CN113366521A - 感性计算设备、感性计算方法和程序 - Google Patents

Abstract

提供了一种偏好计算设备(100)包括：获取单元(121)，其获取与第一内容有关的第一内容信息；以及计算单元(122)，其针对基于用户的偏好类型对用户进行分类的每个分段来计算第一内容信息的匹配度。

Description

感性计算设备、感性计算方法和程序

技术领域

本公开涉及感性计算设备，感性计算方法和程序。

背景技术

已知一种用于利用发布在社交媒体上的社交媒体数据进行营销的技术。

例如，专利文献1公开了一种技术，其基于社交媒体上的发布来提取粉丝(其是喜欢诸如产品的特定对象的用户)。

引文清单

专利文献

专利文献1：JP 2014-137757 A

发明内容

技术问题

然而，专利文献1中描述的技术没有定量地计算出粉丝针对特定对象的感性值。因此，存在难以确定某种产品是否可以吸引特定用户的可能性。例如，用户的感性互不相同。因此，具有不同感性的用户具有不同的感性价值观，包括对同一内容的感性和偏好。

因此，本公开提出了一种感性计算设备，感性计算方法和程序，用于根据用户对内容的感性类型来定量计算感性价值观的匹配频率。

问题解决方案

为了解决上述问题，感性计算设备包括：获取单元，其获取与第一内容有关的第一内容信息；以及计算单元，其基于用户的感性类型，针对对用户进行分类的每个片段，计算第一内容信息的匹配频率。

附图说明

图1是示出根据本公开的实施例的感性计算设备的配置的示例的框图。

图2是示出针对每种感性类型对用户进行分类的方法的示例的示意图。

图3是用于描述学习教师图像的方法的示例的示意图。

图4是用于描述学习教师文本的方法的示例的示意图。

图5是用于描述估计用户的感性类型的方法的示例的示意图。

图6A是示出了购买产品的用户所属的感性类型的改变的示意图。

图6B是示出属于感性类型的用户的口碑的时间变化的示意图。

图7是示出用户界面的示例的示意图。

图8是示出输入文本的方法的示例的示意图。

图9是示出文本分析结果的示例的示意图。

图10是示出显示递送程度的细节的方法的示例的示意图。

图11是示出显示触动程度的细节的方法的示例的示意图。

图12A是示出了对文本进行聚类的方法的示例的示意图。

图12B是示出聚类的文档的性质的示例的示意图。

图13是示出将图像输入到感性计算设备的方法的示例的示意图。

图14是示出图像选择画面的示例的示意图。

图15是示出图像数据的分析结果的示例的示意图。

图16是示出最佳感性类型的用户的特征的细节的示例的示意图。

图17是示出内容粉丝地图的示例的示意图。

图18是示出内容粉丝地图的示例的示意图。

图19是示出将内容输入到感性计算设备的方法的示例的示意图。

图20是示出搜索结果的示例的示意图。

图21是示出内容的用户的感性类型的分析结果的示例的示意图。

图22是示出文本分析画面的用户界面的示例的示意图。

图23是示出文本分析结果的示例的示意图。

图24是示出设计分析画面的用户界面的示例的示意图。

图25是示出设计分析结果的示例的示意图。

图26是示出用户分析画面的用户界面的示例的示意图。

图27是示出内容分析结果的示例的示意图。

图28是示出保存分析结果的处理的示例的示意图。

图29是用于描述书签列表的示例的示意图。

图30是示出过去执行的分析的结果的细节的示意图。

图31是示出共享画面的用户界面的示意图。

图32是示出根据本公开的另一实施例的发现系统的配置的示例的图。

图33是示出根据本公开的另一实施例的发现设备的配置的示例的框图。

图34是用于描述从帧中检测面部的方法的视图。

图35是示出用户界面的示例的示意图。

图36是用于描述艺术家的喜欢列表的视图。

图37是用于描述感兴趣列表的示意图。

图38是用于描述用于显示艺术家的历史的画面的视图。

图39是示出根据本公开的又一实施例的分析设备的配置的框图。

图40是示出用户界面的示例的示意图。

图41是示出艺术家分析画面的示例的示意图。

图42是用于描述艺术家的总商业能力的等级的视图。

图43是用于描述艺术家的趋势力的等级的视图。

图44是用于描述确认稳定水平(settled level)和兴奋水平(buzzinglevel)的方法的视图。

图45是用于描述在兴奋水平已经飙升的一天中关于艺术家的稳定水平的信息的视图。

图46是用于描述显示角色图像的方法的视图。

图47是用于描述改变要显示的角色图像的方法的视图。

图48是用于描述显示粉丝团从中获得信息的信息源的方法的图。

图49是用于描述显示由粉丝团偏爱的艺术家的方法的视图。

图50是用于描述显示由粉丝团偏爱的播放列表的方法的视图。

图51是示出实现感性计算设备的功能的计算机的示例的硬件配置图。

具体实施方式

在下文中，将参考附图详细描述本公开的实施例。注意，在以下每个实施例中，相同的部分由相同的附图标记表示，并且将省略其重复描述。

此外，将以以下项顺序描述本公开。

1.实施例

1-1.感性计算设备的配置

2.用户界面

3.其他实施例

3-1.发现设备

3-2.用户界面

3-3.分析设备

3-4.用户界面

4.硬件配置

(1.实施例)

[1-1.感性计算设备的配置]

将参照图1描述根据本公开的实施例的感性计算设备的配置。图1是示出感性计算设备的配置的框图。

如图1所示，感性计算设备100包括存储单元110，控制单元120和通信单元130。感性计算设备100是能够确定用户所属的多个感性类型片段中的任何感性类型片段的设备。感性计算设备100根据用于内容的用户感性类型的片段来定量地计算感性价值观的匹配频率。

存储单元110存储各种类型的信息。存储单元110存储例如用于实现感性计算设备100的每个单元的程序。在这种情况下，控制单元120通过扩展并执行存储在存储单元110中的程序来实现每个单元的功能。存储单元110可以由例如诸如随机存取存储器(RAM)，只读存储器(ROM)和闪存的半导体存储元件，或诸如硬盘，固态驱动器和光盘的存储设备来实现。可以使用多个不同的存储器等来配置存储单元110。存储单元110可以是经由通信单元130以有线或无线方式连接到感性计算设备100的外部存储设备。在这种情况下，通信单元130连接到例如因特网(未示出)。存储单元110具有例如顾客数据库111，消费者数据库112和感性数据库113。

顾客数据库111存储问卷调查(已经被执行以根据感性类型将用户分类为多个片段)的结果。例如，根据日本的人口分布，针对考虑年龄和性别的多个人进行问卷调查。消费者数据库112存储用户的网络漫游历史，用户购买的产品的购买数据以及第三方提供的开放数据。

将参照图2描述根据本实施例的用户的感性类型片段。图2是示出根据用户的感性类型将用户分类为多个片段的方法的示例的示意图。

在本实施例中，预先进行问卷调查，并且用户的感性类型被分类为大约八到十二种类型的片段。在图2所示的示例中，根据用户的感性类型，将分类分为“自然”，“独特”，“保守”，“时尚”，“迷人”，“豪华”，“简朴”和“其他”八种判断类型。注意，用户感性类型片段的类型可以小于或大于八。

例如，“自然”是具有以下特征的一群用户：如果用户喜欢产品，他们对品牌不挑剔。例如，“独特”是具有以下特征的一群用户：寻找与其他人的产品不同的产品。例如，“保守”是具有以下特征的一群用户：安心购买最畅销产品。例如，“时尚”是具有以下特征的一群用户：乐于为自己投资。例如，“迷人”是具有以下特征的一群用户：将着装视为重要并且对趋势敏感。例如，“豪华”是具有以下特征的一群用户：调查和识别具有良好使用质量。例如，“简朴”是具有以下特征的一群用户：用户不想要太多并且仅购买最少的必需品。“其他”是一群不适合任何感性类型的用户。此外，除了这些感性类型之外，例如，还可以存在称为“ZEN”的感性类型，其具有“在事件上花费金钱”和“不希望被信息影响”的特征。

此外，用户的感性类型可以分类为十二种感性类型：“休闲”，“简单”，“简朴”，“运动”，“酷”，“聪明”，“华丽”，“性感”，“浪漫”，“优雅”，“正式”和“流行”。在这种情况下，例如，“休闲”是一群是具有以下特征的一群用户：选择正确的事物。例如，“简单”是具有以下特征的一群用户：长时间使用自己喜欢的事物。例如，“简朴”是具有以下特征的一群用户：仅拥有作为必需的事物。“运动”是具有以下特征的一群用户：活跃并喜欢休闲。“酷”是具有以下特征的一群用户：均衡行为。“聪明”是具有以下特征的一群用户：理性思考和行为。“华丽”是具有以下特征的一群用户：以品牌为导向并喜欢浮华。“性感”是具有以下特征的一群用户：自我完善的能力以追求理想。例如，“浪漫”是具有以下特征的一群用户：对于他们的愿望是直白的。例如，“优雅”是具有以下特征的一群用户：偏爱优雅而平静。例如，“正式”是具有以下特征的一群用户：偏爱正式。例如，“流行”是具有以下特征的一群用户：喜欢华丽和有趣。

将再次参考图1。感性数据库113存储例如每种感性类型的特征。具体地，感性数据库113针对每种感性类型存储喜欢的图像，喜欢的颜色，句子表达的特征，个性，价值观等。因此，感性计算设备100可以通过获取用户的网络漫游历史、用户购买的产品的购买数据、在社交网络服务(SNS)上文字等来计算用户的感性类型并确定用户属于哪个片段。

控制单元120包括获取单元121，计算单元122，估计单元123，呈现单元124，更新单元125和显示控制单元126。控制单元120通过扩展并执行存储在存储单元110中的程序来用作每个单元。控制单元120例如通过中央处理单元(CPU)，微处理单元(MPU)等通过以RAM等为工作区域执行存储在存储单元(未示出)中的程序(例如，根据本发明的程序)来实现。此外，控制单元120是控制器，并且可以通过例如诸如专用集成电路(ASIC)和现场可编程门阵列(FPGA)的集成电路来实现。

获取单元121获取各种类型的信息。获取单元121获取例如用户进行的问卷调查的结果。在这种情况下，获取单元121例如将问卷的获取结果存储在顾客数据库111中。例如，当定期(例如，每六个月)对用户进行问卷调查时，获取单元121定期获取问卷调查结果。在这种情况下，获取单元121例如将问卷调查结果定期存储在顾客数据库111中。即，由获取单元121定期更新存储在顾客数据库111中的问卷调查结果。

获取单元121例如获取包括用户的网络漫游历史和用户经由通信单元130购买的产品的购买数据的价值观信息。在这种情况下，获取单元121将价值观信息存储在消费者数据库112中。例如，获取单元121可以在任何时间获取价值观信息。在这种情况下，获取单元121将价值观信息存储在消费者数据库112中。即，由获取单元121随时更新存储在消费者数据库112中的价值观信息。

例如，获取单元121可以获取关于顾客的流动线的信息。在这种情况下，获取单元121可以例如获取网络漫游历史作为客户的流动线，或者可以获取在特定网页中使用的页面作为客户的流动线。在这种情况下，获取单元121可以例如以特定间隔定期获取关于客户的流动线的信息，或者可以实时获取信息。

获取单元121获取例如关于感性计算设备100的用户输入的内容的内容信息。获取单元121可以经由例如通信单元130获取内容信息。由获取单元121获取的内容没有特别限制，并且其示例包括产品，文本，静止图像，视频以及包括语音和音乐的声音。

获取单元121可以获取评论信息，包括SNS上对于内容的的口碑，顾客的声音(VOC)和电子商务(EC)网站上的口碑。

计算单元122计算各种类型的信息。例如，计算单元122基于输入到感性计算设备100的信息来计算各种值。例如，计算单元122基于由获取单元121获取的内容信息来计算各种类型的信息。具体地，计算单元122基于内容信息针对每个感性类型片段计算与内容信息相对应的内容的匹配频率。匹配频率高意味着对内容的兴趣高，匹配频率低意味着对内容的兴趣低。换句话说，计算单元122可以针对每个感性类型片段计算高度感兴趣的内容。

计算单元122基于例如预先建模的价值观模型来计算匹配频率。在这种情况下，计算单元122预先学习每个感性类型片段的偏爱图像或文本，并且对每个感性类型片段的偏爱图像或文本进行建模。

将参照图3和图4描述为每个感性类型片段建模偏爱图像和文本的方法的示例。图3是示出计算单元122学习图像的方法的示例的示意图。图4是示出计算单元122学习文本的方法的示例的示意图。

如图3所示，例如，将多个教师图像输入到计算单元122。具体地，针对每个感性类型片段，将多个偏爱的教师图像输入到计算单元122。这里，作为教师图像，例如，对于每个感性类型片段，使用具有诸如感性价值观的不同概念的多种类型的图像。作为用于每个感性类型片段的偏爱图像，例如，使用对用户进行的问卷调查的结果就足够了。每个感性类型片段的偏爱图像可以是例如由获取单元121获取并存储在消费者数据库112中的图像。作为每个感性类型片段的偏爱图像，可以使用由外部组织等收集的图像。计算单元122对使用针对每个感性类型片段输入的教师图像获得的学习结果进行建模。结果，计算单元122可以基于模型来计算指示偏好新输入的图像的用户所属的任何感性类型片段的匹配频率。注意，当使计算单元122学习图像时，将众所周知的图像分类功能应用于计算单元122就足够了。

如图4所示，例如，多个教师文本被输入到计算单元122。具体地，针对每个感性类型片段，将多个偏爱的教师文本输入到计算单元122。这里，作为教师文本，例如，对于每个感性类型片段，使用具有诸如感性价值观的不同概念的多种类型的文本。作为用于每个感性类型片段的偏爱文本，例如，使用对用户进行的问卷调查的结果就足够了。每个感性类型片段的偏爱文本可以是例如由获取单元121获取并存储在消费者数据库112中的文本。计算单元122对使用针对每个感性类型片段输入的教师文本而获得的学习结果进行建模。具体地，计算单元122将输入的教师文本分类为例如九个关键字。然后，计算单元122生成例如映射表140，其中九个分类关键字中的每一个指示任何感性类型片段的匹配程度。结果，计算单元122可以通过参考映射表140来计算指示偏好新输入的文本的用户所属的任何感性类型片段的匹配频率。注意，在映射表140中，用户的个性和感性类型彼此关联。因此，偏爱的是，这九个关键字接近于预先生成的存储在感性数据库113中的各个感性类型片段的特征。计算单元122可以基于九个关键字来计算每个感性类型片段的匹配频率。

