JP2018195078A - 評価装置、評価方法、および評価プログラム - Google Patents

評価装置、評価方法、および評価プログラム Download PDF

Info

Publication number
JP2018195078A
JP2018195078A JP2017098349A JP2017098349A JP2018195078A JP 2018195078 A JP2018195078 A JP 2018195078A JP 2017098349 A JP2017098349 A JP 2017098349A JP 2017098349 A JP2017098349 A JP 2017098349A JP 2018195078 A JP2018195078 A JP 2018195078A
Authority
JP
Japan
Prior art keywords
design
evaluation
customer
sensitivity
unit
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2017098349A
Other languages
English (en)
Other versions
JP6909633B2 (ja
Inventor
拓巳 加藤
Takumi Kato
拓巳 加藤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Honda Motor Co Ltd
Original Assignee
Honda Motor Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Honda Motor Co Ltd filed Critical Honda Motor Co Ltd
Priority to JP2017098349A priority Critical patent/JP6909633B2/ja
Priority to US15/960,778 priority patent/US20180336580A1/en
Publication of JP2018195078A publication Critical patent/JP2018195078A/ja
Application granted granted Critical
Publication of JP6909633B2 publication Critical patent/JP6909633B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/19173—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Multimedia (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Databases & Information Systems (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Fuzzy Systems (AREA)

Abstract

【課題】機密性の確保が可能であり、かつ定量的に顧客の感性を簡易的に評価すること。
【解決手段】評価対象となる第１デザインの第１特徴量を抽出する特徴抽出部と、前記特徴抽出部によって抽出された前記第１特徴量に基づいて、前記第１デザインと、既存の複数の第２デザインの各々との類似度を算出する類似度算出部と、前記類似度算出部によって算出された類似度と、予め取得された前記第２デザインの各々に対する顧客の感想を示す情報に基づいて、前記第１デザインに対する顧客の感想を予想する予想部とを備える評価装置。
【選択図】図１

