JP2011065504A - ユーザの選好関係についての予測モデルを生成する選好予測サーバ及びその方法 - Google Patents

Abstract

【課題】商品に関する選好関係についての予測モデルを生体情報から自律的に生成可能なサーバ及びその方法を提供すること。
【解決手段】選好予測サーバ（１）は、ネットワーク（１００）を介して接続されたクライアント部６から、商品が提示された際のユーザの生体情報を取得するとともに、提示された商品についてのユーザの選好についての選択を取得する。そして、選好予測サーバ（１）のモデル生成部（１４）は、例えば、ユーザが好むと選択したときの生体情報の変化やユーザが好まないと選択したときの生体情報の変化から、ユーザの選好と生体情報の変化との相関関係を抽出し、ユーザの選好関係についての予測モデルを生成する。
【選択図】図２

Description

本発明は、生体情報を用いて商品に関するユーザの選好関係を予測する予測モデルを生成する選好予測サーバ及びその方法に関し、特に、ネットワークを介して接続されたユーザからリアルタイムに取得した生体情報に基づいて自律的に予測モデルを生成する選好予測サーバ及びその方法に関する。

従来より知られているオンラインショッピングサイトでは、扱われる多くの種類の商品のうちユーザが真に好む商品を適切に提示することが望まれ、この点についてシステム設計者による工夫がなされてきた。

このようなシステムとして、例えば、特許文献１のような、提示された商品に対するユーザがとった行動（詳細説明の閲覧、バスケットへの登録、実際の購入など）について、実際の購入により近い行動のポイントをより高く設定し、提示された商品毎にスコアを求め、このスコアが高い商品から順に推薦商品として提示する商品推薦システムが知られている。

しかしながら、このような従来からの商品推薦システムは、推薦商品の決定に関してユーザのとった行動（選択）が不可欠であり、ユーザの無意識下における商品選好を反映させるものではなかった。

ところで、近年では脳機能画像化技術の進展に伴い、様々な環境における人間の意思決定過程の解明に新たな光が投げかけられている。経済的意思決定の分野においても、このことは例外ではなく、戦略的な環境におけるゲーム論的な意思決定問題、マーケティングにおける商品選択問題、さらにリスク下での投資意思決定問題など、幅広く脳神経科学的な分析が行われ、Ｎｅｕｒｏｅｃｏｎｏｍｉｃｓという新たな分野が発展している。

例えば、本発明者による論文（非特許文献１）では、血中ヘモグロビン濃度を体動制限の少ない小型のｆＮＩＲＳ（ｆｕｎｃｔｉｏｎａｌ Ｎｅａｒ Ｉｎｆａｒｅｄ Ｓｐｅｃｔｒｏｓｃｏｐｙ）により測定し、この測定結果からユーザの商品選好の予測が可能なことが開示されている。

本発明者は、非特許文献１に開示されたユーザの選択によらない無意識下における商品選好の予測が可能なことから、生体情報をマーケティングに利用可能なシステム（例えば、オンラインショッピングサイトなどでユーザに提示された商品についてのユーザの選好関係について、ユーザの選択によらず生体情報から予測する予測モデルを備えたシステム）を構築することを考えた。

なお、近年では、脳波の反応から広告や商品パッケージのどの部分にユーザの意識が集中するかを特定し、マーケティングに応用することが試みられている（ＵＲＬ：ｈｔｔｐ：／／ｊｐ．ｎｉｅｌｓｅｎ．ｃｏｍ／ｎｅｗｓ／ｄｏｃｕｍｅｎｔｓ／Ｊ＿Ｎｅｗ＿Ｂｕｓｉｎｅｓｓ＿ＮｅｕｒｏＭａｒｋｅｔｉｎｇ＿Ｎｏｖ１２＿２００８．ｐｄｆ［平成２１年９月１４日検索］）。

特開２００３−１５０８３５号公報

下川 哲矢（Ｓｈｉｍｏｋａｗａ， Ｔｅｔｓｕｙａ）、参沢 匡将（Ｍｉｓａｗａ， Ｔａｄａｎｏｂｕ）、鈴木 恭子（Ｓｕｚｕｋｉ， Ｋｙｏｋｏ）、「Ｎｅｕｒａｌ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｏｆ Ｐｒｅｆｅｒｅｎｃｅ Ｒｅｌａｔｉｏｎｓｈｉｐｓ」、２００８年１０月、ＮｅｕｒｏＲｅｐｏｒｔ １９（１６） １５５７−１５６１ （２００８）

しかしながら、上記ＵＲＬによるマーケティングへの応用では、測定された脳波を外部に設けられた専門家チームが分析することで、生体情報をマーケティングへ応用するものであり、生体情報から自律的にマーケティング情報を生成するシステムに関するものではない。

そこで、本発明は、商品に関する選好関係についての予測モデルを生体情報から自律的に生成可能なサーバ及びその方法を提供することを目的とする。

本発明は、生体情報から商品に関する選好関係についての予測モデルを生成するサーバ及びその方法であって、（Ａ）生体情報から予測モデルを自律的に生成すること、（Ｂ）生成した予測モデルに基づいてユーザが好む商品を自律的に提供すること、（Ｃ）生体情報から選好関係に関するマーケティング情報を自律的に生成すること、（Ｄ）生体情報からユーザが好む商品を自律的に開発すること、の４つの特徴を含む。具体的には、以下のとおりである。

＜（Ａ）生体情報から予測モデルを自律的に生成すること＞
（１） ユーザの生体情報から前記ユーザの選好関係についての予測モデルを生成する選好予測サーバであって、複数のユーザ毎に設けられたクライアント部と通信回線を介して接続され、前記ユーザに商品を提示するため、前記クライアント部に商品情報を送信する商品提示部と、前記商品が提示された際の前記ユーザの生体情報を、複数の前記クライアント部から受信し記憶する生体情報データベース（以下、データベースを「ＤＢ」と表記する）と、提示された前記商品に対する前記ユーザの選好についての選択を、複数の前記クライアント部から受信し記憶するフィードバックＤＢと、前記フィードバックＤＢに記憶される前記ユーザの選好についての選択と、前記生体情報ＤＢに記憶される前記商品が提示された際の前記ユーザの生体情報と、から生体情報に基づく前記予測モデルを生成するモデル生成部と、を備えることを特徴とする選好予測サーバ。

