JP7240065B1 - 酒類情報処理装置及びプログラム並びに記憶媒体 - Google Patents

Abstract

主観的な他人の味覚や質問からではなく、客観的な酒類商品の成分データに基づいて特定ユーザが真に好む酒類商品を選出可能とする。複数の酒類商品それぞれについての成分データを取得するデータ取得部１２１と、成分データを入力することで特定ユーザの嗜好値を出力するように学習された学習済みモデルを記憶する記憶部１４と、データ取得部で取得された成分データを酒類商品毎に学習済みモデルに入力して特定ユーザの嗜好値を酒類商品毎に算出する嗜好値算出部と１２２、嗜好値算出部で算出された嗜好値に基づいて特定ユーザの好みの酒類商品を選出する酒類商品選出部１２３と、酒類商品選出部で選出された酒類商品を表示するための表示データを出力する出力部１２４と、を備える。

Description

本発明は、ユーザに推薦する酒類商品を選出する酒類情報処理装置及びプログラム並びに学習済みモデルに関する。

例えば特許文献１には、個人の好みのワインを推薦するシステムが開示されている。特許文献１では、個人が過去に購入したワインの評価が他人の評価と同様の場合に、その他人の嗜好がその個人の嗜好と似ていると判断し、その他人が選んだ他のワインをその個人にも推薦する。

特開２０１６－００９２１１公報 特表２０１８－５３５５０２公報

しかしながら、個人の嗜好は主観的であり、過去に購入したワインの評価が他人と同じだからといって、必ずしもその他人が選んだ別のワインをその個人も好むかどうかは分からない。ワインごとに味覚を構成する複数の成分の比率が異なるからである。例えば甘いワインを好む人でも、苦味のある甘味を好む人もいれば、苦味のない甘味を好む人もいる。したがって、特許文献１のように他人の主観に基づいてワインを推薦する場合には、客観的なワインの成分に基づく個人の味覚差までは分からないので、結果的にその個人の好みでないワインが推薦されてしまう可能性も高い。

この点、特許文献２のように、ユーザ好み応答による好み値を、他人の主観ではなくワインの成分に関連付けるものもある。ところが、ここでの好み値は、ユーザのワインの嗜好（実際にワインを飲んで感じる嗜好）ではなく、システムからのユーザへの質問（いわば他人からの主観的な質問）に対する応答（ユーザ好み応答に相当）に基づくものである。したがって、ユーザへの質問次第で好み値も変わるので、実際のワインに対するユーザの嗜好とは異なる好み値が成分に関連付けられてしまう可能性も高い。

例えば特許文献２の段落［０１２５］には、ユーザへの質問の具体例として「あなたは紅茶又はコービーをどのように楽しみますか」が例示されている。そして、この質問に対してユーザが「ブラック」と答えた場合に、そのユーザの好み値の残糖値を減らすことが記載されている。ところが、実際にはコーヒーをブラックで飲む人がワインについても甘くないものを好むとは限らない。

このような事情を考慮して、本発明は、ユーザが酒類商品を飲んでみて実際に感じた嗜好を酒類商品の成分に関連付けることで、主観的な他人の味覚や質問からではなく、化学的に分析された客観的な酒類商品の成分データに基づいてそのユーザが真に好む酒類商品を選出できる酒類情報処理装置等を提供することを目的とする。

上記課題を解決するために、本発明の酒類情報処理装置は、複数の酒類商品それぞれについての成分データを取得するデータ取得部と、成分データを入力することで特定ユーザの嗜好値を出力するように学習された学習済みモデルを記憶する記憶部と、データ取得部で取得された成分データを酒類商品毎に学習済みモデルに入力して特定ユーザの嗜好値を酒類商品毎に算出する嗜好値算出部と、嗜好値算出部で算出された嗜好値に基づいて特定ユーザの好みの酒類商品を選出する酒類商品選出部と、酒類商品選出部で選出された酒類商品を表示するための表示データを出力する出力部と、を備える。

本態様の酒類情報処理装置によれば、不特定多数のユーザではなく、個々の特定ユーザの嗜好値を酒類商品の成分に関連付けた学習済みモデルによって、未知の酒類商品の成分データからその特定ユーザの嗜好値を算出できる。しかも、単なる酒類ではなく、酒類商品なので、実際に特定ユーザが購入して飲んでみた酒類商品の嗜好をその酒類商品の成分に関連付けることができる。これによれば、主観的な他人の味覚や質問からではなく、化学的に分析された客観的な酒類商品の成分データに基づいてそのユーザが真に好む酒類商品を選出できる。

本発明の好適な態様において、データ取得部は、酒類商品の成分データと特定ユーザの体調データを取得し、学習済みモデルは、成分データと体調データを酒類商品毎に入力することで特定ユーザの嗜好値を酒類商品毎に出力するように学習されており、嗜好値算出部は、データ取得部で取得した体調データと成分データを酒類商品毎に学習済みモデルに入力して特定ユーザの嗜好値を酒類商品毎に算出する。本態様によれば、学習済みモデルに成分データだけでなく体調データも入力することで特定ユーザの嗜好値を出力するので、成分データだけでは補正しきれない特定ユーザの嗜好値における体調による感覚のずれ（味覚のずれ、臭覚のずれなど）を、体調データで補正できる。これにより、特定ユーザの嗜好値の予測精度を高めることができるので、好みの酒類商品の選出精度を高めることができる。

本発明の好適な態様において、成分データは、酒類商品の複数の味覚に対応する成分データを含み、学習済みモデルは、味覚毎に学習された複数の味覚学習済みモデルを含み、嗜好値算出部は、複数の味覚学習済みモデルによって特定ユーザの味覚毎の嗜好値を算出する。本態様によれば、味覚毎の嗜好値によって特定ユーザの嗜好値パターンが分かる。これにより、特定ユーザの酒類商品の好みがどの味覚に反応しているのかが分かるので、好みの酒類商品の選出精度を高めることができる。

