特許 7571863 購買要因推定装置、購買要因推定システム、購買要因推定方法、及び、購買要因推定プログラム

(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】2024-10-15

(45)【発行日】2024-10-23

(54)【発明の名称】購買要因推定装置、購買要因推定システム、購買要因推定方法、及び、購買要因推定プログラム

(51)【国際特許分類】

   G06Q 30/0203 20230101AFI20241016BHJP

【ＦＩ】

G06Q30/0203

【請求項の数】 13

(21)【出願番号】P 2023510030

(86)(22)【出願日】2021-03-31

(86)【国際出願番号】 JP2021013866

(87)【国際公開番号】W WO2022208738

(87)【国際公開日】2022-10-06

【審査請求日】2023-07-21

(73)【特許権者】

【識別番号】000004237

【氏名又は名称】日本電気株式会社

(74)【代理人】

【識別番号】100109313

【弁理士】

【氏名又は名称】机 昌彦

(74)【代理人】

【識別番号】100149618

【弁理士】

【氏名又は名称】北嶋 啓至

(72)【発明者】

【氏名】高本 亮

(72)【発明者】

【氏名】オノロ ルビオ ダニエル

【審査官】宮地 匡人

(56)【参考文献】

【文献】米国特許出願公開第２０１６／０１７１５３４（ＵＳ，Ａ１）

【文献】特開２０１６－１２６６４８（ＪＰ，Ａ）

【文献】特開２０１０－１３４７３３（ＪＰ，Ａ）

【文献】特開２０１５－１３３０３３（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】

第１の人物に関する人物属性情報と、第１の商品に関する商品属性情報とを取得する取得手段と、
前記第１の人物に関する人物属性情報と前記第１の商品に関する商品属性情報とに基づいて、複数の説明変数を含む推定モデルを用いて、前記第１の商品に対する前記第１の人物の興味度合いを推定する推定手段と、
前記推定モデルにおける複数の説明変数のうち、推定結果への寄与度が大きい説明変数の値を推定理由として生成する推定理由生成手段と、
推定された前記第１の人物の興味度合いとその推定理由とを出力する出力手段と、
を備え、
前記推定モデルは、第２の人物に関する人物属性情報、第２の商品に関する商品属性情報、及び前記第２の商品に対する前記第２の人物の視線情報と、前記第２の商品に対する前記第２の人物の興味度合いと、の関係を学習して生成される、
購買要因推定装置。

【請求項2】

前記出力手段は、前記推定理由として、前記第１の人物に関する人物属性情報と、前記第１の商品に関する商品属性情報との少なくとも一つを出力する
請求項１に記載の購買要因推定装置。

【請求項3】

前記第１の人物及び前記第２の人物に関する属性情報は、前記第１の人物及び前記第２の人物の年齢、性別、職業、収入、国籍、家族構成、趣味、居住地、体型、飲酒有無、喫煙有無、嗜好、行動履歴、の少なくとも一つを含む、
請求項１又は請求項２に記載の購買要因推定装置。

【請求項4】

前記第１の商品及び前記第２の商品に関する属性情報は、前記第１の商品及び前記第２の商品の商品名、商品識別子、種別、量、価格、外観、製造者、販売者、内容量、栄養成分表示、原材料、発売時期、陳列位置、の少なくとも一つを含む、
請求項１から請求項３のいずれか一項に記載の購買要因推定装置。

【請求項5】

前記出力手段は、前記第１の人物の興味度合いが所定の条件を満たすような前記第１の人物に関する属性情報を出力する、
請求項１乃至請求項４のいずれか一項に記載の購買要因推定装置。

【請求項6】

前記取得手段は、前記第１の商品に対する前記第１の人物の視線情報を取得し、
前記推定手段は、前記第１の商品に対する前記第１の人物の視線情報に基づいて、前記推定モデルを用いて、前記第１の商品に対する前記第１の人物の興味度合いを推定し、
前記出力手段は、前記第１の人物の視線情報に基づく前記推定理由を出力する、
請求項１から請求項５のいずれか一項に記載の購買要因推定装置。

【請求項7】

前記第１の人物及び前記第２の人物の興味度合いに基づいて、前記第１の人物及び前記第２の人物をグループ化するグループ化手段
をさらに備える請求項１から請求項６のいずれか一項に記載の購買要因推定装置。

【請求項8】

前記第２の人物に関する人物属性情報、前記第２の商品に関する商品属性情報、及び前記第２の商品に対する前記第２の人物の視線情報と、前記第２の商品に対する前記第２の人物の興味度合いと、の関係に基づいて、前記推定モデルを生成する生成手段をさらに備える、
請求項１乃至請求項７のいずれか一項に記載の購買要因推定装置。

【請求項9】

前記推定モデルは、前記第２の人物に関する人物属性情報と、前記第２の商品に関する商品属性情報と、前記第２の商品を前記第２の人物が購買したか否かとの関係を学習したモデルである、
請求項１乃至請求項８のいずれか一項に記載の購買要因推定装置。

【請求項10】

前記第１の商品及び前記第２の商品は新商品であり、
前記推定モデルは、販売実績が基準以上の商品とともに陳列された前記第２の商品に関して学習したモデルである、
請求項１乃至請求項９のいずれか一項に記載の購買要因推定装置。

【請求項11】

第１の人物に関する人物属性情報と、第１の商品に関する商品属性情報とを取得する取得手段と、
前記第１の人物に関する人物属性情報と前記第１の商品に関する商品属性情報とに基づいて、複数の説明変数を含む推定モデルを用いて、前記第１の商品に対する前記第１の人物の興味度合いを推定する推定手段と、
前記推定モデルにおける複数の説明変数のうち、推定結果への寄与度が大きい説明変数の値を推定理由として生成する推定理由生成手段と、
推定された前記第１の人物の興味度合いとその推定理由とを出力する出力手段と、
を備え、
前記推定モデルは、第２の人物に関する人物属性情報、第２の商品に関する商品属性情報、及び前記第２の商品に対する前記第２の人物の視線情報と、前記第２の商品に対する前記第２の人物の興味度合いと、の関係を学習して生成される、
購買要因推定システム。

