JP2019168887A - 嗅覚嗜好とパーソナリティとの関係性解析装置 - Google Patents

Abstract

【課題】人の嗅覚嗜好とパーソナリティとの関係を解析可能な装置を提供する。【解決手段】複数の学習対象者ごとに、複数の香りについて嗜好の程度を示す香り嗜好スコアデータ、および、所定の心理検査による結果として検出される個人の複数のパーソナリティを示すパーソナリティデータをそれぞれ学習用データとして入力する学習用データ入力部１１Ａと、当該入力した学習用データに基づいて、香り嗜好スコアデータを含む説明変数からパーソナリティデータを導くための学習モデルを構築するモデル構築部１３Ａと、予測用データ入力部２１Ａより予測対象者について入力された予測用の香り嗜好スコアデータを学習モデルに適用することにより、予測対象者のパーソナリティを予測するパーソナリティ予測部２３Ａとを備え、予測対象者に関する香り嗜好スコアデータからパーソナリティを予測することができるようにする。【選択図】図１

Description

本発明は、嗅覚嗜好とパーソナリティとの関係性解析装置に関し、特に、人の香りに対する嗜好とパーソナリティとの関係性を解析する装置に用いて好適なものである。

従来、ユーザが使用する感性評価対象物の使用中および使用後の感性を推測する感性推測装置が知られている（例えば、特許文献１参照）。この特許文献１に記載の感性推測装置では、予め設定された階層型ニューラルネットワークのスケルトン学習法を用いて、複数の感性項目に対する所定の総合評価を得る嗜好特性パターン毎に分類を行うことにより、ユーザの感性を高精度かつ効率的に推測できるようにしている。例えば、感性評価対象物が化粧品の場合、塗布時の感性項目として、「化粧水の色が好き：視覚」、「化粧水の香りが好き：嗅覚」、「化粧水の香りが強い：嗅覚」・・・などの人の五感に関する１８項目をニューラルネットワークの入力ノードとして用いることにより、ユーザの感性を推測する。特許文献１には、感性を推測可能な感性評価対象物として、化粧品の他に、医薬品、飲食物、日用品、衣料品なども記載されている。

また、特許文献２には、味嗅覚素材が保有している物質的属性と、食に関する人の心理的要因との関連性を明らかにし、食に対する感性（食嗜好）を数量化するのに適した感覚感性評価システムが開示されている。この特許文献２に記載の感覚感性評価システムでは、味嗅覚素材が有する物質的属性データ（味嗅覚素材を機器分析して求められる、あるいはセンサを介して検出される成分量、物理化学定数および物理量の少なくとも１つ）と、味嗅覚素材を味わう被験者から得られる生体情報データ（脳波信号、脳波のパワースペクトル、脳波検出用電極間の脳波の相互相関係数、特定電極位置の脳波の自己相関係数、ダイポール位置およびモーメントの推定値やカオス解析の特性値の少なくとも１つ）とを並列に入力し、その出力を食嗜好データ（味覚素材に対する好嫌度、覚醒／鎮静感、欲求度、気分、リラックス感、怒り度、および悲しみ度の少なくとも１つ）とする階層型ニューラルネットワークを有し、食嗜好データを教師データとして階層型ニューラルネットワークをバックプロパゲーション法により学習して、学習済みの階層型ニューラルネットワークを用いて、食嗜好データに関与する物質的属性データおよび生体情報データの主因子を求める。

また、従来、人の味覚の嗜好性とパーソナリティとの関係性についても研究が行われており、苦味を好む人間は反社会的な性格であるとの報告や、甘味を好む人間は向社会的であるとの報告がなされている。しかし、味覚嗜好よりも多様と思われる嗅覚嗜好とパーソナリティとの関係性はまだ明らかにされていない。上記特許文献１，２に記載のシステムにおいても、嗅覚嗜好とパーソナリティとの関係性を分析することについては開示されていない。

特開２０１２−１２３７４９号公報 特開２００３−２９０１７９号公報

本発明は、このような実情に鑑みて成されたものであり、人の嗅覚嗜好とパーソナリティとの関係性を解析可能な装置を提供することを目的とする。

上記した課題を解決するために、本発明では、複数の学習対象者ごとに、複数の香りについてそれぞれ複数段階で定義される個人的な嗜好の程度を示す香り嗜好スコアデータ、および、所定の心理検査による結果として検出される個人の複数のパーソナリティを示すパーソナリティデータを、それぞれ学習用データとして入力し、当該入力された学習用の香り嗜好スコアデータから複数の学習用説明変数を生成した上で、香り嗜好スコアデータからパーソナリティデータを導くための学習モデルを構築する。そして、予測対象者について入力された予測用の香り嗜好スコアデータを学習モデルに適用することにより、予測対象者のパーソナリティを予測する。

また、本発明の他の態様では、複数の学習対象者ごとに、複数の香りについてそれぞれ複数段階で定義される個人的な嗜好の程度を示す香り嗜好スコアデータ、および、所定の心理検査による結果として検出される個人の複数のパーソナリティを示すパーソナリティデータを、それぞれ学習用データとして入力し、当該入力された学習用のパーソナリティデータから複数の学習用説明変数を生成した上で、パーソナリティデータから香り嗜好スコアデータを導くための学習モデルを構築する。そして、予測対象者について入力された予測用のパーソナリティデータを学習モデルに適用することにより、予測対象者の香り嗜好を予測する。

上記のように構成した本発明によれば、複数の学習対象者に関する香り嗜好スコアデータおよびパーソナリティデータに基づいて構築された学習モデルを利用して、予測対象者に関する香り嗜好スコアデータをもとに、当該予測対象者のパーソナリティを予測することができる。また、本発明によれば、複数の学習対象者に関する香り嗜好スコアデータおよびパーソナリティデータに基づいて構築された学習モデルを利用して、予測対象者に関するパーソナリティデータをもとに、当該予測対象者の香り嗜好を予測することができる。このように、本発明によれば、人の嗅覚嗜好とパーソナリティとの関係性を解析することが可能となる。

第１の実施形態による関係性解析装置の機能構成例を示すブロック図である。 第２の実施形態による関係性解析装置の機能構成例を示すブロック図である。 第３の実施形態による関係性解析装置の機能構成例を示すブロック図である。 第４の実施形態による関係性解析装置の機能構成例を示すブロック図である。 第５の実施形態による関係性解析装置の機能構成例を示すブロック図である。 第６の実施形態による関係性解析装置の機能構成例を示すブロック図である。 第７の実施形態による関係性解析装置の機能構成例を示すブロック図である。 第８の実施形態による関係性解析装置の機能構成例を示すブロック図である。

本実施形態による嗅覚嗜好とパーソナリティとの関係性解析装置は、人の香りに対する嗜好とパーソナリティとの関係性を解析するものである。上述したように、味覚の嗜好性とパーソナリティとの関係性については既に研究されており、いくつかの報告がある。しかし、香りの嗜好性とパーソナリティとの関係性についての研究報告はない。

そこで、複数の被験者に対してアンケートを行い、８個のパーソナリティおよび４１個の食品の香り嗜好に関する回答情報を収集し、その回答情報から因子分析により６因子の食品の香り嗜好（くさい、香ばしい、甘い、刺激臭、酒、果実）を抽出した。次いで、これらの因子を用いた非階層クラスター分析を行って被験者集団を３つのグループに分け、パーソナリティと香りの気づきやすさを示す指標（ＯＡＳ：Odor Awareness Scale）とを比較した。その結果、香りの好みの違うグループ間では、一部のパーソナリティと香りの気づきやすさで差が見られた。このことから、香りの嗜好性とパーソナリティとの間には一定の関係性があると考え、更に研究を重ね、以下に説明する嗅覚嗜好とパーソナリティとの関係性解析装置を発明するに至った。

本実施形態による嗅覚嗜好とパーソナリティとの関係性解析装置（以下、単に関係性解析装置という）は、人の香りに対する嗜好からパーソナリティの予測を行い、または人のパーソナリティから香りに対する嗜好の予測を行うことを可能にしたものである。第１〜第４の実施形態は、人の香りに対する嗜好からパーソナリティを予測する装置であり、第５〜第８の実施形態は、人のパーソナリティから香りに対する嗜好の予測を行う装置である。以下、これらの実施形態を順に説明する。

（第１の実施形態）
以下、本発明の第１の実施形態を図面に基づいて説明する。図１は、第１の実施形態による関係性解析装置１Ａの機能構成例を示すブロック図である。図１に示すように、第１の実施形態による関係性解析装置１Ａは、学習器１０Ａ、予測器２０Ａおよび学習モデル記憶部３０Ａを備えて構成される。学習器１０Ａは、その機能構成として、学習用データ入力部１１Ａ、学習用変数生成部１２Ａおよびモデル構築部１３Ａを備えている。予測器２０Ａは、その機能構成として、予測用データ入力部２１Ａ、予測用変数生成部２２Ａおよびパーソナリティ予測部２３Ａを備えている。

上記各機能ブロックは、ハードウェア、ＤＳＰ（Digital Signal Processor）、ソフトウェアの何れによっても構成することが可能である。例えばソフトウェアによって構成する場合、上記各機能ブロックは、実際にはコンピュータのＣＰＵ、ＲＡＭ、ＲＯＭなどを備えて構成され、ＲＡＭやＲＯＭ、ハードディスクまたは半導体メモリ等の記録媒体に記憶されたプログラムが動作することによって実現される。これは、後述する第２〜第８の実施形態による関係性解析装置が備える各機能ブロックについても同様である。

学習用データ入力部１１Ａは、複数の学習対象者ごとに、複数の香りについてそれぞれ複数段階で定義される個人的な嗜好の程度を示す香り嗜好スコアデータと、所定の心理検査による結果として検出される個人の複数のパーソナリティを示すパーソナリティデータとを、それぞれ学習用データとして入力する。これらのデータは、例えば、紙媒体やウェブサイト、面接、電話、所定のアプリケーションなどを通じたアンケートおよび心理検査の結果として収集し、学習用データ入力部１１Ａにより入力する。

