JP2024062859A - 愛玩動物の相性判定システム及び相性判定方法 - Google Patents

Abstract

【課題】本発明は、愛玩動物の購入を検討するユーザと愛玩動物との相性を判定する方法を提供することを目的とする。【解決手段】本発明の相性判定システムは、ユーザ属性データと、愛玩動物の画像から抽出した属性データを含む愛玩動物属性データとを用いて、ユーザと愛玩動物の相性を判定する相性判定部を備えることを特徴とする相性判定システムである。【選択図】図１

Description

本発明は、愛玩動物の購入を検討しているユーザと愛玩動物の相性を判定する相性判定システム及び相性判定方法に関する。

犬や猫、ウサギを始めとするペットは、人間にとってかけがえのない存在であり、様々なペット向けのサービスが普及、発展している。

ペットは、それぞれが個性を有する個体であり、同じ種や同じ品種であっても、個体ごとに性格が異なっている。そして、動物の性格は、飼い主との相性や飼育のしやすさに関係する。例えば、動物が攻撃的な性格であれば飼育の難度が上がる、動物が外交的な性格であれば、他の動物がいる場所に連れて行くことが容易である、といった具合である。

動物と飼い主の相性を簡易な方法で知ることができれば、例えば、その動物を飼育するために購入しようとする顧客にとって有用である。動物を購入する場合、ペットショップやブリーダーを通じて購入することが一般的であるが、ペットショップでは、購入を決断するまでにそれほど時間をかけることは少ないので、動物の性格を把握する時間的余裕がない。ブリーダーから動物を購入する場合も同様である。最近では、インターネットを通じてペットショップやブリーダーから販売されている動物の品種、顔写真、月齢、価格などの情報を入手することができ、購入希望者は、インターネット上で入手可能な情報をもとに検討を進めてから、気になる個体のいる実際の店舗やブリーダーのもとを訪れるということも多くなっている。このような場合、インターネット上で飼い主のライフスタイルから、それに見合った性格を持つ品種をリコメンドすることができれば、飼い主による選択の一助になり、飼い主と動物のミスマッチを防ぐことも期待できる。

また、既に動物を飼育しており、多頭飼いを検討している飼い主にとっては、自分がすでに飼育している動物の性格に合った動物を購入できるのは有用であると考えられる。多頭飼いしている場合、動物同士の相性が悪いと、喧嘩などのトラブルに繋がる恐れがあるからである。

上記のような場合、動物の性格を詳細に分析して把握するというよりも、簡易な方法で動物と飼い主との相性や動物同士の相性を把握できる方がニーズが高いと考えられる。そこで、簡易な方法で、動物と人の相性及び動物同士の相性を判定する手段が求められている。

特許文献１には、飼い主と動物の相性や、動物のお見合い相手を占いを用いて判定しているが、飼い主のライフスタイルや性格と、動物の性格の観点から相性が合うかどうかの開示はされていない。

特許第６１５５３５３号

そこで、本発明は、簡易な方法で、動物と人の相性を判定できる相性判定システムや相性判定方法を提供することを目的とする。

本発明者らは、愛玩動物の購入を検討しているユーザの属性データと、愛玩動物の属性データを照らし合わせることで上記課題を解決できることを見出し、本発明を完成するに至った。

すなわち、本発明は以下の[１]～[１１]である。
［１］ユーザ属性データと、愛玩動物の画像から抽出した属性データを含む愛玩動物属性データとを用いて、ユーザと愛玩動物の相性を判定する相性判定部を備えることを特徴とする相性判定システム。
［２］愛玩動物の画像から、愛玩動物属性データを抽出する抽出部を備える［１］の相性判定システム。
［３］前記抽出部が、愛玩動物の画像から、その動物の性格に関する愛玩動物属性データを抽出するものである［２］の相性判定システム。
［４］前記抽出部が、愛玩動物の画像から、その動物の品種に関する愛玩動物属性データを抽出するものである［２］の相性判定システム。
［５］前記抽出部が、学習済みモデルを用いて、愛玩動物の画像から、その動物の愛玩動物属性データを抽出するものである［２］の相性判定システム。
［６］前記学習済みモデルが、性格抽出用の学習済みモデルである［５］の相性判定システム。
［７］前記学習済みモデルが、品種抽出用の学習済みモデルである［５］の相性判定システム。
［８］前記相性判定部が、愛玩動物属性データから要求される基準を、ユーザ属性データが満たすか否かで相性を判定するものである［１］～［７］のいずれかの相性判定システム。
［９］前記相性判定部が、ユーザ属性データから要求される基準を、愛玩動物属性データが満たすか否かで相性を判定するものである［１］～［７］のいずれかの相性判定システム。
［１０］愛玩動物の画像を受け付ける受付部と、ユーザ属性データを記憶するユーザ属性データ記憶部と、前記属性データ記憶部に記憶されたユーザ属性データと愛玩動物の属性データから、ユーザと愛玩動物の相性を判定する相性判定部とを備え、生体販売者が愛玩動物の画像を入力すると、当該愛玩動物の画像から愛玩動物属性データを抽出し、ユーザと愛玩動物の相性を判定する相性判定システム。
［１１］ユーザ属性データと、愛玩動物の画像から抽出した属性データを含む愛玩動物属性データとを用いて、ユーザと愛玩動物の相性をコンピュータを用いて判定するステップを備えることを特徴とする相性判定方法。