当内容是文本时，计算单元122计算指示用户对于文本的理解程度的递送程度，指示文本触动用户的心的水平的触动程度，以及通过用户对文本的表达方法来指示沟通倾向的表达倾向。在这种情况下，计算单元122在教师文本学习时使用触动程度作为指数来将其分类为九个关键字。表示触动程度的关键字包括“新颖”，“惊奇”，“只有一个”，“趋势”，“故事”，“第一”，“客户价值”，“销售方式”和“实数”。

例如，计算单元122可以计算感性类型之间的匹配频率。换句话说，计算单元122可以计算感性类型之间的相容性水平。在这种情况下，例如，获取单元121获取SNS上的多个名人的感性类型以及追随这些名人的用户的感性类型。然后，计算单元122通过例如计算具有追随名人的感性类型的比例高的感性类型来对感性类型之间的相容性水平进行建模。结果，可以掌握容易受影响的感性类型的组合。

例如，计算单元122可以针对每种感性类型计算各种偏好。计算单元122可以针对每种感性类型计算感性建议。具体地，计算单元122可以计算例如针对每种感性类型挑选出首选直接邮件(DM)和网络广告的方法。例如，计算单元122可以针对每种感性类型计算内容的最佳组合。例如，计算单元122可以针对每种感性类型计算偏爱的媒体和影响者。例如，计算单元122可以针对每种感性类型计算心情板，推荐信息等。例如，计算单元122可以计算由获取单元121获取的各种类型的内容的用户图像和粉丝团。在这种情况下，例如，计算单元122基于由获取单元121获取的评论信息来计算用户图像和粉丝团就足够了。

具体地，例如，计算单元122可以基于存储在消费者数据库112中的各种类型的数据来计算感性建议。计算单元122基于与目标用户持有的产品列表有关的信息，Web浏览历史，已被点击的Web广告，DM等来计算感性建议。例如，计算单元122可以通过组合关于目标用户的信息和关于由第三方提供的图像，角色等的信息来计算感性建议。

将再次参考图1。估计单元123估计各种类型的信息。估计单元123例如基于由获取单元121获取的用户的价值观信息来估计用户所属的感性类型。

将参考图5描述估计单元123估计用户的感性类型的方法。图5是用于描述估计单元123通过其估计用户的感性类型的方法的示例的示意图。

如图5所示，将由获取单元121获取的用户发布的口碑等输入到估计单元123。估计单元123例如分析关于22个项(指示用户的个性的特征)的每个项的特征是否存在。然后，估计单元123使用映射表140来估计用户的感性类型，在该映射表140中，个性和感性类型基于表征个性的22个项相互关联。注意，表征个性的22个项的示例包括好奇心，正直等。具体地，优选地，由估计单元123估计的22个项的个性接近于预先生成的存储在感性数据库113中的各个感性类型的特征。结果，可以由获取单元121估计发布口碑的用户的个性。

估计单元123可以基于由获取单元121获取的文本，静止图像，视频，包括语音和音乐的声音以及它们的组合来估计用户的感性类型。例如，估计单元123可以基于由获取单元121获取的用户的顾客的流动线来估计用户的感性类型。

将再次参考图1。呈现单元124呈现各种类型的信息。呈现单元124基于由计算单元122获得的内容的计算结果向适当的用户呈现内容。具体地，例如，当内容是文本时，呈现单元124基于递送程度，触动程度和表达倾向中的至少一项，根据文本的感性值将文本呈现给属于感性类型的用户。

呈现单元124可以基于用户的价值观信息来呈现对用户而言最佳的最佳内容。具体地，例如，获取单元121获取关于(与基于第一内容信息生成的第一内容不同的)第二内容的至少一条第二内容信息。在这种情况下，计算单元122针对多个感性类型片段中的每一个计算针对第二内容信息的匹配频率。在这种情况下，呈现单元124在第一内容和第二内容之间呈现具有较高用户匹配频率的内容作为最佳内容。这里，已经给出了关于呈现单元124在两个内容之间呈现具有更高匹配频率的内容的情况的描述，但这是示例，并且不限制本公开。在本公开中，呈现单元124可以将大量内容中的最佳内容呈现给用户。

呈现单元124可以例如通过根据感性类型的方法呈现由计算单元122计算出的感性建议。具体地，例如，呈现单元124可以以根据感性类型的偏好的方式呈现DM和网络广告。呈现单元124可以呈现例如由计算单元122计算的心情板和推荐信息。结果，呈现单元124可以根据感性类型呈现适当的推荐信息。

更新单元125检测各种类型的信息的更新定时并且更新各种类型的信息。更新单元125检测例如用户更新分类的感性类型的定时。具体地，获取单元121随时获取用户在网络上的漫游历史。在这种情况下，获取单元121可以获取例如使用特定网站的用户的感性类型已经改变。更新单元125将获取单元121获取感性类型的改变的时间检测为用于更新感性类型的定时。

例如，当检测到更新感性类型的定时时，更新单元125可以自动更新存储在感性数据库113中的感性类型。更新单元125可以基于例如由获取单元121定期获取的问卷调查结果，获取单元121随时获取的用户动作日志以及特定网站的使用日志来自动更新存储在感性数据库113中的感性类型。

显示控制单元126在显示单元上的第一显示区域中可视化并显示能够比较每个感性类型片段的匹配频率的匹配信息。在此，显示单元显示各种图像。显示单元例如根据来自显示控制单元126的控制来显示匹配信息。显示单元是例如包括液晶显示器(LCD)或有机EL(有机电致发光)显示器的显示器。稍后将描述由显示控制单元126在显示单元上显示的特定图像。

例如，显示控制单元126在第一显示区域中与匹配信息相邻的显示具有最高匹配频率的感性类型片段作为最佳感性类型。例如，当选择感性类型和包括在匹配信息的最佳感性类型时，显示控制单元126弹出并显示详述的选择的感性类型或最佳感性类型的信息。结果，更容易确认感性类型的特征的细节。

显示控制单元126例如在第一显示区域中显示第一内容信息的匹配频率。在这种情况下，显示控制单元126例如在与第一显示区域相邻的第二显示区域中显示第二内容信息的匹配频率。结果，比较第一内容信息和第二内容信息更容易。

显示控制单元126在显示单元上可视化并显示由计算单元122计算出的递送程度，触动程度和表达倾向。在这种情况下，当感性计算设备100的用户选择了显示在显示单元上的递送程度时，显示控制单元126对文本中包含的单词和措辞的出现次数进行评分并显示其数量和识别水平。当感性计算设备100的用户选择了显示在显示单元上的触动程度时，显示控制单元126对文本中的与多个预定类型有关的每个单词包括在单词中的得分和出现频率进行评分和显示。

当获取单元121以时间序列的方式获取包括针对每种感性类型的内容的用户的购买信息的价值观信息时，显示控制单元126针对每个感性类型片段显示内容的价值观信息的时间变化。

将参考图6A和6B描述购买产品的用户所属的感性类型片段的改变。图6A是示出购买产品的用户所属的感性类型的改变的示意图。图6B是示出属于感性类型的用户的口碑的时间变化的示意图。在图6A和图6B中，纵轴表示包括用户和销售的口碑次数的反应，而横轴表示时间。

在图6A中，图表L1表示例如对于与无线耳机有关的第一产品其感性类型属于“保守”的用户的反应的时间变化。图表L2表示例如对于与无线耳机有关的第一产品其感性类型属于“独特”的用户的反应的时间变化。如图表L1所示，保守型用户对第一产品的反应随着时间的流逝而增加。另一方面，独特型用户对第一产品的反应随着时间的流逝而降低，如图表L2所示。即，通过参照图表L1和图表L2，可以掌握随着时间的流逝，保守型用户对第一产品更感兴趣，并且随着时间的流逝，独特型用户对第一产品更不感兴趣。

在图6B中，图表L11表示例如保守型用户对于无线耳机的反应的时间变化。图表L12表示例如保守型用户对空调的反应的时间变化。如图表L12所示，保守型用户对空调的反应周期性地增加。这表明操作空调时(例如在夏季和冬季)，反应很高。另一方面，当参考图表L11时，当与无线耳机有关的第二产品已经在XX/XX/201X时发布时，保守型用户对无线耳机的反应相对较小。另一方面，当与无线耳机有关的第一产品在YY/YY/201Y时发布时，保守型用户对无线耳机的反应相对较大。即，可以通过参考图表L11，在YY/YY/201Y第一款产品发布时，无线耳机已经成为保守型人群的一种趋势。

(2.用户界面)

将参照图7描述根据本实施例的感性计算设备100在显示单元上显示的用户界面的示例。图7是示出用户界面的示例的示意图。用户界面200例如是当用户使用感性计算设备100时在显示单元上显示的界面。

如图7所示，用户界面200示出了一站式画面。用户界面200具有分析选择栏210，菜单栏220，新闻栏230，文本输入选项卡240，第一图像输入选项卡250，第二图像输入选项卡260和内容输入选项卡270。文本输入选项卡240布置在第一区域200-1中。第一图像输入选项卡250布置在第二区域200-2中。第二图像输入选项卡260布置在第三区域200-3中。内容输入选项卡270布置在第四区域200-4中。在感性计算设备100中，例如可以通过使用诸如鼠标的操作设备来选择(点击)在用户界面200上显示的各种选项卡来执行分配给各个选项卡的功能。注意，每个功能由感性计算设备100的控制单元120执行。用户界面200例如是当用户使用感性计算设备100时在显示单元上显示的界面。

分析选择栏210具有一站式选项卡211，文本分析选项卡212，设计分析选项卡213和用户分析选项卡214。

一站式选项卡211的选择转移到一站式画面。注意，图7所示的用户界面200是一站式画面。例如，为了选择一站式选项卡211，只要操作鼠标等来点击显示在显示单元上的一站式选项卡211就足够了。在下文中类似地适用，并因此将省略其描述。

例如，在一站式画面上，可以对公司发布的公开声明和公司网站等的流行语进行分析，对产品设计和情境的图像进行分析，并且可以在一个画面上模拟使用内容的用户。在一站式画面上，例如，可以预先执行模拟以确认在所有触动点处与用户的沟通是否一致以及实际用户是否如所设想的做出反应，然后可以进行确认。

如果选择了文本分析选项卡212，则用户界面200转换到文本分析画面。在文本分析画面上，在检查或创建网站的公开声明，标语和正文文本，促销材料，广告等时，可以执行对用户的吸引力和与假定用户的匹配频率的模拟。结果，用户可以优化文本分析画面上的句子，并在多个候选者中选择并确定要采用的候选者。此外，可以在文本分析画面上与竞争公司和媒体发布的句子进行比较。结果，通过使用文本分析画面上的分析结果，可以容易地整理诸如由本公司发布的公开声明的文本。注意，稍后将描述文本分析画面。

如果选择了设计分析选项卡213，则用户界面200转换到设计分析画面。例如，在设计分析画面上，在创建和检查产品设计，产品颜色变化，网站中使用的图像剪切，促销材料和公司的广告等时，可以执行与假定用户的感性类型匹配频率的模拟。结果，在产品设计画面上，可以优化和选择产品设计，产品颜色变化和图像剪切，并可以比较自己公司与竞争对手之间的感性吸引力及其产品设计方向。结果，通过使用设计分析画面上的分析结果，容易确认产品设计和图像剪切之间的一致性。注意，稍后将描述设计分析画面。

如果选择了用户分析选项卡214，则用户界面200转换到用户分析画面。在用户分析画面上，可以在诸如自己公司的产品的内容之间比较用户的感性类型。在用户分析画面上，例如，关于用户的感性类型，可以比较产品的旧模型和新模型，或者可以将自己公司的产品与另一公司的产品进行比较。结果，例如，可以在用户分析画面上掌握假定的感性类型与实际使用产品的感性类型之间的间隙，并掌握实际使用产品的用户的感性类型的比例。在用户分析画面上，可以可视化实际使用该产品的用户的感性类型的比例。结果，通过使用用户分析画面上的分析结果，变得容易确认营销手段的有效性并改善未来的营销手段。注意，稍后将描述用户分析画面。

菜单栏220具有仪表板选项卡221，书签选项卡222，常见问题(FAQ)选项卡223，反馈选项卡224和设置选项卡225。

仪表板选项卡221的选择使得转换到说明如图7所示的分析画面的用户界面200。

例如，如果选择了书签选项卡222，则可以将正在显示的分析画面保存在感性计算设备100的存储单元110或外部存储设备中。具体地，通过选择书签选项卡222来保存输入内容和分析结果。

例如，如果选择了书签选项卡222，则显示先前保存的画面的列表。具体地，显示过去的分析结果，调用过去的分析内容，或者显示由另一用户分析的内容的分析结果。结果，变得容易利用过去的分析结果。

例如，如果选择了FAQ选项卡223，则与门户网站建立连接，在门户网站上汇总了感性计算设备100的手册和感性计算设备100的FAQ。结果，改善了感性计算设备100的可用性。

例如，如果选择了反馈选项卡224，则可以在感性计算设备100上输入用户的意见。

例如，如果选择了设置选项卡225，则可以编辑与项目有关的项目名称和属于该项目的成员。

新闻栏230具有项目选项卡231，新闻选项卡232和重置按钮233。

在项目选项卡231上显示当前正在使用的用户的名称和正在使用的项目的名称。例如，可以通过选择项目选项卡231来改变要使用的项目。

通过选择新闻选项卡232，可以确认关于感性计算设备100的更新的信息，失败信息等。新闻选项卡232可以显示指示与感性计算设备100有关的新的新闻到达的图标。结果，用户容易掌握最新消息。

例如，可以通过选择重置按钮233来结束正在分析的过程。

接下来，将描述在感性计算设备100中分析文本的方法。

通过选择文本输入选项卡240，可以将需要分析的文本输入到感性计算设备100。

将参考图8描述将文本输入到感性计算设备100的方法。图8是示出了将文本输入到感性计算设备100的方法的示例的示意图。

如图8所示，例如，如果选择了文本输入选项卡240，则显示控制单元126弹出并在用户界面200中显示文本输入画面241。在文本输入画面241上，例如，显示“请输入文本数据，例如标语或产品/服务的建议”。可以将各种文本输入到文本输入画面241，而不限于标语或建议。文本输入画面241包括标题输入区域242和正文文本输入区域243。

在标题输入区域242中输入标题。具体地，例如，在标题输入区域242中输入诸如“世界上第一个……，已经发布三种型号的无线耳机”的句子。

在正文文本输入区域243中输入正文文本。具体地，例如，在正文文本输入区域243中输入诸如“公司A...，已经发布三种型号的无线耳机”的文档。注意，在标题输入区域242和正文文本输入区域243中输入的文档由获取单元121获取。