Description

本発明は、評価装置、評価方法、および評価プログラムに関する。
従来、デザイン等に対する人間の感性を評価する感性工学の分野においては、様々な指標を用いた感性評価手法が提案されている。例えば、特許文献１においては、人間が用いる評価手法を模擬した評価を行い、対象物の表面の質感を評価する手法が提案されている。また、特許文献２においては、対象物の画像を人間の感性で評価可能な一次元量で表現することで画像を評価する手法が提案されている。その他、様々な感性評価手法が提案されている（特許文献３〜７参照）。
特開２０１５−１８４１８４号公報 特開２０１６−１４３３５５号公報 国際公開第２０１４／０８０５０９号 国際公開第２０１１／１５８９６５号 特開２００８−２２５５８２号公報 特開２００６−２０５７８３号公報 特開２００６−２０９２４４号公報
しかしながら、対象物に対する人間の感性を定量的に評価することは容易ではなく、統一された評価指標はいまだ定義されていない。また、従来の感性評価手法においては、実際に顧客に製品を提示して、見て、触ってもらい、様々な項目で点数をつけて評価してもらうアプローチが一般的である。製造業等の分野においてデザインは機密性の高い情報であるため、顧客の声を収集することは容易ではない。また、人間の感性を少数のサンプルで定量的に評価するために、ニューロサイエンスの利用が活発化しているが、脳の血流等を調べることが可能なＭＲＩ（磁気共鳴画像装置）等の重厚な設備が必要となり、評価に要する費用が増大する。このため、機密性の確保が可能であり、かつ、定量的に顧客の感性を簡易的に評価する手法が求められている。
本発明は、このような事情を考慮してなされたものであり、機密性の確保が可能であり、かつ定量的に顧客の感性を簡易的に評価することが可能な評価装置、評価方法、および評価プログラムを提供することを目的の一つとする。
（１）：評価対象となる第１デザインの第１特徴量を抽出する特徴抽出部（例えば、実施形態における特徴抽出部１２）と、前記特徴抽出部によって抽出された前記第１特徴量に基づいて、前記第１デザインと、既存の複数の第２デザインの各々との類似度を算出する類似度算出部（例えば、実施形態における類似度算出部３２）と、前記類似度算出部によって算出された類似度と、予め取得された前記第２デザインの各々に対する顧客の感想を示す情報に基づいて、前記第１デザインに対する顧客の感想を予想する予想部（例えば、実施形態におけるデザインスコア算出部３４）とを備える評価装置である。
（２）：（１）において、前記特徴抽出部によって前記複数の第２デザインの各々から抽出された第２特徴量と、情報媒体から得られた前記第２デザインの各々に対する顧客の感想を示す情報との組を学習することで、前記第２特徴量と、前記顧客の感想を示す情報との関係を示す評価モデルを生成するモデル生成部（例えば、実施形態におけるモデル生成部３０）をさらに備えるものである。
（３）：（１）または（２）において、前記予想部は、前記第１デザインに対する顧客の感想を数値化したデザインスコアを算出するものである。
（４）：（１）から（３）のいずれかにおいて、情報媒体から得られたデータに対して、予め定義された顧客の感想を示す情報の種別を示すタグを付与し、前記付与したタグ毎に顧客の感想を示す情報を数値化したスコアを算出する解析部（例えば、実施形態における解析部１６）をさらに備えるものである。
（５）：（１）から（４）のいずれかにおいて、前記第１デザインは、未発表の車両のデザインであり、前記第２デザインの各々は、発表済み車両のデザインであるものである。
（６）：評価対象となる第１デザインの第１特徴量を抽出し、前記抽出された前記第１特徴量に基づいて、前記第１デザインと、既存の複数の第２デザインの各々との類似度を算出し、前記算出された類似度と、予め取得された前記第２デザインの各々に対する顧客の感想を示す情報に基づいて、前記第１デザインに対する顧客の感想を予想する評価方法である。
（７）：コンピュータに、評価対象となる第１デザインの第１特徴量を抽出させ、前記抽出された前記第１特徴量に基づいて、前記第１デザインと、既存の複数の第２デザインの各々との類似度を算出させ、前記算出された類似度と、予め取得された前記第２デザインの各々に対する顧客の感想を示す情報に基づいて、前記第１デザインに対する顧客の感想を予想させる評価プログラムである。
（１）、（２）、（３）、（４）、（６）、（７）によれば、評価対象となるデザインの機密性の確保が可能であり、かつ定量的に顧客の感性を簡易的に評価することが可能である。
（５）によれば、例えば、新車開発の過程で新規に開発された未発表のデザインの機密性を確保しつつ、このデザインに対する顧客の感性を定量的に評価することが可能である。
実施形態における評価装置（学習段階）の一例を示す機能ブロック図である。 実施形態における評価装置（評価段階）の一例を示す機能ブロック図である。 実施形態における評価装置の学習段階における処理の流れの一例を示すフローチャートである。 実施形態において利用する畳み込みニューラルネットワークの構造の一例を示す図である。 実施形態において感性カテゴリーの各々に設定された感性タグと、感性カテゴリーの各々を構成する感性ワードの一例を示す図である。 実施形態におけるスコアリングの結果の一例を示す図である。 実施形態における評価装置の評価段階における処理の流れの一例を示すフローチャートである。 実施形態における類似度およびデザインスコアの算出処理を説明する図である。