（１）の選好予測サーバによれば、ユーザに商品を提示した際の生体情報を取得するとともに、提示された商品をユーザが好むか否かについてのユーザの選択を受け付ける。そして、これらの生体情報とユーザの選好についての選択とから生体情報に基づく予測モデルを生成する。この場合において、生体情報やユーザの選好についての選択情報は、通信回線を介して接続されたクライアント部との直接的な通信により取得され、また、予測モデルはこのように直接的に取得された情報を用いて自動的に生成される。そのため、（１）の選好予測サーバによれば、通信回線を介して取得する情報に基づいて、生体情報から商品に関する選好関係についての予測モデルを自律的に生成することができる。

ここで、「選好関係についての予測モデル」とは、提示された商品をユーザが好むか予測するモデル、及び商品が提示された際にユーザがとる行動を予測するモデルを含む。

また、「前記フィードバックＤＢに記憶される前記ユーザの選好についての選択と、前記生体情報ＤＢに記憶される前記商品が提示された際の前記ユーザの生体情報と、から生体情報に基づく前記予測モデルを生成する」方法は、非特許文献１に開示されている方法を採用することができる。具体的には、予測モデルは、３層パーセプトロンを用い、パラメータやハイパーパラメータはマルコフ連鎖モンテカルロ法（ＭＣＭＣ法）によるベイズ推定を行うことで生成する。
なお、このとき、中間層や予測ファクターの選択には、ハイパーパラメータ周辺尤度を用いると好適である。予測変数としては、個人の商品購入傾向を捉えるファクター（前期までの購入確率を用い、以下「自己相関項」と呼ぶ）の他に、１０ｃｈ、２３ｃｈ（後述の図５参照）に対応する各部位の血中ヘモグロビン濃度変化分を用い、被予測変数としては被験者の商品選択を用いる。ただし、予測変数、被予測変数とも、各被験者のデータ毎に正規化し個人間の分布の差異を除去することが好適である。

（２） 前記ユーザに提示する前記商品を前記商品毎に設けられた複数の属性と関連付けて記憶する商品情報ＤＢを備え、前記モデル生成部は、複数の前記ユーザの生体情報のうち、選好関係を特定するために有効な生体情報を抽出する生体情報解析部と、前記商品毎に設けられた複数の属性のうち、選好関係を特定するために有効な属性を抽出する商品情報解析部と、前記生体情報解析部により抽出された生体情報及び前記商品情報解析部により抽出された属性に基づいて、前記予測モデルを生成する統合部と、を備えることを特徴とする（１）に記載の選好予測サーバ。

（２）の選好予測サーバでは、予測モデルの生成にあたり、生体情報や商品の属性について、選好関係を特定するために有効な生体情報や属性が用いられる。その結果、予測モデルの生成に有意な情報を用いることができ、より正確な予測モデルを自律的に生成することができる。

ここで、「選好関係を特定するために有効な生体情報」とは、例えば、対象となる商品の選好関係や消費行動と、当該商品が提示された際の生体情報と、の時系列相関を計測し、時系列相関係数の絶対値が有意に大きなものなど、予測モデルの生成に考慮するファクターとしてスクリーニングされたものをいう。
また、「選好関係を特定するために有効な属性」とは、対象となる商品の選好関係や消費行動と、当該商品の属性と、の相関を計測し、相関係数が有意に大きなものなど、予測モデルの生成に考慮するファクターとしてスクリーニングされたものをいう。なお、「商品の属性」とは、商品名、商品種別（車、野菜、果物など）、形状、色、におい、味などの商品に関する様々な情報をいう。

（３） 提示された前記商品の属性のうち、前記商品情報解析部により抽出された属性に基づいて、前記予測モデルの精緻化に有効な商品を特定する提示情報決定部を備え、前記商品提示部は、前記提示情報決定部により決定された前記商品を前記ユーザに提示することを特徴とする（２）に記載の選好予測サーバ。

（３）の選好予測サーバによれば、予測モデルの精緻化に有効な商品が順次ユーザに提示される。その後、この商品が提示された際のユーザの生体情報やこの商品に対するユーザの選択から予測モデルの学習を行うことにより、予測モデルの精緻化を自律的にはかることができる。

この場合において、「前記予測モデルの精緻化」とは、特定業界・分野（例えば、テレビ）に特化した予測モデルを生成すること、一定の関連性のある業界・分野までの範囲（例えば、家電）についての予測モデルを生成すること、検討したい商品群全体についての予測モデルを生成することなどをいう。すなわち、予測モデルを生成したい商品の範囲を特定していくことをいう。

（１）から（３）の選好予測サーバにより生成された予測モデルを用いることにより、商品が提示された際のユーザの生体情報から、当該商品をユーザが好むか否かを判別することができる。本発明では、このような予測モデルを用いた自律的な選好予測サーバについて、さらに以下のような選好予測サーバを提供する。

＜（Ｂ）生成した予測モデルに基づいてユーザが好む商品を自律的に提供すること＞
（４） 商品が提示された際の前記ユーザの生体情報及び前記モデル生成部により生成された前記予測モデルに基づいて、提示された商品をユーザが好むか判別し、好む場合には当該商品に関連する商品群を検索する検索情報決定部を備え、前記商品提示部は、前記検索情報決定部により検索された前記商品群を前記ユーザに提示することを特徴とする（１）から（３）のいずれかに記載の選好予測サーバ。

（４）の選好予測サーバによれば、検索情報決定部は、予測モデルから提示された商品をユーザが好むと判別すると、当該商品に関連する商品群を検索し、商品提示部は、検索された商品群をユーザに提示する。これにより、ユーザが好む商品を自律的に提供することができる。

（５） 検索された前記商品群が、前記ユーザに提示された商品と関連するか判別する情報抽出部と、前記情報抽出部により関連すると判別された商品の重要度を判別する重要度決定部と、前記情報抽出部により関連すると判別された商品から、前記重要度決定部により決定された重要度の高い順に１又は複数の商品を決定する推薦商品決定部と、を備え、前記商品提示部は、前記推薦商品決定部により決定された１又は複数の商品を前記ユーザに提示することを特徴とする（４）に記載の選好予測サーバ。

（５）の選好予測サーバによれば、ユーザには、ユーザが好む商品に関連する商品のうち重要度の高い１又は複数の商品が提示される。これにより、ユーザが好む商品のうち重要度の高い商品を適切な数だけユーザに提供することができる。

＜（Ｃ）生体情報から選好関係に関するマーケティング情報を自律的に生成すること＞
（６） 前記推薦商品決定部により決定された１又は複数の商品と、当該商品を好むと予測されたユーザと、を対応付けて記憶するマーケティング情報ＤＢを備えることを特徴とする（５）に記載の選好予測サーバ。