ここで、香り嗜好スコアデータは、一例として、４１種類の食品の香りのそれぞれについて好き嫌いの程度を９段階で評価したものとする。また、パーソナリティデータは、一例として、外交性、調和性、誠実性といった公知の複数項目のそれぞれについて、該当する可能性の程度を７段階で評価したものである。香り嗜好スコアデータおよびパーソナリティデータは、１人の学習対象者についてセットで入力する。なお、香り嗜好スコアデータおよびパーソナリティデータの何れに関しても、ここに示したものは一例であり、本発明はこれに限定されるものではない。

学習用変数生成部１２Ａは、学習用データ入力部１１Ａにより入力された学習用の香り嗜好スコアデータから複数の学習用説明変数を生成する。すなわち、学習用変数生成部１２Ａは、解析に用いる情報量を増やすために、学習用データ入力部１１Ａにより入力された香り嗜好スコアデータを合成または変換し、新しい説明変数を生成する。新しい説明変数を作る方法は、例えば、標準化、因子分析、単回帰、重回帰による残差計算、主成分分析、四則計算、平均、分散、標準偏差、欠損値数（食品香り嗜好のアンケート等で、香りを知らないと答えた食品数）の一部または全部である。なお、新たに生成される説明変数は、個々の学習対象者に属するものとなる。

なお、新たな説明変数の生成に用いる情報量を多くするために、学習用データ入力部１１Ａが、香り嗜好スコアデータおよびパーソナリティデータの他に、以下のような補正データおよび予備データの少なくとも一方を更に入力するようにしてもよい。補正データは、可能な限り取得することが好ましいデータであり、予備データは、取得できた場合には用いるデータである。これらの補正データや予備データが学習用データ入力部１１Ａにより入力されている場合、学習用変数生成部１２Ａは、これらのデータも用いて学習用説明変数を生成する。例えば、補正データの年齢と性別から、予備データの睡眠時間を予測し、本来の睡眠時間から引いた残差を変数とするなどが考えられる。

＜補正データ＞
年齢、性別、職種、飲酒、喫煙
＜予備データ＞
起床、就寝、その他生活習慣、趣味、購読雑誌、旅行の行き先及び回数、嗅覚検査、匂いへの関心や気づきやすさ、運動量、心拍数、呼吸数、脳波、脳血流、fMRI、脳形状、疾病既往歴、身長、体重、胸囲、胴囲、尻まわり、体脂肪率、筋力、汗の分泌量および成分、生体インピーダンス、唾液のメタボローム、尿中エクソソーム内ｍｉｃｒｏＲＮＡ、糞便や皮膚表面のメタボロームおよび菌叢解析、体内のいずれかの細胞のゲノム、メチローム、プロテオーム、メタボロームおよびトランスクリプトーム、体内の神経伝達物質やサイトカインの種類および量、ウエアラブルセンサ、体重計、身長計、体脂肪計、巻尺、筋力測定器、汗分析装置、生体インピーダンス測定器、質量分析機、各種クロマトグラフィ、ＰＣＲの後に行う電気泳動検出、リアルタイムＰＣＲ装置、次世代ＤＮＡシークエンサ、マイクロアレイ、ＥＬＩＳＡ、および各種化学センサ、食品や嗜好品の消費数、摂取頻度および種類、食品や嗜好品に対する五感の印象、食品や嗜好品に対する嗜好、栄養や健康への関心度、ボランティア活動への参加頻度、ゲームの過程および結果、対人対話の記録、ＡＩロボットまたはチャットボットのやり取り、ＳＮＳ、投稿作品（画像および文章）、ブログおよびメール、各種商品の購買履歴、旅行会社への申し込み履歴、生体情報から２次的に推定される感性情報

モデル構築部１３Ａは、学習用データ入力部１１Ａにより入力された学習用の香り嗜好スコアデータおよびパーソナリティデータと、学習用変数生成部１２Ａにより生成された複数の学習用説明変数とを用いて（以下、学習用説明変数も含めて学習用データという場合がある）、香り嗜好スコアデータを含む説明変数からパーソナリティデータを導くための学習モデルを構築し、構築した学習モデルを学習モデル記憶部３０Ａに記憶させる。学習用データ入力部１１Ａにより補正データおよび予備データの一方または両方が入力されていた場合、これらを香り嗜好スコアデータを含む説明変数に加えても良い。

例えば、モデル構築部１３Ａは、上述の学習用データを用いて公知の機械学習アルゴリズム（例えば、Ｒａｎｄｏｍ Ｆｏｒｅｓｔ）を適用することにより、学習モデルを構築する。これにより生成される学習モデルは、学習用データによって生成された多数の決定木により構成されるものであり、香り嗜好スコアデータを含む説明変数を入力とし、多数の決定木を辿ってパーソナリティデータを出力するように成された学習モデルである。なお、モデル構築部１３Ａにおいて用いる機械学習アルゴリズムは、Ｒａｎｄｏｍ Ｆｏｒｅｓｔに限定されるものではなく、他のアルゴリズムを適用して学習モデルを構築するようにしてもよい。

予測用データ入力部２１Ａは、予測対象者について、香り嗜好スコアデータを予測用データとして入力する。ここで入力する香り嗜好スコアデータは、学習用データ入力部１１Ａが入力するものと内容的には同じである。なお、予測対象者は、アンケート等によって香り嗜好スコアデータは得られているが、パーソナリティデータについては取得されておらず、パーソナリティが未知のユーザである。予測用データ入力部２１Ａは、パーソナリティの予測を行いたいユーザ（予測対象者）の香り嗜好スコアデータを入力する。上述した補正データおよび予備データについても、可能な限り入力するのが好ましい。

予測用変数生成部２２Ａは、予測用データ入力部２１Ａにより入力された予測用の香り嗜好スコアデータから複数の予測用説明変数を生成する。予測用説明変数を生成する方法は、学習用変数生成部１２Ａが学習用説明変数を生成する方法と同様である。

パーソナリティ予測部２３Ａは、予測用データ入力部２１Ａにより入力された予測用の香り嗜好スコアデータおよび予測用変数生成部２２Ａにより生成された複数の予測用説明変数を、学習モデル記憶部３０Ａに記憶された学習モデルに適用することにより、予測対象者のパーソナリティを予測する。

以上説明したように、第１の実施形態では、複数の学習対象者ごとに、複数の香りについてそれぞれ複数段階で定義される個人的な嗜好の程度を示す香り嗜好スコアデータと、所定の心理検査による結果として検出される個人の複数のパーソナリティを示すパーソナリティデータとをそれぞれ学習用データとして入力し、当該入力された学習用の香り嗜好スコアデータから複数の学習用説明変数を生成した上で、香り嗜好スコアデータを含む説明変数からパーソナリティデータを導くための学習モデルを構築する。そして、予測対象者について入力された予測用の香り嗜好スコアデータとそれから生成された説明変数とを学習モデルに適用することにより、予測対象者のパーソナリティを予測する。予測用データ入力部２１Ａにより補正データおよび予備データの一方または両方が入力されていた場合、それらを香り嗜好スコアデータを含む説明変数に加えても良い。

このように構成した第１の実施形態によれば、複数の学習対象者に関する香り嗜好スコアデータおよびパーソナリティデータに基づいて構築された学習モデルを利用して、予測対象者に関する香り嗜好スコアデータをもとに、当該予測対象者のパーソナリティを予測することができる。

（第２の実施形態）
次に、本発明の第２の実施形態を図面に基づいて説明する。図２は、第２の実施形態による関係性解析装置１Ｂの機能構成例を示すブロック図である。なお、この図２において、図１に示した符号と同一の符号を付したものは同一の機能を有するものであるので、ここでは重複する説明を省略する。

図２に示すように、第２の実施形態による関係性解析装置１Ｂは、学習器１０Ｂ、予測器２０Ｂおよび学習モデル記憶部３０Ｂを備えて構成される。学習器１０Ｂは、その機能構成として、学習対象者分類部１４Ｂを更に備えるとともに、モデル構築部１３Ａに代えてモデル構築部１３Ｂを備えている。予測器２０Ｂは、その機能構成として、予測対象者分類部２４Ｂを更に備えるとともに、パーソナリティ予測部２３Ａに代えてパーソナリティ予測部２３Ｂを備えている。

学習対象者分類部１４Ｂは、学習用変数生成部１２Ａにより生成された複数の学習用説明変数を用いて、複数の学習対象者の分類を行う。例えば、学習対象者分類部１４Ｂは、集団を分類する手法として公知のｋ−近傍法（X-means法含む）を用い、複数の学習対象者を複数のグループに分類する。なお、分類の手法はこれに限定されない。例えば、階層クラスター分析、因子分析、主成分分析、自己組織化マップ、ニューラルネットワーク、潜在クラス分析、潜在プロファイル分析、あるいはこれら手法の組み合わせを適用してもよい。

なお、集団の分類を行うことで、何れかのグループに所属する人数が２０人未満になった場合は、グループ数を減らして再度分類を行う。すなわち、所属人数が２０人未満のグループを削除し、当該グループに属していた２０人未満の学習対象者を別のグループに改めて分類し直す。このように再分類を行っても、各グループに所属する人数が２０人未満となる場合は、分類は行わない。

モデル構築部１３Ｂは、学習対象者分類部１４Ｂにより作成された分類ごとに学習モデルを構築し、構築した学習モデルを学習モデル記憶部３０Ｂに記憶させる。例えば、学習対象者分類部１４Ｂにより３つの分類（グループ）が生成された場合、モデル構築部１３Ｂは、第１の分類に属する学習対象者の香り嗜好スコアデータ、学習用説明変数およびパーソナリティデータを用いて、第１の分類に関する学習モデルを構築する。その他の第２の分類および第３の分類についても同様である。分類ごとに学習モデルを構築すること以外は、第１の実施形態で説明したモデル構築部１３Ａと同様である。