本発明の好適な態様において、データ取得部は、酒類商品における特定ユーザの複数の味覚毎の嗜好値を取得し、酒類商品選出部は、特定ユーザの味覚毎の嗜好値から算出した第１嗜好値パターンと、その特定ユーザの複数の味覚学習済みモデルから出力される味覚毎の嗜好値から算出した第２嗜好値パターンとを比較する比較部と、比較部で比較される第１嗜好値パターンと第２嗜好値パターンとの類似度が所定以上の酒類商品を判定する判定部とを備え、判定部で判定された酒類商品から酒類商品を選出する。本態様によれば、特定ユーザの複数の味覚の嗜好値から算出した第１嗜好値パターンと、その特定ユーザの複数の味覚学習済みモデルから出力される複数の味覚の嗜好値から算出した第２嗜好値パターンとを比較しその類似度に基づいて酒類商品を選出できる。これにより、特定ユーザの酒類商品の好みに近い酒類商品ほど選出され易くなる。

本発明の好適な態様において、判定部は、比較部で比較される第１嗜好値パターンと第２嗜好値パターンとから味覚の評価のばらつきを判定し、酒類商品選出部は、判定部で判定された味覚の評価のばらつきに基づいて酒類商品を選出する。本態様によれば、ユーザのその酒類商品についての嗜好値パターンを、学習モデルによる嗜好値パターンと比較することで、感覚（味覚、臭覚など）が一定でなく評価がばらつく成分を認識できる。これは例えばソムリエを目指しているユーザの訓練にもなる。第１嗜好値パターンと第２嗜好値パターンとを比較することで評価のばらつきを判定するので、ユーザの飲酒経験を判定することもできる。例えばお酒に不慣れな初心者ユーザ、お酒が好きなユーザ、味覚感覚に優れたソムリエなどのプロなどの判定もできるようになる。

本発明の好適な態様において、学習済みモデルは、酒類商品の味覚毎の嗜好値を入力するとその酒類商品の味覚毎の嗜好値を総合した嗜好値を出力するように学習された総合学習済みモデルを含み、総合学習済みモデルは、複数の味覚学習済みモデルからの味覚の嗜好値の出力を入力して酒類商品の味覚毎の嗜好値を総合した嗜好値を出力する。本態様によれば、必ずしも特定ユーザの嗜好値パターンを生成しなくても、学習済みモデルからの出力から味覚毎の嗜好値を総合した嗜好値の予測値を得ることができる。

本発明の好適な態様において、学習済みモデルは、少なくとも同種で銘柄の異なる酒類商品に共通の成分データを含む学習データで学習されている。同種で銘柄の異なる酒類商品であっても味覚などの嗜好に影響を与える共通の成分があり、本態様の学習済みモデルによれば、その共通の成分データを特定ユーザの嗜好に関連付けることができる。このように本態様によれば、他人の味覚や質問からではなく、その共通の成分データから酒類商品を選出できるので、学習用に用いた酒類商品とは同種で銘柄の異なる酒類商品の中からでも、特定ユーザが真に好む酒類商品を選出できる。

本発明の好適な態様において、学習済みモデルは、学習済みモデルは、少なくとも異種の酒類商品に共通の成分データを含む学習データで学習されている。異種の酒類商品であっても味覚などの嗜好に影響を与える共通の成分があり、本態様の学習済みモデルによれば、その共通の成分データを特定ユーザの嗜好に関連付けることができる。このように本態様によれば、他人の味覚や質問からではなく、その共通の成分データから酒類商品を選出できるので、学習用に用いた酒類商品とは異種の酒類商品の中からでも、特定ユーザが真に好む酒類商品を選出できる。

本発明の好適な態様において、体調データは、体温、脈拍、血中酸素濃度のいずれかを含む生体データ又は睡眠時間を含む睡眠データである。これらの生体データや睡眠データは味覚などの嗜好に影響を与えるものであり、本態様によれば、これらの生体データや睡眠データによって、成分データだけでは補正しきれない特定ユーザの嗜好値における体調による感覚のずれを補正できる。

本発明の好適な態様において、体調データは、体温検知器で検知された体温データを含み、データ取得部は、実店舗かオンラインショップかを判断し、実店舗であると判断した場合は、実店舗用の体調データ入力画面に入力される体温検知器で検知された体温データを体調データとして取得し、オンラインショップであると判断した場合は、オンラインショップ用の体調データ入力画面に入力される体温データを体調データとして取得する。本態様によれば、実店舗かオンラインショップかにより体調データ入力画面を分けることで、実店舗の場合は、例えば特定ユーザの入店時に実店舗に設置された体調検知器によって検知された体温データを取得でき、オンラインショップの場合は特定ユーザにより入力された体温データを取得でき、それぞれの体温データを修正も可能になる。

上記課題を解決するために、本発明のプログラムは、酒類情報処理をコンピュータに実行させるためのプログラムであって、酒類情報処理は、複数の酒類商品それぞれについての成分データを取得するステップと、成分データを入力することで特定ユーザの嗜好値を出力するように学習された学習済みモデルに、成分データを酒類商品毎に入力して特定ユーザの嗜好値を酒類商品毎に算出するステップと、嗜好値に基づいて特定ユーザの好みの酒類商品を選出するステップと、選出された酒類商品を表示するための表示データを出力するステップと、を含む。本態様のプログラムを実行することで酒類情報処理を実行でき、コンピュータを酒類情報処理装置として機能させることができる。

