JP7395499B2

JP7395499B2 - デザイン支援装置及びデザイン支援方法

Info

Publication number: JP7395499B2
Application number: JP2020556821A
Authority: JP
Inventors: 貴志猪股; 悟阿部; 瑞穂入江; 将市川; 志織寺崎
Original assignee: Asics Corp
Current assignee: Asics Corp
Priority date: 2019-07-17
Filing date: 2019-07-17
Publication date: 2023-12-11
Anticipated expiration: 2039-07-17
Also published as: US20210173984A1; CN112534457A; EP3798960A4; EP3798960A1; JPWO2021009880A1; WO2021009880A1

Description

この発明は、商品のデザインを支援する技術および商品を推奨する技術に関する。

靴や衣服などの商品のデザインは、デザイナの経験や知識にもとづいて決定されることが多いため、ユーザの好みに合う商品のデザインになるかどうかはデザイナのスキルやセンスに大きく依存する。

たとえば、特許文献１には、ユーザによるデザイン変更を許容しつつ、システムの持つ評価との差分計算から、より好ましい代替候補を示すデザイン構築支援システムが開示されている。

特許文献２には、ユーザーが選択したコンテンツに基づいて物品デザインを生成し、生成した物品デザインをユーザへ提示する情報処理装置が開示されている。

特許文献３には、製品の形態に対する消費者のグループからの一人以上の消費者の相対的な好みを決定する方法が開示されている。

特開２０００－２３５５８８号公報国際公開第２０１７／０９８７６０号特表２００４／５２９４０６号公報

商品の部分に関するデザイン要素を組み合わせて商品をデザインした場合に、ユーザの商品全体に対する印象がどのようになるかを正確に予測することは難しい。また、ユーザの商品に対する印象を改善するために個々のデザイン要素をどのように修正すればよいかをデザイナに提示することは難しい。また、ユーザの商品に対する印象評価にもとづいて商品を推奨する必要性もある。

本発明はこうした課題に鑑みてなされたものであり、その目的は、商品の部分に関するデザイン要素を組み合わせて商品の印象を評価し、印象の改善を支援する技術を提供することにある。また、別の目的は、商品の印象評価にもとづいて商品を推奨する技術を提供する。

上記課題を解決するために、本発明のある態様のデザイン支援装置は、靴を構成する複数の部分に対するデザインを定量化した複数のデザイン要素指標を入力する入力部と、入力された複数の前記デザイン要素指標を組み合わせて、前記靴に対する印象を定量化した印象指標を予測する予測部と、予測された前記印象指標を出力する出力部とを含む。

本発明の別の態様は、デザイン支援方法である。この方法は、靴を構成する複数の部分に対するデザインを定量化した複数のデザイン要素指標を入力する入力ステップと、入力された複数の前記デザイン要素指標を組み合わせて、前記靴に対する印象を定量化した印象指標を予測する予測ステップと、予測された前記印象指標を出力する出力ステップとを含む。

本発明のさらに別の態様は、デザイン支援装置である。この装置は、衣服を構成する複数の部分に対するデザインを少なくとも含む定量化された複数のデザイン要素指標を入力する入力部と、入力された複数の前記デザイン要素指標を組み合わせて、前記衣服に対する印象を定量化した複数の印象指標を予測する予測部と、予測された前記複数の印象指標を出力する出力部とを含む。

本発明のさらに別の態様は、推奨装置である。この装置は、靴を構成する複数の部分に対するデザインを定量化した複数のデザイン要素指標と前記靴に対する印象を定量化した印象指標の対を教師データとして用いて複数の前記デザイン要素指標と前記印象指標の間の相関関係を学習して印象予測モデルを生成する学習部と、学習された前記印象予測モデルにもとづいて、ユーザが指定する靴の複数の前記デザイン要素指標に対して、前記印象指標を予測する予測部と、予測された前記印象指標と類似する印象指標を有する他の靴を推奨する推奨部とを含む。

本発明のさらに別の態様もまた、推奨装置である。この装置は、衣服を構成する複数の部分に対するデザインを定量化した複数のデザイン要素指標と前記衣服に対する印象を定量化した印象指標の対を教師データとして用いて複数の前記デザイン要素指標と前記印象指標の間の相関関係を学習して印象予測モデルを生成する学習部と、学習された前記印象予測モデルにもとづいて、ユーザが指定する衣服の複数の前記デザイン要素指標に対して、前記印象指標を予測する予測部と、予測された前記印象指標と類似する印象指標を有する他の衣服を推奨する推奨部とを含む。

なお、以上の構成要素の任意の組合せ、本発明の表現を方法、装置、システム、コンピュータプログラム、データ構造、記録媒体などの間で変換したものもまた、本発明の態様として有効である。