在标题输入区域242和正文文本输入区域243中的至少一个中输入句子之后，计算单元122通过选择分析按钮244来计算输入文档的吸引力。

将参考图9描述文本分析结果。图9是示出文本分析结果的示例的示意图。

如图9所示，在用户界面200的第一区域200-1中示出了标题310，正文文本320，标题吸引力330和正文文本吸引力340。

标题310是在标题输入区域242中输入的文本。正文文本320是在正文文本输入区域243中输入的文本。

标题吸引力330是计算单元122基于由获取单元121获取的标题计算出的标题的吸引力。计算单元122计算递送程度331，触动程度332和表达倾向333作为标题的吸引力。递送程度331为24％。触动程度332是66％。表达倾向333为36％。在图9中，显示控制单元126将递送程度331，触动程度332和表达倾向333显示为图表。通过参考标题吸引力330，可以掌握标题的递送程度相对较低。

正文文本吸引力340是计算单元122基于由获取单元121获取的正文文本而计算出的正文文本的吸引力。计算单元122计算递送程度341，触动程度342和表达倾向343作为正文文本的吸引力。递送程度341为40％。触动程度342是73％。表达倾向343为82％。在图9中，显示控制单元126将递送程度341，触动程度342和表达倾向343显示为图表。通过参考正文文本吸引力340，可以掌握正文文本的触动程度和表达倾向相对较高。

显示控制单元126可以通过在正文文本的吸引力中选择递送程度341和触动程度342，来显示由计算单元122获得的递送程度341和触动程度342的计算结果的细节。注意，可以通过选择递送程度331和触动程度332来显示递送程度331和触动程度332的细节。

计算单元122通过分析文档中包含的单词或措辞的出现频率和识别水平来对消费者是否可以理解文档进行评分。计算单元122基于关于出现频率和网络搜索结果的次数，搜索趋势，对网络上的词典的访问频率等的识别水平，在五个阶段中获得分数。在这种情况下，显示控制单元126例如以红色显示具有低识别水平的单词或措辞。

将参照图10描述显示递送程度的细节的方法。图10是示出了显示递送程度的细节的方法的示例的示意图。

如图10所示，在第一区域200-1中与正文文本吸引力340相邻地显示递送程度细节350。递送程度细节350包括例如运动，噪声消除，世界首创，兼容性，左右独立类型，日常使用，和谐，防滴性能。

运动，噪声消除，世界首创，兼容性，左右独立类型，日常使用，和谐，防滴水性能的每种出现频率均为1。这意味着每个单词都包含在同一级别中。

运动，兼容性，日常使用以及和谐的每个识别水平均为5。另一方面，噪声消除，世界第一，左右独立型和防滴水性能的每个识别水平为1。在这种情况下，显示控制单元126以红色显示噪声消除，世界第一，左右独立类型和防滴性能。结果，变得容易掌握识别水平低的单词或措辞。此外，变得容易用基于递送程度细节350可以容易地传递的单词或措辞来重写文本。

将参考图11描述显示触动程度的细节的方法。图11是示出显示触动程度的细节的方法的示例的示意图。

如图11所示，在第一区域200-1中，与正文文本吸引力340相邻地显示触动程度细节360。触动程度细节360包括主题361和雷达图362。

主题361指示表示触动程度的九个关键字的每个程度。如上所述，这九个关键字是“新颖”，“惊奇”，“只有一个”，“趋势”，“故事”，“第一”，“客户价值”，“销售方式”和“实数”。计算单元122分析文本是否包含与每个关键字相关的单词，并且全面分析该单词的出现频率以及该单词是否被强调和使用，并对每个关键字评分。然后，显示控制单元126突出显示九个关键字之中的触动用户的关键字。例如，具有强影响力的关键字以蓝色显示，具有弱影响力的关键字以黄色显示，而无影响力的关键字不加强调地显示。指示“新颖”，“只有一个”和“故事”的主题361影响较小。

计算单元122针对每个感性类型片段对每个关键字的匹配频率进行分析并评分。显示控制单元126例如将计算单元122的计算结果显示为雷达图362。雷达图362指示生态用户被感性类型强烈地触动。

通过参考主题361和雷达图362，可以在确认文本是否触动了假定的感性类型的用户的同时修改文本。

此外，感性计算设备100可以建议匹配程度，其指示输入文本是否与媒体或文本发布或优化的媒体匹配。

将参考图12A和12B描述建议文本的匹配程度或优化的方法。图12A是示出了对文本进行聚类的方法的示例的示意图。图12B是示出聚类的文档的性质的示例的示意图。

图12A所示的图370表示将输入文本聚类为用于印刷的文本371，用于简报材料的文本372，用于新闻的文本373，用于标语的文本374中的任何一个。在这种情况下，计算单元122分析输入文本属于哪个聚类。在这种情况下，显示控制单元126显示由计算单元122获得的分析结果。结果，可以建议输入文本属于哪个聚类以及输入文本是否偏离假定的聚类。

图12B是用于描述出版的文本371中的文档性质的示意图。在图12B中，第一出版371a是由公司A发行的文本。假定第一出版371a是例如包含修改的表达并且以摘要方式书写的文本。第二出版371b是公司B发行的文本。假定第二出版371b是例如包含简单表达并以抽象方式书写的文本。以这种方式，计算单元122可以分析聚类文本中的句子的性质。具体地，计算单元122可以根据文件的性质来分析文件的表达，文件的书写方式，文件的节奏等。因此，例如，如果公司A发布与公司B相似的文本，则公司A可以根据建议的分析结果适当地修改文档。

接下来，将描述在感性计算设备100中分析设计的方法。

在图7中，可以通过选择第一图像输入选项卡250和第二图像输入选项卡260将需要分析的设计的图像输入到感性计算设备100。

将参考图13描述将图像输入到感性计算设备100的方法。图13是示出将图像输入到感性计算设备100的方法的示例的示意图。将在图13中描述选择第一图像输入选项卡250的情况。在选择第二图像输入选项卡260的情况下的处理与在选择第一图像输入选项卡250的情况下的处理类似，因此，将省略其描述。

如图13所示，例如，如果选择了第一图像输入选项卡250，则显示控制单元126弹出并在用户界面200中显示图像输入画面251。图像输入画面251示出了本地数据输入选项卡252和服务器数据输入选项卡253。

如果选择了本地数据输入选项卡252，则可以输入使用感性计算设备100存储在本地个人计算机(PC)中的图像数据。服务器数据输入选项卡253可以输入存储在服务器数据库中的图像数据。输入图像数据由获取单元121获取。

如果选择了本地数据输入选项卡252或服务器数据输入选项卡253并且选择了输入图像，则显示控制单元126显示图像选择画面。图14是示出图像选择画面的示例的示意图。

如图14所示，显示控制单元126弹出并显示图像选择画面254。图像选择画面254包括产品切割选择按钮(product cut selection button)254a和情境图像选择按钮254b。在图像选择画面254上，当输入图像数据是产品时，选择产品切割选择按钮254a，并且当输入图像数据是情境时，选择情境图像选择按钮254b。通过在选择产品切割选择按钮254a或情境图像选择按钮254b之后选择分析开始按钮254c来执行计算单元122的产品的分析。具体地，计算单元122针对输入图像数据计算每个感性类型片段的匹配频率。

将参考图15描述图像数据的分析结果。图15是示出图像数据的分析结果的示例的示意图。

如图15所示，在用户界面200的第二区域200-2中示出了产品图像数据410，匹配信息420和最佳感性类型430。

产品图像数据410指示用于分析的图像数据。

匹配信息420被显示在产品图像数据410附近。匹配信息420指示每个感性类型片段相对于产品图像数据410的匹配频率。显示控制单元126在雷达图中示出每种感性类型的匹配频率。结果，可以掌握与产品图像数据410相对应的产品是否与假定的感性类型区间匹配。匹配信息420指示感性类型片段与时尚用户的匹配频率高。此外，如稍后将详细描述的，还可以基于产品图像数据410与另一产品图像数据进行比较。

最佳感性类型430被显示在匹配信息420附近。最佳感性类型430是具有最高匹配频率的感性类型。在此，“时尚”被例示为最佳感性类型。示出了时尚用户对应于“高级和趋势敏感类型”。作为时尚用户的特征，示出了“经常检查新产品”和“偏爱与大量人一起闲逛”。此外，最佳感性类型430包括细节按钮431。通过选择细节按钮431，可以确认其感性类型为“时尚”的用户的特征。

尽管在以上描述中已经将产品图像描述为静止图像的内容的示例，但这仅是示例性的，并且不限制本发明。输入到感性计算设备100的图像没有特别限制，并且可以是虚拟现实(VR)图像或通过计算机辅助设计(CAD)创建的图像。由计算机图形(CG)创建的视频或静止图像可以被输入到感性计算设备100。

此外，输入到感性计算设备100的内容可以是产品，文本，静止图像，视频以及包括语音和音乐的声音的组合。通过组合内容，可以从各个角度分析感性值。

将参考图16描述确认最佳感性类型的用户的特征的细节的方法。图16是示出最佳感性类型的用户的特征的细节的示例的示意图。

如图16所示，当选择了详细按钮431时，显示控制单元126弹出并显示详细信息440。

详细信息440包含个人信息441，偏好信息442，性别和年龄信息443，品牌信息444，购买行为信息445和价值观信息446。

例如，在个人信息441中示出了相对于总人口的组成比。在图16所示的示例中，“时尚”的感性类型的组成比率为10％。

偏好信息442包含关于时尚用户的各种品味的信息。偏好信息442包含例如关于颜色，嗜好，兴趣，艺人，浏览网站和订阅杂志的信息。在这种情况下，例如，示出了时尚用户所偏爱的颜色是黑色，金色和红色。

性别和年龄信息443包含关于构成时尚用户的性别和年龄的信息。例如，性别和年龄信息443表明，总的来说，48％是男性，52％是女性。

品牌信息444包含关于时尚用户偏爱的品牌的信息。品牌信息444包含例如关于男女及他们喜爱的时尚，内饰和家用电器的品牌信息。品牌信息444可以包含关于每个年龄段的喜爱品牌的信息。

购买行为信息445包含有关购买产品时的行为的信息。例如，关于购买产品时的行为的信息的特征在于，通过在水平轴上具有来自外部的影响程度并且在垂直轴上具有信息收集水平来生成图表。购买行为信息445示出例如用户对趋势敏感并且积极地收集信息。

价值观信息446包含关于时尚用户的各种价值观信息。价值观信息446示出例如用户对时尚和趋势敏感。

如图16所示，详细信息440包含关于时尚用户的各种类型的信息。结果，当考虑诸如广告，展览和用于开发产品的媒体选择的营销手段时，它是有效的。注意，可以通过选择图15所示的匹配信息420的雷达图中包括的感性类型来显示每种感性类型的详细信息。

此外，如图17所示，可以显示被显示为与特定感性类型A所偏爱的内容链接的地图。图17是内容粉丝地图，其是特定感性类型的用户所偏爱的内容的网络图。

内容11，内容12，内容13，内容14和内容15被布置在内容粉丝地图CM1中。内容11至内容16是特定感性类型A的用户所偏爱的内容。可以基于上述问卷调查结果来生成这种内容粉丝地图CM1。

内容11和内容16被布置在第一区域31中。内容12，内容13，内容14和内容15被布置在第二区域32中。在这种情况下，这意味着布置在第一区域31中的内容是感性类型A的用户所偏爱的内容，而不是布置在第二区域32中的内容。更具体地，这意味着更靠近原点O布置的内容是感性类型A的用户更喜欢的内容。

内容11和内容12通过箭头21链接。内容12和内容14通过箭头22链接。内容11和内容14通过箭头23链接。内容11和内容16通过箭头24链接。链接的内容是指，例如，从EC网站或推荐网站一起购买的内容。也就是说，这意味着链接的内容之间是紧密相关的。因此，通过确认内容粉丝地图CM1，容易掌握特定的感性类型的顾客所喜欢的内容以及内容之间的关系。

此外，如图18所示，可以显示示出了偏爱特定内容的任何感性类型的地图。图18是示出偏好特定内容的感性类型的内容粉丝地图。

在内容粉丝地图CM2中示出了第一区域41，第二区域42，第三区域43和第四区域44。例如，内容14被布置在内容粉丝地图CM2中。

第一区域41具有中心区域41a和外围区域41b。第一区域41表示特定感性类型A所偏爱的内容的区域。在这种情况下，这意味着布置在中心区域41a中的内容而不是布置在外围区域41b中的内容是感性类型A的用户所偏爱的内容。

第二区域42具有中心区域42a和外围区域42b。第二区域42表示特定感性类型B所偏爱的内容的区域。在这种情况下，这意味着布置在中心区域42a中的内容而不是布置在外围区域42b中的内容是感性类型B的用户所偏爱的内容。

第三区域43具有中心区域43a和外围区域43b。第三区域43表示特定感性类型C所偏爱的内容的区域。在这种情况下，这意味着布置在中心区域43a中的内容而不是布置在外围区域43b中的内容是感性类型C的用户所偏爱的内容。

第四区域44具有中心区域44a和外围区域44b。第四区域44示出了特定感性类型D所偏爱的内容的区域。在这种情况下，这意味着布置在中心区域44a中的内容而不是布置在外围区域44b中的内容是感性类型D的用户所偏爱的内容。

第一区域41至第四区域44中的每一个与任何区域重叠。这意味着两种感性类型的用户都喜欢在重叠范围内排列的内容。在图20所示的示例中，内容14被布置在外围区域41b和外围区域44b之间的重叠范围内。这意味着，感性类型A和感性类型D的用户都喜欢内容14。即，某些内容的粉丝团在内容粉丝地图CM2中可视化。因此，通过确认内容粉丝地图CM2，容易确定多个用户是否偏爱某些内容。换句话说，很容易确定构成某些内容粉丝团的用户属于哪种感性类型。

接下来，将描述在感性计算设备100中分析使用内容的用户的感性类型的方法。

在图7中，可以通过选择内容输入选项卡将要分析的内容输入到感性计算设备100。

将参考图19描述将内容输入到感性计算设备100的方法。图19是示出将内容输入到感性计算设备100的方法的示例的示意图。

例如，如果如图19所示选择了文本输入选项卡240，则显示控制单元126弹出并在用户界面200中显示内容输入画面261。内容输入画面261示出了内容输入区域261a和搜索按钮261b。

在内容输入区域261a中，输入要分析的内容的名称。如果在内容输入区域261a中输入内容之后选择了搜索按钮261b，则显示口碑的搜索结果和输入内容的评论。在此，获取单元121获取口碑和输入内容的评论。

