特許 7557228 プログラム、情報処理方法、及び情報処理装置

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B1)

(11)【特許番号】

(24)【登録日】2024-09-18

(45)【発行日】2024-09-27

(54)【発明の名称】プログラム、情報処理方法、及び情報処理装置

(51)【国際特許分類】

   G06Q 30/0204 20230101AFI20240919BHJP

【ＦＩ】

G06Q30/0204

【請求項の数】 11

(21)【出願番号】P 2023223792

(22)【出願日】2023-12-29

【審査請求日】2024-01-10

【早期審査対象出願】

(73)【特許権者】

【識別番号】524005936

【氏名又は名称】合同会社ＭＨＤＦ

(74)【代理人】

【識別番号】100114557

【弁理士】

【氏名又は名称】河野 英仁

(74)【代理人】

【識別番号】100078868

【弁理士】

【氏名又は名称】河野 登夫

(72)【発明者】

【氏名】山中 良太

(72)【発明者】

【氏名】鈴木 悠司

【審査官】渡邉 加寿磨

(56)【参考文献】

【文献】特開２０１９－２１５６７９（ＪＰ，Ａ）

【文献】特開２０２３－２８０５１（ＪＰ，Ａ）

【文献】国際公開第２０１６／０１６９３４（ＷＯ，Ａ１）

【文献】特表２０２２－５１７０５２（ＪＰ，Ａ）

【文献】特開２０１９－６１５２５（ＪＰ，Ａ）

【文献】米国特許出願公開第２０２０／０３２０１１２（ＵＳ，Ａ１）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｑ １０／００－９９／００

Ｇ０６Ｆ １６／００－１６／９５８

(57)【特許請求の範囲】

【請求項1】

ユーザが選択するコンテンツに関するコンテンツデータを取得し、
前記コンテンツデータを入力した場合に、前記ユーザの感性を表す複数種類の感性因子のそれぞれに対する値を出力するように学習された第１学習モデルに、取得した前記コンテンツデータを入力して、前記複数種類の感性因子のそれぞれに対する値を取得し、
前記複数種類の感性因子のそれぞれに対する値を入力した場合に、商品又はサービスの嗜好性に関する嗜好性情報を出力するように学習された第２学習モデルに、前記第１学習モデルから取得した前記複数種類の感性因子のそれぞれに対する値を入力して、前記ユーザの商品又はサービスの嗜好性に関する嗜好性情報を取得する
処理をコンピュータに実行させるプログラム。

【請求項2】

前記コンテンツデータと、前記コンテンツデータから前記第１学習モデル及び第２学習モデルを用いて取得した前記ユーザの商品又はサービスの嗜好性に関する嗜好性情報とを含む訓練データを用いて、前記コンテンツデータを入力した場合に、前記コンテンツを選択したユーザの感性に基づく商品又はサービスの嗜好性に関する嗜好性情報を出力するように学習された第３学習モデルに、取得した前記コンテンツデータを入力して、前記嗜好性情報を取得する
処理を前記コンピュータに実行させる請求項１に記載のプログラム。

【請求項3】

前記コンテンツデータは、前記ユーザによって選択されたコンテンツ又はアーティストに関する情報を含む
請求項１又は２に記載のプログラム。

【請求項4】

前記コンテンツデータは、コンテンツのストリーミングサービスで提供されるプレイリスト又は視聴履歴に含まれるコンテンツ又はアーティストに関する情報を含む
請求項１又は２に記載のプログラム。

【請求項5】

前記コンテンツは、前記ユーザが選択した音楽コンテンツであり、
音楽コンテンツに関するコンテンツデータと、前記コンテンツデータから前記第１学習モデル及び第２学習モデルを用いて取得した前記ユーザの複数のブランドに対する選好度とを含む訓練データを用いて、音楽コンテンツに関するコンテンツデータを入力した場合に、前記音楽コンテンツを選択したユーザの感性に基づく複数のブランドに対する選好度を出力するように学習された第４学習モデルに、取得した前記コンテンツデータを入力して、前記複数のブランドに対する選好度を取得する
処理を前記コンピュータに実行させる請求項１に記載のプログラム。

【請求項6】

ユーザが選択するコンテンツに関するコンテンツデータを取得し、
取得した前記コンテンツデータに基づいて、前記ユーザの商品又はサービスの嗜好性に関する嗜好性情報を出力し、
前記嗜好性情報は、複数のブランドに対する選好度を含み、
前記複数のブランドのそれぞれについて、各ブランドを選好するユーザの感性を表す複数の感性因子のそれぞれに対する値を取得し、
前記複数のブランドのうちの２つのブランドにおける前記複数の感性因子に対する値の類似度を算出し、
前記２つのブランド間の前記類似度を出力する
処理をコンピュータに実行させるプログラム。

【請求項7】

前記複数のブランドのそれぞれについて、前記複数の感性因子に対する値を出力する
処理を前記コンピュータに実行させる請求項６に記載のプログラム。

【請求項8】

ユーザが選択するコンテンツに関するコンテンツデータを取得し、
前記コンテンツデータを入力した場合に、前記ユーザの感性を表す複数種類の感性因子のそれぞれに対する値を出力するように学習された第１学習モデルに、取得した前記コンテンツデータを入力して、前記複数種類の感性因子のそれぞれに対する値を取得し、
前記複数種類の感性因子のそれぞれに対する値を入力した場合に、商品又はサービスの嗜好性に関する嗜好性情報を出力するように学習された第２学習モデルに、前記第１学習モデルから取得した前記複数種類の感性因子のそれぞれに対する値を入力して、前記ユーザの商品又はサービスの嗜好性に関する嗜好性情報を取得する
処理をコンピュータが実行する情報処理方法。

【請求項9】

制御部を有する情報処理装置であって、
前記制御部は、
ユーザが選択するコンテンツに関するコンテンツデータを取得し、
前記コンテンツデータを入力した場合に、前記ユーザの感性を表す複数種類の感性因子のそれぞれに対する値を出力するように学習された第１学習モデルに、取得した前記コンテンツデータを入力して、前記複数種類の感性因子のそれぞれに対する値を取得し、
前記複数種類の感性因子のそれぞれに対する値を入力した場合に、商品又はサービスの嗜好性に関する嗜好性情報を出力するように学習された第２学習モデルに、前記第１学習モデルから取得した前記複数種類の感性因子のそれぞれに対する値を入力して、前記ユーザの商品又はサービスの嗜好性に関する嗜好性情報を取得する
情報処理装置。

【請求項10】

ユーザが選択するコンテンツに関するコンテンツデータを取得し、
取得した前記コンテンツデータに基づいて、前記ユーザの商品又はサービスの嗜好性に関する嗜好性情報を出力し、
前記嗜好性情報は、複数のブランドに対する選好度を含み、
前記複数のブランドのそれぞれについて、各ブランドを選好するユーザの感性を表す複数の感性因子のそれぞれに対する値を取得し、
前記複数のブランドのうちの２つのブランドにおける前記複数の感性因子に対する値の類似度を算出し、
前記２つのブランド間の前記類似度を出力する
処理をコンピュータが実行する情報処理方法。

【請求項11】

制御部を有する情報処理装置であって、
前記制御部は、
ユーザが選択するコンテンツに関するコンテンツデータを取得し、
取得した前記コンテンツデータに基づいて、前記ユーザの商品又はサービスの嗜好性に関する嗜好性情報を出力し、
前記嗜好性情報は、複数のブランドに対する選好度を含み、
前記複数のブランドのそれぞれについて、各ブランドを選好するユーザの感性を表す複数の感性因子のそれぞれに対する値を取得し、
前記複数のブランドのうちの２つのブランドにおける前記複数の感性因子に対する値の類似度を算出し、
前記２つのブランド間の前記類似度を出力する
情報処理装置。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、プログラム、情報処理方法、及び情報処理装置に関する。

【背景技術】

【0002】

特許文献１では、商品又はサービスに対する顧客の選好度を数値化したポイントに基づいて、当該顧客にレコメンドする商品又はカテゴリーを決定するシステムが開示されている。特許文献１に開示された技術では、顧客が商品又はサービスを購入又は選択した場合に、当該商品又はサービスに対してポイントが加算されるだけでなく、当該商品又はサービスと同一のカテゴリーに属する商品又はサービスに対してもポイントが加算される。これにより、顧客が購入又は選択した商品又はサービスだけでなく、当該商品又はサービスのカテゴリーに対する顧客の嗜好も反映した商品又はサービスのレコメンドが可能となる。

【先行技術文献】

【特許文献】

【0003】

【文献】特許第５９４４６０５号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

特許文献１では、顧客が過去に購入等した商品に応じて蓄積された各商品に対するポイントに基づいて、当該顧客にレコメンドする商品又はカテゴリーを決定する。従って、各商品に対するポイントが蓄積されていない顧客に対しては、レコメンドすべき商品又はカテゴリーを決定できないという問題がある。

【0005】

一つの側面では、各顧客の嗜好性を取得することが可能であるプログラム等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】

一つの側面に係るプログラムは、ユーザが選択するコンテンツに関するコンテンツデータを取得し、取得した前記コンテンツデータに基づいて、前記ユーザの商品又はサービスの嗜好性に関する嗜好性情報を出力する処理をコンピュータに実行させる。