本発明によれば、商品の部分に関するデザイン要素を組み合わせて商品の印象を評価し、印象の改善を支援することができる。また、商品の印象評価にもとづいて商品を推奨することができる。

実施の形態１に係るデザイン支援装置の構成図である。靴全体のデザインの一例を示す図である。図２の靴のソールを示す図である。図２の靴のアッパを示す図である。靴のアッパに付けられたテクスチャを示す図である。靴の甲の曲率半径を示す図である。靴のつま先挙上角度を示す図である。靴の高さを示す図である。ターゲットセグメント毎の印象指標の例を説明する図である。あるターゲットセグメントについて靴のデザイン要素指標と印象指標の相関関係を説明する図である。別のターゲットセグメントについて靴のデザイン要素指標と印象指標の相関関係を説明する図である。評価対象の靴について予測されたある印象指標の評価値と、印象指標に影響を与えるデザイン要素指標の修正の方向と範囲を示す図である。評価対象の靴について予測された別の印象指標の評価値と、印象指標に影響を与えるデザイン要素指標の修正の方向と範囲を示す図である。靴の複数のデザイン要素指標を組み合わせて、靴に対する印象指標を予測する予測モデルを機械学習により生成する手順を示すフローチャートである。学習済みの予測モデルを用いて、デザイン要素指標とターゲットセグメントから印象指標を予測する手順を示すフローチャートである。図１５のデザイン修正と再評価の処理の手順を説明するフローチャートである。図１７（ａ）～（ｆ）は、評価対象の靴の主色の着色パターンを説明する図である。実施の形態２に係る商品推奨装置の構成図である。

（実施の形態１）
図１は、本実施の形態に係るデザイン支援装置１００の構成図である。同図は機能に着目したブロック図を描いており、これらの機能ブロックはハードウェア、ソフトウェア、またはそれらの組合せによっていろいろな形で実現することができる。

ここでは、商品の一例として靴を取り上げる。デザイン支援装置１００は、靴のパーツのデザイン要素指標から、ターゲットとするユーザのセグメントによる靴全体の印象指標を評価する。

デザイン要素指標入力部１０は、靴全体または靴を構成する部分（パーツ）に対するデザインを定量化したデザイン要素指標を入力する。デザイン要素指標は、靴全体または靴を構成する部分に対する形状、色彩またはテクスチャに関する指標である。

図２は、靴全体のデザインの一例を示す図である。靴は、ソールとアッパの二つの部分に分かれる。図３は、図２の靴のソールを示す図であり、図４は、図２の靴のアッパを示す図である。図２のデザイン例では、図３の靴のアッパに無地のテクスチャが付けられているが、ストライプや水玉などのテクスチャが付けられてもよい。図５は、靴のアッパに付けられた無地のテクスチャを示す図である。

形状に関するデザイン要素指標の例を説明する。図６は、靴の甲の曲率半径Ｒを示し、図７は、靴のつま先挙上角度θを示し、図８は、靴の高さＨを示す図である。靴の甲の曲率半径Ｒ、靴のつま先挙上角度θ、靴の高さＨは、靴全体の形状に関する指標の一例である。靴の部分の形状に関する指標として、図３のソールの形状、図４のアッパの形状がある。ソールの形状として、ソール全体の厚さや、つま先から踵までのソールの厚さの変化などがある。アッパの形状として、つま先側の細さや、踵のカーブの曲率を変化などがある。

色彩に関するデザイン要素指標の例を説明する。図２の靴全体の色彩に関する指標として、全体色相平均、全体明度平均、全体彩度平均の指標があり、それぞれ靴全体の色相、明度、彩度の平均値で与えられる。また、別の靴全体の色彩に関する指標として、色相、明度、彩度の前後方向または上下方向の重心の指標があり、それぞれ靴の前後方向または上下方向の色相、明度、彩度の重心の位置で与えられる。靴の前後方向とは、靴のつま先から踵への方向であり、靴の上下方向とは、靴のアッパからソールへの方向である。同様の色彩に関する指標を、図３のアッパ、図４のソールなど靴の部分に対して定義することができる。

テクスチャに関するデザイン要素指標の例を説明する。図３に示すように、靴のアッパに無地のテクスチャを付けることができる。テクスチャの他の例はストライプや水玉などの模様である。テクスチャに関する指標は、靴の部分のテクスチャの形や位置に関する指標である。

図１に戻り、ターゲットセグメント入力部２０は、ターゲットとするユーザのセグメントを入力する。ユーザを性別、年齢、居住地、ランニング頻度、ランニング歴などの属性によってセグメントに分類してもよい。たとえば、ユーザ層を、ランニングに真剣に取り組むシリアスランナー、ランニングを趣味として楽しむファンランナーなどの複数のターゲットセグメントに分類する。