将参考图20描述输入内容的搜索结果。图20是示出搜索结果的示例的示意图。

如图20所示，具有不同颜色的相同内容的多个产品被显示在搜索结果262中。在此，产品例如是无线耳机。具体地，示出了第一内容信息262a，第二内容信息262b，第三内容信息262c和第四内容信息262d。第一内容信息262a包括第一选择按钮263a。第二内容信息262b包括第二选择按钮263b。第三内容信息262c包括第三选择按钮263c。第四内容信息262d包括第四选择按钮263d。通过选择每个选择按钮，可以选择要分析的内容。计算单元122在选择要分析的内容之后通过选择分析按钮264来执行针对所选择的内容的用户的感性类型的分析。

将参考图21描述感性类型的分析结果。图21是示出针对内容的用户的感性类型的分析结果的示例的示意图。

如图21所示，在用户界面200的第四区域200-4中示出了所选内容510，感性类型信息520和最高的感性类型530。

所选内容510指示感性计算设备100的用户选择的内容。

与感性类型信息520相邻地显示所选内容510。感性类型信息520指示使用所选内容510的感性类型的用户的比例。显示控制单元126在雷达图中示出每种感性类型的比例。结果，可以掌握与所选择的内容510相对应的产品是否与假定的感性类型匹配。感性类型信息指示感性类型具有较高的吸引用户的使用率。

与感性类型信息520相邻地显示最高的感性类型530。最高的感性类型530是所选内容510的利用率最高的感性类型。在这里，“迷人”被描述为最高的感性类型。示出了吸引用户对应于“时尚类型”。迷人用户的特征是“喜欢品牌产品”和“推荐对他人有益的产品”。此外，最高的感性类型530包括细节按钮531。通过选择细节按钮531，可以确认感性类型为“迷人”的用户的特征。显示细节的方法与最佳感性类型430的情况相似，因此，将省略其描述。

尽管在一站式画面上并排显示了文本，图像等，但是在本公开中，通过选择文本分析选项卡212，仅可以并排显示文本并进行比较。

将参考图22描述文本分析画面。图22是示出文本分析画面的用户界面300的示意图。例如，通过选择文本分析选项卡212，一站式画面上的用户界面200的状态切换到用户界面300。换句话说，显示控制单元126从用户界面200切换到用户界面300。

如图22所示，用户界面300包括在第一区域300-1中的第一文本输入选项卡240A，在第二区域300-2中的第二文本输入选项卡240B和在第三区域300-3中的第三文本输入选项卡240C。通过选择第一文本输入选项卡240A，第二文本输入选项卡240B和第三文本输入选项卡240C，可以输入不同的文本。注意，输入和分析文本的方法类似于用户界面200的情况，并因此，将省略其描述。此外，图22中包括三个文本输入选项卡，但是这是说明性的，并且不限制本公开。在本公开中，例如，可以通过选择文本分析选项卡212来自由设置要并排显示的文本的数量。

将参考图23描述文本分析结果。图23是示出文本分析结果的示例的示意图。

如图23所示，用户界面300的第一区域300-1示出了正文文本320A，正文文本吸引力340A和触动程度细节360A的主题361A。例如，在正文文本320A中描述了“AAA是...”。

正文文本吸引力340A包括递送程度341A，触动程度342A和表达倾向343A。递送程度341A为37％。触动程度342A为62％。表达倾向343A为70％。

当提到主题361A时，示出了正文文本320A微弱地涉及作为主题的“惊奇”。

用户界面300的第二区域300-2示出了正文文本320B，正文文本吸引力340B以及触动程度细节360B的主题361B。例如，在正文文本320B中描述了“BBB是...”。

正文文本吸引力340B包括递送程度341B，触动程度342B和表达倾向343B。递送程度341B为43％。触动程度342B是63％。表达倾向343C为89％。即，示出了正文文本320B具有相对强烈的赞同心。

当提到主题361B时，示出了正文文本320B微弱地涉及作为主题的“趋势”和“顾客价值”。

用户界面300的第三区域300-3示出了正文文本320C，正文文本吸引力340C以及触动程度细节360C的主题361C。例如，在正文文本320C中描述了“CCC是...”。

正文文本吸引力340C包括递送程度341C，触动程度342C和表达倾向343C。递送程度341C为26％。触动程度342C为57％。表达倾向343C为79％。即，示出了正文文本320C是相对未递送的。

当提到主题361C时，示出了正文文本320C不涉及任何作为主题的内容。

如上所述，通过在文本分析画面上并排显示多个文本，可以容易地比较每个文本的吸引力。因此，在检查或创建网站的标语和正文文本，促销材料，广告等时，可以执行对用户的吸引力和与假定用户的匹配频率的模拟。结果，用户可以优化文本分析画面上的句子，并在多个候选者中选择并确定要采用的候选者。

尽管在一站式画面上并排显示文本，图像等，但是在本公开中，通过选择设计分析选项卡213，只有图像可以并排显示和比较。

将参考图24描述设计分析画面。图24是示出设计分析画面的用户界面400的示意图。例如，通过选择设计分析选项卡213，一站式画面上的用户界面200的状态切换到用户界面400。换句话说，显示控制单元126从用户界面200切换到用户界面400。

如图24所示，用户界面400包括在第一区域400-1中的第一图像输入选项卡250A，在第二区域400-2中的第二图像输入选项卡250B，在第三区域400-3中的第三图像输入选项卡250C以及第四区域400-4中的第四图像输入选项卡250D。通过选择第一图像输入选项卡250A，第二图像输入选项卡250B，第三图像输入选项卡250C和第四图像输入选项卡250D，可以输入不同的图像。注意，输入和分析文本的方法类似于用户界面200的情况，因此，将省略其描述。此外，在图24中包括四个图像输入选项卡，但是这是说明性的，并且不限制本公开。在本公开中，例如，可以通过选择设计分析选项卡213来自由设置要并排显示的文本的数量。

将参考图25描述设计分析结果。图25是示出设计分析结果的示例的示意图。

如图25所示，用户界面400的第一区域400-1包括产品图像数据410A，匹配信息420A和最佳感性类型430A。

产品图像数据410A是用户输入的图像数据。产品图像数据410A是例如黑色无线耳机。

匹配信息420A是示出了相对于产品图像数据410A的每种感性类型的匹配频率的雷达图。即，匹配信息420A是示出了每种感性类型的顾客图像的雷达图。匹配信息420A指示产品图像数据410A与感性类型为“流行”的用户具有高匹配频率。

最佳感性类型430A是具有最高匹配频率的感性类型。在此，“流行”被示为最佳感性类型。示出了流行用户对应于“喜欢流行内容的类型”。考虑到“最好是购买流行的产品”，并且倾向于“多功能而不是设计”被示出为流行用户的特征。此外，最佳感性类型430A包括细节按钮431A。通过选择细节按钮431A，可以确认感性类型为“流行”的用户的特征的细节。

用户界面400的第二区域400-2包括产品图像数据410B，匹配信息420B和最佳感性类型430B。

产品图像数据410B是用户输入的图像数据。产品图像数据410B是例如具有与产品图像数据410A不同的颜色的白色无线耳机。即，产品图像数据410B是基于产品图像数据410A生成的具有相同内容和不同颜色的产品的图像数据。

匹配信息420B是示出了每种感性类型相对于产品图像数据410B的匹配频率的雷达图。匹配信息420B指示产品图像数据410B与感性类型为“流行”的用户具有高匹配频率。

最佳感性类型430B是具有最高匹配频率的感性类型。在此，“流行”被示为最佳感性类型。最佳感性类型430B包括细节按钮431B。通过选择细节按钮431B，可以确认感性类型为“流行”的用户的特征的细节。

用户界面400的第三区域400-3包括产品图像数据410C，匹配信息420C和最佳感性类型430C。

产品图像数据410C是用户输入的图像数据。产品图像数据410C是例如具有与产品图像数据410A和产品图像数据410B不同的颜色的黄色无线耳机。即，产品图像数据410C是基于产品图像数据410A和产品图像数据410B生成的具有相同内容和不同颜色的产品的图像数据。

匹配信息420C是示出了每种感性类型相对于产品图像数据410C的匹配频率的雷达图。匹配信息420C指示产品图像数据410C与感性类型为”ZEN”的用户具有高匹配频率。

最佳感性类型430C是具有最高匹配频率的感性类型。在此，”ZEN”被示为最佳感性类型。示出了ZEN用户对应于“感兴趣体验而不是事物的类型”。ZEN用户的特征被示出为“为事件花钱”和“不希望被信息所影响”。此外，最佳感性类型430C包括细节按钮431C。通过选择细节按钮431C，可以确认感性类型为“流行”的用户的特征的细节。

如上所述，可以在设计分析画面上针对同一产品中的每种颜色变化来计算每种感性类型的匹配频率。即，当根据假定的用户的感性类型检查产品设计或颜色变化或者创建并检查针对网站，促销材料，广告等的图像剪切时，设计分析画面是有利的。具体来说，可以在模拟假定用户的感性类型的匹配频率时优化和选择产品概念，或者在设计分析画面上比较自己公司和竞争对手之间的感性吸引力及其产品设计方向。结果，容易确认产品设计和图像剪切之间的一致性。

在用户界面400中，可以从SNS等收集包括针对输入图像中的产品的评论和口碑的评论信息，并且可以执行关于口碑的分析。例如，可以从1到5的五个阶段中计算用户对作为产品图像数据410A输入的黑色无线耳机的评价。在这种情况下，1表示最低等级，而5表示最高等级。在用户界面400中，可以将输入为产品图像数据410A的用于黑色无线耳机的VOC显示为常用词。在这种情况下，可以实时评估VOC内容的内容。此外，输入为产品图像数据410A的用于黑色无线耳机的VOC可以被自动分类并显示在用户界面400中。基于输入为产品图像数据410A的黑色无线耳机的VOC，诸如“高音”和“噪声”的词可以被分类为“声音质量”。

结果，在用户界面400中，基于包括Web漫游历史记录，SNS上的口碑，VOC和EC网站上的口碑等评论信息，可以在输入图像或预期使用的用户图像中计算产品的用户图像。即，可以在输入图像中计算正在使用产品的用户的感性类型或计算预期使用的用户的感性类型。具体而言，可以计算某个产品品牌或艺术家的粉丝团。

此外，通过在用户界面400中选择匹配信息420A的雷达图上显示的感性类型，可以显示每种感性类型的常用词或可以为每种感性类型分类VOC。

将参考图26描述用户分析画面。图26是示出用户分析画面的用户界面500的示意图。例如，通过选择用户分析选项卡214，一站式画面上的用户界面200的状态切换到用户界面500。换句话说，显示控制单元126从用户界面200切换到用户界面500。

如图26所示，用户界面500在第一区域500-1中包括第一内容输入选项卡270A，在第二区域500-2中包括第二内容输入选项卡270B，以及在第三区域500-3中包括第三内容输入选项卡270C。通过选择第一内容输入选项卡270A，第二内容输入选项卡270B和第三内容输入选项卡270C，可以输入不同的图像。注意，输入和分析内容的方法类似于用户界面200的情况，并因此，将省略其描述。此外，图26中包括三个内容输入选项卡，但是这是说明性的，并且不限制本公开。在本公开中，例如，可以通过选择用户分析选项卡214来自由设置要并排显示的文本的数量。

将参考图27描述内容分析结果。图27是示出内容分析结果的示例的示意图。

如图27所示，用户界面500的第一区域500-1包括选择的内容510A，感性类型信息520A和最高的感性类型530A。

所选内容510A是已经由用户输入并且需要分析的内容信息。所选内容510A例如是与无线耳机有关的第一产品。

感性类型信息520A是指示使用所选内容510的感性类型的用户比例的雷达图。感性类型信息520A指示“时尚”是使用所选择的内容510A的用户的最高的感性类型。

最高的感性类型530A是所选内容510A的利用率最高的感性类型。在这里，“时尚”被描述为最高的感性类型。此外，最高的感性类型530A包括细节按钮531A。通过选择细节按钮531A，可以确认感性类型为“时尚”的用户的特征的细节。

用户界面500的第二区域500-2包括选择的内容510B，感性类型信息520B和最高的感性类型530B。

所选内容510B是已经由用户输入并且需要分析的内容信息。所选内容510B例如是与无线耳机有关的第二产品。

感性类型信息520B是指示使用所选内容510的感性类型的用户比例的雷达图。感性类型信息520B指示”ZEN”是使用选择的内容510B的用户的最高的感性类型。

最高的感性类型530B是所选内容510B的利用率最高的感性类型。在这里，“ZEN”被描述为最高的感性类型。此外，最高的感性类型530B包括细节按钮531B。通过选择细节按钮531B，可以确认感性类型为”ZEN”的用户的特征的细节。

用户界面500的第三区域500-3包括选择的内容510C，感性类型信息520C和最高的感性类型530C。

所选内容510C是已经由用户输入并且需要分析的内容信息。所选内容510C例如是与无线耳机有关的第三产品。

感性类型信息520C是指示使用所选内容510的感性类型的用户比例的雷达图。感性类型信息510C指示“时尚”是使用所选择的内容510B的用户的最高的感性类型。

最高的感性类型530C是所选内容510C的利用率最高的感性类型。在这里，“时尚”被描述为最高的感性类型。此外，最高的感性类型530C包括细节按钮531C。通过选择细节按钮531C，可以确认感性类型为“时尚”的用户的特征的细节。

如上所述，在内容分析画面上，可以例如在自己公司的同一产品的阵容之间比较用户的感性类型，比较自己公司产品的旧模型和新模型，或比较自己公司的产品和另一公司的产品。结果，例如，可以在用户分析画面上掌握假定的感性类型与实际使用产品的感性类型之间的间隙，并掌握实际使用产品的用户的感性类型的比例。通过使用用户分析画面上的分析结果，可以容易地确认营销手段的有效性并改善未来的营销手段。

接下来，将参考图28描述保存分析结果的处理。图28是示出了保存分析结果的处理的示例的示意图。

例如，保存在图27所示的内容分析画面上显示的分析结果。在这种情况下，如果在显示分析结果的画面上选择布置在菜单栏220中的书签选项卡222，则弹出如图28所示的书签选择画面222a并显示在用户界面500中。

如图28所示，书签选择画面222b包括书签选项卡222a-1和书签列表选项卡222a-2。如果选择了书签选项卡222a-1，则将在内容分析画面上显示的分析结果保存为书签。甚至一站式画面，文本分析画面和设计分析画面也同样适用。另一方面，如果选择了书签列表选项卡222a-2，则将过去保存的书签显示在列表中。

