ホーム > 特許ランキング > 株式会社プロフィールド
特許7461616学習装置、カタログ生産装置、学習方法、カタログの生産方法、およびプログラム
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】特許公報(B2)
(11)【特許番号】
(24)【登録日】2024-03-27
(45)【発行日】2024-04-04
(54)【発明の名称】学習装置、カタログ生産装置、学習方法、カタログの生産方法、およびプログラム
(51)【国際特許分類】
G06Q 30/015 20230101AFI20240328BHJP
【ＦＩ】
G06Q30/015
【請求項の数】
10
(21)【出願番号】P 2020024296
(22)【出願日】2020-02-17
(65)【公開番号】P2021047838
(43)【公開日】2021-03-25
【審査請求日】2022-12-26
(31)【優先権主張番号】P 2019164922
(32)【優先日】2019-09-10
(33)【優先権主張国・地域又は機関】JP
(73)【特許権者】
【識別番号】503051888
【氏名又は名称】株式会社プロフィールド
(74)【代理人】
【識別番号】100115749
【弁理士】
【氏名又は名称】谷川 英和
(72)【発明者】
【氏名】植野 博
【審査官】樋口 龍弥
(56)【参考文献】
【文献】特開２０１９－１０１８６１（ＪＰ，Ａ）
【文献】特開２０１９－０６７２４４（ＪＰ，Ａ）
【文献】特開２０１８－０４５４５５（ＪＰ，Ａ）
【文献】特開２０１８－１９７８９３（ＪＰ，Ａ）
【文献】特開２０１９－０４９９４３（ＪＰ，Ａ）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ０６Ｑ １０／００ － ９９／００
(57)【特許請求の範囲】
【請求項1】
商品を識別する商品識別子に対応付いており、商品に関する２以上の商品情報を有する２以上の商品情報集合が格納されている商品情報集合格納部と、商品識別子に対応付いている２以上の各商品情報の配置に関する配置情報が格納されている配置情報格納部と、
前記２以上の商品情報と前記２以上の配置情報とを用いて、前記２以上の商品情報を入力として、前記２以上の各商品情報の配置情報を出力とする、機械学習の予測処理で使用される学習器を、機械学習のアルゴリズムにより取得する学習部と、
前記学習部が取得した学習器を蓄積する蓄積部とを具備し、
前記商品情報集合格納部には、
前記２以上の商品情報集合に代えて、または前記２以上の商品情報集合に加えて、
当該２以上の各商品情報集合の属性値である１以上の商品情報集合属性値が商品情報集合ごとに格納されており、かつ前記２以上の各商品情報集合が有する２以上の各商品情報の属性値である商品情報属性値が格納されており、
前記配置情報格納部には、
２以上の各商品情報集合の配置に関するグループ配置情報と、２以上の各商品情報集合の中における当該２以上の各商品情報集合が有する２以上の各商品情報の配置に関する商品情報配置情報とが格納されており、
前記学習部は、
前記２以上の各商品情報集合に対する１以上の商品情報集合属性値と前記グループ配置情報とを用いて、２以上の各商品情報集合に対する１以上の商品情報集合属性値を入力として、前記２以上の各商品情報集合のグループ配置情報を出力とする、機械学習の予測処理で使用される第一学習器を、機械学習のアルゴリズムにより取得する第一学習手段と、
前記２以上の各商品情報集合が有する２以上の各商品情報の属性値である商品情報属性値と前記商品情報配置情報とを用いて、２以上の各商品情報集合が有する２以上の各商品情報または当該２以上の各商品情報の属性値である商品情報属性値を入力として、前記２以上の各商品情報の商品情報配置情報を出力とする、機械学習の予測処理で使用される第二学習器を、機械学習のアルゴリズムにより取得する第二学習手段とを具備し、
前記蓄積部は、
前記第一学習器と前記第二学習器とを蓄積する学習装置。
【請求項2】
前記商品情報集合格納部に格納されている２以上の各商品情報には、対応する商品情報集合を識別する商品情報集合識別子が対応付いており、前記学習部は、
前記２以上の各商品情報と当該各商品情報に対応付いている商品情報集合識別子と前記２以上の配置情報とを用いて、前記２以上の各商品情報と当該各商品情報に対応付いている商品情報集合識別子とを入力として、前記２以上の各商品情報の配置情報を出力とする、機械学習の予測処理で使用される第三学習器を、機械学習のアルゴリズムにより取得する第三学習手段をさらに具備し、
前記蓄積部は、
前記第三学習器とを蓄積する請求項１記載の学習装置。
【請求項3】
紙媒体または電子媒体のカタログであり、２以上の商品情報集合が表出したカタログが格納されるカタログ格納部と、前記カタログを用いて、２以上の商品情報を有する２以上の商品情報集合を取得する商品情報集合取得部と、
前記商品情報集合格納部の２以上の商品情報集合は、前記商品情報集合取得部が取得した２以上の商品情報集合である請求項１記載の学習装置。
【請求項4】
前記カタログの中には、商品情報集合を切り出すための手がかり情報が存在し、前記商品情報集合取得部は、
前記カタログから４以上の商品情報を取得する商品情報取得手段と、
前記手がかり情報を用いて、前記４以上の商品情報の少なくとも２以上をグループ化し、２以上の商品情報集合を取得する商品情報集合取得手段とを具備する請求項３記載の学習装置。
【請求項5】
２以上の商品情報を入力として、２以上の各商品情報の配置情報を出力とする、機械学習の予測処理で使用される学習器が格納される学習器格納部と、カタログを構成する元になる２以上の商品情報を有する２以上の商品情報集合が格納される商品情報格納部と、
前記２以上の商品情報と前記学習器とを用いて、機械学習のアルゴリズムにより、２以上の各商品情報の配置情報を取得する予測部と、
前記予測部が取得した配置情報であり、前記２以上の各商品情報に対応する配置情報に従い、前記２以上の各商品情報を配置し、カタログを構成するカタログ構成部と、
前記カタログ構成部が構成したカタログを出力するカタログ出力部とを具備し、
前記商品情報格納部の前記商品情報集合には、当該商品情報集合の属性値である１以上の商品情報集合属性値が対応付いており、
前記学習器格納部には、
２以上の各商品情報集合に対応付いている１以上の商品情報集合属性値を入力として、前記２以上の各商品情報集合のグループ配置情報を出力とする、機械学習の予測処理で使用される第一学習器と、２以上の各商品情報集合が有する２以上の各商品情報または当該２以上の各商品情報の属性値である商品情報属性値を入力として、前記２以上の各商品情報の商品情報配置情報を出力とする、機械学習の予測処理で使用される第二学習器とが格納され、
前記予測部は、
前記２以上の各商品情報集合に対応付いている１以上の商品情報集合属性値と前記第一学習器とを用いて、機械学習のアルゴリズムにより、前記２以上の各商品情報集合のグループ配置情報を取得する第一予測手段と、
前記２以上の各商品情報集合が有する２以上の各商品情報または当該２以上の各商品情報の属性値である商品情報属性値と前記第二学習器とを用いて、前記各商品情報の商品情報配置情報を取得する第二予測手段とを具備し、
前記カタログ構成部は、
前記第二予測手段が取得した商品情報配置情報に従って商品情報集合内の２以上の各商品情報を配置し、かつ前記第一予測手段が取得したグループ配置情報に従って２以上の各商品情報集合を配置し、カタログを構成するカタログ生産装置。
【請求項6】
前記商品情報格納部に格納されている２以上の各商品情報には、対応する商品情報集合を識別する商品情報集合識別子に対応付いており、前記学習器格納部には、
２以上の各商品情報と当該各商品情報に対応付いている商品情報集合識別子とを入力として、前記２以上の各商品情報の配置情報を出力とする、機械学習の予測処理で使用される第三学習器がさらに格納され、
前記予測部は、
前記商品情報格納部の２以上の各商品情報と商品情報集合識別子と前記第三学習器とを用いて、機械学習のアルゴリズムにより、前記２以上の各商品情報の配置情報を取得する第三予測手段をさらに具備し、
前記カタログ構成部は、
前記第三予測手段が取得した配置情報に従って前記２以上の各商品情報を配置し、カタログを構成する請求項５記載のカタログ生産装置。
【請求項7】
商品を識別する商品識別子に対応付いており、商品に関する２以上の商品情報を有する２以上の商品情報集合が格納されている商品情報集合格納部と、商品識別子に対応付いている２以上の各商品情報の配置に関する配置情報が格納されている配置情報格納部と、学習部と、蓄積部とにより実現される学習方法であって、前記学習部が、前記２以上の各商品情報の属性値である１以上の商品情報属性値と前記２以上の配置情報とを用いて、前記２以上の商品情報を入力として、前記２以上の各商品情報の配置情報を出力とする、機械学習の予測処理で使用される学習器を、機械学習のアルゴリズムにより取得する学習ステップと、
前記蓄積部が、前記学習ステップで取得された学習器を蓄積する蓄積ステップとを具備し、
前記商品情報集合格納部には、
前記２以上の商品情報集合に代えて、または前記２以上の商品情報集合に加えて、
当該２以上の各商品情報集合の属性値である１以上の商品情報集合属性値が商品情報集合ごとに格納されており、かつ前記２以上の各商品情報集合が有する２以上の各商品情報の属性値である商品情報属性値が格納されており、
前記配置情報格納部には、
２以上の各商品情報集合の配置に関するグループ配置情報と、２以上の各商品情報集合の中における当該２以上の各商品情報集合が有する２以上の各商品情報の配置に関する商品情報配置情報とが格納されており、
前記学習ステップは、
前記２以上の各商品情報集合に対する１以上の商品情報集合属性値と前記グループ配置情報とを用いて、２以上の各商品情報集合に対する１以上の商品情報集合属性値を入力として、前記２以上の各商品情報集合のグループ配置情報を出力とする、機械学習の予測処理で使用される第一学習器を、機械学習のアルゴリズムにより取得する第一学習サブステップと、
前記２以上の各商品情報集合が有する２以上の各商品情報の属性値である商品情報属性値と前記商品情報配置情報とを用いて、２以上の各商品情報集合が有する２以上の各商品情報または当該２以上の各商品情報の属性値である商品情報属性値を入力として、前記２以上の各商品情報の商品情報配置情報を出力とする、機械学習の予測処理で使用される第二学習器を、機械学習のアルゴリズムにより取得する第二学習サブステップとを具備し、
前記蓄積ステップにおいて、
前記第一学習器と前記第二学習器とを蓄積する学習方法。
【請求項8】
２以上の各商品情報の１以上の商品情報属性値を入力として、２以上の各商品情報の配置情報を出力とする、機械学習の予測処理で使用される学習器が格納される学習器格納部と、カタログを構成する元になる２以上の商品情報を有する２以上の商品情報集合が格納される商品情報格納部と、予測部と、カタログ構成部と、カタログ出力部とにより実現されるカタログの生産方法であって、前記予測部が、前記２以上の商品情報の１以上の商品情報属性値と前記学習器とを用いて、機械学習のアルゴリズムにより、２以上の各商品情報の配置情報を取得する予測ステップと、
前記カタログ構成部が、前記予測ステップで取得された配置情報であり、前記２以上の各商品情報に対応する配置情報に従い、前記２以上の各商品情報を配置し、カタログを構成するカタログ構成ステップと、
前記カタログ出力部が、前記カタログ構成ステップで構成されたカタログを出力するカタログ出力ステップとを具備し、
前記商品情報格納部の前記商品情報集合には、当該商品情報集合の属性値である１以上の商品情報集合属性値が対応付いており、
前記学習器格納部には、
２以上の各商品情報集合に対応付いている１以上の商品情報集合属性値を入力として、前記２以上の各商品情報集合のグループ配置情報を出力とする、機械学習の予測処理で使用される第一学習器と、２以上の各商品情報集合が有する２以上の各商品情報または当該２以上の各商品情報の属性値である商品情報属性値を入力として、前記２以上の各商品情報の商品情報配置情報を出力とする、機械学習の予測処理で使用される第二学習器とが格納され、
前記予測ステップは、
前記２以上の各商品情報集合に対応付いている１以上の商品情報集合属性値と前記第一学習器とを用いて、機械学習のアルゴリズムにより、前記２以上の各商品情報集合のグループ配置情報を取得する第一予測サブステップと、
前記２以上の各商品情報集合が有する２以上の各商品情報または当該２以上の各商品情報の属性値である商品情報属性値と前記第二学習器とを用いて、前記各商品情報の商品情報配置情報を取得する第二予測サブステップとを具備し、
前記カタログ構成ステップにおいて、
前記第二予測サブステップで取得された商品情報配置情報に従って商品情報集合内の２以上の各商品情報を配置し、かつ前記第一予測サブステップで取得されたグループ配置情報に従って２以上の各商品情報集合を配置し、カタログを構成するするカタログの生産方法。
【請求項9】
商品を識別する商品識別子に対応付いており、商品に関する２以上の商品情報を有する２以上の商品情報集合が格納されている商品情報集合格納部と、商品識別子に対応付いている２以上の各商品情報の配置に関する配置情報が格納されている配置情報格納部ととにアクセス可能なコンピュータを、前記２以上の商品情報と前記２以上の配置情報とを用いて、前記２以上の商品情報を入力として、前記２以上の各商品情報の配置情報を出力とする、機械学習の予測処理で使用される学習器を、機械学習のアルゴリズムにより取得する学習部と、
前記学習部が取得した学習器を蓄積する蓄積部として機能させるためのプログラムであって、
前記商品情報集合格納部には、
前記２以上の商品情報集合に代えて、または前記２以上の商品情報集合に加えて、
当該２以上の各商品情報集合の属性値である１以上の商品情報集合属性値が商品情報集合ごとに格納されており、かつ前記２以上の各商品情報集合が有する２以上の各商品情報の属性値である商品情報属性値が格納されており、
前記配置情報格納部には、
２以上の各商品情報集合の配置に関するグループ配置情報と、２以上の各商品情報集合の中における当該２以上の各商品情報集合が有する２以上の各商品情報の配置に関する商品情報配置情報とが格納されており、
前記学習部は、
前記２以上の各商品情報集合に対する１以上の商品情報集合属性値と前記グループ配置情報とを用いて、２以上の各商品情報集合に対する１以上の商品情報集合属性値を入力として、前記２以上の各商品情報集合のグループ配置情報を出力とする、機械学習の予測処理で使用される第一学習器を、機械学習のアルゴリズムにより取得する第一学習手段と、
前記２以上の各商品情報集合が有する２以上の各商品情報の属性値である商品情報属性値と前記商品情報配置情報とを用いて、２以上の各商品情報集合が有する２以上の各商品情報または当該２以上の各商品情報の属性値である商品情報属性値を入力として、前記２以上の各商品情報の商品情報配置情報を出力とする、機械学習の予測処理で使用される第二学習器を、機械学習のアルゴリズムにより取得する第二学習手段とを具備し、
前記蓄積部は、
前記第一学習器と前記第二学習器とを蓄積するものとして、前記コンピュータを機能させるためのプログラム。
【請求項10】
２以上の各商品情報の１以上の商品情報属性値を入力として、２以上の各商品情報の配置情報を出力とする、機械学習の予測処理で使用される学習器が格納される学習器格納部と、カタログを構成する元になる２以上の商品情報を有する２以上の商品情報集合が格納される商品情報格納部とにアクセス可能なコンピュータを、前記２以上の商品情報の１以上の商品情報属性値と前記学習器とを用いて、機械学習のアルゴリズムにより、２以上の各商品情報の配置情報を取得する予測部と、
前記予測部が取得した配置情報であり、前記２以上の各商品情報に対応する配置情報に従い、前記２以上の各商品情報を配置し、カタログを構成するカタログ構成部と、
前記カタログ構成部が構成したカタログを出力するカタログ出力部として機能させるためのプログラムであって、
前記商品情報格納部の前記商品情報集合には、当該商品情報集合の属性値である１以上の商品情報集合属性値が対応付いており、
前記学習器格納部には、
２以上の各商品情報集合に対応付いている１以上の商品情報集合属性値を入力として、前記２以上の各商品情報集合のグループ配置情報を出力とする、機械学習の予測処理で使用される第一学習器と、２以上の各商品情報集合が有する２以上の各商品情報または当該２以上の各商品情報の属性値である商品情報属性値を入力として、前記２以上の各商品情報の商品情報配置情報を出力とする、機械学習の予測処理で使用される第二学習器とが格納され、
前記予測部は、
前記２以上の各商品情報集合に対応付いている１以上の商品情報集合属性値と前記第一学習器とを用いて、機械学習のアルゴリズムにより、前記２以上の各商品情報集合のグループ配置情報を取得する第一予測手段と、
前記２以上の各商品情報集合が有する２以上の各商品情報または当該２以上の各商品情報の属性値である商品情報属性値と前記第二学習器とを用いて、前記各商品情報の商品情報配置情報を取得する第二予測手段とを具備し、
前記カタログ構成部は、
前記第二予測手段が取得した商品情報配置情報に従って商品情報集合内の２以上の各商品情報を配置し、かつ前記第一予測手段が取得したグループ配置情報に従って２以上の各商品情報集合を配置し、カタログを構成するものとして、前記コンピュータを機能させるためのプログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、カタログを生産するカタログ生産装置等に関するものである。
【背景技術】
【0002】
従来技術において、商品に関する商品関連データをレコードとして検索可能に登録したデータベースと、商品に関する情報を掲載したカタログデータとを管理可能なカタログ作成方法があった（特許文献１参照）。