予測対象者分類部２４Ｂは、予測用変数生成部２２Ａにより生成された複数の予測用説明変数を用いて、予測対象者の分類を行う。ここで、予測対象者分類部２４Ｂは、学習対象者分類部１４Ｂにより作成されたグループのどれに予測対象者が属するかを決定する。例えば、予測対象者の分類を公知の機械学習アルゴリズム（例えば、Ｒａｎｄｏｍ Ｆｏｒｅｓｔ）を用いて行う。なお、予測対象者分類部２４Ｂにおいて用いる機械学習アルゴリズムは、Ｒａｎｄｏｍ Ｆｏｒｅｓｔに限定されるものではなく、ＳＶＭ、判別分析、決定木による分類など他のアルゴリズムを適用してもよい。

パーソナリティ予測部２３Ｂは、予測用データ入力部２１Ａにより入力された予測用の香り嗜好スコアデータおよび予測用変数生成部２２Ａにより生成された複数の予測用説明変数を、モデル構築部１３Ｂにより分類ごとに構築されて学習モデル記憶部３０Ｂに記憶された複数の学習モデルのうち、予測対象者分類部２４Ｂにより予測対象者が割り当てられた分類に対応する学習モデルに適用することにより、予測対象者のパーソナリティを予測する。

以上説明したように、第２の実施形態では、複数の学習対象者を複数のグループに分類し、分類ごとに学習モデルを構築する。そして、予測対象者が属する分類の学習モデルを用いてパーソナリティの予測を行うようにしている。このようにすることにより、学習モデルの精度を上げ、パーソナリティの予測精度を向上させることが可能となる。

（第３の実施形態）
次に、本発明の第３の実施形態を図面に基づいて説明する。図３は、第３の実施形態による関係性解析装置１Ｃの機能構成例を示すブロック図である。なお、この図３において、図１に示した符号と同一の符号を付したものは同一の機能を有するものであるので、ここでは重複する説明を省略する。

図３に示すように、第３の実施形態による関係性解析装置１Ｃは、学習器１０Ｃ、予測器２０Ｃおよび学習モデル記憶部３０Ａを備えて構成される。学習器１０Ｃは、その機能構成として、学習用欠損値補完部１５Ｃを更に備えるとともに、学習用変数生成部１２Ａおよびモデル構築部１３Ａに代えて学習用変数生成部１２Ｃおよびモデル構築部１３Ｃを備えている。予測器２０Ｃは、その機能構成として、予測用欠損値補完部２５Ｃを更に備えるとともに、予測用変数生成部２２Ａおよびパーソナリティ予測部２３Ａに代えて予測用変数生成部２２Ｃおよびパーソナリティ予測部２３Ｃを備えている。

学習用欠損値補完部１５Ｃは、学習用データ入力部１１Ａにより入力された学習用の香り嗜好スコアデータについて、少なくとも１つの香りに関するスコアデータが欠損している場合に、存在する他のスコアデータから、欠損している香りのスコアデータを推定して補完する。すなわち、学習用欠損値補完部１５Ｃは、香り嗜好スコアデータに欠損値がある場合に、値の存在する香り嗜好スコアデータを用い、機械学習によって推定することで欠損値を補完する。適用する機械学習は、例えばＲａｎｄｏｍ Ｆｏｒｅｓｔ（ＭｉｓｓＦｏｒｅｓｔによる欠損値補完含む）とする。

ここで、香り嗜好スコアデータの欠損値は、４１種類の食品の中で香りをかいだ経験がないといった場合に生じ得る。すなわち、心理検査の結果によるパーソナリティデータは存在し、かつ１つ以上の食品に関する香り嗜好スコアが入力されているが、それ以外の香りに対する嗜好については学習対象者が無回答あるいは分からないなどと答えた場合に、香り嗜好スコアデータが少なくとも１つの香りに関してスコアデータが欠損した状態となる。

また、値の存在する香り嗜好スコアデータとは、他の学習対象者に関する香り嗜好スコアデータである。欠損値の補完には、所定人数（例えば、２０人）以上の香り嗜好スコアデータを用いるのが好ましい。

なお、ここでは欠損値の補完にＲａｎｄｏｍ Ｆｏｒｅｓｔを用いるものとしたが、適用可能な機械学習アルゴリズムはこれに限定されない。すなわち、１つ以上の変数をもとに他の変数の予測を行うことが可能なアルゴリズムであれば、何れも適用することが可能である。例えば、ｋ−近傍法、ＳＶＭ、主成分分析、因子分析、多重代入法、重回帰、主成分回帰、ＰＬＳ、 ロバスト回帰、（多項）ロジスティック回帰、ｌａｓｓｏ回帰、Ｒｉｄｇｅ回帰、ｅｌａｓｔｉｃ−ｎｅｔ、数量化Ｉ類、ニューラルネットワーク、決定木、回帰木、マルコフモンテカルロ法、ベイジアンネットワークなどを適用してもよい。使用するデータの量と質および傾向の違いにより、最も使いやすい手法を選べばよい。

なお、学習用データ入力部１１Ａにより補正データや予備データが入力されている場合には、これらのデータも欠損値の補完に用いるようにしてもよい。また、学習用欠損値補完部１５Ｃは、学習用データ入力部１１Ａにより入力された補正データや予備データに欠損値が生じている場合に、これらの欠損値を補完するようにしてもよい。同様に、学習用データ入力部１１Ａにより入力されたパーソナリティデータに欠損値が生じている場合（心理検査の回答忘れや中途での心理検査終了などによって、少なくとも１つのパーソナリティに関するパーソナリティデータが欠損している場合）に、その欠損値を他のパーソナリティデータにより補完するようにしてもよい。ただし、モデル構築部１３Ｃで説明変数と目的変数に分かれるデータを混在させて補完はしない。

学習用変数生成部１２Ｃは、学習用データ入力部１１Ａにより入力された学習用の香り嗜好スコアデータおよび学習用欠損値補完部１５Ｃにより補完された香り嗜好スコアデータから複数の学習用説明変数を生成する。学習用変数生成部１２Ｃに入力するデータとして、学習用欠損値補完部１５Ｃにより補完された香り嗜好スコアデータが加わっていること以外は、第１の実施形態で説明した学習用変数生成部１２Ａと同様である。

モデル構築部１３Ｃは、学習用データ入力部１１Ａにより入力され、欠損値を学習用欠損値補完部１５Ｃにより補完された学習用の香り嗜好スコアデータと、学習用データ入力部１１Ａにより入力され、欠損値を学習用欠損値補完部１５Ｃにより補完された学習用のパーソナリティデータと、学習用変数生成部１２Ｃにより生成された複数の学習用説明変数とを用いて、香り嗜好スコアデータを含む説明変数からパーソナリティデータを導くための学習モデルを構築する。モデル構築部１３Ｃに入力するデータとして、学習用欠損値補完部１５Ｃにより補完された香り嗜好スコアデータが加わっていること以外は、第１の実施形態で説明したモデル構築部１３Ａと同様である。

予測用欠損値補完部２５Ｃは、予測用データ入力部２１Ａにより入力された予測用の香り嗜好スコアデータについて、少なくとも１つの香りに関するスコアデータが欠損している場合に、存在する他のスコアデータから、欠損している香りのスコアデータを推定して補完する。この場合における「存在する他のスコアデータ」とは、学習用データ入力部１１Ａにより入力されるとともに学習用欠損値補完部１５Ｃにより補完された欠損のない香り嗜好スコアデータである。なお、予測用データ入力部２１Ａにより補正データや予備データが入力されている場合には、これらのデータも欠損値の補完に用いるようにしてもよい。

すなわち、予測用データ入力部２１Ａにより入力された香り嗜好スコアデータに欠損がある場合、予測用欠損値補完部２５Ｃは、学習用データ入力部１１Ａおよび学習用欠損値補完部１５Ｃにより取得された欠損のない香り嗜好スコアデータを加えて、機械学習により欠損値を推定して補完する。機械学習は、学習用欠損値補完部１５Ｃにおいて使用した手法と同じ手法を用いるのが好ましい。

予測用変数生成部２２Ｃは、予測用データ入力部２１Ａにより入力された予測用の香り嗜好スコアデータおよび予測用欠損値補完部２５Ｃにより補完された香り嗜好スコアデータから複数の予測用説明変数を生成する。予測用変数生成部２２Ｃに入力するデータとして、予測用欠損値補完部２５Ｃにより補完された香り嗜好スコアデータが加わっていること以外は、第１の実施形態で説明した予測用変数生成部２２Ａと同様である。

パーソナリティ予測部２３Ｃは、予測用データ入力部２１Ａにより入力され、欠損値を予測用欠損値補完部２５Ｃにより補完された予測用の香り嗜好スコアデータおよび予測用変数生成部２２Ｃにより生成された複数の予測用説明変数を、学習モデル記憶部３０Ａに記憶された学習モデルに適用することにより、予測対象者のパーソナリティを予測する。パーソナリティ予測部２３Ｃに入力するデータとして、予測用欠損値補完部２５Ｃにより補完された香り嗜好スコアデータが加わっていること以外は、第１の実施形態で説明したパーソナリティ予測部２３Ａと同様である。

以上説明したように、第３の実施形態では、香り嗜好スコアデータに欠損値がある場合はこれを補完した上で、説明変数の生成、学習モデルの構築およびパーソナリティの予測を行うようにしている。このようにすることにより、構築される学習モデルや予測用データの精度を上げ、パーソナリティの予測精度を向上させることが可能となる。

（第４の実施形態）
次に、本発明の第４の実施形態を図面に基づいて説明する。図４は、第４の実施形態による関係性解析装置１Ｄの機能構成例を示すブロック図である。なお、この図４において、図１〜図３に示した符号と同一の符号を付したものは同一の機能を有するものであるので、ここでは重複する説明を省略する。