将参考图29描述书签列表的示例。图29是用于描述书签列表的示例的示意图。

如图29所示，书签列表600包括例如文本分析结果610，设计比较结果620和情境比较结果630。

文本分析结果610是过去执行的文本分析的结果。具体地，文本分析结果610是第一文本611和第二文本612的分析结果，并且彼此相关联地保存分析结果的注册者和注册日期。第一文本611是包括标题611a和正文文本611b的文本。第二文本612是包括标题612a和正文文本612b的文本。此外，文本分析结果610包括应用按钮615和删除按钮616。如果选择了应用按钮615，则显示文本分析结果610的细节。如果选择了删除按钮616，则删除文本分析结果610。

设计比较结果620是过去进行的设计分析的结果。具体地，设计比较结果620是第一产品图像数据621，第二产品图像数据622和第三情境图像数据633的分析结果，并且彼此相关联地记录分析结果的注册者和注册日期。第一产品图像数据621，第二产品图像数据622和第三产品图像数据623例如是同一产品的不同颜色版本的图像数据。此外，设计比较结果620包括应用按钮625和删除按钮626。如果选择了应用按钮625，则显示设计比较结果620的细节。如果选择了删除按钮626，则删除设计比较结果620。

情境比较结果630是对过去执行的情境图像的分析结果。具体地，情境比较结果630是第一情境图像数据631，第二情境图像数据632，第三情境图像数据633和第四情境图像数据634的分析结果。在情境比较结果630中，分析结果的注册者和注册日期相互关联。此外，情境比较结果630包括应用按钮635和删除按钮636。如果选择了应用按钮635，则显示情境比较结果630的细节。如果选择了删除按钮636，则删除情境比较结果630。

将参照图30描述显示过去执行的分析结果的细节的方法。图30是示出了过去执行的分析结果的细节的示意图。

图30示出了用户界面400A，其示出了在图29中选择了应用按钮635的状态下的情境比较结果630。

如图30所示，用户界面400A的第一区域400A-1包括第一情境图像数据631，匹配信息641和最佳感性类型651。匹配信息641指示第一情境图像数据631与感性类型为“生态”的用户具有最高匹配频率。最佳感性类型651指示具有最高匹配频率的感性类型。最佳感性类型651包括细节按钮651-1。注意，匹配信息和最佳感性类型的细节与用户界面400的情况类似，因此，将省略其描述。

用户界面400A的第二区域400A-2包括第二情境图像数据632，匹配信息642和最佳感性类型652。匹配信息642指示第二情境图像数据632与感性类型为“生态”的用户具有最高匹配频率。最佳感性类型652指示具有最高匹配频率的感性类型。最佳感性类型652包括细节按钮652-1。

用户界面400A的第三区域400A-3包括第三情境图像数据633，匹配信息643和最佳感性类型653。匹配信息643指示第三情境图像数据633与感性类型为“生态”的用户具有最高匹配频率。最佳感性类型653指示具有最高匹配频率的感性类型。最佳感性类型653包括细节按钮653-1。

用户界面400A的第四区域400A-4包括第四情境图像数据634，匹配信息644和最佳感性类型654。匹配信息644指示第四情境图像数据634与感性类型为“生态”的用户具有最高匹配频率。最佳感性类型654指示具有最高匹配频率的感性类型。最佳感性类型654包括细节按钮654-1。

如上所述，可以在本公开中显示过去执行的分析结果。结果，例如，变得容易确认另一用户执行的分析结果或利用过去的分析结果。

在本公开中，例如，通过选择设置选项卡225，可以由项目内的成员提供用于上述每个分析的文本或图像数据的文件。在这种情况下，文件存储在例如由项目成员共享的数据库上。

将参考图31描述由项目成员共享文件的方法。图31是示出共享画面的用户界面的示意图。

如图31所示，用户界面700具有文件夹添加按钮710，文件夹重命名按钮720，文件夹删除按钮730，文件夹显示区域740和文件显示区域750。

可以通过选择文件夹添加按钮710来添加文件夹以存储文件。添加的文件夹显示在文件夹显示区域740中。

可以通过选择文件夹重命名按钮720来改变在文件夹显示区域740中显示的文件夹名称。

可以通过选择文件夹删除按钮730来删除在文件夹显示区域740中显示的文件夹。

在文件夹显示区域740中显示存储在共享数据库中的文件夹。例如，在图31中，选择“项目”文件夹中的“图像历史”文件夹。

在文件显示区域750中显示存储在文件夹中的文件。具体地，文件显示区域750在文件夹显示区域740中选择的文件夹中显示文件。在此，存储图像文件I1和文本文件T1至T4。在每个文件中，文件名和最后更新日期相互关联。例如，示出了图像文件I1的文件名是“图像1”，并且最后更新日期是“2018年10月3日17:57”。感性计算设备100等的用户可以自由地使用在文件显示区域750中显示的文件来进行分析等。

如上所述，可以使用本公开中的项目成员等过去使用过的文件。结果，可以使用已经用于分析的过去的材料，这是有利的。

(3.其他实施例)

[3-1.发现设备]

接下来，将描述根据本公开的其他实施例的技术。

在上述实施例中，根据用户的感性类型来计算表示感性价值观与产品的匹配频率。本公开不仅可以应用于产品，而且可以应用于娱乐领域，例如音乐。

通常，在娱乐领域，负责人通过收听发布在音乐活动支持平台上的声源或观看发布在SNS上的运动图像来发现新的音乐家或偶像。但是，这些声源和视频的数量巨大，并且每天都会注册新的声源和视频。因此，难以手动检查所有注册的声源和视频。此外，当发现诸如音乐家的新艺术家时，存在负责人理解该艺术家的特征，承担粉丝并研究出售该艺术家的措施的情况。在这种情况下，负责人例如从相关方进行听证，并基于听证结果预测艺术家的销售预测和艺术家的假定粉丝团。此外，有时负责人根据其直觉和经验采取措施出售艺术家。在这种情况下，即使艺术家成功，也有可能难以分析量度与结果之间的因果关系。

因此，在本公开的另一实施例中，提供了一种能够自动发现新的音乐家，偶像等的技术。此外，在本公开的另一实施例中，提供了一种能够自动计算诸如音乐家的艺术家的商业价值的技术。此外，在本公开的另一实施例中，提供了一种能够生成艺术家的假定粉丝的具体图像(在下文中，也称为角色图像)的技术。此外，本公开的另一实施例向艺术家的公众公开了稳定等级以及能够自动分析与艺术家有关的主题的技术。

将参考图32描述根据本公开的另一实施例的发现系统的配置。图32是示出根据本公开的另一实施例的发现系统的配置的示例的图。

如图32所示，发现系统1包括发现设备800和存储服务器900。发现设备800获取与各种声源有关的声源文件和与保存在存储服务器900中的视频有关的视频文件。发现设备800基于所获取的声源文件或视频文件来发现可以是音乐家或偶像的人。发现设备800确定包括所检测到的人的人才的质量。发现设备800确定检测到的人的质量是否满足预定条件。发现设备800向发现设备800的用户推荐已经确定满足预定条件的人。

存储服务器900存储各种音乐文件，视频文件等。存储服务器900包括例如用户可以在其上发布歌曲的音乐支持平台的服务器。存储服务器900包括例如诸如各种视频共享服务的SNS服务器。在图32所示的示例中，发现设备800被示为连接到一个存储服务器900，但是发现设备800被连接至多个存储服务器900。

将参考图33描述根据本公开的另一实施例的发现设备的配置。图33是示出根据本公开的另一实施例的发现设备的配置的示例的框图。

如图33所示，发现设备800包括存储单元810，控制单元820和通信单元830。

存储单元810存储各种类型的信息。存储单元810存储例如用于实现发现设备800的每个单元的程序。在这种情况下，控制单元820通过扩展并执行存储在存储单元810中的程序来实现每个单元的功能。存储单元810可以例如由诸如RAM，ROM和闪存的半导体存储元件，或诸如硬盘，固态驱动器和光盘的存储设备来实现。存储单元810可以是经由通信单元830以有线或无线方式连接到发现设备800的外部存储设备。在这种情况下，通信单元830连接到网络NW，例如图32所示的互联网网络。存储单元810包括例如第一学习数据存储单元811，第二学习数据存储单元812和第三学习数据存储单元813。

第一学习数据存储单元811至第三学习数据存储单元813存储已经学习的学习数据。第一学习数据存储单元811至第三学习数据存储单元813存储关于学习模型的信息。第一学习数据存储单元811至第三学习数据存储单元813存储关于学习模型的条件表达式的信息。例如，在生成学习模型时，将诸如卷积神经网络(CNN)的神经网络用作学习模型(分类器等)，但是学习模型不限于此。作为学习模型，可以使用诸如支持向量机(SVM)和决策树的学习模型。各种线性或非线性学习模型可以用作学习模型。

具体地，第一学习数据存储单元811存储当输入关于艺术家的各种类型的信息时输出艺术家的商业价值的学习模型。关于艺术家的各种类型的信息的示例包括音乐性信息，人声类型信息以及关于现场表演顾客吸引力的现场表演顾客吸引力信息。音乐性信息的示例是通过将使用针对艺术家的声源的12声音分析技术提取的特征值转换为形容词而获得的信息。作为形容词，例如，使用多个(例如62个)预定形容词中的一个或两个或多个的组合。声音类型信息的示例是其中根据频率对使用针对艺术家的声源的声源分离技术提取的声音声源进行类型分类的信息。作为声音类型，根据频率分析的分析结果，多个预定类型(例如27种)中的一种被用作声音声源。现场表演顾客吸引力信息的示例包括关于活动类型的信息，该活动类型包括艺术家参加的节日，现场表演，晚餐表演等，以及关于活动举行地点的容量的信息。

第二学习数据存储单元812存储学习模型，该学习模型指示当输入人的面部的图像数据时该人是否可能变得流行。当输入人的面部的图像数据时，第二学习数据存储单元812输出指示该人是否有可能作为偶像而流行的信息。

第三学习数据存储单元813存储学习模型，该学习模型指示当输入关于例如在照片共享服务或视频共享服务中注册的静止图像或视频的内容的信息时，照片或视频中包含的人是否有可能变得流行。关于内容的信息的示例包括关于内容的标题的信息，关于嵌入在静止图像或视频中的文本的信息以及关于包含在视频中的声音的信息。关于内容的信息的示例包括构成视频的帧图像和关于包括在该帧图像中的对象的信息。更具体地，第三学习数据存储单元813可以存储学习模型，该学习模型接收注册频道的数量，回放的数量，感兴趣者的数量，评论的数量等的输入，并输出静止图像和视频的流行程度。第三学习数据存储单元813可以存储学习模型，该学习模型接收包括在静止图像或视频中的人的面部图像的输入，并输出指示该人是否可能变得流行的信息。第三学习数据存储单元813可以存储学习模型，该学习模型接收附接到静止图像和视频的标题的输入，并输出该标题的易听程度。第三学习数据存储单元813可以存储学习模型，该学习模型接收构成视频的多个帧图像的输入，并输出缩略图的吸引力水平。第三学习数据存储单元813可以存储学习模型，该学习模型接收静止图像或视频中包括的对象的输入，并输出关于静止图像或视频中包括的每个对象的新颖性以及对象之间组合的意外性的信息。

控制单元820包括获取单元821，提取单元822，类型确定单元823，质量确定单元824，推荐单元825和显示控制单元826。控制单元820例如通过CPU，MPU等通过使用RAM等作为工作区域执行存储在存储单元(未示出)中的程序来实现。此外，控制单元820是控制器，并且可以由诸如ASIC和FPGA的集成电路来实现。

获取单元821获取关于各种类型的内容的信息。获取单元821经由通信单元830从存储服务器900等获取关于需要确定的艺术家的声源的信息。获取单元821经由通信单元830从存储服务器900等获取关于人的静止图像或视频的信息。

提取单元822从获取单元821获取的内容中提取预定内容。提取单元822从由获取单元821获取的内容中提取可能变得流行的内容。提取单元822获取从音乐活动支持平台或SNS获取的所有用户(艺术家等)的回放次数，观看次数，感兴趣者数量，喜欢数量，上升率等。提取单元822基于所提取的回放数量，观看数量，感兴趣者数量，喜欢数量，上升率等来对所有用户评分，并且将等级分配给所有用户。提取单元822从所有用户中提取具有高排名(例如，直到第20位)的用户。提取单元822可以从提取目标中排除已经流行或出名的人。

类型确定单元823将类型确定为由提取单元822提取的人的艺术家。类型确定单元823确定所提取的人是否是艺术家类型，偶像类型和人才类型中的任何类型。艺术家类型是被分类为音乐家的人。偶像类型是被分类为偶像的人。人才类型是指在视频共享服务(例如，Youtube(注册商标))中活跃的人才。

质量确定单元824确定由类型确定单元823确定的被分类为艺术家类型，偶像类型或人才类型的人的质量。

当确定艺术家类型的人的质量时，质量确定单元824通过使用存储在第一学习数据存储单元811中的学习模型来确定质量。质量确定单元824通过使用存储在第一学习数据存储单元811中的学习模型来确定艺术家类型的人的声源的质量。质量确定单元824使用存储在第一学习数据存储单元811中的学习模型来确定艺术家类型的人的歌曲是否可能变得流行。质量确定单元824使用存储在第一学习数据存储单元811中的学习模型来确定歌曲是否是具有高商业价值的歌曲并且是否具有声音特性。质量确定单元824使用存储在第一学习数据存储单元811中的学习模型来确定是否可以举办歌曲能吸引顾客的现场演出，或者举办一场激动人心的现场演出。

当确定偶像型的人的质量时，质量确定单元824通过使用存储在第二学习数据存储单元812中的学习模型来确定质量。质量确定单元824通过使用存储在第二学习数据存储单元812中的学习模型来确定偶像型的人的视频或图像的质量。当基于偶像型的人的视频来确定质量时，质量确定单元824将视频分解为多个帧图像，如图34所示，诸如帧图像D1至帧图像D6。质量确定单元824在帧图像D4至帧图像D6中检测面部图像F1至面部图像F3。然后，质量确定单元824通过使用存储在第二学习数据存储单元812中的学习模型来确定检测到的面部图像F1至面部图像F3的质量。具体地，质量确定单元824确定人的脸是否是可能变得流行的脸。

当确定人才型的人的质量时，质量确定单元824通过使用存储在第三学习数据存储单元813中的学习模型来确定质量。质量确定单元824通过使用存储在第三学习数据存储单元813中的学习模型来确定包括人才型的人发布的视频的标题和视频中嵌入的字符的文本信息的质量。质量确定单元824通过使用存储在第三学习数据存储单元813中的学习模型来确定关于人才型的人发布的视频中包含的声音的信息的质量。质量确定单元824通过使用存储在第三学习数据存储单元813中的学习模型来确定例如构成由人才型的人发布的视频或帧图像中包括的对象的帧图像的质量。质量确定单元824例如通过使用学习模型来确定包括在由人才型的人发布的静止图像中的对象的质量。质量确定单元824确定人才型的人是否可能变得流行。