【請求項12】

情報処理装置によって、
第１の人物に関する人物属性情報と、第１の商品に関する商品属性情報とを取得し、
前記第１の人物に関する人物属性情報と前記第１の商品に関する商品属性情報とに基づいて、複数の説明変数を含む推定モデルを用いて、前記第１の商品に対する前記第１の人物の興味度合いを推定し、
前記推定モデルにおける複数の説明変数のうち、推定結果への寄与度が大きい説明変数の値を推定理由として生成し、
推定された前記第１の人物の興味度合いとその推定理由とを出力する、
方法であって、
前記推定モデルは、第２の人物に関する人物属性情報、第２の商品に関する商品属性情報、及び前記第２の商品に対する前記第２の人物の視線情報と、前記第２の商品に対する前記第２の人物の興味度合いと、の関係を学習して生成される、
購買要因推定方法。

【請求項13】

第１の人物に関する人物属性情報と、第１の商品に関する商品属性情報とを取得する取得処理と、
前記第１の人物に関する人物属性情報と前記第１の商品に関する商品属性情報とに基づいて、複数の説明変数を含む推定モデルを用いて、前記第１の商品に対する前記第１の人物の興味度合いを推定する推定処理と、
前記推定モデルにおける複数の説明変数のうち、推定結果への寄与度が大きい説明変数の値を推定理由として生成する推定理由生成処理と、
推定された前記第１の人物の興味度合いとその推定理由とを出力する出力処理と、
をコンピュータに実行させるプログラムであって、
前記推定モデルは、第２の人物に関する人物属性情報、第２の商品に関する商品属性情報、及び前記第２の商品に対する前記第２の人物の視線情報と、前記第２の商品に対する前記第２の人物の興味度合いと、の関係を学習して生成される、
購買要因推定プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、購買要因推定装置、購買要因推定システム、購買要因推定方法、及び、購買要因推定プログラムが格納された記録媒体に関する。

【背景技術】

【0002】

商品を顧客に販売する事業者にとって、例えば、どのような属性の人がどのような属性の商品に興味を示すのかを分析することは、事業戦略を策定する上で非常に重要である。したがって、そのような分析を支援する技術が期待されている。

【0003】

このような技術に関連する技術として、特許文献１には、商品属性に対してユーザが有する各商品間の嗜好度合いを推定する推定装置が開示されている。

【0004】

また、特許文献２には、利用者にとって魅力的な商品を特定する特定装置が開示されている。

【先行技術文献】

【特許文献】

【0005】

【文献】国際公開第２０２０／１７０２８７号

【文献】特開２０１６－００４５５１号公報

【発明の概要】

【発明が解決しようとする課題】

【0006】

しかしながら、特許文献１及び２に開示された技術では、顧客が商品を購入した要因を推定することはできない。

【0007】

本発明の主たる目的は、商品の購買要因を特定することである。

【課題を解決するための手段】

【0008】

本発明の一態様に係る購買要因推定装置は、第１の人物に関する人物属性情報と、第１の商品に関する商品属性情報とを取得する取得手段と、前記第１の人物に関する人物属性情報と前記第１の商品に関する商品属性情報とに基づいて、推定モデルを用いて、前記第１の商品に対する前記第１の人物の興味度合いを推定する推定手段と、推定された前記第１の人物の興味度合いとその推定理由とを出力する出力手段と、を備え、前記推定モデルは、第２の人物に関する人物属性情報、第２の商品に関する商品属性情報、及び前記第２の商品に対する前記第２の人物の視線情報と、前記第２の商品に対する前記第２の人物の興味度合いと、の関係を学習して生成される。

【0009】

上記目的を達成する他の見地において、本発明の一態様に係る購買要因推定方法は、情報処理装置によって、第１の人物に関する人物属性情報と、第１の商品に関する商品属性情報とを取得し、前記第１の人物に関する人物属性情報と前記第１の商品に関する商品属性情報とに基づいて、推定モデルを用いて、前記第１の商品に対する前記第１の人物の興味度合いを推定し、推定された前記第１の人物の興味度合いとその推定理由とを出力する出力する、方法であって、前記推定モデルは、第２の人物に関する人物属性情報、第２の商品に関する商品属性情報、及び前記第２の商品に対する前記第２の人物の視線情報と、前記第２の商品に対する前記第２の人物の興味度合いと、の関係を学習して生成される。

【0010】

また、上記目的を達成する更なる見地において、本発明の一態様に係る購買要因推定プログラムは、第１の人物に関する人物属性情報と、第１の商品に関する商品属性情報とを取得する取得処理と、前記第１の人物に関する人物属性情報と前記第１の商品に関する商品属性情報とに基づいて、推定モデルを用いて、前記第１の商品に対する前記第１の人物の興味度合いを推定する推定処理と、推定された前記第１の人物の興味度合いとその推定理由とを出力する出力処理と、をコンピュータに実行させるプログラムであって、前記推定モデルは、第２の人物に関する人物属性情報、第２の商品に関する商品属性情報、及び前記第２の商品に対する前記第２の人物の視線情報と、前記第２の商品に対する前記第２の人物の興味度合いと、の関係を学習して生成される。

【0011】

更に、本発明は、係る購買要因推定プログラム（コンピュータプログラム）が格納された、コンピュータ読み取り可能な、不揮発性の記録媒体によっても実現可能である。

【発明の効果】

【0012】

本発明によれば、顧客が商品を購買した要因を特定できるので、商品の販売拡大に寄与することができる。

【図面の簡単な説明】

【0013】

【図1】本発明の第１の実施形態に係る購買要因推定装置１０の構成を示すブロック図である。

【図2】本発明の第１の実施形態に係る視線情報１０３が示す、商品棚に陳列された商品に対する人物の視線の動きを例示する図である。

【図3】本発明の第１の実施形態に係る推定モデル１２０に含まれるグラフを例示する図である。

【図4】本発明の第１の実施形態に係る購買要因推定装置１０が推定モデル１２０を生成する（機械学習を行う）動作を示すフローチャートである。

【図5】本発明の第１の実施形態に係る出力部１４が推定結果を表示画面２００に表示する態様を例示する図である。

【図6】本発明の第１の実施形態に係る購買要因推定装置１０が推定対象商品に対する推定対象人物の興味度合いを推定する動作を示すフローチャートである。

【図7】本発明の第１の実施形態の変形例に係る購買要因推定システム１０Ａの構成を示すブロック図である。

【図8】本発明の第２の実施形態に係る購買要因推定装置３０の構成を示すブロック図である。

【図9】本発明の各実施形態に係る購買要因推定装置を実現可能な情報処理装置９００の構成を示すブロック図である。

【発明を実施するための形態】

【0014】

以下、本発明の実施の形態について図面を参照して詳細に説明する。

【0015】

＜第１の実施形態＞
図１は、本発明の第１の実施の形態に係る購買要因推定装置１０の構成を示すブロック図である。本実施形態に係る購買要因推定装置１０は、推定対象の人物（顧客）の属性に関する情報、及び、推定対象の商品の属性に関する情報に基づいて、当該商品に対する当該人物の興味度合いを推定し、その推定理由（即ち購買要因）を出力する装置である。