印象指標入力部３０は、ターゲットセグメント毎のユーザが抱く靴に対する印象を定量化した印象指標を入力する。印象指標の例として、頑強感、スピード感、高級感などがあり、各ターゲットセグメントのユーザが、たとえばＡ（優れる）、Ｂ（平均的）、Ｃ（劣る）の３段階などの評価値で各印象指標を評価したデータを用いる。同じデザインの靴であっても、ユーザのセグメントによって印象指標の評価値は異なる。

図９は、ターゲットセグメント毎の印象指標の例を説明する図である。ここでは対象の靴に対して６つの印象指標Ｉ１～Ｉ６があり、同一の靴のデザインに対して、シリアスランナーとファンランナーで印象指標Ｉ１～Ｉ６の評価値に違いがある。

図１に戻り、学習部４０は、デザイン要素指標入力部１０から与えられる学習対象の靴のデザイン要素指標、ターゲットセグメント入力部２０から与えられるターゲットセグメント、および印象指標入力部３０から与えられる当該ターゲットセグメントのユーザの学習対象の靴の印象指標を教師データとして用いて、ターゲットセグメント毎にデザイン要素指標と印象指標の間の相関関係を学習して印象予測モデルを生成する。ユーザ層をセグメントに分けない場合は、学習部４０は、ユーザ層を区別せずに、学習対象の靴のデザイン要素指標と印象指標の対を教師データとして用いて、デザイン要素指標と印象指標の間の相関関係を学習して印象予測モデルを生成する。

図１０は、シリアスランナーについて靴のｍ個のデザイン要素指標Ｄ１～Ｄｍとｎ個の印象指標Ｉ１～Ｉｎの相関関係を説明する図である。この例では、デザイン要素指標は、Ｄ１：靴の高さ、Ｄ２：つま先挙上角度、Ｄ３：全体明度平均、Ｄ４：全体彩度平均などである。第１行の対象靴のデザイン要素指標Ｄ１～Ｄｍの組み合わせに対して、印象指標はＩ１：Ｂ、Ｉ２：Ｂなどとなっている。第２行の対象靴のデザイン要素指標Ｄ１～Ｄｍの組み合わせに対して、印象指標はＩ１：Ａ、Ｉ２：Ａ、第３行の対象靴のデザイン要素指標Ｄ１～Ｄｍの組み合わせに対して、印象指標はＩ１：Ａ、Ｉ２：Ｃ、第４行の対象靴のデザイン要素指標Ｄ１～Ｄｍの組み合わせに対して、印象指標はＩ１：Ｂ、Ｉ２：Ｃである。

図１１は、ファンランナーについて靴のｍ個のデザイン要素指標Ｄ１～Ｄｍとｎ個の印象指標Ｉ１～Ｉｎの相関関係を説明する図である。各行の対象靴のデザイン要素指標Ｄ１～Ｄｍの値は図１０と同一であるが、同一の対象靴について印象指標Ｉ１～Ｉｎはシリアスランナーとは異なる。第１行の対象靴に対して印象指標はＩ１：Ｂ、Ｉ２：Ｃ、第２行の対象靴に対して印象指標はＩ１：Ａ、Ｉ２：Ｂ、第３行の対象靴に対して印象指標はＩ１：Ｂ、Ｉ２：Ｂ、第４行の対象靴に対して印象指標はＩ１：Ｃ、Ｉ２：Ｃである。

図１０および図１１に示すようなターゲットセグメント毎の学習対象の靴のデザイン要素指標Ｄ１～Ｄｍと印象指標Ｉ１～Ｉｎの対を教師データとして与え、靴のデザイン要素指標Ｄ１～Ｄｍから印象指標Ｉ１～Ｉｎを予測するモデルをランダムフォレストなどの決定木分析手法により生成する。デザイン要素指標を説明変数として印象指標を目的変数とする決定木による予測モデルが各印象指標に対して生成される。

機械学習として、決定木分析以外の手法を用いてもよい。たとえば、回帰モデル、ニューラルネットワーク、ベイズ推定などを用いてもよい。

図１に戻り、学習部４０は、ターゲットセグメント毎に生成された印象予測モデルを印象予測モデル記憶部５０に格納する。

印象指標予測部６０は、ターゲットセグメント入力部２０からターゲットセグメントを受け取り、当該ターゲットセグメントの印象予測モデルを印象予測モデル記憶部５０から読み出す。印象指標予測部６０は、当該ターゲットセグメントの印象予測モデルにもとづいて、デザイン要素指標入力部１０から与えられる評価対象の靴のデザイン要素指標を組み合わせて、当該ターゲットセグメントのユーザの評価対象の靴に対する印象指標を予測する。たとえば、評価対象の靴の複数のデザイン要素指標の組み合わせに対して、ターゲットセグメントがシリアスランナーの場合、スピード感が優れるが、頑強感に劣るなどの印象指標の評価値が学習済の予測モデルにもとづいて予測される。