以下、図面を参照し、本発明の実施形態における評価装置、評価方法、および評価プログラムについて説明する。
図１および図２は、本実施形態における評価装置１の一例を示す機能ブロック図である。図１は、評価装置１の学習段階における入出力の様子を示しており、図２は、評価装置１の評価段階における入出力の様子を示している。評価装置１は、学習段階において、学習対象のデザイン（第２デザイン）の画像と、学習対象に対する顧客の声（顧客の評価）から抽出した感性（顧客の感想を示す情報）とを紐付け、評価モデルを構築する。また、評価装置１は、評価段階において、評価モデルを用いて、評価対象となるデザイン（第１デザイン）に対する感性を予想して数値化する。以下においては、評価対象を「車両」とした例について説明する。
評価装置１は、例えば、第１取得部１０と、特徴抽出部１２と、第２取得部１４と、解析部１６と、評価部１８と、記憶部２０とを備える。評価部１８は、例えば、モデル生成部３０と、類似度算出部３２と、デザインスコア算出部３４（予想部）とを備える。
第１取得部１０は、学習段階において、学習対象となる車両のデザインの画像Ｄ１を取得する。例えば、評価装置１がオペレータによる入力を受け付ける受付部（図示しない）を備え、第１取得部１０がこの受付部に入力された画像Ｄ１を取得する。画像Ｄ１は、例えば、既存の（発表済みの）車両の外観（エクステリアデザイン）の画像である。エクステリアデザインは、例えば、車両のフロントからサイドを対象としている。画像Ｄ１は、ｎ車種（ｎは１以上の整数）の画像を含んでいる。また、車両のデザインの画像Ｄ１は、これらｎ車種の各々について、複数の画像を含んでいる。
画像Ｄ１は、予め定義された文字列（例えば、予め定義された車名）と関連付けされたインターネット上の画像などを周期的に収集するクローリング処理により収集されたものであってもよい。
また、画像Ｄ１は、車両の背景が白色であるものや、背景に特徴がないものであってよい。また、画像Ｄ１は、所定のサイズ（例えば、２５６×２５６ピクセル）を有するものであってよい。また、画像Ｄ１は、ある画像に対して回転処理や明暗変更処理を施すことにより増幅された画像であってよい。
また、第１取得部１０は、評価段階において、評価対象となる車両のデザインの画像Ｄ１０を取得する。第１取得部１０は、例えば、受付部（図示しない）を介してオペレータが入力した画像Ｄ１０を取得する。画像Ｄ１０は、例えば、新車開発の過程で新規に開発された未発表の車両のエクステリアデザインの画像である。車両のデザインの画像Ｄ１０は、スケッチ画等であってもよい。
特徴抽出部１２は、学習段階において、第１取得部１０によって取得された画像Ｄ１からデザインの特徴量（第２特徴量）を抽出する。特徴抽出部１２は、例えば、深層学習（ディープラーニング）の一種である畳み込みニューラルネットワーク（ＣＮＮ：Convolutional Neural Network）を利用する。特徴抽出部１２は、例えば、画像Ｄ１をベクトル化して数値に落とし込む。このベクトルには車名ラベルが付与されている。車名はグレードまで区別されていてよい。さらに、特徴抽出部１２は、このベクトルと車名ラベルとをディープラーニングにかけることで、各車両のデザインの特徴量を抽出する。また、特徴抽出部１２は、評価段階において、第１取得部１０によって取得された画像Ｄ１０からデザインの特徴量（第１特徴量）を抽出する。
第２取得部１４は、学習段階において、学習対象となる車両の各々に対する顧客の声を含む処理対象データＳを取得する。例えば、評価装置１がオペレータによる入力を受け付ける受付部（図示しない）を備え、第２取得部１４がこの受付部に入力された処理対象データＳを取得してよい。処理対象データＳは、例えば、メディアＭ（情報媒体）から取得されたデータである。メディアＭは、例えば、ウェブサイト（質問回答サイト）、ウェブログ、短文投稿サービスなどのＳＮＳ、テレビ、新聞、雑誌、ウェブ記事、株主のレポートを含む。また、第２取得部１４は、車両の購入者を対象に行った各種アンケート結果を、処理対象データＳとして取得してもよい。
第２取得部１４は、例えば、インターネットを介して、各車両に関する顧客の声を含む処理対象データＳを取得してもよい。この場合、第２取得部１４は、予め定義された文字列（例えば、予め定義された車名）を含むインターネット上の文書などを周期的に取得するクローリング処理を行ってもよい。第２取得部１４は、日次、週次などの所定のタイミングで処理対象データを収集してもよい。
解析部１６は、学習段階において、第２取得部１４によって取得された処理対象データＳに含まれるテキストを単語レベルに分割する形態素解析処理を行う。解析部１６は、処理対象データＳにおいて、予め定義された感性のカテゴリー（以下、「感性カテゴリー」と呼ぶ）を構成するワード（以下、「感性ワード」と呼ぶ）を含む表現に対して、感性の種類を識別するタグ（以下、「感性タグ」と呼ぶ）を付与する。
また、解析部１６は、処理対象データＳのテキストに含まれる単語の表現の強弱、多重否定、肯定疑問、係り受け、比較を行う構文解析処理を行う。構文解析処理の詳細については後述する。
評価部１８は、学習段階において、車両毎の、特徴抽出部１２によって抽出されたデザインの特徴量と、解析部１６によって付与された感性タグとの組を教師データとして機械学習を行い、評価モデルＭを生成する。評価部１８は、例えば、サポートベクターマシンを用いる。評価部１８に含まれるモデル生成部３０が、上述の評価モデルＭを生成する。