本発明により、簡易にユーザと愛玩動物の相性を判定できる相性判定方法を提供することが可能となる。

相性判定システムの模式図である。 ユーザが本発明を利用する場合の相性判定方法を説明する図である。 生体販売者が本発明を利用する場合の相性判定方法を説明する図である。

《相性判定システム》
本発明の相性判定システムは、ユーザ属性データと、愛玩動物の画像から抽出した属性データを含む愛玩動物属性データとを用いて、ユーザと愛玩動物の相性を判定する相性判定部を備えることを特徴とするものである。
本発明の相性判定システムは、ユーザの属性データや、愛玩動物の画像を受け付ける受付部を備えていてもよい。
また、本発明の相性判定システムは、愛玩動物属性データを記憶する属性データ記憶部を備えていてもよい。

［システムの概要］
本発明の相性判定システムの実施形態の一例を図１によって説明する。この実施形態の一例は、受付部及び属性データ記憶物を備える態様である。属性データ記憶部１３には、愛玩動物属性データ及びその他必要な情報が記憶されている。ユーザが端末１にユーザ属性データを入力すると、情報がネットワークを通じて受付部３１に入力される。処理演算部２０は、相性判定部を用いて、受付部に入力されたユーザ属性データ、及び属性データ記憶部に記憶されている愛玩動物属性データに基づいて、ユーザと愛玩動物の相性を判定する。判定の結果は、出力部３２により、端末１に出力する。

図１中、端末１は、例えばスマートフォン、パーソナルコンピュータ、タブレット端末などが挙げられる。端末はＣＰＵなどの処理演算部、ハードディスク、ＲＯＭあるいはＲＡＭなどの記憶部、液晶パネルなどの表示部、マウス、キーボード、タッチパネルなどの入力部、ネットワークアダプタなどの通信部などを含んで構成される。

図１中、サーバ１０はコンピュータによって構成されるが、本発明に係る機能を有する限りにおいて、どのような装置であってもよい。サーバはクラウド上にあるサーバでもよい。

ストレージ１１はサーバの各部を動作させるための情報処理プログラムが記憶され、特に、相性判定部１２が記憶される。

インターフェースは、受付部３１を備え、端末１に対して、相性判定の結果を出力する出力部３２を備えていてもよい。インターフェースの出力部３２は、必要に応じて属性データの抽出結果を出力することができる。

抽出部１４は、この実施形態では学習済みモデルである。抽出部１４に係る学習済みモデルは、愛玩動物の画像を入力とし、当該画像に含まれる愛玩動物の属性データを出力するものである。本実施形態における抽出部の学習済みモデルは、例えばディープニューラルネットワーク又は畳み込みニューラルネットワークを含んで構成される。

処理演算部２０は、ストレージに記憶された抽出部（学習済みモデル）１４を用いて、属性データ抽出を実行する。

本実施形態では、抽出部や受付部がサーバに格納され、ユーザの端末とインターネットやＬＡＮ等の接続手段で接続される態様を説明したが、本発明はこれに限定されず、性格抽出手段、受付手段、インターフェース部が一つのサーバや装置内に格納される態様や、ユーザが利用する端末を別途必要としない態様等であってもよい。

本発明の相性判定システムの一実施態様に基づくフローチャートを図２に示す。ユーザが端末を通じて、受付部にユーザの属性データを入力する（ステップ１）。処理演算部は、属性データ記憶部から、愛玩動物の属性データを取得し、相性判定手段を用いてユーザと愛玩動物の相性を判定する（ステップ２）。出力部は、相性判定結果を出力する（ステップ３）。また出力部は必要に応じて抽出結果を出力してよい。

＜ユーザ属性データ＞
本発明におけるユーザ属性データとは、愛玩動物を購入する際に、当該愛玩動物との相性が良いかどうかを判断する上での判断材料となる、ユーザの属性に関するデータである。ユーザとは、愛玩動物の購入を検討している者である。動物を飼育する際には、その動物が過ごしやすい環境を整えておくことが望ましい。例えば、大型犬を飼育する際には、広い部屋が必要とされたり、病気の頻度が多い動物を飼育する際には、金銭的な余裕が必要とされたりするためである。ユーザ属性データとしては、例えば、居住地に関するデータ、年齢に関するデータ、性格や嗜好に関するデータ、資産に関するデータ等が挙げられる。具体的には、飼育する部屋（家）の広さ、マンションか戸建てか、賃貸か持ち家か、散歩に行ける頻度及び時間、世話好きかどうか、アウトドア派かインドア派か、金銭的余裕のあり／なし、年齢（若年／中間／シニア）及び飼い主がどのくらい家にいるかといった情報が挙げられる。ユーザ属性データは、さらに、ユーザが既に飼育している動物の情報を含んでいてもよい。