改善したいターゲットとする印象指標を印象指標予測部６０に入力し、印象指標予測部６０は、ターゲットとする印象指標について評価値を出力するように構成してもよい。

印象指標予測部６０は、評価される印象指標に与える影響度合いの高い順に少なくとも一つのデザイン要素指標を抽出してもよい。ランダムフォレストでは、説明変数の影響度合いを推定するため、決定木の説明変数の影響度合いを参照して、評価対象の印象指標への影響度合いの高い順にデザイン要素指標を抽出することができる。

出力部７０は、印象指標予測部６０により予測された印象指標の評価値を出力する。印象指標の評価値はたとえばＡ、Ｂ、Ｃの三段階で示し、Ａは優れる、Ｂは平均的、Ｃは劣ることを示す。

出力部７０は、印象指標毎に影響度合いの高い順に抽出されたデザイン要素指標を印象指標の評価値とともに出力してもよい。この場合、出力部７０は、印象指標毎に影響度合いの高い順に抽出されたデザイン要素指標について、印象指標を改善するためのデザイン要素指標の修正の方向または修正の範囲を合わせて出力してもよい。

図１２は、評価対象の靴について予測された印象指標Ｉ１の評価値と、印象指標Ｉ１に影響を与えるデザイン要素指標の修正の方向と範囲を示す図である。印象指標Ｉ１は頑強感であり、その評価値はＡである。印象指標Ｉ１に与える影響度合いの高い順に３つのデザイン要素指標Ｄ６：ソール明度平均、Ｄ７：ソール明度前後方向重心、Ｄ８：アッパ明度前後方向重心が挙げられている。

図１２では、各デザイン要素指標の靴全体での平均値を縦軸１４０にそろえて、各デザイン要素指標の値を横軸に表示している。評価対象の靴のデザイン要素指標Ｄ６の入力値１２０ａは０．４である。印象指標Ｉ１の評価値がＡである靴が取り得るデザイン要素指標Ｄ６の範囲（「Ａゾーン」と呼ぶ）が符号１１０ａで示され、その中間値は点線で示されている。また、印象指標Ｉ１の評価値がＣである靴が取り得るデザイン要素指標Ｄ６の範囲（「Ｃゾーン」と呼ぶ）が符号１３０ａで示され、その中間値は点線で示されている。

評価対象の靴のデザイン要素指標Ｄ６の入力値１２０ａは、靴全体の平均値に比べて低い値であり、Ａゾーン１１０ａから外れており、Ｃゾーン１３０ａ内にあることがわかる。印象指標Ｉ１を改善するための評価対象の靴のデザイン要素指標Ｄ６の修正方向が符号１５０ａの矢印で示されている。この例では、印象指標Ｉ１を改善するためには靴のデザイン要素指標Ｄ６をソール明度平均を上げる方向、すなわちソールを全体的に明るくする方向に明度を変更することをデザインの修正方向として示している。修正の範囲としては、修正方向に靴全体の平均値を超え、かつ、修正方向にＡゾーンの中央値を超えるように修正する。

同様に、デザイン要素指標Ｄ７の入力値１２０ｂは、靴全体の平均値に比べて高い値であり、Ａゾーン１１０ｂから外れており、Ｃゾーン１３０ｂ内にある。印象指標Ｉ１を改善するためのデザイン要素指標Ｄ７の修正方向は符号１５０ｂの矢印で示される。デザイン要素指標Ｄ７をソール明度前後方向重心をかかと側に変更する方向、すなわちソールのかかと側を明るくする方向に明度を変更することをデザインの修正方向として示している。

デザイン要素指標Ｄ８の入力値１２０ｃについては、修正方向は符号１５０ｃの矢印で示される。デザイン要素指標Ｄ９をアッパ明度前後方向重心をつま先側に変更する方向、すなわちアッパのつま先側を明るくする方向に明度を変更することをデザインの修正方向として示している。

図１３は、評価対象の靴について予測された印象指標Ｉ５の評価値と、印象指標Ｉ５に影響を与えるデザイン要素指標の修正の方向と範囲を示す図である。印象指標Ｉ５はスピード感であり、その評価値はＢである。印象指標Ｉ５に与える影響度合いの高い順に２つのデザイン要素指標Ｄ８：アッパ明度前後方向重心、Ｄ１０：アッパ彩度上下方向重心が挙げられている。

評価対象の靴のデザイン要素指標Ｄ８の入力値１２０ｄ、Ａゾーン１１０ｄ、Ｃゾーン１３０ｄ、修正方向１５０ｄが示されている。デザイン要素指標Ｄ８をアッパ明度前後方向重心をつま先側に変更する方向、すなわちアッパのつま先側を明るくする方向に明度を変更することをデザインの修正方向として示している。