【発明の効果】

【0007】

一つの側面では、各顧客の嗜好性を取得することができる。

【図面の簡単な説明】

【0008】

【図1】情報処理装置の構成例を示すブロック図である。

【図2】音楽コンテンツに関するアンケート画面例を示す説明図である。

【図3】第１学習モデル及び第２学習モデルの構成例を示す説明図である。

【図4】訓練データを生成するためのアンケート画面例を示す説明図である。

【図5】学習モデルの生成処理手順の一例を示すフローチャートである。

【図6】ファッションブランドに対する選好度の推定処理手順の一例を示すフローチャートである。

【図7】ユーザのファッションブランドに対する選好度と、ユーザの音楽に対する感性から推定されるファッションブランドに対する選好度との比較を示す説明図である。

【図8】実施形態２のファッションブランドに対する選好度の推定処理手順の一例を示すフローチャートである。

【図9】第３学習モデルの構成例を示す説明図である。

【図10】訓練データ用ＤＢのレコードレイアウトの一例を示す説明図である。

【図11】第４学習モデルの構成例を示す説明図である。

【図12】各ファッションブランドに対する選好度が高いユーザの感性の比較処理手順の一例を示すフローチャートである。

【図13】画面例を示す説明図である。

【発明を実施するための形態】

【0009】

以下に、本開示のプログラム、情報処理方法、及び情報処理装置について、その実施形態を示す図面に基づいて詳述する。

【0010】

（実施形態１）
ユーザが選択（指定）するコンテンツに関するコンテンツデータに基づいて、当該ユーザの商品又はサービスに対する嗜好性（選好性）を推定する情報処理装置について説明する。ユーザは、文章、本、音楽（楽曲等）、映像（映画、テレビ番組、演劇、Youtube（登録商標）等）、写真、漫画、アニメーション、イラストレーション、コンピュータグラフィックス、ゲーム等の各種のコンテンツにおいて、所望のコンテンツ（好みのコンテンツ）を選択する場合、自身の感性に従った選択を行うことが多い。またユーザは、各種の商品及びサービスを購入する場合、自身の感性に従って購入対象の商品及びサービスを選択する。このようにユーザは、自身の感性に従って所望のコンテンツ、並びに、購入対象の商品及びサービスを選択しており、各種のコンテンツに対するユーザの嗜好性と、各種の商品及びサービスに対するユーザの嗜好性とは相関があると考えられている。従って、ユーザが選択するコンテンツ、例えばユーザが選択又は購入したコンテンツに関するデータに基づいて、当該ユーザの感性を推定することにより、推定した感性から、各種の商品又はサービスに対する当該ユーザの嗜好性（選好性）を推定することができる。なお、感性の推定に用いるコンテンツの種類と、推定した感性から嗜好性を推定する商品又はサービスの種類とは、ユーザのコンテンツに対するイメージ又は印象から推定される感性因子の各数値と、当該ユーザの商品又はサービスに対するイメージ又は印象から推定される感性因子の各数値との間に強い相関がある組合せを用いることが望ましい。本願発明者は、ユーザが好みの音楽コンテンツを選択する際の感性と、当該ユーザが好みのファッションブランドを選択する際の感性との間に強い相関があることを見出した。よって、本実施形態では、コンテンツを音楽コンテンツとし、商品又はサービスをファッションブランドとして、ユーザが選択する音楽コンテンツに関するコンテンツデータから当該ユーザの感性を推定し、推定した感性から、複数のファッションブランドに対する当該ユーザの嗜好性（選好性）を推定する情報処理装置について説明する。

【0011】

図１は情報処理装置の構成例を示すブロック図である。情報処理装置１０は、種々の情報処理及び情報の送受信が可能なコンピュータであり、サーバコンピュータ、パーソナルコンピュータ、又はタブレット端末等である。情報処理装置１０は、制御部１１、記憶部１２、通信部１３、入力部１４、表示部１５、読取部１６等を含み、これらの各部はバスを介して相互に接続されている。制御部１１は、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro-Processing Unit）、ＧＰＵ（Graphics Processing Unit）、ＴＰＵ（Tensor Processing Unit）、又はＡＩチップ（ＡＩ用半導体）等の１又は複数のプロセッサを用いて構成されている。制御部１１は、記憶部１２に記憶してあるプログラムＰを適宜実行することにより、情報処理装置１０が行うべき種々の情報処理及び制御処理を実行する。なお、制御部１１が複数のプロセッサを含む場合、制御部１１は、各処理を異なるプロセッサによって実行してもよい。

【0012】

記憶部１２は、ＲＡＭ（Random Access Memory）、フラッシュメモリ、ハードディスク、ＳＳＤ（Solid State Drive）等を含む。記憶部１２は、制御部１１が実行するプログラムＰ（プログラム製品）及びプログラムＰの実行に必要な各種のデータを記憶している。また記憶部１２は、制御部１１がプログラムＰを実行する際に発生するデータ等を一時的に記憶する。また記憶部１２は、例えば機械学習によって訓練データを学習済みの学習モデルＭ１，Ｍ２を記憶している。学習モデルＭ１，Ｍ２は、人工知能ソフトウェアを構成するプログラムモジュールとしての利用が想定される。学習モデルＭ１，Ｍ２は、入力値に対して所定の演算を行い、演算結果を出力するものであり、記憶部１２には、この演算を規定する関数の係数及び閾値等のデータが学習モデルＭ１，Ｍ２として記憶される。記憶部１２は、複数の記憶装置により構成されてもよく、記憶部１２の一部は、情報処理装置１０に接続された他の記憶装置であってもよく、情報処理装置１０が通信可能な他の記憶装置であってもよい。また、学習モデルＭ１，Ｍ２は、記憶部１２に記憶される構成の代わりに、情報処理装置１０が、学習モデルＭ１，Ｍ２を記憶するサーバにアクセスして読み出す構成でもよい。

【0013】

通信部１３は、有線通信又は無線通信に関する処理を行うための通信モジュールであり、ネットワークを介して他の装置との間で情報の送受信を行う。ネットワークは、インターネット又は公衆電話回線網であってもよく、情報処理装置１０が設けられている施設内に構築されたＬＡＮ（Local Area Network）であってもよい。入力部１４は、ユーザによる操作入力を受け付け、操作内容に対応した制御信号を制御部１１へ送出する。入力部１４は、例えばキーボード及びマウス、音声入力用のマイク等を含む。表示部１５は、液晶ディスプレイ又は有機ＥＬ（electroluminescence）ディスプレイ等であり、制御部１１からの指示に従って各種の情報を表示する。入力部１４の一部及び表示部１５は一体として構成されたタッチパネルであってもよい。

【0014】

読取部１６は、ＣＤ（Compact Disc）、ＤＶＤ（Digital Versatile Disc）、ＵＳＢ（Universal Serial Bus）メモリ、ＳＤ（Secure Digital）カード等の可搬型記憶媒体１０ａに記憶された情報を読み取る。記憶部１２に記憶されるプログラムＰ及び各種のデータは、制御部１１が読取部１６を介して可搬型記憶媒体１０ａから読み取って記憶部１２に記憶してもよい。また、プログラムＰ及び各種のデータは、情報処理装置１０の製造段階において記憶部１２に書き込まれてもよく、制御部１１が通信部１３を介して他の装置からダウンロードして記憶部１２に記憶してもよい。

【0015】

本実施形態において、情報処理装置１０は複数のコンピュータからなるマルチコンピュータであってもよく、１台の装置内にソフトウェアによって仮想的に構築された仮想マシンであってもよい。また情報処理装置１０をサーバコンピュータで構成する場合、情報処理装置１０は、情報処理装置１０が設けられている施設内に設置されたローカルサーバであってもよく、インターネット等のネットワークを介して通信接続されたクラウドサーバであってもよい。以下では、情報処理装置１０が１台のコンピュータであるものとして説明する。また、プログラムＰは、単一のコンピュータ上で、又は１つのサイトにおいて配置されてもよく、もしくは、複数のサイトにわたって分散され、ネットワークを介して相互に接続された複数のコンピュータ上で分散されて実行されてもよい。更に、情報処理装置１０は、入力部１４及び表示部１５は必須ではなく、接続されたコンピュータを通じて操作を受け付ける構成でもよく、表示すべき情報を外部の表示装置へ出力する構成でもよい。

【0016】

本実施形態の情報処理装置１０は、あるユーザについて、当該ユーザが最も好む音楽コンテンツ（楽曲）に関するアンケートに対する回答から、当該ユーザのファッションブランドに対する嗜好性（選好性）を推定する処理を行う。図２は音楽コンテンツに関するアンケート画面例を示す説明図である。図２に示す画面では、ユーザが最も好む楽曲（１番好きな楽曲）又は聴取頻度が１番多い楽曲（１番よく聴く楽曲）の楽曲名及びアーティスト名の入力欄が設けられている。また、図２に示す画面では、楽曲名及びアーティスト名の入力欄に入力された楽曲に関して、ＳＤ法（Semantic Differential Method）による複数のアンケート項目が表示されており、それぞれのアンケート項目について、１～５のいずれかの数値によって、ユーザが楽曲に対して持つイメージ又は印象を回答（入力）するように構成されている。なお、各アンケート項目に対して選択可能な数値は１～５の５個に限定されず、任意の個数とすることができる。またアンケート項目の個数は例えば５０項目程度とすることができるが、任意の個数としてもよい。

【0017】

本実施形態の情報処理装置１０は、図２に示すようなアンケート画面を介して、ユーザが最も好む音楽コンテンツに関する複数のアンケート項目に対する回答を取得する。そして情報処理装置１０は、取得した回答から、当該ユーザの感性を表す複数の感性因子に対する数値を推定し、推定した感性因子に対する数値から、複数のファッションブランドに対する当該ユーザの嗜好性（選好性）を推定する。推定された各ユーザのファッションブランドに対する嗜好性は、各ユーザに対するファッションブランドの宣伝等に利用することができる。従って、ユーザが好む音楽コンテンツに対して持つイメージ又は印象（アンケート項目に対する回答）を、ファッションブランドにおけるマーケティング情報に利用することができる。なお、本実施形態の情報処理装置１０は、音楽コンテンツに関するアンケート項目に対する回答から、ユーザの感性を表す感性因子の数値を推定する際に第１学習モデルＭ１を用い、各感性因子の数値から、ファッションブランドに対する嗜好性（選好性）を推定する際に第２学習モデルＭ２を用いる。また情報処理装置１０は、ユーザが最も好む音楽コンテンツ又はユーザの聴取頻度が最多の音楽コンテンツの代わりに、ユーザが任意に選択した音楽コンテンツに関するアンケート回答から、ユーザのファッションブランドに対する嗜好性を推定する構成でもよい。