上記課題を解決するために、本発明の学習済みモデルは、複数の酒類商品それぞれについての成分データと特定ユーザの体調データに基づいて、特定ユーザの酒類商品の嗜好値を出力するようにコンピュータを機能させるための学習済みモデルであって、成分データと特定ユーザの体調データを入力する入力層と、入力層から入力された成分データ及び体調データとパラメータデータに基づいて演算を行う中間層と、中間層からの出力に基づいて特定ユーザの酒類商品の嗜好値を出力する出力層と、を備える。本態様の学習済みモデルによれば、特定ユーザが実際に飲んだ酒類商品を学習で用い、その学習で用いた酒類商品とは異なる酒類商品の成分データと特定ユーザの体調データを入力することで、その酒類商品についての特定ユーザの嗜好値を出力できる。

本発明によれば、特定ユーザが実際に飲んで感じた酒類商品の嗜好値をその酒類商品の成分データに関連付けることができる。これにより、主観的な他人の味覚や質問からではなく、化学的に分析された客観的な酒類商品の成分データに基づいて特定ユーザが真に好む酒類商品を選出できる。

本発明の第１実施形態に係る酒類情報処理システムの構成を示す図である。 第１実施形態の酒類情報処理システムの具体的構成例を示すブロック図である。 第１実施形態の嗜好値データの具体例を示す図である。 第１実施形態の学習用の酒類商品リストと成分データの具体例を示す図である。 第１実施形態の学習済みモデルの構成例を示す図である。 第１実施形態の学習データの具体例を示す図である。 第１実施形態の予測用の酒類商品リストと成分データの具体例を示す図である。 第１実施形態の予測結果データの具体例を示す図である。 第１実施形態の酒類評価画面の構成例を示す図である。 第１実施形態の酒類推薦画面の構成例を示す図である。 第１実施形態の学習済みモデル生成処理の具体例を示すフローチャートである。 第１実施形態の酒類商品選出処理の具体例を示すフローチャートである。 第２実施形態の酒類情報処理システムの構成を示す図である。 第２実施形態の酒類情報処理システムの具体的構成例を示すブロック図である。 第２実施形態の嗜好値データと体調データの具体例を示す図である。 第２実施形態の学習用の酒類商品リストと成分データの具体例を示す図である。 第２実施形態の学習済みモデルの構成例を示す図である。 第２実施形態の学習データの具体例を示す図である。 第２実施形態の予測用の酒類商品リストと成分データと体調データの具体例を示す図である。 第２実施形態の予測結果データの具体例を示す図である。 第２実施形態の酒類評価画面の構成例を示す図である。 第２実施形態の実店舗用の体調データ入力画面の構成例を示す図である。 第２実施形態のオンラインショップ用の体調データ入力画面の構成例を示す図である。 第２実施形態の酒類推薦画面の構成例を示す図である。 第２実施形態の学習済みモデル生成処理の具体例を示すフローチャートである。 第２実施形態の酒類商品選出処理の具体例を示すフローチャートである。 第３実施形態の嗜好値データと体調データの具体例を示す図である。 第３実施形態の学習用の酒類商品リストと成分データの具体例を示す図である。 第３実施形態の酸味学習済みモデルの構成例を示す図である。 第３実施形態の甘味学習済みモデルの構成例を示す図である。 第３実施形態の旨味学習済みモデルの構成例を示す図である。 第３実施形態の香り学習済みモデルの構成例を示す図である。 第３実施形態の酸味学習データの具体例を示す図である。 第３実施形態の甘味学習データの具体例を示す図である。 第３実施形態の旨味学習データの具体例を示す図である。 第３実施形態の香り学習データの具体例を示す図である。 甘味の効いたお酒が好きなユーザの嗜好値パターンの具体例を示す図である。 酸味の効いたお酒が好きなユーザの嗜好値パターンの具体例を示す図である。 第３実施形態の第１変形例に係る総合学習済みモデルの構成例を示す図である。 第３実施形態の第１変形例に係る学習データの具体例を示す図である。 第３実施形態の第２変形例に係る学習済みモデルの構成例を示す図である。 第３実施形態の第３変形例に係る学習済みモデルの構成例を示す図である。 第３実施形態の第４変形例に係る制御部の一部の構成を示すブロック図である。 第３実施形態の第４変形例に係る嗜好値パターンの比較例を示す図である。 第３実施形態の第４変形例に係る他の嗜好値パターンの比較例を示す図である。

＜第１実施形態＞
以下、本発明の第１実施形態について図面を参照しながら説明する。第１実施形態では本発明の酒類情報処理装置１０を備える酒類情報処理システム１００を例示する。図１は、第１実施形態に係る酒類情報処理システム１００の構成を示す図である。図１の酒類情報処理システム１００は、酒類情報処理装置１０と端末装置２０とを備える。

酒類情報処理システム１００は、酒類情報処理装置１０でユーザに推薦する酒類商品を選出し、その選出した酒類商品を端末装置２０に表示させるものである。本実施形態の酒類情報処理装置１０は、特定ユーザが実際に飲んで感じた酒類商品の嗜好値をその酒類商品の成分データに関連付けることができるように構成される。これによれば、主観的な他人の味覚や質問からではなく、化学的に分析された客観的な酒類商品の成分データに基づいて特定ユーザが真に好む酒類商品を選出できる。ここでの特定ユーザとは、不特定多数のユーザではなく、一人ひとりの個々のユーザを意味する。以下、単に「ユーザ」という場合にも上記特定ユーザを意味するものとする。

第１実施形態の酒類情報処理装置１０は、端末装置２０をクライアントとするサーバコンピュータで構成する場合を例示する。酒類情報処理装置１０は、複数台で分散処理するように構成してもよく、また１台のサーバ装置に設けられた複数の仮想マシンによって構成してもよい。また、酒類情報処理装置１０は、パーソナルコンピュータで構成してもよく、クラウドサーバで構成してもよい。酒類情報処理装置１０と端末装置２０とはインターネットなどのネットワークＮを介して互いに通信可能に構成されている。