同様に評価対象の靴のデザイン要素指標Ｄ１０の入力値１２０ｅ、Ａゾーン１１０ｅ、Ｃゾーン１３０ｅ、修正方向１５０ｅが示されている。デザイン要素指標Ｄ１０をアッパ彩度上下方向重心を上側に変更する方向、すなわちアッパの上側を鮮やかにする方向に彩度を変更することをデザインの修正方向として示している。

図１に戻り、デザイン要素指標修正部８０は、出力部７０が提示する修正の方向性にしたがってデザイン要素指標を修正する。デザイン要素指標の修正はデザイン支援装置１００が自動的に行ってもよく、デザイン支援装置１００のオペレータがデザイン要素指標の変更値を入力してもよい。デザイン要素指標修正部８０は、修正されたデザイン要素指標をデザイン要素指標入力部１０に与える。印象指標予測部６０は、修正されたデザイン要素指標にもとづいて再度予測モデルにもとづいて印象指標を予測し、出力部７０が印象指標の新しい評価値を出力する。この修正作業を繰り返すことにより、デザイン要素指標を変更しながら、印象指標を改善し、デザインを修正していくことができる。

図１４は、靴の複数のデザイン要素指標を組み合わせて、靴に対する印象指標を予測する予測モデルを機械学習により生成する手順を示すフローチャートである。これは、学習部４０が、多数のユーザの靴に対する評価データを用いて予測モデルを生成する機械学習フェーズである。

デザイン要素指標入力部１０は、学習対象の靴のデザイン要素指標を入力する（Ｓ１０）。学習対象の靴の画像や３次元モデルを前処理して靴のデザイン要素指標を抽出してもよい。

ターゲットセグメント入力部２０は、学習対象の靴を評価するターゲットセグメントを入力し、印象指標入力部３０は、学習対象の靴に対する各ターゲットセグメントによる印象指標の評価値を入力する（Ｓ２０）。

学習部４０は、学習対象の靴のデザイン要素指標と各ターゲットセグメントによる印象指標の相関関係を機械学習し、デザイン要素指標とターゲットセグメントから印象指標を予測する予測モデルを生成する（Ｓ３０）。

学習部４０は、生成された予測モデルをターゲットセグメント毎に印象予測モデル記憶部５０に記憶する（Ｓ４０）。

図１５は、学習済みの予測モデルを用いて、デザイン要素指標とターゲットセグメントから印象指標を予測する手順を示すフローチャートである。これは、印象指標予測部６０が、学習部４０により生成された予測モデルを用いてデザイン要素指標とターゲットセグメントから印象指標を予測するフェーズである。

デザイン要素指標入力部１０は、評価対象の靴のデザイン要素指標を入力する（Ｓ５０）。ターゲットセグメント入力部２０は、特定のターゲットセグメントを入力する（Ｓ６０）。印象指標入力部３０は、改善のターゲットとする印象指標を指定する（Ｓ７０）。

印象指標予測部６０は、印象予測モデル記憶部５０から読み出した特定のターゲットセグメントの予測モデルにもとづいて、入力された評価対象の靴のデザイン要素指標から当該靴の印象指標を予測する（Ｓ８０）。

出力部７０は、改善のターゲットとした印象指標の評価値を、当該印象指標に影響を与えるデザイン要素指標の修正の範囲と方向性とともに出力する（Ｓ９０）。

デザイン要素指標修正部８０は、印象指標に影響を与えるデザイン要素指標を修正方向にしたがって修正し、印象指標予測部６０は修正されたデザイン要素指標から予測モデルにもとづいて印象指標を再評価する（Ｓ１００）。

図１６は、図１５のデザイン修正と再評価の処理Ｓ１００の一例を説明するフローチャートである。ここでは一例として、印象指標の評価結果にもとづいて色を変更する手順を説明する。

あらかじめカラーパレットから複数のカラーを選択する（Ｓ１１０）。

印象指標の評価結果にもとづいて主色の着色パターンを選択する（Ｓ１２０）。図１７（ａ）～（ｆ）は、評価対象の靴の主色の着色パターンを説明する図である。斜線を付した部分が主色で着色されている。主色で着色することのできる領域はあらかじめ指定されている。過去に販売された靴の塗り分けパターンにもとづいて主色と同色で塗られている領域を特定することによって主色で着色することのできる領域を抽出してもよい。主色で着色することのできる領域を主色で着色するかどうかで図１７（ａ）～（ｆ）に一例を示すような異なる着色パターンが得られる。