【0018】

図３は第１学習モデルＭ１及び第２学習モデルＭ２の構成例を示す説明図である。第１学習モデルＭ１は、ユーザが選択する音楽コンテンツ（例えばユーザが最も好む音楽コンテンツ）に関するコンテンツデータとして、当該音楽コンテンツに関するアンケート項目に対する回答を入力とし、入力されたコンテンツデータに基づいて、ユーザの感性に関する複数種類の感性因子のそれぞれに対する数値を推定する演算を行い、演算した結果を出力するように学習してある。図３Ａの例では、図２に示した第１のアンケート項目（下品な，上品な）に対する回答（第１項目の回答）、第２のアンケート項目（子どもっぽい，大人っぽい）に対する回答（第２項目の回答）等を含む複数のアンケート項目に対する回答が入力され、予め設定されている複数の感性因子のそれぞれに対する数値を出力するように構成されている。感性因子としては、例えばやさしい癒し感，快活感，独立独行感，オーセンティック感，熱血感，ワイルド感，サバサバ感，初々しい感，ギラギラ感等、ユーザの感性を表現できるものが用いられる。感性因子は、これらの一部又は全部を用いてもよく、また、これらに限定されない。感性因子の個数は例えば１３個程度とするが、この数に限定されない。感性因子に対する数値は、例えば－１～１の数値（例えば小数第２位までの数値）とすることができる。

【0019】

第１学習モデルＭ１は例えば重回帰分析、ＳＶＭ（Support Vector Machine）、ランダムフォレスト、決定木、ＸＧＢｏｏｓｔ（eXtreme Gradient Boosting）、ＬｉｇｈｔＧＢＭ（Light Gradient Boosting Machine）、ニューラルネットワーク、ディープラーニング等のアルゴリズムを用いて構成することができ、複数のアルゴリズムを組み合わせて構成してもよい。また第１学習モデルＭ１は、上述したアルゴリズムのほかに、因子分析、主成分分析（ＰＣＡ：Principal ComponentAnalysis）、ＵＭＡＰ（Uniform Manifold Approximation and Projection）、ＬＳＩ（Latent Semantic Indexing）、ＳＶＤ（Singular Value Decomposition）、ＬＤＡ（Linear Discriminant Analysis）、ＩＣＡ（Independent Component Analysis）、ＰＬＳ（Partial Least Squares）、ｔ－ＳＮＥ（t-distributed Stochastic Neighbor Embedding）等の次元圧縮アルゴリズムを用いて構成してもよい。第１学習モデルＭ１を次元圧縮アルゴリズムを用いて構成する場合、教師なし学習によって生成される。

【0020】

第１学習モデルＭ１は、音楽コンテンツに関するアンケート回答が入力される入力層と、各感性因子に対する数値を出力する出力層と、入力データに基づいて出力値を算出する中間層とを備える。第１学習モデルＭ１の入力層は、複数の入力ノードを有しており、各入力ノードを介して、ユーザが回答した音楽コンテンツに関するアンケート回答が入力される。第１学習モデルＭ１の中間層は、各種の関数及び閾値等を用いて、入力されたデータの特徴量を抽出し、抽出した特徴値を出力層に出力する。第１学習モデルＭ１の出力層は、複数の出力ノードを有しており、各出力ノードには、予め設定されている感性因子、例えばやさしい癒し感，快活感，独立独行感，オーセンティック感，熱血感，ワイルド感，サバサバ感，初々しい感，ギラギラ感等が対応付けられており、各出力ノードから、対応付けられた感性因子に対する数値を出力する。このような構成により、第１学習モデルＭ１は、所定数のアンケート回答が入力された場合に、各感性因子について当該ユーザの数値を出力する。

【0021】

第１学習モデルＭ１は、訓練用のアンケート回答（音楽コンテンツに関するアンケート回答）と、当該アンケート回答に基づいて算出された、ユーザの感性を表す感性因子の各数値（正解の数値）とを関連付けた訓練データを用いて機械学習させることにより生成される。本実施形態の学習モデルＭ１，Ｍ２の訓練データは、ユーザによるアンケート回答に基づいて生成される。図４は訓練データを生成するためのアンケート画面例を示す説明図である。図４に示す画面では、図２に示す楽曲に関するアンケートに加え、ファッションブランドに対する選好度に関するアンケートを含む。ファッションブランドに関するアンケートは、予め設定されたファッションブランドが表示されており、それぞれのファッションブランドについて、１～７のいずれかの数値によって、ユーザがファッションブランドに対する選好度を回答（入力）するように構成されている。

【0022】

第１学習モデルＭ１の訓練データは、図４に示すアンケートを介して取得した楽曲に関するアンケート回答に、このアンケート回答に基づいて、予め設定された線形方程式等を用いた最尤推定法による演算によって算出された各感性因子に対する数値が対応付けられて生成される。各感性因子の数値を算出するための線形方程式は、各アンケート項目の回答（図４の例では１～５の数値）に対して、感性因子毎の係数が設定されている。第１学習モデルＭ１は、訓練データに含まれるアンケート回答が入力された場合に、各感性因子に対応する出力ノードから、各感性因子の正解の数値が出力されるように学習する。学習処理において第１学習モデルＭ１は、入力されたアンケート回答に基づく演算を行い、各出力ノードからの出力値を算出する。そして第１学習モデルＭ１は、算出した各出力ノードの出力値と正解の数値とを比較し、両者が近似するように、演算処理に用いるパラメータを最適化する。例えば、誤差逆伝播法、最急降下法等を用いて、第１学習モデルＭ１におけるノード間の重み（結合係数）等のパラメータを最適化する。これにより、あるユーザの楽曲に関するアンケート回答が入力された場合に、当該ユーザの感性を表す感性因子に対する数値を出力する第１学習モデルＭ１が得られる。

【0023】

第１学習モデルＭ１は、感性因子に対する数値として、例えば－１～１の連続値で表現される数値を出力する構成であるが、感性因子として選択可能な数値のいずれかを判別する構成としてもよい。この場合、第１学習モデルＭ１に、感性因子のそれぞれについて、感性因子の数値として選択可能な複数の数値に対応する複数の出力ノードを設け、各出力ノードから、対応付けられた数値に対する確信度を出力する構成としてもよい。この場合、それぞれの感性因子毎に、各出力ノードから例えば０～１の出力値が出力され、各出力ノードからの出力値の合計が１（１００％）となる。このような構成では、第１学習モデルＭ１は、楽曲に関するアンケート回答が入力された場合に、それぞれの感性因子毎に、各出力ノードから、各出力ノードに割り当てられた数値に対する確信度を出力する。このような構成の第１学習モデルＭ１を用いる場合、情報処理装置１０は、それぞれの感性因子について、最大の出力値（確信度）を出力した出力ノードに対応付けられている数値を、当該感性因子の数値と推定することができる。なお、このような構成の第１学習モデルＭ１は、各感性因子について、それぞれの数値に対する確信度を出力する複数の出力ノードを有する代わりに、確信度が最も高い数値を出力する１個の出力ノードを有する構成でもよい。また第１学習モデルＭ１は次元圧縮アルゴリズムを用いて構成することができ、この場合、教師なし学習によって、訓練用のアンケート回答（例えば２０００人分の音楽コンテンツに関する５０項目程度のアンケート回答）に対して因子分析を行うことによって、例えば１３個程度の感性因子の各数値を出力するように学習する。なお、第１学習モデルＭ１は、５０項目のアンケート回答の情報量を維持しつつ、ファッションブランドの選好度の推定に寄与できる感性因子を出力するように学習する。

【0024】

図３Ｂに示す第２学習モデルＭ２は、ユーザの感性を表す複数種類の感性因子のそれぞれに対する数値を入力とし、入力された各感性因子の数値に基づいて、複数種類のファッションブランドのそれぞれに対するユーザの選好度（嗜好性情報）を推定する演算を行い、演算した結果を出力するように学習してある。第２学習モデルＭ２に入力される感性因子に対する数値は、例えば図３Ａの第１学習モデルＭ１を用いて推定された感性因子に対する数値を用いることができる。ファッションブランドに対する選好度は、例えば図４に示すアンケートで使用される１～７の数値とすることができる。第２学習モデルＭ２も、重回帰分析、ＳＶＭ、ランダムフォレスト、決定木、ＸＧＢｏｏｓｔ、ＬｉｇｈｔＧＢＭ、ニューラルネットワーク、ディープラーニング等のアルゴリズムを用いて構成することができ、複数のアルゴリズムを組み合わせて構成してもよい。

【0025】

第２学習モデルＭ２は、複数の感性因子に対する数値が入力される入力層と、各ファッションブランドに対する選好度を出力する出力層と、入力データに基づいて出力値を算出する中間層とを備える。第２学習モデルＭ２の入力層は、複数の入力ノードを有しており、各入力ノードを介して、複数の感性因子に対する数値が入力される。第２学習モデルＭ２の中間層は、各種の関数及び閾値等を用いて、入力されたデータの特徴量を抽出し、抽出した特徴値を出力層に出力する。第２学習モデルＭ２の出力層は、複数の出力ノードを有しており、各出力ノードには、予め設定されているファッションブランドが対応付けられており、各出力ノードから、対応付けられたファッションブランドに対する選好度を出力する。具体的には、第２学習モデルＭ２の出力層は、各ファッションブランドについて、選好度として選択可能な各数値（例えば１～７の選好度）が対応付けられた複数（ここでは７個）の出力ノードを有し、各出力ノードから、対応付けられた各選好度に対する確信度を出力する。それぞれのファッションブランドについて、各出力ノードから例えば０～１の出力値が出力され、各出力ノードからの出力値の合計が１（１００％）となる。このような構成の第２学習モデルＭ２を用いる場合、情報処理装置１０は、それぞれのファッションブランドについて、最大の出力値（確信度）を出力した出力ノードに対応付けられている選好度（例えば１～７のいずれか）を、当該ファッションブランドに対する選好度と推定することができる。なお、このような構成の第２学習モデルＭ２は、それぞれのファッションブランドについて、それぞれの選好度に対する確信度を出力する複数の出力ノードを有する代わりに、確信度が最も高い選好度を出力する１個の出力ノードを有する構成でもよい。