端末装置２０は、ユーザによって利用される情報処理装置である。端末装置２０は、例えばスマートフォン、タブレット、ＰＤＡ（Ｐｅｒｓｏｎａｌ Ｄｉｇｉｔａｌ Ａｓｓｉｓｔａｎｔ）などの携帯端末や、デスクトップ型パーソナルコンピュータ、ノート型パーソナルコンピュータなどである。ネットワークＮには１つの端末装置２０が接続される場合を例示しているが、２つ以上の端末装置２０が接続されていてもよい。

図２は、図１の酒類情報処理装置１０と端末装置２０の具体的構成例を示すブロック図である。図２に示すように酒類情報処理装置１０は、通信部１１と制御部１２と記憶部１４とを備える。通信部１１と制御部１２と記憶部１４とは、それぞれバスライン１０Ｌに接続され、相互に情報（データ）のやり取りが可能である。

通信部１１は、ネットワークＮと有線又は無線で接続され、端末装置２０との間で情報（データ）の送受信を行う。通信部１１は、インターネットやイントラネットの通信インターフェースとして機能し、例えばＴＣＰ／ＩＰ、Ｗｉ－Ｆｉ（登録商標）、ブルートゥース（登録商標）を用いた通信などが可能である。

制御部１２は、酒類情報処理装置１０全体を統括的に制御する。制御部１２は、ＭＰＵ（Ｍｉｃｒｏ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）などの集積回路で構成される。制御部１２は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）を備える。制御部１２は、必要なプログラムをＲＯＭにロードし、ＲＡＭを作業領域としてそのプログラムを実行することで、各種の処理を行う。

記憶部１４は、制御部１２で実行される各種プログラムやこれらのプログラムによって使用されるデータなどを記憶する。記憶部１４は、ハードディスクや光ディスクなどの記憶装置で構成される。記憶部１４の構成はこれらに限られず、記憶部１４をＲＡＭやフラッシュメモリなどの半導体メモリで構成してもよい。例えば記憶部１４をＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）で構成することもできる。

記憶部１４は、プログラム記憶部１５、データ記憶部１６などを備える。プログラム記憶部１５は、制御部１２で実行される各種プログラムを記憶する記憶媒体（コンピュータ読み取り可能な有形の記憶媒体：ａ ｔａｎｇｉｂｌｅ ｓｔｏｒａｇｅ ｍｅｄｉｕｍ）として機能する。制御部１２は、プログラム記憶部１５から必要なプログラムを読み出して各種の処理を実行する。

データ記憶部１６には、例えばユーザデータ１６０、酒類データ１７０、学習データ１８２、学習済みモデル１８４（ＡＩ（人工知能）：Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ）などが記憶される。ユーザデータ１６０には、嗜好値データ１６２、予測結果データ１６４などが含まれる。ユーザデータ１６０には、図示はしないが予め登録されているユーザのＩＤ、氏名、住所、クレジットカード情報などの登録情報も含まれる。酒類データ１７０には、酒類商品リスト１７２、成分データ１７４などが含まれる。

図２の嗜好値データ１６２は、ユーザ毎の酒類商品の好みを数値で表す嗜好値が酒類商品毎に関連付けられたデータである。嗜好値データ１６２は、ユーザが購入した酒類商品を飲んで実際に感じた嗜好値をユーザ毎に記憶する。ユーザは一人ひとり酒類の嗜好と味覚の感じ方が異なるからである。ユーザの嗜好は酒類商品（酒の銘柄）によっても異なるので、本実施形態では後述する図９の評価ページのように、ユーザが実際に感じた嗜好値を酒類商品毎に入力できるようになっている。

図３は、第１実施形態の嗜好値データの具体例である。図３に示すように嗜好値データ１６２Ａは、購入した酒類商品の番号（「Ｎｏ．」の欄）、商品名又は銘柄名（「酒類商品」の欄）、その酒類商品の嗜好値などの項目を有する。図３の「Ｎｏ．」の欄は、日本酒スタータセットなどのセット商品でもそれに含まれる酒類商品（銘柄）毎の番号を表示する場合を例示しているが、これに限られず、例えばセット商品の番号を表示するようにしてもよい。嗜好値データ１６２Ａは、ユーザＰ１～Ｐｎ毎に記憶される。嗜好値データ１６２Ａの構成はこれに限られない。

図３の嗜好値は、ユーザＰ１～Ｐｎのそれぞれが酒類商品を飲んで好みの度合いを数値で評価し入力したものである。嗜好値は、例えば１～５の５段階の数値であり、数値が高いほど好みの度合いが大きいという評価になる。嗜好値の数値は、１～５の５段階に限られない。６段階以上でもよい。その他、１（好みでない）か２（好みである）かの２段階でもよく、１（好みでない）か２（どちらでもない）か３（好みである）かの３段階でもよい。また好みでない場合を０とし、好みの場合を１以上の整数で段階的に表すようにしてもよい。例えば図９に示すような嗜好値を入力するための酒類評価画面ＳＣ１１が端末装置２０に表示され、ユーザＰ１～Ｐｎは酒類商品毎に嗜好値を入力できるようになっている。嗜好値の入力についての詳細は後述する。図３は、酒類商品として日本酒を例示するが、これに限られない。酒類商品は、ワイン、ビール、焼酎などであってもよい。

図３の酒類商品は、ユーザＰ１～Ｐｎそれぞれが購入したものであり、セット商品（日本酒スタータセット）を例示している。セット商品には、複数の銘柄の酒類商品が含まれる。図３では、日本酒スタータセットに３つの銘柄が表示されているがこれに限られない。２つ以上の銘柄をセット商品とすればよく、４つ以上の銘柄をセット商品としてもよい。セット商品とすることで、より多くの銘柄を少量ずつ試してもらうことができる。これにより、銘柄の異なる多くの酒類商品の嗜好値データを取得できる。もちろん酒類商品は、セット商品に限られず、単品の銘柄であってもよい。