また、評価部１８は、評価段階において、評価対象となるデザインの画像Ｄ１０に対する顧客の感性を予想して評価し、評価結果として、画像Ｄ１０のデザインに対する顧客の感性を数値化したスコア（以下、「デザインスコア」と呼ぶ）を出力する。評価部１８に含まれる類似度算出部３２は、画像Ｄ１０から抽出された特徴量と、評価モデルＭとを用いて、画像Ｄ１０が、学習段階において学習されたｎ車種の各々とどれだけ類似しているかを示す類似度を算出する。そして、評価部１８に含まれるデザインスコア算出部３４は、類似度算出部３２によって算出された類似度と、評価モデルＭに定義されたｎ車種の各々と関連付けされた感性タグとに基づいて、デザインスコアを算出する。
第１取得部１０、特徴抽出部１２、第２取得部１４、解析部１６、および評価部１８のうち一部または全部は、プロセッサ（コンピュータ）がプログラム（ソフトウェア）を実行することにより実現される。また、これらのうち一部または全部は、ＬＳＩ（Large Scale Integration）やＡＳＩＣ（Application Specific Integrated Circuit）などのハードウェアによって実現されてもよいし、ソフトウェアとハードウェアの組み合わせによって実現されてもよい。評価装置１に含まれる各機能部は、複数の装置に分散されてもよい。
記憶部２０は、評価部１８によって生成された評価モデルＭを記憶する。記憶部２０は、例えば、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、ＨＤＤ（Hard Disk Drive）、フラッシュメモリ、または、これらのうち複数が組み合わされたハイブリッド型記憶装置などによって実現されてよい。
（学習段階）
次に、本実施形態における評価装置１の学習段階の動作について説明する。図３は、本実施形態における評価装置１の学習段階における処理の流れの一例を示すフローチャートである。
まず、第１取得部１０は、学習対象となる車両のデザインの画像Ｄ１を取得する（ステップＳ１０１）。第１取得部１０は、例えば、受付部（図示しない）を介してオペレータが入力した画像Ｄ１を取得する。
次に、特徴抽出部１２は、第１取得部１０によって取得された画像Ｄ１からデザインの特徴量を抽出する（ステップＳ１０３）。特徴抽出部１２は、例えば、深層学習の一種である畳み込みニューラルネットワークを利用する。
図４は、本実施形態において利用する畳み込みニューラルネットワークの構造の一例を示す図である。図４に示すとおり、畳み込みニューラルネットワークは、例えば、入力層と、３層で構成された畳み込み層（第１から第３畳み込み層）と、全結合層と、ソフトマックス層とを含む。入力層は、４０９６次元に圧縮されている。畳み込み層には、画像にフィルタを畳み込んで特徴マップを抽出する畳み込み処理、中間層活性化関数として正規化線形関数（ＲｅＬｕ：Rectified Linear Unit)を用いたアクティベーション処理に加えて、ドロップアウト処理が導入されており、オーバーフィッティングしないように汎化性能が高められている。ドロップアウトのユニット選出確率ｐは正則化の効果が最大となるｐ＝０．５に設定されている。なお、ＲｅＬＵは，値域が有界でない欠点はあるものの、正の値を取るユニットについて勾配が減衰せずに伝播するだけでなく, シンプルゆえ収束が早い等のメリットがある。
上述の画像Ｄ１に対する処理（ステップ１０１およびステップＳ１０３）の前、後、またはこれと並行して、以下の各車両に対する顧客の声を含む処理対象データＳに対する処理を行う。
まず、第２取得部１４は、学習対象となる各車両に対する顧客の声を含む処理対象データＳを取得する（ステップＳ１０５）。第２取得部１４は、例えば、受付部（図示しない）を介してオペレータが入力した処理対象データＳを取得する。
次に、解析部１６は、第２取得部１４によって取得された処理対象データＳに含まれるテキストを単語レベルに分割する形態素解析処理を行う（ステップＳ１０７）。次に、解析部１６は、形態素解析処理を行った処理対象データＳにおいて、予め定義された感性カテゴリーに含まれる表現に対してタグ付けを行う（ステップ１０９）。
感性カテゴリーとしては、例えば、「かっこいい（Cool）」、「かわいい（Charming）」、「洗練（Sophistication）」、「高級（Highclass）」、「スポーティ（Sporty）」、「個性（Individual）」、「シンプル（Simple）」、「男らしい（Masculine）」、「親しみ（Family）」、「伝統的（Traditional）」等が定義されている。また、感性のカテゴリーの各々を構成する感性ワードには、これらの感性カテゴリーの名称と同一のワードに加えて、類似ワードが予め定義されている。類似ワードは、例えば、感性カテゴリーの名称と同一のワードと関連付けされるワードをインターネット上のウィキペディア等のデータベースシステムから取得し、Ｃｏｓ類似度等に基づいて類似性の高いワードを選択することにより定義されてよい。
図５は、感性カテゴリーの各々に設定された感性タグと、感性カテゴリーの各々を構成する感性ワードの一例を示す図である。図５に示すように、例えば、「かっこいい（Cool）」という感性カテゴリーと対応するタグ「Ｄ０１＿Ｃｏｏｌ（タグ）」には、感性ワードである「かっこいい（Ｗｏｒｄ１）」と、「精悍（Ｗｏｒｄ２）」、「凛（Ｗｏｒｄ３）」「シャープ（Ｗｏｒｄ４）」、「クール（Ｗｏｒｄ５）」、「ハンサム（Ｗｏｒｄ６）」、「キリッ（Ｗｏｒｄ７）」が関連付けされている。