【0003】
かかる方法は、所定の商品関連データにより、カタログデータを所定の分割単位ごとに検索する検索工程と、前記検索工程により前記商品関連データが前記カタログデータ中で検索された場合、当該分割単位と、前記商品関連データを含む前記データベースのレコードとを関連づけた関連づけテーブルを生成する関連づけ工程とを備えることを特徴とするカタログ作成方法である。
【先行技術文献】
【特許文献】
【0004】
【文献】特開２００６－２１５６５９号公報
【発明の概要】
【発明が解決しようとする課題】
【0005】
しかしながら、従来技術においては、商品情報を用いて自動的に適切なカタログを生成できなかった。
【課題を解決するための手段】
【0006】
本第一の発明の学習装置は、商品を識別する商品識別子に対応付いており、商品に関する２以上の商品情報を有する２以上の商品情報集合が格納されている商品情報集合格納部と、商品識別子に対応付いている２以上の各商品情報の配置に関する配置情報が格納されている配置情報格納部と、２以上の各商品情報の属性値である１以上の商品情報属性値と２以上の配置情報とを用いて、２以上の商品情報を入力として、２以上の各商品情報の配置情報を出力とする、機械学習の予測処理で使用される学習器を、機械学習のアルゴリズムにより取得する学習部と、学習部が構成した学習器を蓄積する蓄積部とを具備する学習装置である。
【0007】
かかる構成により、商品情報を用いて自動的に適切なカタログを生成できる学習器を取得できる。
【0008】
また、本第二の発明の学習装置は、第一の発明に対して、商品情報集合格納部の商品情報集合には、当商品情報集合の属性値である１以上の商品情報集合属性値が対応付いており、配置情報格納部には、２以上の各商品情報集合の配置に関するグループ配置情報と、２以上の各商品情報集合の中における２以上の各商品情報集合が有する２以上の各商品情報の配置に関する商品情報配置情報とが格納されており、学習部は、２以上の各商品情報集合の属性値である１以上の商品情報集合属性値とグループ配置情報とを用いて、２以上の各商品情報集合に対応付いている１以上の商品情報集合属性値を入力として、２以上の各商品情報集合のグループ配置情報を出力とする、機械学習の予測処理で使用される第一学習器を、機械学習のアルゴリズムにより取得する第一学習手段と、２以上の各商品情報集合が有する２以上の商品情報の属性値である１以上の商品情報属性値と商品情報配置情報とを用いて、２以上の各商品情報集合が有する２以上の各商品情報の属性値である商品情報属性値を入力として、２以上の各商品情報の商品情報配置情報を出力とする、機械学習の予測処理で使用される第二学習器を、機械学習のアルゴリズムにより取得する第二学習手段とを具備し、蓄積部は、第一学習器と第二学習器とを蓄積する学習装置である。
【0009】
かかる構成により、商品情報を用いて自動的に適切なカタログを生成できる学習器を取得できる。
【0010】
また、本第三の発明の学習装置は、第一の発明に対して、商品情報集合格納部に格納されている２以上の各商品情報には、対応する商品情報集合を識別する商品情報集合識別子が対応付いており、学習部は、２以上の各商品情報と各商品情報に対応付いている商品情報集合識別子と２以上の配置情報とを用いて、２以上の各商品情報と各商品情報に対応付いている商品情報集合識別子とを入力として、２以上の各商品情報の配置情報を出力とする、機械学習の予測処理で使用される第三学習器を、機械学習のアルゴリズムにより取得する第三学習手段を具備し、蓄積部は、第三学習器とを蓄積する学習装置である。
【0011】
かかる構成により、商品情報を用いて自動的に適切なカタログを生成できる学習器を取得できる。
【0012】
また、本第四の発明の学習装置は、第一から第三いずれか１つの発明に対して、紙媒体または電子媒体のカタログであり、２以上の商品情報集合が表出したカタログが格納されるカタログ格納部と、カタログを用いて、２以上の商品情報を有する２以上の商品情報集合を取得し、２以上の各商品情報集合が有する各商品情報の配置情報を取得する商品情報集合取得部と、商品情報集合格納部の２以上の商品情報集合は、商品情報集合取得部が取得した２以上の商品情報集合であり、配置情報格納部の配置情報は、商品情報集合取得部が取得した２以上の配置情報である学習装置である。
【0013】
かかる構成により、実在するカタログから、商品情報を用いて自動的に適切なカタログを生成できる学習器を取得できる。
【0014】
また、本第五の発明の学習装置は、第四の発明に対して、カタログの中には、商品情報集合を切り出すための手がかり情報が存在し、商品情報集合取得部は、カタログから４以上の商品情報を取得し、かつ各商品情報の配置情報である商品情報配置情報を取得する商品情報取得手段と、手がかり情報を用いて、４以上の商品情報の少なくとも２以上をグループ化し、２以上の商品情報集合を取得し、かつ２以上の各商品情報集合のグループ配置情報を取得する商品情報集合取得手段とを具備する学習装置である。
【0015】
かかる構成により、実在するカタログから、商品情報を用いて自動的に適切なカタログを容易に生成できる学習器を取得できる。
【0016】
また、本第六の発明のカタログ生産装置は、２以上の各商品情報の１以上の商品情報属性値を入力として、２以上の各商品情報の配置情報を出力とする、機械学習の予測処理で使用される学習器が格納される学習器格納部と、カタログを構成する元になる２以上の商品情報が格納される商品情報格納部と、２以上の商品情報の１以上の商品情報属性値と学習器とを用いて、機械学習のアルゴリズムにより、２以上の各商品情報の配置情報を取得する予測部と、予測部が取得した配置情報であり、２以上の各商品情報に対応する配置情報に従い、２以上の各商品情報を配置し、カタログを構成するカタログ構成部と、カタログ構成部が構成したカタログを出力するカタログ出力部とを具備するカタログ生産装置である。
【0017】
かかる構成により、商品情報を用いて自動的に適切なカタログを生成できる。
【0018】
また、本第七の発明のカタログ生産装置は、第六の発明に対して、商品情報集合格納部の商品情報集合には、当商品情報集合の属性値である１以上の商品情報集合属性値が対応付いており、学習器格納部には、２以上の各商品情報集合に対応付いている１以上の商品情報集合属性値を入力として、２以上の各商品情報集合のグループ配置情報を出力とする、機械学習の予測処理で使用される第一学習器と、２以上の各商品情報集合が有する２以上の各商品情報の属性値である商品情報属性値を入力として、２以上の各商品情報の商品情報配置情報を出力とする、機械学習の予測処理で使用される第二学習器とが格納され、予測部は、２以上の各商品情報集合の属性値である１以上の商品情報集合属性値と第一学習器とを用いて、機械学習のアルゴリズムにより、各商品情報集合のグループ配置情報を取得する第一予測手段と、２以上の各商品情報集合が有する２以上の各商品情報の属性値である１以上の商品情報属性値と第二学習器とを用いて、機械学習のアルゴリズムにより、各商品情報の商品情報配置情報を取得する第二予測手段とを具備し、カタログ構成部は、第二予測手段が取得した商品情報配置情報に従って商品情報集合内の２以上の各商品情報を配置し、かつ第一予測手段が取得したグループ配置情報に従って２以上の各商品情報集合を配置し、カタログを構成するカタログ生産装置である。
【0019】
かかる構成により、商品情報を用いて自動的に適切なカタログを生成できる。
【0020】
また、本第八の発明のカタログ生産装置は、第六の発明に対して、商品情報集合格納部に格納されている２以上の各商品情報には、対応する商品情報集合を識別する商品情報集合識別子に対応付いており、学習器格納部には、２以上の各商品情報と各商品情報に対応付いている商品情報集合識別子とを入力として、２以上の各商品情報の配置情報を出力とする、機械学習の予測処理で使用される第三学習器が格納され、予測部は、商品情報集合格納部の２以上の各商品情報と商品情報集合識別子と第三学習器とを用いて、機械学習のアルゴリズムにより、２以上の各商品情報の配置情報を取得する第三予測手段を具備し、カタログ構成部は、第三予測手段が取得した配置情報に従って２以上の各商品情報を配置し、カタログを構成するカタログ生産装置である。
【0021】
かかる構成により、商品情報を用いて自動的に適切なカタログを生成できる。
【発明の効果】
【0022】
本発明による情報システムによれば、商品情報を用いて自動的に適切なカタログを生成できる。
【図面の簡単な説明】
【0023】
【図1】実施の形態１における情報システムＡの概念図
【図2】同情報システムＡのブロック図
【図3】同情報システムＡを構成するカタログ生産装置２のブロック図
【図4】同学習装置１の動作例について説明するフローチャート
【図5】同商品情報集合取得処理の例について説明するフローチャート
【図6】同商品情報集合等蓄積処理の例について説明するフローチャート
【図7】同学習処理の例について説明するフローチャート
【図8】同カタログ生産装置２の動作例について説明するフローチャート
【図9】同カタログ構成処理の例について説明するフローチャート
【図10】同端末装置３の動作例について説明するフローチャート
【図11】同学習対象のカタログの例を示す図
【図12】同商品情報集合画像の例を示す図
【図13】同商品情報集合の例を示す図
【図14】同オブジェクト属性の取得のためのルール例を説明する図
【図15】同商品情報属性値の例を示す図
【図16】同商品情報集合の例を示す図
【図17】実施の形態２における情報システムＢのブロック図
【図18】同学習装置４が行う学習処理の例について説明するフローチャート
【図19】同カタログ生産装置５の動作例について説明するフローチャート
【図20】同カタログ構成処理の例について説明するフローチャート
【図21】上記実施の形態におけるコンピュータシステムの概観図
【図22】同コンピュータシステムのブロック図
【図23】同商品情報集合取得処理の第二の例について説明するフローチャート
【図24】同学習装置１の別の構成例を示すブロック図
【図25】同学習装置４の別の構成例を示すブロック図
【発明を実施するための形態】
【0024】
以下、情報システム等の実施形態について図面を参照して説明する。なお、実施の形態において同じ符号を付した構成要素は同様の動作を行うので、再度の説明を省略する場合がある。
【0025】
（実施の形態１）
本実施の形態において、２以上の商品情報を有する２以上の商品情報集合を入力とし、２以上の各商品情報の配置情報を出力とする学習器を、機械学習のアルゴリズムにより構成し、蓄積する学習装置について説明する。特に、本実施の形態において、商品情報集合の配置を決定するために使用される第一学習器と、商品情報集合内の商品情報の配置を決定するために使用される第二学習器を構成し、蓄積する学習装置について説明する。
本実施の形態において、２以上の商品情報を有する２以上の商品情報集合を入力とし、２以上の各商品情報の配置情報を出力とする学習器を、機械学習のアルゴリズムにより構成し、蓄積する学習装置について説明する。特に、本実施の形態において、商品情報集合の配置を決定するために使用される第一学習器と、商品情報集合内の商品情報の配置を決定するために使用される第二学習器を構成し、蓄積する学習装置について説明する。
【0026】
また、本実施の形態において、紙または電子データのカタログから自動的に２以上の商品情報集合を取得するカタログ生産装置について説明する。なお、紙のカタログとは、電子ではない実体のあるカタログという意味に捕らえても良い。実体のあるカタログは、紙以外の材料のカタログ、例えば、布、樹脂等のカタログでも良い。
【0027】
さらに、本実施の形態において、２以上の商品情報を有する２以上の商品情報集合から、学習装置により構築された学習器を用いて、機械学習のアルゴリズムにより、配置情報を取得し、当該配置情報を用いて、２以上の商品情報を配置することにより、カタログを作成するカタログ生産装置について説明する。特に、本実施の形態において、第一学習器を用いて商品情報集合の配置を決定し、第二学習器を用いて商品情報集合内の商品情報の配置を決定することにより、カタログを作成するカタログ生産装置について説明する。なお、本実施の形態において、第一学習器を用いて商品情報集合の配置を決定する処理と、第二学習器を用いて商品情報集合内の商品情報の配置を決定する処理の順序は問わない。
【0028】
図１は、本実施の形態における情報システムＡの概念図である。情報システムＡは、学習装置１、カタログ生産装置２、および１または２以上の端末装置３を備える。また、学習装置１、カタログ生産装置２、および１以上の各端末装置３とは、インターネット等のネットワークを介して、相互に通信可能である。
【0029】
学習装置１、およびカタログ生産装置２は、例えば、ここではいわゆるサーバ装置である。学習装置１、およびカタログ生産装置２は、例えば、クラウドサーバやＡＳＰサーバであるが、そのタイプや設置場所は問わない。端末装置３は、スマートフォンやタブレット端末や携帯電話等の携帯端末、いわゆるパソコン等であり、そのタイプは問わない。なお、学習装置１、およびカタログ生産装置２は、スタンドアロンで動作しても良い。つまり、学習装置１、およびカタログ生産装置２は、ユーザからの指示等を受け付け、情報を表示等しても良い。
【0030】
【0031】
学習装置１は、学習格納部１１、学習受付部１２、および学習処理部１３を備える。学習格納部１１は、カタログ格納部１１１、商品情報集合格納部１１２、および配置情報格納部１１３を備える。学習処理部１３は、商品情報集合取得部１３１、学習部１３２、および蓄積部１３３を備える。商品情報集合取得部１３１は、商品情報取得手段１３１１、および商品情報集合取得手段１３１２を備える。学習部１３２は、第一学習手段１３２１、および第二学習手段１３２２を備える。
【0032】
カタログ生産装置２は、格納部２１、受付部２２、処理部２３、および出力部２４を備える。格納部２１は、学習器格納部２１１、および商品情報格納部２１２を備える。処理部２３は、予測部２３１、およびカタログ構成部２３２を備える。予測部２３１は、第一予測手段２３１１、および第二予測手段２３１２を備える。出力部２４は、カタログ出力部２４１を備える。
【0033】
端末装置３は、端末格納部３１、端末受付部３２、端末処理部３３、端末送信部３４、端末受信部３５、端末出力部３６を備える。
【0034】
学習装置１を構成する学習格納部１１には、各種の情報が格納される。各種の情報とは、例えば、後述するカタログ、後述する商品情報集合、後述する配置情報である。
【0035】
カタログ格納部１１１には、電子媒体のカタログが格納される。電子媒体のカタログは、２以上の商品情報集合が表出したカタログである。なお、電子媒体のカタログは、紙媒体のカタログが読み込まれて電子媒体となった情報であることは好適である。電子媒体のカタログは、通常、画像であるが、表示されるカタログを構成する情報の集合でも良い。電子媒体のカタログは、例えば、ＨＴＭＬ、ＸＭＬ等で記述されていても良く、そのデータ構造、実現手段は問わない。カタログは、通常、後述する商品情報の集合である。カタログは、１または２以上の商品の情報が掲載されたものであり、パンフレットでも良く、チラシでも良く、広く解する。
【0036】
商品情報集合格納部１１２には、２以上の商品情報集合が格納される。一の商品情報集合は、一の商品についての情報の集合である。一の商品情報集合は、通常、２以上の商品情報を有する。商品情報集合は、商品情報集合の属性値である１以上の商品情報集合属性値に対応付いていても良い。商品情報集合属性値に対応付いていることは、商品情報集合属性値を有することでも良い。商品情報集合属性値は、例えば、商品情報そのもの、商品の種類を特定する商品種類情報、フラグ（例えば、特売品か否かを示す特売フラグ、推薦品か否かを示す推薦フラグ等）である。
【0037】
一の商品情報集合が有する２以上の商品情報の各々の内容は、通常、異なる。商品情報は、商品に関する情報である。商品情報は、例えば、商品を表す画像である商品画像、商品に関する文字列である商品文字列、商品を紹介する動画である商品動画等である。商品文字列は、例えば、商品名を示す文字列、価格を示す文字列、商品の仕様を示す文字列等である。商品情報には、商品情報の属性値である１以上の商品情報属性値が対応付いていることは好適である。また、商品情報属性値が対応付いていることは、商品情報属性値を有していることでも良い。商品情報属性値は、例えば、データタイプ（文字列、画像、金額型等）、解像度、画像のサイズ、文字列長、フォントを識別するフォント識別子、フォントサイズ、フォントの色、上または下または左または右に隣接する各商品情報の商品情報属性値等である。
【0038】
商品情報集合格納部１１２に格納されている２以上の各商品情報集合には、例えば、商品識別子またはＩＤが対応付いている。商品識別子は、商品を識別する情報である。商品情報集合の中の商品情報は、商品情報識別子に対応付いている。商品識別子は、例えば、ＩＤ、商品名である。
【0039】