【0026】

第２学習モデルＭ２は、訓練用の感性因子の各数値と、当該感性因子の各数値の算出に用いたアンケート回答と同じユーザによるファッションブランドに対する選好度（正解の選好度）とを関連付けた訓練データを用いて機械学習させることにより生成される。具体的には、第２学習モデルＭ２の訓練データは、楽曲に関するアンケート回答に基づいて算出された各感性因子に対する数値に、図４に示すアンケートを介して取得されたファッションブランドに対する選好度（図４の例では１～７の数値）が対応付けられて生成される。第２学習モデルＭ２は、訓練データに含まれる各感性因子の数値が入力された場合に、各ファッションブランドに対応する出力ノードから、各ファッションブランドに対する正解の選好度が出力されるように学習する。学習処理において第２学習モデルＭ２は、入力された各感性因子の数値に基づく演算を行い、各出力ノードからの出力値を算出する。そして第２学習モデルＭ２は、それぞれのファッションブランドについて、算出した各出力ノードの出力値と正解の選好度に応じた値（正解の選好度に対応する出力ノードに対しては１、他の出力ノードに対しては０）とを比較し、両者が近似するように、演算処理に用いるパラメータを最適化する。ここでも、誤差逆伝播法、最急降下法等を用いて、第２学習モデルＭ２におけるノード間の重み（結合係数）等のパラメータを最適化する。これにより、あるユーザの感性を表す感性因子の各数値が入力された場合に、当該ユーザのファッションブランドに対する選好度を出力する第２学習モデルＭ２が得られる。

【0027】

学習モデルＭ１，Ｍ２の学習は、情報処理装置１０で行われてもよく、他の学習装置で行われてもよい。他の学習装置で学習が行われて生成された学習済みの学習モデルＭ１，Ｍ２は、ネットワーク経由又は可搬型記憶媒体１０ａ経由で学習装置から情報処理装置１０にダウンロードされて記憶部１２に記憶される。

【0028】

以下に、上述したような訓練データを学習して学習モデルＭ１，Ｍ２を生成する処理について説明する。図５は学習モデルＭ１，Ｍ２の生成処理手順の一例を示すフローチャートである。以下の処理は、情報処理装置１０の制御部１１が、記憶部１２に記憶してあるプログラムＰに従って実行するが、他の学習装置で行われてもよい。以下の処理では、制御部１１はまず、図４に示したアンケートに対する回答に基づいて訓練データを生成し、生成した訓練データを用いて学習モデルＭ１，Ｍ２の学習を行う。なお、訓練データの生成に用いるアンケート回答は、多数の回答者によって回答されて記憶部１２の所定領域（所定のＤＢ）に記憶してあるものとする。

【0029】

情報処理装置１０の制御部１１は、記憶部１２に記憶してある１人分のアンケート回答を取得する（Ｓ１１）。アンケート回答は、記憶部１２から読み出すほかに、例えばネットワーク経由でアンケート回答者の端末、アンケート回答の回収を行う端末等から取得する構成でもよい。取得したアンケート回答には、楽曲に対するアンケート回答と、ファッションブランドの選好度に対するアンケート回答とが含まれる。

【0030】

制御部１１は、アンケート回答のうちの楽曲に対するアンケート回答を抽出し、楽曲に対するアンケート回答に基づいて、このアンケート回答者の感性を表す各感性因子に対する数値を算出する（Ｓ１２）。ここでは制御部１１は、アンケート回答者の感性について、最尤推定法によって当該感性を表す各感性因子の数値（最尤推定量）を算出する。具体的には、制御部１１は、各アンケート項目に対して予め設定された係数による線形方程式により、当該アンケート回答者の感性を表す感性因子の数値を算出する。制御部１１は、抽出した楽曲に対するアンケート回答と、算出した各感性因子の数値（正解の数値）とを対応付けて、第１学習モデルＭ１の学習に用いる訓練データを生成し、記憶部１２に記憶する（Ｓ１３）。制御部１１は、生成した訓練データを、例えば記憶部１２に用意された第１学習モデルＭ１用の訓練ＤＢ（図示せず）に記憶しておく。

【0031】

制御部１１は、アンケート回答のうちのファッションブランドの選好度に対するアンケート回答を抽出し、ステップＳ１２で算出した各感性因子の数値と、抽出したファッションブランドに対する選好度（正解の選好度）とを対応付けて、第２学習モデルＭ２の学習に用いる訓練データを生成し、記憶部１２に記憶する（Ｓ１４）。ここでも制御部１１は、生成した訓練データを、例えば記憶部１２に用意された第２学習モデルＭ２用の訓練ＤＢ（図示せず）に記憶しておく。

【0032】

制御部１１は、記憶部１２に記憶してあるアンケート回答のうちで、訓練データの生成処理に用いられていない未処理のアンケート回答があるか否かを判断する（Ｓ１５）。未処理のアンケート回答があると判断した場合（Ｓ１５：ＹＥＳ）、制御部１１は、ステップＳ１１の処理に戻り、未処理のアンケート回答についてステップＳ１１～Ｓ１４の処理を行う。制御部１１は、未処理のアンケート回答がないと判断するまでステップＳ１１～Ｓ１５の処理を繰り返す。これにより、記憶部１２に記憶してあるアンケート回答に基づいて、学習モデルＭ１，Ｍ２の学習に用いる訓練データが生成されて訓練ＤＢ（第１学習モデルＭ１用の訓練ＤＢ、第２学習モデルＭ２用の訓練ＤＢ）に蓄積される。

【0033】

制御部１１は、未処理のアンケート回答がないと判断した場合（Ｓ１５：ＮＯ）、上述したように訓練ＤＢに蓄積した訓練データを用いて、学習モデルＭ１，Ｍ２の学習を行う。例えば制御部１１は、第１学習モデルＭ１用の訓練ＤＢに蓄積した訓練データのうちの１つを読み出し、読み出した訓練データに基づいて、第１学習モデルＭ１の学習処理を行う（Ｓ１６）。ここでは、制御部１１は、訓練データに含まれる楽曲に対するアンケート回答を第１学習モデルＭ１に入力し、当該アンケート回答が入力されることによって第１学習モデルＭ１から出力される出力値を取得する。制御部１１は、第１学習モデルＭ１から出力された各出力ノードの出力値と、訓練データに含まれる各感性因子の正解の数値とを比較し、両者が近似するように第１学習モデルＭ１を学習させる。学習処理において、制御部１１は、第１学習モデルＭ１におけるノード間の重み等のパラメータを、出力層から入力層に向かって順次更新する誤差逆伝播法を用いて最適化する。

【0034】

制御部１１は、第１学習モデルＭ１用の訓練ＤＢに記憶してある訓練データのうちで、学習処理が行われていない未処理の訓練データがあるか否かを判断する（Ｓ１７）。未処理の訓練データがあると判断した場合（Ｓ１７：ＹＥＳ）、制御部１１は、ステップＳ１６の処理に戻り、学習処理が未処理の訓練データを用いて第１学習モデルＭ１の学習処理を行う。未処理の訓練データがないと判断した場合（Ｓ１７：ＮＯ）、制御部１１は、第２学習モデルＭ２用の訓練ＤＢに蓄積した訓練データのうちの１つを読み出し、読み出した訓練データに基づいて、第２学習モデルＭ２の学習処理を行う（Ｓ１８）。ここでは、制御部１１は、訓練データに含まれる各感性因子の数値を第２学習モデルＭ２に入力し、各感性因子の数値が入力されることによって第２学習モデルＭ２から出力される出力値を取得する。制御部１１は、第２学習モデルＭ２から出力された各出力ノードの出力値と、訓練データに含まれる各ファッションブランドに対する正解の選好度とを比較し、両者が近似するように第２学習モデルＭ２を学習させる。具体的には、制御部１１は、各ファッションブランドについて、各出力ノードの出力値と、正解の選好度に応じた値（正解の選好度に対応する出力ノードに対しては１、他の出力ノードに対しては０）とを比較し、両者が近似するように学習させる。ここでも制御部１１は、第２学習モデルＭ２におけるノード間の重み等のパラメータを、出力層から入力層に向かって順次更新する誤差逆伝播法を用いて最適化する。

【0035】

制御部１１は、第２学習モデルＭ２用の訓練ＤＢに記憶してある訓練データのうちで、学習処理が行われていない未処理の訓練データがあるか否かを判断する（Ｓ１９）。未処理の訓練データがあると判断した場合（Ｓ１９：ＹＥＳ）、制御部１１は、ステップＳ１８の処理に戻り、学習処理が未処理の訓練データを用いて第２学習モデルＭ２の学習処理を行う。未処理の訓練データがないと判断した場合（Ｓ１９：ＮＯ）、制御部１１は、一連の処理を終了する。

【0036】

上述した学習処理により、楽曲に関するアンケート回答が入力された場合に、当該アンケート回答者における感性因子の数値を出力する第１学習モデルＭ１と、各感性因子の数値が入力された場合に、当該アンケート回答者のファッションブランドに対する選好度を出力する第２学習モデルＭ２とが生成される。なお、上述した処理において、ステップＳ１１～Ｓ１５による訓練データの生成処理と、ステップＳ１６～Ｓ１９による学習モデルＭ１，Ｍ２の生成処理とは、各別の装置で行われてもよい。学習モデルＭ１，Ｍ２は、上述したような訓練データを用いた学習処理を繰り返し行うことにより更に最適化することが可能である。また、既に学習済みの学習モデルＭ１，Ｍ２についても、上述した学習処理で再学習させることにより、判別精度が更に向上した学習モデルＭ１，Ｍ２を生成できる。なお、第１学習モデルＭ１が次元圧縮アルゴリズムで構成されている場合、ステップＳ１３で制御部１１は、楽曲に対するアンケート回答を第１学習モデルＭ１の訓練データとして記憶する。そして、ステップＳ１６で制御部１１は、訓練データ（アンケート回答）に対して因子分析を行うことによって第１学習モデルＭ１の学習を行う。