【0016】

購買要因推定装置１０には、管理端末装置２０が通信可能に接続されている。管理端末装置２０は、購買要因推定装置１０を使用するユーザが、購買要因推定装置１０に対して情報を入力したり、購買要因推定装置１０から出力された情報を確認したりする際に使用する、例えばパーソナルコンピュータ、その他の情報処理装置である。管理端末装置２０は、購買要因推定装置１０から出力された、対象商品に対する対象人物の興味度合いの推定結果及びその推定理由等を表示する表示画面２００を備えている。

【0017】

購買要因推定装置１０は、取得部１１、生成部１２、推定部１３、出力部１４、グループ化部１５、及び、推定理由生成部１６を備えている。取得部１１、生成部１２、推定部１３、出力部１４、及びグループ化部１５は、順に、取得手段、生成手段、推定手段、出力手段、及びグループ化手段の一例である。

【0018】

次に、本実施形態に係る購買要因推定装置１０が、対象商品に対する対象人物の興味度合いを推定するための推定モデル１２０を機械学習によって生成あるいは更新する動作と、生成あるいは更新した推定モデル１２０を用いて対象商品に対する対象人物の興味度合いを推定する動作とのそれぞれについて順番に説明する。

【0019】

＜推定モデル１２０を生成（更新）する動作＞
まず、本実施形態に係る購買要因推定装置１０が、対象商品に対する対象人物の興味度合いを推定するための推定モデル１２０を機械学習によって生成あるいは更新する動作について説明する。

【0020】

取得部１１は、推定モデル１２０の生成あるいは更新に使用する学習用の入力情報として、例えば外部のコンピュータ装置あるいはデータベース等（図示せず）に登録されている、人物属性情報１０１、商品属性情報１０２、視線情報１０３、及び、購買実績情報１０４を取得する。

【0021】

人物属性情報１０１は、当該データベース等に登録されている学習対象の人物（第２の人物）に関する属性を表す情報である。人物属性情報１０１は、当該人物に関する、例えば、年齢、性別、職業、収入、国籍、家族構成、趣味、居住地、体型、飲酒有無、喫煙有無、嗜好、行動履歴、の少なくとも一つを含む。職業は、例えば、ホワイトカラーあるいはブルーカラーを含む。家族構成は、例えば、同居人の有無（一人暮らしか否か）、既婚者か否か、子供の有無等を表す。体型は、例えば、体重、ＢＭＩ（Body Mass Index）の数値、太っているか痩せているか等を表す。尚、人物属性情報１０１に含まれる項目は、上述の項目に限定されない。

【0022】

商品属性情報１０２は、当該データベース等に登録されている学習対象の商品（第２の商品）に関する属性を表す情報である。商品属性情報１０２は、当該商品に関する、例えば、商品名、商品識別子、種別、量、価格、外観、製造者、販売者、内容量、栄養成分、原材料、発売時期、商品棚における陳列位置、の少なくとも一つを含む。尚、商品属性情報１０２に含まれる項目は、これらに限定されない。

【0023】

視線情報１０３は、例えば、学習対象の人物の、商品棚に陳列された学習対象の商品に対する視線の動きや視線の滞在時間など（視認パターン）を表す情報である。例えば、視線情報は、視認時間と、視認回数と、視認率などであるが、視線に関する情報であればこれらに限定されないとのうちの少なくとも一つを含む。視線情報１０３は、後述する通り、学習対象の商品に対する学習対象の人物の興味度合い（興味の高さ）を推定する際に基準として使用可能な情報である。

【0024】

図２は、本実施形態に係る視線情報１０３が示す、商品棚に陳列された学習対象の商品に対する学習対象の人物の視線の動きを例示する図である。図２に記載する紙面縦方向の１乃至８、及び紙面横方向のＡ乃至Ｈは、商品棚における商品の位置を２次元座標により表すために商品棚に付与した値である。尚、以降の説明では、例えば、座標Ａ１に陳列された商品を商品Ａ１と称することとする。

【0025】

図２に例示する視線情報１０３によれば、学習対象の人物は、まず商品Ａ３を５秒間見た後、視線を商品Ｄ４に移動している。当該人物は、次に商品Ｄ４を３秒間見た後、視線を商品Ｂ５に移動している。当該人物は、その次に商品Ｂ５を２秒間見た後、視線を商品Ｆ２に移動している。当該人物は、その次に商品Ｆ２を７秒間見た後、視線を商品Ｇ７に移動している。当該人物は、その次に商品Ｇ７を４秒間見ている。

【0026】

上述した視線情報１０３は、例えば、商品棚の付近に設置された、商品棚を見ている人物の目の動きを撮像可能な監視カメラによって撮像された画像が示す人物の目の動きから、その人物の視線を推定する既存の技術を用いることによって取得可能である。当該既存の技術では、例えば、商品棚と監視カメラと人物との位置関係を取得可能な監視カメラによる画像から、人物の視点の位置を推定する。

【0027】

視線情報１０３が表す、学習対象の人物が学習対象の商品を見た順番及び時間は、当該人物の当該商品に対する興味度合いを表している。例えば、一般的には、ある人物が見た順番が早い商品、あるいは、当該人物が見た時間が長い商品は、当該人物にとって興味が高い商品であると考えられる。例えば図２に例示する視線情報１０３によれば、人物が最初に５秒間見た商品Ａ３、及び、当該人物が７秒間見た商品Ｆ２は、他の商品と比べて、当該人物にとって興味が高い商品であると推定される。

【0028】

購買実績情報１０４は、学習対象の人物が学習対象の商品を購入したか否かを表す情報である。ある人物がある商品を購入した場合、当該商品は、当該人物にとって興味が高い商品であると言える。したがって、購買実績情報１０４も上述した視線情報１０３と同様に、学習対象の商品に対する学習対象の人物の興味度合いを表す情報である。