印象指標の評価結果とともに出力されるデザイン要素指標の寄与度にもとづいて図１７（ａ）～（ｆ）の着色パターンの中から一つの着色パターンを選択する。たとえば、印象指標に寄与するデザイン要素指標がアッパ明度前後方向重心であり、当該デザイン要素指標の修正方向がつま先を明るくする方向である場合、アッパのつま先を主色で着色したパターンを図１７（ａ）～（ｆ）の着色パターンの中から選択する。印象指標の改善に寄与するデザイン要素指標が複数ある場合は、寄与度の高いものを優先する。いずれのデザイン要素指標が印象指標の改善に寄与するかが明確でない場合は、ランダムに着色パターンを選択してもよい。

選択した着色パターンの主色以外の着色領域をカラーパレットから選択したすべてのカラーの組み合わせで着色することにより、複数のデザインパターンを生成する（Ｓ１３０）。

印象指標予測部６０は、予測モデルにもとづいて、各デザインパターンの修正されたデザイン要素指標から印象指標を予測する（Ｓ１４０）。出力部７０は、各デザインパターンの印象指標の評価結果を出力する（Ｓ１５０）。これにより、修正されたデザインパターンの印象を再評価することができる。

上記の説明では、商品の一例として靴を取り上げたが、靴以外の商品、たとえば衣服に対しても本実施の形態のデザイン支援装置１００を適用して、衣服を襟や袖などのパーツに分け、衣服のパーツのデザイン要素指標から衣服全体に対する印象指標を予測してもよい。

以上述べたように、本実施の形態のデザイン支援装置１００によれば、消費者が靴に対して抱く印象に関する評価データを教師データとして用いて、靴のパーツのデザイン指標から、ターゲットセグメント毎に靴の印象指標を予測するモデルを学習することができる。さらに、デザイン支援装置１００は、学習された予測モデルにもとづいて、靴のパーツのデザイン指標から、特定のターゲットセグメントによる靴の印象指標を予測し、印象指標を改善するためのデザイン要素指標の修正の方向性を提示することができる。デザイン要素指標の修正の方向性を消費者の印象評価データにもとづいて決定するため、デザイナのスキルやセンスに依存することなく、デザイン要素指標を修正することができる。

（実施の形態２）
実施の形態２として、実施の形態１で説明した印象予測モデルを利用した商品推奨装置について説明する。実施の形態２の商品推奨装置は、オンラインショッピングサイトなどでユーザが興味を示したり、過去に購入した商品の印象と類似する別の商品をユーザに推奨する。商品は、実施の形態１で説明した靴以外に衣服、文房具など、商品を構成する要素のデザインによって商品の印象が変わる商品であればどんな商品であってもよい。

図１８は、実施の形態２に係る商品推奨装置２００の構成図である。実施の形態１のデザイン支援装置１００と共通する構成および動作については適宜説明を省略する。

デザイン要素指標入力部１０は、商品全体または商品を構成する部分に対するデザインを定量化したデザイン要素指標を入力する。ターゲットセグメント入力部２０は、ターゲットとするユーザのセグメントを入力する。印象指標入力部３０は、ターゲットセグメント毎のユーザが抱く商品に対する印象を定量化した印象指標を入力する。

学習部４０は、デザイン要素指標入力部１０から与えられる商品のデザイン要素指標、ターゲットセグメント入力部２０から与えられるターゲットセグメント、および印象指標入力部３０から与えられる当該ターゲットセグメントのユーザの商品の印象指標を教師データとして用いて、ターゲットセグメント毎にデザイン要素指標と印象指標の間の相関関係を学習して印象予測モデルを生成し、印象予測モデル記憶部５０に格納する。商品のユーザ層のセグメント化はオプションであり、学習部４０は、ユーザ層を区別せずに、商品のデザイン要素指標と靴の印象指標の対を教師データとして用いて、デザイン要素指標と印象指標の間の相関関係を学習して印象予測モデルを生成してもよい。

商品選択部９４は、ユーザがオンラインショッピングサイトなどで指定する商品のデザイン要素指標を商品データベース９２から抽出し、デザイン要素指標入力部１０に供給する。デザイン要素指標入力部１０は、ユーザが指定した商品のデザイン要素指標を印象指標予測部６０に与える。ターゲットセグメント入力部２０は、商品を指定したユーザのセグメントを印象指標予測部６０に与える。ただし、商品のユーザ層をセグメント化しない場合は、ターゲットセグメントの入力は不要である。

印象指標予測部６０は、ターゲットセグメント入力部２０からターゲットセグメントを受け取り、当該ターゲットセグメントの印象予測モデルを印象予測モデル記憶部５０から読み出す。印象指標予測部６０は、当該ターゲットセグメントの印象予測モデルにもとづいて、デザイン要素指標入力部１０から与えられる商品のデザイン要素指標を組み合わせて、当該ターゲットセグメントのユーザの商品に対する印象指標を予測する。商品のユーザ層をセグメント化しない場合は、ターゲットセグメントに依存しない印象予測モデルにもとづいてユーザの商品に対する印象指標を予測する。