【0037】

以下に、本実施形態の情報処理装置１０が、任意のユーザによる楽曲に関するアンケート回答に基づいて当該ユーザのファッションブランドに対する選好度を推定する処理について説明する。図６はファッションブランドに対する選好度の推定処理手順の一例を示すフローチャートである。

【0038】

本実施形態では、ユーザが音楽のストリーミングサービス（音楽配信サービス）の利用を開始する際に又は利用中に、あるいは、ユーザがネットワーク経由で各種のサイトにアクセスした際等、任意のタイミングで、図２に示すようなアンケートを行う。情報処理装置１０は、任意のタイミングで行われたアンケートに対する回答から当該ユーザのファッションブランドに対する選好度を推定する。

【0039】

情報処理装置１０の制御部１１は、任意のユーザによるアンケート回答を取得する（Ｓ２１）。制御部１１は、アンケート回答と共に、アンケート回答者の連絡先等を含むユーザ情報を取得してもよい。なお、アンケート回答は、予め通信部１３又は入力部１４を介して取得して記憶部１２に記憶されていてもよく、この場合、制御部１１は、記憶部１２からアンケート回答を読み出す。また制御部１１は、アンケート回答を、ネットワーク経由でアンケート回答者の端末、アンケート回答の回収を行う端末等から取得する構成でもよい。制御部１１は、取得した楽曲に関するアンケート回答に基づいて、当該アンケート回答者の感性を表す各感性因子の数値を推定する（Ｓ２２）。ここでは、制御部１１は、楽曲に関するアンケート回答を第１学習モデルＭ１に入力し、第１学習モデルＭ１の各出力ノードからの出力値を、各出力ノードに対応付けられている感性因子の数値として取得する。

【0040】

次に制御部１１は、推定した各感性因子の数値に基づいて、当該アンケート回答者の各ファッションブランドに対する選好度を推定する（Ｓ２３）。ここでは、制御部１１は、各感性因子の数値を第２学習モデルＭ２に入力し、第２学習モデルＭ２の各出力ノードからの出力値に基づいて、各ファッションブランドに対する選好度を取得する。具体的には、制御部１１は、各ファッションブランドについて、最大の出力値（確信度）を出力した出力ノードに対応付けられている選好度を、当該ファッションブランドに対する選好度として取得する。制御部１１は、アンケート回答と共にユーザ情報を取得している場合、ユーザ情報と、ステップＳ２３で推定した各ファッションブランドに対する選好度を含むブランド情報とを対応付けて記憶部１２に記憶する（Ｓ２４）。なお、制御部１１は、ユーザ情報及びファッション情報に加えて、ステップＳ２１で取得したアンケート回答及びステップＳ２２で推定した各感性因子の数値の少なくとも一方を記憶部１２に記憶してもよい。

【0041】

制御部１１は、ファッションブランドに対するユーザの選好度が推定されていない未処理のアンケート回答があるか否かを判断する（Ｓ２５）。未処理のアンケート回答があると判断した場合（Ｓ２５：ＹＥＳ）、制御部１１は、ステップＳ２１の処理に戻り、未処理のアンケート回答についてステップＳ２１～Ｓ２４の処理を行う。これにより、楽曲に関するアンケートに回答した各ユーザについて、ファッションブランドに対する選好度を推定することができる。制御部１１は、未処理のアンケート回答がないと判断するまでステップＳ２１～Ｓ２５の処理を繰り返し、未処理のアンケート回答がないと判断した場合（Ｓ２５：ＮＯ）、一連の処理を終了する。これにより、任意のユーザから取得した楽曲に関するアンケート回答に基づいて、当該ユーザのファッションブランドに対する選好度が推定される。なお、ステップＳ２３で推定された各ファッションブランドに対する選好度は、１～７（１：とても嫌い，７：とても好き）の数値で表され、各ファッションブランドに対する選好度の高低を比較することができる。

【0042】

上述した処理により、ユーザが選択した音楽コンテンツ（例えば、最も好む音楽コンテンツ）に対するアンケート回答から、当該ユーザのファッションブランドに対する選好度を推定することができる。よって、ユーザに対しては、例えば、選好度が高いファッションブランドに関する宣伝及び広告、商品のレコメンド情報等を提供することが可能となり、ファッションブランドの販売店等に対しては、例えば、各ファッションブランドに対する選好度が高いユーザの情報を提供することが可能となる。なお、ユーザは、ファッションブランドに対する選好度を意識することなく、楽曲に関するアンケートに回答するだけで、ユーザが選好するファッションブランドを推定することができる。

【0043】

図７は、ユーザのファッションブランドに対する選好度と、ユーザの音楽に対する感性から推定されるファッションブランドに対する選好度との比較を示す説明図である。図７に示すグラフは、横軸に、ファッションブランドに対するユーザの実際の選好度を示し、縦軸に、ユーザが選択した楽曲に対するアンケート回答から推定した感性（各感性因子の数値）から推定したファッションブランドに対する選好度を示し、各ユーザの実際の選好度と、音楽に対する感性から推定した選好度とがプロットされたグラフである。実際の選好度は、各ユーザが、複数のブランドに対して好みの順位を決定し、各ブランドに対して順位に応じたスコア（順位が高いほど大きいスコア）を割り当て、第１ブランドのスコアから第２ブランドのスコアを減算（第１ブランドのスコア－第２ブランドのスコア）した値を示す。即ち、図７のグラフの横軸で示す実際の選好度は、各ユーザの２つのブランドに対する選好度の差異を示し、右側ほど第１ブランドの選好度が高いこと、左側ほど第２ブランドの選好度が高いことを示している。音楽に対する感性から推定した選好度は、本実施形態の処理により、楽曲に関するアンケート回答から算出したユーザの感性（各感性因子の数値）から推定した当該ユーザの複数のブランドに対する選好度から各ブランドに対する好みの順位を決定し、各ブランドに対して順位に応じたスコア（順位が高いほど大きいスコア）を割り当て、第１ブランドのスコアから第２ブランドのスコアを減算した値を示す。即ち、図７のグラフの縦軸で示す推定した選好度は、各ユーザの音楽に対する感性から推定した２つのブランドに対する選好度の差異を示し、上側ほど第１ブランドの選好度が高いこと、下側ほど第２ブランドの選好度が高いことを示している。

【0044】

図７のグラフから、ファッションブランドに対するユーザの実際の選好度と、ユーザの音楽に対する感性から推定したファッションブランドに対する選好度との間には強い相関があることが分かる。よって、本実施形態では、ユーザが選択した楽曲に対するアンケート回答から、当該ユーザの音楽に関する感性を複数の感性因子の数値で表し、ユーザの感性を表した複数の感性因子の数値を用いて、当該ユーザのファッションブランドに対する選好度を推定することにより、当該ユーザのファッションブランドに対する選好度（嗜好性）を精度よく推定することが可能である。

【0045】

上述したように、ユーザは自身の感性に従って各種の選択を行うので、音楽コンテンツに限らず各種のコンテンツに対するユーザの嗜好性（選好度）から感性を推定する構成としてもよい。また、ファッションブランドに限らず、ユーザの感性に基づいて各種の商品及びサービスに対するユーザの嗜好性（選好度）を推定する構成としてもよい。例えば、映像コンテンツ（映画、テレビ番組、演劇、Youtube等）、文章、本、写真、漫画、アニメーション、イラストレーション、コンピュータグラフィックス、ゲーム等のコンテンツのいずれか又は複数に対するアンケート回答から、当該ユーザの感性を表す感性因子の数値を推定する構成としてもよい。また、感性の推定に用いるアンケート回答には、図２に示すように最も好む音楽コンテンツに関するアンケート回答のほかに、ユーザ自身の音楽感性又は音楽価値観に関するアンケート回答、感性因子のスコア（数値）に影響を及ぼす楽曲又はアーティストに対するイメージ及び印象に関するアンケート回答、感性因子のスコアに影響を及ぼす所定数の楽曲、アーティスト又はメロディーライン等に対する好みの順での並べ替え結果等を用いてもよい。

【0046】

また、上述したように推定されたユーザの感性に基づいて、レストラン、ショッピングセンタ、ショッピングモール、ランドマーク等の建物、場所、街、観光地等の旅行先、ペットの種類等を含む各種の商品及びサービスに対するユーザの選好度（嗜好性）を推定する構成としてもよい。また、ユーザの感性（感性因子の各数値）に基づいて、職場の同僚、友人、異性等の人に対するユーザの選好度を推定する構成としてもよく、この場合、他の人との選好度に基づいて他の人との相性を推定することが可能となる。なお、感性（感性因子の各数値）の推定に用いるコンテンツと、推定された感性を用いてユーザの嗜好性（選好度）を推定する商品又はサービスとの組合せは、コンテンツに対するアンケート回答から推定される感性因子の各数値と、商品又はサービスに対する同様のアンケート回答から推定される感性因子の各数値との間に強い相関がある組合せであることが好ましい。

【0047】

上述した処理において、第１学習モデルＭ１を用いて楽曲に関するアンケート回答から回答者の感性を表す感性因子の各数値を推定する処理、及び／又は、第２学習モデルＭ２を用いて感性因子の各数値から回答者のファッションブランドに対する選好度を推定する処理は、情報処理装置１０がローカルで行う構成に限定されない。例えば、これらの処理を、学習モデルＭ１，Ｍ２を提供するサーバで実行する構成でもよい。例えば、情報処理装置１０は、受け付けたアンケート回答をサーバへ送信し、サーバでアンケート回答から推定された感性因子の各数値を受信するように構成することができる。また、情報処理装置１０は、回答者の感性を表す感性因子の各数値をサーバへ送信し、サーバで感性因子の各数値から推定されたファッションブランドに対する回答者の選好度を受信するように構成することができる。