＜愛玩動物属性データ＞
本発明における愛玩動物属性データは、愛玩動物がユーザと相性が良いかどうかを判断する際に必要となる、愛玩動物の属性に関するデータである。例えば、品種、体型、性格、家系、従前の飼育環境、遺伝情報に関するデータ等が挙げられる。具体的には、品種、体型（超小型／小型／中型／大型など）、病気の頻度、性格などが挙げられる。性格については、大人しい／活発、社交性／内向的など、飼育の難易度に繋がる性格に関する情報を含むことが好ましい。

品種とは、生物の種以下の生物集団の単位である。例えば、犬でいうと、犬の品種は犬種とも呼ばれ、具体的には、トイプードル、チワワ、ミニチュア・ダックスフンド、柴犬、ポメラニアン、ヨークシャー・テリア、ミニチュア・シュナウザー、シー・ズー、フレンチ・ブルドッグ、パピヨン、マルチーズ、ラブラドール、ダルメシアン、チャウチャウ等が挙げられる。猫でいうと、猫の品種は猫種とも呼ばれ、スコティッシュ・フォールド、アメリカン・ショートヘア、ノルウェージャン・フォレストキャット、ロシアンブルー、ブリティッシュ・ショートヘア、ラグドール、メイン・クーン、ペルシャ等が挙げられる。ウサギでいうと、ネザーランドドワーフ、ホーランドロップ、ロップイヤー、ミニレッキス、ドワーフロップ、アメリカンファジーロップ等が挙げられる。

性格とは、例えば、その動物個体の性向や、行動のしかたなどに現われる性質のことをいう。人間の場合、性格とは考え方や感受性といった内面的なものも含むが、動物の場合、内面的なものを把握することが難しいので、行動面に現れる性向や性質が好ましい。

性格の種類としては、特に限定されない。性格の種類としては、例えば、人懐っこさ（人懐っこい／人懐っこくない）、大人しさ（大人しい／活発）、神経質さ（神経質／大らか）、社交性（社交的／内向的）、勇敢さ（臆病／勇敢）、柔軟性（頑固／柔軟）、レジリエンス（ひきずりやすい／切り替えが早い）、積極性（引っ込み事案／積極的）、依存性（甘えんぼう／独立心旺盛）、気の強さ（気が強い／気が弱い）、攻撃性（攻撃的／攻撃的ではない）、吠えやすさ（吠えやすい／吠えにくい）、我慢強さ（我慢強い／我慢できない）などが挙げられる。

動物のうち、犬については、ペンシルバニア大学のサーペルが開発した犬の行動解析システムであるＣ－ｂａｒｑ（Ｃａｎｉｎｅ Ｂｅｈａｖｉｏｒａｌ Ａｓｓｅｓｓｍｅｎｔ ａｎｄ Ｒｅｓｅａｒｃｈ Ｑｕｅｓｔｉｏｎｎａｉｒｅ）に関連した１３個の社会性に関する行動特性（気質）の項目が知られており、性格としてこれを用いることもできる。Ｃ－ｂａｒｑの行動特性は、環境省の委託を受けて日本獣医師会が実施した「平成２８年度犬猫幼齢個体を親兄弟から引き離す理想的な時期に関する調査手法等検討業務」でも用いられている。１３個の行動特性の項目とは、攻撃性、恐怖性、分離不安、接触過敏性、訓練性、追跡能力、興奮性、愛着行動、運動活性である。

本発明では、ユーザ属性データと、愛玩動物の属性データとを比較することによって、相性が良いかどうかを判定することが好ましい。従って、ユーザの属性データの各項目は愛玩動物の属性データの各項目に対応することが好ましい。

＜受付部＞
本発明の受付部は、少なくともユーザ属性データを受け付ける。また、生体販売者が販売したい愛玩動物の画像（写真又は動画）を受け付けてもよく、その他必要な情報を受け付ける構成としてもよい。

＜抽出部＞
抽出部は愛玩動物の顔画像から愛玩動物属性データを抽出するものである。抽出された愛玩動物属性データは、好ましくは属性データ記憶に記憶される。

本発明の抽出部は、学習済みモデルを備えることが好ましい。学習済みモデルとしては、性格抽出用の学習済みモデル、品種抽出用の学習済みモデルが好ましい。性格抽出用の学習済みモデルは、例えば、動物の画像から、その画像に写っている動物の性格を抽出するものである。品種抽出用の学習済みモデルは、動物の画像から、その画像に写っている動物の品種を抽出するものである。抽出部は、学習済みモデルを複数備え、画像から動物の性格や品種といった複数の愛玩動物属性データを抽出できることが好ましい。

学習済みモデルとは、学習データを使って学習が完了したモデルである。品種抽出用の学習済みモデルは、愛玩動物の画像とその画像に映っている動物の品種との関係を学習したモデルである。好ましくは、教師データとして、動物の画像とその画像に写っている動物の品種に関するラベルを用いて学習を行ったモデルである。性格抽出用の学習済みモデルは、愛玩動物の画像とその画像に映っている動物の性格との関係を学習したモデルである。好ましくは、教師データとして、動物の画像とその画像に写っている動物の性格に関するラベルを用いて学習を行ったモデルである。
また本発明における学習済みモデルは推論モデルも含む。