配置情報格納部１１３には、２以上の各商品情報の配置情報が格納されている。配置情報には、例えば、商品識別子が対応付いている。配置情報は、配置に関する情報である。商品情報の配置情報は、例えば、カタログ内の商品情報の配置を特定する情報、ページ内の商品情報の配置を特定する情報、商品情報集合の中の商品情報の配置を特定する情報などである。カタログ内の商品情報の配置を特定する情報は、例えば、ページを識別するページ識別子、カタログ内の商品情報の位置を特定する１以上の位置座標（ｘ，ｙ）、カタログ内の商品情報の相対的な位置を特定する「“上”“中”“下”」のうちのいずれか、カタログ内の商品情報の相対的な位置を特定する「“左上”“右上”“左中央”“右中央”“左下”“右下”」のうちのいずれか、カタログ内の商品情報が属するグループ番号、商品情報が配置されているカタログ内の象限のＩＤ（例えば、第一象限、第二象限、第三象限、第四象限のうちのいずれか）等である。また、ページ内の商品情報の配置を特定する情報は、例えば、ページ内の商品情報の位置を特定する１以上の位置座標（ｘ，ｙ）、ページ内の商品情報の相対的な位置を特定する「“上”“中”“下”」のうちのいずれか、ページ内の商品情報の相対的な位置を特定する「“左上”“右上”“左中央”“右中央”“左下”“右下”」のうちのいずれか、ページ内の商品情報が属するグループ番号、商品情報が配置されているページ内の象限のＩＤ（例えば、第一象限、第二象限、第三象限、第四象限のうちのいずれか）等である。なお、グループ番号とは、カタログまたはページを２以上の部分に区切った場合の各部分を特定する情報である。配置情報は、例えば、配置される場合のサイズを特定する情報であるサイズ情報を含んでも良い。配置情報は、例えば、商品情報の左上座標（ｘ，ｙ）とサイズ情報でも良い。また、１以上の位置座標（ｘ，ｙ）は、情報が配置される領域を特定する情報である。情報が配置される領域の形状が矩形であれば、その領域を特定する位置座標（ｘ，ｙ）は、通常、一つ（例えば、左上座標）であるが、２以上（例えば、左上座標と右下座標）でも良い。
【0040】
配置情報格納部１１３には、グループ配置情報と、商品情報配置情報とが格納されていることは好適である。
【0041】
配置情報格納部１１３の中のグループ配置情報は、商品情報集合に対応付いている。配置情報格納部１１３の中のグループ配置情報は、例えば、商品識別子またはＩＤが対応付いている。グループ配置情報は、例えば、商品情報集合を識別する商品情報集合識別子に対応付いている。なお、商品情報集合識別子は、商品識別子と同じでも良い。また、一の商品情報集合に、２または３以上のグループ配置情報が対応付いていても良い。つまり、一の商品情報集合がカタログ内で２箇所以上に表出していても良い。例えば、新発売または特売等の特別な商品の商品情報集合は、カタログ内の特別な領域および一般の領域の両方に表出することがあり得る。
【0042】
また、配置情報格納部１１３の中の商品情報配置情報は、商品情報に対応付いている。配置情報格納部１１３の中の商品情報配置情報は、例えば、商品情報識別子に対応付いている。なお、一の商品情報に、２または３以上の商品情報配置情報が対応付いていても良い。つまり、一の商品情報がカタログ内で２箇所以上に表出していても良い。
【0043】
グループ配置情報とは、商品情報集合の配置に関する情報である。なお、カタログに表出した商品情報集合の領域をグループとも言うこととする。グループは、例えば、カタログやチラシなどではブロック、コマ、小組等と言われることもあり、その名称は問わない。グループ配置情報は、例えば、カタログ内のグループ（商品情報集合と言っても良い。）の配置を特定する情報、ページ内のグループの配置を特定する情報である。カタログ内のグループの配置を特定する情報は、例えば、ページを識別するページ識別子、カタログ内のグループの位置を特定する１以上の位置座標（ｘ，ｙ）、カタログ内のグループの相対的な位置を特定する「“上”“中”“下”」のうちのいずれか、カタログ内グループの相対的な位置を特定する「“左上”“右上”“左中央”“右中央”“左下”“右下”」のうちのいずれか、カタログ内のグループ番号、カタログ内のグループが配置されている象限のＩＤ（例えば、第一象限、第二象限、第三象限、第四象限のうちのいずれか）等である。ページ内のグループの配置を特定する情報は、例えば、ページ内のグループの位置を特定する１以上の位置座標（ｘ，ｙ）、ページ内のグループの相対的な位置を特定する「“上”“中”“下”」のうちのいずれか、ページ内のグループの相対的な位置を特定する「“左上”“右上”“左中央”“右中央”“左下”“右下”」のうちのいずれか、ページ内のグループ番号、ページ内のグループが配置されている象限のＩＤ（例えば、第一象限、第二象限、第三象限、第四象限のうちのいずれか）等である。なお、グループ配置情報は、商品情報集合のサイズを特定する商品情報集合サイズ情報を含んでも良い。
【0044】
商品情報配置情報とは、商品情報の配置に関する情報である。商品情報配置情報は、通常、グループ内の商品情報の配置を特定する情報である。グループ内の商品情報の配置を特定する情報は、グループ内の商品情報の１以上の相対的な位置座標（ｘ，ｙ）、グループ内の商品情報の相対的な位置を特定する「“上”“中”“下”」のうちのいずれか、グループ内の商品情報の相対的な位置を特定する「“左上”“右上”“左中央”“右中央”“左下”“右下”」のうちのいずれか、グループ内の商品情報が配置されている象限のＩＤ（例えば、第一象限、第二象限、第三象限、第四象限のうちのいずれか）等である。相対的な位置座標（ｘ，ｙ）とは、例えば、グループの代表座標（例えば、左上の点、左下の点、右下の点、重心点）を原点とした座標である。なお、商品情報配置情報は、商品情報のサイズを特定する商品情報サイズ情報を含んでも良い。
【0045】
学習受付部１２は、指示や情報等を受け付ける。指示や情報等とは、学習指示、カタログ画像、商品情報集合、配置情報等である。学習指示とは、学習処理の開始の指示である。カタログ画像とは、カタログをスキャンして得られた画像である。
【0046】
ここで、受け付けとは、通常、端末装置３からの受信であるが、例えば、キーボードやマウス、タッチパネルなどの入力デバイスから入力された情報の受け付け、光ディスクや磁気ディスク、半導体メモリなどの記録媒体から読み出された情報の受け付けなどを含む概念であっても良い。
【0047】
学習処理部１３は、各種の処理を行う。各種の処理とは、例えば、商品情報集合取得部１３１、学習部１３２、蓄積部１３３、商品情報取得手段１３１１、商品情報集合取得手段１３１２、第一学習手段１３２１、第二学習手段１３２２が行う処理である。
【0048】
商品情報集合取得部１３１は、カタログを用いて、２以上の商品情報を有する２以上の商品情報集合を取得し、当該２以上の各商品情報集合が有する各商品情報の配置情報を取得する。そして、商品情報集合取得部１３１は、例えば、取得した商品情報集合を商品情報集合格納部１１２に蓄積する。また、商品情報集合取得部１３１は、例えば、取得した配置情報を、対応する商品情報集合または商品情報と対応するように、配置情報格納部１１３に蓄積する。
【0049】
商品情報集合取得部１３１は、例えば、紙媒体のカタログを読み取り（スキャンし）、カタログ画像を取得する。そして、商品情報集合取得部１３１は、例えば、当該カタログ画像に対して画像認識処理を行い、２以上の商品情報集合の画像を切り出す。また、商品情報集合取得部１３１は、例えば、切り出した２以上の各商品情報集合のカタログ画像内での位置を特定するグループ配置情報を取得する。なお、画像認識処理とは、商品情報集合の区切りの手がかりになる図柄（例えば、商品情報集合の間を分ける線、商品情報集合を囲う枠線、背景色の変化など）を用いて、カタログ画像から２以上の商品情報集合の画像を切り出す。次に、商品情報集合取得部１３１は、例えば、商品情報の区切りの手がかりになる図柄（例えば、商品情報集合の間を分ける線、商品情報集合を囲う枠線、背景色の変化など）を用いて、２以上の各商品情報集合の画像から２以上の商品情報の画像を切り出す。また、商品情報集合取得部１３１は、例えば、切り出した２以上の各商品情報の位置を特定する商品情報配置情報を取得する。次に、商品情報集合取得部１３１は、例えば、２以上の各商品情報の画像が文字列の画像であるか否かを判断する。そして、商品情報集合取得部１３１は、例えば、文字列の画像に対して文字認識処理を行い、画像内の文字列を取得し、当該文字列を商品情報として取得する。また、文字列ではない画像は、当該画像を商品情報として取得する。
【0050】
なお、商品情報の画像が文字列の画像であるか否かを判断するアルゴリズムは何でも良い。かかる判断には、機械学習のアルゴリズムが使用可能である。機械学習のアルゴリズムは、深層学習が好適であるが、決定木、ランダムフォレスト、ＳＶＭ等でも良い。また、機械学習において、学習器を構成するためには、例えば、機械学習の関数（例えば、Tensorflowの関数、TinySVM、各種のrandomForest関数等）に、入力となる情報群（例えば、商品情報の画像、商品情報の画像から取得した特徴量ベクトル）と出力させたい情報（例えば、文字列の画像であるか否かを示すフラグ）とを引数として与えると学習器が得られる。また、機械学習において、予測する場合、機械学習の関数に学習器と入力となる情報群（例えば、商品情報の画像、または商品情報の画像から取得した特徴量ベクトル）とを引数として与えると、予測された情報（例えば、文字列の画像であるか否かを示すフラグ）が得られる。なお、商品情報の画像から取得した特徴量ベクトルを構成する要素（素性）は、例えば、画素値の平均値、輝度、文字認識処理を行った結果の文字列等、何でも良い。なお、文字認識処理を行った結果の文字列は、ＮＵＬＬの場合があっても良い。
【0051】
また、商品情報集合取得部１３１は、商品情報の画像に対して文字認識処理を行い、文字列を取得できなかった場合は当該商品情報の画像は文字列の画像ではない、と判断し、文字列を取得できた場合は当該商品情報の画像は文字列の画像である、と判断しても良い。
【0052】
また、商品情報集合取得部１３１は、商品情報の画像に対して文字認識処理を行い、文字認識結果のスコアが閾値以下または閾値より小さい場合は文字列の画像ではない、と判断し、スコアが閾値以上または閾値より大きい場合は当該商品情報の画像は文字列の画像である、と判断しても良い。
【0053】
また、商品情報集合取得部１３１は、商品情報の画像から文字の領域を判断し、商品情報の画像全体の中に占める文字の領域の割合を算出し、当該割合が閾値以下または閾値より小さい場合は文字列の画像ではない、と判断し、割合が閾値以上または閾値より大きい場合は当該商品情報の画像は文字列の画像である、と判断する等しても良い。
【0054】
商品情報取得手段１３１１は、カタログから４以上の商品情報を取得する。商品情報取得手段１３１１は、カタログから２以上の各商品情報集合の２以上の商品情報を取得する。また、商品情報取得手段１３１１は、各商品情報の配置情報である商品情報配置情報を取得する。
【0055】
商品情報取得手段１３１１は、例えば、商品情報集合取得手段１３１２が切り出した商品情報集合の各画像から、２以上の商品情報の画像を切り出す。なお、商品情報取得手段１３１１は、例えば、商品情報集合取得手段１３１２が切り出した商品情報集合の画像ごとに、商品情報の区切りの手がかりになる図柄（例えば、商品情報の間を分ける線、商品情報を囲う枠線、背景色の変化など）を用いて、２以上の各商品情報集合の画像から２以上の商品情報の画像を切り出す。
【0056】
また、商品情報取得手段１３１１は、例えば、切り出した２以上の各商品情報の位置を特定する商品情報配置情報を取得する。なお、かかる位置は、通常、商品情報集合の画像内での相対的な位置である。次に、商品情報取得手段１３１１は、例えば、２以上の各商品情報の画像が文字列の画像であるか否かを判断する。そして、商品情報取得手段１３１１は、例えば、文字列の画像に対して文字認識処理を行い、画像内の文字列を取得し、当該文字列を商品情報として取得する。また、文字列ではない画像は、当該画像を商品情報として取得する。
【0057】
商品情報取得手段１３１１は、例えば、紙媒体のカタログを読み取り（スキャンし）、カタログ画像を取得する。そして、商品情報取得手段１３１１は、例えば、商品情報の区切りの手がかりになる図柄（例えば、商品情報の間を分ける線、商品情報を囲う枠線、背景色の変化、表などの予め決められたオブジェクト位置など）を用いて、当該カタログ画像から２以上の商品情報の画像を切り出す。商品情報取得手段１３１１は、例えば、予め決められたオブジェクトを含む、その上の領域の画像が一の商品情報の画像であり、予め決められたオブジェクトより下の領域の画像が他の商品情報の画像である、と判断する。
【0058】
また、商品情報取得手段１３１１は、例えば、切り出した２以上の各商品情報の位置を特定する商品情報配置情報を取得する。次に、商品情報取得手段１３１１は、例えば、２以上の各商品情報の画像が文字列の画像であるか否かを判断する。そして、商品情報取得手段１３１１は、例えば、文字列の画像に対して文字認識処理を行い、画像内の文字列を取得し、当該文字列を商品情報として取得する。また、文字列ではない画像は、当該画像を商品情報として取得する。
【0059】
商品情報集合取得手段１３１２は、手がかり情報（例えば、手がかりになる図柄）を用いて、４以上の商品情報の少なくとも２以上をグループ化し、２以上の商品情報集合を取得する。また、商品情報集合取得手段１３１２は、取得した２以上の各商品情報集合のグループ配置情報を取得する。
【0060】
商品情報集合取得手段１３１２は、例えば、紙媒体のカタログを読み取り（スキャンし）、カタログ画像を取得する。そして、商品情報集合取得手段１３１２は、例えば、当該カタログ画像に対して画像認識処理を行い、２以上の商品情報集合の画像を切り出す。また、商品情報集合取得手段１３１２は、例えば、切り出した２以上の各商品情報集合のカタログ画像内での位置を特定するグループ配置情報を取得する。なお、使用するカタログ画像は、受信されたカタログ画像でも良いことは言うまでもない。
【0061】
また、商品情報集合取得手段１３１２は、例えば、商品情報取得手段１３１１が取得した４以上の商品情報から２以上の商品情報をグループ化し、商品情報集合を取得しても良い。かかる場合、商品情報集合は、例えば、グループ化された２以上の商品情報の商品情報識別子の集合である。また、商品情報集合は、例えば、グループ化された２以上の商品情報の集合である。
【0062】
なお、商品情報集合取得手段１３１２が２以上の商品情報をグループ化する方法は問わない。商品情報集合取得手段１３１２は、例えば、各商品情報と対になる商品情報配置情報が予め決められた条件を満たすほど近い距離にある２以上の商品情報配置情報を検知し、当該２以上の商品情報配置情報と対になる２以上の商品情報をグループ化しても良い。なお、２以上の商品情報をグループ化することは、２以上の商品情報が対応付くための処理であれば何でも良い。
【0063】
商品情報集合取得手段１３１２は、例えば、カタログ画像が有する商品情報集合の区切りの手がかりになる図柄（例えば、商品情報集合を囲う枠線など）を検知し、当該手がかりになる図柄（例えば、商品情報集合を囲う枠線など）を用いて、グループを構成する２以上の商品情報の画像を切り出しても良い。
【0064】
なお、商品情報取得手段１３１１と商品情報集合取得手段１３１２との処理順序、つまり、グループ化と商品情報の取得との処理順序等は問わない。
【0065】
学習部１３２は、２以上の商品情報と２以上の配置情報とを用いて、学習器を、機械学習のアルゴリズムにより取得する。この学習器は、機械学習の予測処理で使用される学習器である。この予測処理は、２以上の商品情報を入力として、２以上の各商品情報の配置情報を出力とする処理である。
【0066】
また、機械学習のアルゴリズムは、深層学習が好適であるが、決定木、ランダムフォレスト、ＳＶＭ等でも良い。また、機械学習において、学習器を構成するためには、例えば、機械学習の関数（例えば、Tensorflowの関数、TinySVM、各種のrandomForest関数等）に、入力となる情報群（例えば、２以上の商品情報集合、４以上の商品情報、２以上の商品情報集合の商品情報集合属性値、または４以上の各商品情報の商品情報属性値のうちの１種類以上の情報）と出力させたい情報（例えば、４以上の各商品情報の配置情報）とを引数として与えると学習器が得られる。
【0067】
また、かかる４以上の商品情報と４以上の配置情報とは、商品情報集合格納部１１２、配置情報格納部１１３の中の情報である。また、４以上の商品情報を用いることは、２以上の商品情報集合属性値を用いることでも良い。
【0068】
第一学習手段１３２１は、２以上の各商品情報集合に対応付いている１以上の商品情報集合属性値とグループ配置情報とを用いて、第一学習器を、機械学習のアルゴリズムにより取得する。第一学習器は、機械学習の予測処理で使用される情報である。予測処理は、２以上の各商品情報集合に対応付いている１以上の商品情報集合属性値を入力として、２以上の各商品情報集合のグループ配置情報を出力する処理である。
【0069】
第一学習手段１３２１は、例えば、機械学習の関数（例えば、Tensorflowの関数、TinySVM、各種のrandomForest関数等）に、入力となる情報群（例えば、２以上の商品情報集合、または２以上の各商品情報集合の１以上の商品情報集合属性値）と出力させたい情報（例えば、２以上の各商品情報集合のグループ配置情報）とを引数として与え、当該関数における学習処理を実行し、第一学習器を得る。
【0070】
第一学習手段１３２１は、商品情報集合から１以上の商品情報集合属性値を自動取得することは好適である。
【0071】
第一学習手段１３２１が使用する１以上の商品情報集合属性値は、商品情報集合そのものでも良く、商品情報集合を含んでも良い。第一学習手段１３２１が使用する１以上の商品情報集合属性値は、商品情報集合に含まれる２以上の商品情報または２以上の各商品情報の商品情報属性値でも良い。商品情報集合属性値は、例えば、上または下または左または右に隣接する各商品情報集合の商品情報集合属性値を含んでも良い。また、商品情報集合属性値は、例えば、着目する商品情報集合と予め決められた関係を有するほど近い領域に配置されている（例えば、同一ページ内）他の１以上の各商品情報集合の商品情報集合属性値を含んでも良い。
【0072】