【0048】

（実施形態２）
上述した実施形態１において、楽曲に対するアンケート回答の代わりに、音楽のストリーミングサービス（音楽配信サービス）で提供されるプレイリストに含まれる楽曲に基づいて、ユーザの感性を表す感性因子の数値を推定する情報処理装置について説明する。本実施形態の情報処理装置は、図１に示す実施形態１の情報処理装置１０の構成と同様の構成を有するので、構成についての説明は省略する。

【0049】

図８は実施形態２のファッションブランドに対する選好度の推定処理手順の一例を示すフローチャートである。図８に示す処理は、図６に示す処理において、ステップＳ２１の代わりにステップＳ３１～Ｓ３２を追加し、ステップＳ２５の代わりにステップＳ３３を追加したものである。図６と同じステップについては説明を省略する。本実施形態では、情報処理装置１０の制御部１１は、ユーザが音楽配信サービスで利用しているプレイリストを取得する（Ｓ３１）。例えば情報処理装置１０が、音楽配信サービスを提供するサーバである場合、制御部１１は、ネットワーク経由でユーザの端末との間で情報の送受信を行うことにより、ユーザの端末からプレイリストを取得することができる。またユーザの端末がネットワーク経由でプレイリストを送信できる場合、制御部１１は、ネットワーク経由でユーザの端末からプレイリストを取得してもよい。プレイリストは、各楽曲の楽曲名及びアーティスト名を含む。なお、制御部１１は、プレイリストの代わりに、音楽配信サービスにおいて、お気に入り登録された各楽曲の情報、再生履歴（聴取履歴）に含まれる各楽曲の情報を取得する構成でもよい。

【0050】

制御部１１は、取得したプレイリストに基づいて、図２に示すようなアンケート項目に対する回答を推定する（Ｓ３２）。例えば、楽曲自体、又は、楽曲のテンポ、リズム、音程、メロディーライン等の楽曲情報に対して、当該楽曲を好むユーザが回答する可能性の高い各アンケート項目に対する回答（例えば１～５の数値）を対応付けておく。そして、制御部１１はプレイリストに含まれる楽曲、又は当該楽曲のテンポ、リズム、音程、メロディーライン等の楽曲情報の傾向を抽出し、抽出した楽曲又は楽曲情報の傾向に対応する各アンケート回答を特定することにより、プレイリストを利用するユーザによるアンケート回答を推定する。また、プレイリストに再生回数（聴取回数）が含まれる場合、制御部１１は再生回数が最多の楽曲を抽出し、この楽曲又は当該楽曲の楽曲情報に対応付けられている各アンケート回答を特定することにより、当該ユーザによるアンケート回答を推定してもよい。

【0051】

その後、制御部１１は、ステップＳ２２以降の処理を実行する。これにより、本実施形態においても、プレイリストから推定したアンケート回答に基づいて、プレイリストの利用者の感性を表す各感性因子の数値を推定し、プレイリストの利用者の各ファッションブランドに対する選好度を推定できる。本実施形態の制御部１１は、未処理のプレイリストがあるか否かを判断し（Ｓ３３）、あると判断した場合（Ｓ３３：ＹＥＳ）、ステップＳ３１に戻り、ないと判断した場合（Ｓ３３：ＮＯ）、処理を終了する。

【0052】

上述した処理により、本実施形態では、ユーザが利用するプレイリストに基づいて、当該ユーザの感性を複数の感性因子の数値で表し、ユーザの感性に基づいて当該ユーザのファッションブランドに対する選好度を推定することができる。よって、ユーザの感性（嗜好性）に適合したファッションブランドに対する選好度を推定することができる。また本実施形態では、ユーザが音楽配信サービスで利用するプレイリストに基づいて、当該ユーザのファッションブランドに対する選好度を推定するので、ユーザは音楽配信サービスを利用すればよく操作負担が増加しない。

【0053】

本実施形態においても、音楽配信サービスにおける楽曲のプレイリストに限らず、例えば動画配信サービスにおける映像コンテンツ等、各種のコンテンツのプレイリスト、再生履歴又はお気に入り登録等によるユーザの嗜好性から感性を推定する構成としてもよい。この場合、各種のコンテンツ、又は各コンテンツに関する情報に対して、各アンケート項目に対する回答を対応付けておき、ユーザのプレイリスト、再生履歴又はお気に入り登録等に登録されているコンテンツ、又はコンテンツに関する情報に対応する各アンケート回答を特定するように構成される。また、各種のコンテンツのプレイリスト、再生履歴又はお気に入り登録等によるユーザの嗜好性から推定された当該ユーザの感性に基づいて、各種の商品及びサービスに対するユーザの嗜好性（選好度）を推定する構成としてもよい。本実施形態においても、第１学習モデルＭ１を用いて楽曲に関するアンケート回答（プレイリストから推定されたアンケート回答）からユーザの感性を表す感性因子の各数値を推定する処理、及び／又は、第２学習モデルＭ２を用いて感性因子の各数値からユーザのファッションブランドに対する選好度を推定する処理は、情報処理装置１０がローカルで行う構成に限定されない。これらの処理を、学習モデルＭ１，Ｍ２を提供するサーバで実行する構成でもよい。

【0054】

本実施形態では、ユーザのプレイリスト、再生履歴又はお気に入り登録に登録されている楽曲（コンテンツ）に基づいて、楽曲（コンテンツ）に関するアンケート項目に対するユーザの回答を推定し、推定したアンケート回答からユーザの感性を表す感性因子の各数値を推定する処理以外は、実施形態１と同様の処理であり、実施形態１と同様の効果が得られる。また本実施形態においても、上述した実施形態１で適宜説明した変形例の適用が可能である。

【0055】

（実施形態３）
上述した実施形態１～２の情報処理装置１０は、第１学習モデルＭ１及び第２学習モデルＭ２を用いて、ユーザによるアンケート回答、又は、ユーザのプレイリストから推定されたアンケート回答から、当該ユーザのファッションブランドに対する選好度を推定する構成である。本実施形態では、１つの第３学習モデルを用いて、ユーザによるアンケート回答、又は、ユーザのプレイリストから推定されたアンケート回答から、当該ユーザのファッションブランドに対する選好度を推定する情報処理装置について説明する。本実施形態の情報処理装置は、図１に示す実施形態１の情報処理装置１０の構成と同様の構成を有するので、構成についての詳細な説明は省略する。なお、本実施形態の情報処理装置１０は、記憶部１２に、第１学習モデルＭ１及び第２学習モデルＭ２の代わりに第３学習モデルＭ３を記憶している。

【0056】

図９は第３学習モデルＭ３の構成例を示す説明図である。第３学習モデルＭ３は、第１学習モデルＭ１の入力データと同様に、ユーザが選択した音楽コンテンツ（例えばユーザが最も好む音楽コンテンツ）に関するアンケート回答を入力とし、入力されたデータに基づいて、複数種類のファッションブランドのそれぞれに対するユーザの選好度（嗜好性情報）を推定する演算を行い、第２学習モデルＭ２の出力データと同様に、ユーザのファッションブランドに対する選好度を出力するように学習してある。第３学習モデルＭ３は、重回帰分析、ＳＶＭ、ランダムフォレスト、決定木、ＸＧＢｏｏｓｔ、ＬｉｇｈｔＧＢＭ、ニューラルネットワーク、ディープラーニング等のアルゴリズムを用いて構成することができ、また、実施形態１～２の第１学習モデルＭ１及び第２学習モデルＭ２を組み合わせる等、複数のアルゴリズムを組み合わせて構成してもよい。

【0057】

第３学習モデルＭ３は、第１学習モデルＭ１と同様に音楽コンテンツに関するアンケート回答が入力される入力層と、第２学習モデルＭ２と同様に各ファッションブランドに対する選好度を出力する出力層と、入力データに基づいて出力値を算出する中間層とを備える。このような構成により、第３学習モデルＭ３は、楽曲に関するアンケート回答が入力された場合に、各ファッションブランドについて、各出力ノードから、対応付けられた各選好度に対する確信度を出力する。このような第３学習モデルＭ３を用いる場合、情報処理装置１０は、各ファッションブランドについて、最大の出力値（確信度）を出力した出力ノードに対応付けられている選好度（例えば１～７のいずれか）を、当該ファッションブランドに対する選好度として取得する。

【0058】

第３学習モデルＭ３は、訓練用の楽曲に関するアンケート回答と、アンケート回答者によるファッションブランドに対する選好度（正解の選好度）とを関連付けた訓練データを用いて機械学習させることにより生成される。第３学習モデルＭ３の訓練データは、アンケートを介して取得した音楽コンテンツに関するアンケート回答（図４の例では各アンケート項目に対して１～５の数値）に、アンケートを介して取得したファッションブランドに対する選好度（図４の例では１～７の数値）が対応付けられて生成される。なお、訓練データに用いる選好度は、実施形態１の第１学習モデルＭ１及び第２学習モデルＭ２を用いてアンケート回答から推定された各ファッションブランドに対する選好度であってもよい。第３学習モデルＭ３は、訓練データに含まれるアンケート回答が入力された場合に、各ファッションブランドに対応する出力ノードから、各ファッションブランドに対する正解の選好度が出力されるように学習する。学習処理において第３学習モデルＭ３は、入力されたアンケート回答に基づく演算を行い、各出力ノードからの出力値を算出する。そして第３学習モデルＭ３は、それぞれのファッションブランドについて、算出した各出力ノードの出力値と正解の選好度に応じた値（正解の選好度に対応する出力ノードに対しては１、他の出力ノードに対しては０）とを比較し、両者が近似するように、演算処理に用いるパラメータを最適化する。ここでも、誤差逆伝播法、最急降下法等を用いて、第３学習モデルＭ３におけるノード間の重み等のパラメータを最適化する。これにより、あるユーザの楽曲に関するアンケート回答が入力された場合に、当該ユーザのファッションブランドに対する選好度を出力する第３学習モデルＭ３が得られる。第３学習モデルＭ３の学習も、情報処理装置１０で行われてもよく、他の学習装置で行われてもよい。