図４に示すように、第４の実施形態による関係性解析装置１Ｄは、学習器１０Ｄ、予測器２０Ｄおよび学習モデル記憶部３０Ｂを備えて構成される。学習器１０Ｄは、その機能構成として、学習用欠損値再補完部１６Ｄおよび学習用変数再生成部１７Ｄを更に備えるとともに、モデル構築部１３Ｂに代えてモデル構築部１３Ｄを備えている。予測器２０Ｄは、その機能構成として、予測用欠損値再補完部２６Ｄおよび予測用変数再生成部２７Ｄを更に備えるとともに、パーソナリティ予測部２３Ｂに代えてパーソナリティ予測部２３Ｄを備えている。

学習用欠損値再補完部１６Ｄは、学習対象者分類部１４Ｂによる分類の実施後に、学習用欠損値補完部１５Ｃにより補完されていた香り嗜好スコアデータを削除し、学習対象者分類部１４Ｂにより作成された分類ごとに、存在する他の香り嗜好スコアデータから、欠損している香りのスコアデータを推定して再補完する。この場合における「存在する他の香り嗜好スコアデータ」とは、欠損が生じている香り嗜好スコアデータに対応する学習対象者が属する分類と同じ分類における他の学習対象者に関する香り嗜好スコアデータである。なお、学習用欠損値補完部１５Ｃにより、補正データや予備データが補完されている場合には、これらのデータに対しても削除と再補完を行う。

学習用欠損値補完部１５Ｃによる欠損値の補完は、学習対象者分類部１４Ｂによる分類が実施される前の補完であり、欠損が生じている香り嗜好スコアデータに対応する学習対象者と同じ分類に属するかどうかは関係なく、他の学習対象者に関する香り嗜好スコアデータを用いた補完である。これに対し、学習用欠損値再補完部１６Ｄによる補完は、欠損が生じている香り嗜好スコアデータに対応する学習対象者と同じ分類に属する他の学習対象者に関する香り嗜好スコアデータだけを用いた補完であるため、補完（推定）される香り嗜好スコアデータの精度を上げることが可能である。

なお、補完の精度を上げるため、学習用欠損値補完部１５Ｃにより欠損値を補完する際に推定の確からしさを示すデータとして得られる指標値と、学習用欠損値再補完部１６Ｄにより欠損値を補完する際に推定の確からしさを示すデータとして得られる指標値とを比較し、推定の確からしさが大きい方を採用するようにしてもよい。例えば、推定の機械学習アルゴリズムとしてＲａｎｄｏｍ Ｆｏｒｅｓｔを用いる場合、推定の際に出力されるデータの中にＯＯＢ(Ｏｕｔ−ｏｆ−ｂａｇ)エラーという変数が含まれている。このＯＯＢエラーの数値が低い方の補完が正しいと判断し、分類前または分類後のどちらで補完された香り嗜好スコアデータを用いるか決定する。

学習用変数再生成部１７Ｄは、学習対象者分類部１４Ｂによる分類の実施後に、学習用欠損値再補完部１６Ｄにより再補完された香り嗜好スコアデータから学習用変数生成部１２Ｃにより生成されていた学習用説明変数を削除する。その上で、学習対象者分類部１４Ｂにより作成された分類ごとに、学習用データ入力部１１Ａにより入力された学習用の香り嗜好スコアデータおよび学習用欠損値再補完部１６Ｄにより再補完された香り嗜好スコアデータから複数の学習用説明変数を再生成する。

学習用変数生成部１２Ｃによる学習用説明変数の生成は、学習対象者分類部１４Ｂによる分類が実施される前の生成であり、分類とは無関係に学習用欠損値補完部１５Ｃにより補完された香り嗜好スコアデータを用いた学習用説明変数の生成である。これに対し、学習用変数再生成部１７Ｄによる学習用説明変数の生成は、欠損が生じている香り嗜好スコアデータに対応する学習対象者と同じ分類に属する他の学習対象者に関する香り嗜好スコアデータを用いて学習用欠損値再補完部１６Ｄにより補完された、推定精度の高い香り嗜好スコアデータを用いた学習用説明変数の生成である。そのため、学習用変数再生成部１７Ｄにより生成される学習用説明変数の精度を上げることが可能である。

モデル構築部１３Ｄは、学習用データ入力部１１Ａにより入力された学習用の香り嗜好スコアデータおよびパーソナリティデータと、学習用欠損値再補完部１６Ｄにより再補完された香り嗜好スコアデータと、学習用変数再生成部１７Ｄにより再生成された複数の学習用説明変数とを用いて、香り嗜好スコアデータを含む説明変数からパーソナリティデータを導くための学習モデルを構築し、構築した学習モデルを学習モデル記憶部３０Ｂに記憶させる。モデル構築部１３Ｄに入力するデータとして、学習用欠損値再補完部１６Ｄにより再補完された香り嗜好スコアデータが加わるとともに、学習用変数生成部１２Ａにより生成された学習用説明変数が学習用変数再生成部１７Ｄにより再生成された学習用説明変数に置き換わっていること以外は、第２の実施形態で説明したモデル構築部１３Ｂと同様である。

予測用欠損値再補完部２６Ｄは、予測対象者分類部２４Ｂによる分類の実施後に、予測用欠損値補完部２５Ｃにより補完されていた香り嗜好スコアデータを削除し、予測対象者分類部２４Ｂにより予測対象者が割り当てられた分類について、存在する他のスコアデータから、欠損している香りのスコアデータを推定して再補完する。この場合における「存在する他の香り嗜好スコアデータ」とは、欠損が生じている香り嗜好スコアデータに対応する予測対象者が属する分類と同じ分類における学習対象者に関する香り嗜好スコアデータであり、学習用データ入力部１１Ａにより入力されるとともに学習用欠損値再補完部１６Ｄにより補完された欠損のない香り嗜好スコアデータを意味する。なお、予測用欠損値補完部２５Ｃにより補正データや予備データが補完されている場合には、これらのデータに対しても削除と再補完を行う。

予測用欠損値補完部２５Ｃによる欠損値の補完は、予測対象者分類部２４Ｂによる分類が実施される前の補完であり、欠損が生じている香り嗜好スコアデータに対応する予測対象者と同じ分類に属するかどうかは関係なく、全般的な学習対象者に関する香り嗜好スコアデータを用いた補完である。これに対し、予測用欠損値再補完部２６Ｄによる補完は、欠損が生じている香り嗜好スコアデータに対応する予測対象者と同じ分類に属する学習対象者に関する香り嗜好スコアデータだけを用いた補完であるため、補完（推定）される香り嗜好スコアデータの精度を上げることが可能である。

なお、補完の精度を上げるため、予測用欠損値補完部２５Ｃにより欠損値を補完する際に推定の確からしさを示すデータとして得られる指標値と、予測用欠損値再補完部２６Ｄにより欠損値を補完する際に推定の確からしさを示すデータとして得られる指標値とを比較し、推定の確からしさが大きい方を採用するようにしてもよい。

予測用変数再生成部２７Ｄは、予測対象者分類部２４Ｂによる分類の実施後に、予測用欠損値再補完部２６Ｄにより再補完された香り嗜好スコアデータから予測用変数生成部２２Ｃにより生成されていた予測用説明変数を削除する。その上で、予測対象者分類部２４Ｂにより予測対象者が割り当てられた分類について、予測用データ入力部２１Ａにより入力された予測用の香り嗜好スコアデータおよび予測用欠損値再補完部２６Ｄにより再補完された香り嗜好スコアデータから複数の予測用説明変数を再生成する。

予測用変数生成部２２Ｃによる予測用説明変数の生成は、予測対象者分類部２４Ｂによる分類が実施される前の生成であり、分類とは無関係に予測用欠損値補完部２５Ｃにより補完された香り嗜好スコアデータを用いた予測用説明変数の生成である。これに対し、予測用変数再生成部２７Ｄによる予測用説明変数の生成は、欠損が生じている香り嗜好スコアデータに対応する予測対象者と同じ分類に属する学習対象者に関する香り嗜好スコアデータだけを用いて予測用欠損値再補完部２６Ｄにより補完された、推定精度の高い香り嗜好スコアデータを用いた予測用説明変数の生成である。そのため、予測用変数再生成部２７Ｄにより生成される予測用説明変数の精度を上げることが可能である。

パーソナリティ予測部２３Ｄは、予測用データ入力部２１Ａにより入力された予測用の香り嗜好スコアデータ、予測用欠損値再補完部２６Ｄにより再補完された香り嗜好スコアデータおよび予測用変数再生成部２７Ｄにより再生成された複数の予測用説明変数を、学習モデル記憶部３０Ｂに記憶された分類ごとの学習モデルのうち、予測対象者分類部２４Ｂにより予測対象者が割り当てられた分類に対応する学習モデルに適用することにより、予測対象者のパーソナリティを予測する。パーソナリティ予測部２３Ｄに入力するデータとして、予測用欠損値再補完部２６Ｄにより再補完された香り嗜好スコアデータが加わるとともに、予測用変数生成部２２Ａにより生成された予測用説明変数が予測用変数再生成部２７Ｄにより再生成された予測用説明変数に置き換わっていること以外は、第２の実施形態で説明したパーソナリティ予測部２３Ｂと同様である。

以上説明したように、第４の実施形態では、複数の学習対象者を複数のグループに分類し、分類ごとに学習モデルを構築する。そして、予測対象者が属する分類の学習モデルを用いてパーソナリティの予測を行うようにしている。このようにすることにより、学習モデルの精度を上げ、パーソナリティの予測精度を向上させることが可能となる。

また、第４の実施形態では、香り嗜好スコアデータに欠損値がある場合はこれを補完した上で、説明変数の生成、学習モデルの構築およびパーソナリティの予測を行うようにしている。このようにすることにより、構築される学習モデルや予測に用いる香り嗜好スコアデータや説明変数の精度を上げ、パーソナリティの予測精度を向上させることが可能となる。