第二学習手段１３２２は、２以上の各商品情報集合が有する２以上の商品情報の属性値である１以上の商品情報属性値と商品情報配置情報とを用いて、第二学習器を、機械学習のアルゴリズムにより取得する。第二学習器は、機械学習の予測処理で使用される情報である。予測処理は、２以上の各商品情報集合が有する２以上の各商品情報の属性値である１以上の商品情報属性値を入力として、２以上の各商品情報の商品情報配置情報を出力する処理である。なお、商品情報配置情報は、商品情報集合の中における商品情報の相対的な位置を特定する情報であることは好適である。なお、第二学習手段１３２２が使用する１以上の商品情報属性値は、商品情報そのものでも良く、商品情報そのものを含んでも良い。
【0073】
第二学習手段１３２２は、例えば、機械学習の関数（例えば、Tensorflowの関数、TinySVM、各種のrandomForest関数等）に、入力となる情報群（例えば、２以上の各商品情報集合に含まれる２以上の各の１以上の商品情報属性値）と出力させたい情報（例えば、４以上の各商品情報の商品情報配置情報）とを引数として与え、当該関数における学習処理を実行し、第二学習器を得る。
【0074】
第二学習手段１３２２は、商品情報から１以上の商品情報属性値を自動取得することは好適である。商品情報属性値は、例えば、上または下または左または右の隣接する商品情報の商品情報属性値を含んでも良い。また、商品情報集合属性値は、例えば、着目する商品情報と予め決められた関係を有するほど近い領域に配置されている（例えば、同一の商品情報集合内）他の１以上の各商品情報の商品情報属性値を含んでも良い。
【0075】
蓄積部１３３は、学習部１３２が構成した学習器を蓄積する。蓄積部１３３は、例えば、第一学習手段１３２１が取得した第一学習器と、第二学習手段１３２２が取得した第二学習器とを蓄積する。学習器の蓄積先は、学習装置内のローカルな記憶媒体でも良いし、外部の装置でも良い。蓄積部１３３は、学習部１３２が構成した学習器を、例えば、学習格納部１１に蓄積する。
【0076】
カタログ生産装置２を構成する格納部２１には、各種の情報が格納される。各種の情報は、例えば、学習器、第一学習器、第二学習器、商品情報である。
【0077】
学習器格納部２１１には、機械学習の予測処理で使用される学習器が格納される。ここでの機械学習の予測処理は、４以上の商品情報を入力として、４以上の各商品情報の配置情報を出力とする処理である。学習器格納部２１１の学習器は、学習装置１が蓄積した学習器であることは好適である。この学習器は、第一学習器と第二第二学習器であることは好適である。
【0078】
学習器格納部２１１には、例えば、機械学習の予測処理で使用される第一学習器が格納される。ここでの機械学習の予測処理は、商品情報集合に関する情報を入力として、２以上の各商品情報集合のグループ配置情報を出力とする処理である。商品情報集合に関する情報は、２以上の商品情報集合、または２以上の各商品情報集合の１以上の商品情報集合属性値、または２以上の商品情報集合と２以上の各商品情報集合の１以上の商品情報集合属性値である。
【0079】
また、学習器格納部２１１には、例えば、機械学習の予測処理で使用される第二学習器が格納される。ここでの機械学習の予測処理は、商品情報に関する情報を入力として、４以上の各商品情報の商品情報配置情報を出力とする処理である。商品情報に関する情報は、２以上の各商品情報集合が有する２以上の商品情報、または２以上の各商品情報集合が有する２以上の各商品情報の１以上の商品情報属性値、または２以上の各商品情報集合が有する２以上の商品情報と２以上の各商品情報集合が有する２以上の各商品情報の１以上の商品情報属性値である。
【0080】
商品情報格納部２１２には、カタログを構成する元になる２以上の商品情報集合が格納される。商品情報格納部２１２には、カタログを構成する元になる４以上の商品情報が格納される。商品情報のデータ構造は問わない。商品情報は、データベースに格納されていても良いし、ＣＳＶファイルでも良いし、ＸＭＬ等により記述されていても良い。
【0081】
受付部２２は、指示や情報等を受け付ける。指示や情報等とは、予測指示等である。予測指示とは、後述する予測処理の開始の指示である。予測指示は、予測処理の際に使用する１または２以上の商品情報集合を有する。予測指示は、予測処理のための使用する学習器を特定する学習器識別子または学習器を有する。
【0082】
ここで、受け付けとは、通常、端末装置３からの受信であるが、例えば、キーボードやマウス、タッチパネルなどの入力デバイスから入力された情報の受け付け、光ディスクや磁気ディスク、半導体メモリなどの記録媒体から読み出された情報の受け付けなどを含む概念であっても良い。
【0083】
処理部２３は、各種の処理を行う。各種の処理とは、例えば、予測部２３１、第一予測手段２３１１、第二予測手段２３１２、カタログ構成部２３２が行う処理である。
【0084】
予測部２３１は、予測処理を行う。予測部２３１は、４以上の商品情報と学習器とを用いて、機械学習のアルゴリズムにより、４以上の各商品情報の配置情報を取得する。機械学習のアルゴリズムは、深層学習が好適であるが、決定木、ランダムフォレスト、ＳＶＭ等でも良い。また、機械学習において、予測する場合、機械学習の関数に学習器と入力となる情報群（例えば、４以上の商品情報、２以上の商品情報集合、４以上の各商品情報の１以上の商品情報属性値、または２以上の各商品情報集合の１以上の商品情報集合属性値のうちの１種類以上の情報）とを機械学習の関数（例えば、Tensorflowの関数、TinySVM、各種のrandomForest関数等）に引数として与えると、予測された情報（例えば、各商品情報の配置情報、各商品情報集合のグループ配置情報と各商品情報の商品情報配置情報）が得られる。なお、商品情報の画像から取得した特徴量ベクトルを構成する要素（素性）は、例えば、画素値の平均値、輝度等、何でも良い。なお、予測部２３１は、一の商品情報に対して、２または３以上の配置情報を取得しても良い。
【0085】
第一予測手段２３１１は、２以上の各商品情報集合の属性値である１以上の商品情報集合属性値と第一学習器とを用いて、機械学習のアルゴリズムにより、２以上の各商品情報集合のグループ配置情報を取得する。第一予測手段２３１１が使用する商品情報集合属性値は、商品情報集合そのものであっても良く、商品情報集合そのものを含んでも良い。なお、第一予測手段２３１１は、一の商品情報集合に対して、２または３以上のグループ配置情報を取得しても良い。
【0086】
第一予測手段２３１１は、機械学習の関数に、第一学習器と２以上の各商品情報集合に対応付いている１以上の商品情報集合属性値とを引数として与え、当該関数を実行し、２以上の各商品情報集合のグループ配置情報を取得する。
【0087】
第二予測手段２３１２は、２以上の各商品情報集合が有する２以上の各商品情報の属性値である１以上の商品情報属性値と第二学習器とを用いて、各商品情報の商品情報配置情報を取得する。第二予測手段２３１２は、機械学習の関数に第二学習器と２以上の各商品情報に対応付いている１以上の商品情報属性値とを引数として与え、当該関数を動作させ、２以上の各商品情報の商品情報配置情報を取得する。なお、第二予測手段２３１２は、一の商品情報に対して、２または３以上の商品情報配置情報を取得しても良い。
【0088】
カタログ構成部２３２は、予測部２３１が取得した配置情報であり、２以上の各商品情報に対応する配置情報に従い、２以上の各商品情報を配置し、カタログを構成する。
【0089】
カタログ構成部２３２は、第二予測手段２３１２が取得した商品情報配置情報に従って商品情報集合内の２以上の各商品情報を配置し、かつ第一予測手段２３１１が取得したグループ配置情報に従って２以上の各商品情報集合を配置し、カタログを構成する。
【0090】
なお、カタログ構成部２３２がカタログ内に商品情報集合を配置する処理と、商品情報集合内に商品情報を配置する処理の順序は問わないことは言うまでもない。
【0091】
出力部２４は、各種の情報を出力する。各種の情報とは、例えば、電子的なカタログである。電子的なカタログのデータ構造は、問わない。電子的なカタログのデータ構造は、例えば、ＨＴＭＬ、ＸＭＬ、画像等である。
【0092】
カタログ出力部２４１は、カタログ構成部２３２が構成したカタログを出力する。カタログとは、例えば、電子的なカタログ、紙のカタログである。カタログ出力部２４１は、例えば、電子的なカタログを端末装置３に送信する。カタログ出力部２４１は、例えば、電子的なカタログを喜六媒体に蓄積する。カタログ出力部２４１は、例えば、紙のカタログを印刷する。
【0093】
端末装置３を構成する端末格納部３１には、各種の情報が格納される。各種の情報とは、例えば、ユーザを識別するユーザ識別子である。各種の情報は、例えば、端末受信部３５が受信した情報である。なお、ユーザ識別子は、端末装置３を識別する情報でも良い。
【0094】
端末受付部３２は、各種の指示や情報等を受け付ける。各種の指示や情報等とは、例えば、学習指示、予測指示、カタログ読込指示、カタログ画像、電子的なカタログ、商品情報集合と配置情報等である。カタログ読込指示とは、紙のカタログをスキャンする指示である。
【0095】
ここで、受け付けとは、キーボードやマウス、タッチパネルなどの入力デバイスから入力された情報の受け付け、有線もしくは無線の通信回線を介して送信された情報の受信、光ディスクや磁気ディスク、半導体メモリなどの記録媒体から読み出された情報の受け付けなどを含む概念である。
【0096】
各種の指示や情報等の入力手段は、タッチパネルやキーボードやマウスやメニュー画面によるもの等、何でも良い。端末受付部３２は、タッチパネルやキーボード等の入力手段のデバイスドライバーや、メニュー画面の制御ソフトウェア等で実現され得る。
【0097】
端末処理部３３は、各種の処理とは、例えば、端末受信部３５が受信した情報を表示されるデータに構成する処理である。各種の処理とは、例えば、端末受付部３２が受け付けた指示等を送信する指示等に構成する処理である。
【0098】
端末処理部３３は、端末受付部３２がカタログ読込指示を受け付けた場合に、紙のカタログをスキャンし、カタログ画像を取得する。
【0099】
端末送信部３４は、各種の指示や情報等を学習装置１またはカタログ生産装置２に送信する。各種の指示や情報等とは、例えば、端末処理部３３が構成した指示、端末受付部３２が受け付けた指示や情報等である。
【0100】
端末送信部３４は、例えば、学習指示、カタログ画像、電子的なカタログ、商品情報集合と配置情報のうちのいずれか１以上を学習装置１に送信する。端末送信部３４は、例えば、予測指示をカタログ生産装置２に送信する。
【0101】
端末受信部３５は、各種の情報を学習装置またはカタログ生産装置から受信する。各種の情報とは、例えば、電子的なカタログである。
【0102】
端末出力部３６は、各種の情報を取得する。各種の情報とは、例えば、端末受付部３２が受け付けた情報、端末受信部３５が受信した情報、端末処理部３３が構成した情報である。各種の情報とは、例えば、電子的なカタログ、紙のカタログである。
【0103】
端末出力部３６は、例えば、電子的なカタログを表示する。また、端末出力部３６は、例えば、紙のカタログを印刷する。
【0104】
ここで、出力とは、ディスプレイへの表示、プロジェクターを用いた投影、プリンタでの印字、外部の装置への送信、記録媒体への蓄積、他の処理装置や他のプログラムなどへの処理結果の引渡しなどを含む概念である。
【0105】
学習格納部１１、カタログ格納部１１１、商品情報集合格納部１１２、配置情報格納部１１３、格納部２１、学習器格納部２１１、商品情報格納部２１２、および端末格納部３１は、不揮発性の記録媒体が好適であるが、揮発性の記録媒体でも実現可能である。
【0106】
学習格納部１１等に情報が記憶される過程は問わない。例えば、記録媒体を介して情報が学習格納部１１等で記憶されるようになってもよく、通信回線等を介して送信された情報が学習格納部１１等で記憶されるようになってもよく、あるいは、入力デバイスを介して入力された情報が学習格納部１１等で記憶されるようになってもよい。
【0107】
学習受付部１２、受付部２２、および端末受信部３５は、通常、無線または有線の通信手段で実現される。
【0108】
学習処理部１３、商品情報集合取得部１３１、学習部１３２、蓄積部１３３、商品情報取得手段１３１１、商品情報集合取得手段１３１２、第一学習手段１３２１、第二学習手段１３２２、処理部２３、予測部２３１、カタログ構成部２３２、第一予測手段２３１１、第二予測手段２３１２、および端末処理部３３は、通常、ＭＰＵやメモリ等から実現され得る。学習処理部１３等の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【0109】
出力部２４、カタログ出力部２４１、および端末送信部３４は、通常、無線または有線の通信手段で実現されるが、放送手段で実現されても良い。
【0110】
端末受付部３２は、タッチパネルやキーボード等の入力手段のデバイスドライバーや、メニュー画面の制御ソフトウェア等で実現され得る。
【0111】
端末出力部３６は、ディスプレイやスピーカー等の出力デバイスを含むと考えても含まないと考えても良い。端末出力部３６は、出力デバイスのドライバーソフトまたは、出力デバイスのドライバーソフトと出力デバイス等で実現され得る。
【0112】
次に、情報システムＡの動作について説明する。まず、学習装置１の動作例について、図４のフローチャートを用いて説明する。
【0113】
（ステップＳ４０１）学習受付部１２は、カタログ画像を受け付けたか否かを判断する。カタログ画像を受け付けた場合はステップＳ４０２に行き、カタログ画像を受け付けなかった場合はステップＳ４０３に行く。
【0114】
（ステップＳ４０２）商品情報集合取得部１３１は、受け付けられたカタログ画像を用いて、商品情報集合取得処理を行う。商品情報集合取得処理の例について、図５のフローチャートを用いて説明する。商品情報集合取得処理とは、カタログ画像から商品情報集合と配置情報とを取得し、蓄積する処理である。
【0115】
（ステップＳ４０３）学習受付部１２は、商品情報集合等を受け付けたか否かを判断する。商品情報集合等を受け付けた場合はステップＳ４０４に行き、商品情報集合等を受け付けなかった場合はステップＳ４０５に行く。なお、ここでの商品情報集合等とは、通常、商品情報集合と配置情報である。
【0116】
（ステップＳ４０４）商品情報集合取得部１３１は、受け付けられた商品情報集合等を用いて、商品情報集合等蓄積処理を行う。商品情報集合等蓄積処理の例について、図６のフローチャートを用いて説明する。商品情報集合等蓄積処理とは、商品情報集合と配置情報とを蓄積する処理である。
【0117】
（ステップＳ４０５）学習受付部１２は、学習指示を受け付けたか否かを判断する。学習指示を受け付けた場合はステップＳ４０６に行き、学習指示を受け付けなかった場合はステップＳ４０１に戻る。
【0118】
（ステップＳ４０６）学習部１３２は、ステップＳ４０５で受け付けられた学習指示に従って、学習処理を行う。学習処理の例について、図７のフローチャートを用いて説明する。
【0119】
なお、図４のフローチャートにおいて、電源オフや処理終了の割り込みにより処理は終了する。
【0120】
また、図４のフローチャートにおいて、学習装置１は、処理の結果を端末装置３に送信することは好適である。
【0121】
次に、ステップＳ４０２の商品情報集合取得処理の例について、図５のフローチャートを用いて説明する。
【0122】
（ステップＳ５０１）商品情報集合取得部１３１は、カウンタｉに１を代入する。
【0123】
（ステップＳ５０２）商品情報集合取得部１３１は、受け付けられたカタログ画像の中に、ｉ番目のページ画像が存在するか否かを判断する。ｉ番目のページ画像が存在する場合はステップＳ５０３に行き、ｉ番目のページ画像が存在しない場合は上位処理にリターンする。
【0124】
（ステップＳ５０３）商品情報集合取得部１３１は、受け付けられたカタログ画像の中からｉ番目のページ画像を取得する。
【0125】
（ステップＳ５０４）商品情報集合取得部１３１は、ｉ番目のページ画像に対して、１以上の商品情報集合画像にカットする処理を行う。なお、かかる処理は、例えば、１以上の各商品情報集合画像を取得することでも良いし、１以上の各商品情報集合画像を代表する１または２以上の座標情報（ｘ、ｙ）を取得すること等でも良い。なお、１以上の各商品情報集合画像を代表する座標情報（ｘ、ｙ）は、例えば、矩形領域における左上座標と右下画像である。また、商品情報集合画像は、商品情報集合の元になる画像である。商品情報集合画像は、商品情報集合が表出した画像である。
【0126】
（ステップＳ５０５）商品情報集合取得部１３１は、カウンタｊに１を代入する。
【0127】
（ステップＳ５０６）商品情報集合取得部１３１は、ステップＳ５０４でカットされ、取得され得る商品情報集合画像の中に、ｊ番目の商品情報集合画像が存在するか否かを判断する。ｊ番目の商品情報集合画像が存在する場合はステップＳ５０７に行き、ｊ番目の商品情報集合画像が存在しない場合はステップＳ５２５に行く。
【0128】
（ステップＳ５０７）商品情報集合取得部１３１は、ｊ番目の商品情報集合画像（ｊ番目の商品情報集合と言っても良い）を識別する識別子である商品情報集合識別子を取得する。なお、商品情報集合取得部１３１は、ユニークな商品情報集合識別子を生成しても良いし、ユニークな商品情報集合識別子の集合が格納されている学習格納部１１から一の商品情報集合識別子を取得しても良い。つまり、ユニークな商品情報集合識別子を取得する方法は問わない。
【0129】