推奨部９０は、印象指標予測部６０によって予測された印象指標と類似する印象指標を有する他の商品を商品データベース９２から選択してユーザに推奨する。印象指標の類似範囲は、印象指標毎に所定の閾値によって定めることができる。推奨部９０によって、ユーザは指定した商品と印象指標は類似するがデザインが異なる他の商品を閲覧することができる。

上記の説明では、ユーザがオンラインショッピングサイトなどで指定した商品のデザイン要素指標をデザイン要素指標入力部１０に与えたが、ユーザの過去の商品購入履歴や閲商品覧履歴を参照して、過去に購入または閲覧した商品のデザイン要素指標をデザイン要素指標入力部１０に与えてもよい。この場合、印象指標予測部６０は、過去に購入または閲覧した商品のデザイン要素指標の組み合わせから印象指標を予測し、推奨部９０は、過去に購入または閲覧した商品の印象指標に類似する印象指標を有する他の商品をユーザに推奨する。

以上、本発明を実施の形態をもとに説明した。実施の形態は例示であり、それらの各構成要素や各処理プロセスの組合せにいろいろな変形例が可能なこと、またそうした変形例も本発明の範囲にあることは当業者に理解されるところである。

この発明は、商品のデザインを支援する技術および商品を推奨する技術に利用することができる。

１０デザイン要素指標入力部、２０ターゲットセグメント入力部、３０印象指標入力部、４０学習部、５０印象予測モデル記憶部、６０印象指標予測部、７０出力部、８０デザイン要素指標修正部、９０推奨部、９２商品データベース、９４商品選択部、１００デザイン支援装置、２００商品推奨装置。