次に、解析部１６は、処理対象データＳのテキストに含まれる単語の表現の強弱、多重否定、肯定疑問、係り受け、比較を行う構文解析処理を行う（ステップＳ１１１）。表現の強弱を解釈するとは、例えば、「Ａ製品は極めて良い」という表現における“極めて”と、「Ａ製品は若干良い」という表現における“若干”とでは、前者の“極めて”の方がより強い表現であると解釈することである。また、多重否定を解釈するとは、例えば、「Ａ製品は良くない訳ではない」という二重の否定を含む表現を肯定的な表現として正しく解釈することである。
また、肯定疑問を解釈するとは、例えば、「Ａ製品は良い製品だよね？」という肯定的な意図で表現された疑問文を肯定的な表現として解釈することである。また、係り受けを解釈するとは、主語が存在しない文章であっでも形容詞と動詞の関係のみに着目することでその意味を正しく解釈することである。また、係り受けを解釈するとは、例えば、「良いのはＡ製品だよね？」という表現のように修飾語の位置が前後逆になっている場合であってもその意味を正しく解釈することである。この「良いのはＡ製品だよね？」は、肯定的な表現として解釈される。
また、比較を解釈するとは、「Ａ製品は以前のモデルのほうが良かった」というＡ製品の現在のモデルと以前のモデルとを比較する表現に対しては、Ａ製品は悪くなったという意図である判断し、否定的な表現として解釈することである。上記のような構文解析処理を行うことで、口語調で書かれる場合が多い顧客の声の意味理解の精度を高めることができる。
次に、解析部１６は、上記の構文解析の結果に基づいて、タグ付けが行われた処理対象データＳに含まれるテキストに対して、感性タグ毎に、ポジティブなものあるか（肯定的なものであるか）ネガティブなものであるか（否定的なものであるか）を数値化したスコア（以下、「感性スコア」と呼ぶ）を算出するスコアリングを行う（ステップ１１３）。図６は、本実施形態におけるスコアリングの結果の一例を示す図である。図６に示す例では、解析部１６が、「Ｎｏ．１」のデータとして「Ａ。燃費が良い、かわいさいまいち。」というテキストを処理し、“かわいさ”というワードに基づいて感性カテゴリー「かわいい」の感性タグである「Ｄ０２＿Ｃｈａｒｍｉｎｇ」を付与している。さらに、解析部１６が、「強弱」の構文解析処理を行い、“いまいち”というワードに基づいて、このテキストはやや否定的な表現を含むものであると判定し、「０．５」である感性スコアを設定している。
また、解析部１６が、「Ｎｏ．２」のデータとして「スタイリッシュさはないが、安心は感じる。」というテキストを処理し、“スタイリッシュ”というワードに基づいて感性カテゴリー「洗練」の感性タグである「Ｄ０３＿Ｓｏｐｈｉｓｔｉｃａｔｉｏｎ」を付与している。さらに、解析部１６が、「係り受け」の構文解析処理を行い、主語が存在しない表現であってもその内容を適切に解析して否定的な表現を含むものであると判定し、「０」である感性スコアを設定している。
また、解析部１６が、「Ｎｏ．３」のデータとして「Ｂは周囲はかっこ悪いと言うが、そんな訳ないだろ。」というテキストを処理し、“かっこ悪い”というワードに基づいて感性カテゴリー「かっこいい」の感性タグである「Ｄ０１＿Ｃｏｏｌ」を付与している。さらに、解析部１６が、「多重否定」の構文解析処理を行い、多重否定を含むこのテキストは肯定的な表現を含むものであると判定し、「１」である感性スコアを設定している。
また、解析部１６が、「Ｎｏ．４」のデータとして「ＡとＢ、どちらが高級感がありますか？やはり、Ａですよね？」というテキストを処理し、“高級感”というワードに基づいて感性カテゴリー「高級」の感性タグである「Ｄ０４＿Ｈｉｇｈｃｌａｓｓ」を付与している。さらに、解析部１６が、「肯定疑問」の構文解析処理を行い、肯定疑問であるこのテキストは肯定的な表現を含むものであると判定し、「１」である感性スコアを設定している。
また、解析部１６が、「Ｎｏ．５」のデータとして「Ｃって本当にかっこいい？」というテキストを処理し、“かっこいい”というワードに基づいて感性カテゴリー「かっこいい」の感性タグである「Ｄ０１＿Ｃｏｏｌ」を付与している。さらに、解析部１６が、「肯定疑問」の構文解析処理を行い、肯定疑問を含むこのテキストは否定的な表現を含むものであると判定し、「０」である感性スコアを設定している。
また、解析部１６が、「Ｎｏ．６」のデータとして「かつてのＤはかっこよかったが、今は・・・」というテキストを処理し、“かっこよかった”というワードに基づいて感性カテゴリー「かっこいい」の感性タグである「Ｄ０１＿Ｃｏｏｌ」を付与している。さらに、解析部１６が、「比較」の構文解析処理を行うことで、比較を含むこのテキストは否定的な表現を含むものであると判定し、「０」である感性スコアを設定している。
上記の画像Ｄ１に対する処理（ステップ１０１およびステップＳ１０３）、および処理対象データＳに対する処理（ステップＳ１０５からＳ１１３）の後に、モデル生成部３０は、車両毎の、特徴抽出部１２によって抽出されたデザインの特徴量と、解析部１６によって付与された感性タグおよび感性スコアと、の組を教師データとして機械学習を行い、評価モデルＭを生成する（ステップＳ１１５）。すなわち、モデル生成部３０は、車両毎の、デザインの特徴量（車両）と、感性タグおよび感性スコアと、の関係を学習した評価モデルＭを生成する。モデル生成部３０は、生成した評価モデルＭを記憶部２０に記憶させる。