【0059】

上述した構成の本実施形態の情報処理装置１０は、図６に示す処理と同様の処理の実行が可能である。なお、本実施形態の情報処理装置１０では、制御部１１は、ステップＳ２２の処理を行わず、ステップＳ２１で取得した楽曲に関するアンケート回答に基づいて、当該アンケート回答者の各ファッションブランドに対する選好度を推定する（Ｓ２３）。ここでは、制御部１１は、アンケート回答を第３学習モデルＭ３に入力し、第３学習モデルＭ３の各出力ノードからの出力値に基づいて、各出力ノードに対応付けられているファッションブランドに対する選好度として取得する。具体的には、制御部１１は、各ファッションブランドについて、最大の出力値（確信度）を出力した出力ノードに対応付けられている選好度（例えば１～７のいずれか）を、ファッションブランドに対する選好度に推定する。

【0060】

上述した処理により、本実施形態においても、ユーザが最も好む音楽コンテンツに対するアンケート回答から、当該ユーザのファッションブランドに対する選好度を推定することができる。よって、ユーザは選択した楽曲（例えば、好きな楽曲）に関するアンケートに回答するだけで、ユーザの感性（嗜好性）に適合したファッションブランドに対する選好度を推定できる。

【0061】

本実施形態の構成は、上述した実施形態１～２の情報処理装置１０に適用可能であり、実施形態１～２の情報処理装置１０に適用した場合であっても同様の効果が得られる。また、本実施形態においても、上述した実施形態１～２で適宜説明した変形例の適用が可能である。

【0062】

（実施形態４）
実施形態３の第３学習モデルＭ３の変形例について説明する。本実施形態の情報処理装置は、記憶部１２に第３学習モデルＭ３の代わりに第４学習モデルを記憶している構成のほかは、実施形態３の情報処理装置１０と同様の構成を有する。なお、本実施形態の情報処理装置１０は、記憶部１２に、第４学習モデルの学習に用いる訓練データに利用できるデータが記憶してあるＤＢ（以下では訓練データ用ＤＢと記載する）を記憶している。

【0063】

図１０は訓練データ用ＤＢのレコードレイアウトの一例を示す説明図である。図１０に示す訓練データ用ＤＢは、データＩＤ列、アーティスト列、楽曲列、楽曲のアンケート回答列、感性因子列、ブランドのアンケート回答列等を含み、各ユーザから収集したデータに割り当てられたデータＩＤに対応付けて、各ユーザに関する情報を記憶する。アーティスト列、楽曲列、楽曲のアンケート回答列、ブランドのアンケート回答列は、例えば図４に示すアンケートを介してユーザが回答した、好みの楽曲のアーティスト名、楽曲名、当該楽曲に関する各アンケート項目に対する回答（例えば１～５の数値）、各ファッションブランドに対する選好度に関するアンケート回答（例えば１～７の数値）を記憶する。感性因子列は、楽曲に関するアンケート回答に基づいて所定の演算によって算出された各感性因子に対する数値、又は、実施形態１における第１学習モデルＭ１を用いて推定された各感性因子に対する数値を記憶する。なお、ブランドのアンケート回答列は、各ファッションブランドの選好度に対するアンケート回答のほかに、実施形態１における第２学習モデルＭ２を用いて各ユーザについて推定された各ファッションブランドに対する選好度を記憶してもよい。また、第２学習モデルＭ２を用いて各ファッションブランドに対する選好度を推定する場合、第２学習モデルＭ２に入力する各感性因子の数値は、楽曲に関するアンケート回答に基づいて、予め設定された所定の演算によって算出された各感性因子に対する数値であってもよく、第１学習モデルＭ１を用いて楽曲に関するアンケート回答から推定された各感性因子の数値であってもよい。

【0064】

図１１は第４学習モデルＭ４の構成例を示す説明図である。第４学習モデルＭ４は、第３学習モデルＭ３において、音楽コンテンツに関するアンケート回答の代わりに、ユーザが選択（指定）する音楽コンテンツに関するコンテンツデータを入力データとする。コンテンツデータは、例えばユーザが好む音楽コンテンツ又は聴取頻度が多い音楽コンテンツの楽曲名及びアーティスト名を含む。第４学習モデルＭ４は、入力されたコンテンツデータに基づいて、複数種類のファッションブランドのそれぞれに対するユーザの選好度（嗜好性情報）を推定する演算を行い、ユーザのファッションブランドに対する選好度を出力するように学習してある。第４学習モデルＭ４は、重回帰分析、ＳＶＭ、ランダムフォレスト、決定木、ＸＧＢｏｏｓｔ、ＬｉｇｈｔＧＢＭ、ニューラルネットワーク、ディープラーニング等のアルゴリズムを用いて構成することができ、また、複数のアルゴリズムを組み合わせて構成してもよい。

【0065】

第４学習モデルＭ４は、コンテンツデータが入力される入力層と、各ファッションブランドに対する選好度を出力する出力層と、入力データに基づいて出力値を算出する中間層とを備える。第４学習モデルＭ４の入力層は、例えば２つの入力ノードを有しており、各入力ノードを介して、ユーザが好む音楽コンテンツ又は聴取頻度が多い音楽コンテンツの楽曲名及びアーティスト名が入力される。第４学習モデルＭ４の入力層は、楽曲名又はアーティスト名のいずれかが入力される構成でもよい。第４学習モデルＭ４の中間層は、各種の関数及び閾値等を用いて、入力されたデータの特徴量を抽出し、抽出した特徴値を出力層に出力する。第４学習モデルＭ４の出力層は、複数の出力ノードを有しており、各出力ノードには、予め設定されているファッションブランドが対応付けられており、各出力ノードから、対応付けられたファッションブランドに対する選好度（例えば１～７のいずれか）を出力する。具体的には、第４学習モデルＭ４の出力層は、それぞれのファッションブランドに対して、例えばソフトマックス関数（図示せず）と、選好度として選択可能な各数値（例えば１～７）が対応付けられた複数（ここでは７個）の出力ノードとを有しており、各出力ノードから、対応付けられた各選好度に対する確信度を出力する。それぞれのファッションブランドについて、各出力ノードから例えば０～１の出力値が出力され、各出力ノードからの出力値の合計が１（１００％）となる。このような構成の第４学習モデルＭ４では、それぞれのファッションブランドについて、最大の出力値（確信度）を出力した出力ノードに対応付けられている選好度（例えば１～７のいずれか）を、ファッションブランドに対する選好度に推定できる。このような構成の第４学習モデルＭ４を用いることにより、情報処理装置１０は、ユーザが選択した音楽コンテンツのコンテンツデータを入力した場合に第４学習モデルＭ４から出力された各出力値に基づいて、各ファッションブランドに対する当該ユーザの選好度を特定できる。なお、第４学習モデルＭ４は、それぞれのファッションブランドについて、それぞれの選好度に対する確信度を出力する複数の出力ノードを有する代わりに、確信度が最も高い選好度を出力する１個の出力ノードを有する構成でもよい。

【0066】

第４学習モデルＭ４は、訓練用の音楽コンテンツに関するコンテンツデータと、当該音楽コンテンツを選択したユーザの各ファッションブランドに対する選好度（正解の選好度）とを関連付けた訓練データを用いて機械学習させることにより生成される。第４学習モデルＭ４の訓練データは、記憶部１２の訓練データ用ＤＢに記憶してあるデータを用いて生成される。具体的に、第４学習モデルＭ４の訓練データは、訓練データ用ＤＢに記憶してある各データにおけるアーティスト名及び楽曲名に、ファッションブランドに対するアンケート回答が対応付けられて生成される。学習処理において第４学習モデルＭ４は、訓練データに含まれるアーティスト名及び楽曲名（コンテンツデータ）が入力された場合に、入力されたデータに基づく演算を行い、各出力ノードからの出力値を算出する。そして第４学習モデルＭ４は、それぞれのファッションブランドについて、算出した各出力ノードの出力値と、正解の選好度に応じた値（正解の選好度に対応する出力ノードに対しては１、他の出力ノードに対しては０）とを比較し、両者が近似するように、演算処理に用いるパラメータを最適化する。ここでも、誤差逆伝播法、最急降下法等を用いて、第４学習モデルＭ４におけるノード間の重み等のパラメータを最適化する。これにより、あるユーザが好む楽曲のコンテンツデータが入力された場合に、各ファッションブランドの出力ノードから、各選好度に対する確信度を出力する第４学習モデルＭ４が得られる。第４学習モデルＭ４の学習も、情報処理装置１０で行われてもよく、他の学習装置で行われてもよい。

【0067】

第４学習モデルＭ４の入力データであるコンテンツデータは、ユーザが好む音楽コンテンツの楽曲名及びアーティスト名のほかに、当該音楽コンテンツのテンポ、リズム、音程、メロディーライン等の情報を含んでもよく、また、感性に影響を及ぼす複数の楽曲、アーティスト、又はメロディーライン等をユーザが好みの順に並び替えた結果等を含んでもよい。また、第４学習モデルＭ４の入力データは、音楽配信サービスで利用されるプレイリスト、再生履歴又はお気に入り登録等に登録されている楽曲（音楽コンテンツ）の楽曲情報であってもよい。このような構成の第４学習モデルＭ４は、上述したようなコンテンツデータを訓練データ用ＤＢに記憶しておくことにより、訓練データ用ＤＢに記憶されたコンテンツデータと、対応するファッションブランドに対するアンケート回答とによる訓練データを用いた学習によって得られる。

【0068】

上述した構成の第４学習モデルＭ４を用いる場合、情報処理装置１０は、図６に示す処理と同様の処理の実行が可能である。なお、本実施形態の情報処理装置１０では、制御部１１は、ステップＳ２２の処理を行わず、ステップＳ２１で取得した楽曲に関するアンケート回答のうちのユーザが好む楽曲のアーティスト名及び楽曲名に基づいて、当該ユーザの各ファッションブランドに対する選好度を推定する（Ｓ２３）。ここでは、制御部１１は、ユーザが好む楽曲のアーティスト名及び楽曲名（コンテンツデータ）を第４学習モデルＭ４に入力し、第４学習モデルＭ４の各出力ノードからの出力値に基づいて、各ファッションブランドに対する選好度を取得する。具体的には、制御部１１は、それぞれのファッションブランドについて、各出力ノードからの出力値のうちで最大の出力値を出力した出力ノードを特定し、特定した出力値に対応付けられている選好度を、当該ファッションブランドに対する選好度に特定する。