【0029】

生成部１２は、上述した学習対象の人物に関する人物属性情報１０１、学習対象の商品に関する商品属性情報１０２、当該商品に対する当該人物の視線情報１０３、及び、当該人物による当該商品の購買実績情報１０４に基づく学習を行うことによって、推定モデル１２０を生成あるいは更新する。

【0030】

図３は、本実施形態に係る推定モデル１２０に含まれる、ある人物のある商品に対する興味度合いを表すグラフを例示する図である。

【0031】

図３において、円により表されるノードＡ乃至Ｃ等は人物を表し、ノードＸ乃至Ｚ等は商品を表す。ノードＡ乃至Ｃ等は、人物属性情報１０１が表す各人物の属性を含み、ノードＸ乃至Ｚ等は、商品属性情報１０２が表す各商品の属性を含む。

【0032】

図３において、人物のノードと商品のノードとを接続する線（エッジ）は、人物の商品に対する興味度合いを表す。例えば、人物Ａの商品Ｘに対する興味度合いは、関数ｆ_ＡＸ（ｘ_１，ｘ_２，・・・，ｘ_ｎ）として表され、人物Ｃの商品Ｚに対する興味度合いは、関数ｆ_ＣＺ（ｘ_１，ｘ_２，・・・，ｘ_ｎ）として表される。但し、ｎは任意の自然数であり、ｘ_ｉ（ｉは１乃至ｎのいずれかの自然数）は、ある人物のある商品に対する興味度合いを推定する際に用いるｎ個の説明変数である。説明変数ｘ_ｉは、人物及び商品の属性に関連する変数である。尚、以降の説明では、説明変数ｘ_ｉをまとめて説明変数ｘと称する場合がある。また、関数ｆ_ＡＸ及び関数ｆ_ｃｚ等をまとめて関数ｆと称する場合がある。

【0033】

生成部１２は、取得部１１によって取得された、人物属性情報１０１、商品属性情報１０２、視線情報１０３、及び、購買実績情報１０４に基づいて、説明変数ｘを決定する。生成部１２は、視線情報１０３及び購買実績情報１０４によって表される、人物の商品に対する興味度合いをラベルとして学習することによって、推定モデル１２０を生成あるいは更新する。

【0034】

例えば、人物属性情報１０１が、図３における人物Ａに関して肥満であることを表し、商品属性情報１０２が、商品Ｘに関してダイエットに効果がある成分を含むダイエット関連商品であることを表すこととする。そして、視線情報１０３が、人物Ａが商品棚の前で商品Ｘを長い時間見ていたことを表し、購買実績情報１０４が、人物Ａが商品Ｘを購入した実績を表すこととする。この場合、生成部１２は、人物が肥満であり商品がダイエット関連商品であることを説明変数ｘとして決定し、その説明変数ｘを含む関数ｆ_ＡＸを生成あるいは更新する。

【0035】

生成部１２は、視線情報１０３及び購買実績情報１０４が表す、肥満である人物がダイエット関連商品に対する興味が高いことを示す事例が増加するのに伴い、人物が肥満であり商品がダイエット関連商品であることの説明変数ｘの寄与度が大きくなるように、関数ｆ_ＡＸを含む関数ｆを更新する。但し寄与度は、人物の商品に対する興味度合いを推定する際の重み付けを示す指標である。

【0036】

図３に例示する人物Ａ乃至Ｃ等の個々は、一人の人物ではなく、例えば商品に対する興味度合いの傾向が類似する複数の人物を含むグループであってもよい。図１に示すグループ化部１５は、学習対象人物の商品に対する興味度合いに基づいて、興味度合いの傾向が類似する複数の人物をグループ化する（クラスタリングを行う）。グループ化部１５は、例えば、人物属性情報１０１が示す属性が類似する複数の人物をグループ化してもよい。

【0037】

グループ化部１５は、上述の通りに人物をグループ化した結果を生成部１２に通知する。生成部１２は、グループ化部１５によるグループ化した結果に基づいて、推定モデル１２０に含まれる複数の人物を、１つのグループとして管理してもよい。

【0038】

次に図４のフローチャートを参照して、本実施形態に係る購買要因推定装置１０が推定モデル１２０を生成する（機械学習を行う）動作（処理）について詳細に説明する。

【0039】

取得部１１は、学習対象に関する、人物属性情報１０１、商品属性情報１０２、視線情報１０３、購買実績情報１０４を、外部から取得する（ステップＳ１０１）。生成部１２は、視線情報１０３及び購買実績情報１０４によって表される、ある属性の人物のある属性の商品に対する興味度合いを求める（ステップＳ１０２）。

【0040】

生成部１２は、求めた興味度合いに基づいて、ある属性の人物のある属性の商品に対する興味度合いを推定する際に用いる説明変数ｘを決定する（ステップＳ１０３）。生成部１２は、取得部１１によって取得された上述の情報に基づいて、ある属性の人物のある属性の商品に対する興味度合いを説明変数ｘにより表す関数ｆを生成あるいは更新することによって、推定モデル１２０を生成あるいは更新し（ステップＳ１０４）、全体の処理は終了する。

【0041】

＜推定対象の商品に対する推定対象の人物の興味度合いを推定する動作＞
次に、本実施形態に係る購買要因推定装置１０が、上述の通りに生成あるいは更新した推定モデル１２０を用いて、推定対象の商品（第１の商品）に対する推定対象の人物（第１の人物）の興味度合いを推定する動作について説明する。

【0042】

取得部１１は、推定対象の人物に関する人物属性情報１０１、及び、推定対象の商品に関する商品属性情報１０２を、外部の装置から取得する。

【0043】

推定部１３は、取得部１１により取得された人物属性情報１０１、及び、商品属性情報１０２に基づいて、推定モデル１２０を用いて、推定対象の商品に対する推定対象の人物の興味度合いを推定する。

【0044】

興味度合いは、対象商品に対する顧客の興味を示す情報である。例えば、興味度合いは、興味の有無、対象商品に対する興味のレベル（例えば、興味の高中低の３段階）、購買するか否か、などを含む。また、興味度合いは、１０段階等による評価やパーセンテージなどで表される数値であってもよい。

【0045】

例えば、推定対象の人物が図３に例示する人物Ａであり、推定対象の商品が商品Ｘであることとする。この場合、推定部１３は、人物属性情報１０１が表す人物Ａの属性、及び、商品属性情報１０２が表す商品Ｘの属性から、図３に例示する関数ｆ_ＡＸに含まれる説明変数ｘの値を特定し、特定した説明変数ｘの値と関数ｆ_ＡＸとを用いて、商品Ｘに対する人物Ａの興味度合いを推定する。