（ステップＳ５０８）商品情報集合取得部１３１は、ｊ番目の商品情報集合画像から１以上の商品情報集合属性値を取得する。なお、商品情報集合属性値は、例えば、商品の種類を特定する商品種類情報、フラグ（例えば、特売品か否かを示す特売フラグ、推薦品か否かを示す推薦フラグ等）、サイズ、文字認識処理を行い取得された文字列である。商品情報集合取得部１３１は、例えば、ｊ番目の商品情報集合画像に対して文字認識処理を行い、商品の種類を特定する文字列である商品種類情報を取得する。また、商品情報集合取得部１３１は、例えば、ｊ番目の商品情報集合画像に対して画像認識処理を行い、特売品を示す図柄が存在するか否かを判断し、特売品を示す図柄が存在すると判断した場合に、特売フラグを取得する。また、商品情報集合取得部１３１は、例えば、ｊ番目の商品情報集合画像に対して画像認識処理を行い、推薦品を示す図柄が存在するか否かを判断し、推薦品を示す図柄が存在すると判断した場合に、推薦フラグを取得する。なお、特売品を示す図柄、推薦品を示す図柄は、例えば、予め学習格納部１１に格納されている、とする。
【0130】
また、商品情報集合取得部１３１は、後述するステップＳ５１７またはステップＳ５１８で取得される商品情報、または後述するステップＳ５１９で取得される商品情報属性値をも商品情報集合属性値として取得しても良い。かかる場合、ステップＳ５０７からＳ５１１の処理は、ステップＳ５１７からステップＳ５１９の処理等の後に行っても良い。
【0131】
（ステップＳ５０９）商品情報集合取得部１３１は、ステップＳ５０７で取得した商品情報集合識別子に対応付けて、ステップＳ５０８で取得した１以上の商品情報集合属性値を商品情報集合格納部１１２に蓄積する。
【0132】
（ステップＳ５１０）商品情報集合取得部１３１は、カタログ画像の中で、ｊ番目の商品情報集合画像が配置されている領域を特定するグループ配置情報を取得する。グループ配置情報は、例えば、カタログ画像の中の１または２以上の座標情報（ｘ、ｙ）である。グループ配置情報は、例えば、ページ識別子と１または２以上の座標情報（ｘ、ｙ）である。
【0133】
（ステップＳ５１１）商品情報集合取得部１３１は、ステップＳ５０７で取得した商品情報集合識別子に対応付けて、ステップＳ５１０で取得したグループ配置情報を配置情報格納部１１３に蓄積する。
【0134】
（ステップＳ５１２）商品情報集合取得部１３１は、ｊ番目の商品情報集合画像に対して、１以上の商品情報画像にカットする処理を行う。なお、かかる処理は、例えば、１以上の各商品情報画像を取得することでも良いし、１以上の各商品情報画像を代表する１または２以上の座標情報（ｘ、ｙ）を取得すること等でも良い。なお、１以上の各商品情報画像を代表する座標情報（ｘ、ｙ）は、例えば、矩形領域における左上座標と右下画像である。また、商品情報画像は、商品情報の元になる画像である。商品情報画像は、商品情報が表出した画像である。
【0135】
（ステップＳ５１３）商品情報集合取得部１３１は、カウンタｋに１を代入する。
【0136】
（ステップＳ５１４）商品情報集合取得部１３１は、ステップＳ５１２でカットされ、取得され得る商品情報画像の中に、ｋ番目の商品情報画像が存在するか否かを判断する。ｋ番目の商品情報画像が存在する場合はステップＳ５１５に行き、ｋ番目の商品情報画像が存在しない場合はステップＳ５２４に行く。
【0137】
（ステップＳ５１５）商品情報集合取得部１３１は、ｋ番目の商品情報画像（ｋ番目の商品情報と言っても良い）を識別する識別子である商品情報識別子を取得する。なお、商品情報集合取得部１３１は、ユニークな商品情報識別子を生成しても良いし、ユニークな商品情報識別子の集合が格納されている学習格納部１１から一の商品情報識別子を取得しても良い。つまり、ユニークな商品情報識別子を取得する方法は問わない。商品情報集合取得部１３１は、ｊ番目の商品情報集合識別子を含む商品情報識別子を取得しても良い。商品情報識別子は、全体でユニークであっても良いし、商品情報集合の中でユニークであっても良い。商品情報集合の中でユニークである場合、商品情報識別子は、商品情報集合識別子を含む、または商品情報集合識別子に対応付いている。
【0138】
（ステップＳ５１６）商品情報集合取得部１３１は、ｋ番目の商品情報画像が文字列の画像であるか否かを判断する。文字列の画像である場合はステップＳ５１７に行き、文字列の画像でない場合（商品画像等の画像である場合）はステップＳ５１８に行く。
【0139】
（ステップＳ５１７）商品情報集合取得部１３１は、商品情報集合取得部１３１は、ｋ番目の商品情報画像に対して文字認識処理を行い、文字列を取得する。かかる文字列は、商品情報である。
【0140】
（ステップＳ５１８）商品情報集合取得部１３１は、ｋ番目の商品情報画像を、画像の商品情報として取得する。
【0141】
（ステップＳ５１９）商品情報集合取得部１３１は、文字列の商品情報、または画像の商品情報から、１または２以上の商品情報属性値を取得する。商品情報が文字列である場合、取得される商品情報属性値は、例えば、文字列長、フォントを識別するフォント識別子、フォントサイズ、フォントの色、文字認識処理により取得された文字列、上または下または左または右に隣接する各商品情報の商品情報属性値等である。また、商品情報が画像である場合、取得される商品情報属性値は、例えば、解像度、画像のサイズ、画像認識の結果（例えば、画像内の商品の種類、画像内のオブジェクトの名称）上または下または左または右に隣接する各商品情報の商品情報属性値等である。
【0142】
（ステップＳ５２０）商品情報集合取得部１３１は、ステップＳ５１５で取得した商品情報識別子に対応付けて、ステップＳ５１９で取得した１または２以上の商品情報属性値を商品情報集合格納部１１２に蓄積する。なお、かかる１または２以上の商品情報属性値は、通常、ｊ番目の商品情報集合識別子に対応付いている。
【0143】
（ステップＳ５２１）商品情報集合取得部１３１は、ｋ番目の商品情報画像の商品情報集画像内の配置を特定する商品情報配置情報を取得する。なお、商品情報配置情報は、通常、商品情報集画像内の相対的は配置を特定する情報であるが、ページ内の配置を特定する情報でも良い。また、商品情報配置情報は、例えば、１または２以上の座標情報（ｘ，ｙ）である。
【0144】
（ステップＳ５２２）商品情報集合取得部１３１は、ステップＳ５１５で取得した商品情報識別子に対応付けて、ステップＳ５２１で取得した商品情報配置情報を配置情報格納部１１３に蓄積する。
【0145】
（ステップＳ５２３）商品情報集合取得部１３１は、カウンタｋを１、インクリメントする。ステップＳ５１４に戻る。
【0146】
（ステップＳ５２４）商品情報集合取得部１３１は、カウンタｊを１、インクリメントする。ステップＳ５０６に戻る。
【0147】
（ステップＳ５２５）商品情報集合取得部１３１は、カウンタｉを１、インクリメントする。ステップＳ５０２に戻る。
【0148】
次に、ステップＳ４０４の商品情報集合等蓄積処理の例について、図６のフローチャートを用いて説明する。
【0149】
（ステップＳ６０１）商品情報集合取得部１３１は、カウンタｉに１を代入する。
【0150】
（ステップＳ６０２）商品情報集合取得部１３１は、受け付けられた商品情報集合等の中に、ｉ番目の商品情報集合が存在するか否かを判断する。ｉ番目の商品情報画像が存在する場合はステップＳ６０３に行き、ｉ番目の商品情報画像が存在しない場合は上位処理にリターンする。
【0151】
（ステップＳ６０３）商品情報集合取得部１３１は、ｉ番目の商品情報集合を識別する識別子である商品情報集合識別子を取得する。なお、商品情報集合取得部１３１は、ユニークな商品情報集合識別子を生成しても良いし、ユニークな商品情報集合識別子の集合が格納されている学習格納部１１から一の商品情報集合識別子を取得しても良い。つまり、ユニークな商品情報集合識別子を取得する方法は問わない。
【0152】
（ステップＳ６０４）商品情報集合取得部１３１は、ｉ番目の商品情報集合から１以上の商品情報集合属性値を取得する。なお、商品情報集合属性値はｉ番目の商品情報集合に対応付いている、またはｉ番目の商品情報集合に含まれていても良い。また、商品情報集合属性値は、例えば、商品の種類を特定する商品種類情報、フラグ（例えば、特売品か否かを示す特売フラグ、推薦品か否かを示す推薦フラグ等）である。
【0153】
また、商品情報集合取得部１３１は、例えば、商品情報集合に含まれる商品情報等であり、後述するステップＳ６１１で取得される商品情報等をも商品情報集合属性値として取得しても良い。
【0154】
（ステップＳ６０５）商品情報集合取得部１３１は、ステップＳ６０３で取得した商品情報集合識別子に対応付けて、ステップＳ６０４で取得した１以上の商品情報集合属性値を商品情報集合格納部１１２に蓄積する。
【0155】
（ステップＳ６０６）商品情報集合取得部１３１は、受け付けられた商品情報集合等の中に、ｉ番目の商品情報集合と対になるグループ配置情報を取得する。
【0156】
（ステップＳ６０７）商品情報集合取得部１３１は、ステップＳ６０３で取得した商品情報集合識別子に対応付けて、ステップＳ６０５で取得したグループ配置情報を配置情報格納部１１３に蓄積する。
【0157】
（ステップＳ６０８）商品情報集合取得部１３１は、カウンタｊに１を代入する。
【0158】
（ステップＳ６０９）商品情報集合取得部１３１は、ｉ番目の商品情報集合と対になるｊ番目の商品情報が存在するか否かを判断する。ｊ番目の商品情報が存在する場合はステップＳ５１０に行き、ｊ番目の商品情報が存在しない場合はステップＳ６１６に行く。
【0159】
（ステップＳ６１０）商品情報集合取得部１３１は、ｊ番目の商品情報を識別する識別子である商品情報識別子を取得する。なお、商品情報集合取得部１３１は、ユニークな商品情報識別子を生成しても良いし、ユニークな商品情報識別子の集合が格納されている学習格納部１１から一の商品情報識別子を取得しても良い。つまり、ユニークな商品情報識別子を取得する方法は問わない。商品情報集合取得部１３１は、ｉ番目の商品情報集合識別子を含む商品情報識別子を取得しても良い。商品情報識別子は、全体でユニークであっても良いし、商品情報集合の中でユニークであっても良い。商品情報集合の中でユニークである場合、商品情報識別子は、商品情報集合識別子を含む、または商品情報集合識別子に対応付いている。
【0160】
（ステップＳ６１１）商品情報集合取得部１３１は、ｊ番目の商品情報の１以上の商品情報属性値を取得する。
【0161】
（ステップＳ６１２）商品情報集合取得部１３１は、ステップＳ６１０で取得した商品情報識別子に対応付けて、ｊ番目の商品情報の１以上の商品情報属性値を商品情報集合格納部１１２に蓄積する。商品情報集合取得部１３１は、ｊ番目の商品情報をも、ステップＳ６１０で取得した商品情報識別子に対応付けて、商品情報集合格納部１１２に蓄積しても良い。
【0162】
（ステップＳ６１３）商品情報集合取得部１３１は、受け付けられた商品情報集合等の中から、ｊ番目の商品情報と対になる商品情報配置情報を取得する。
【0163】
（ステップＳ６１４）商品情報集合取得部１３１は、ステップＳ６１０で取得した商品情報識別子に対応付けて、ステップＳ６１３で取得した商品情報配置情報を配置情報格納部１１３に蓄積する。
【0164】
（ステップＳ６１５）商品情報集合取得部１３１は、カウンタｊを１、インクリメントする。ステップＳ６０８に戻る。
【0165】
（ステップＳ６１６）商品情報集合取得部１３１は、カウンタｉを１、インクリメントする。ステップＳ６０２に戻る。
【0166】
次に、ステップＳ４０６の学習処理の例について、図７のフローチャートを用いて説明する。
【0167】
（ステップＳ７０１）第一学習手段１３２１は、は、カウンタｉに１を代入する。
【0168】
（ステップＳ７０２）第一学習手段１３２１は、商品情報集合格納部１１２の中に、ｉ番目の商品情報集合が存在するか否かを判断する。ｉ番目の商品情報集合が存在する場合はステップＳ７０３に行き、ｉ番目の商品情報集合が存在しない場合はステップＳ７０６に行く。
【0169】
（ステップＳ７０３）第一学習手段１３２１は、ｉ番目の商品情報集合に対応する１以上の商品情報集合属性値を商品情報集合格納部１１２から取得する。
【0170】
（ステップＳ７０４）第一学習手段１３２１は、ｉ番目の商品情報集合に対応するグループ配置情報を、配置情報格納部１１３から取得する。
【0171】
（ステップＳ７０５）第一学習手段１３２１は、は、カウンタｉを１、インクリメントする。ステップＳ７０２に戻る。
【0172】
（ステップＳ７０６）第一学習手段１３２１は、ステップＳ７０３で取得された２以上の各商品情報集合に対応する１以上の商品情報集合属性値と、ステップＳ７０３で取得された２以上の各商品情報集合に対応するグループ配置情報であり、ステップＳ７０４で取得されたグループ配置情報とを用いて、機械学習のアルゴリズムにより、第一学習処理を行い、２以上の各商品情報集合に対応する１以上の商品情報集合属性値を入力とし、２以上の各商品情報集合に対応するグループ配置情報を出力とする予測処理に用いる学習器である第一学習器を取得する。なお、第一学習手段１３２１は、ステップＳ７０３で取得された２以上の各商品情報集合に対応する１以上の商品情報集合属性値と、ステップＳ７０３で取得された２以上の各商品情報集合に対応するグループ配置情報とを用いて、商品情報集合ごとに、ベクトルを構成し、当該２以上のベクトルを用いて、機械学習のアルゴリズムにより、第一学習処理を行い、第一学習器を取得しても良い。なお、かかるベクトルは、商品情報集合の特徴量ベクトルと言っても良い。
【0173】
（ステップＳ７０７）蓄積部１３３は、ステップＳ７０６で取得された第一学習器を蓄積する。
【0174】
（ステップＳ７０８）第二学習手段１３２２は、カウンタｉに１を代入する。
【0175】
（ステップＳ７０９）第一学習手段１３２１は、商品情報集合格納部１１２の中に、ｉ番目の商品情報集合が存在するか否かを判断する。ｉ番目の商品情報集合が存在する場合はステップＳ７１０に行き、ｉ番目の商品情報集合が存在しない場合はステップＳ７１６に行く。
【0176】
（ステップＳ７１０）第二学習手段１３２２は、カウンタｊに１を代入する。
【0177】
（ステップＳ７１１）第二学習手段１３２２は、ｉ番目の商品情報集合に対応するｊ番目の商品情報が存在するか否かを判断する。ｊ番目の商品情報が存在する場合はステップＳ７１２に行き、ｊ番目の商品情報が存在しない場合はステップＳ７１５に行く。
【0178】
（ステップＳ７１２）第二学習手段１３２２は、ｊ番目の商品情報の１以上の商品情報属性値を商品情報集合格納部１１２から取得する。
【0179】
（ステップＳ７１３）第二学習手段１３２２は、ｊ番目の商品情報と対になる商品情報配置情報を配置情報格納部１１３から取得する。
【0180】
（ステップＳ７１４）第二学習手段１３２２は、カウンタｊを１、インクリメントする。ステップＳ７１１に戻る。
【0181】
（ステップＳ７１５）第二学習手段１３２２は、カウンタｉを１、インクリメントする。ステップＳ７０９に戻る。
【0182】
（ステップＳ７１６）第二学習手段１３２２は、ステップＳ７１２で取得された２以上の各商品情報に対応する１以上の商品情報属性値と、ステップＳ７１３で取得された２以上の各商品情報に対応する商品情報配置情報とを用いて、機械学習のアルゴリズムにより、第二学習処理を行い、２以上の各商品情報に対応する１以上の商品情報属性値を入力とし、２以上の各商品情報に対応する商品情報配置情報を出力とする予測処理に用いる学習器である第二学習器を取得する。第二学習手段１３２２は、例えば、ステップＳ７１２で取得された２以上の各商品情報に対応する１以上の商品情報属性値と、ステップＳ７１３で取得された２以上の各商品情報に対応する商品情報配置情報とを用いて、商品情報ごとにベクトルを構成し、当該ベクトルを用いて、機械学習のアルゴリズムにより、第二学習処理を行い、第二学習器を取得する。なお、かかるベクトルは、商品情報特徴量ベクトルと言っても良い。
【0183】
（ステップＳ７１７）蓄積部１３３は、ステップＳ７１６で取得された第二学習器を蓄積する。上位処理にリターンする。
【0184】
次に、カタログ生産装置２の動作例について、図８のフローチャートを用いて説明する。
【0185】
（ステップＳ８０１）受付部２２は、予測指示を受け付けたか否かを判断する。予測指示を受け付けた場合はステップＳ８０２に行き、予測指示を受け付けなかった場合はステップＳ８０１に戻る。
【0186】
（ステップＳ８０２）第二予測手段２３１２は、カウンタｉに１を代入する。
【0187】
（ステップＳ８０３）第二予測手段２３１２は、ステップＳ８０１で受け付けた予測指示により特定される商品情報集合の中に、ｉ番目の商品情報集合が存在するか否かを判断する。ｉ番目の商品情報集合が存在する場合はステップＳ８０４に行き、ｉ番目の商品情報集合が存在しない場合はステップＳ８１２に行く。なお、予測指示により特定される商品情報集合は、例えば、商品情報格納部２１２に格納されている。
【0188】
（ステップＳ８０４）第二予測手段２３１２は、カウンタｊに１を代入する。
【0189】
（ステップＳ８０５）第二予測手段２３１２は、ｉ番目の商品情報集合に対応するｊ番目の商品情報が存在するか否かを判断する。ｊ番目の商品情報が存在する場合はステップＳ８０６行き、ｊ番目の商品情報が存在しない場合はステップＳ８０８に行く。
【0190】
（ステップＳ８０６）第二予測手段２３１２は、ｊ番目の商品情報に対応する１以上の商品情報属性値を取得する。
【0191】
（ステップＳ８０７）第二予測手段２３１２は、カウンタｊを１、インクリメントする。ステップＳ８０５に戻る。
【0192】
（ステップＳ８０８）第二予測手段２３１２は、ステップＳ８０１で受け付けた予測指示により特定される第二学習器を学習器格納部２１１から取得する。
【0193】