（６）の選好予測サーバによれば、ユーザが好むと判断された商品群のうち重要度の高い１又は複数の商品は、ユーザと対応付けて記憶される。その結果、これらの情報を繰り返し収集することで、特定のユーザが好むと考えられる商品に関する膨大なマーケティング情報を、自律的に収集することができる。

（７） 前記フィードバックＤＢは、前記クライアント部から受信した複数の前記ユーザを分類するためのユーザ属性に基づいて複数の前記ユーザをグループ化し記憶し、前記推薦商品決定部により決定された１又は複数の商品と、当該商品を好むと予測されたユーザの属するグループと、を対応付けて記憶するマーケティング情報ＤＢを備えることを特徴とする（５）に記載の選好予測サーバ。

（７）の選好予測サーバによれば、ユーザが好むと判断された商品群のうち重要度の高い１又は複数の商品は、ユーザ属性によりグループ化されたユーザのグループと対応付けて記憶される。その結果、これらの情報を繰り返し収集することで、ユーザグループが好むと考えられる商品に関する膨大なマーケティング情報を、自律的に収集することができる。

＜（Ｄ）生体情報からユーザが好む商品を自律的に開発すること＞
（８） 前記ユーザに提示した商品の色又は形状を変更する商品生成部を備え、前記商品提示部は前記商品生成部により変更された商品を前記ユーザに提示し、前記生体情報ＤＢは、変更された商品が提示された際の前記ユーザの生体情報を受信し記憶し、前記モデル生成部により生成された前記予測モデルに基づいて前記生体情報ＤＢに記憶される生体情報から変更された商品に対する前記ユーザの選好関係を判別する選好判別部をさらに備えることを特徴とする（１）から（７）のいずれかに記載の選好予測サーバ。

（８）の選好予測サーバによれば、提示した商品の色又は形状を変更した商品に対するユーザの選好関係を繰り返し収集する。その結果、商品の色又は形状に対するユーザの選好についての膨大な情報を自律的に収集することができ、ユーザが好む商品を自律的に開発することができる。

（９） コンピュータがユーザの生体情報から前記ユーザの選好関係についての予測モデルを生成する方法であって、前記コンピュータは複数のユーザ毎に設けられたクライアント部と通信回線を介して接続され、前記コンピュータが、前記ユーザに商品を提示するため、前記クライアント部に商品情報を送信するステップと、前記商品が提示された際の前記ユーザの生体情報を、複数の前記クライアント部から受信し生体情報ＤＢに記憶するステップと、提示された前記商品に対する前記ユーザの選好についての選択を、複数の前記クライアント部から受信しフィードバックＤＢに記憶するステップと、前記フィードバックＤＢに記憶される前記ユーザの選好についての選択と、前記生体情報ＤＢに記憶される前記商品が提示された際の前記ユーザの生体情報と、から生体情報に基づく前記予測モデルを生成するステップと、を備えることを特徴とする方法。

（９）の方法によれば、（１）の選好予測サーバと同様に生体情報から予測モデルを自律的に生成することができる。

本発明によれば、商品に関する選好関係についての予測モデルを生体情報から自律的に生成することができる。

第１実施形態に係る選好予測サーバの概要を示す図である。 第１実施形態に係る選好予測サーバの構成を示すブロック図である。 第１実施形態に係る選好予測サーバの処理を示すフローチャートである。 第１実施形態に係る選好予測サーバの処理を示すフローチャートである。 ＮＩＲＳ装着位置を示す図である。 第１実施形態に係る選好予測サーバにおける予測モデルの生成の概要を示す図である。 第１実施形態に係る選好予測サーバにおける予測モデルの精度を示す図である。 第２実施形態に係る選好予測サーバの構成を示すブロック図である。 第２実施形態に係る選好予測サーバの処理を示すフローチャートである。 第２実施形態に係る選好予測サーバの処理を示すフローチャートである。 第２実施形態に係る選好予測サーバの処理を示すフローチャートである。 第２実施形態に係る選好予測サーバの処理を示すフローチャートである。 第２実施形態に係る選好予測サーバの概要を示す図である。 第３実施形態に係る選好予測サーバの構成を示すブロック図である。 第４実施形態に係る選好予測サーバの構成を示すブロック図である。 変形例に係る選好予測サーバの構成を示すブロック図である。 本実施形態に係る生体情報取得部を示す図である。

以下、本発明の実施形態について図面を参照して説明する。

［第１実施形態］
図１から図７を参照して、第１実施形態に係る選好予測サーバ１について説明する。選好予測サーバ１は、図１に示すように、ネットワーク１００を介して接続された各ユーザから生体情報を直接取得するとともに、取得した生体情報に基づいて自律的に生体情報に基づく選好関係についての予測モデルを生成することを特徴とする。ここで、「生体情報」とは、血中ヘモグロビン濃度、脳波、皮膚電位、心拍、目線の推移などを含む。このようにネットワークを介して直接取得した生体情報から予測モデルを生成するため、大人数の生体情報の収集を容易に行うことができ、システムの大規模化も容易となる。

［選好予測サーバ１の構成］
図２を参照して、選好予測サーバ１は、ネットワーク１００を介して、複数のユーザ毎に設けられたクライアント部６及びユーザに提示する商品を管理する商品提供サーバ７と通信可能に接続されている。

ここで、クライアント部６は、ユーザインターフェース部６１と、生体情報取得部６２と、生体情報フィルタリング部６３と、フィードバック送信部６４と、を備える。
ユーザインターフェース部６１は、選好予測サーバ１から提示される商品を表示するディスプレイである。

生体情報取得部６２は、ユーザの生体情報を測定する装置（例えば、ＮＩＲＳ、ＭＲＩ、ＥＥＧといった脳機能画像化技術、皮膚電位や心拍の測定機器、アイトラッカーなど。特に、ユーザに課せられる体動制限が少なく、比較的安い導入コスト・維持コストでユーザの生体情報を測定可能なものが望ましい。）であり、生体情報の計測を行う。一例としては、図１７に示すように、生体情報取得部６２は、バンド部６２０と測定部６２１と図示しない脳情報送信部とからなる。測定部６２１は、送光部６２１Ａ及び受光部６２１Ｂから構成され、ユーザの脳情報を測定する。送光部６２１Ａ及び受光部６２１Ｂは、選好関係の予測に好適な部位（例えば、図５の１０ｃｈ、２３ｃｈ）における脳情報を測定する。バンド部６２０は、脳情報を測定するために好適な位置に測定部６２１を固定するために用いられる。