上述の評価モデルＭでは、例えば、車種毎に、感性タグ毎の感性スコアが定義される。例えば、車両“Ａ”については、感性タグ「かっこいい」の感性スコアが“０．６”であり、「かわいい」の感性スコアが“０．６”であり、「洗練」の感性スコアが“０．７”であり、「高級」の感性スコアが“０．３”であり、「スポーティ」の感性スコアが“０．１”であり、「個性」の感性スコアが“０．１”であり、「シンプル」の感性スコアが“０．０”であり、「男らしい」の感性スコアが“０．１”であり、「親しみ」の感性スコアが“０．３”であり、「伝統的」の感性スコアが“０．１”である感性スコアが定義される。この場合、車両“Ａ”に対して、顧客は「洗練」という感性を示す傾向があることが分かる。以上により、本フローチャートの処理が終了する。
（評価段階）
次に、本実施形態における評価装置１の評価段階の動作について説明する。図７は、本実施形態における評価装置１の評価段階における処理の流れの一例を示すフローチャートである。
まず、第１取得部１０は、評価対象となる車両のデザインの画像Ｄ１０を取得する（ステップＳ２０１）。第１取得部１０は、例えば、受付部（図示しない）を介してオペレータが入力した画像Ｄ１０を取得する。評価対象となる車両のデザインの画像Ｄ１０は、例えば、新車開発の過程で新規に開発された車両のエクステリアデザインの画像である。
次に、特徴抽出部１２は、第１取得部１０によって取得された画像Ｄ１０からデザインの特徴量を抽出する（ステップＳ２０３）。特徴抽出部１２は、例えば、深層学習の一種である畳み込みニューラルネットワークを利用する。
次に、類似度算出部３２は、特徴抽出部１２によって画像Ｄ１０から抽出された特徴量と、記憶部２０から読み出した評価モデルＭとを用いて、画像Ｄ１０に示されたデザインが、学習段階において学習対象とされたｎ車種の各々とどれだけ類似しているかを示す類似度を算出する（ステップＳ２０５）。例えば、学習段階において学習対象となった車両が１０車種（ＡからＪ）であった場合、類似度算出部３２は、画像Ｄ１０に示されたデザインが、１０車種（ＡからＪ）の各々とどれだけ類似しているかを示す類似度を算出する。類似度は、画像Ｄ１０に示されたデザインと類似しているほど増大する値であってもよい。
次に、デザインスコア算出部３４は、類似度算出部３２によって算出された類似度と、評価モデルＭに定義されたｎ車種の各々に付与された感性タグおよび感性スコアとに基づいて、デザインスコアを算出する（ステップＳ２０７）。
図８は、本実施形態における類似度およびデザインスコアの算出処理を説明する図である。この例では、学習段階において、図８の「学習済み車種別の感性スコア」に示す１０車種（ＡからＪ）の感性スコアが予め学習されているものとする。類似度算出部３２は、評価対象となる車両のデザインの画像Ｄ１０に対して、１０車種（ＡからＪ）の各々との類似度を算出する。次に、デザインスコア算出部３４は、「学習済み車種別の感性スコア」と、類似度算出部３２によって算出された類似度とに基づいて、デザインスコアを算出する。デザインスコア算出部３４は、例えば、感性タグの各々において、車種毎の学習済み感性スコアと、車種毎の類似度とを掛け合わせた値の全車種における平均値をデザインスコアとして算出してよい。
また、デザインスコア算出部３４は、例えば、感性タグの各々において、車種毎の学習済み感性スコアと、類似度とを掛け合わせ、１０車種分を加算し、その加算値を全感性タグの合計感性スコアで割ることで、構成比としてのデザインスコアを算出してもよい。デザインスコア算出部３４は、例えば、以下の式（１）を用いて、感性タグ毎のデザインスコアを算出してよい。
Figure 2018195078
上記の式（１）において、ｉは評価対象の車両を示し、ｊは感性カテゴリー（感性タグ）の識別子を示し（ｊ＝１，２，．．．１０）、Ｗｉ，ｋは、評価対象の車両ｉの学習対象となる車両ｋ（ｋ＝１，２，．．．１０）に対する類似度を示す、Ｓｃｏｒｅｉ，ｊは、評価対象の車両ｉにおける感性カテゴリーｊのデザインスコアを示す。これにより、例えば、車両“Ａ”については、感性タグ「かっこいい」の構成比が“３０％”であり、「かわいい」の構成比が“２０％”であり、・・・といった感性タグ毎のデザインスコアの構成比を得ることができる。
上記の本実施形態の評価装置によれば、機密性の確保が可能であり、かつ定量的に顧客の感性を簡易的に評価することが可能である。例えば、評価対象の画像を新車開発の過程で新規に開発された車両のエクステリアデザインの画像とした場合、この新規に開発された車両のデザインの機密性を確保しつつ、このデザインに対する顧客の感性を定量的に評価することが可能である。また、この感性の評価に加えて、新規に開発された車両のデザインが、既存の車両にどの程度似ているか等も把握することが可能である。
以上、本発明を実施するための形態について実施形態を用いて説明したが、本発明はこうした実施形態に何等限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々の変形および置換を加えることができる。
１…評価装置、１０…第１取得部、１２…特徴抽出部、１４…第２取得部、１６…解析部、１８…評価部、２０…記憶部、３０…モデル生成部、３２…類似度算出部、３４…デザインスコア算出部