【0046】

推定部１３は、推定対象の商品に対する推定対象の人物の興味度合いを推定した結果を、出力部１４に通知する。推定理由生成部１６は、その推定部１３による推定の推定理由を生成し、生成した推定理由を、出力部１４に通知する。推定理由は、例えば、上述した興味度合いの推定において、寄与度が大きい説明変数ｘの値を表す。個々の説明変数ｘ_ｉの寄与度は、関数ｆにおいて、例えば説明変数ｘ_ｉの係数として表され、寄与度が大きいほど当該係数の値も大きな値となる。推定理由生成部１６は、機械学習により構築された推定モデルを用いた推定における推定理由を、例えば、説明可能なＡＩ（Artificial Intelligence）に関する既存の技術を用いることによって取得可能である。

【0047】

出力部１４は、推定部１３から通知された推定対象の商品に対する推定対象の人物の興味度合いを推定した結果、及び、推定理由生成部１６から通知されたその推定理由を、管理端末装置２０に出力する。出力部１４は、興味度合いの推定結果及びその推定理由を、ファイルとして出力してもよい。管理端末装置２０は、出力部１４から出力された情報を、表示画面２００に表示する。

【0048】

図５は、本実施形態に係る出力部１４から出力された、推定対象の商品に対する推定対象の人物の興味度合いを推定した結果及びその推定理由が表示画面２００に表示される態様を例示する図である。

【0049】

図５に示す例では、管理端末装置２０は、推定部１３による推定結果として、商品Ｘに対する人物Ａの興味は高いことを表示画面２００に表示している。そして、管理端末装置２０は、その推定理由として、
「１．人物Ａの肥満度は高く、商品Ｘはダイエットに効果がある成分を含む。」、
「２．人物Ａは新商品へ関心が高く、商品Ｘは１か月前に発売された新商品である。」、
「３．人物Ａは２０代であり、商品Ｘは若い世代への人気が高い。」、
ということを表示画面２００に表示している。管理端末装置２０は、例えば、寄与度が大きい説明変数ｘに関する推定理由から順番に表示画面２００に表示するようにしてもよい。

【0050】

また、図５に示す例では、管理端末装置２０は、推定部１３による推定結果として、商品Ｘに対する人物Ｂの興味は低いこと、及びその推定理由を、表示画面２００に表示している。

【0051】

また、推定対象の商品に対する推定対象の人物の興味度合いを推定した結果及びその推定理由が表示画面２００に表示される態様は、図５に例示するような文章による箇条書きに限定されない。管理端末装置２０は、例えば、推定理由ごとの寄与度の大きさを、図３に例示するような図を用いて表示してもよいし、あるいは、棒グラフや円グラフ等を用いて表示してもよい。

【0052】

また、推定部１３は、推定モデル１２０において、ある推定対象の商品に対する興味度合いが所定の条件（例えば閾値以上である等）を満たすような１以上の人物を特定し、特定した人物の属性情報を抽出してもよい。そして、管理端末装置２０は、推定部１３によって上述の通りに抽出された人物の属性情報を、表示画面２００に表示してもよい。例えば、商品Ｘに対する人物の興味の高さが、図５に例示するような状況である場合、管理端末装置２０は、例えば、「商品Ｘに対する興味が高い人物は、肥満度が高い人物、新商品への関心が高い人物、年齢が２０代である人物である。」ということを、表示画面２００に表示する。

【0053】

また、生成部１２が、グループ化部１５によるグループ化した結果に基づいて、推定モデル１２０に含まれる複数の人物を、１つのグループとして管理している場合、推定部１３は、例えば推定対象の人物が含まれるグループを特定することによって、当該人物の興味度合いを推定してもよい。推定部１３は、当該人物に関する人物属性情報１０１に基づいて、当該人物がどのグループに含まれるのかを特定可能である。あるいは、取得部１１が、推定対象のグループに関する人物属性情報１０１を取得した場合、推定部１３は、個人ではなくグループを単位とした、推定対象の商品に対する興味度合の推定を行ってもよい。

【0054】

また、取得部１１が推定対象の人物に関する視線情報１０３を外部の装置から取得することにより、推定部１３は、取得された視線情報１０３と推定モデル１２０とを用いて、推定対象の商品に対する当該人物の興味度合いを推定してもよい。尚、この場合、生成部１２は、視線情報１０３に関連する説明変数ｘを含む推定モデル１２０を生成あるいは更新することとする。この場合、出力部１４は、商品Ｘに対する人物Ａの興味が高いことの推定理由として、例えば、「人物Ａは商品棚の前で商品Ｘを１０秒間見ていた。」ということ表示画面２００に表示する。

【0055】

次に図６のフローチャートを参照して、本実施形態に係る購買要因推定装置１０が推定対象商品に対する推定対象人物の興味度合いを推定する動作（処理）について詳細に説明する。

【0056】

取得部１１は、推定対象に関する、人物属性情報１０１、及び、商品属性情報１０２を取得する（ステップＳ２０１）。推定部１３は、取得部１１によって取得された人物属性情報１０１及び商品属性情報１０２、及び、推定モデル１２０に基づいて、推定対象商品に対する推定対象人物の興味度合いを推定する（ステップＳ２０２）。推定理由生成部１３０は、当該興味度合いの推定理由を生成する（ステップＳ２０３）。出力部１４は、推定部１３による推定対象商品に対する推定対象人物の興味度合いの推定結果及びその推定理由を、管理端末装置２０に出力し（ステップＳ２０４）、全体の処理は終了する。

【0057】

本実施形態に係る購買要因推定装置１０は、顧客が商品を購買した要因を特定できるので、商品の販売拡大に寄与することができる。その理由は、購買要因推定装置１０は、人物属性情報１０１及び商品属性情報１０２と、視線情報１０３によって表される商品に対する人物の興味度合いとの関係を学習した推定モデル１２０を用いて、推定対象の興味度合いを推定し、その推定理由を出力するからである。

【0058】

以下に、本実施形態に係る購買要因推定装置１０によって実現される効果について、詳細に説明する。

【0059】

例えば新商品等の販売を拡大するための戦略策定において、どのような属性の人が新商品に興味を示すのかに加えて、その購買に大きく寄与する要因を分析することは、非常に重要である。しかしながら、顧客が商品を購買した要因を特定することは困難であり、商品の販売拡大に支障をきたす場合がある。