さらに、第４の実施形態では、全般的な香り嗜好スコアデータを用いて欠損値を補完した香り嗜好スコアデータから変数を生成して説明変数に加え、その説明変数をもとに分類を作成した後に、その分類ごとに、分類に属する香り嗜好スコアデータを用いて欠損値の補完および説明変数の生成を再実行している。このようにすることにより、構築される学習モデルや予測に用いる香り嗜好スコアデータや説明変数の精度を更に上げ、パーソナリティの予測精度を更に向上させることが可能となる。

以上、人の香りに対する嗜好からパーソナリティの予測を行う第１〜第４の実施形態について説明した。次に、人のパーソナリティから香りに対する嗜好の予測を行う第５〜第８の実施形態について説明する。なお、第５〜第８の実施形態は、予測の方向が第１〜第４の実施形態と逆転するのみで、個々の機能ブロックが実行する処理のロジック自体は第１〜第４の実施形態と大きく変わらないので、以下では簡略的に説明する。

（第５の実施形態）
次に、本発明の第５の実施形態を図面に基づいて説明する。図５は、第５の実施形態による関係性解析装置２Ａの機能構成例を示すブロック図である。図５に示すように、第５の実施形態による関係性解析装置２Ａは、学習器５０Ａ、予測器６０Ａおよび学習モデル記憶部７０Ａを備えて構成される。学習器５０Ａは、その機能構成として、学習用データ入力部５１Ａ、学習用変数生成部５２Ａおよびモデル構築部５３Ａを備えている。予測器６０Ａは、その機能構成として、予測用データ入力部６１Ａ、予測用変数生成部６２Ａおよび香り嗜好予測部６３Ａを備えている。

学習用データ入力部５１Ａは、複数の学習対象者ごとに、複数の香りについてそれぞれ複数段階で定義される個人的な嗜好の程度を示す香り嗜好スコアデータと、所定の心理検査による結果として検出される個人の複数のパーソナリティを示すパーソナリティデータとを、それぞれ学習用データとして入力する。

学習用変数生成部５２Ａは、学習用データ入力部５１Ａにより入力された学習用のパーソナリティデータから複数の学習用説明変数を生成する。新たな説明変数の生成に用いる情報量を多くするために、学習用データ入力部５１Ａが、香り嗜好スコアデータおよびパーソナリティデータの他に、上述した補正データおよび予備データの少なくとも一方を更に入力するようにしてもよい。

モデル構築部５３Ａは、学習用データ入力部５１Ａにより入力された学習用の香り嗜好スコアデータおよびパーソナリティデータと、学習用変数生成部５２Ａにより生成された複数の学習用説明変数とを用いて、パーソナリティデータを含む説明変数から香り嗜好スコアデータを導くための学習モデルを構築し、構築した学習モデルを学習モデル記憶部７０Ａに記憶させる。

予測用データ入力部６１Ａは、予測対象者について、パーソナリティデータを予測用データとして入力する。

予測用変数生成部６２Ａは、予測用データ入力部６１Ａにより入力された予測用のパーソナリティデータから複数の予測用説明変数を生成する。

香り嗜好予測部６３Ａは、予測用データ入力部６１Ａにより入力された予測用のパーソナリティデータおよび予測用変数生成部６２Ａにより生成された複数の予測用説明変数を、学習モデル記憶部７０Ａに記憶された学習モデルに適用することにより、予測対象者の香り嗜好を予測する。

以上説明したように、第５の実施形態では、複数の学習対象者ごとに、複数の香りについてそれぞれ複数段階で定義される個人的な嗜好の程度を示す香り嗜好スコアデータと、所定の心理検査による結果として検出される個人の複数のパーソナリティを示すパーソナリティデータとをそれぞれ学習用データとして入力し、当該入力された学習用のパーソナリティデータから複数の学習用説明変数を生成した上で、パーソナリティデータを含む説明変数から香り嗜好スコアデータを導くための学習モデルを構築する。そして、予測対象者について入力された予測用のパーソナリティデータとそれから生成された説明変数を学習モデルに適用することにより、予測対象者の香り嗜好を予測する。

このように構成した第５の実施形態によれば、複数の学習対象者に関する香り嗜好スコアデータおよびパーソナリティデータに基づいて構築された学習モデルを利用して、予測対象者に関するパーソナリティデータをもとに、当該予測対象者の香り嗜好を予測することができる。

（第６の実施形態）
次に、本発明の第６の実施形態を図面に基づいて説明する。図６は、第６の実施形態による関係性解析装置２Ｂの機能構成例を示すブロック図である。なお、この図６において、図５に示した符号と同一の符号を付したものは同一の機能を有するものであるので、ここでは重複する説明を省略する。

図６に示すように、第６の実施形態による関係性解析装置２Ｂは、学習器５０Ｂ、予測器６０Ｂおよび学習モデル記憶部７０Ｂを備えて構成される。学習器５０Ｂは、その機能構成として、学習対象者分類部５４Ｂを更に備えるとともに、モデル構築部５３Ａに代えてモデル構築部５３Ｂを備えている。予測器６０Ｂは、その機能構成として、予測対象者分類部６４Ｂを更に備えるとともに、香り嗜好予測部６３Ａに代えて香り嗜好予測部６３Ｂを備えている。

学習対象者分類部５４Ｂは、学習用変数生成部５２Ａにより生成された複数の学習用説明変数を用いて、複数の学習対象者の分類を行う。

モデル構築部５３Ｂは、学習対象者分類部５４Ｂにより作成された分類ごとに学習モデルを構築し、構築した学習モデルを学習モデル記憶部７０Ｂに記憶させる。

予測対象者分類部６４Ｂは、予測用変数生成部６２Ａにより生成された複数の予測用説明変数を用いて、予測対象者の分類を行う。

香り嗜好予測部６３Ｂは、予測用データ入力部６１Ａにより入力された予測用のパーソナリティデータおよび予測用変数生成部６２Ａにより生成された複数の予測用説明変数を、学習モデル記憶部７０Ｂに分類ごとに記憶された学習モデルのうち、予測対象者分類部６４Ｂにより予測対象者が割り当てられた分類に対応する学習モデルに適用することにより、予測対象者の香り嗜好を予測する。

以上説明したように、第６の実施形態では、複数の学習対象者を複数のグループに分類し、分類ごとに学習モデルを構築する。そして、予測対象者が属する分類の学習モデルを用いて香り嗜好の予測を行うようにしている。このようにすることにより、学習モデルの精度を上げ、香り嗜好の予測精度を向上させることが可能となる。

（第７の実施形態）
次に、本発明の第７の実施形態を図面に基づいて説明する。図７は、第７の実施形態による関係性解析装置２Ｃの機能構成例を示すブロック図である。なお、この図７において、図５に示した符号と同一の符号を付したものは同一の機能を有するものであるので、ここでは重複する説明を省略する。

図７に示すように、第７の実施形態による関係性解析装置２Ｃは、学習器５０Ｃ、予測器６０Ｃおよび学習モデル記憶部７０Ａを備えて構成される。学習器５０Ｃは、その機能構成として、学習用欠損値補完部５５Ｃを更に備えるとともに、学習用変数生成部５２Ａおよびモデル構築部５３Ａに代えて学習用変数生成部５２Ｃおよびモデル構築部５３Ｃを備えている。予測器６０Ｃは、その機能構成として、予測用欠損値補完部６５Ｃを更に備えるとともに、予測用変数生成部６２Ａおよび香り嗜好予測部６３Ａに代えて予測用変数生成部６２Ｃおよび香り嗜好予測部６３Ｃを備えている。

学習用欠損値補完部５５Ｃは、学習用データ入力部５１Ａにより入力された学習用のパーソナリティデータについて、少なくとも１つのパーソナリティに関するパーソナリティデータが欠損している場合に、存在する他のパーソナリティデータから、欠損しているパーソナリティのパーソナリティデータを推定して補完する。

なお、学習用データ入力部５１Ａにより補正データや予備データが入力されている場合には、これらのデータも欠損値の補完に用いるようにしてもよい。また、学習用欠損値補完部５５Ｃは、学習用データ入力部５１Ａにより入力された補正データや予備データに欠損値が生じている場合に、これらの欠損値を補完するようにしてもよい。同様に、学習用データ入力部５１Ａにより入力された香り嗜好スコアデータに欠損値が生じている場合に、その欠損値を他の香り嗜好スコアデータにより補完するようにしてもよい。ただし、モデル構築部５３Ｃで説明変数と目的変数に分かれるデータを混在させて補完はしない。

学習用変数生成部５２Ｃは、学習用データ入力部５１Ａにより入力された学習用のパーソナリティデータおよび学習用欠損値補完部５５Ｃにより補完されたパーソナリティデータから複数の学習用説明変数を生成する。

モデル構築部５３Ｃは、学習用データ入力部５１Ａにより入力された学習用の香り嗜好スコアデータおよびパーソナリティデータと、欠損値補完部５５Ｃにより補完されたパーソナリティデータと、学習用変数生成部５２Ｃにより生成された複数の学習用説明変数とを用いて、パーソナリティデータを含む説明変数から香り嗜好スコアデータを導くための学習モデルを構築する。

予測用欠損値補完部６５Ｃは、予測用データ入力部６１Ａにより入力された予測用のパーソナリティデータについて、少なくとも１つのパーソナリティに関するパーソナリティデータが欠損している場合に、存在する他のパーソナリティデータから、欠損しているパーソナリティのパーソナリティデータを推定して補完する。なお、予測用データ入力部６１Ａにより補正データや予備データが入力されている場合には、これらのデータも欠損値の補完に用いるようにしてもよい。

予測用変数生成部６２Ｃは、予測用データ入力部６１Ａにより入力された予測用のパーソナリティデータおよび予測用欠損値補完部６５Ｃにより補完されたパーソナリティデータから複数の予測用説明変数を生成する。

香り嗜好予測部６３Ｃは、予測用データ入力部６１Ａにより入力し、欠損値を予測用欠損値補完部６５Ｃにより補完されたパーソナリティデータおよび予測用変数生成部６２Ｃで生成された予測用説明変数を学習モデル記憶部７０Ａに記憶された学習モデルに適用することにより、予測対象者の香り嗜好を予測する。