生体情報フィルタリング部６３は、生体特有のノイズを除去するため、スムージングなどの前処理を行う。具体的には、一定（例えば、１Ｈｚ）以上の周波数をもつ情報を、高速フーリエ変換を用いた後にローパスフィルタによって除去する。生体情報フィルタリング部６３によりスムージングされた生体情報は、ネットワーク１００を介して選好予測サーバ１に送信され、生体情報ＤＢ１１に記憶される。なお、生体情報フィルタリング部６３は、投資行動補助サーバ１に設けることとしてもよい。

フィードバック送信部６４は、ユーザインターフェース部６１に表示された商品に対する選好度、アイトラッカーによる視線の推移、商品提示からフィードバックまでの反応速度などを、ネットワーク１００を介して逐次的に選好予測サーバ１に送信する。送信された情報は、フィードバックＤＢ１２に記憶される。

続いて、本実施の形態に係る選好予測サーバ１は、生体情報ＤＢ１１と、フィードバックＤＢ１２と、商品情報ＤＢ１３と、モデル生成部１４と、提示情報決定部１５と、商品提示部１６と、を備える。

生体情報ＤＢ１１は、生体情報取得部６２及び生体情報フィルタリング部６３で得られたフィルタリング前後の生体情報や、個人差を除去するために各個人でＺ変換した生体情報を、ネットワーク１００を介してリアルタイムに収集し、記憶する。フィードバックＤＢ１２は、送信されたフィードバックデータを記憶する。商品情報ＤＢ１３は、ユーザに提示されている商品を、商品に関する商品名、画像、色、味、形、分類などの属性や当該商品が管理されているＵＲＬなどと関連付けて記憶する。

モデル生成部１４は、ユーザに提示された商品に関する情報（属性）を商品情報ＤＢ１３から、当該商品に関するユーザのフィードバック（好む又は好まない）をフィードバックＤＢ１２から、商品提示時における生体情報を生体情報ＤＢ１１から取得する。また、モデル生成部１４は、取得した各情報から、生体情報に基づく予測モデルを特定するためのファクターを抽出し、予測モデルを生成する。例えば、ユーザが好むと選択したときの生体情報の変化やユーザが好まないと選択したときの生体情報の変化から、ユーザの選好と生体情報の変化との相関関係を生体情報に基づく予測モデルを特定するためのファクターを抽出する。
なお、モデル生成部１４は、生体情報の解析を行う生体情報解析部１４１と、商品情報の解析を行う商品情報解析部１４２と、これらのデータを統合する統合部１４３と、の３つの機能で構成され、これらはリアルタイムに逐次行われる。

ここで、生体情報解析部１４１は、ネットワーク１００を介してつながった複数のユーザの生体情報の中から予測モデル（選好及び消費者行動）を特定するために統計学上有効な情報を抽出する。具体的な手法としては次の２つがある。

＜手法１＞
時系列相関をとることによって商品の選好度と生体情報の関係性を評価するもので、予測モデルに考慮するファクターをスクリーニングするために利用する。具体的には、対象となる商品の選好関係や消費行動と、当該商品が提示された際の生体情報と、の相関を計測し、時系列相関係数の絶対値が有意に大きなものを採用する。

＜手法２＞
高度な統計技術を用いることによって商品の選好度と生体情報の関係性を評価するもので、予測モデルに考慮するファクターをスクリーニングするために利用する。具体的には、非説明変数を選好関係や消費行動とした予測モデルの説明変数として生体情報を採用し、最尤推定法であれば赤池の情報量基準（ＡＩＣ）、シュワルツのベイズ情報量基準（ＢＩＣ）、ベイズ推定であれば赤池のベイズ情報量基準（ＡＢＩＣ）などで有効なファクターを選択する。また、パターン認識手法としては、サポートベクターマシーン（ＳＶＭ）、ベイジアン３層パーセプトロン、又は各種のクラスタリング手法を用いる。このような手法２によれば、手法１に比べてより一般的で複雑な関係を検討することが可能となる。

また、商品情報解析部１４２は、商品の属性の中から予測モデル（選好及び消費者行動）を特定するために統計学上有効な情報を抽出する。具体的な手法については次の２つがある。なお、「商品の属性」とは、商品名、商品種別（車、野菜、果物など）、形状、色、におい、味などの商品に関する様々な情報をいう。

＜手法１＞
時系列相関をとることによって商品の選好度と商品特性の関係性を評価するもので、予測モデルに考慮するファクターをスクリーニングするために利用する。具体的には、対象となる商品の選好関係や消費行動と、当該商品の属性と、の相関を計測し、時系列相関係数の絶対値が有意に大きなものを採用する。

＜手法２＞
高度な統計技術を用いることによって商品の選好度と商品特性の関係性を評価するもので、予測モデルに考慮するファクターをスクリーニングするために利用する。具体的には、非説明変数を選好関係や消費行動とした予測モデルの説明変数として商品の属性を採用し、最尤推定法であれば赤池の情報量基準（ＡＩＣ）、シュワルツのベイズ情報量基準（ＢＩＣ）、ベイズ推定であれば赤池のベイズ情報量基準（ＡＢＩＣ）などで有効なファクターを選択する。また、パターン認識手法としては、サポートベクターマシーン（ＳＶＭ）、ベイジアン３層パーセプトロン、又は各種のクラスタリング手法を用いる。このような手法２によれば、手法１に比べてより一般的で複雑な関係を検討することが可能となる。

また、統合部１４３は、生体情報解析部１４１において抽出された生体情報と商品情報解析部１４２において抽出された商品の属性を用いて最適な予測モデルを生成する。なお、予測モデルの生成には非特許文献１に開示されている方法を採用することができる。