即，质量确定单元824确定内容的流行程度，包括是否存在变得流行的可能性。换句话说，质量确定单元824发现可能变得流行的艺术家，有潜力的人和人才。

推荐单元825向用户推荐被确定为具有预定质量或更高质量的艺术家类型，偶像类型或人才类型的人。即，推荐单元825将由质量确定单元824发现的艺术家，偶像和人才推荐给用户。

显示控制单元826控制显示单元以显示质量确定单元824的确定结果以及由推荐单元825推荐的人。显示控制单元826控制显示单元显示用户界面。

[3-2.用户界面]

将参照图35描述根据本实施例的发现设备800在显示单元上显示的用户界面的示例。图35是示出用户界面的示例的示意图。

图35所示的用户界面2000例如是当用户使用发现设备800时在显示单元上显示的界面。

用户界面2000包括选择区域2010，焦点显示区域2020，艺术家显示区域2030，偶像显示区域2040和人才显示区域2050。图35所示的用户界面2000是顶部画面。

选择区域2010包括“顶部”按钮，“喜欢列表”按钮，“我的“感兴趣””按钮，“设置”按钮和“历史”按钮。

如果选择了“顶部”按钮，则画面切换到顶部画面。如果选择了“喜欢列表”按钮，则画面切换到喜欢列表画面，其中显示用户他自己/她自己喜欢的人和用户所属项目的人喜欢的人。如果选择了“我的“感兴趣””按钮，则画面切换到感兴趣列表画面，其中显示用户正在感兴趣的人。如果选择了“设置”按钮，则画面将切换到用于更改界面显示区域的画面。如果选择了“历史”按钮，则画面切换到显示包括所选人员的活动历史记录在内的历史的画面。将稍后描述用于显示被用户所属项目的人喜欢的人的画面，用于显示用户感兴趣的人的画面，以及用于显示包括所选人员的活动历史在内的历史的画面。

在焦点显示区域2020中，显示了本周引起感兴趣的艺术家型，偶像型和人才型的人。对在焦点显示区域2020中显示的人数没有特别限制。

艺术家显示区域2030是用于显示发现的艺术家的区域。在艺术家显示区域2030中显示关于发现的艺术家的信息。例如，艺术家#1包括艺术家信息#1，个人资料图像2031，喜欢按钮2032，隐藏按钮2033和属性信息2034。艺术家信息#1指示简单信息，例如艺术家#1的个人资料。个人资料图像2031指示艺术家#1的个人资料图像。当按下个人资料图像2031时，显示示出艺术家#1的信息的页面。如果按下喜欢按钮2032，则可以将艺术家#1添加到喜欢列表。如果选择了隐藏按钮2033，则艺术家#1隐藏在用户界面200中。如果按下“我的“感兴趣””按钮，则可以将艺术家添加到感兴趣列表。属性信息2034例如包括诸如“动机”，“本赛季”，“飙升”，“命中水平”和“流行程度”的项。在属性信息2034中，以阶段(例如，三个阶段)示出了对每个项的评估。例如，在属性信息2034中，用深色表示较高的评价。

偶像显示区域2040是用于显示发现的偶像的区域。关于所发现的偶像的信息被显示在偶像显示区域2040中。例如，偶像#1包括偶像信息#1，个人资料图像2041，喜欢按钮2042，隐藏按钮2043和属性信息2044。偶像信息#1，个人资料图像2041，喜欢按钮2042，隐藏按钮2043和属性信息2044分别与艺术家信息#1，个人资料图像2031，喜欢按钮2032，隐藏按钮2033和属性信息2034类似，因此，将省略其描述。

人才显示区域2050是用于显示发现的人才的区域。关于发现的人才的信息显示在人才显示区域2050中。例如，人才#1包括人才信息#1，个人资料图像2051，喜欢按钮2052，隐藏按钮2053和属性信息2054。人才信息#1，个人资料图像2051，喜欢按钮2052，隐藏按钮2053和属性信息2054分别与艺术家信息#1，个人资料图像2031，喜欢按钮2032，隐藏按钮2033和属性信息2034类似，因此，将省略其描述。

将参考图36给出关于艺术家的喜欢列表的描述，该艺术家的喜欢列表已经由用户和项目成员选择了喜欢按钮2032。图36是用于描述艺术家的喜欢列表的视图。注意，偶像的喜欢列表和人才的喜欢列表与艺术家的喜欢列表相似，因此，将省略其描述。

如图36所示，喜欢列表2060示出了用户和用户所属的项目的成员已经选择了喜欢按钮2032的艺术家。喜欢列表2060包括指示为艺术家选择了喜欢按钮2032的人数的喜欢次数信息2061。例如，示出了艺术家#2被一个人喜欢，艺术家#4被三个人喜欢。即，用户可以通过参考喜欢列表2060来容易地掌握有多少人喜欢艺术家。

此外，用户可以通过在喜欢列表2060中用鼠标等按下喜欢次数信息2061的按钮来取消艺术家的喜欢。在这种情况下，如果用户所属的项目的任何成员都不喜欢艺术家，则艺术家从喜欢列表2060中消失。

将参考图37描述感兴趣列表。图37是用于描述感兴趣列表的示意图。注意，偶像的感兴趣列表和人才的感兴趣列表与艺术家的感兴趣列表相似，因此，将省略其描述。

如图37所示，在感兴趣列表2070中显示用户正感兴趣的艺术家。例如，感兴趣列表2070将艺术家#1，艺术家#2，艺术家#3等图示为用户正在感兴趣的艺术家。即，感兴趣列表2070可以聚合用户正在感兴趣的艺术家。

将参考图38描述用于显示艺术家历史的画面。图38是用于描述用于显示艺术家历史的画面的视图。注意，用于显示偶像历史的画面和用于显示人才历史的画面与用于显示艺术家历史的画面相似，因此，将省略其描述。

如图38所示，历史画面2090具有粗钻石搜索区域2091，历史显示区域2092和历史输入区域2093。

粗钻石搜索区域2091是用于搜索在历史显示区域2092中显示了其历史的艺术家姓名的区域。例如，用户可以通过在粗钻石搜索区域2091中包括的输入按钮中输入期望的艺术家名称来在历史显示区域2092中显示艺术家历史。

在历史显示区域2092中，显示艺术家历史。历史显示区域2092包括艺术家#2，艺术家信息#2和活动历史#2。艺术家名称实际上显示在艺术家#2中。艺术家信息#2显示基本信息，包括乐队的情况下艺术家的出生地或成员等。指示活动历史记录的信息(例如现场表演)实际上显示在活动历史记录#2中。即，用户可以通过参考历史画面2090来容易地掌握艺术家的历史。

历史输入区域2093是用于输入艺术家历史的区域。用户可以通过在历史输入区域2093中输入历史并按下注册按钮来更新历史显示区域2092中的信息。

[3-3.分析设备]

将参考图39描述根据本公开的又一实施例的分析设备。图39是示出根据本公开的又一实施例的分析设备的配置的框图。

如上所述，发现设备800可以发现可能变得流行的艺术家，偶像和人才。图39所示的分析设备3000计算由发现设备800发现的艺术家，偶像和人才的商业价值。分析设备3000分析由发现设备800发现的艺术家，偶像和人才的粉丝团和潜在粉丝团。分析设备3000生成由发现设备800发现的艺术家，偶像和人才的粉丝的角色图像。

如图39所示，分析设备3000包括存储单元3100，控制单元3200和通信单元3300。

存储单元3100存储各种类型的信息。存储单元3100存储例如用于实现分析设备3000的每个单元的程序。在这种情况下，控制单元3200通过扩展并执行存储在存储单元3100中的程序来实现每个单元的功能。存储单元810例如可以由诸如RAM，ROM和闪存的半导体存储元件，或诸如硬盘，固态驱动器和光盘的存储设备来实现。存储单元3100可以是经由通信单元3300以有线或无线方式连接到分析设备3000的外部存储设备。在这种情况下，通信单元3300连接到诸如互联网网络的网络。存储单元3100具有例如角色数据库3110和艺术家特征值数据库3120。

角色数据库3110存储基于问卷调查结果生成的学习模型。角色数据库3110存储例如基于对数以万计的人进行的关于音乐品味的调查表而生成的学习模型。角色数据库3110存储学习模型，该学习模型接收关于艺术家的特征值的信息的输入并且输出关于艺术家的可能的粉丝团的信息。艺术家的特征值包括关于艺术家的各种类型的信息。艺术家的特征值包括有关声源的信息，有关艺术家的视觉效果以及各种其他离线信息。

艺术家特征值数据库3120存储关于艺术家特征值的各种分析结果的信息。艺术家的特征值的示例包括十个音乐性信息，音乐流派信息，歌词信息，人声类型信息，视觉信息，声誉信息，个人资料信息，现场表演顾客吸引力信息，乐谱信息和新颖性信息。

在下文中，将给出关于在本公开中用作艺术家的特征值的音乐性信息，音乐流派信息，歌词信息，人声类型信息，视觉信息，声誉信息，个人资料信息，现场表演顾客吸引力信息，乐谱信息和新颖性的描述。

音乐性信息是指歌曲的印象。音乐性信息是表达歌曲印象的形容词。形容词的示例包括“高张力”，“迷人”，“性感”和“悲伤”，但不限于此。具体地，从62个预定形容词中选择形容词。根据对数以万计的人进行的音乐品味调查表的结果定义了62个形容词。艺术家特征值数据库3120存储学习模型，该学习模型接收音乐的输入，例如韵律，节奏和歌曲的拍子，并输出形容词。基于问卷调查结果生成这样的学习模型。使用基于歌曲数据文件的歌曲特性分析工具，通过12声音分析技术来分析歌曲的韵律，节奏，拍子等。

音乐流派信息是指诸如歌曲类型，艺术家类型，年龄，国家的信息，而歌曲流派是指诸如流行和摇滚的信息。艺术家类型是指诸如男性，女性，混合，独奏，二重奏和组合的信息。

歌词信息是指基于歌词的特征值分类的歌词的印象。歌词的印象表现为家庭，浪漫和青春等流派。艺术家特征值数据库3120存储学习模型，该学习模型接收歌词数据的输入并输出关于歌词的流派的信息。基于通过对歌词执行形态分析而创建的措辞的特征值的字典来生成这样的学习模型。

声音类型信息是指演唱歌曲的艺术家的声音类型。艺术家特征值数据库3120存储学习模型，该学习模型在针对歌曲输入通过使用声源分离技术提取的人声源的数据时输出关于人声类型的信息。基于根据针对声音声源执行的频率分析的分析结果获得的声音特征值来定义声音类型。声音特征值包括诸如音高，语音范围和语音质量的信息。基于声音特征值生成输出关于声音类型的信息的学习模型。

视觉信息是指印象，例如艺术家的照片或艺术家的歌曲的外套的照片。视觉信息是表达艺术家照片或外套照片印象的形容词。形容词的示例包括“干净”，“可爱”，“男性”和“浮华”，但不限于此。具体地，从22个预定形容词中选择形容词。这22个形容词是根据对数以万计的人进行的每位艺术家的照片和每位艺术家的歌曲的外套照片的口味的问卷调查的结果定义的。艺术家特征值数据库3120存储学习模型，该学习模型在输入艺术家的照片或艺术家的歌曲的外套的照片时输出形容词。基于调查问卷的结果生成这样的学习模型。

声誉信息是指艺术家的声誉趋势。艺术家的声誉倾向是指关于利用搜索引擎等的搜索次数，SNS或新闻网站上的文章数量以及文章内容的信息。文章的数量和文章的内容包括有关文章的覆盖率，奖项和暴露水平的信息。艺术家特征值数据库3120存储学习模型，当输入有关利用搜索引擎等搜索艺术家的次数的信息时，该学习模型输出兴奋水平，感兴趣水平和稳定水平的信息。艺术家特征值数据库3120存储学习模型，当输入关于搜索次数，文章数量和文章内容的信息时，该学习模型输出关于艺术家的时尚水平的信息。

个人资料信息意味着关于歌曲的合作的信息或关于歌曲中所涉及的人物的特征的信息。关于歌曲的合作的信息是关于其中使用歌曲的动画，电影，电视节目等的信息。从音乐新闻网站等获得有关合作的信息。关于歌曲所涉及的人物的特征的信息是关于歌曲的歌词作者，作曲家，编曲者等的信息。具体而言，它是指示歌曲的词曲作者，作曲家和编曲者制作了多少流行音乐的信息。从音乐图表网站等获得有关音乐中涉及的人物的特征的信息。艺术家特征值数据库3120存储学习模型，当输入诸如歌词作者，作曲家和编曲者的信息时，该学习模型输出指示输入词作者，作曲家和编曲者的流行程度的信息。

现场表演顾客吸引力信息是指现场表演信息和场地信息。现场表演信息包括诸如执行现场表演的日期和场所名称的信息。现场表演信息包括关于单个表演或节日的信息，以及关于来宾艺术家和联合表演等的联合主演的信息。现场表演信息可以包括关于晚餐表演的信息。现场表演信息是从处理现场表演信息的网站获得的。场所信息包括关于场所名称，区域和顾客数量的信息。场所信息是从场所网站等获得的。艺术家特征值数据库3120存储学习模型，当输入现场表演信息或场所信息时，该学习模型输出音乐事件的值。

乐谱信息是指与艺术家的歌曲的乐谱有关的乐谱信息和与乐谱的搜索次数有关的信息。乐谱信息包括关于乐谱的类型和乐谱的价格的信息。从提供乐谱数据的网站，出售乐谱的网站等获得乐谱信息。关于乐谱的搜索次数的信息是指利用搜索引擎等搜索艺术家的乐谱的次数。艺术家特征值数据库3120存储学习模型，当输入乐谱信息和有关乐谱的搜索次数的信息时，该学习模型输出与乐谱的值有关的信息。

新颖性信息是指音乐性信息，音乐流派信息，歌词信息，人声类型信息，视觉信息，声誉信息，个人资料信息，现场表演顾客吸引力信息和乐谱信息的新颖性。新颖性信息是指音乐性信息，音乐流派信息，歌词信息，人声类型信息，视觉信息，声誉信息，个人资料信息，现场表演顾客吸引力信息和乐谱信息中两项以上的组合的新颖性。艺术家特征值数据库3120存储学习模型，当输入艺术家的音乐性信息，音乐流派信息，歌词信息，人声类型信息，视觉信息，声誉信息，个人资料信息，现场表演顾客吸引力信息和乐谱信息时，该模型输出关于艺术家的新颖性的信息。