（ステップＳ８０９）第二予測手段２３１２は、ステップＳ８０６で取得した２以上の各商品情報の１以上の商品情報属性値を第二学習器に適用し、機械学習のアルゴリズムにより、予測処理を行い、２以上の各商品情報の配置を特定する商品情報配置情報を取得する。
【0194】
（ステップＳ８１０）第二予測手段２３１２は、２以上の各商品情報に対応付けて、ステップＳ８０９で取得した商品情報配置情報を図示しないバッファに蓄積する。
【0195】
（ステップＳ８１１）第二予測手段２３１２は、カウンタｉを１、インクリメントする。ステップＳ８０３に戻る。
【0196】
（ステップＳ８１２）第一予測手段２３１１は、カウンタｉに１を代入する。
【0197】
（ステップＳ８１３）第一予測手段２３１１は、ステップＳ８０１で受け付けた予測指示により特定される商品情報集合の中に、ｉ番目の商品情報集合が存在するか否かを判断する。ｉ番目の商品情報集合が存在する場合はステップＳ８１４に行き、ｉ番目の商品情報集合が存在しない場合はステップＳ８１６に行く。
【0198】
（ステップＳ８１４）第一予測手段２３１１は、ｉ番目の商品情報集合に対応する１以上の商品情報集合属性値を商品情報格納部２１２から取得する。
【0199】
（ステップＳ８１５）第一予測手段２３１１は、カウンタｉを１、インクリメントする。ステップＳ８１３に戻る。
【0200】
（ステップＳ８１６）第一予測手段２３１１は、ステップＳ８０１で受け付けた予測指示により特定される第一学習器を学習器格納部２１１から取得する。
【0201】
（ステップＳ８１７）第一予測手段２３１１は、ステップＳ８１４で取得した２以上の各商品情報集合の１以上の商品情報集合属性値を第一学習器に適用し、機械学習のアルゴリズムにより、予測処理を行い、２以上の各商品情報集合の配置を特定するグループ配置情報を取得する。
【0202】
（ステップＳ８１８）第一予測手段２３１１は、２以上の各商品情報集合に対応付けて、ステップＳ８１７で取得したグループ配置情報を図示しないバッファに蓄積する。
【0203】
（ステップＳ８１９）カタログ構成部２３２は、２以上の各商品情報集合の２以上の商品情報と各商品情報に対応する商品情報配置情報、および２以上の各商品情報集合と当該各商品情報集合に対応するグループ配置情報とを用いて、カタログ構成処理を行う。カタログ構成処理の例について、図９のフローチャートを用いて説明する。なお、商品情報配置情報、グループ配置情報は、図示しないバッファに格納されている。
【0204】
（ステップＳ８２０）カタログ出力部２４１は、ステップＳ８１９で構成されたカタログを出力する。ステップＳ８０１に戻る。
【0205】
なお、図８のフローチャートにおいて、電源オフや処理終了の割り込みにより処理は終了する。
【0206】
次に、ステップＳ８１９のカタログ構成処理の例について、図９のフローチャートを用いて説明する。
【0207】
（ステップＳ９０１）カタログ構成部２３２は、カウンタｉに１を代入する。
【0208】
（ステップＳ９０２）カタログ構成部２３２は、カタログを構成する元になるｉ番目の商品情報集合が存在するか否かを判断する。ｉ番目の商品情報集合が存在する場合はステップＳ９０３に行き、ｉ番目の商品情報集合が存在しない場合は上位処理にリターンする。
【0209】
（ステップＳ９０３）カタログ構成部２３２は、カウンタｊに１を代入する。
【0210】
（ステップＳ９０４）カタログ構成部２３２は、ｉ番目の商品情報集合の中に、ｊ番目の商品情報が存在するか否かを判断する。ｊ番目の商品情報が存在する場合はステップＳ９０５に行き、ｊ番目の商品情報が存在しない場合はステップＳ９０９に行く。
【0211】
（ステップＳ９０５）カタログ構成部２３２は、ｉ番目の商品情報集合に対応するｊ番目の商品情報を取得する。
【0212】
（ステップＳ９０６）カタログ構成部２３２は、ｊ番目の商品情報に対応する商品情報配置情報を取得する。なお、かかる商品情報配置情報は、予測部２３１が取得した情報である。
【0213】
（ステップＳ９０７）カタログ構成部２３２は、ステップＳ９０６で取得した商品情報配置情報に従って、ｉ番目のグループ（商品情報集合）の中に、ステップＳ９０５で取得したｊ番目の商品情報を配置する。
【0214】
（ステップＳ９０８）カタログ構成部２３２は、カウンタｊを１、インクリメントする。ステップＳ９０４に戻る。
【0215】
（ステップＳ９０９）カタログ構成部２３２は、ｉ番目の商品情報集合に対応するグループ配置情報を取得する。なお、かかるグループ配置情報は、予測部２３１が取得した情報である。
【0216】
（ステップＳ９１０）カタログ構成部２３２は、ステップＳ９０９で取得したグループ配置情報に従って、ｉ番目の商品情報集合を配置する。なお、ｉ番目の商品情報集合は、ステップＳ９０７で構成された商品情報集合であり、２以上の商品情報が配置された商品情報集合である。
【0217】
（ステップＳ９１１）カタログ構成部２３２は、カウンタｉを１、インクリメントする。ステップＳ９０２に戻る。
【0218】
次に、端末装置３の動作例について、図１０のフローチャートを用いて説明する。
【0219】
（ステップＳ１００１）端末受付部３２は、学習指示を受け付けたか否かを判断する。学習指示を受け付けた場合はステップＳ１００２に行き、学習指示を受け付けない場合はステップＳ１００６に行く。
【0220】
（ステップＳ１００２）端末処理部３３は、送信する学習指示を構成する。
【0221】
（ステップＳ１００３）端末送信部３４は、ステップＳ１００２で構成された学習指示を学習装置１に送信する。
【0222】
（ステップＳ１００４）端末受信部３５は、学習装置１から学習処理の結果である学習結果を受信したか否かを判断する。学習結果を受信した場合はステップＳ１００５に行き、学習結果を受信しなかった場合はステップＳ１００４に戻る。なお、学習結果とは、学習器が構成されたか否か、構成された学習器を特定する情報等である。
【0223】
（ステップＳ１００５）端末処理部３３は、ステップＳ１００４で受信された学習結果から出力する学習結果を構成する。そして、端末出力部３６は、構成された学習結果を出力する。ステップＳ１００１に戻る。
【0224】
（ステップＳ１００６）端末受付部３２は、予測指示を受け付けたか否かを判断する。予測指示を受け付けた場合はステップＳ１００７に行き、予測指示を受け付けない場合はステップＳ１０１１に行く。
【0225】
（ステップＳ１００７）端末処理部３３は、送信する予測指示を構成する。
【0226】
（ステップＳ１００８）端末送信部３４は、ステップＳ１００７で構成された予測指示をカタログ生産装置２に送信する。
【0227】
（ステップＳ１００９）端末受信部３５は、カタログ生産装置２からカタログを受信したか否かを判断する。カタログを受信した場合はステップＳ１０１０に行き、カタログを受信しなかった場合はステップＳ１００９に戻る。
【0228】
（ステップＳ１０１０）端末処理部３３は、ステップＳ１００９で受信されたカタログから出力するカタログを構成する。そして、端末出力部３６は、構成されたカタログを出力する。ステップＳ１００１に戻る。
【0229】
（ステップＳ１０１１）端末受付部３２は、カタログ読込指示を受け付けたか否かを判断する。カタログ読込指示を受け付けた場合はステップＳ１０１２に行き、カタログ読込指示を受け付けない場合はステップＳ１０１６に行く。
【0230】
（ステップＳ１０１２）端末処理部３３は、紙のカタログをスキャンし、カタログ画像を取得する。
【0231】
（ステップＳ１０１３）端末送信部３４は、ステップＳ１０１２で取得されたカタログ画像を学習装置１に送信する。
【0232】
（ステップＳ１０１４）端末受信部３５は、学習装置１から商品情報集合の蓄積処理の結果を受信したか否かを判断する。蓄積処理の結果を受信した場合はステップＳ１０１５に行き、蓄積処理の結果を受信しなかった場合はステップＳ１０１４に戻る。
【0233】
（ステップＳ１０１５）端末処理部３３は、出力する蓄積処理の結果を構成する。そして、端末出力部３６は、構成された蓄積処理の結果を出力する。ステップＳ１００１に戻る。
【0234】
（ステップＳ１０１６）端末受付部３２は、商品情報集合等を受け付けたか否かを判断する。商品情報集合等を受け付けた場合はステップＳ１０１７に行き、商品情報集合等を受け付けない場合はステップＳ１００１に戻る。
【0235】
（ステップＳ１０１７）端末処理部３３は、送信する商品情報集合等を構成する。
【0236】
（ステップＳ１０１８）端末送信部３４は、ステップＳ１０１７で構成された商品情報集合等を学習装置１に送信する。ステップＳ１０１４に行く。
【0237】
なお、図１０のフローチャートにおいて、電源オフや処理終了の割り込みにより処理は終了する。
【0238】
以下、本実施の形態における情報システムＡの具体的な動作について説明する。情報システムＡの概念図は図１である。なお、本具体例において、３つの具体例について説明する。具体例１は、紙のカタログから学習の元になる商品情報集合と配置情報とを自動的に取得し、蓄積する場合である。具体例２は、学習処理である。具体例３は、予測処理である。
【0239】
（具体例１）
今、図１１に示す用紙を有するカタログがスキャナにセットされている、とする。当該紙のカタログは、１以上のページを有する、とする。
今、図１１に示す用紙を有するカタログがスキャナにセットされている、とする。当該紙のカタログは、１以上のページを有する、とする。
【0240】
次に、ユーザは、端末装置３に、カタログ読込指示を入力した、とする。すると、端末装置３の端末受付部３２は、カタログ読込指示を受け付ける。次に、端末処理部３３は、紙のカタログをスキャンし、カタログ画像を取得する。そして、端末送信部３４は、ステップＳ１０１２で取得されたカタログ画像を学習装置１に送信する。
【0241】
次に、学習装置１の学習受付部１２は、１以上のページを有するカタログ画像を受信する。 次に、商品情報集合取得部１３１は、受け付けられたカタログ画像を用いて、以下のように、商品情報集合等蓄積処理を行う。なお、ここでは、一のページに対する商品情報集合等蓄積処理について説明する。
【0242】
まず、商品情報集合取得部１３１は、手がかり情報（ここでは、矩形の枠線）を用いて、カタログ画像に対して、枠線ごとにカットする処理を行い、１６の商品情報集合画像を取得する。ここで、取得された商品情報集合画像の例は、図１２の（ａ）（ｂ）である。
【0243】
次に、商品情報集合取得部１３１は、１６の各商品情報集合画像を識別する商品情報集合識別子（グループＩＤ）を生成する。生成されたグループＩＤは、例えば、「００１」「００２」・・・「０１６」である。また、商品情報集合取得部１３１は、当該ページのページＩＤ「００１」を生成する、とする。
【0244】
次に、商品情報集合取得部１３１は、１６の各商品情報集合画像から１以上の商品情報集合属性値を取得する。ここで、商品情報集合取得部１３１は、例えば、商品情報集合画像に対して画像認識処理を行い、商品情報集合画像の中のオブジェクト名（ここでは、例えば、カテゴリ「電動工具」「ドリル」）を取得する。なお、図１２の（ａ）のカテゴリは「電動工具」、（ｂ）のカテゴリは「ドリル」である。また、商品情報集合取得部１３１は、１６の各商品情報集合画像から、オブジェクト属性、座標（ｘ，ｙ）、データタイプ「Ｉｍａｇｅ」、サイ（枠の大きさ，縦×横）等を取得した、とする。そして、商品情報集合取得部１３１は、図１３に示す商品情報集合を商品情報集合取得部１３１に蓄積する。なお、図１３に示す商品情報集合のうちの「座標」と「サイズ」は、グループ配置情報を構成する。つまり、商品情報集合取得部１３１は、図１３に示す商品情報集合のうちの「座標」と「サイズ」により構成されるグループ配置情報は、グループＩＤに対応付けて、配置情報格納部１１３に蓄積する。
【0245】
また、学習格納部１１には、商品情報（パーツと言っても良い）の属性値であるオブジェクト属性を決定するためのルールが格納されている。かかるルールを示す図が図１４である。図１４において、文字列が表出した商品情報画像の中で、最もサイズが大きい文字列であり、グループの中の左上に表出している文字列のオブジェクト属性は「商品名」である（１４０１）。また、文字列が表出した商品情報画像の中で、当該文字列の先頭または最後に「￥」または「円」を含む文字列のオブジェクト属性は「価格」である。また、文字列が０または閾値数以下の文字しか表出していない商品情報画像であり、閾値より小さい画像のオブジェクト属性は「アイコン」である（１４０３）。また、文字列が０または閾値数以下の文字しか表出していない商品情報画像であり、閾値より大きい画像のオブジェクト属性は「商品画像」である（１４０４）。
【0246】
そして、商品情報集合取得部１３１は、図１４に示すルールを用いて、１６の各商品情報集合画像の中の各商品情報画像の属性値である１以上の商品情報属性値を取得する。商品情報集合取得部１３１が取得する１以上の商品情報属性値は、ここでは、「オブジェクト属性」「内容（文字列）」「座標」「データタイプ」「サイズ」等である。具体的には、商品情報集合取得部１３１は、図１５に示す商品情報属性値を取得した、とする。なお、文字のサイズを取得する技術、文字認識技術、画像のサイズを取得する技術は公知技術であるので、詳細な説明を省略する。
【0247】
なお、「内容（文字列）」は、商品情報画像に対して文字認識処理を行って、取得された文字列である。また、「座標」は、商品情報集合の中の相対的な位置情報（ｘ，ｙ）である。また、「データタイプ」について、ここでは、「文字」または「画像」であり、文字の領域が商品情報画像の領域の中で占める割合が閾値以上であれば「文字」であり、閾値未満であれば「画像」である、と判断される、とする。「サイズ」について、データタイプが文字の場合はフォントサイズ、データタイプが画像の場合は画像のサイズ（縦×横）である。
【0248】
また、商品情報集合取得部１３１は、各商品情報画像が文字列の画像か否かを判断し、文字列の画像であれば文字認識処理を行った結果の文字列を商品情報として取得し、文字列の画像でなければ当該画像を商品情報として取得する。そして、商品情報集合取得部１３１は、取得した各商品情報を、１以上の商品情報属性値に対応付けて、商品情報集合格納部１１２に蓄積する。
【0249】
また、商品情報集合取得部１３１が取得した商品情報属性値の中で、「座標」と「サイズ」は商品情報配置情報を構成するので、商品情報集合取得部１３１は、「座標」と「サイズ」とを、パーツＩＤ（商品情報識別子）に対応付けて配置情報格納部１１３に蓄積する、とする。
【0250】
そして、学習処理部１３は、端末装置３に、正常に商品情報集合等の蓄積が完了した旨を送信する。
【0251】
次に、端末装置３は、正常に商品情報集合等の蓄積が完了した旨を受信し、出力する。
【0252】
以上により、カタログ画像から、商品情報集合と配置情報等が蓄積された。
【0253】
（具体例２）
ユーザは、蓄積された商品情報集合等を用いた学習処理を行う学習指示を端末装置３に入力した、とする。すると、端末受付部３２は、学習指示を受け付ける。そして、端末処理部３３は、送信する学習指示を構成する。次に、端末送信部３４は、構成された学習指示を学習装置１に送信する。
ユーザは、蓄積された商品情報集合等を用いた学習処理を行う学習指示を端末装置３に入力した、とする。すると、端末受付部３２は、学習指示を受け付ける。そして、端末処理部３３は、送信する学習指示を構成する。次に、端末送信部３４は、構成された学習指示を学習装置１に送信する。
【0254】
次に、学習装置１の学習受付部１２は、学習指示を受信する。そして、学習部１３２は、受信された学習指示に従って、以下のように学習処理を行う。
【0255】
つまり、第二学習手段１３２２は、商品情報集合格納部１１２の中の２以上の商品情報集合ごとに、各商品情報集合が有する２以上の各商品情報の１以上の商品情報属性値と２以上の各商品情報の商品情報配置情報とを用いて、上述したように、機械学習のアルゴリズムにより第二学習処理を行い、第二学習器を取得する。
【0256】
また、第一学習手段１３２１は、２以上の各商品情報集合に対応する１以上の商品情報集合属性値と、２以上の各商品情報集合に対応するグループ配置情報とを用いて、機械学習のアルゴリズムにより第一学習処理を行い、一学習器を取得する。
【0257】
そして、蓄積部１３３は、取得された第二学習器と第一学習器とを学習格納部１１に蓄積する。
【0258】
次に、学習処理部１３は、学習が正常に完了した旨の情報を端末装置３に送信する。なお、学習が正常に完了した旨の情報は、第二学習器と第一学習器とを特定する情報を含むものとする。
【0259】
次に、端末装置３は、学習が正常に完了した旨の情報を受信し、出力する。
【0260】
以上、学習処理により、第二学習器と第一学習器とが学習格納部１１に蓄積された。
【0261】
（具体例３）
今、端末装置３の端末格納部３１には、図１６に示す多数の商品情報集合が格納されている、とする・
今、端末装置３の端末格納部３１には、図１６に示す多数の商品情報集合が格納されている、とする・
【0262】
そして、ユーザは、図１６に示す多数の商品情報集合を含む予測指示を端末装置３に入力した、とする。すると、端末装置３の端末受付部３２は、予測指示を受け付ける。次に、端末処理部３３は、送信する予測指示を構成する。そして、端末送信部３４は、構成された予測指示をカタログ生産装置２に送信する。
【0263】
次に、カタログ生産装置２の受付部２２は、予測指示を受信する。なお、予測指示は、図１６に示す多数の商品情報集合を含む。
【0264】
次に、第二予測手段２３１２は、２以上の各商品情報集合に対して、商品情報集合の中の商品情報の配置を決定する第二予測処理を行う。つまり、第二予測手段２３１２は、各商品情報集合に対応する２以上の各商品情報の１以上の商品情報属性値を予測指示から取得する。
【0265】