【0069】

上述した処理により、第４学習モデルＭ４を用いる場合、ユーザが好む楽曲のアーティスト名及び楽曲名から、当該ユーザのファッションブランドに対する選好度を推定することができる。なお、本実施形態では、ステップＳ２１で、図２に示すようなアンケートに対する回答を取得する必要はなく、ユーザが好む楽曲のアーティスト名及び楽曲名のみを取得すればよい。また、ユーザが好む楽曲のアーティスト名及び楽曲名は、例えば音楽配信サービスのプレイリスト、再生履歴、又はお気に入り登録から抽出してもよい。この場合、ユーザは、音楽配信サービスを利用するだけで、ユーザの感性（嗜好性）に適合したファッションブランドに対する選好度を推定できる。本実施形態においても、上述した実施形態１～３で適宜説明した変形例の適用が可能である。

【0070】

（実施形態５）
上述した実施形態１～４では、ユーザの音楽に関するアンケート回答又はユーザが選択した楽曲の情報から当該ユーザのファッションブランドに対する選好度が推定される。よって、ユーザのファッションブランドに対する選好度を考慮して商品又はサービスのレコメンド情報を提供することができる。このほかに、本実施形態では、複数のファッションブランドのそれぞれについて、各ファッションブランドに対する選好度が高いユーザの感性（感性因子の各数値）を比較できる情報処理装置について説明する。本実施形態の情報処理装置は、図１に示す実施形態１の情報処理装置１０の構成と同様の構成を有するので、構成についての説明は省略する。

【0071】

図１２は各ファッションブランドに対する選好度が高いユーザの感性の比較処理手順の一例を示すフローチャート、図１３は画面例を示す説明図である。本実施形態の情報処理装置１０は、図５に示す処理と同様の処理の実行が可能であり、図５中のステップＳ１４で、アンケート回答者の感性を表す各感性因子に対する数値と、ファッションブランドに対するアンケート回答者の選好度とを対応付けて記憶部１２に記憶している。本実施形態では、このように記憶部１２に記憶された各感性因子に対する数値、及びファッションブランドに対するアンケート回答者の選好度（即ち、第２学習モデルＭ２用の訓練データ）を用いて、各ファッションブランドに対する選好度が高いユーザの感性を比較する。なお、情報処理装置１０が図１０に示す訓練データ用ＤＢを記憶部１２に記憶している場合、訓練データ用ＤＢに記憶してある各感性因子に対する数値、及びファッションブランドに対するアンケート回答を用いてもよい。

【0072】

情報処理装置１０の制御部１１は、ファッションブランドのうちの１つを選択し（Ｓ４１）、選択したファッションブランドの選好度が高いアンケート回答者の各感性因子の数値を取得する（Ｓ４２）。ここでは、制御部１１は、複数のファッションブランドのうちで、選択したファッションブランドの選好度が最高であるアンケート回答者を抽出し、抽出した各アンケート回答者の各感性因子の数値を記憶部１２から読み出す。そして、制御部１１は、読み出した各アンケート回答者の各感性因子の数値に基づいて、各感性因子の数値の平均値を算出する（Ｓ４３）。なお、制御部１１は、ファッションブランドの情報に対応付けて、各感性因子の数値の平均値を記憶部１２に記憶しておく。制御部１１は、上述した処理が行われていない未処理のファッションブランドがあるか否かを判断する（Ｓ４４）。未処理のファッションブランドがあると判断した場合（Ｓ４４：ＹＥＳ）、制御部１１は、ステップＳ４１の処理に戻り、未処理のファッションブランドのうちの１つを選択し（Ｓ４１）、選択したファッションブランドについてステップＳ４２～Ｓ４３の処理を行う。制御部１１は、未処理のファッションブランドがないと判断するまでステップＳ４１～Ｓ４４の処理を繰り返す。これにより、各ファッションブランドについて、選好度が最高であるアンケート回答者における各感性因子の数値の平均値を取得することができる。

【0073】

制御部１１は、未処理のファッションブランドがないと判断した場合（Ｓ４４：ＮＯ）、ステップＳ４３で算出して記憶部１２に記憶した各ファッションブランドに対応する各感性因子の数値の平均値を、ファッションブランド毎に表示する（Ｓ４５）。例えば制御部１１は、図１３Ａに示すような画面を生成して表示部１５に表示する。図１３Ａの画面は、ファッションブランド毎に、第１～第１５感性因子の数値（各感性因子の数値の平均値）を表示している。これにより、各ファッションブランドについて、当該ファッションブランドの選好度が高いユーザの平均的な感性（各感性因子の数値）をグラフで表示することができる。図１３Ａに示すグラフによって、各ファッションブランドを好むユーザが有する感性（各感性因子の数値）を比較することができ、例えば図１３Ａの例では、第１ブランドと第３ブランドとにおいて、各ブランドを好むユーザの感性が類似していることが分かる。また、第４ブランドを好むユーザの感性と、第１～第３ブランドを好むユーザの感性とは類似していないことが分かる。

【0074】

次に制御部１１は、ファッションブランドのうちの２つを選択し（Ｓ４６）、選択した２つのファッションブランドの選好度が高いアンケート回答者の各感性因子の数値を取得する（Ｓ４７）。ここでも、制御部１１は、選択した２つのファッションブランドのそれぞれについて、選好度が最高であるアンケート回答者を抽出し、抽出した各アンケート回答者の各感性因子の数値を記憶部１２から読み出し、各感性因子の数値の平均値を算出する。そして、制御部１１は、２つのファッションブランド間において、各感性因子の数値の平均値の類似度を算出する（Ｓ４８）。類似度は、例えば相関係数又はコサイン類似度を用いることができるが、その他の類似度を用いてもよい。制御部１１は、ファッションブランドのペアに対応付けて、各感性因子の平均値の類似度を記憶部１２に記憶しておく。

【0075】

制御部１１は、感性因子の類似度の算出処理が行われていない未処理のファッションブランドのペア（２つのファッションブランド）があるか否かを判断し（Ｓ４９）、未処理のファッションブランドのペアがあると判断した場合（Ｓ４９：ＹＥＳ）、ステップＳ４６の処理に戻る。そして制御部１１は、未処理のファッションブランドのペアを選択し（Ｓ４６）、選択したファッションブランドのペアについてステップＳ４７～Ｓ４８の処理を行う。制御部１１は、未処理のファッションブランドのペアがないと判断するまでステップＳ４６～Ｓ４９の処理を繰り返す。これにより、ファッションブランドの各ペアについて、各ファッションブランドの選好度が最高であるアンケート回答者における感性因子の類似度（感性の類似度）を取得することができる。

【0076】

制御部１１は、未処理のファッションブランドのペアがないと判断した場合（Ｓ４９：ＮＯ）、ステップＳ４８で算出して記憶部１２に記憶したファッションブランドの各ペアに対応する感性因子の類似度をペア毎に表示する（Ｓ５０）。例えば制御部１１は、図１３Ｂに示すような画面を生成して表示部１５に表示する。図１３Ｂの画面は、ファッションブランドのペア毎に感性因子の類似度を表示している。これにより、ファッションブランドの各ペアについて、それぞれのファッションブランドに対する選好度が高いユーザの感性（各感性因子の数値）の類似度を一覧表示することができる。図１３Ｂに示す表によって、各ファッションブランドを好むユーザが有する感性（各感性因子の数値）の類似度を把握することができる。

【0077】

上述した処理により、本実施形態では、各ファッションブランドを好むユーザ（各ファッションブランドの選好度が高いユーザ）の感性の類似度を把握することができる。よって、例えばユーザによる楽曲に対するアンケート回答から、当該ユーザの選好度が高いファッションブランドが推定できた場合に、推定されたファッションブランドのほかに、当該ユーザが好む可能性の高い他のファッションブランドを、各ファッションブランドを好むユーザの感性の類似度から推定することができる。よって、ユーザの選好度が高いファッションブランドだけでなく、当該ユーザが好む可能性が高い他のファッションブランドも推定でき、マーケティング情報に利用できる。

【0078】

本実施形態の構成は、上述した実施形態１～４の情報処理装置１０に適用可能であり、実施形態１～４の情報処理装置１０に適用した場合であっても同様の効果が得られる。また、本実施形態においても、上述した実施形態１～４で適宜説明した変形例の適用が可能である。

【0079】

今回開示された実施形態はすべての点で例示であって、制限的なものではないと考えられるべきである。本発明の範囲は、上記した意味ではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味及び範囲内でのすべての変更が含まれることが意図される。

【0080】

上述した各実施形態に記載した事項は相互に組み合わせることが可能である。また、特許請求の範囲に記載した独立請求項及び従属請求項は、引用形式に関わらず全てのあらゆる組み合わせにおいて、相互に組み合わせることが可能である。さらに、特許請求の範囲には他の２以上のクレームを引用するクレームを記載する形式（マルチクレーム形式）を用いているが、これに限るものではない。マルチクレームを少なくとも一つ引用するマルチクレーム（マルチマルチクレーム）を記載する形式を用いて記載しても良い。

【符号の説明】

【0081】

１０ 情報処理装置
１１ 制御部
１２ 記憶部
１３ 通信部
１４ 入力部
１５ 表示部
Ｍ１ 第１学習モデル
Ｍ２ 第２学習モデル
Ｍ３ 第３学習モデル
Ｍ４ 第４学習モデル

【要約】

【課題】各顧客の嗜好性を取得することが可能であるプログラム等を提供する。
【解決手段】コンピュータは、プログラムに従って、ユーザが選択するコンテンツに関するコンテンツデータを取得する。そして、コンピュータは、取得したコンテンツデータに基づいて、前記ユーザの商品又はサービスの嗜好性に関する嗜好性情報を出力する。
【選択図】図１

【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】