具体的には、生体情報として、例えば、１０ｃｈ（図５参照）の血中ヘモグロビン濃度、及び提示された商品情報を予測モデルのファクターとして採用する。商品情報に関しては、味、種類、値段、色、分類などの各カテゴリの組み合わせをファクターセットとすることができ、以下で求める赤池の情報量基準によって最適なファクターセット（すなわち選好予測に必要な商品情報カテゴリ）が決定される。予測する変数（説明変数）は商品選好に関するユーザーのフィードバック値である（ここでは選択１、非選択−１、無差別０とする）。
予測モデルの基底関数としては、すべての連続な関係を表現することのできる３層パーセプトロンを採用する。これによりファクターと選好との間の複雑な非線形関係もとらえることが可能になる。推定すべきパラメータは、３層パーセプトロンの各パラメータ値である。
３層パーセプトロンの中間子の数は４で固定し、ここでは中間子の数についての探索は行わない（非線形関係をある程度捉えることができ、かつ計算量があまりに大きくならないように４とした）。
各パラメータとハイパーパラメータの推定にはベイズ推定をもちいる。各パラメータの事前分布は、平均がｍ、分散σの正規分布で与えられる。ここでｍ＝０としている。分散σはハイパーパラメータとしてさらに上位の分布から与えられる（階層ベイズ推定）。これにより事前分布への推定結果の依存性が緩和される。ここでは分散σの事前分布としてガンマ分布を採用している。
パラメータとハイパーパラメータの事後分布は、マルコフ連鎖モンテカルロ法を用いてサンプリングを行うことで推定する。本モデルの場合、一般的には事後分布の形は特定できないので、メトロポリス法を用いてサンプリングを行い、その期待値をもってパラメータやハイパーパラメータの推定値とする。
各モデルの赤池のベイズ情報量基準の計算は、モデルに観測されたデータ、サンプリングされたパラメータ及びハイパーパラメータ値を逐次代入し、尤度を計算、それらをモンテカルロ確率積分することによって赤池のベイズ情報量基準を求める。
さらに、この赤池のベイズ情報量基準を各ファクターのセットに関して求め、最適なファクターセットを特定する。
モデルに基づくポートフォリオ価値に関する予測分布の推定は、予測モデルに観測されたデータ、サンプリングされたパラメータ及びハイパーパラメータ値を逐次代入し、さらにモデルの持つ乱数部分加え、モデルのアウトプットをもとめる。これらサンプリング値の集合が予測分布を形成する。
また、同時に、特定されたファクターセットと選好に関するフィードバックについて、サポートベクターマシンを用いた予測も同時に行う。サポートベクターマシンを、３層パーセプトロンと併用する理由は、計算が高速であることと、学習データが少ない場合も比較的予測精度が落ちないからである。

続いて、提示情報決定部１５は、ユーザに提示された商品に関する情報を商品情報ＤＢ１３から、さらに、商品提示時における生体情報を生体情報ＤＢ１１から取得し、モデル生成部１４において生成された予測モデルに当てはめ選好の判別を行い、予測モデルの更なる精緻化に必要なデータを決定する。なお、「予測モデルの精緻化」とは、特定業界・分野（例えば、テレビ）に特化した予測モデルを生成すること、一定の関連性のある業界・分野までの範囲（例えば、家電）についての予測モデルを生成すること、検討したい商品群全体についての予測モデルを生成することなどをいう。精緻化に必要なデータは、商品情報ＤＢ１３やＡＰＩ（Ａｐｐｌｉｃａｔｉｏｎ Ｐｒｏｇｒａｍ Ｉｎｔｅｒｆａｃｅ）を用いて収集したウェブ上のデータなどを利用する。ここで、精緻化に必要なデータの決定手法には、次の３点がある。

＜手法１＞
特定したい選好の範囲を目的又は商品の属性などを用いて特定し、それに合致する商品をランダムに提示する。この手法は、あらかじめ指定された範囲の商品への選好を特定するための手法であって、特定業界・分野に特化した選好関係を分析するために利用する。

＜手法２＞
選好すると予想された商品に関連の深い（商品属性の類似性、商品名及び商品情報によるウェブ検索とその解析結果）商品を提示する。同様に選好しないと予想された商品に関連の深い商品を提示することも可能である。この手法は、ユーザの選好する商品を探索的に特定するための手法であって、ユーザの選好関係を一般的に分析するために利用し、手法１に比べてより幅広い商品群の中から精緻化に必要なデータを決定する。

＜手法３＞
提示された商品の属性のうち選好に関係すると予測される属性をすべて検証できるように網羅的に商品を提示する。この手法は、検討したい商品群全体の選好度を分析するために利用し、手法１，２に比べてより幅広い商品群の中から精緻化に必要なデータを決定する。

商品提示部１６は、提示情報決定部１５により決定されたデータ（商品）をユーザに対して提示する。
このように予測モデルの精緻化に必要なデータ（商品）の提示を繰り返し行い、その際のユーザの生体情報から予測モデルの生成を繰り返し行うことで、予測モデルの学習を諮ることができ、予測モデルの精度を高めることができる。

選好予測サーバ１の構成についての説明は以上である。なお、選好予測サーバ１は、記憶手段及び制御手段を備えた汎用コンピュータにより実現することができる。

［予測モデルの生成フロー］
続いて、本実施形態に係る選好予測サーバ１が予測モデルを生成する処理の流れについて、図３，４を参照して説明する。

初めに、選好予測サーバ１は、あらかじめ用意された商品のうちランダムに２個選択した商品を、順番にユーザに提示する（Ｓ１）。

続いて、商品が提示された際のユーザの生体情報を取得し（Ｓ２）、取得した生体情報について前処理を行う。なお、生体情報の前処理は選好予測サーバ１により行うこととしてもよく、クライアント部６により行うこととしてもよい。前処理前後の生体情報は、生体情報ＤＢ１１に記憶される。

生体情報の前処理では、まず生体特有のノイズを除去するために、高速フーリエ変換を用いて１Ｈｚ以上の振動数をもつ情報を除去する（ローパスフィルタ）。次に、個人間での振幅の差異を除去し、後の解析を容易にするために、Ｚ変換を用いて各個人のデータを規格化する。さらに、Ｓ４において取得されるフィードバックと生体情報の変化の時系列データに関して、時系列相関を取り、ラグが−５期から＋５期までの相関係数の平均が０．１以上のものを有効なファクター候補として採用する。ここで採用されたファクター候補は、後の予測モデルの決定でさらに厳密に統計的な有意性が分析されるため、ここでは比較的緩めの基準で採否を決定する。なお１期は１ｓｅｃとする。

また、生体情報の取得と併せて、提示された商品のうちユーザにより選択された好きな商品（又は注意を喚起した商品）をフィードバックデータとして取得するとともに（Ｓ４）、提示された商品に関する情報、すなわち、属性（商品名、商品種別（車、野菜、果物など）、形状、色、におい、味など）を取得する（Ｓ５）。なお、フィードバックデータはフィードバックＤＢ１２に記憶され、提示された商品に関する情報は商品情報ＤＢ１３に記憶される。