次に、第二予測手段２３１２は、予測指示により特定される第二学習器を学習器格納部２１１から取得する。
【0266】
次に、第二予測手段２３１２は、商品情報集合ごとに、当該商品情報集合に含まれる２以上の各商品情報の１以上の商品情報属性値を第二学習器に適用し、機械学習のアルゴリズムにより、予測処理を行い、２以上の各商品情報の配置を特定する商品情報配置情報を取得する。そして、第二予測手段２３１２は、商品情報集合ごとに、２以上の各商品情報に対応付けて、取得した商品情報配置情報を図示しないバッファに蓄積する。
【0267】
次に、第一予測手段２３１１は、２以上の各商品情報集合に対応する１以上の商品情報集合属性値を予測指示から取得する。
【0268】
次に、第一予測手段２３１１は、予測指示により特定される第一学習器を学習器格納部２１１から取得する。
【0269】
次に、第一予測手段２３１１は、取得した２以上の各商品情報集合の１以上の商品情報集合属性値を第一学習器に適用し、機械学習のアルゴリズムにより、予測処理を行い、２以上の各商品情報集合の配置を特定するグループ配置情報を取得する。
【0270】
次に、第一予測手段２３１１は、２以上の各商品情報集合に対応付けて、取得したグループ配置情報を図示しないバッファに蓄積する。
【0271】
次に、カタログ構成部２３２は、図９のフローチャートを用いて説明した処理により電子的なカタログを構成する。
【0272】
次に、カタログ出力部２４１は、構成されたカタログを端末装置３に送信する。
【0273】
次に、端末装置３の端末受信部３５は、カタログ生産装置２からカタログを受信する。次に、端末処理部３３は、受信されたカタログから出力するカタログを構成する。そして、端末出力部３６は、構成されたカタログを出力する。
【0274】
以上、本実施の形態によれば、商品情報を用いて自動的に適切なカタログを生成できる学習器を取得できる。
【0275】
また、本実施の形態によれば、実在する紙のカタログから、商品情報を用いて自動的に適切なカタログを生成できる学習器を取得できる。
【0276】
さらに、本実施の形態によれば、商品情報を用いて自動的に適切なカタログを生成できる。
【0277】
なお、本実施の形態における処理は、ソフトウェアで実現しても良い。そして、このソフトウェアをソフトウェアダウンロード等により配布しても良い。また、このソフトウェアをＣＤ－ＲＯＭなどの記録媒体に記録して流布しても良い。なお、このことは、本明細書における他の実施の形態においても該当する。なお、本実施の形態における学習装置１を実現するソフトウェアは、以下のようなプログラムである。つまり、このプログラムは、商品を識別する商品識別子に対応付いており、商品に関する２以上の商品情報を有する２以上の商品情報集合が格納されている商品情報集合格納部と、商品識別子に対応付いている２以上の各商品情報の配置に関する配置情報が格納されている配置情報格納部とにアクセス可能なコンピュータを、前記２以上の各商品情報の属性値である１以上の商品情報属性値と前記２以上の配置情報とを用いて、前記２以上の商品情報を入力として、前記２以上の各商品情報の配置情報を出力とする、機械学習の予測処理で使用される学習器を、機械学習のアルゴリズムにより取得する学習部と、前記学習部が構成した学習器を蓄積する蓄積部として機能させるためのプログラムである。
【0278】
また、上記プログラムにおいて、前記商品情報集合格納部の商品情報集合には、当商品情報集合の属性値である１以上の商品情報集合属性値が対応付いており、前記配置情報格納部には、２以上の各商品情報集合の配置に関するグループ配置情報と、２以上の各商品情報集合の中における当該２以上の各商品情報集合が有する２以上の各商品情報の配置に関する商品情報配置情報とが格納されており、前記学習部は、前記２以上の各商品情報集合の属性値である１以上の商品情報集合属性値と前記グループ配置情報とを用いて、２以上の各商品情報集合に対応付いている１以上の商品情報集合属性値を入力として、前記２以上の各商品情報集合のグループ配置情報を出力とする、機械学習の予測処理で使用される第一学習器を、機械学習のアルゴリズムにより取得する第一学習手段と、前記２以上の各商品情報集合が有する２以上の商品情報の属性値である１以上の商品情報属性値と前記商品情報配置情報とを用いて、前記２以上の各商品情報集合が有する２以上の各商品情報の属性値である商品情報属性値を入力として、前記２以上の各商品情報の商品情報配置情報を出力とする、機械学習の予測処理で使用される第二学習器を、機械学習のアルゴリズムにより取得する第二学習手段とを具備し、前記蓄積部は、前記第一学習器と前記第二学習器とを蓄積するものとして、前記コンピュータを動作させるためのプログラムであることは好適である。
【0279】
また、カタログ生産装置２を実現するソフトウェアは、以下のようなプログラムである。つまり、このプログラムは、２以上の各商品情報の１以上の商品情報属性値を入力として、２以上の各商品情報の配置情報を出力とする、機械学習の予測処理で使用される学習器が格納される学習器格納部と、カタログを構成する元になる２以上の商品情報が格納される商品情報格納部とにアクセス可能なコンピュータを、前記２以上の商品情報の１以上の商品情報属性値と前記学習器とを用いて、機械学習のアルゴリズムにより、２以上の各商品情報の配置情報を取得する予測部と、前記予測部が取得した配置情報であり、前記２以上の各商品情報に対応する配置情報に従い、前記２以上の各商品情報を配置し、カタログを構成するカタログ構成部と、前記カタログ構成部が構成したカタログを出力するカタログ出力部として機能させるためのプログラムである。
【0280】
また、上記プログラムにおいて、前記商品情報集合格納部の商品情報集合には、当商品情報集合の属性値である１以上の商品情報集合属性値が対応付いており、前記学習器格納部には、２以上の各商品情報集合に対応付いている１以上の商品情報集合属性値を入力として、前記２以上の各商品情報集合のグループ配置情報を出力とする、機械学習の予測処理で使用される第一学習器と、２以上の各商品情報集合が有する２以上の各商品情報の属性値である商品情報属性値を入力として、前記２以上の各商品情報の商品情報配置情報を出力とする、機械学習の予測処理で使用される第二学習器とが格納され、前記予測部は、前記２以上の各商品情報集合の属性値である１以上の商品情報集合属性値と前記第一学習器とを用いて、機械学習のアルゴリズムにより、前記各商品情報集合のグループ配置情報を取得する第一予測手段と、前記２以上の各商品情報集合が有する２以上の各商品情報の属性値である１以上の商品情報属性値と前記第二学習器とを用いて、機械学習のアルゴリズムにより、前記各商品情報の商品情報配置情報を取得する第二予測手段とを具備し、前記カタログ構成部は、前記第二予測手段が取得した商品情報配置情報に従って商品情報集合内の２以上の各商品情報を配置し、かつ前記第一予測手段が取得したグループ配置情報に従って２以上の各商品情報集合を配置し、カタログを構成するものとして、前記コンピュータを機能させるためのプログラムであることは好適である。
【0281】
（実施の形態２）
実施の形態１では、学習器が第一学習器と第二学習器の２つであり、商品情報集合の中において商品情報の配置を決定する処理と、商品情報集合の配置を決定する処理とを行った。
実施の形態１では、学習器が第一学習器と第二学習器の２つであり、商品情報集合の中において商品情報の配置を決定する処理と、商品情報集合の配置を決定する処理とを行った。
【0282】
一方、本実施の形態において、学習器が一つであり、商品情報集合の中の商品情報の配置を決する処理のみを行い、カタログを構成する。
【0283】
本実施の形態における情報システムＢの概念図は、符号の違いを除いて、図１と同じであるので、省略する。情報システムＢは、学習装置４、カタログ生産装置５、および１または２以上の端末装置３を備える。また、学習装置４、カタログ生産装置５、および１以上の各端末装置３とは、インターネット等のネットワークを介して、相互に通信可能である。
【0284】
学習装置４、およびカタログ生産装置５は、例えば、ここではいわゆるサーバ装置である。学習装置４、カタログ生産装置５は、例えば、クラウドサーバやＡＳＰサーバであるが、そのタイプや設置場所は問わない。なお、学習装置４、およびカタログ生産装置５は、スタンドアロンで動作しても良い。
【0285】
図１７は、本実施の形態における情報システムＢのブロック図である。情報システムＢを構成する学習装置４は、学習格納部４１、学習受付部１２、および商品情報集合格納部４１２、配置情報格納部４１３を備える。学習処理部４３は、商品情報集合取得部１３１、学習部４３２、および蓄積部１３３を備える。学習部４３２は、第三学習手段４３２１を備える。
【0286】
カタログ生産装置５は、格納部５１、処理部５３、および出力部２４を備える。格納部５１は、学習器格納部５１１、および商品情報格納部２１２を備える。処理部５３は、予測部５３１、およびカタログ構成部５３２を備える。予測部５３１は、第三予測手段５３１１を備える。
【0287】
学習装置４を構成する学習格納部４１には、各種の情報が格納される。各種の情報とは、例えば、カタログ、商品情報集合、配置情報である。
【0288】
商品情報集合格納部４１２には、２以上の商品情報集合が格納されている。商品情報集合は、通常、商品を識別する商品識別子に対応付いている。商品情報集合は、２以上の商品情報を有する。また、２以上の各商品情報は、商品情報集合識別子が対応付いている、または商品情報集合識別子を有する。また、商品情報集合には、１以上の商品情報集合属性値が対応付いていることは好適である。また、商品情報には、１以上の商品情報属性値が対応付いていることは好適である。
【0289】
配置情報格納部４１３には、商品識別子に対応付いている２以上の各商品情報の配置に関する配置情報が格納されている。この配置情報は、例えば、カタログ内の商品情報の配置を特定する情報、ページ内の商品情報の配置を特定する情報である。カタログ内の商品情報の配置を特定する情報は、例えば、ページを識別するページ識別子、カタログ内の商品情報の位置を特定する１以上の位置座標（ｘ，ｙ）、カタログ内の商品情報の相対的な位置を特定する「“上”“中”“下”」のうちのいずれか、カタログ内の商品情報の相対的な位置を特定する「“左上”“右上”“左中央”“右中央”“左下”“右下”」のうちのいずれか、カタログ内の商品情報が属するグループ番号、カタログ内の商品情報が配置される象限のＩＤ（例えば、第一象限、第二象限、第三象限、第四象限のうちのいずれか）等である。また、ページ内の商品情報の配置を特定する情報は、例えば、ページ内の商品情報の位置を特定する１以上の位置座標（ｘ，ｙ）、ページ内の商品情報の相対的な位置を特定する「“上”“中”“下”」のうちのいずれか、ページ内の商品情報の相対的な位置を特定する「“左上”“右上”“左中央”“右中央”“左下”“右下”」のうちのいずれか、ページ内の商品情報が属するグループ番号、ページ内の商品情報が配置されている象限のＩＤ（例えば、第一象限、第二象限、第三象限、第四象限のうちのいずれか）等である。配置情報は、例えば、配置される場合のサイズを特定する情報であるサイズ情報を含んでも良い。また、１以上の位置座標（ｘ，ｙ）は、情報が配置される領域を特定する情報である。情報が配置される領域の形状が矩形であれば、その領域を特定する位置座標（ｘ，ｙ）は、通常、一つ（例えば、左上座標）であるが、２以上（例えば、左上座標と右下座標）でも良い。なお、一の商品情報に対応して、２または３以上の配置情報が格納されていても良い。
【0290】
学習処理部４３は、各種の処理を行う。各種の処理とは、例えば、商品情報集合取得部１３１、学習部４３２、蓄積部１３３、商品情報取得手段１３１１、商品情報集合取得手段１３１２、第三学習手段４３２１が行う処理である。
【0291】
学習部４３２は、２以上の商品情報と２以上の配置情報とを用いて、学習器を、機械学習のアルゴリズムにより取得する。この学習器は、機械学習の予測処理で使用される学習器である。この予測処理は、２以上の商品情報を入力として、２以上の各商品情報の配置情報を出力とする処理である。
【0292】
また、機械学習のアルゴリズムは、深層学習が好適であるが、決定木、ランダムフォレスト、ＳＶＭ等でも良い。また、機械学習において、学習器を構成するためには、例えば、機械学習の関数（例えば、Tensorflowの関数、TinySVM、各種のrandomForest関数等）に、入力となる情報群（例えば、４以上の商品情報、および４以上の各商品情報の商品情報属性値のうち１種類以上の情報）と出力させたい情報（例えば、４以上の各商品情報の配置情報）とを引数として与えると学習器が得られる。
【0293】
第三学習手段４３２１は、４以上の各商品情報と各商品情報に対応付いている商品情報集合識別子と４以上の配置情報とを用いて、第三学習器を、機械学習のアルゴリズムにより取得する。第三学習器は、４以上の各商品情報と各商品情報に対応付いている商品情報集合識別子とを入力として、４以上の各商品情報の配置情報を出力とする情報である。第三学習器は、機械学習の予測処理で使用される情報である。
【0294】
第三学習手段４３２１は、商品情報から１以上の商品情報属性値を自動取得することは好適である。商品情報属性値は、例えば、上または下または左または右に隣接する各商品情報の商品情報属性値を含んでも良い。また、商品情報属性値は、例えば、着目する商品情報と予め決められた関係を有するほど近い領域に配置されている（例えば、同一の枠内、同一ページ内）他の１以上の各商品情報の商品情報属性値を含んでも良い。
【0295】
蓄積部１３３は、学習部４３２が構成した学習器を蓄積する。蓄積部１３３は、第三学習器を蓄積する。第三学習器の蓄積先は、学習装置内のローカルな記憶媒体でも良いし、外部の装置でも良い。
【0296】
カタログ生産装置５を構成する格納部５１には、各種の情報が格納される。各種の情報は、例えば、第三学習器、商品情報である。
【0297】
学習器格納部５１１には、機械学習の予測処理で使用される第三学習器が格納される。ここでの機械学習の予測処理は、２以上の商品情報を入力として、２以上の各商品情報の配置情報を出力とする処理である。なお、ここでの商品情報は、通常、４以上である。
【0298】
処理部５３は、各種の処理を行う。各種の処理とは、例えば、予測部５３１、第三予測手段５３１１、カタログ構成部５３２が行う処理である。
【0299】
予測部５３１は、予測処理を行う。予測部５３１は、２以上の商品情報と第三学習器とを用いて、機械学習のアルゴリズムにより、２以上の各商品情報の配置情報を取得する。
【0300】
機械学習のアルゴリズムは、深層学習が好適であるが、決定木、ランダムフォレスト、ＳＶＭ等でも良い。また、機械学習において、予測する場合、機械学習の関数に第三学習器と入力となる情報群（例えば、４以上の商品情報、４以上の各商品情報の商品情報属性値のうちの１種類以上の情報）とを機械学習の関数（例えば、Tensorflowの関数、TinySVM、各種のrandomForest関数等）に引数として与えると、予測された情報（例えば、各商品情報の配置情報）が得られる。
【0301】
第三予測手段５３１１は、商品情報集合格納部４１２の２以上の各商品情報と商品情報集合識別子と第三学習器とを用いて、機械学習のアルゴリズムにより、２以上の各商品情報の配置情報を取得する。なお、第三予測手段５３１１は、一の商品情報に対して、２または３以上の商品情報配置情報を取得しても良い。
【0302】
カタログ構成部５３２は、予測部５３１が取得した配置情報であり、２以上の各商品情報に対応する配置情報に従い、２以上の各商品情報を配置し、カタログを構成する。
【0303】
カタログ構成部５３２は、第三予測手段５３１１が取得した配置情報に従って２以上の各商品情報を配置し、カタログを構成する。
【0304】
学習格納部４１、商品情報集合格納部４１２、配置情報格納部４１３、格納部５１、および学習器格納部５１１は、不揮発性の記録媒体が好適であるが、揮発性の記録媒体でも実現可能である。
【0305】
学習格納部４１等に情報が記憶される過程は問わない。例えば、記録媒体を介して情報が学習格納部４１等で記憶されるようになってもよく、通信回線等を介して送信された情報が学習格納部４１等で記憶されるようになってもよく、あるいは、入力デバイスを介して入力された情報が学習格納部４１等で記憶されるようになってもよい。
【0306】
学習処理部４３、学習部４３２、第三学習手段４３２１、処理部５３、予測部５３１、第三予測手段５３１１、およびカタログ構成部５３２は、通常、ＭＰＵやメモリ等から実現され得る。学習処理部４３等の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【0307】
次に、情報システムＢの動作例について説明する。まず、学習装置４の動作例について説明する。学習装置４の動作例において、学習装置１とは、ステップＳ４０６の学習処理のみ異なる。学習装置４が行う学習処理の例について、図１８のフローチャートを用いて説明する。図１８のフローチャートにおいて、図７のフローチャートと同一のステップについて、説明を省略する。
【0308】
（ステップＳ１８０１）第三学習手段４３２１は、ｉ番目の商品情報集合の商品情報集合識別子を取得する。
【0309】
（ステップＳ１８０２）第三学習手段４３２１は、ｊ番目の商品情報の１以上の商品情報属性値を商品情報集合格納部１１２から取得する。また、第三学習手段４３２１は、ステップＳ１８０１で取得した商品情報集合識別子を１以上の商品情報属性値の中に含める。なお、ｊ番目の商品情報の１以上の商品情報属性値には、通常、商品情報が属する商品情報集合の商品情報集合識別子が含まれる。
【0310】