控制单元3200包括获取单元3210，分析单元3220，识别单元3230，生成单元3240，提供单元3250和显示控制单元3260。控制单元3200例如由CPU，MPU等通过使用RAM等作为工作区域执行存储在存储单元(未示出)中的程序来实现。此外，控制单元3200是控制器，并且可以由诸如ASIC和FPGA的集成电路来实现。

获取单元3210获取关于各种类型的内容的信息。获取单元3210获取关于需要分析的艺术家的信息。获取单元3210获取关于需要分析的艺术家的特征值的信息。获取单元3210获取艺术家的音乐性信息，音乐流派信息，歌词信息，人声类型信息，视觉信息，声誉信息，个人资料信息，现场表演顾客吸引力信息，乐谱信息等。

分析单元3220基于由获取单元3210获取的艺术家的特征值来分析艺术家。分析单元3220基于由获取单元3210获取的艺术家的特征值，使用存储在艺术家特征值数据库3120中的各种学习模型来分析艺术家。

识别单元3230基于分析单元3220的分析结果来识别各种类型的信息。识别单元3230基于分析单元3220的分析结果来识别艺术家的粉丝团和潜在粉丝团。如稍后将描述的，从九个预定粉丝团中选择性地识别粉丝团。换句话说，识别单元3230将艺术家的粉丝团和潜在的粉丝团分为九种类型。识别单元3230从九种预定类型中识别粉丝团和潜在粉丝团的类型，而与用户的感性类型无关。

生成单元3240基于分析单元3220的分析结果，生成艺术家的粉丝的角色图像。生成单元3240基于分析单元3220的分析结果，使用存储在角色数据库3110中的学习模型来生成角色图像。

提供单元3250向用户提供各种类型的信息。提供单元3250向用户提供由识别单元3230获得的粉丝团和潜在粉丝团的识别结果，以及由生成单元3240获得的角色图像的生成结果。

显示控制单元3260控制显示单元以显示识别单元3230的识别结果和生成单元3240的生成结果。显示控制单元3260控制显示单元显示用户界面。

[3-4.用户界面]

将参考图40描述由分析设备3000在显示单元上显示的用户界面的示例。图40是示出用户界面的示例的示意图。

用户界面400包括搜索显示区域4010，最热的艺术家显示区域4020和拾取的艺术家显示区域4030。

搜索显示区域4010是用于输入要分析的艺术家的区域。例如，当用鼠标等在搜索显示区域4010中按下用于搜索艺术家名称的向下箭头按钮时，显示该艺术家名称，并因此用户选择希望被分析的艺术家就足够了。用户可以在艺术家名称搜索字段中直接输入艺术家名称。例如，当用鼠标等在搜索显示区域4010中按下歌曲的搜索框时，显示用于选择歌曲的画面，并因此，用户选择想要分析的歌曲就足够了。当用户选择艺术家或要分析的歌曲时，画面切换到艺术家的分析画面。

最热的艺术家显示区域4020是其中显示最热的艺术家的区域。在最热的艺术家显示区域4020中，例如，显示在预定时段内被搜索超过预定次数的艺术家。

拾取的艺术家显示区域4030是其中显示拾取艺术家的区域。在拾取的艺术家显示区域4030中，例如，显示销售额最高的艺术家，最近发行歌曲的艺术家等。在图40所示的示例中，显示艺术家#20至#34。用户还可以通过使用鼠标等在拾取的艺术家显示区域4030中按下艺术家#20至#34的打包照片来切换到所选艺术家的分析画面。

将参考图41描述根据本实施例的艺术家分析画面。图41是示出艺术家分析画面的示例的示意图。

如图41所示，艺术家分析画面包括总商业能力显示区域4110，流行趋势显示区域4120，商业能力显示区域4130和粉丝类型显示区域4140。图41示出了艺术家C1的分析画面。

在总商业能力显示区域4110中，显示艺术家C1的总商业能力。在本实施例中，总商业能力是通过价格和等级来表示商业价值的指数。该价格代表金额在预定时间内的预期表现程度，并且与艺术家C1的实际金额不同。价格可以以点表示。在总商业能力显示区域4110中，示出了艺术家C1的等级为“C”并且价格为“￥237780784”。通过使用鼠标等在总商业能力显示区域4110中按下等级按钮，可以确认属于各个等级及其数量的艺术家。

将参考图42描述艺术家的总商业能力的等级。图42是用于描述艺术家的总商业能力的等级的视图。

图42示出了等级表4200。如等级表4200所示，等级被分为“S”，“A”，“B”，“C”和“D”五个阶段。每个艺术家都属于每个等级。艺术家S1至S3属于等级“S”。艺术家A1至A3属于等级“A”。艺术家B1至B3属于等级“B”。艺术家C1至C3属于等级“C”。艺术家D1至D3属于等级“D”。等级是根据艺术家的金额划分的。在“￥900000000”和“￥3000000000”之间的艺术家被分类为等级“S”。在“￥650000000”和“￥900000000”之间的艺术家被分类为等级“A”。在“￥260000000”和“￥650000000”之间的艺术家被分类为等级“B”。在“￥130000000”和“￥260000000”之间的艺术家被分类为等级“C”。“￥130000000”以下的艺术家被归类为“D”。属于“S”级的艺术家占总数的1％。属于“A”级的艺术家占总数的3％。属于“B”级的艺术家占总数的6％。属于“C”级的艺术家占总数的17％。属于“D”级的艺术家占总数的73％。

在流行趋势显示区域4120中，显示艺术家C1的趋势力量。在本实施例中，基于身材水平上的信息和指示是否要搜索的信息来定义趋势力量。在流行趋势显示区域4120中，示出了艺术家C1的趋势力量为“D”。也就是说，总商业能力的排名可能与趋势力量的排名不同。通过在流行趋势显示区域4120中选择排名按钮，可以确认属于每个等级的艺术家。

将参照图43描述艺术家的趋势力的等级。图43是用于描述艺术家的趋势力的等级的视图。

图43示出了等级表4300。如等级表4300所示，等级分为五个阶段：“S”，“A”，“B”，“C”和“D”。在等级表4300中，横轴表示身材水平的信息，纵轴表示是否进行搜索的信息。知名度高，搜索度高的艺术家都属于“S”级。相对知名和搜索得很好的艺术家都属于“A”级。相对不为人所知但搜索得很好的艺术家属于“B”级。相对知名并且相对未被搜索的艺术家属于等级“C”。相对未知并且相对未被搜索的艺术家属于等级“D”。

通过选择流行趋势显示区域4120中的放大图标4121，可以确认根据艺术家C1的搜索次数计算出的稳定水平和兴奋水平。

将参考图44描述确认稳定水平和兴奋水平的方法。图44是用于描述确定稳定水平和兴奋水平的方法的视图。

图44示出了稳定水平信息4400。在稳定水平信息4400的上部，以图表示出了稳定水平和兴奋水平。在图中，水平轴是日期，垂直轴是稳定水平。稳定水平是指搜索的程度。该图说明了兴奋水平飙升至某一点的一天。由于该图表示出了稳定水平的移动，因此用户可以通过参考该图表来容易地掌握在兴奋水平飙升之后艺术家C1已经稳定了多少。在稳定水平信息4400的下部显示与艺术家C1有关的文章。在稳定水平信息4400中，显示最近兴奋水平猛增的两篇文章。在稳定水平信息4400中，艺术家C1的主题#1至#6显示为艺术家C1在2019年11月10日的相关文章。稳定水平信息4400的图表包括兴奋水平飙升日4410。当参考稳定水平信息4400时，示出了自兴奋水平飙升日4410以来艺术家C1的稳定水平已经提高。可以通过用鼠标等按压兴奋水平飙升日4410来确认兴奋水平飙升的当天的艺术家C1的文章。

图45示出了在兴奋水平已经飙升的当天的艺术家C1的稳定水平信息4500。在稳定水平信息4500中，当兴奋水平飙升时，艺术家C1的主题#11至#16被显示为艺术家C1在2019年9月15日的相关文章。用户可以通过确认稳定水平信息4500来理解艺术家C1的兴奋水平飙升的原因。

商业能力显示区域4130示出了用于确定艺术家的产品价值的媒体。商业能力显示区域4130包括诸如“现场表演/节日”，“CD”，“广播”，“流媒体”，“卡拉OK”，“下载”，“MV”，“SNS”和“出租”的项。“现场表演/节日”表示在现场表演或节日中艺术家C1的产品价值量。“CD”表示在CD的销售中艺术家C1的产品价值量。“收音机”指示收音机上的艺术家C1的产品价值量。“流媒体”表示在视频分发服务等中的艺术家C1的产品价值的量。“卡拉OK”表示卡拉OK中的艺术家C1的产品价值量。“下载”表示在下载服务中艺术家C1的产品价值量。“MV”指示音乐视频中的艺术家C1的产品价值量。“SNS”指示艺术家C1在SNS上的产品价值量。“出租”表示在出租CD等中艺术家C1的产品价值量。包括在商业能力显示区域4130中的各个项的金额的总和是在总商业能力显示区域4110中显示的金额。通过确认商业能力显示区域4130，用户可以容易地掌握艺术家C1的各个项的产品价值量的分布。例如，对于艺术家C1，用户可以理解“现场表演/节日”的产品价值量最大而“租赁”的产品价值量最小。对于艺术家C1，“现场表演/节日”，“广播”和“卡拉OK”的图表以与其他项不同的颜色表示，这意味着“现场表演/节日”，“广播”和“卡拉OK”这三个项是与所有艺术家的平均水平相比，艺术家C1具有特别优势的媒体。

在粉丝类型显示区域4140中，显示艺术家的粉丝类型。在本实施例中，粉丝类型被分为九种类型。这九种类型是“粉丝俱乐部”，“电视”，“流媒体”，“派对人物”，“CD/卡拉OK”，“翻录/DL”，“乐队/播放”，“无音乐无生活”和“DTM”。粉丝类型的名称不限制本公开。如粉丝类型显示区域4140中所示，在通过将正方形划分成九个区域而获得的每个区域中布置每种粉丝类型。在这种情况下，这意味着布置在右侧的类型趋于“数字的”，而布置在左侧的类型趋于“真实”。具体而言，这意味着越“数字的”倾向于在诸如现场表演的场所进行与艺术家的歌曲有关的活动，而更“真实”则倾向于在现场表演等场所进行与艺术家的歌曲有关的活动。这也意味着布置在上侧的类型趋向于是“聆听者”，而布置在下侧的类型趋向于是“创作者”。具体地说，这意味着“聆听者”倾向于专门听歌，而“创作者”倾向于自己演奏歌曲。在粉丝类型显示区域4140中，艺术家C1的主要粉丝团和潜在的粉丝团被着色并以不同的颜色显示。在图41所示的示例中，主要粉丝团是“派对人物”，而潜在粉丝团是“粉丝俱乐部”。

粉丝类型显示区域4140包括趋势显示按钮4141，角色显示按钮4142，源显示按钮4143，收藏艺术家显示按钮4144和播放列表显示按钮4145。趋势显示按钮4141是用于显示流行趋势显示区域4120的按钮。

角色显示按钮4142是用于显示在粉丝类型显示区域4140中选择的粉丝类型的角色图像的按钮。可以通过使用鼠标等按压在粉丝类型显示区域4140中显示的粉丝类型来选择用于显示角色图像的粉丝类型。

将参考图46描述显示角色图像的方法。图46是用于描述显示角色图像的方法的视图。

如图46所示，如果按下角色显示按钮4142，则在角色显示区域4150中显示角色图像。在图46所示的示例中，由于选择了“派对人物”作为粉丝类型，因此在角色显示区域4150中显示“派对人物”的人物图像。具体地，在角色显示区域4150中显示角色图像#1和角色信息#1。角色图像#1显示假定角色图像的名称，职业，年龄和性别。在角色信息#1中，显示包括如何与假定的角色图像的歌曲进行交互的信息。此外，在粉丝类型显示区域4140中，用心形符号表示指示“派对人物”的角色形象消费歌曲的任何媒体的信息。在图46所示的示例中，“现场表演/节日”，“卡拉OK”，“流媒体”和“MV”附有心形符号。这意味着“派对人物”的角色形象倾向于在“现场表演/节日”，“卡拉OK”，“流媒体”和“MV”中消费歌曲。在此，“现场表演/节日”和“卡拉OK”项上附有大心形符号。这意味着作为目标的艺术家C1的力量的媒体与“派对人物”消费歌曲的媒体相匹配。

在显示角色显示按钮4142的状态下，可以通过选择在粉丝类型显示区域4140中显示的另一粉丝类型来改变在角色显示区域4150中显示的角色图像。

将参考图47描述改变显示的角色图像的方法。图47是用于描述改变要显示的角色图像的方法的视图。

在图47所示的示例中，选择“流媒体”作为粉丝类型。在这种情况下，在角色显示区域4150中显示角色图像#1和角色信息#2作为“流媒体”的角色图像。此外，可以通过改变粉丝类型来确认“流媒体”的角色形象通过其消费歌曲的任何媒体。在图47所示的示例中，“流媒体”的角色图像示出了歌曲被“广播”，“流媒体”，“下载”和“MV”消费。此外，示出了“流媒体”的角色形象通过其消费歌曲的媒体与作为艺术家C1的强度的媒体之间的匹配点是“广播”。

在图46所示的示例中，如果按下了源显示按钮4143，则可以显示信息源，“派对人物”的粉丝团从该信息源获得音乐相关信息。

将参考图48描述一种显示信息源的方法，粉丝团可从信息源获得信息。图48是用于描述显示粉丝团从其获得信息的信息源的方法的视图。

如图48所示，信息源显示区域4160显示“派对人物”的粉丝团从其获得信息的信息源。在信息源显示区域4160中，例如，显示前三个信息源。例如，在信息源显示区域4160中，示出了艺术家的SNS为32.8％，熟人的SNS为21.9％，而其他SNS为17.2％。在图48中，当在粉丝类型显示区域4140中选择了粉丝类型时，在信息源显示区域4160中显示所选择的粉丝类型的信息源。结果，用户可以容易地掌握每种粉丝类型的信息源。