続いて、Ｓ２からＳ５において取得された各データに基づいて、生体情報に基づく選好関係の予測モデルを生成する（Ｓ６）。なお、予測モデルを生成する処理の詳細については、図４において後述する。次に、新たに提示する商品を取得し（Ｓ７）、取得した商品をユーザに提示する（Ｓ２）。このような商品の提示・予測モデルの学習を繰り返すことにより、予測モデルの精度を高めることができる。

続いて、図４を参照して、Ｓ６における予測モデルの生成の詳細な処理の流れについて説明する。

初めに、選好予測サーバ１は、生体情報や商品情報を解析し（Ｓ６−１、Ｓ６−３）、これらの情報が選好関係を特定するために統計学上有効な情報であるかを判別する（Ｓ６−２、Ｓ６−４）。そして、選好関係を特定するために有効な情報のみを入力し、最適な予測モデルを生成する（Ｓ６−５）。

［生体情報］
次に、図５を参照して、選好関係を予測するための生体情報の一例について説明する。図５は、国際１０−２０法を用いＮＩＲＳを装着した図である。非特許文献１に示すように、選好関係を予測するための生体情報の好適な一例としては、図５における１０ｃｈ、２３ｃｈの血中ヘモグロビン濃度が挙げられる。なお、生体情報についてはこれに限られるものではなく、脳波、皮膚電位、心拍、目線の推移などとしてもよい。

［選好予測サーバ１の動作の概要］
続いて、選好予測サーバ１が予測モデルを生成する際の動作の概要について図６を参照して説明する。ユーザに商品が提示されると、商品が提示された際のユーザの生体情報を取得するとともに、提示された商品についてのユーザからのフィードバック（好む／好まない）を取得する。そして、ユーザが好むと選択した商品が提示された際の生体情報の変化や、好まないと選択した商品が提示された際の生体情報の変化から、生体情報の変化と商品選好についての相関関係を抽出し、予測モデルを生成する。その後、商品の提示を繰り返すとともに生体情報の変化を収集することで、予測モデルの学習を行い、精度の向上を図る。

［予測モデルの精度］
図７に、本発明者により生成された予測モデルの精度を示す。本発明者は、２５組の商品選好を１セッションして、１０セッションの実験を行った。各セッションについて、初めの５組だけ学習データとして、その後、逐次的に学習／予測する場合は、平均して、６１．２７％の正答率であるが、初めの１５組を学習データとして与えれば、平均して７４．３１％の正答率を上げることが可能になることが分かった。

［第２実施形態］
このように予測モデルを用いることで、生体情報から商品に関するユーザの選好度を判別できることが分かった。そこで、図８から図１３を参照して、生成した予測モデルを用いて、ユーザの好む商品をユーザの選択なしに提供する第２実施形態に係る選好予測サーバ１Ａについて説明する。

［選好予測サーバ１Ａの構成］
図８に第２実施形態に係る選好予測サーバ１Ａの構成を示す。なお、第１実施形態に係る選好予測サーバ１と同じ構成については、符号を同一にし、説明を省略する。選好予測サーバ１Ａは、生体情報ＤＢ１１と、商品情報ＤＢ１３と、検索情報決定部２１と、マーケティング情報解析部２２と、推薦商品決定部２３と、商品提示部１６と、を備える。

検索情報決定部２１は、生成された予測モデルを有し、商品が提示された際のユーザの生体情報及び予測モデルに基づいて、提示された商品をユーザが好むか判別する。このとき、提示された商品を好む場合には、検索情報決定部２１は、提示された商品の属性を商品情報ＤＢ１３から取得し、選好する商品に関連する情報をウェブから検索する。具体的には、提示された商品の属性（商品名や種別など）を検索キーワードとしてウェブから検索する。

マーケティング情報解析部２２は、ウェブサイト、各種ショッピングサイトのＡＰＩ、検索エンジンＡＰＩなどを利用して得た商品に関連する情報を解析、加工する。具体的には、マーケティング情報解析部２２の情報抽出部による検索した情報から必要な情報を抽出するステップと、マーケティング情報解析部２２の重要度決定部によるその商品又は情報の重要度を決定するステップに分かれる。

情報抽出のステップについての具体的な手法を２つ示す。

＜手法１＞
商品情報ＤＢ１３の商品属性に沿って検索された商品を分類する。具体的には、テキストマイニングや画像解析を利用し、商品名、画像、色、味、形、分類などといった検索された商品の特性を特定し、提示された商品との関連性を判断する。なお、検索された商品の特性は、検索情報決定部２１で特定された商品選好の度合いとともに商品情報ＤＢ１３に蓄積される。

＜手法２＞
各種テキストマイニングの手法を使って、検索された商品に関する詳細情報を自律的に要約し抽出する。具体的には、キーフレーズ抽出、係り受け解析などを用いる。なお、抽出されたデータは、商品情報ＤＢ１３に蓄積され、商品に関する詳細情報のユーザへの提示及びマーケティングデータ解析に利用される。

次に、重要度を決定するステップについての具体的な手法を２つ示す。

＜手法１＞
検索された商品と商品情報ＤＢ１３に蓄積された商品との類似性をもとに、商品情報ＤＢ１３にある類似する商品の選好度を検索された商品の重要度とする。すなわち、商品特性を利用することによって、検索された情報の重要度を決定する。なお、商品の重要度は、商品特性と関連付けて商品情報ＤＢ１３に蓄積される。これによってより有益な情報のみを蓄積していくことが可能となる。

＜手法２＞
既存のＡＰＩで提供されている重要度指標を用いて、検索された商品の重要度を決定する。例えば、ウェブサイトであれば検索結果の数、各種ショッピングサイトのＡＰＩであれば売れ行きなどの人気に関する指標、検索エンジンＡＰＩでれば上位に表示されるものを利用する。なお、商品の重要度は、商品情報ＤＢ１３に蓄積される。これによってより有益な情報のみを蓄積していくことが可能となる。

続いて、推薦商品決定部２３は、マーケティング情報解析部２２において提示した商品と関連性が高く、かつ重要度が高いと判断された商品を評価の高い順に１つ又は複数決定する。
そして、商品提示部１６は、推薦商品決定部２３により決定された１つ又は複数の商品をユーザに提示する。
これにより、ユーザが好む商品と関連する商品のうち重要度の高い商品が適切な数だけ自動的にユーザに提供される。