Claims

靴を構成する複数の部分に対するデザインを定量化した複数のデザイン要素指標を入力する入力部と、
入力された複数の前記デザイン要素指標を組み合わせて、前記靴に対する印象を定量化した印象指標を予測する予測部と、
予測された前記印象指標を出力する出力部とを含み、
前記予測部は、前記印象指標に与える影響度合いの高い順に少なくとも一つのデザイン要素指標を抽出し、
前記出力部は、前記印象指標毎に抽出された前記デザイン要素指標について、前記印象指標を改善するための前記デザイン要素指標の修正の方向を合わせて出力し、
複数の前記デザイン要素指標と前記印象指標の対を教師データとして用いて複数の前記デザイン要素指標と前記印象指標の間の相関関係を学習して印象予測モデルを生成する学習部をさらに含み、
前記予測部は、学習された前記印象予測モデルにもとづいて、入力された複数の前記デザイン要素指標に対して、前記印象指標を予測することを特徴とするデザイン支援装置。
靴を構成する複数の部分に対するデザインを定量化した複数のデザイン要素指標を入力する入力部と、
入力された複数の前記デザイン要素指標を組み合わせて、前記靴に対する印象を定量化した印象指標を予測する予測部と、
予測された前記印象指標を出力する出力部とを含み、
前記予測部は、前記印象指標に与える影響度合いの高い順に少なくとも一つのデザイン要素指標を抽出し、
前記出力部は、前記印象指標毎に抽出された前記デザイン要素指標について、前記印象指標を改善するための前記デザイン要素指標の修正の範囲を合わせて出力し、
複数の前記デザイン要素指標と前記印象指標の対を教師データとして用いて複数の前記デザイン要素指標と前記印象指標の間の相関関係を学習して印象予測モデルを生成する学習部をさらに含み、
前記予測部は、学習された前記印象予測モデルにもとづいて、入力された複数の前記デザイン要素指標に対して、前記印象指標を予測することを特徴とするデザイン支援装置。
前記学習部は、複数のセグメントに分類された前記靴のユーザの前記セグメント毎の複数の前記デザイン要素指標と前記印象指標の対を教師データとして用いて複数の前記デザイン要素指標と前記印象指標の間の相関関係を学習し、前記セグメント毎の印象予測モデルを生成し、
前記入力部は、さらに前記セグメントを入力し、
前記予測部は、学習された前記セグメント毎の前記印象予測モデルにもとづいて、入力された前記セグメントおよび複数の前記デザイン要素指標に対して、前記印象指標を予測することを特徴とする請求項１または２に記載のデザイン支援装置。
前記印象指標毎に抽出された前記デザイン要素指標を修正するデザイン要素指標修正部をさらに含み、
前記予測部は、修正された前記デザイン要素指標を用いて前記印象指標を再予測することを特徴とする請求項１または２に記載のデザイン支援装置。
前記デザイン要素指標は、前記靴を構成する複数の部分の各々に対する形状に関する指標を含むことを特徴とする請求項１または２に記載のデザイン支援装置。
前記デザイン要素指標は、前記靴を構成する複数の部分の各々に対する色彩またはテクスチャに関する指標をさらに含むことを特徴とする請求項５に記載のデザイン支援装置。
靴を構成する複数の部分に対するデザインを定量化した複数のデザイン要素指標をコンピュータに入力する入力ステップと、
前記コンピュータが、入力された複数の前記デザイン要素指標を組み合わせて、前記靴に対する印象を定量化した印象指標を予測する予測ステップと、
前記コンピュータが、予測された前記印象指標を出力する出力ステップとを含み、
前記予測ステップは、前記印象指標に与える影響度合いの高い順に少なくとも一つのデザイン要素指標を抽出し、
前記出力ステップは、前記印象指標毎に抽出された前記デザイン要素指標について、前記印象指標を改善するための前記デザイン要素指標の修正の方向を合わせて出力し、
前記コンピュータが、複数の前記デザイン要素指標と前記印象指標の対を教師データとして用いて複数の前記デザイン要素指標と前記印象指標の間の相関関係を学習して印象予測モデルを生成する学習ステップをさらに含み、
前記予測ステップは、学習された前記印象予測モデルにもとづいて、入力された複数の前記デザイン要素指標に対して、前記印象指標を予測することを特徴とするデザイン支援方法。
靴を構成する複数の部分に対するデザインを定量化した複数のデザイン要素指標をコンピュータに入力する入力ステップと、
前記コンピュータが、入力された複数の前記デザイン要素指標を組み合わせて、前記靴に対する印象を定量化した印象指標を予測する予測ステップと、
前記コンピュータが、予測された前記印象指標を出力する出力ステップとを含み、
前記予測ステップは、前記印象指標に与える影響度合いの高い順に少なくとも一つのデザイン要素指標を抽出し、
前記出力ステップは、前記印象指標毎に抽出された前記デザイン要素指標について、前記印象指標を改善するための前記デザイン要素指標の修正の範囲を合わせて出力し、
前記コンピュータが、複数の前記デザイン要素指標と前記印象指標の対を教師データとして用いて複数の前記デザイン要素指標と前記印象指標の間の相関関係を学習して印象予測モデルを生成する学習ステップをさらに含み、
前記予測ステップは、学習された前記印象予測モデルにもとづいて、入力された複数の前記デザイン要素指標に対して、前記印象指標を予測することを特徴とするデザイン支援方法。
衣服を構成する複数の部分に対するデザインを少なくとも含む定量化された複数のデザイン要素指標を入力する入力部と、
入力された複数の前記デザイン要素指標を組み合わせて、前記衣服に対する印象を定量化した複数の印象指標を予測する予測部と、
予測された前記複数の印象指標を出力する出力部とを含み、
前記予測部は、前記印象指標に与える影響度合いの高い順に少なくとも一つのデザイン要素指標を抽出し、
前記出力部は、前記印象指標毎に抽出された前記デザイン要素指標について、前記印象指標を改善するための前記デザイン要素指標の修正の方向を合わせて出力し、
複数の前記デザイン要素指標と前記印象指標の対を教師データとして用いて複数の前記デザイン要素指標と前記印象指標の間の相関関係を学習して印象予測モデルを生成する学習部をさらに含み、
前記予測部は、学習された前記印象予測モデルにもとづいて、入力された複数の前記デザイン要素指標に対して、前記印象指標を予測することを特徴とするデザイン支援装置。
衣服を構成する複数の部分に対するデザインを少なくとも含む定量化された複数のデザイン要素指標を入力する入力部と、
入力された複数の前記デザイン要素指標を組み合わせて、前記衣服に対する印象を定量化した複数の印象指標を予測する予測部と、
予測された前記複数の印象指標を出力する出力部とを含み、
前記予測部は、前記印象指標に与える影響度合いの高い順に少なくとも一つのデザイン要素指標を抽出し、
前記出力部は、前記印象指標毎に抽出された前記デザイン要素指標について、前記印象指標を改善するための前記デザイン要素指標の修正の範囲を合わせて出力し、
複数の前記デザイン要素指標と前記印象指標の対を教師データとして用いて複数の前記デザイン要素指標と前記印象指標の間の相関関係を学習して印象予測モデルを生成する学習部をさらに含み、
前記予測部は、学習された前記印象予測モデルにもとづいて、入力された複数の前記デザイン要素指標に対して、前記印象指標を予測することを特徴とするデザイン支援装置。
予測された前記印象指標と類似する印象指標を有する他の靴を推奨する推奨部をさらに含むことを特徴とする請求項１または２に記載のデザイン支援装置。
予測された前記印象指標と類似する印象指標を有する他の衣服を推奨する推奨部をさらに含むことを特徴とする請求項９または１０に記載のデザイン支援装置。