以上説明したように、第７の実施形態では、パーソナリティデータに欠損値がある場合はこれを補完した上で、説明変数の生成、学習モデルの構築および香り嗜好の予測を行うようにしている。このようにすることにより、構築される学習モデルや予測用データの精度を上げ、香り嗜好の予測精度を向上させることが可能となる。

（第８の実施形態）
次に、本発明の第８の実施形態を図面に基づいて説明する。図８は、第８の実施形態による関係性解析装置２Ｄの機能構成例を示すブロック図である。なお、この図８において、図５〜図７に示した符号と同一の符号を付したものは同一の機能を有するものであるので、ここでは重複する説明を省略する。

図８に示すように、第８の実施形態による関係性解析装置２Ｄは、学習器５０Ｄ、予測器６０Ｄおよび学習モデル記憶部７０Ｂを備えて構成される。学習器５０Ｄは、その機能構成として、学習用欠損値再補完部５６Ｄおよび学習用変数再生成部５７Ｄを更に備えるとともに、モデル構築部５３Ｂに代えてモデル構築部５３Ｄを備えている。予測器６０Ｄは、その機能構成として、予測用欠損値再補完部６６Ｄおよび予測用変数再生成部６７Ｄを更に備えるとともに、香り嗜好予測部６３Ｂに代えて香り嗜好予測部６３Ｄを備えている。

学習用欠損値再補完部５６Ｄは、学習対象者分類部５４Ｂによる分類の実施後に、学習用欠損値補完部５５Ｃにより補完されていたパーソナリティデータを削除し、学習対象者分類部５４Ｂにより作成された分類ごとに、存在する他のパーソナリティデータから、欠損しているパーソナリティのパーソナリティデータを推定して再補完する。なお、学習用欠損値補完部５５Ｃにより、補正データや予備データが補完されている場合には、これらのデータに対しても削除と再補完を行う。

学習用変数再生成部５７Ｄは、学習対象者分類部５４Ｂによる分類の実施後に、学習用欠損値再補完部５６Ｄにより再補完されたパーソナリティデータから学習用変数生成部５２Ｃにより生成されていた学習用説明変数を削除する。その上で、学習対象者分類部５４Ｂにより作成された分類ごとに、学習用データ入力部５１Ａにより入力された学習用のパーソナリティデータおよび学習用欠損値再補完部５６Ｄにより再補完されたパーソナリティデータから複数の学習用説明変数を再生成する。

モデル構築部５３Ｄは、学習用データ入力部５１Ａにより入力された学習用の香り嗜好スコアデータおよびパーソナリティデータと、学習用欠損値再補完部５６Ｄにより再補完されたパーソナリティデータと、学習用変数再生成部５７Ｄにより再生成された複数の学習用説明変数とを用いて、パーソナリティデータを含む説明変数から香り嗜好スコアデータを導くための学習モデルを構築し、構築した学習モデルを学習モデル記憶部７０Ｂに記憶させる。

予測用欠損値再補完部６６Ｄは、予測対象者分類部６４Ｂによる分類の実施後に、予測用欠損値補完部６５Ｃにより補完されていたパーソナリティデータを削除し、予測対象者分類部６４Ｂにより予測対象者が割り当てられた分類について、存在する他のパーソナリティデータから、欠損しているパーソナリティのパーソナリティデータを推定して再補完する。なお、予測用欠損値補完部６５Ｃにより補正データや予備データが補完されている場合には、これらのデータに対しても削除と再補完を行う。

予測用変数再生成部６７Ｄは、予測対象者分類部６４Ｂによる分類の実施後に、予測用欠損値再補完部６６Ｄにより再補完されたパーソナリティデータから予測用変数生成部６２Ｃにより生成されていた予測用説明変数を削除する。その上で、予測対象者分類部６４Ｂにより予測対象者が割り当てられた分類について、予測用データ入力部６１Ａにより入力された予測用のパーソナリティデータおよび予測用欠損値再補完部６６Ｄにより再補完されたパーソナリティデータから複数の予測用説明変数を再生成する。

香り嗜好予測部６３Ｄは、予測用データ入力部６１Ａにより入力され予測用欠損値再補完部６６Ｄにより再補完されたパーソナリティデータおよび予測用変数再生成部６７Ｄによって再生成された予測用説明変数を、学習モデル記憶部７０Ｂに記憶された学習モデルのうち、予測対象者分類部６４Ｂにより予測対象者が割り当てられた分類に対応する学習モデルに適用することにより、予測対象者の香り嗜好予測部を予測する。

以上説明したように、第８の実施形態では、複数の学習対象者を複数のグループに分類し、分類ごとに学習モデルを構築する。そして、予測対象者が属する分類の学習モデルを用いて香り嗜好の予測を行うようにしている。このようにすることにより、学習モデルの精度を上げ、香り嗜好の予測精度を向上させることが可能となる。

また、第８の実施形態では、パーソナリティデータに欠損値がある場合はこれを補完した上で、説明変数の生成、学習モデルの構築および香り嗜好の予測を行うようにしている。このようにすることにより、構築される学習モデルや予測に用いるパーソナリティデータや説明変数の精度を上げ、香り嗜好の予測精度を向上させることが可能となる。

さらに、第８の実施形態では、全般的なパーソナリティデータを用いて欠損値を補完したパーソナリティデータから説明変数を生成して説明変数に加え、その説明変数をもとに分類を作成した後に、その分類ごとに、分類に属するパーソナリティデータを用いて欠損値の補完および説明変数の生成を再実行している。このようにすることにより、構築される学習モデルや予測に用いるパーソナリティデータや説明変数の精度を更に上げ、香り嗜好の予測精度を更に向上させることが可能となる。

なお、上記第１〜第８の実施形態は、何れも本発明を実施するにあたっての具体化の一例を示したものに過ぎず、これらによって本発明の技術的範囲が限定的に解釈されてはならないものである。すなわち、本発明はその要旨、またはその主要な特徴から逸脱することなく、様々な形で実施することができる。

例えば、上記実施形態では、食品の香りとパーソナリティとの関係性を解析する例について説明したが、食品以外の香りとパーソナリティとの関係性を解析することも可能である。

また、上記第１〜第４の実施形態では、学習用データ入力部１１Ａにより入力された学習用の香り嗜好スコアデータ（第３および第４の実施形態の場合は欠損値が補完されたものも含む。以下、同様）および学習用変数生成部１２Ａ，１２Ｃにより生成された複数の学習用説明変数（第４の実施形態の場合は学習用変数再生成部１７Ｄにより再生成されたものも含む。以下、同様）の両方を用いて学習モデルを構築する例について説明したが、入力された学習用の香り嗜好スコアデータまたは生成された複数の学習用説明変数の何れか一方を用いて学習モデルを構築するようにしてもよい。同様に、第５〜第８の実施形態において、学習用データ入力部５１Ａにより入力された学習用のパーソナリティデータ（第７および第８の実施形態の場合は欠損値が補完されたものも含む。以下、同様）または学習用変数生成部５２Ａ，５２Ｃにより生成された複数の学習用説明変数（第４の実施形態の場合は学習用変数再生成部５７Ｄにより再生成されたものも含む。以下、同様）の何れか一方を用いて学習モデルを構築するようにしてもよい。

この場合、第１〜第４の実施形態におけるパーソナリティ予測部２３Ａ〜２３Ｄは、予測用データ入力部２１Ａにより入力された予測用の香り嗜好スコアデータ（第３および第４の実施形態の場合は欠損値が補完されたものも含む。以下、同様）または予測用変数生成部２２Ａ，２２Ｃにより生成された複数の予測用説明変数（第４の実施形態の場合は予測用変数再生成部２７Ｄにより再生成されたものも含む。以下、同様）の何れか一方を学習モデルに適用することにより、予測対象者のパーソナリティを予測する。同様に、第５〜第８の実施形態における香り嗜好予測部６３Ａ〜６３Ｄは、予測用データ入力部６１Ａにより入力された予測用のパーソナリティデータ（第７および第８の実施形態の場合は欠損値が補完されたものも含む。以下、同様）または予測用変数生成部６２Ａ，６２Ｃにより生成された複数の予測用説明変数（第４の実施形態の場合は予測用変数再生成部６７Ｄにより再生成されたものも含む。以下、同様）の何れか一方を学習モデルに適用することにより、予測対象者の香り嗜好を予測する。

また、上記第２および第４の実施形態では、学習用変数生成部１２Ａ，１２Ｃにより生成された複数の学習用説明変数を用いて予測対象者の分類を行う例について説明したが、学習用データ入力部１１Ａにより入力された学習用の香り嗜好スコアデータ（第４の実施形態の場合は欠損値が補完されたものも含む。以下同様）を用いて分類を行うようにしてもよいし、入力された学習用の香り嗜好スコアデータと生成された複数の学習用説明変数との両方を用いて分類を行うようにしてもよい。同様に、第６および第８の実施形態において、学習用変数生成部５２Ａ，５２Ｃにより生成された複数の学習用説明変数を用いて予測対象者の分類を行う例の他、学習用データ入力部５１Ａにより入力された学習用のパーソナリティデータ（第８の実施形態の場合は欠損値が補完されたものも含む。以下同様）を用いて分類を行うようにしてもよいし、入力された学習用のパーソナリティデータと生成された複数の学習用説明変数との両方を用いて分類を行うようにしてもよい。