なお、選好予測サーバ１Ａには予測モデルを生成する機能を持たせていないが、ユーザからのフィードバックを受け予測モデルを生成する機能を設けることとしてもよい。これにより予測モデルが逐次学習されていくため、予測モデルの精度の向上が期待できる。

［ユーザが好む商品の推薦フロー］
次に、図９から図１２を参照して、ユーザが好む商品の推薦する処理の流れについて説明する。

初めに、選好予測サーバ１Ａは、任意の商品を提示し（Ｓ１１）、商品提示時におけるユーザの生体情報を取得する（Ｓ１２）。続いて、この生体情報を予測モデルに注入し、ユーザが提示された商品を好むか予測する（Ｓ１３）。

このとき、ユーザが提示された商品を好む場合には、当該商品に関連する情報をウェブから検索する（Ｓ１４）。続いて、マーケティング情報解析を行い、検索された情報のうち提示された商品と関連する情報や、検索された情報のうち重要度の高い情報を解析し（Ｓ１５）、提示された商品との関連性や重要度と対応付けて、商品情報ＤＢ１３に蓄積する（Ｓ１６）。その後、提示した商品と関連性が高く、かつ重要度が高いと判断された商品を評価の高い順に１つ又は複数決定し（Ｓ１７）、決定された１又は複数の商品をユーザに提示する（Ｓ１１）。

続いて、図１０を参照して、Ｓ１４におけるＷｅｂ検索の詳細な処理の流れについて説明する。

初めに、選好予測サーバ１Ａは、選好すると予測された商品名称などの属性を取得する（Ｓ１４−１）。例えば、オンラインショッピングサイトにおける商品紹介文からキーフレーズ抽出によって重要なキーワード（商品名、特徴など）を取得する。続いて、取得した属性を検索キーワードとしてウェブ検索を行い、検索結果を取得する。

続いて、図１１及び図１２を参照して、Ｓ１５におけるマーケティング情報解析の詳細な処理の流れについて説明する。

初めに、選好予測サーバ１Ａは、取得した検索結果について、テキストマイニング、画像解析によって、商品名、画像といった属性を特定する。また、キーフレーズ抽出や係り受け解析を行うことによって、関連商品の詳細情報を自律的に要約する（Ｓ１５−１、Ｓ１５−１１）。続いて、特定した属性や詳細情報の要約を参照して、提示された商品との関連性を判断する（Ｓ１５−２、Ｓ１５−１２）。

その後、検索された商品の属性と商品情報ＤＢ１３に蓄積されている商品属性とを比較して類似度を判別（例えば、当該商品と他の商品の属性におけるユークリッド距離を計測し、距離の近いものほど類似度が高いとする）し、それをもとにして、商品情報ＤＢ１３にある類似商品の選好度から、検索された商品の重要度を決定する（Ｓ１７−３）。
または、既存人気指標ＡＰＩで提供されている重要度指標やユーザーレビューの評価、検索結果の数により、検索された商品の重要度を決定する（Ｓ１７−１３）。

［選好予測サーバ１Ａの動作の概要］
続いて、選好予測サーバ１Ａがユーザが好む商品に関連する情報を提示する際の動作の概要について図１３を参照して説明する。ユーザに商品が提示されると、商品が提示された際のユーザの生体情報を取得し、取得した生体情報を予測モデルに注入し、提示された商品をユーザが好むか予測する。このとき、ユーザが好むと予測されると、提示された商品の属性に基づいて関連する商品が検索され、検索された商品のうち提示された商品との関連度が高く重要な商品が１又は複数ユーザに提供される。図１３においては、スイカ６１１（属性：果物）が提示されていたところ、予測モデルによりユーザが好むと判別されたため、スイカ６１１に関連し重要度の高いマンゴー６１２（属性：果物）がユーザに提供されている。

このように、第２実施形態に係る選好予測サーバ１Ａによれば、選好すると判別された商品に関連する商品が自律的にユーザに提供される。

［第３実施形態］
次に、図１４を参照して、選好関係に関するマーケティング情報を自律的に生成する第３実施形態に係る選好予測サーバ１Ｂについて説明する。

［選好予測サーバ１Ｂの構成］
図１４に第３実施形態に係る選好予測サーバ１Ｂの構成を示す。なお、第１実施形態及び第２実施形態に係る選好予測サーバ１、１Ａと同じ構成については、符号を同一にし、説明を省略する。選好予測サーバ１Ｂは、生体情報ＤＢ１１と、フィードバックＤＢ１２と、商品情報ＤＢ１３と、検索情報決定部２１と、マーケティング情報解析部２２と、推薦商品決定部２３と、商品提示部１６と、マーケティング情報ＤＢ３１と、を備える。

ここで、フィードバックＤＢ１２は、複数のユーザを分類するためのユーザ属性を複数のクライアント部６から受信し、当該ユーザ属性に基づいて複数のユーザをグループ化して記憶する。ユーザ属性とは、例えば、性別、年齢、住所、職業、収入などのユーザを特定するための様々な情報を含む。

マーケティング情報ＤＢ３１は、推薦商品決定部２３により決定された１又は複数の商品と、当該商品を好むと予測されたユーザの属するグループと、を対応付けて記憶する。

このようなマーケティング情報ＤＢ３１を設け、ユーザ属性により分けられたグループが好む商品が蓄積されていくことにより、ある属性のグループが好むと考えられる商品に関する膨大なマーケティングデータを自律的に収集することが可能になる。また、好む商品だけでなく、好まない商品についても、マーケティングデータとして収拾することとしてもよい。

なお、マーケティング情報ＤＢ３１に、ユーザグループについてのマーケティングデータだけでなく、ユーザ個人のマーケティングデータを記憶することとしてもよい。すなわち、マーケティング情報ＤＢ３１に推薦商品決定部２３により決定された１又は複数の商品と、当該商品を好むと予測されたユーザと、を対応付けて記憶することとしてもよい。これにより、あるユーザが好むと考えられる商品に関する膨大なマーケティングデータを自律的に収集することが可能となる。

［第４実施形態］
また、生成した予測モデルを用いて、ユーザが好む商品を自律的に開発することもできる。そこで、図１５を参照して、ユーザが好む商品を自律的に開発する選好予測サーバ１Ｃについて説明する。

［選好予測サーバ１Ｃの構成］
図１５に第４実施形態に係る選好予測サーバ１Ｃの構成を示す。なお、第１実施形態から第３実施形態に係る選好予測サーバ１、１Ａ、１Ｂと同じ構成については、符号を同一にし、説明を省略する。選好予測サーバ１Ｃは、生体情報ＤＢ１１と、商品情報ＤＢ１３と、選好判別部４１と、商品生成部４２と、商品提示部１６と、を備える。