在图46所示的示例中，当按下喜欢的艺术家显示按钮4144时，可以显示指示“派对人物”的粉丝团除“艺术家C1”之外的更喜欢哪种艺术家的信息。

将参考图49描述一种显示由粉丝团偏爱的艺术家的方法。图49是用于描述显示由粉丝团偏爱的艺术家的方法的视图。

如图49所示，在艺术家显示区域4170中显示“派对人物”的粉丝团艺术家“C1”以外的所喜欢的艺术家。在艺术家显示区域4170中，例如，显示除了艺术家C1之外的三组艺术家。具体地，在艺术家显示区域4170中显示艺术家S1，艺术家A1和艺术家B1。在图49中，当在粉丝类型显示区域4140中选择了粉丝类型时，在艺术家显示区域4170中显示被所选择的粉丝类型偏好的艺术家。结果，对于每种粉丝类型，用户可以容易地显示除艺术家C1之外的偏爱艺术家。

在图46所示的示例中，如果按下了播放列表显示按钮4145，则可以显示“派对人物”的粉丝团所偏爱的播放列表。

将参照图50描述显示粉丝团所偏爱的播放列表的方法。图50是用于描述显示由粉丝团偏爱的播放列表的方法的视图。

如图50所示，播放列表显示区域4180显示“派对人物”的粉丝团所偏爱的播放列表。在此，播放列表是可以由固定价格的音乐分发服务等的用户共享的播放列表。具体地，在播放列表显示区域4180中显示“室外”，“驾驶”和“恋爱中”。在图50中，当在粉丝类型显示区域4140中选择了粉丝类型时，在艺术家显示区域4170中显示由所选择的粉丝类型偏爱的播放列表。结果，用户可以容易地显示每种粉丝类型的偏爱播放列表。

如上所述，在本实施例中，生成了艺术家的假定粉丝的角色图像。在本实施例中，可以针对每个生成的角色图像显示消费音乐的媒体，获取音乐信息的信息源，除艺术家之外的偏爱艺术家，偏爱播放列表等。即，本实施例可以自动地向用户提供改善艺术家的歌曲的销售所必需的信息。结果，用户可以基于在本实施例中生成的信息来制定用于改善艺术家的歌曲的销售的措施。

(4.硬件配置)

根据每个上述实施例的感性计算设备100，发现设备800和分析设备3000例如由具有如图51所示的配置的计算机1000来实现。图51是示出实现感性计算设备100的功能的计算机1000的示例的硬件配置图。计算机1000包括CPU 1100，RAM 1200，只读存储器(ROM)1300，硬盘驱动器(HDD)1400，通信接口1500和输入/输出接口1600。计算机1000的每个单元通过总线1050连接。

CPU 1100基于存储在ROM 1300或HDD 1400中的程序进行操作，并控制每个单元。例如，CPU 1100将存储在ROM 1300或HDD 1400中的程序发展至RAM 1200，并执行与各种程序相对应的处理。

ROM 1300存储诸如在计算机1000启动时由CPU 1100执行的基本输入输出系统(BIOS)的引导程序，依赖于计算机1000的硬件的程序等。

HDD 1400是计算机可读记录媒体，其非临时记录由CPU 1100执行的程序，由程序使用的数据等。具体地，HDD 1400是根据本公开的记录程序等的记录媒体，其是程序数据1450的示例。

通信接口1500是用于将计算机1000连接到外部网络1550(例如，因特网)的接口。例如，CPU 1100从其他设备接收数据，或者经由通信接口1500将由CPU 1100生成的数据发送到其他设备。

输入/输出接口1600是用于在输入/输出设备1650和计算机1000之间进行连接的接口。例如，CPU 1100经由输入/输出接口1600从诸如键盘或鼠标的输入设备接收数据。此外，CPU 1100经由输入/输出接口1600将数据发送到诸如显示器，扬声器或打印机的输出设备。此外，输入/输出接口1600可以用作用于读取记录在预定记录媒体上的程序等的媒体接口。媒体例如是诸如数字多功能光盘(DVD)或相变可重写磁盘(PD)的光学记录媒体，诸如磁光盘(MO)的磁光记录媒体，磁带媒体，磁记录媒体，半导体存储器等。

例如，当计算机1000用作感性计算设备100时，计算机1000的CPU1100通过执行RAM1200上加载的程序来实现各个单元的功能。此外，与本公开有关的程序被存储在HDD 1400中。注意，CPU 1100从HDD 1400读取并执行程序数据1450，但是作为另一示例，CPU 1100可以经由外部网络1550从其他设备获取这些程序。

注意，本说明书中描述的效果仅是示例，并且不限制本文中的公开，并且也可以实现本文中未描述的其他效果。

注意，本技术也可以具有以下配置。

(1)一种感性计算设备，包括：

获取单元，获取与第一内容有关的第一内容信息；以及

计算单元，基于用户的感性类型，对于对所述用户进行分类的每个分段，计算所述第一内容信息的匹配频率。

(2)根据(1)的感性计算设备，其中，

所述第一内容是以下各项中的任一项：产品，文本，静止图像，视频，声音，所述产品、所述文本、所述静止图像、所述视频和所述声音的组合。

(3)根据(1)或(2)的感性计算设备，感性计算设备还包括：

显示控制单元，使匹配信息可视化在第一显示区域以在显示单元上进行显示，通过所述匹配信息能够比较所述感性类型之间的所述匹配频率。

(4)根据(3)的感性计算设备，其中，

所述显示控制单元在所述第一显示区域中紧邻所述匹配信息显示所述匹配频率最高的所述感性类型以作为最佳感性类型。

(5)根据(3)或(4)的感性计算设备，其中，

当选择包括在所述匹配信息中的所述感性类型和所述最佳感性类型时，所述显示控制单元显示所选择的感性类型或最佳感性类型的详细信息。

(6)根据(1)至(5)中任一项的感性计算设备，其中，

获取单元获取用户的价值观信息。

(7)根据(6)的感性计算设备，还包括：

估计单元，基于所述价值观信息来估计所述用户的所述感性类型的类别。

(8)根据(1)至(7)中任一项的感性计算设备，其中，

所述获取单元获取至少一个第二内容信息，所述第二内容信息是关于与基于所述第一内容信息生成的所述第一内容不同的第二内容的信息，以及

所述计算单元针对多种所述感性类型中的每一者计算所述第二内容信息的匹配频率。

(9)根据(8)的感性计算设备，其中，

所述显示控制单元在所述第一显示区域中显示所述第一内容信息的所述匹配频率，并且在靠近所述第一显示区域的第二显示区域中显示所述第二内容信息的所述匹配频率。

(10)根据(3)至(5)中任一项的感性计算设备，其中，

当所述第一内容是所述文本时，所述计算单元计算指示所述用户对所述文本的理解程度的递送程度，指示所述文本触动所述用户的心的程度的触动程度，以及通过所述用户对所述文本的表达方法来指示沟通倾向的表达倾向。

(11)根据(10)的感性计算设备，其中，

所述显示控制单元将所述递送程度，所述触动程度和所述表达倾向可视化并显示在所述显示单元上。

(12)根据(10)或(11)的感性计算设备，感性计算设备还包括：

呈现单元，基于所述递送程度，所述触动程度和所述表达倾向中的至少一者，将所述文本呈现给属于与所述文本的感性价值对应的所述感性类型的所述用户。

(13)根据12的感性计算设备，其中，

所述呈现单元基于所述用户的价值观信息向所述用户呈现最佳的最佳内容。

(14)根据(10)至(13)中任一项的感性计算设备，其中，

当由所述用户选择了显示在所述显示单元上的所述递送程度时，所述显示控制单元对所述文本中包含的每个单词或措辞的出现次数和识别水平进行评分并显示。

(15)根据(10)至(13)中任一项的感性计算设备，其中，

当所述用户选择了在所述显示单元上显示的所述触动程度时，所述显示控制单元对所述文本中包括与多个预定类型有关的每个单词的程度和所述单词的出现频率进行评分并显示。

(16)根据(7)的感性计算设备，还包括：

更新单元，基于所述价值观信息，检测用于更新所述用户被分类到的所述感性类型的定时。

(17)根据(1)至(16)中任一项的感性计算设备，其中，

所述计算单元计算所述感性类型之间的相容性水平。

(18)根据6的感性计算设备，其中，

当所述第一内容是所述产品时，

所述获取单元以时序方式获取针对每种所述感性类型的所述产品的所述用户的所述价值观信息，以及

所述显示控制单元显示针对每种所述感性类型的所述产品的所述价值观信息的时间变化。

(19)根据(1)至(18)中任一项的感性计算设备，其中，

计算单元实时计算针对第一内容的评估和VOC内容。

(20)根据(1)至(19)中任一项的感性计算设备，其中，

计算单元根据感性类型计算推荐信息。

(21)根据(1)至(20)中任一项的感性计算设备，其中，

获取单元获取内容的评论信息，以及

计算单元基于评论信息来计算内容的用户图像。

(22)一种感性计算方法，包括：

获取关于第一内容的第一内容信息；以及

基于用户的感性，针对对用户进行分类的多种感性类型中的每一种，计算针对第一内容信息的匹配频率。

(23)一种配置为使计算机执行以下作用的程序：

获取单元，其获取与第一内容有关的第一内容信息；以及

获取单元，获取与第一内容有关的第一内容信息；以及

计算单元，基于所述用户的感性，对于对用户进行分类的多种感性类型中的每一者，计算针对所述第一内容信息的匹配频率。

(24)一种发现设备，包括：

获取单元，其获取内容信息；以及

质量确定单元，其使用学习模型来确定由获取单元获取的多条内容信息中满足预定条件的内容信息的满足预定条件的内容的流行程度。

(25)一种分析设备，包括：

获取单元，其获取内容信息；以及

识别单元，其使用学习模型来识别内容信息的粉丝团，该学习模型针对由获取单元获取的内容信息的特征值输出内容信息的粉丝团。

(26)根据(25)的分析设备，还包括

生成单元，其使用学习模型生成内容信息的粉丝团的角色形象，该学习模型针对由获取单元获取的内容信息的特征值生成内容信息的粉丝团的角色形象。

参考标志清单

100 感性计算设备

110、810、3100 存储单元

111 顾客数据库

112 消费者数据库

113 感性数据库

120、820、3200 控制单元

121、821、3210 获取单元

122 计算单元

123 估计单元

124 呈现单元

125 更新单元

126、826、3260 显示控制单元

130、830、3300 通信单元

800 发现设备

811 第一学习数据存储单元

812 第二学习数据存储单元

813 第三学习数据存储单元

822 提取单元

823 类型确定单元

824 质量确定单元

825 推荐单元

3000 分析设备

3110 角色数据库

3120 艺术家特征值数据库

3220 分析单元

3230 识别单元

3240 生成单元

3250 提供单元。

Claims (20)

1.一种感性计算设备，包括：

获取单元，获取与第一内容有关的第一内容信息；以及

计算单元，对于基于用户的感性类型对所述用户进行分类的每个分段，计算所述第一内容信息的匹配频率。

2.根据权利要求1所述的感性计算设备，其中，

所述第一内容是以下各项中的任一项：产品，文本，静止图像，视频，声音，所述产品、所述文本、所述静止图像、所述视频和所述声音的组合。

3.根据权利要求2所述的感性计算设备，还包括：

显示控制单元，使匹配信息可视化以在显示单元上的第一显示区域进行显示，通过所述匹配信息能够比较所述感性类型之间的所述匹配频率。

4.根据权利要求3所述的感性计算设备，其中，

所述显示控制单元在所述第一显示区域中紧邻所述匹配信息显示所述匹配频率最高的所述感性类型以作为最佳感性类型。

5.根据权利要求4所述的感性计算设备，其中，

当选择包括在所述匹配信息中的所述感性类型和所述最佳感性类型时，所述显示控制单元显示所选择的感性类型或最佳感性类型的详细信息。

6.根据权利要求3所述的感性计算设备，其中，

所述获取单元获取所述用户的价值观信息。

7.根据权利要求6所述的感性计算设备，还包括：

估计单元，基于所述价值观信息来估计所述用户的所述感性类型的类别。

8.根据权利要求3所述的感性计算设备，其中，

所述获取单元获取至少一个第二内容信息，所述第二内容信息是关于与基于所述第一内容信息生成的所述第一内容不同的第二内容的信息，以及

所述计算单元针对多种所述感性类型中的每一者计算所述第二内容信息的匹配频率。

9.根据权利要求8所述的感性计算设备，其中，

所述显示控制单元在所述第一显示区域中显示所述第一内容信息的所述匹配频率，并且在靠近所述第一显示区域的第二显示区域中显示所述第二内容信息的所述匹配频率。

10.根据权利要求3所述的感性计算设备，其中，

当所述第一内容是所述文本时，所述计算单元计算指示所述用户对所述文本的理解程度的递送程度，指示所述文本触动所述用户的心的程度的触动程度，以及通过所述用户对所述文本的表达方法来指示沟通倾向的表达倾向。

11.根据权利要求10所述的感性计算设备，其中，

所述显示控制单元将所述递送程度，所述触动程度和所述表达倾向可视化并显示在所述显示单元上。

12.根据权利要求11所述的感性计算设备，还包括：

呈现单元，基于所述递送程度，所述触动程度和所述表达倾向中的至少一者，将所述文本呈现给属于与所述文本的感性价值对应的所述感性类型的所述用户。

13.根据权利要求12所述的感性计算设备，其中，

所述呈现单元基于所述用户的价值观信息向所述用户呈现最佳的最佳内容。

14.根据权利要求11所述的感性计算设备，其中，

当由所述用户选择了显示在所述显示单元上的所述递送程度时，所述显示控制单元对所述文本中包含的每个单词或措辞的出现次数和识别水平进行评分并显示。

15.根据权利要求11所述的感性计算设备，其中，

当所述用户选择了在所述显示单元上显示的所述触动程度时，所述显示控制单元对所述文本中包括与多个预定类型有关的每个单词的程度和所述单词的出现频率进行评分并显示。

16.根据权利要求7所述的感性计算设备，还包括

更新单元，基于所述价值观信息，检测用于更新所述用户被分类到的所述感性类型的定时。

17.根据权利要求1所述的感性计算设备，其中，

所述计算单元计算所述感性类型之间的相容性水平。

18.根据权利要求6所述的感性计算设备，其中，

当所述第一内容是所述产品时，

所述获取单元以时序方式获取针对每种所述感性类型，所述用户对于所述产品的所述价值观信息，以及

所述显示控制单元显示针对每种所述感性类型，对于所述产品的所述价值观信息的时间变化。

19.一种感性计算方法，包括：

获取关于第一内容的第一内容信息；以及

对于基于用户的感性对所述用户进行分类的多种感性类型中的每一者，计算针对所述第一内容信息的匹配频率。

20.一种被配置为使计算机作为以下单元执行功能的程序：

获取单元，获取与第一内容有关的第一内容信息；以及

计算单元，对于基于用户的感性对所述用户进行分类的多种感性类型中的每一者，计算针对所述第一内容信息的匹配频率。

Images