Claims (7)

  1. 評価対象となる第１デザインの第１特徴量を抽出する特徴抽出部と、
    前記特徴抽出部によって抽出された前記第１特徴量に基づいて、前記第１デザインと、既存の複数の第２デザインの各々との類似度を算出する類似度算出部と、
    前記類似度算出部によって算出された類似度と、予め取得された前記第２デザインの各々に対する顧客の感想を示す情報に基づいて、前記第１デザインに対する顧客の感想を予想する予想部と
    を備える評価装置。
  2. 前記特徴抽出部によって前記複数の第２デザインの各々から抽出された第２特徴量と、情報媒体から得られた前記第２デザインの各々に対する顧客の感想を示す情報との組を学習することで、前記第２特徴量と、前記顧客の感想を示す情報との関係を示す評価モデルを生成するモデル生成部をさらに備える、
    請求項１に記載の評価装置。
  3. 前記予想部は、前記第１デザインに対する顧客の感想を数値化したデザインスコアを算出する、
    請求項１または２に記載の評価装置。
  4. 情報媒体から得られたデータに対して、予め定義された顧客の感想を示す情報の種別を示すタグを付与し、前記付与したタグ毎に顧客の感想を示す情報を数値化したスコアを算出する解析部をさらに備える、
    請求項１から３のいずれか一項に記載の評価装置。
  5. 前記第１デザインは、未発表の車両のデザインであり、前記第２デザインの各々は、発表済み車両のデザインである、
    請求項１から４のいずれか一項に記載の評価装置。
  6. 評価対象となる第１デザインの第１特徴量を抽出し、
    前記抽出された前記第１特徴量に基づいて、前記第１デザインと、既存の複数の第２デザインの各々との類似度を算出し、
    前記算出された類似度と、予め取得された前記第２デザインの各々に対する顧客の感想を示す情報に基づいて、前記第１デザインに対する顧客の感想を予想する
    評価方法。
  7. コンピュータに、
    評価対象となる第１デザインの第１特徴量を抽出させ、
    前記抽出された前記第１特徴量に基づいて、前記第１デザインと、既存の複数の第２デザインの各々との類似度を算出させ、
    前記算出された類似度と、予め取得された前記第２デザインの各々に対する顧客の感想を示す情報に基づいて、前記第１デザインに対する顧客の感想を予想させる
    評価プログラム。
JP2017098349A 2017-05-17 2017-05-17 評価装置、評価方法、および評価プログラム Active JP6909633B2 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2017098349A JP6909633B2 (ja) 2017-05-17 2017-05-17 評価装置、評価方法、および評価プログラム
US15/960,778 US20180336580A1 (en) 2017-05-17 2018-04-24 Evaluation device, evaluation method, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2017098349A JP6909633B2 (ja) 2017-05-17 2017-05-17 評価装置、評価方法、および評価プログラム

