合いを被験者に回答させる。本実施形態において、上記の複数の食品は、ビフィズス菌ＢｉｆｉＸ、酪酸菌、イヌリン、マンノオリゴ糖（ＭＯＳ）および小麦ブランの５つの食品である。被験者の実感度合いは、例えば、「好ましい変化だった・好ましくない変化だった・どちらでもない」という選択肢の中から選ばれる。アンケート情報は、アンケート情報データベースＤ３に記録される。

【0046】

ステップＳ１３では、情報取得部３１が、被験者の健康状態に関する被験者情報を取得する。本実施形態では、情報取得部３１は、一人の被験者の菌叢情報およびアンケート情報を菌叢情報データベースＤ２およびアンケート情報データベースＤ３から取得する。

【0047】

ステップＳ１４では、情報加工部３３が、情報取得部３１によって取得された被験者情報を、学習用データの生成用に加工する。具体的には、情報加工部３３は、菌叢情報から、腸内細菌名および各細菌の構成割合を示す情報を抽出し、アンケート情報から、基礎情報の他、摂取した食品から選択された１つの食品、ならびに、その食品を摂取した際の整腸作用に対する被験者の実感度合い示す情報を抽出する。さらに、情報加工部３３は、被験者の識別子の下に、抽出した各情報を紐づけ、学習用データＤ４として補助記憶装置３０に蓄積する。

【0048】

なお、紐づけされる腸内細菌は、解析対象となった全ての腸内細菌であってもよいが、各食品について、「好ましい変化だった」と回答した被験者群と、「好ましくない変化だった」または「どちらでもない」と回答した被験者群との間で、保有率に有意差のあった腸内細菌のみを紐づけてもよい。例えば、図３において、ビフィズス菌ＢｉｆｉＸの列で〇印が付されている腸内細菌のみがビフィズス菌ＢｉｆｉＸと紐づけされる。

【0049】

図６に戻り、ステップＳ１４の終了後、学習用データＤ４のデータ量が機械学習を行うために十分な一定数以上になるまで（ステップＳ１５においてＹＥＳ）、被験者を変えながらステップＳ１３およびＳ１４を繰り返す。

【0050】

ステップＳ１６では、学習部３４が学習用データＤ４を用いて教師あり機械学習を行い、体感予測モデルＭｋ（ｋは１以上ｎ以下の自然数）を生成する。具体的には、学習部３４は、各被験者の基礎情報および選択された１つの食品を説明変数とし、その食品を摂取した際の整腸作用に対する各被験者の実感度合いを目的変数として、機械学習を行う。機械学習の方法は特に限定されないが、例えばランダムフォレストを用いることができ、機械学習のツールとしては、統計解析用オープンソース「Ｒ」の「ｃａｒｅｔ」パッケージの「ｔｒａｉｎ」関数を用いることができる。

【0051】

ステップＳ１６の終了後、全ての食品について体感予測モデルを生成するまで（ステップＳ１７においてＹＥＳ）、情報加工部３３が学習用データＤ４に紐づけする食品を変えながら、ステップＳ１３～１６を繰り返す。これにより、体感予測モデルＭ１～Ｍｎが生成される。生成された体感予測モデルＭ１～Ｍｎは、図１に示すレコメンド装置１に送信される。

【0052】

（付記事項）
以上、本発明の実施形態について説明したが、本発明は上記実施形態に限定されるものではなく、その趣旨を逸脱しない限りにおいて、種々の変更が可能である。

【0053】

例えば、上記実施形態では、体感予測モデルに入力されるユーザー情報は、年齢および性別等の基礎情報、および腸内細菌に関する菌叢情報の両方を含んでおり、同様に、体感予測モデルの機械学習に用いられる学習用データは、年齢および性別等の基礎情報、および腸内細菌に関する菌叢情報の両方を含んでいる。しかし、本発明はこれに限定されず、ユーザー情報および学習用データは、基礎情報および菌叢情報のいずれか一方を含んでもよい。すなわち、被験者の基礎情報および菌叢情報のいずれか一方を用いて機械学習を行い、生成された体感予測モデルにユーザーの基礎情報および菌叢情報のいずれか一方を入力することにより、ユーザーの体感を予測してもよい。

【0054】

図７および図８はそれぞれ、変形例に係るレコメンド装置１’およびモデル生成装置３’の構成を示すブロック図である。レコメンド装置１’は、図１に示すレコメンド装置１において、菌叢解析部１２および菌叢情報データベースＤ１を省略した構成であり、モデル生成装置３’は、図５に示すモデル生成装置３において、菌叢解析部３２および菌叢情報データベースＤ２を省略した構成である。すなわち、モデル生成装置３’は、被験者の基礎情報のみを含んだ学習用データＤ４’を用いて機械学習を行うことにより、体感予測モデルＭｋ’を生成し、レコメンド装置１’は、モデル生成装置３’によって生成された体感予測モデルＭ１’～Ｍｎ’に、ユーザー端末２から取得されたユーザーの基礎情報のみを入力することにより、食品をレコメンドする。

【0055】

また、上記実施形態では、食品を摂取した場合の体感は、主に整腸作用に対する実感度合いを意味しているが、本発明では、これに限定されず、抗肥満、抗炎症、免疫機能改善、動脈硬化予防、認知機能改善などに対する体感であってもよい。

【符号の説明】

【0056】

１ レコメンド装置
１’ レコメンド装置
１０ 補助記憶装置
１１ 情報取得部
１２ 菌叢解析部
１３ 情報加工部
１４ レコメンド部
１５ 結果出力部
２ ユーザー端末
３ モデル生成装置
３’ モデル生成装置
３０ 補助記憶装置
３１ 情報取得部
３２ 菌叢解析部
３３ 情報加工部
３４ 学習部
Ｄ１ 菌叢情報データベース
Ｄ２ 菌叢情報データベース
Ｄ３ アンケート情報データベース
Ｄ４ 学習用データ
Ｄ４’ 学習用データ
Ｍ１～Ｍｎ 体感予測モデル
Ｍ１’～Ｍｎ’ 体感予測モデル
Ｐ レコメンドプログラム

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】