動物の品種はその遺伝子情報によって決められており、性格についても、遺伝子情報によってある程度決められている。したがって、本発明の抽出部は愛玩動物の遺伝子情報に基づいて、当該愛玩動物の属性データを抽出するものでもよい。

[品種抽出部]
抽出部のうち、愛玩動物の品種を抽出するものを品種抽出部として説明する。品種抽出部は、愛玩動物の属性データの品種に関する情報を抽出する。

（受付手段）
品種抽出部は受付手段を備えていてもよい。受付手段は、動物の画像の入力を受け付ける手段である。当該受付手段は、受付部と併用できる。動物としては、犬、猫、ウサギ等の哺乳類が挙げられ、犬及び猫が好ましい。画像の受付方法は、スキャン、画像データの入力、送信、その場で撮影しての画像取り込みなどいずれの方法であってもよい。画像のフォーマットは特に限定されず、静止画であっても動画であってもよい。画像に写っている動物の部位は特に限定されないが、動物の画像は、動物の顔が写っている画像が好ましい。画像は、白黒、グレースケール、カラーのいずれであってもよい。動物の顔全体が写っていない画像、画像編集ソフトウェアで形状が編集された画像、複数の動物が写っている画像、目や耳が判別出来ないほど顔が小さく写っている画像あるいは不鮮明な画像は好ましくない。画像については、ノーマライゼーションが施されたものや、解像度が統一されたものが好ましい。

（品種抽出用の学習済みモデル）
品種抽出部は、品種抽出用の学習済みモデルを含む。品種抽出部は、品種抽出用の学習済みモデルを用いて、前記受付手段等に入力された動物の画像からその動物の品種に関するデータや情報を抽出する。

学習済みモデルとしては、人工知能（ＡＩ）が好ましい。人工知能（ＡＩ）とは、人間の脳が行っている知的な作業をコンピュータで模倣したソフトウェアやシステムであり、具体的には、人間の使う自然言語を理解したり、論理的な推論を行ったり、経験から学習したりするコンピュータプログラムなどのことをいう。人工知能としては、汎用型、特化型のいずれであってもよく、具体的には、多層パーセプトロン、再帰型ニューラルネットワーク、ディープニューラルネットワーク、畳み込みニューラルネットワーク等の公知のもののいずれであってもよく、公開されているソフトウェアを使用することができる。

学習済みモデルを生成するために、人工知能を学習させる。学習としては、機械学習とディープラーニング（深層学習）のいずれであってもよいが、ディープラーニングが好ましい。ディープラーニングは、機械学習を発展させたものであり、特徴量を自動的に見つけ出す点に特徴がある。

学習済みモデルを生成するための学習方法としては、特に制限されず、公開されているソフトウェアやライブラリを用いることができる。学習方法は転移学習であってもよい。例えば、ＮＶＩＤＩＡが公開しているＤＩＧＩＴＳ（ｔｈｅ Ｄｅｅｐ Ｌｅａｒｎｉｎｇ ＧＰＵ Ｔｒａｉｎｉｎｇ Ｓｙｓｔｅｍ）を用いることができる。また、例えば、人工知能（ニューラルネットワーク）としてＭｏｂｉｌｅＮｅｔやＥｆｆｉｃｉｅｎｔＮｅｔを使用し、機械学習ライブラリ（Ｄｅｅｐ Ｌｅａｒｎｉｎｇライブラリ）としてＰｙｔｏｒｃｈを用いて転移学習により学習済みモデルを生成することができる。その他、例えば、「サポートベクターマシン入門」（共立出版）等において公開されている公知のサポートベクターマシンを用いてもよい。

品種抽出用の学習済みモデルは、動物の画像と当該動物の品種との関係を学習した学習済みモデルである。好ましくは、動物の画像とその動物の品種とを教師データとして用いて学習を行い、入力を動物の画像とし、出力をその動物の品種の抽出とする学習済みモデルを含む。

教師データとして用いる動物の画像のフォーマットは特に限定されない。静止画でも動画でもよい。画像に写っている動物の部位は特に限定されないが、動物の画像は、動物の顔が写っている画像が好ましく、動物の顔を正面から撮影した写真であることがより好ましい。画像は、白黒、グレースケール、カラーのいずれであってもよい。動物の顔全体が写っていない画像、画像編集ソフトウェアで形状が編集された画像、複数の動物が写っている画像、目や耳が判別出来ないほど顔が小さく写っている画像あるいは不鮮明な画像は好ましくない。画像については、ノーマライゼーションが施されたものや、解像度が統一されたものが好ましい。教師データで用いた画像と、受付手段により受け付ける画像の解像度が統一されていることがより好ましい。

