JP6909633B2 - 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
JP6909633B2
JP6909633B2 JP2017098349A JP2017098349A JP6909633B2 JP 6909633 B2 JP6909633 B2 JP 6909633B2 JP 2017098349 A JP2017098349 A JP 2017098349A JP 2017098349 A JP2017098349 A JP 2017098349A JP 6909633 B2 JP6909633 B2 JP 6909633B2
Authority
JP
Japan
Prior art keywords
design
customer
evaluation
impression
designs
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.)
Active
Application number
JP2017098349A
Other languages
English (en)
Other versions
JP2018195078A (ja
Inventor
拓巳 加藤
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

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q30/00Commerce
    • G06Q30/02Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201Market modelling; Market analysis; Collecting market data
    • G06Q30/0202Market predictions or forecasting for commercial activities
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/22Matching criteria, e.g. proximity measures
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/043Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/44Local 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
    • G06V10/443Local 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
    • G06V10/449Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10Character recognition
    • G06V30/19Recognition using electronic means
    • G06V30/191Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/19173Classification 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)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (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)

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前記複数の第2デザインの各々との類似度と、前記複数の第2デザインの各々から抽出された第2特徴量および予めインターネットを介して収集された情報媒体から得られた前記複数の第2デザインの各々に対する顧客の感想を示す情報の関係を学習した評価モデルと、を用いて、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、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し、前記デザインスコアは、前記第1デザインに対する顧客の感想を、感性の種類毎に構成比として表したものである、評価装置である。
(2):(1)において、前記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、前記感性の種類毎に、前記類似度算出部によって算出された前記複数の第2デザインの各々との類似度と、前記評価モデルを用いて得られる前記複数の第2デザインの各々に対する顧客の感想を前記感性の種類毎に数値化したスコアとを掛け合わせ、前記複数の第2デザイン分を加算することで、前記感性の種類毎の加算値を算出し、前記感性の種類毎の加算値を合計することで、全感性の合計感性スコアを算出し、前記感性の種類毎の加算値の各々を、前記合計感性スコアで割ることで、前記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、前記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、前記算出された前記複数の第2デザインの各々との類似度と、前記複数の第2デザインの各々から抽出された第2特徴量および予めインターネットを介して収集された情報媒体から得られた前記複数の第2デザインの各々に対する顧客の感想を示す情報の関係を学習した評価モデルと、を用いて、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って、前記顧客の感想を予想することは、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ことを含み、前記デザインスコアは、前記第1デザインに対する顧客の感想を、感性の種類毎に構成比として表したものである、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、前記算出された前記複数の第2デザインの各々との類似度と、前記複数の第2デザインの各々から抽出された第2特徴量および予めインターネットを介して収集された情報媒体から得られた前記複数の第2デザインの各々に対する顧客の感想を示す情報の関係を学習した評価モデルと、を用いて、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って、前記顧客の感想を予想させることは、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させることを含み、前記デザインスコアは、前記第1デザインに対する顧客の感想を、感性の種類毎に構成比として表したものである、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 0006909633
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前記複数の第2デザインの各々との類似度と、前記複数の第2デザインの各々から抽出された第2特徴量および予めインターネットを介して収集された情報媒体から得られた前記複数の第2デザインの各々に対する顧客の感想を示す情報の関係を学習した評価モデルと、を用いて、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、
    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し、
    前記デザインスコアは、前記第1デザインに対する顧客の感想を、感性の種類毎に構成比として表したものである、
    評価装置。
  2. 前記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、
    前記感性の種類毎に、前記類似度算出部によって算出された前記複数の第2デザインの各々との類似度と、前記評価モデルを用いて得られる前記複数の第2デザインの各々に対する顧客の感想を前記感性の種類毎に数値化したスコアとを掛け合わせ、前記複数の第2デザイン分を加算することで、前記感性の種類毎の加算値を算出し、
    前記感性の種類毎の加算値を合計することで、全感性の合計感性スコアを算出し、
    前記感性の種類毎の加算値の各々を、前記合計感性スコアで割ることで、前記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. 前記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、
    前記算出された前記複数の第2デザインの各々との類似度と、前記複数の第2デザインの各々から抽出された第2特徴量および予めインターネットを介して収集された情報媒体から得られた前記複数の第2デザインの各々に対する顧客の感想を示す情報の関係を学習した評価モデルと、を用いて、前記第1デザインに対する顧客の感想を予想する
    評価方法であって、
    前記顧客の感想を予想することは、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ことを含み、
    前記デザインスコアは、前記第1デザインに対する顧客の感想を、感性の種類毎に構成比として表したものである、
    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、
    前記算出された前記複数の第2デザインの各々との類似度と、前記複数の第2デザインの各々から抽出された第2特徴量および予めインターネットを介して収集された情報媒体から得られた前記複数の第2デザインの各々に対する顧客の感想を示す情報の関係を学習した評価モデルと、を用いて、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って、
    前記顧客の感想を予想させることは、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させることを含み、
    前記デザインスコアは、前記第1デザインに対する顧客の感想を、感性の種類毎に構成比として表したものである、
    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 JP2018195078A (ja) 2018-12-06
JP6909633B2 true 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)

Families Citing this family (9)

* 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
CN113994369A (zh) * 2019-06-27 2022-01-28 索尼集团公司 学习设备、图像处理设备、参数生成设备、学习方法和图像处理方法
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

Family Cites Families (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
JP6280703B2 (ja) * 2013-07-19 2018-02-14 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

Also Published As

Publication number Publication date
US20180336580A1 (en) 2018-11-22
JP2018195078A (ja) 2018-12-06

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
Arras et al. " What is relevant in a text document?": An interpretable machine learning approach
Roy et al. Solving general arithmetic word problems
Liscio et al. Axies: Identifying and evaluating context-specific values
Brooks et al. FeatureInsight: Visual support for error-driven feature ideation in text classification
US20240211783A1 (en) Adaptable systems for discovering intent from enterprise data
Rizk et al. Data science: developing theoretical contributions in information systems via text analytics
Hussain et al. Approximation of COSMIC functional size to support early effort estimation in Agile
US20170308523A1 (en) A method and system for sentiment classification and emotion classification
Compagno Quantitative semiotic analysis
US10339214B2 (en) Structured term recognition
GB2513537A (en) Natural language processing
CN110096681A (zh) 合同条款分析方法、装置、设备及可读存储介质
CN116151233A (zh) 数据标注、生成方法、模型训练方法、设备和介质
Henin et al. A multi-layered approach for tailored black-box explanations
EP3975071A1 (en) Identifying and quantifying confounding bias based on expert knowledge
da Rocha et al. A text as unique as a fingerprint: Text analysis and authorship recognition in a Virtual Learning Environment of the Unified Health System in Brazil
Demartini et al. Data bias management
Milosevic et al. Classification of intangible social innovation concepts
Dey et al. A novel approach to identify the determinants of online review helpfulness and predict the helpfulness score across product categories
Zuchowski A philosophical analysis of chaos theory
JP2012093870A (ja) システム開発における要求獲得支援システム、要求獲得支援方法およびプログラム
KR20090126862A (ko) 자연어 처리를 이용한 감성 정보 분석 시스템 및 방법,자연어 처리를 이용한 감성 정보 분석 방법을 컴퓨터에서실행하기 위한 프로그램을 저장한 기록매체
KR20230049486A (ko) 정치성향 분석 장치 및 이를 이용한 서비스 제공 방법
Górski et al. Towards grad-cam based explainability in a legal text processing pipeline. extended version

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