（ステップＳ１８０３）第三学習手段４３２１は、ｊ番目の商品情報と対になる商品情報配置情報を配置情報格納部１１３から取得する。また、ｊ番目の商品情報と対になる商品情報配置情報が、ｉ番目の商品情報集合の中における相対的な配置を特定する配置情報である場合、ページ内またはカタログ内の配置情報となるように、ｉ番目の商品情報集合のグループ配置情報を用いて、ｊ番目の商品情報と対になる商品情報配置情報を変更する。例えば、ｉ番目の商品情報集合のグループ配置情報が（ｘ１，ｙ１）であり、ｉ番目の商品情報集合の中における相対的な配置を特定する配置情報が（ｘ２，ｙ２）である場合、第二学習手段１３２２は、（ｘ１＋ｘ２，ｙ１＋ｙ２）をｊ番目の商品情報の商品情報配置情報として取得する。
【0311】
（ステップＳ１８０４）第三学習手段４３２１は、ステップＳ１８０２で取得された２以上の各商品情報に対応する１以上の商品情報属性値と、ステップＳ１８０３で取得された２以上の各商品情報に対応する商品情報配置情報とを用いて、機械学習のアルゴリズムにより、第三学習処理を行い、２以上の各商品情報に対応する１以上の商品情報属性値を入力とし、２以上の各商品情報に対応する商品情報配置情報を出力とする予測処理に用いる学習器である第三学習器を取得する。
【0312】
（ステップＳ１８０５）蓄積部１３３は、ステップＳ１８０４で取得された第三学習器を蓄積する。上位処理にリターンする。
【0313】
【0314】
（ステップＳ１９０１）第三予測手段５３１１は、ステップＳ８０１で受け付けた予測指示により特定される第三学習器を学習器格納部２１１から取得する。
【0315】
（ステップＳ１９０２）第三予測手段５３１１は、ステップＳ８０６で取得した２以上の各商品情報の１以上の商品情報属性値を第三学習器に適用し、機械学習のアルゴリズムにより、予測処理を行い、２以上の各商品情報の配置を特定する商品情報配置情報を取得する。なお、第三予測手段５３１１は、通常、２以上の各商品情報と、取得した商品情報配置情報とを対応付けて、図示しないバッファに蓄積する。
【0316】
（ステップＳ１９０３）カタログ構成部２３２は、２以上の各商品情報集合の２以上の商品情報と各商品情報に対応する商品情報配置情報とを用いて、カタログ構成処理を行う。カタログ構成処理の例ついて、図２０のフローチャートを用いて説明する。ステップＳ８２０に行く。なお、商品情報配置情報は、図示しないバッファに格納されている。
【0317】
【0318】
（ステップＳ２００１）カタログ構成部５３２は、カウンタｉに１を代入する。
【0319】
（ステップＳ２００２）カタログ構成部５３２は、カタログを構成する元になる商品情報の中で、ｉ番目の商品情報が存在するか否かを判断する。ｊ番目の商品情報が存在する場合はステップＳ２００３に行き、上位処理にリターンする。
【0320】
（ステップＳ２００３）カタログ構成部５３２は、ｉ番目の商品情報を取得する。
【0321】
（ステップＳ２００４）カタログ構成部５３２は、ｉ番目の商品情報に対応する商品情報配置情報を取得する。
【0322】
（ステップＳ２００５）カタログ構成部５３２は、ステップＳ２００６で取得した商品情報配置情報に従って、カタログの中に、ステップＳ２００３で取得したｉ番目の商品情報を配置する。
【0323】
（ステップＳ２００６）カタログ構成部５３２は、カウンタｉを１、インクリメントする。ステップＳ２００２に戻る。
【0324】
以上、本実施の形態によれば、商品情報を用いて自動的に適切なカタログを生成できる学習器を取得できる。
【0325】
また、本実施の形態によれば、実在する紙のカタログから、商品情報を用いて自動的に適切なカタログを生成できる学習器を取得できる。
【0326】
さらに、本実施の形態によれば、商品情報を用いて自動的に適切なカタログを生成できる。
【0327】
なお、本実施の形態における処理は、ソフトウェアで実現しても良い。そして、このソフトウェアをソフトウェアダウンロード等により配布しても良い。また、このソフトウェアをＣＤ－ＲＯＭなどの記録媒体に記録して流布しても良い。なお、このことは、本明細書における他の実施の形態においても該当する。なお、本実施の形態における学習装置４を実現するソフトウェアは、以下のようなプログラムである。つまり、このプログラムは、商品を識別する商品識別子に対応付いており、商品に関する２以上の商品情報を有する２以上の商品情報集合が格納されている商品情報集合格納部と、商品識別子に対応付いている２以上の各商品情報の配置に関する配置情報が格納されている配置情報格納部とにアクセス可能なコンピュータを、前記２以上の各商品情報の属性値である１以上の商品情報属性値と前記２以上の配置情報とを用いて、前記２以上の商品情報を入力として、前記２以上の各商品情報の配置情報を出力とする、機械学習の予測処理で使用される学習器を、機械学習のアルゴリズムにより取得する学習部と、前記学習部が構成した学習器を蓄積する蓄積部として機能させるためのプログラムである。
【0328】
また、上記プログラムにおいて、前記商品情報集合格納部に格納されている２以上の各商品情報には、対応する商品情報集合を識別する商品情報集合識別子が対応付いており、前記学習部は、前記２以上の各商品情報と当該各商品情報に対応付いている商品情報集合識別子と前記２以上の配置情報とを用いて、前記２以上の各商品情報と当該各商品情報に対応付いている商品情報集合識別子とを入力として、前記２以上の各商品情報の配置情報を出力とする、機械学習の予測処理で使用される第三学習器を、機械学習のアルゴリズムにより取得する第三学習手段を具備し、前記蓄積部は、前記第三学習器とを蓄積することは好適である。
【0329】
また、カタログ生産装置５を実現するソフトウェアは、以下のようなプログラムである。つまり、このプログラムは、２以上の各商品情報の１以上の商品情報属性値を入力として、２以上の各商品情報の配置情報を出力とする、機械学習の予測処理で使用される学習器が格納される学習器格納部と、カタログを構成する元になる２以上の商品情報が格納される商品情報格納部とにアクセス可能なコンピュータを、前記２以上の商品情報の１以上の商品情報属性値と前記学習器とを用いて、機械学習のアルゴリズムにより、２以上の各商品情報の配置情報を取得する予測部と、前記予測部が取得した配置情報であり、前記２以上の各商品情報に対応する配置情報に従い、前記２以上の各商品情報を配置し、カタログを構成するカタログ構成部と、前記カタログ構成部が構成したカタログを出力するカタログ出力部として機能させるためのプログラムである。
【0330】
また、上記プログラムにおいて、前記商品情報集合格納部に格納されている２以上の各商品情報には、対応する商品情報集合を識別する商品情報集合識別子に対応付いており、前記学習器格納部には、２以上の各商品情報と当該各商品情報に対応付いている商品情報集合識別子とを入力として、前記２以上の各商品情報の配置情報を出力とする、機械学習の予測処理で使用される第三学習器が格納され、前記予測部は、前記商品情報集合格納部の２以上の各商品情報と商品情報集合識別子と前記第三学習器とを用いて、機械学習のアルゴリズムにより、前記２以上の各商品情報の配置情報を取得する第三予測手段を具備し、前記カタログ構成部は、前記第三予測手段が取得した配置情報に従って前記２以上の各商品情報を配置し、カタログを構成するものとして、前記コンピュータを機能させるためのプログラムであることは好適である。
【0331】
また、図２１は、本明細書で述べたプログラムを実行して、上述した種々の実施の形態の学習装置１等を実現するコンピュータの外観を示す。上述の実施の形態は、コンピュータハードウェア及びその上で実行されるコンピュータプログラムで実現され得る。図２１は、このコンピュータシステム３００の概観図であり、図２２は、システム３００のブロック図である。
【0332】
図２１において、コンピュータシステム３００は、ＣＤ－ＲＯＭドライブを含むコンピュータ３０１と、キーボード３０２と、マウス３０３と、モニタ３０４とを含む。
【0333】
図２２において、コンピュータ３０１は、ＣＤ－ＲＯＭドライブ３０１２に加えて、ＭＰＵ３０１３と、ＣＤ－ＲＯＭドライブ３０１２等に接続されたバス３０１４と、ブートアッププログラム等のプログラムを記憶するためのＲＯＭ３０１５と、ＭＰＵ３０１３に接続され、アプリケーションプログラムの命令を一時的に記憶するとともに一時記憶空間を提供するためのＲＡＭ３０１６と、アプリケーションプログラム、システムプログラム、及びデータを記憶するためのハードディスク３０１７とを含む。ここでは、図示しないが、コンピュータ３０１は、さらに、ＬＡＮへの接続を提供するネットワークカードを含んでも良い。
【0334】
コンピュータシステム３００に、上述した実施の形態の学習装置１等の機能を実行させるプログラムは、ＣＤ－ＲＯＭ３１０１に記憶されて、ＣＤ－ＲＯＭドライブ３０１２に挿入され、さらにハードディスク３０１７に転送されても良い。これに代えて、プログラムは、図示しないネットワークを介してコンピュータ３０１に送信され、ハードディスク３０１７に記憶されても良い。プログラムは実行の際にＲＡＭ３０１６にロードされる。プログラムは、ＣＤ－ＲＯＭ３１０１またはネットワークから直接、ロードされても良い。
【0335】
プログラムは、コンピュータ３０１に、上述した実施の形態の学習装置１等の機能を実行させるオペレーティングシステム（ＯＳ）、またはサードパーティープログラム等は、必ずしも含まなくても良い。プログラムは、制御された態様で適切な機能（モジュール）を呼び出し、所望の結果が得られるようにする命令の部分のみを含んでいれば良い。コンピュータシステム３００がどのように動作するかは周知であり、詳細な説明は省略する。
【0336】
なお、上記プログラムにおいて、情報を送信するステップや、情報を受信するステップなどでは、ハードウェアによって行われる処理、例えば、送信ステップにおけるモデムやインターフェースカードなどで行われる処理（ハードウェアでしか行われない処理）は含まれない。
【0337】
また、上記プログラムを実行するコンピュータは、単数であってもよく、複数であってもよい。すなわち、集中処理を行ってもよく、あるいは分散処理を行ってもよい。
【0338】
また、上記各実施の形態において、一の装置に存在する２以上の通信手段は、物理的に一の媒体で実現されても良いことは言うまでもない。
【0339】
また、上記各実施の形態において、各処理は、単一の装置によって集中処理されることによって実現されてもよく、あるいは、複数の装置によって分散処理されることによって実現されてもよい。
【0340】
以下、例えば、学習装置１および学習装置４の処理の一部が他の装置等により行われる場合の２つの変形例について説明する。
（変形例１）
（変形例１）
【0341】
上記の学習装置１および学習装置４は、例えば、電子的なカタログ（カタログ画像）から商品情報集合画像を切り出す処理を行った。しかし、商品情報集合画像を切り出すまでの処理は、他の装置または人手により行われても良い。かかる場合、例えば、２以上の商品情報集合画像と、各商品情報集合画像に対応するグループ配置情報とは、学習格納部１１に、予め格納されている。
【0342】
そして、商品情報集合取得部１３１は、２以上の各商品情報集合画像を学習格納部１１から読み出し、商品情報の区切りの手がかりになる図柄を用いて、２以上の各商品情報集合の画像から２以上の商品情報の画像を切り出す。また、商品情報集合取得部１３１は、例えば、切り出した２以上の各商品情報の位置を特定する商品情報配置情報を取得する。次に、商品情報集合取得部１３１は、例えば、文字列の画像に対して文字認識処理を行い、画像内の文字列を取得し、当該文字列を商品情報として取得する。また、商品情報集合取得部１３１は、文字列ではない画像について、当該画像を商品情報として取得する。また、商品情報集合取得部１３１は、２以上の各商品情報の配置情報を商品情報集合画像から取得し、商品情報に対応付けて、配置情報を配置情報格納部１１３に蓄積する。
【0343】
【0344】
上記の学習装置１および学習装置４は、例えば、電子的なカタログ（カタログ画像）から商品情報集合属性値を取得する処理を行った。しかし、商品情報集合属性値を取得するまでの処理は、他の装置または人手により行われても良い。かかる場合、学習装置１の商品情報集合格納部１１２には、商品情報集合が格納されておらず、２以上の各商品情報集合の属性値である１以上の商品情報集合属性値が予め格納されている。また、学習装置４の商品情報集合格納部４１２には、２以上の商品情報集合が格納されておらず、２以上の商品情報集合に含まれる２以上の各商品情報の１以上の商品情報属性値が予め格納されている。つまり、また、変形例２の場合、例えば、図１３に示す商品情報集合属性値等および図１５に示す商品情報属性値等が予め学習格納部１１に格納されている。
【0345】
また、変形例２の場合、例えば、学習装置１および学習装置４は、商品情報集合取得部１３１を有さない。かかる場合の学習装置１のブロック図は図２４である。また、かかる場合の学習装置４のブロック図は図２５である。そして、変形例２の場合、図４のステップＳ４０１、Ｓ４０２の処理は存在しない。そして、学習処理部（１３，４３）は、学習格納部（１１，４１）の商品情報集合属性値等および商品情報属性値等を用いて、上述した学習処理を行う。
【0346】
なお、かかる場合の学習装置１は、商品を識別する商品識別子に対応付いており、商品に関する２以上の商品情報を有する２以上の商品情報集合が格納されている商品情報集合格納部と、商品識別子に対応付いている２以上の各商品情報の配置に関する配置情報が格納されている配置情報格納部と、前記２以上の商品情報と前記２以上の配置情報とを用いて、前記２以上の商品情報を入力として、前記２以上の各商品情報の配置情報を出力とする、機械学習の予測処理で使用される学習器を、機械学習のアルゴリズムにより取得する学習部と、前記学習部が取得した学習器を蓄積する蓄積部とを具備し、前記商品情報集合格納部には、前記２以上の商品情報集合に代えて、または前記２以上の商品情報集合に加えて、当該２以上の各商品情報集合の属性値である１以上の商品情報集合属性値が商品情報集合ごとに格納されており、かつ前記２以上の各商品情報集合が有する２以上の各商品情報の属性値である商品情報属性値が格納されており、前記配置情報格納部には、２以上の各商品情報集合の配置に関するグループ配置情報と、２以上の各商品情報集合の中における当該２以上の各商品情報集合が有する２以上の各商品情報の配置に関する商品情報配置情報とが格納されており、前記学習部は、前記２以上の各商品情報集合に対する１以上の商品情報集合属性値と前記グループ配置情報とを用いて、２以上の各商品情報集合に対する１以上の商品情報集合属性値を入力として、前記２以上の各商品情報集合のグループ配置情報を出力とする、機械学習の予測処理で使用される第一学習器を、機械学習のアルゴリズムにより取得する第一学習手段と、前記２以上の各商品情報集合が有する２以上の各商品情報の属性値である商品情報属性値と前記商品情報配置情報とを用いて、２以上の各商品情報集合が有する２以上の各商品情報または当該２以上の各商品情報の属性値である商品情報属性値を入力として、前記２以上の各商品情報の商品情報配置情報を出力とする、機械学習の予測処理で使用される第二学習器を、機械学習のアルゴリズムにより取得する第二学習手段とを具備し、前記蓄積部は、前記第一学習器と前記第二学習器とを蓄積する学習装置である。
【0347】
本発明は、以上の実施の形態に限定されることなく、種々の変更が可能であり、それらも本発明の範囲内に包含されるものであることは言うまでもない。
【産業上の利用可能性】
【0348】
以上のように、本発明にかかる情報システムは、商品情報を用いて自動的に適切なカタログを生成できるという効果を有し、カタログ生産システム等として有用である。
【符号の説明】
【0349】
１、４ 学習装置
２、５ カタログ生産装置
３ 端末装置
１１、４１ 学習格納部
１２ 学習受付部
２２ 受付部
１３、４３ 学習処理部
１４、２４ 出力部
２１、５１ 格納部
２３、５３ 処理部
３１ 端末格納部
３２ 端末受付部
３３ 端末処理部
３４ 端末送信部
３６ 端末出力部
３５ 端末受信部
１１１ カタログ格納部
１１２、４１２ 商品情報集合格納部
１１３、４１３ 配置情報格納部
１３１ 商品情報集合取得部
１３２、４３２ 学習部
１３３ 蓄積部
２１１、５１１ 学習器格納部
２１２ 商品情報格納部
２３１、５３１ 予測部
２３２、５３２ カタログ構成部
２４１ カタログ出力部
１３１１ 商品情報取得手段
１３１２ 商品情報集合取得手段
１３２１ 第一学習手段
１３２２ 第二学習手段
２３１１ 第一予測手段
２３１２ 第二予測手段
４３２１ 第三学習手段
５３１１ 第三予測手段
２、５ カタログ生産装置
３ 端末装置
１１、４１ 学習格納部
１２ 学習受付部
２２ 受付部
１３、４３ 学習処理部
１４、２４ 出力部
２１、５１ 格納部
２３、５３ 処理部
３１ 端末格納部
３２ 端末受付部
３３ 端末処理部
３４ 端末送信部
３６ 端末出力部
３５ 端末受信部
１１１ カタログ格納部
１１２、４１２ 商品情報集合格納部
１１３、４１３ 配置情報格納部
１３１ 商品情報集合取得部
１３２、４３２ 学習部
１３３ 蓄積部
２１１、５１１ 学習器格納部
２１２ 商品情報格納部
２３１、５３１ 予測部
２３２、５３２ カタログ構成部
２４１ カタログ出力部
１３１１ 商品情報取得手段
１３１２ 商品情報集合取得手段
１３２１ 第一学習手段
１３２２ 第二学習手段
２３１１ 第一予測手段
２３１２ 第二予測手段
４３２１ 第三学習手段
５３１１ 第三予測手段
【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】
【図17】
【図18】
【図19】
【図20】
【図21】
【図22】
【図23】
【図24】
【図25】