品種に対応した学習済みモデルとしては、１又は複数の特定の品種に係る動物の画像と、当該動物の性格に関するラベルとを教師データとして用いて学習を行ったものが好ましい。例えば、特定の品種のみを集めた動物の画像とその動物の性格に関するラベルとを用いて学習を行った学習済みモデルである。この場合の特定の品種のみを集めた動物の画像とは、ひとつの品種、例えば、トイプードルの画像のみであってもよいし、複数の品種、例えば、トイプードル、ポメラニアン及びミニチュア・ダックスフンドの画像のみであってもよい。また、複数の品種の場合、大型の品種の画像を用いて学習を行った大型品種用の学習済みモデル、中型の品種の画像を用いて学習を行った中型品種用の学習済みモデル、小型の品種の画像を用いて学習を行った小型品種用の学習済みモデル、超小型の品種の画像を用いて学習を行った超小型品種用の学習済みモデルというように、品種を分類し、各分類に対応した学習済みモデルを備える構成としてもよい。分類としては、例えば、犬の例でいうと、成体（成犬）の平均体重が４ｋｇ未満の犬種を超小型犬、４～１０ｋｇ未満の犬種を小型犬、１０～２５ｋｇ未満の犬種を中型犬、２５ｋｇ以上の犬種を大型犬というように、平均体重によって分類することができる。その他、体高、体長、遺伝的関係等によって品種を分類してもよい。

[性格抽出部]
抽出部のうち、愛玩動物の性格を抽出するものを性格抽出部として説明する。抽出部が、品種抽出部と性格抽出部を兼ねてもよい。性格抽出部は、愛玩動物の属性データの性格に関する情報を抽出する。

（受付手段）
性格抽出部は受付手段を備えていてもよい。性格抽出部の受付手段に関する詳細については品種抽出部におけるものと同様である。

（性格抽出用の学習済みモデル）
性格抽出部は、学習済みモデルを用いて、前記受付手段等に入力された動物の画像からその動物の性格に関するデータや情報を抽出する。本実施形態において、学習済みモデルは、動物の画像と、当該動物の性格との関係を学習した学習済みモデルである。性格抽出部の学習済みモデルは、各性格を判定するモデルであってもよいし、複数の性格の項目と画像との関係について学習した学習済みモデルであってもよい。また、性格抽出部の学習済みモデルは、幼齢（１歳未満）の動物について画像と性格との関係を学習した学習済みモデルのように、年齢を区分して特定の年齢層の動物について画像と性格との関係を学習した学習済みモデルであってもよく、全年齢を対象にした学習済みモデルであってもよい。

性格抽出部に関する画像の詳細については上記の品種抽出部におけるものと同様である。

性格抽出部において用いられる上記のような学習済みモデルは、例えば、教師あり学習や教師なし学習によって生成することができる。教師あり学習の場合の教師データとしては、例えば、動物の画像とその動物の性格に関するデータやラベルが挙げられる。動物の画像に、その動物の性格に応じたタグやラベルを付けて教師データとしてもよい。

性格抽出用の学習済みモデルは、動物の画像と当該動物の性格との関係を学習した学習済みモデルである。好ましくは、動物の画像とその性格とを教師データとして用いて学習を行い、入力を動物の画像とし、出力をその動物の性格の抽出とする学習済みモデルを含む。

教師データ用の動物の画像については、上記の品種抽出部におけるものと同様である。また、性格抽出用の学習済みモデルは、動物の画像と当該動物の性格との関係を学習したという点以外は、上記の品種抽出部における学習済みモデルと同様である。上記の品種抽出部における学習済みモデルと異なるアルゴリズム、ソフトウェア、ライブラリ、学習方法を用いてもよいし、同一のアルゴリズム、ソフトウェア、ライブラリ、学習方法を用いてもよい。

教師データとして用いる画像に写っている動物の性格は、例えば、当該動物の飼い主やかかりつけの獣医から入手することができる。入手方法としては、例えば、アンケート、ペット保険の申込時の記載などが挙げられる。

抽出部は、上記の品種や性格以外の愛玩動物属性データを抽出するものであってもよい。例えば、動物の画像からその動物の体型に関するデータや年齢に関するデータ、或いは、疾病の罹患可能性に関するデータを抽出するものであってもよい。

＜属性データ記憶部＞
本発明の属性データ記憶部は、愛玩動物属性データを記憶しているものである。それに加えて、抽出部によって抽出された愛玩動物属性データをさらに記憶するものであってもよい。愛玩動物属性データを記憶させておくことにより、ユーザがユーザ属性データを入力することで、ユーザと愛玩動物の相性を判定することができる。また必要に応じて、ユーザ属性データを記憶させてもよい。

＜相性判定部＞
本発明の相性判定部は、ユーザの属性データと愛玩動物の属性データに基づいて、ユーザと愛玩動物の相性を判定するものである。また必要に応じてユーザが飼育している動物と愛玩動物の相性を判定する。