選好判別部４１は、予測モデルを有し、ユーザの生体情報から提示された商品についての選好関係を判別する。
商品生成部４２は、画像解析技術などを用いて商品情報ＤＢ１３の属性の種目に沿って、好むと判断された商品の色や形状などを自律的に変更する。
商品提示部１６は、変更された商品をユーザに提示する。

変更された商品を好むか否か選好判別部４１により判別することを繰り返すことにより、商品の色や形状などに対するユーザの選好についての膨大な情報を自律的に収集することができ、ユーザが好む商品を自律的に開発することができる。

以上、本発明の実施形態について説明したが、本発明は上述した実施形態に限るものではない。本実施の形態では、ユーザに提示する商品を外部に設けられた商品提供サーバ７から取得することとしていたが、これに限られるものではなく、選好予測サーバと商品提供サーバ７とを同一のサーバとすることしてもよい。すなわち、図１６に示すように、提示する商品を選好予測サーバ１，１Ａ，１Ｂ，１Ｃに設けられた商品情報ＤＢ１３から取得することとしてもよい。

１ 選好予測サーバ
１１ 生体情報ＤＢ
１２ フィードバックＤＢ
１３ 商品情報ＤＢ
１４ モデル生成部
１５ 提示情報決定部
１６ 商品提示部

Claims (9)

1. ユーザの生体情報から前記ユーザの選好関係についての予測モデルを生成する選好予測サーバであって、
   複数のユーザ毎に設けられたクライアント部と通信回線を介して接続され、
   前記ユーザに商品を提示するため、前記クライアント部に商品情報を送信する商品提示部と、
   前記商品が提示された際の前記ユーザの生体情報を、複数の前記クライアント部から受信し記憶する生体情報ＤＢと、
   提示された前記商品に対する前記ユーザの選好についての選択を、複数の前記クライアント部から受信し記憶するフィードバックＤＢと、
   前記フィードバックＤＢに記憶される前記ユーザの選好についての選択と、前記生体情報ＤＢに記憶される前記商品が提示された際の前記ユーザの生体情報と、から生体情報に基づく前記予測モデルを生成するモデル生成部と、
   を備えることを特徴とする選好予測サーバ。
2. 前記ユーザに提示する前記商品を前記商品毎に設けられた複数の属性と関連付けて記憶する商品情報ＤＢを備え、
   前記モデル生成部は、
   複数の前記ユーザの生体情報のうち、選好関係を特定するために有効な生体情報を抽出する生体情報解析部と、
   前記商品毎に設けられた複数の属性のうち、選好関係を特定するために有効な属性を抽出する商品情報解析部と、
   前記生体情報解析部により抽出された生体情報及び前記商品情報解析部により抽出された属性に基づいて、前記予測モデルを生成する統合部と、
   を備えることを特徴とする請求項１に記載の選好予測サーバ。
3. 提示された前記商品の属性のうち、前記商品情報解析部により抽出された属性に基づいて、前記予測モデルの精緻化に有効な商品を特定する提示情報決定部を備え、
   前記商品提示部は、前記提示情報決定部により決定された前記商品を前記ユーザに提示することを特徴とする請求項２に記載の選好予測サーバ。
4. 商品が提示された際の前記ユーザの生体情報及び前記モデル生成部により生成された前記予測モデルに基づいて、提示された商品をユーザが好むか判別し、好む場合には当該商品に関連する商品群を検索する検索情報決定部を備え、
   前記商品提示部は、前記検索情報決定部により検索された前記商品群を前記ユーザに提示することを特徴とする請求項１から３のいずれかに記載の選好予測サーバ。
5. 検索された前記商品群が、前記ユーザに提示された商品と関連するか判別する情報抽出部と、
   前記情報抽出部により関連すると判別された商品の重要度を判別する重要度決定部と、
   前記情報抽出部により関連すると判別された商品から、前記重要度決定部により決定された重要度の高い順に１又は複数の商品を決定する推薦商品決定部と、
   を備え、
   前記商品提示部は、前記推薦商品決定部により決定された１又は複数の商品を前記ユーザに提示することを特徴とする請求項４に記載の選好予測サーバ。
6. 前記推薦商品決定部により決定された１又は複数の商品と、当該商品を好むと予測されたユーザと、を対応付けて記憶するマーケティング情報ＤＢを備えることを特徴とする請求項５に記載の選好予測サーバ。
7. 前記フィードバックＤＢは、前記クライアント部から受信した複数の前記ユーザを分類するためのユーザ属性に基づいて複数の前記ユーザをグループ化し記憶し、
   前記推薦商品決定部により決定された１又は複数の商品と、当該商品を好むと予測されたユーザの属するグループと、を対応付けて記憶するマーケティング情報ＤＢを備えることを特徴とする請求項５に記載の選好予測サーバ。
8. 前記ユーザに提示した商品の色又は形状を変更する商品生成部を備え、
   前記商品提示部は前記商品生成部により変更された商品を前記ユーザに提示し、
   前記生体情報ＤＢは、変更された商品が提示された際の前記ユーザの生体情報を受信し記憶し、
   前記モデル生成部により生成された前記予測モデルに基づいて前記生体情報ＤＢに記憶される生体情報から変更された商品に対する前記ユーザの選好関係を判別する選好判別部をさらに備えることを特徴とする請求項１から７のいずれかに記載の選好予測サーバ。
9. コンピュータがユーザの生体情報から前記ユーザの選好関係についての予測モデルを生成する方法であって、
   前記コンピュータは複数のユーザ毎に設けられたクライアント部と通信回線を介して接続され、
   前記コンピュータが、
   前記ユーザに商品を提示するため、前記クライアント部に商品情報を送信するステップと、
   前記商品が提示された際の前記ユーザの生体情報を、複数の前記クライアント部から受信し生体情報ＤＢに記憶するステップと、
   提示された前記商品に対する前記ユーザの選好についての選択を、複数の前記クライアント部から受信しフィードバックＤＢに記憶するステップと、
   前記フィードバックＤＢに記憶される前記ユーザの選好についての選択と、前記生体情報ＤＢに記憶される前記商品が提示された際の前記ユーザの生体情報と、から生体情報に基づく前記予測モデルを生成するステップと、
   を備えることを特徴とする方法。

Images