【0060】

このような問題に対して、本実施形態に係る購買要因推定装置１０は、取得部１１と、推定部１３と、出力部１４と、を備え、例えば図１乃至図６を参照して上述した通り動作する。即ち、取得部１１は、推定対象の人物（第１の人物）に関する人物属性情報１０１と、推定対象の商品（第１の商品）に関する商品属性情報１０２とを取得する。推定部１３は、当該推定対象の人物に関する人物属性情報１０１と当該推定対象の商品に関する商品属性情報１０２とに基づいて、推定モデル１２０を用いて、当該推定対象の商品に対する当該推定対象の人物の興味度合いを推定する。出力部１４は、推定された当該推定対象の人物の興味度合いとその推定理由とを出力する。そして、推定モデル１２０は、学習対象の人物（第２の人物）に関する人物属性情報１０１、学習対象の商品（第２の商品）に関する商品属性情報１０２、及び当該学習対象の商品に対する当該学習対象の人物の視線情報１０３と、当該学習対象の商品に対する当該学習対象の人物の興味度合いと、の関係を学習して生成されたモデルである。

【0061】

即ち、本実施形態に係る購買要因推定装置１０は、人物属性情報１０１及び商品属性情報１０２と、視線情報１０３によって表される商品に対する人物の興味度合いとの関係を学習した推定モデル１２０を用いて、推定対象の商品に対する推定対象の人物の興味度合いを推定し、その推定理由を出力する。これにより、購買要因推定装置１０は、顧客が商品を購買した要因を特定できるので、商品の販売拡大に寄与することができる。

【0062】

また、本実施形態に係る購買要因推定装置１０は、推定対象の人物の興味度合いが所定の条件を満たすような推定対象の人物に関する属性情報を出力する。これにより、購買要因推定装置１０は、どのような属性の人物が対象商品に対して高い興味を持っているのかを、わかりやすくユーザに提示することができる。

【0063】

また、本実施形態に係る購買要因推定装置１０は、学習対象及び推定対象の人物の商品に対する興味度合いに基づいて、学習対象及び推定対象の人物をグループ化する（クラスタリングを行う）機能を備える。これにより、購買要因推定装置１０は、商品に対する興味度合いの特性が類似する人物をまとめて扱うので、購買要因の推定を効率的に行うことができる。

【0064】

また、本実施形態に係る購買要因推定装置１０の学習対象及び推定対象の商品は、新商品であってもよい。そして、推定モデル１２０は、販売実績が基準（例えば閾値）以上である売れ筋の競合商品とともに商品棚に陳列された学習対象の商品に関して学習したモデルでもよい。この場合、購買要因推定装置１０は、新商品が売れ筋の競合商品とともに商品棚に陳列された状態において、消費者（人物）の視線情報１０３を用いて、新商品に対する消費者の興味度合いを学習する。これにより、購買要因推定装置１０は、当該新商品を開発した企業による、売れ筋の競合商品に対する新商品の競争力の分析を、適切に支援することができる。

【0065】

また、上述した本実施形態に係る購買要因推定装置１０によって実現される機能は、複数の情報処理装置によって構成されたシステムによって実現されてもよい。

【0066】

図７は、本実施形態の変形例に係る購買要因推定システム１０Ａの構成を示すブロック図である。購買要因推定システム１０Ａの機能は、上述した購買要因推定装置１０と同等である。購買要因推定システム１０Ａは、それぞれが情報処理装置である、取得装置１１Ａ、生成装置１２Ａ、推定装置１３Ａ、出力装置１４Ａ、グループ化装置１５Ａ、及び、推定理由生成装置１６Ａを備える。取得装置１１Ａ、生成装置１２Ａ、推定装置１３Ａ、出力装置１４Ａ、グループ化装置１５Ａ、及び、推定理由生成装置１６Ａは、順に、上述した取得部１１、生成部１２、推定部１３、出力部１４、グループ化部１５、及び、推定理由生成部１６と同等の機能を備える。取得装置１１Ａ、生成装置１２Ａ、推定装置１３Ａ、出力装置１４Ａ、グループ化装置１５Ａ、及び、推定理由生成装置１６Ａは、互いに通信可能に接続されている。

【0067】

また、購買要因推定システム１０Ａの構成は、購買要因推定装置１０の個々の構成要素に相当する情報処理装置を備える構成に限定されない。購買要因推定システム１０Ａは、例えば、購買要因推定装置１０の複数の構成要素を１つの情報処理装置として備えてもよい。

【0068】

＜第２の実施形態＞
図８は、本発明の第２の実施形態に係る購買要因推定装置３０の構成を示すブロック図である。購買要因推定装置３０は、取得部３１、推定部３２、及び、出力部３３を備える。但し、取得部３１、推定部３２、出力部３３は、順に、取得手段、推定手段、出力手段の一例である。

【0069】

取得部３１は、第１の人物（推定対象の人物）に関する人物属性情報３０１と、第１の商品（推定対象の商品）に関する商品属性情報３０２とを取得する。人物属性情報３０１は、例えば、第１の実施形態に係る推定対象の人物に関する人物属性情報１０１と同様な情報である。商品属性情報３０２は、例えば、第１の実施形態に係る推定対象の商品に関する商品属性情報１０２と同様な情報である。取得部３１は、例えば、第１の実施形態に係る取得部１１と同様に動作する。

【0070】

推定部３２は、当該第１の人物に関する人物属性情報３０１と当該第１の商品に関する商品属性情報３０２とに基づいて、推定モデル３２０を用いて、当該第１の商品に対する当該第１の人物の興味度合い３３１を推定する。推定モデル３２０は、例えば、第１の実施形態に係る推定モデル１２０と同様なモデルである。推定部３２は、例えば、第１の実施形態に係る推定部１３と同様に動作する。