１Ａ，１Ｂ，１Ｃ，１Ｄ 関係性解析装置（パーソナリティ予測用）
２Ａ，２Ｂ，２Ｃ，２Ｄ 関係性解析装置（香り嗜好予測用）
１０Ａ，１０Ｂ，１０Ｃ，１０Ｄ 学習器
１１Ａ 学習用データ入力部
１２Ａ, １２Ｃ 学習用変数生成部
１３Ａ，１３Ｂ, １３Ｃ, １３Ｄ モデル構築部
１４Ｂ 学習対象者分類部
１５Ｃ 学習用欠損値補完部
１６Ｄ 学習用欠損値再補完部
１７Ｄ 学習用変数再生成部
２０Ａ，２０Ｂ，２０Ｃ，２０Ｄ 予測器
２１Ａ 予測用データ入力部
２２Ａ, ２２Ｃ 予測用変数生成部
２３Ａ，２３Ｂ, ２３Ｃ, ２３Ｄ パーソナリティ予測部
２４Ｂ 予測対象者分類部
２５Ｃ 予測用欠損値補完部
２６Ｄ 予測用欠損値再補完部
２７Ｄ 予測用変数再生成部
３０Ａ，３０Ｂ学習モデル記憶部
５０Ａ，５０Ｂ，５０Ｃ，５０Ｄ 学習器
５１Ａ 学習用データ入力部
５２Ａ, ５２Ｃ 学習用変数生成部
５３Ａ，５３Ｂ，５３Ｃ, ５３Ｄ モデル構築部
５４Ｂ 学習対象者分類部
５５Ｃ 学習用欠損値補完部
５６Ｄ 学習用欠損値再補完部
５７Ｄ 学習用変数再生成部
６０Ａ，６０Ｂ，６０Ｃ，６０Ｄ 予測器
６１Ａ 予測用データ入力部
６２Ａ, ６２Ｃ 予測用変数生成部
６３Ａ，６３Ｂ，６３Ｃ, ６３Ｄ 香り嗜好予測部
６４Ｂ 予測対象者分類部
６５Ｃ 予測用欠損値補完部
６６Ｄ 予測用欠損値再補完部
６７Ｄ 予測用変数再生成部
７０Ａ，７０Ｂ 学習モデル記憶部

Claims (14)