図２の酒類商品リスト１７２には、学習用の酒類商品リストと予測用の酒類商品リストとが含まれる。成分データ１７４は、酒類商品毎に化学的に分析された複数の成分が酒類商品リスト１７２の酒類商品毎に関連付けられたデータである。成分データ１７４には、学習用の成分データと予測用の成分データが含まれる。

図４は、第１実施形態の学習用の酒類商品リスト１７２Ａ１と学習用の成分データ１７４Ａ１の具体例を示す図である。図４に示すように学習用の酒類商品リスト１７２Ａ１は、酒類商品の番号（「Ｎｏ．」の欄）、商品名又は銘柄名（「酒類商品」の欄）を有する。学習用の酒類商品リスト１７２Ａ１の各酒類商品には、その成分データ１７４Ａ１が関連付けられる。

図４の学習用の酒類商品リスト１７２Ａ１は、図３の嗜好値データ１６２Ａの中で嗜好値が評価（フィードバック）されている酒類商品を取り出したものである。図３ではＮｏ．１とＮｏ．２の酒類商品は嗜好値が評価されているが、Ｎｏ．３の酒類商品は未評価である。したがって、学習用の酒類商品リスト１７２Ａ１には、嗜好値の評価のあるＮｏ．１とＮｏ．２の酒類商品は含まれるが、嗜好値の評価のないＮｏ．３の酒類商品は含まれない。Ｎｏ．３の酒類商品の嗜好値が評価されると、学習用の酒類商品リスト１７２Ａ１にＮｏ．３の酒類商品も含まれることになる。

図４の学習用の成分データ１７４Ａ１は、成分Ｆ１～成分Ｆｎの数字（図中「ＸＸ」）からなる。成分Ｆ１～成分Ｆｎの数字は、各酒類商品に含まれる複数の成分の含有量を標準化したものである。学習用の成分データ１７４Ａ１の数字（図中「ＸＸ」）は、酒類商品に含まれる複数の成分の含有率であってもよい。学習用の成分データ１７４Ａ１は、酒類商品毎に公知の化学的な解析手法によって得られる。化学的な解析手法としては、例えばメタボローム解析（メタボロミクス解析）などが挙げられる。ワインの成分としては、例えばリンゴ酸、コハク酸、グルコース、フラクトース、グリセリン、カルシウム、マグネシウムなどが挙げられる。日本酒の成分としては、例えばリンゴ酸、コハク酸、グルタミン、アラニン、プロリン、アルギニンなどが挙げられる。

これらの成分は、甘味成分、酸味成分、旨味成分などを構成し、人の味覚、臭覚、知覚などに反応して酒類の嗜好に影響を与える。従って、ユーザの酒類の嗜好と酒類の成分データには相関がある。このため、ユーザの好みの酒にどの成分がどの程度含まれているかを機械学習することで、そのユーザが好む酒の成分パターン（酒類に含まれる成分とその含有率のパターン）が分かる。そうすると、同じような成分パターンの酒であれば、未だ飲んだことのない酒でも好みの嗜好に近い可能性が高い。

そこで、本実施形態では、酒類商品の成分データとその酒類商品を飲んでみて実際に感じた特定ユーザの嗜好値を学習データ１８２とし、この学習データ１８２を機械学習によって学習させることで学習済みモデル１８４を生成する。そして、この学習済みモデル１８４によって未知の酒類商品についての特定ユーザの嗜好値を算出し、嗜好値が高い酒類商品を選出する。これにより、特定ユーザが実際に飲んで感じた酒類商品の嗜好値をその酒類商品の成分データに関連付けることができる。これによれば、主観的な他人の味覚や質問からではなく、化学的に分析された客観的な酒類商品の成分データに基づいて特定ユーザに推薦する酒類商品を選出できる。しかも、特定ユーザの嗜好を学習させるので、不特定多数のユーザの嗜好を学習させる場合に比較して、その特定ユーザの好みの酒類商品が選出されやすい。なお、機械学習には、成分データや嗜好値を標準化したものを用いることが好ましい。ここでの機械学習としては、本実施形態で例示するＡＩ（人工知能）によるものに限られず、例えば主成分分析などの多変量解析であってもよい。

図５は、第１実施形態の学習済みモデル１８４Ａの構成例を示す図である。図５の学習済みモデル１８４Ａは、酒類商品の成分データを入力することで、特定ユーザの嗜好値を出力するように学習されている。すなわち、図５の学習済みモデル１８４Ａは、一人ひとりの個々のユーザ（特定ユーザ）毎に別々に生成される。

学習済みモデル１８４Ａには、酒類商品を構成する複数の成分の含有率をまとめて入力する。酒類商品の甘味、酸味、旨味などの味覚、香り、色などの嗜好の種類にそれぞれ対応する複数の成分を、これらの嗜好の種類毎に別々に入力してもよい。例えば甘味を構成する複数の成分、酸味を構成する複数の成分、旨味を構成する成分、香りを構成する成分、色を構成する成分などの含有率を別々に学習済みモデル１８４Ａに入力することもできる。これにより、複数の成分の含有率をまとめて入力する場合に比較して、それぞれの嗜好の種類毎の特徴が反映されやすい学習済みモデル１８４Ａを構成できる。このような学習済みモデル１８４Ａから出力される特定ユーザの嗜好値に基づいて酒類商品を選出することで、不特定多数のユーザの嗜好に基づいて酒類商品を選出する場合よりも、特定ユーザが真に好む酒類商品を選出する精度を高めることができる。