【0071】

出力部３３は、推定された当該第１の人物の興味度合い３３１とその推定理由３３２とを出力する。出力部３３は、例えば、第１の実施形態に係る出力部１４と同様に動作する。

【0072】

推定モデル３２０は、第２の人物（学習対象の人物）に関する人物属性情報３２１、第２の商品（学習対象の商品）に関する商品属性情報３２２、及び当該第２の商品に対する当該第２の人物の視線情報３２３と、当該第２の商品に対する当該第２の人物の興味度合い３２４と、の関係を学習して生成される。人物属性情報３２１は、例えば、第１の実施形態に係る学習対象の人物に関する人物属性情報１０１と同様な情報である。商品属性情報３２２は、例えば、第１の実施形態に係る学習対象の商品に関する商品属性情報１０２と同様な情報である。視線情報３２３は、例えば、第１の実施形態に係る学習対象の人物に関する視線情報１０３と同様な情報である。興味度合い３２４は、例えば、第１の実施形態と同様に、視線情報３２３から求められる。推定モデル３２０は、例えば、第１の実施形態に係る生成部１２が推定モデル１２０を生成するのと同様な手順によって生成される。

【0073】

本実施形態に係る購買要因推定装置３０は、顧客が商品を購買した要因を特定できるので、商品の販売拡大に寄与することができる。その理由は、購買要因推定装置３０は、人物属性情報３２１及び商品属性情報３２２と、視線情報３２３によって表される商品に対する人物の興味度合い３２４との関係を学習した推定モデル３２０を用いて、推定対象の興味度合い３３１を推定し、その推定理由３３２を出力するからである。

【0074】

＜ハードウェア構成例＞
上述した各実施形態において図１に示した購買要因推定装置１０、あるいは、図７に示した購買要因推定装置３０における各部は、専用のＨＷ（ＨａｒｄＷａｒｅ）（電子回路）によって実現することができる。また、図１及び図７において、少なくとも、下記構成は、ソフトウェアプログラムの機能（処理）単位（ソフトウェアモジュール）と捉えることができる。
・取得部１１及び３１、
・生成部１２、
・推定部１３及び３２、
・出力部１４及び３３、
・グループ化部１５、
・推定理由生成部１６。

【0075】

但し、これらの図面に示した各部の区分けは、説明の便宜上の構成であり、実装に際しては、様々な構成が想定され得る。この場合のハードウェア環境の一例を、図９を参照して説明する。

【0076】

図９は、本発明の第１の実施形態に係る購買要因推定装置１０あるいは第２の実施形態に係る購買要因推定装置３０を実現可能な情報処理装置９００（コンピュータシステム）の構成を例示的に説明する図である。即ち、図９は、図１及び図７に示した購買要因推定装置１０及び３０を実現可能な少なくとも１つのコンピュータ（情報処理装置）の構成であって、上述した実施形態における各機能を実現可能なハードウェア環境を表す。

【0077】

図８に示した情報処理装置９００は、構成要素として下記を備えているが、下記のうちの一部の構成要素を備えない場合もある。
・ＣＰＵ（Ｃｅｎｔｒａｌ＿Ｐｒｏｃｅｓｓｉｎｇ＿Ｕｎｉｔ）９０１、
・ＲＯＭ（Ｒｅａｄ＿Ｏｎｌｙ＿Ｍｅｍｏｒｙ）９０２、
・ＲＡＭ（Ｒａｎｄｏｍ＿Ａｃｃｅｓｓ＿Ｍｅｍｏｒｙ）９０３、
・ハードディスク（記憶装置）９０４、
・外部装置との通信インタフェース９０５、
・バス９０６（通信線）、
・ＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ＿Ｄｉｓｃ＿Ｒｅａｄ＿Ｏｎｌｙ＿Ｍｅｍｏｒｙ）等の記録媒体９０７に格納されたデータを読み書き可能なリーダライタ９０８、
・モニターやスピーカ、キーボード等の入出力インタフェース９０９。

【0078】

即ち、上記構成要素を備える情報処理装置９００は、これらの構成がバス９０６を介して接続された一般的なコンピュータである。情報処理装置９００は、ＣＰＵ９０１を複数備える場合もあれば、マルチコアにより構成されたＣＰＵ９０１を備える場合もある。情報処理装置９００は、ＣＰＵ９０１に加えてＧＰＵ（Ｇｒａｐｈｉｃａｌ＿Ｐｒｏｃｅｓｓｉｎｇ＿Ｕｎｉｔ）（不図示）を備えてもよい。

【0079】

そして、上述した実施形態を例に説明した本発明は、図９に示した情報処理装置９００に対して、次の機能を実現可能なコンピュータプログラムを供給する。その機能とは、その実施形態の説明において参照したブロック構成図（図１及び図７）における上述した構成、或いはフローチャート（図４及び図６）の機能である。本発明は、その後、そのコンピュータプログラムを、当該ハードウェアのＣＰＵ９０１に読み出して解釈し実行することによって達成される。また、当該装置内に供給されたコンピュータプログラムは、読み書き可能な揮発性のメモリ（ＲＡＭ９０３）、または、ＲＯＭ９０２やハードディスク９０４等の不揮発性の記憶デバイスに格納すれば良い。

【0080】

また、前記の場合において、当該ハードウェア内へのコンピュータプログラムの供給方法は、現在では一般的な手順を採用することができる。その手順としては、例えば、ＣＤ－ＲＯＭ等の各種記録媒体９０７を介して当該装置内にインストールする方法や、インターネット等の通信回線を介して外部よりダウンロードする方法等がある。そして、このような場合において、本発明は、係るコンピュータプログラムを構成するコード或いは、そのコードが格納された記録媒体９０７によって構成されると捉えることができる。

【0081】

以上、上述した実施形態を模範的な例として本発明を説明した。しかしながら、本発明は、上述した実施形態には限定されない。即ち、本発明は、本発明のスコープ内において、当業者が理解し得る様々な態様を適用することができる。

【0082】

尚、上述した各実施形態の一部又は全部は、以下の付記のようにも記載されうる。しかしながら、上述した各実施形態により例示的に説明した本発明は、以下には限られない。

【0083】

（付記１）
第１の人物に関する人物属性情報と、第１の商品に関する商品属性情報とを取得する取得手段と、
前記第１の人物に関する人物属性情報と前記第１の商品に関する商品属性情報とに基づいて、推定モデルを用いて、前記第１の商品に対する前記第１の人物の興味度合いを推定する推定手段と、
推定された前記第１の人物の興味度合いとその推定理由とを出力する出力手段と、
を備え、
前記推定モデルは、第２の人物に関する人物属性情報、第２の商品に関する商品属性情報、及び前記第２の商品に対する前記第２の人物の視線情報と、前記第２の商品に対する前記第２の人物の興味度合いと、の関係を学習して生成される、
購買要因推定装置。