相性判定部は、ユーザ属性データと属性データ記憶部にある愛玩動物の属性データとの相性を判定する手段であり、例えば、ユーザの属性データに含まれる項目と愛玩動物の属性データに含まれる項目を比較し、項目ごとに相性を判定するプログラムである。相性判定部は、好ましくは、愛玩動物属性データから要求される基準を、ユーザ属性データが満たすか否かで相性を判定するものである。例えば、愛玩動物属性データとして、体型として大型であるという情報が含まれる場合、大型の動物を飼育するためには、飼育する家や部屋が大きいことが要求される。そのため、ユーザ属性データとして、家や部屋が大きい（具体的には基準の平米以上等）であることを満たす場合、相性が「良い」と判定されることになる。また、例えば、愛玩動物属性データとして、長時間の運動が必要な品種であるというデータが含まれる場合、散歩や運動を長時間、高頻度に行うことが要求され、その要求を満たすためのユーザ属性データが必要となる。そのため、ユーザ属性データとして、世話好きである、散歩に行くための時間が豊富にある、アウトドア派であるといったものが含まれると相性が「良い」と判定される。
相性については、一つの属性データ同士の組み合わせだけではなく、複数の属性データの組み合わせを用いることが好ましい。複数の属性データを用いる場合、相性が「良い」という個別の判定の個数や割合が基準値以上である場合、総合評価として相性が「良い」という結論を導く構成とすることもできる。
また、相性判定部は、好ましくは、ユーザ属性データから要求される基準を、愛玩動物属性データが満たすか否かで相性を判定するものである。
また、相性判定部は、人工知能（ＡＩ）を用いて、相性判定を行ってもよい。

＜相性判定結果の出力＞
相性判定部は、入力情報として、例えば、ユーザ属性データを受け付けると、ユーザ属性データと愛玩動物属性データを用いて、ユーザと愛玩動物の相性の判定を行う。抽出結果の出力の形式は特に限定されず、例えば、パソコンの画面上において、「相性良い」、「相性悪い」のように相性の良し悪しを表示する方法や、相性の良さを点数にして表示したり、％で表示したりする方法が挙げられる。別途、性格抽出部と品種抽出部の抽出結果を表示してもよい。また、属性データ記憶部に記憶されている複数の愛玩動物属性データについて順次、相性判定を行い、相性が良好な愛玩動物のみをピックアップしてレコメンドするという態様であってもよい。

［生体販売者が本発明を利用する場合］
本発明は、ウェブサイトに掲載する動物の性格を把握し、当該動物と相性の良いユーザを見つけたいペットショップやブリーダーのような生体販売者が利用してもよい。

この場合は、販売したい動物の画像を受付部に入力すると、相性判定部を用いて属性データ記憶部に記憶されているユーザの属性データに基づいて、ユーザと愛玩動物の相性を判定する。

生体販売者が本発明を利用する場合の一実施態様に基づく相性判定のフローチャートを図３に示す。生体販売者が、受付部に、対象となる動物の画像をアップロードする（ステップＳ１）。サーバの処理演算部は、抽出部（学習済みモデル）を用いて、アップロードされた画像から、その動物の性格を抽出する（ステップＳ２）。抽出結果を愛玩動物の属性データとして動物の画像と関係付けて属性データ記憶部に記憶する（ステップＳ３）。相性判定部を用いてユーザと愛玩動物の相性を判定する（ステップＳ４）。最後に相性判定結果を出力し、ユーザの端末１に送信する。また必要に応じて、抽出結果を出力、もしくは端末１に送信する（ステップＳ５）。

＜相性判定方法＞
本発明の相性判定方法は、ユーザ属性データと、愛玩動物の画像から抽出した属性データを含む愛玩動物属性データとを用いて、ユーザと愛玩動物の相性をコンピュータを用いて判定するステップを備えることを特徴とするものである。ユーザ属性データ、愛玩動物属性データについては、上記の相性判定システムと同様であり、相性を判定するステップについては、上記の相性判定システムの相性判定部に相当する手段によって相性を判定するものである。

＜参考例：愛玩動物属性データの抽出＞

［品種抽出用の学習済みモデルの生成］
トイプードル、チワワ、ポメラニアン、ヨークシャー・テリア、ミニチュア・シュナウザー、パピヨン、マルチーズ、シー・ズー、ミニチュア・ダックスフンド、柴、キャバリア・キング・チャールズ・スパニエル、パグ、フレンチ・ブルドッグ、ウェルシュ・コーギー・ぺンブローク、ゴールデン・レトリバー、ラブラドール・レトリバーの各品種ごとに４００枚の画像を用意し、教師あり学習を行って品種抽出用の学習済みモデルを生成した。
学習方法は、人工知能（ニューラルネットワーク）としてＭｏｂｉｌｅＮｅｔＮｅｔｖ３＿ｌａｒｇｅを使用した転移学習であり、機械学習ライブラリ（Ｄｅｅｐ Ｌｅａｒｎｉｎｇライブラリ)としてＰｙｔｏｒｃｈを用いた。
得られた学習済みモデルを用いて、各品種ごとに１５０枚の画像を用いてテストを行った。
各品種ごとの正答率を下記表１に示す。

［性格抽出用の学習済みモデルの生成］
教師データとして犬（トイプードル、チワワ、ゴールデン・レトリバー及びシェットランド・シープドッグ）の顔写真を用意した。これらの顔写真は、頭部全体を含む画像となるようにトリミング処理（切り出し加工）を行ったものである。
各顔写真には、飼い主に対するアンケートによって得られた性格の関するタグを付した。アンケートは、人懐っこさと大人しさについて尋ねるものであり、回答を、人懐っこいか／そうではないか、大人しいか／大人しくないかに分類し、それぞれに対応したタグを、顔画像に付した。なお、犬の年齢については、全年齢（０歳～１９歳）を対象とするグループと、１歳以下のグループに分けて学習を行った。教師データに用いた個体数（画像の枚数）は以下の表２に記載のとおりであった。