図５には、機械学習によって学習されたニューラルネットワークで構成される学習済みモデル１８４Ａを例示する。学習済みモデル１８４Ａは、入力層、中間層、出力層を備える。それぞれの層は、複数のノードで構成される。例えば成分データの数を入力層のノード数とする。出力層のノード数は１である。各層に含まれるノードの数や中間層の層数は図示したものに限られない。学習済みモデル１８４Ａは、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）で構築してもよく、ＲＮＮ（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）で構成してもよい。

図５は、同種の酒類商品（例えば日本酒の銘柄）を学習させた１つの学習済みモデル１８４Ａを例示する。学習済みモデル１８４Ａは、日本酒以外の酒類商品（例えばワインの銘柄）を学習させたものであってもよい。また、一人のユーザの学習済みモデル１８４Ａは、一つに限られない。ユーザ毎に異種の酒類商品（例えば日本酒の銘柄とワインの銘柄）を別々に学習させた別々の学習済みモデル１８４Ａであってもよい。例えばユーザによっては、ワインの学習済みモデル１８４Ａと日本酒の学習済みモデル１８４Ａを別々に設けることもできる。これによれば、予測用の酒類商品の種類が日本酒であれば、日本酒の学習済みモデル１８４Ａを用いてユーザの好みの嗜好に近い日本酒を選出し、予測用の酒類商品の種類がワインであれば、ワインの学習済みモデル１８４Ａを用いてユーザの好みの嗜好に近いワインを選出できる。

なお、学習済みモデル１８４Ａは、異種の酒類商品を組み合わせて学習させた１つの学習済みモデル１８４Ａであってもよい。例えばワインと日本酒を組み合わせて学習させた１つの学習済みモデル１８４Ａにすることも可能である。これによれば、予測用の酒類商品の種類がワインでも日本酒でも、同じ学習済みモデル１８４Ａを用いて、ユーザの好みの嗜好に近い酒類商品を選出できる。

学習済みモデル１８４Ａは、例えば深層学習アルゴリズムを用いて教師あり学習で構築したディープラーニングモデルである。具体的には学習済みモデル１８４Ａは、酒類商品の成分データとユーザの嗜好値（正解ラベル）を１セットとした学習データ１８２（教師データ）を用いて学習する。学習済みモデル１８４Ａは、学習データ１８２に含まれる成分データを入力層に入力した場合に、ユーザの嗜好値に対応する出力層の出力が学習データ１８２に含まれる嗜好値（正解ラベル）に近づくような学習処理を行う。学習処理において学習済みモデル１８４Ａは、入力に対して行う所定の演算を規定する関数の係数（重み付け係数）等のパラメータデータを最適化する。

図６は、第１実施形態の学習データ１８２Ａの具体例を示す図である。図６は、ユーザＰ１の学習済みモデル１８４Ａを生成するためのユーザＰ１の学習データ１８２Ａである。図６の学習データ１８２Ａは、学習用の酒類商品の番号（「Ｎｏ．」の欄）、商品名又は銘柄名（「酒類商品」の欄）、成分データ、嗜好値などの項目を有する。図６の酒類商品とその成分データは、図４の学習用の酒類商品リスト１７２Ａ１及びその学習用の成分データ１７４Ａ１から取得したものである。図６の嗜好値は、図３のユーザＰ１の嗜好値データ１６２Ａから取得したものであり、図９の酒類評価画面ＳＣ１１でユーザが評価として入力した嗜好値である。学習データ１８２Ａの嗜好値は、酒類商品の成分データの正解ラベルに相当する。学習データ１８２は、ユーザＰ１～Ｐｎ毎に生成される。

図７は、第１実施形態の予測用の酒類商品リスト１７２Ａ２と予測用の成分データ１７４Ａ２の具体例を示す図である。図７の酒類商品リスト１７２Ａ２は、ユーザの嗜好値を予測するための予測用の酒類商品である。図７に示すように予測用の酒類商品リスト１７２Ａ２は、酒類商品の番号（「Ｎｏ．」の欄）と商品名（「酒類商品」の欄）などの項目を有する。予測用の酒類商品リスト１７２Ａ２の各酒類商品には、その成分データ１７４Ａ２が関連付けられる。

図７の予測用の酒類商品リスト１７２Ａ２の酒類商品は、学習用の酒類商品リスト１７２Ａ１の酒類商品とは異なる酒類商品が含まれる。例えば酒類情報処理システム１００を適用する酒類商品の販売店が実店舗（居酒屋などの飲食店や酒屋などの酒店等）の場合は、その実店舗で販売する酒類商品のリストを予測用の酒類商品リスト１７２Ａ２にすることができる。また酒類情報処理システム１００を適用する販売店がオンラインショップ（ネットショップ）の場合は、そのオンラインショップのＥＣ（ｅｌｅｃｔｒｏｎｉｃ ｃｏｍｍｅｒｃｅ）サイトで販売する酒類商品のリストを予測用の酒類商品リスト１７２Ａ２にすることができる。なお、予測用の酒類商品リスト１７２Ａ２と成分データ１７４Ａ２は、図７に示す構成に限られない。

図８は、第１実施形態の予測結果データ１６４Ａの具体例を示す図である。図８は、ユーザＰ１の予測結果データ１６４Ａである。図８に示すように予測結果データ１６４Ａは、図７の予測用の酒類商品リスト１７２Ａ２と成分データ１７４Ａ２の酒類商品毎に嗜好値の予測結果を関連付けたものである。嗜好値の予測結果は、予測用の成分データ１７４Ａ２を酒類商品毎に入力した学習済みモデル１８４Ａから出力される嗜好値である。なお、予測結果データ１６４Ａは、図８に示す構成に限られない。