【0084】

（付記２）
前記出力手段は、前記推定理由として、前記第１の人物に関する人物属性情報と、前記第１の商品に関する商品属性情報との少なくとも一つを出力する
付記１に記載の購買要因推定装置。

【0085】

（付記３）
前記第１及び第２の人物に関する属性情報は、前記第１及び第２の人物の年齢、性別、職業、収入、国籍、家族構成、趣味、居住地、体型、飲酒有無、喫煙有無、嗜好、行動履歴、の少なくとも一つを含む、
付記１又は付記２に記載の購買要因推定装置。

【0086】

（付記４）
前記第１及び第２の商品に関する属性情報は、前記第１及び第２の商品の商品名、商品識別子、種別、量、価格、外観、製造者、販売者、内容量、栄養成分表示、原材料、発売時期、陳列位置、の少なくとも一つを含む、
付記１から付記３のいずれか一項に記載の購買要因推定装置。

【0087】

（付記５）
前記出力手段は、前記第１の人物の興味度合いが所定の条件を満たすような前記第１の人物に関する属性情報を出力する、
付記１乃至付記４のいずれか一項に記載の購買要因推定装置。

【0088】

（付記６）
前記取得手段は、前記第１の商品に対する前記第１の人物の視線情報を取得し、
前記推定手段は、前記第１の商品に対する前記第１の人物の視線情報に基づいて、前記推定モデルを用いて、前記第１の商品に対する前記第１の人物の興味度合いを推定し、
前記出力手段は、前記第１の人物の視線情報に基づく前記推定理由を出力する、
付記１乃至付記５のいずれか一項に記載の購買要因推定装置。

【0089】

（付記７）
前記第１及び第２の人物の興味度合いに基づいて、前記第１及び第２の人物をグループ化するグループ化手段
をさらに備える付記１乃至付記６のいずれか一項に記載の購買要因推定装置。

【0090】

（付記８）
前記第２の人物に関する人物属性情報、前記第２の商品に関する商品属性情報、及び前記第２の商品に対する前記第２の人物の視線情報と、前記第２の商品に対する前記第２の人物の興味度合いと、の関係に基づいて、前記推定モデルを生成する生成手段をさらに備える、
付記１乃至付記７のいずれか一項に記載の購買要因推定装置。

【0091】

（付記９）
前記推定モデルは、前記第２の人物に関する人物属性情報と、前記第２の商品に関する商品属性情報と、前記第２の商品を前記第２の人物が購買したか否かとの関係を学習したモデルである。

【0092】

付記１乃至付記８のいずれか一項に記載の購買要因推定装置。

【0093】

（付記１０）
前記第１及び第２の商品は新商品であり、
前記推定モデルは、販売実績が基準以上の商品とともに陳列された前記第２の商品に関して学習したモデルである、
付記１乃至付記９のいずれか一項に記載の購買要因推定装置。

【0094】

（付記１１）
第１の人物に関する人物属性情報と、第１の商品に関する商品属性情報とを取得する取得手段と、
前記第１の人物に関する人物属性情報と前記第１の商品に関する商品属性情報とに基づいて、推定モデルを用いて、前記第１の商品に対する前記第１の人物の興味度合いを推定する推定手段と、
推定された前記第１の人物の興味度合いとその推定理由とを出力する出力手段と、
を備え、
前記推定モデルは、第２の人物に関する人物属性情報、第２の商品に関する商品属性情報、及び前記第２の商品に対する前記第２の人物の視線情報と、前記第２の商品に対する前記第２の人物の興味度合いと、の関係を学習して生成される、
購買要因推定システム 。

【0095】

（付記１２）
情報処理装置によって、
第１の人物に関する人物属性情報と、第１の商品に関する商品属性情報とを取得し、
前記第１の人物に関する人物属性情報と前記第１の商品に関する商品属性情報とに基づいて、推定モデルを用いて、前記第１の商品に対する前記第１の人物の興味度合いを推定し、
推定された前記第１の人物の興味度合いとその推定理由とを出力する出力する、
方法であって、
前記推定モデルは、第２の人物に関する人物属性情報、第２の商品に関する商品属性情報、及び前記第２の商品に対する前記第２の人物の視線情報と、前記第２の商品に対する前記第２の人物の興味度合いと、の関係を学習して生成される、
購買要因推定方法 。

【0096】

（付記１３）
第１の人物に関する人物属性情報と、第１の商品に関する商品属性情報とを取得する取得処理と、
前記第１の人物に関する人物属性情報と前記第１の商品に関する商品属性情報とに基づいて、推定モデルを用いて、前記第１の商品に対する前記第１の人物の興味度合いを推定する推定処理と、
推定された前記第１の人物の興味度合いとその推定理由とを出力する出力処理と、
をコンピュータに実行させるプログラムであって、
前記推定モデルは、第２の人物に関する人物属性情報、第２の商品に関する商品属性情報、及び前記第２の商品に対する前記第２の人物の視線情報と、前記第２の商品に対する前記第２の人物の興味度合いと、の関係を学習して生成される、
購買要因推定プログラムが格納された記録媒体 。

【符号の説明】

【0097】

１０ 購買要因推定装置
１０Ａ 購買要因推定システム
１０１ 人物属性情報
１０２ 商品属性情報
１０３ 視線情報
１０４ 購買実績情報
１１ 取得部
１１Ａ 取得装置
１２ 生成部
１２Ａ 生成装置
１２０ 推定モデル
１３ 推定部 １３Ａ 推定装置
１４ 出力部
１４Ａ 出力装置
１５ グループ化部
１５Ａ グループ化装置
１６ 推定理由生成部
１６Ａ 推定理由生成装置
２０ 管理端末装置
２００ 表示画面
３０ 購買要因推定装置
３０１ 人物属性情報
３０２ 商品属性情報
３１ 取得部
３２ 推定部
３２０ 推定モデル
３２１ 人物属性情報
３２２ 商品属性情報
３２３ 視線情報
３２４ 興味度合い
３３ 出力部
３３１ 興味度合い
３３２ 推定理由
９００ 情報処理装置
９０１ ＣＰＵ
９０２ ＲＯＭ
９０３ ＲＡＭ
９０４ ハードディスク（記憶装置）
９０５ 通信インタフェース
９０６ バス
９０７ 記録媒体
９０８ リーダライタ
９０９ 入出力インタフェース

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】