これらの顔写真を用いて、ディープラーニングを行い、品種ごと（トイプードル、チワワ、ゴールデン・レトリバー及びシェットランド・シープドッグ）、及び、各性格ごとに性格抽出用の学習済みモデルを生成した。
学習方法は、人工知能（ニューラルネットワーク）としてＥｆｆｉｃｉｅｎｔＮｅｔを使用した転移学習であり、機械学習ライブラリ（Ｄｅｅｐ Ｌｅａｒｎｉｎｇライブラリ）としてＰｙｔｏｒｃｈを用いた。

［性格抽出例１］
性格抽出用の学習済みモデルを用いてシェットランド・シープドッグの性格抽出を行った。性格抽出に用いたシェットランド・シープドッグの画像は、教師データに用いたものとは別のものを用意した。全年齢のシェットランド・シープドッグの写真を用いて学習を行った学習済みモデルについては、全年齢の動物の写真を用いて性格抽出を行い、１歳以下のシェットランド・シープドッグの写真を用いて学習を行った学習済みモデルについては、１歳以下のシェットランド・シープドッグの写真を用いて性格抽出を行った。性格抽出に用いた画像は、予め飼い主からのアンケートによって、人懐っこい、大人しいと分かっている画像（以下「性格紐付き画像」という。）であった。学習済みモデルによる抽出結果が、飼い主からのアンケートの回答と合致したものを正解とした。
結果を下記表３に示す。

［性格抽出例２］
性格抽出用の学習済みモデルを用いて犬の画像の性格抽出を行った。犬の画像には、トイプードル、チワワ及びゴールデン・レトリバーの性格紐付き画像が含まれていた。性格抽出の結果、トイプードル、チワワ又はゴールデン・レトリバーと抽出された画像について、性格抽出用の学習済みモデルを用いて性格抽出を行った。性格抽出例１と同様に、学習済みモデルによる抽出結果が、飼い主からのアンケートの回答と合致したものを正解とした。結果を下記表４に示す。

以下本発明の実施例を示す。本発明は以下の実施例に限定されるものではない。

［実施例１]
ユーザと愛玩動物の相性を判定する方法として、具体的なユーザ属性データと愛玩動物属性データを用意し、それらを比較することで、相性を判定する方法が考えられる。例として相性を判定するユーザ属性データとして表５のような項目を用意した。ユーザが飼育している動物と愛玩動物の相性についても、後記するユーザと愛玩動物の相性判定手段と同様に判定することができる。

また、愛玩動物の属性データとして、表６のような項目を用意した。病気の頻度については、以下に挙げられる品種は病気が多いことが知られているため、これらに該当する品種は病気が多いとした。

アイリッシュ・ウルフハウンド、アイリッシュ・セター、秋田、アメリカン・コッカー・スパニエルアメリカン、フォックスハウンド、アラスカン・マラミュート、イングリッシュ・スプリンガー・スパニエル、ウエスト・ハイランド・ホワイト・テリア、オールド・イングリッシュ・シープドッグ、紀州、キャバリア・キング・チャールズ・スパニエル、グレート・デーン、グレート・ピレニーズ、ゴールデン・レトリバー、コリー、サモエド、シー・ズー、シベリアンハスキー、シャーマン・シェパード・ドッグ、ジャイアント・シュナウザー、スコティッシュ・テリア、セント・バーナード、ダックスフンド（スタンダード）、ドーベルマン、ドゴ・アルヘンティーノ、土佐、ナポリタン・マスティフ、ニューファンドランド、バーニーズ・マウンテン・ドッグ、バセット・ハウンド、ビアデッド・コリー、ブービエ・デ・フランダース、フラットコーテッド・レトリバー、ブル・テリア、ブルドッグ、ブルマスティフ、フレンチ・ブルドッグ、ボクサー、ボルゾイ、ホワイト・スイス・シェパード・ドッグ、マスティフ、ミニチュア・ブル・テリア。

愛玩動物属性データのうち、品種から導き出せるもの（例えば、体型、体重、病気、寿命など）は品種ごとに属性データ記憶部に記憶されており、ユーザがユーザ属性データを入力すると、属性データ記憶部に記憶された愛玩動物の属性データとユーザの属性データから相性が判定される。

（相性判定手段）
ユーザ属性データと愛玩動物属性データの相性は、表７から表１３に基づいて、属性データの各項目を比較することで判定した。

例えば、ユーザの属性データが表１４であるユーザＡがいると仮定する。

ユーザＡと相性の良い愛玩動物の属性データとしては、例えば、表１５のようなものが挙げられる。

表７から表１３に基づいて、各項目を比較すると表１６のようになる。例えば、ユーザＡの「部屋の広さ」の項目は「狭い」であり、愛玩動物の「体型」の項目は「超小型」である。したがって、表７より、「狭い」と「超小型」の相性は〇となる。