図７の予測用の酒類商品リスト１７２Ａ２には、日本酒だけでなく、ワインも含まれる。これによれば、日本酒の成分データ１７４とその嗜好値データ１６２で学習した学習済みモデル１８４でワインの嗜好値を予測できる。図８では日本酒だけでなく、ワインの嗜好値の予測結果も含まれる。したがって、本実施形態では、日本酒で学習した学習済みモデル１８４を利用して、後述する図１０に示すように日本酒だけでなく、ワインも推薦できる。

このように酒類商品の種類に関わらず嗜好値を予測できるのは、酒類商品の種類ではなく、成分データ１７４で学習済みモデル１８４を学習するからである。共通する成分データがある酒類商品であればその酒類の種類を超えて予測が可能になる。例えば日本酒とワインとでは共通する成分データがあるので、酒類商品の種類で分ける必要がないからである。ただし、学習用の成分データ１７４Ａ１の数と予測用の成分データ１７４Ａ２の数は、日本酒とワインとで同じ数に合わせる必要がある。学習用と予測用とで同じ学習済みモデル１８４を使えるようにするためである。このように予測用の酒類商品リスト１７２Ａ２には、学習用の酒類商品リスト１７２Ａ１とは異種の酒類商品を含めることができる。

図２に示す制御部１２は、データ取得部１２１と嗜好値算出部１２２と酒類商品選出部１２３と出力部１２４と学習データ生成部１２５と学習済みモデル生成部１２６とを備える。これら制御部１２の各構成要素は、物理的な回路で構成してもよく、ＣＰＵが実行可能なプログラムで構成してもよい。制御部１２の構成は、図２に示す構成に限られない。学習済みモデル１８４を生成する場合には、データ取得部１２１→学習データ生成部１２５→学習済みモデル生成部１２６の流れで処理が行われる。生成された学習済みモデル１８４で嗜好値を予測する場合は、データ取得部１２１→嗜好値算出部１２２→酒類商品選出部１２３→出力部１２４の流れで処理が行われる。

データ取得部１２１は、通信部１１を介して複数の酒類商品それぞれについての成分データ、ユーザの嗜好値データなどを取得する。具体的には、特定ユーザの酒類商品の嗜好値を予測する場合には、予測用の酒類商品の成分データ１７４（例えば図７に示す予測用の酒類商品リスト１７２Ａ２のうち予測に用いる酒類商品の成分データ１７４Ａ２）を取得する。

嗜好値算出部１２２は、データ取得部１２１で取得された予測用の成分データ１７４を酒類商品毎に学習済みモデル１８４に入力して特定ユーザの嗜好値を酒類商品毎に算出する。具体的には、データ取得部１２１で取得された特定ユーザの予測用の酒類商品リスト１７２Ａ２と成分データ１７４Ａ２を酒類商品毎に学習済みモデル１８４に入力する。それにより学習済みモデル１８４から得られる出力が予測結果としての特定ユーザの嗜好値になる。嗜好値算出部１２２は、算出した特定ユーザの嗜好値を図８のような予測結果データ１６４Ａとして予測用の酒類商品リスト１７２Ａ２の酒類商品に関連付けて記憶部１４に記憶する。

酒類商品選出部１２３は、嗜好値算出部１２２で算出された嗜好値に基づいてその特定ユーザの好みの酒類商品を選出する。具体的には図８に示すような嗜好値の予測結果のうち、その嗜好値が所定値以上の酒類商品を選出する。例えば予測用の酒類商品リスト１７２Ａ２の中で嗜好値が最も高い酒類商品を選出する。５段階の嗜好値であれば嗜好値が５以上の酒類商品を選出するようにしてもよい。嗜好値５がない場合には、嗜好値４の酒類商品を選出する。この場合、嗜好値が所定時以下（例えば嗜好値３以下）のものは選出しないようにしてもよい。

出力部１２４は、酒類商品選出部１２３で選出された酒類商品を表示するための表示データを生成して出力する。具体的には、出力部１２４は、嗜好値が高い順に酒類商品を表示させる表示データを生成する。表示データは、通信部１１を介して端末装置２０に送信される。端末装置２０は、表示データに基づいて酒類商品のリストを表示する。例えば嗜好値４以上の酒類商品を選出する場合は、嗜好値５の酒類商品の下に嗜好値４の酒類商品を表示する。なお、表示データはウエブサイトに表示するためのウエブ（Ｗｅｂ）画面データであってもよい。この場合、酒類情報処理装置１０は、ウエブサイトの画面に酒類商品のリストを表示させる。端末装置２０はウエブサイトの画面をブラウザで表示する。

データ取得部１２１は、学習済みモデル１８４を生成する場合には、学習用の酒類商品の成分データ１７４（例えば図４に示す酒類商品の成分データ１７４Ａ１）とその酒類商品についてのユーザの嗜好値データ１６２（例えば図３に示す嗜好値データ１６２Ａの嗜好値）を取得する。学習データ生成部１２５は、学習用の酒類商品の成分データ１７４と学習用のユーザの嗜好値データ１６２から学習データ１８２（例えば図６に示す学習データ１８２Ａ）を生成する。学習済みモデル生成部１２６は、学習データ１８２を用いて機械学習により学習済みモデル生成部１２６を生成する。

次に、端末装置２０の構成例について図２を参照しながら説明する。図２に示す端末装置２０は、通信部２１と制御部２２と記憶部２３と入力部２４と表示部２５とを備える。通信部２１と、制御部２２と、記憶部２３と、入力部２４と、表示部２５とは、それぞれバスライン２０Ｌに接続され、相互に情報（データ）のやり取りが可能である。

通信部２１は、ネットワークＮと有線又は無線で接続され、酒類情報処理装置１０との間で情報（データ）の送受信を行う。通信部２１は、インターネットやイントラネットの通信インターフェースとして機能し、例えばＴＣＰ／ＩＰ、Ｗｉ－Ｆｉ（登録商標）、ブルートゥース（登録商標）を用いた通信などが可能である。