Publications (2)

Publication Number Publication Date
JP2018195078A true JP2018195078A (ja) 2018-12-06
JP6909633B2 JP6909633B2 (ja) 2021-07-28

Family

ID=64271868

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2017098349A Active JP6909633B2 (ja) 2017-05-17 2017-05-17 評価装置、評価方法、および評価プログラム

Country Status (2)

Country Link
US (1) US20180336580A1 (ja)
JP (1) JP6909633B2 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020261503A1 (ja) * 2019-06-27 2020-12-30 ソニー株式会社 学習装置、画像加工装置、パラメータ生成装置、学習方法及び画像加工方法

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108875904A (zh) * 2018-04-04 2018-11-23 北京迈格威科技有限公司 图像处理方法、图像处理装置和计算机可读存储介质
US10957099B2 (en) * 2018-11-16 2021-03-23 Honda Motor Co., Ltd. System and method for display of visual representations of vehicle associated information based on three dimensional model
US10867338B2 (en) 2019-01-22 2020-12-15 Capital One Services, Llc Offering automobile recommendations from generic features learned from natural language inputs
US10489474B1 (en) 2019-04-30 2019-11-26 Capital One Services, Llc Techniques to leverage machine learning for search engine optimization
US10565639B1 (en) 2019-05-02 2020-02-18 Capital One Services, Llc Techniques to facilitate online commerce by leveraging user activity
CN110335139B (zh) * 2019-06-21 2022-10-14 深圳前海微众银行股份有限公司 基于相似度的评估方法、装置、设备及可读存储介质
US11232110B2 (en) 2019-08-23 2022-01-25 Capital One Services, Llc Natural language keyword tag extraction
US10796355B1 (en) * 2019-12-27 2020-10-06 Capital One Services, Llc Personalized car recommendations based on customer web traffic

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000285151A (ja) * 1999-03-31 2000-10-13 Toyota Motor Corp デザイン評価装置及びデザイン作成装置並びに方法
JP2015022533A (ja) * 2013-07-19 2015-02-02 東日本旅客鉄道株式会社 色彩デザイン評価装置、及び、色彩デザイン評価方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000285151A (ja) * 1999-03-31 2000-10-13 Toyota Motor Corp デザイン評価装置及びデザイン作成装置並びに方法
JP2015022533A (ja) * 2013-07-19 2015-02-02 東日本旅客鉄道株式会社 色彩デザイン評価装置、及び、色彩デザイン評価方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020261503A1 (ja) * 2019-06-27 2020-12-30 ソニー株式会社 学習装置、画像加工装置、パラメータ生成装置、学習方法及び画像加工方法

Also Published As

Publication number Publication date
US20180336580A1 (en) 2018-11-22
JP6909633B2 (ja) 2021-07-28

Similar Documents

Publication Publication Date Title
JP6909633B2 (ja) 評価装置、評価方法、および評価プログラム
Ignatiev et al. From contrastive to abductive explanations and back again
Goodreau et al. A statnet tutorial
US11741384B2 (en) Adaptable systems and methods for discovering intent from enterprise data
US20170308523A1 (en) A method and system for sentiment classification and emotion classification
US11222175B2 (en) Structured term recognition
US20140229164A1 (en) Apparatus, method and computer-accessible medium for explaining classifications of documents
Rizk et al. Data science: developing theoretical contributions in information systems via text analytics
US10503830B2 (en) Natural language processing with adaptable rules based on user inputs
CN113724848A (zh) 基于人工智能的医疗资源推荐方法、装置、服务器及介质
Kumar et al. Personality traits classification on twitter
US20170169355A1 (en) Ground Truth Improvement Via Machine Learned Similar Passage Detection
Ali et al. An empirical study on the importance of source code entities for requirements traceability
Przybyła et al. When classification accuracy is not enough: Explaining news credibility assessment
US20180107647A1 (en) System and method for supplementing a question answering system with mixed-language source documents
Ignatiev et al. On relating'why?'and'why not?'explanations
Wessel et al. Introducing MBIB-the first media bias identification benchmark task and dataset collection
Ramakrishna et al. A dialogue between a lawyer and computer scientist: the evaluation of knowledge transformation from legal text to computer-readable format
CN117454217A (zh) 一种基于深度集成学习的抑郁情绪识别方法、装置及系统
KR20090126862A (ko) 자연어 처리를 이용한 감성 정보 분석 시스템 및 방법,자연어 처리를 이용한 감성 정보 분석 방법을 컴퓨터에서실행하기 위한 프로그램을 저장한 기록매체
CN114429822A (zh) 病历质检方法、装置和存储介质
CN114612246A (zh) 对象集合识别方法、装置、计算机设备及存储介质
JP6509391B1 (ja) 計算機システム
Su et al. Depressive emotion recognition based on behavioral data
Schuff Human-centered explainable artificial intelligence for natural language processing

Legal Events

Date Code Title Description
A80 Written request to apply exceptions to lack of novelty of invention

Free format text: JAPANESE INTERMEDIATE CODE: A80

Effective date: 20170614

RD03 Notification of appointment of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7423

Effective date: 20181005

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20191209

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20201214

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20201222

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210222

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20210309

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210528

C60 Trial request (containing other claim documents, opposition documents)

Free format text: JAPANESE INTERMEDIATE CODE: C60

Effective date: 20210528

A911 Transfer to examiner for re-examination before appeal (zenchi)

Free format text: JAPANESE INTERMEDIATE CODE: A911

Effective date: 20210607

C21 Notice of transfer of a case for reconsideration by examiners before appeal proceedings

Free format text: JAPANESE INTERMEDIATE CODE: C21

Effective date: 20210608

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20210629

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20210705

R150 Certificate of patent or registration of utility model

Ref document number: 6909633

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150