例えば、〇の数が３つ以上であれば相性が良いとすれば、ユーザＡと愛玩動物の相性は良いと判定されることになる。従って、ユーザＡには、〇の数が３つ以上となる属性データを持つ愛玩動物の品種がリコメンドされる。ユーザＡの性格２はインドアであり、愛玩動物の性格２は活発であるため、性格２のみでみると相性が悪い。このような場合は、ユーザと相性の合う品種の中でも、よりユーザの属性データにあった個体を提示することができる。例えば、ある個体Ｘが、その品種の中では比較的大人しめであるとすると、ユーザの性格２に近いため、ユーザＡに合う品種の中から、さらにユーザの属性データに近い個体である個体Ｘを提示することができる。

［実施例１-１]
（相性判定手段）
例として、属性データが表１７であるユーザＢとトイプードルAの相性判定の実施例を示す。

トイプードルＡにおける愛玩動物属性データは、表１８であった。表１８のうち、性格については、画像から学習済みモデルを用いて抽出されたものであった。

ユーザＢとトイプードルＡの属性データから相性を判定する表７から表１３を参照すれば、表１９のようになる。例えば、ユーザＢの「部屋の広さ」の項目は「広い」であり、トイプードルの「体型」の項目は「超小型」である。したがって、表７より、「広い」と「超小型」の相性は〇となる。

例えば、〇の数３つ以上であれば相性が良いとすれば、このユーザＢとトイプードルＡの相性は良いと判定されることになる。このユーザの性格２はインドアであり、トイプードルＡの性格２は活発であるため、性格２のみでみると相性が悪い。このような場合は、ユーザと相性の合う品種の中でも、よりユーザの属性データにあった愛玩動物を提示することができる。例えば、他のトイプードルＸが、トイプードルの中では比較的大人しめであるとすると、ユーザの性格２に近いため、トイプードルという品種の中から、さらにユーザの属性データに近い個体であるトイプードルＸを提示することができる。

［実施例２]
［実施例１－１］は愛玩動物の購入を検討しているユーザがユーザ属性データを入力すると、それと相性の良い愛玩動物がリコメンドされる実施方法であるが、生体販売者が、販売したい品種を提示し、それと相性の良い飼い主にリコメンドする実施方法であってもよい。実施例２では、販売したい個体Ｃの画像から、品種抽出用の学習済みモデルによって品種がゴールデン・レトリバーであることが抽出された。また、性格抽出用の学習済みモデルによって性格が抽出された。その他の愛玩動物属性データは、表２０のようであった。体型、病気、寿命及び体重については、品種から導きだされたものである。

ゴールデン・レトリバーと相性の良いユーザ属性データとしては、例えば、表２１のようなものがピックアップされた。

ゴールデン・レトリバーとユーザの属性データから相性を判定する表７から表１３を参照すれば、表２２のようになる。例えば、ユーザの「部屋の広さ」の項目は「広い」であり、ゴールデン・レトリバーの「体型」の項目は「大型」である。したがって、表７より、「広い」と「大型」の相性は〇となる。

例えば、〇の数３つ以上であれば相性が良いとすれば、このユーザとゴールデン・レトリバーの相性は良いと判定されることになる。

Claims (11)

1. ユーザ属性データと、愛玩動物の画像から抽出した属性データを含む愛玩動物属性データとを用いて、ユーザと愛玩動物の相性を判定する相性判定部を備えることを特徴とする相性判定システム。
2. 愛玩動物の画像から、愛玩動物属性データを抽出する抽出部を備える請求項１記載の相性判定システム。
3. 前記抽出部が、愛玩動物の画像から、その動物の性格に関する愛玩動物属性データを抽出するものである請求項２記載の相性判定システム。
4. 前記抽出部が、愛玩動物の画像から、その動物の品種に関する愛玩動物属性データを抽出するものである請求項２記載の相性判定システム。
5. 前記抽出部が、学習済みモデルを用いて、愛玩動物の画像から、その動物の愛玩動物属性データを抽出するものである請求項２記載の相性判定システム。
6. 前記学習済みモデルが、性格抽出用の学習済みモデルである請求項５記載の相性判定システム。
7. 前記学習済みモデルが、品種抽出用の学習済みモデルである請求項５記載の相性判定システム。
8. 前記相性判定部が、愛玩動物属性データから要求される基準を、ユーザ属性データが満たすか否かで相性を判定するものである請求項１～７のいずれか一項記載の相性判定システム。
9. 前記相性判定部が、ユーザ属性データから要求される基準を、愛玩動物属性データが満たすか否かで相性を判定するものである請求項１～７のいずれか一項記載の相性判定システム。
10. 愛玩動物の画像を受け付ける受付部と、
    ユーザ属性データを記憶するユーザ属性データ記憶部と、
    前記属性データ記憶部に記憶されたユーザ属性データと愛玩動物の属性データから、ユーザと愛玩動物の相性を判定する相性判定部とを備え、
    生体販売者が愛玩動物の画像を入力すると、当該愛玩動物の画像から愛玩動物属性データを抽出し、ユーザと愛玩動物の相性を判定する相性判定システム。
11. ユーザ属性データと、愛玩動物の画像から抽出した属性データを含む愛玩動物属性データとを用いて、ユーザと愛玩動物の相性をコンピュータを用いて判定するステップを備えることを特徴とする相性判定方法。
    
    
    

Images