1. 複数の学習対象者ごとに、複数の香りについてそれぞれ複数段階で定義される個人的な嗜好の程度を示す香り嗜好スコアデータ、および、所定の心理検査による結果として検出される個人の複数のパーソナリティを示すパーソナリティデータを、それぞれ学習用データとして入力する学習用データ入力部と、
   上記学習用データ入力部により入力された学習用の上記香り嗜好スコアデータおよび上記パーソナリティデータを用いて、上記香り嗜好スコアデータを含む説明変数から上記パーソナリティデータを導くための学習モデルを構築するモデル構築部と、
   予測対象者について、上記香り嗜好スコアデータを予測用データとして入力する予測用データ入力部と、
   上記予測用データ入力部により入力された予測用の上記香り嗜好スコアデータを、上記モデル構築部により構築された上記学習モデルに適用することにより、上記予測対象者のパーソナリティを予測するパーソナリティ予測部とを備えたことを特徴とする嗅覚嗜好とパーソナリティとの関係性解析装置。
2. 上記学習用データ入力部により入力された学習用の上記香り嗜好スコアデータから複数の学習用説明変数を生成する学習用変数生成部と、
   上記予測用データ入力部により入力された予測用の上記香り嗜好スコアデータから複数の予測用説明変数を生成する予測用変数生成部とを更に備え、
   上記モデル構築部は、上記学習用データ入力部により入力された学習用の上記香り嗜好スコアデータおよび上記学習用変数生成部により生成された上記複数の学習用説明変数の両方またはいずれか一方と、上記学習用データ入力部により入力された学習用の上記パーソナリティデータとを用いて、上記学習モデルを構築し、
   上記パーソナリティ予測部は、上記予測用データ入力部により入力された予測用の上記香り嗜好スコアデータおよび上記予測用変数生成部により生成された上記複数の予測用説明変数の両方またはいずれか一方を、上記モデル構築部により構築された上記学習モデルに適用することにより、上記予測対象者のパーソナリティを予測することを特徴とする請求項１に記載の嗅覚嗜好とパーソナリティとの関係性解析装置。
3. 上記学習用データ入力部により入力された学習用の上記香り嗜好スコアデータから複数の学習用説明変数を生成する学習用変数生成部と、
   上記学習用データ入力部により入力された学習用の上記香り嗜好スコアデータおよび上記学習用変数生成部により生成された上記複数の学習用説明変数の両方またはいずれか一方を用いて、上記複数の学習対象者の分類を行う学習対象者分類部と、
   上記予測用データ入力部により入力された予測用の上記香り嗜好スコアデータから複数の予測用説明変数を生成する予測用変数生成部と、
   上記予測用データ入力部により入力された予測用の上記香り嗜好スコアデータおよび上記予測用変数生成部により生成された上記複数の予測用説明変数の両方またはいずれか一方を用いて、上記予測対象者の分類を行う予測対象者分類部とを更に備え、
   上記モデル構築部は、上記学習対象者分類部により作成された分類ごとに上記学習モデルを構築し、
   上記パーソナリティ予測部は、上記予測用データ入力部により入力された予測用の上記香り嗜好スコアデータおよび上記予測用変数生成部により生成された上記複数の予測用説明変数の両方またはいずれか一方を、上記モデル構築部により分類ごとに構築された上記学習モデルのうち、上記予測対象者分類部により上記予測対象者が割り当てられた分類に対応する学習モデルに適用することにより、上記予測対象者のパーソナリティを予測することを特徴とする請求項１に記載の嗅覚嗜好とパーソナリティとの関係性解析装置。
4. 上記学習用データ入力部により入力された学習用の上記香り嗜好スコアデータについて、少なくとも１つの香りに関する香り嗜好スコアデータが欠損している場合に、存在する他の香り嗜好スコアデータから、欠損している香りの香り嗜好スコアデータを推定して補完する学習用欠損値補完部を更に備え、
   上記学習用変数生成部は、上記学習用データ入力部により入力し欠損値を上記学習用欠損値補完部により補完された香り嗜好スコアデータから上記複数の学習用説明変数を生成し、
   上記モデル構築部は、上記学習用データ入力部により入力し欠損値を上記学習用欠損値補完部により補完された学習用の上記香り嗜好スコアデータ、および、上記学習用変数再生成部により再生成された上記複数の学習用説明変数の両方またはいずれか一方と、上記学習用データ入力部により入力された上記パーソナリティデータとを用いて、上記学習モデルを構築することを特徴とする請求項２に記載の嗅覚嗜好とパーソナリティとの関係性解析装置。
5. 上記学習用データ入力部により入力された学習用の上記香り嗜好スコアデータについて、少なくとも１つの香りに関する香り嗜好スコアデータが欠損している場合に、存在する他の香り嗜好スコアデータから、欠損している香りの香り嗜好スコアデータを推定して補完する学習用欠損値補完部と、
   上記学習対象者分類部による分類の実施後に、上記学習用欠損値補完部により補完されていた香り嗜好スコアデータを削除し、上記学習対象者分類部により作成された分類ごとに、存在する他の香り嗜好スコアデータから、上記欠損している香りの香り嗜好スコアデータを推定して再補完する学習用欠損値再補完部と、
   上記学習対象者分類部による分類の実施後に、上記学習用欠損値再補完部により再補完された香り嗜好スコアデータから上記学習用変数生成部により生成されていた学習用説明変数を削除し、上記学習対象者分類部により作成された分類ごとに、上記学習用データ入力部により入力された学習用の上記香り嗜好スコアデータおよび上記学習用欠損値再補完部により再補完された香り嗜好スコアデータから上記複数の学習用説明変数を再生成する学習用変数再生成部とを更に備え、
   上記学習用変数生成部は、上記学習用データ入力部により入力し欠損値を上記学習用欠損値補完部により補完された香り嗜好スコアデータから上記複数の学習用説明変数を生成し、
   上記モデル構築部は、上記学習用データ入力部により入力し欠損値を上記学習用欠損値再補完部により再補完された学習用の上記香り嗜好スコアデータおよび上記学習用変数再生成部により再生成された上記複数の学習用説明変数の両方またはいずれか一方と、上記学習用データ入力部により入力された上記パーソナリティデータとを用いて、上記学習モデルを構築することを特徴とする請求項２に記載の嗅覚嗜好とパーソナリティとの関係性解析装置。
6. 上記予測用データ入力部により入力された予測用の上記香り嗜好スコアデータについて、少なくとも１つの香りに関する香り嗜好スコアデータが欠損している場合に、存在する他の香り嗜好スコアデータから、欠損している香りの香り嗜好スコアデータを推定して補完する予測用欠損値補完部を更に備え、
   上記予測用変数生成部は、上記予測用データ入力部により入力し欠損値を上記予測用欠損値補完部により補完された香り嗜好スコアデータから上記複数の予測用説明変数を生成し、
   上記パーソナリティ予測部は、上記予測用データ入力部により入力し欠損値を上記予測用欠損値補完部により補完された香り嗜好スコアデータおよび上記予測用変数生成部により生成された上記複数の予測用説明変数の両方またはいずれか一方を、上記モデル構築部により構築された上記学習モデルに適用することにより、上記予測対象者のパーソナリティを予測することを特徴とする請求項２または４に記載の嗅覚嗜好とパーソナリティとの関係性解析装置。
7. 上記予測用データ入力部により入力された予測用の上記香り嗜好スコアデータについて、少なくとも１つの香りに関する香り嗜好スコアデータが欠損している場合に、存在する他の香り嗜好スコアデータから、欠損している香りの香り嗜好スコアデータを推定して補完する予測用欠損値補完部と、
   上記予測対象者分類部による分類の実施後に、上記予測用欠損値補完部により補完されていた香り嗜好スコアデータを削除し、上記予測対象者分類部により上記予測対象者が割り当てられた分類について、存在する他の香り嗜好スコアデータから、上記欠損している香りの香り嗜好スコアデータを推定して再補完する予測用欠損値再補完部と、
   上記予測対象者分類部による分類の実施後に、上記予測用欠損値再補完部により再補完された香り嗜好スコアデータから上記予測用変数生成部により生成されていた予測用説明変数を削除し、上記予測対象者分類部により上記予測対象者が割り当てられた分類について、上記予測用データ入力部により入力し欠損値を上記予測用欠損値再補完部により再補完された香り嗜好スコアデータから上記複数の予測用説明変数を再生成する予測用変数再生成部とを更に備え、
   上記予測用変数生成部は、上記予測用データ入力部により入力し欠損値を上記予測用欠損値補完部により補完された香り嗜好スコアデータから上記複数の予測用説明変数を生成し、
   上記パーソナリティ予測部は、上記予測用データ入力部により入力し欠損値を上記予測用欠損値再補完部により再補完された香り嗜好スコアデータおよび上記予測用変数再生成部により再生成された上記複数の予測用説明変数の両方またはいずれか一方を、上記モデル構築部により分類ごとに構築された上記学習モデルのうち、上記予測対象者分類部により上記予測対象者が割り当てられた分類に対応する学習モデルに適用することにより、上記予測対象者のパーソナリティを予測することを特徴とする請求項３または５に記載の嗅覚嗜好とパーソナリティとの関係性解析装置。
8. 複数の学習対象者ごとに、複数の香りについてそれぞれ複数段階で定義される個人的な嗜好の程度を示す香り嗜好スコアデータ、および、所定の心理検査による結果として検出される個人の複数のパーソナリティを示すパーソナリティデータを、それぞれ学習用データとして入力する学習用データ入力部と、
   上記学習用データ入力部により入力された学習用の上記香り嗜好スコアデータおよび上記パーソナリティデータを用いて、上記パーソナリティデータを含む説明変数から上記香り嗜好スコアデータを導くための学習モデルを構築するモデル構築部と、
   予測対象者について、上記パーソナリティデータを予測用データとして入力する予測用データ入力部と、
   上記予測用データ入力部により入力された予測用の上記パーソナリティデータを、上記モデル構築部により構築された上記学習モデルに適用することにより、上記予測対象者の香り嗜好を予測する香り嗜好予測部とを備えたことを特徴とする嗅覚嗜好とパーソナリティとの関係性解析装置。
9. 上記学習用データ入力部により入力された学習用の上記パーソナリティデータから複数の学習用説明変数を生成する学習用変数生成部と、
   上記予測用データ入力部により入力された予測用の上記パーソナリティデータから複数の予測用説明変数を生成する予測用変数生成部とを更に備え、
   上記モデル構築部は、上記学習用データ入力部により入力された学習用の上記パーソナリティデータおよび上記学習用変数生成部により生成された上記複数の学習用説明変数の両方またはいずれか一方と、上記学習用データ入力部により入力された学習用の上記香り嗜好スコアデータとを用いて、上記学習モデルを構築し、
   上記香り嗜好予測部は、上記予測用データ入力部により入力された予測用の上記パーソナリティデータおよび上記予測用変数生成部により生成された上記複数の予測用説明変数の両方またはいずれか一方を、上記モデル構築部により構築された上記学習モデルに適用することにより、上記予測対象者の香り嗜好を予測することを特徴とする請求項８に記載の嗅覚嗜好とパーソナリティとの関係性解析装置。
10. 上記学習用データ入力部により入力された学習用の上記パーソナリティデータから複数の学習用説明変数を生成する学習用変数生成部と、
    上記学習用データ入力部により入力された学習用の上記パーソナリティデータおよび上記学習用変数生成部により生成された上記複数の学習用説明変数の両方またはいずれか一方を用いて、上記複数の学習対象者の分類を行う学習対象者分類部と、
    上記予測用データ入力部により入力された予測用の上記パーソナリティデータから複数の予測用説明変数を生成する予測用変数生成部と、
    上記予測用データ入力部により入力された予測用の上記パーソナリティデータおよび上記予測用変数生成部により生成された上記複数の予測用説明変数の両方またはいずれか一方を用いて、上記予測対象者の分類を行う予測対象者分類部とを更に備え、
    上記モデル構築部は、上記学習対象者分類部により作成された分類ごとに上記学習モデルを構築し、
    上記香り嗜好予測部は、上記予測用データ入力部により入力された予測用の上記パーソナリティデータおよび上記予測用変数生成部により生成された上記複数の予測用説明変数の両方またはいずれか一方を、上記モデル構築部により分類ごとに構築された上記学習モデルのうち、上記予測対象者分類部により上記予測対象者が割り当てられた分類に対応する学習モデルに適用することにより、上記予測対象者の香り嗜好を予測することを特徴とする請求項９に記載の嗅覚嗜好とパーソナリティとの関係性解析装置。
11. 上記学習用データ入力部により入力された学習用の上記パーソナリティデータについて、少なくとも１つのパーソナリティに関するパーソナリティデータが欠損している場合に、存在する他のパーソナリティデータから、欠損しているパーソナリティのパーソナリティデータを推定して補完する学習用欠損値補完部を更に備え、
    上記学習用変数生成部は、上記学習用データ入力部により入力し欠損値を上記学習用欠損値補完部により補完されたパーソナリティデータから上記複数の学習用説明変数を生成し、
    上記モデル構築部は、上記学習用データ入力部により入力し欠損値を上記学習用欠損値補完部により補完された学習用の上記パーソナリティデータ、および、上記学習用変数生成部により再生成された上記複数の学習用説明変数の両方またはいずれか一方と、上記学習用データ入力部により入力された学習用の上記香り嗜好スコアデータとを用いて、上記学習モデルを構築することを特徴とする請求項９に記載の嗅覚嗜好とパーソナリティとの関係性解析装置。
12. 上記学習用データ入力部により入力された学習用の上記パーソナリティデータについて、少なくとも１つのパーソナリティに関するパーソナリティデータが欠損している場合に、存在する他のパーソナリティデータから、欠損しているパーソナリティのパーソナリティデータを推定して補完する学習用欠損値補完部と、
    上記学習対象者分類部による分類の実施後に、上記学習用欠損値補完部により補完されていたパーソナリティデータを削除し、上記学習対象者分類部により作成された分類ごとに、存在する他のパーソナリティデータから、上記欠損しているパーソナリティのパーソナリティデータを推定して再補完する学習用欠損値再補完部と、
    上記学習対象者分類部による分類の実施後に、上記学習用欠損値再補完部により再補完されたパーソナリティデータから上記学習用変数生成部により生成されていた学習用説明変数を削除し、上記学習対象者分類部により作成された分類ごとに、上記学習用データ入力部により入力された学習用の上記パーソナリティデータおよび上記学習用欠損値再補完部により再補完されたパーソナリティデータから上記複数の学習用説明変数を再生成する学習用変数再生成部とを更に備え、
    上記学習用変数生成部は、上記学習用データ入力部により入力し欠損値を上記学習用欠損値補完部により補完されたパーソナリティデータから上記複数の学習用説明変数を生成し、
    上記モデル構築部は、上記学習用データ入力部により入力し欠損値を上記学習用欠損値再補完部により再補完された学習用の上記パーソナリティデータおよび上記学習用変数再生成部により再生成された上記複数の学習用説明変数の両方またはいずれか一方と、上記学習用データ入力部により入力された学習用の上記香り嗜好スコアデータとを用いて、上記学習モデルを構築することを特徴とする請求項１０に記載の嗅覚嗜好とパーソナリティとの関係性解析装置。
13. 上記予測用データ入力部により入力された予測用の上記パーソナリティデータについて、少なくとも１つのパーソナリティに関するパーソナリティデータが欠損している場合に、存在する他のパーソナリティデータから、欠損しているパーソナリティのパーソナリティデータを推定して補完する予測用欠損値補完部を更に備え、
    上記予測用変数生成部は、上記予測用データ入力部により入力し欠損値を上記予測用欠損値補完部により補完されたパーソナリティデータから上記複数の予測用説明変数を生成し、
    上記香り嗜好予測部は、上記予測用データ入力部により入力し欠損値を上記予測用欠損値補完部により補完されたパーソナリティデータおよび上記予測用変数生成部により生成された上記複数の予測用説明変数の両方またはいずれか一方を、上記モデル構築部により構築された上記学習モデルに適用することにより、上記予測対象者の香り嗜好を予測することを特徴とする請求項９または１１に記載の嗅覚嗜好とパーソナリティとの関係性解析装置。
14. 上記予測用データ入力部により入力された予測用の上記パーソナリティデータについて、少なくとも１つのパーソナリティに関するパーソナリティデータが欠損している場合に、存在する他のパーソナリティデータから、欠損しているパーソナリティのパーソナリティデータを推定して補完する予測用欠損値補完部と、
    上記予測対象者分類部による分類の実施後に、上記予測用欠損値補完部により補完されていたパーソナリティデータを削除し、上記予測対象者分類部により上記予測対象者が割り当てられた分類について、存在する他のパーソナリティデータから、上記欠損しているパーソナリティのパーソナリティデータを推定して再補完する予測用欠損値再補完部と、
    上記予測対象者分類部による分類の実施後に、上記予測用欠損値再補完部により再補完されたパーソナリティデータから上記予測用変数生成部により生成されていた予測用説明変数を削除し、上記予測対象者分類部により上記予測対象者が割り当てられた分類について、上記予測用データ入力部により入力された予測用の上記パーソナリティデータおよび上記予測用欠損値再補完部により再補完されたパーソナリティデータから上記複数の予測用説明変数を再生成する予測用変数再生成部とを更に備え、
    上記予測用変数生成部は、上記予測用データ入力部により入力し欠損値を上記予測用欠損値補完部により補完されたパーソナリティデータから上記複数の予測用説明変数を生成し、
    上記香り嗜好予測部は、上記予測用データ入力部により入力し欠損値を上記予測用欠損値再補完部により再補完されたパーソナリティデータおよび上記予測用変数再生成部により再生成された上記複数の予測用説明変数の両方またはいずれか一方を、上記モデル構築部により分類ごとに構築された上記学習モデルのうち、上記予測対象者分類部により上記予測対象者が割り当てられた分類に対応する学習モデルに適用することにより、予測対象者の香り嗜好予測部を予測することを特徴とする請求項１０または１２に記載の嗅覚嗜好とパーソナリティとの関係性解析装置。