制御部２２は、端末装置２０全体を統括的に制御する。制御部２２は、ＭＰＵ（Ｍｉｃｒｏ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）などの集積回路で構成される。制御部２２は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）を備える。制御部２２は、必要なプログラムをＲＯＭにロードし、ＲＡＭを作業領域としてそのプログラムを実行することで、各種の処理を行う。

記憶部２３は、プログラム記憶部２３１、データ記憶部２３２などを備える。プログラム記憶部２３１には、制御部２２で実行される複数のアプリケーションプログラムが記憶される記憶媒体（コンピュータ読み取り可能な有形の記憶媒体：ａ ｔａｎｇｉｂｌｅ ｓｔｏｒａｇｅ ｍｅｄｉｕｍ）として機能する。プログラム記憶部２３１には、酒類情報処理装置１０と連携して酒類情報処理を行うための専用のアプリケーションプログラムが記憶される。この専用のアプリケーションプログラムは、ネットワークＮを介して端末装置２０にダウンロード可能なプログラムである。データ記憶部２３２には、アプリケーションプログラムによって使用される各種データが記憶される。記憶部２３は、ハードディスクで構成されていてもよく、フラッシュメモリなどの半導体メモリで構成されていてもよい。例えば記憶部２３をＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）で構成することもできる。

入力部２４は、キーボード及びマウスなどを備え、ユーザからの操作入力を受け付けて操作内容に対応した制御信号を制御部２２へ送信する。入力部２４は、タッチパネルを備えていてもよい。

表示部２５は、液晶ディスプレイや有機ＥＬディスプレイなどであり、制御部２２からの指示に従って各種情報を表示する。制御部２２は、酒類情報処理装置１０と連携する専用のアプリケーションプログラムが実行されることで、酒類情報処理装置１０から通信部２１を介して受信した表示データに基づいて酒類商品のリストを表示部２５に表示できるようになる。

ここで、表示部２５に表示される表示画面の構成例を図９及び図１０に示す。図９は、第１実施形態の酒類評価画面ＳＣ１１の構成例を示す図である。図１０は、第１実施形態の酒類推薦画面ＳＣ１２の構成例を示す図である。図９の酒類評価画面ＳＣ１１と図１０の酒類推薦画面ＳＣ１２は、ユーザＰ１が端末装置２０でＩＤとパスワードを入力して見られる個別ページ（マイページ）の画面の一部である。酒類情報処理装置１０からの表示データにより、ユーザＰ１～Ｐｎのそれぞれの端末装置２０に個別ページの画面を表示できるようになっている。

図９の酒類評価画面ＳＣ１１は、ユーザＰ１が購入した酒類商品を評価する嗜好値（例えば１～５の５段階）を入力するための評価ページの表示画面である。酒類評価画面ＳＣ１１には、「Ｎｏ．」、「酒類商品」、嗜好値の入力欄ＳＣ２１１、「カートに入れる」ボタンなどが酒類商品毎に表示される。「Ｎｏ．」の欄には酒類商品の番号が表示され、「酒類商品」の欄には酒類商品の商品名又は銘柄名が表示される。図９の「Ｎｏ．」の欄は、日本酒スタータセットなどのセット商品でもそれに含まれる酒類商品（銘柄）毎の番号を表示する場合を例示しているが、これに限られず、セット商品の番号を表示するようにしてもよい。なお、セット商品に含まれる酒類商品（銘柄）の数は図示したものに限られない。図９に示すように酒類商品リストの表示欄の側部にスクロールバーＳＣＢを表示して酒類商品リストの表示をスクロールできるようにしてもよい。

図９に示すように嗜好値の入力欄ＳＣ２１１は、プルダウンメニューなどによって入力するようになっている。プルダウンメニューによらずに、ユーザが嗜好値の数字を直接入力できるようにしてもよく、ラジオボタンなどで入力できるようにしてもよい。図９の酒類評価画面ＳＣ１１でユーザが評価した酒類商品の嗜好値は未評価の場合も含め、その酒類商品の番号や酒類商品名などと共に嗜好値データ１６２として端末装置２０から酒類情報処理装置１０へ送信される。酒類情報処理装置１０は、端末装置２０から受信した嗜好値データ１６２を図３に示すような嗜好値データ１６２Ａとしてデータ記憶部１６に記憶する。

図９に示す「カートに入れる」ボタンは、ユーザが酒類商品を購入する場合に、不図示のカートページ（買い物かごページ）にリストアップするためのボタンである。例えば日本酒スタータセットなどのセット商品を購入する場合には、セットの「カートに入れる」ボタンをクリックすれば、セット商品に含まれる酒類商品がカートページにリストアップされる。例えば日本酒スタータセットの「カートに入れる」ボタンをクリックすれば、Ｎｏ．１～Ｎｏ．３の日本酒がカートページにリストアップされる。酒類商品毎の「カートに入れる」ボタンをクリックすれば、セット商品に含まれる酒類商品を個別にカートページにリストアップできる。酒類評価画面ＳＣ１１には、カートページを表示するための「購入する」ボタンが表示される。カートページでは、ユーザがリストアップした酒類商品をまとめて清算できるようになっている。

なお、本実施形態では、酒類評価画面ＳＣ１１に「カートに入れる」ボタンを設ける場合を例示したが、これに限られず、酒類評価画面ＳＣ１１の評価ページとは別のページ（例えば購入酒類商品ページなど）の表示画面に過去に購入した酒類商品のリストと「カートに入れる」ボタン、「購入する」ボタンを表示するようにしてもよい。

図９の酒類評価画面ＳＣ１１では、ユーザが嗜好値の数字（図中では１～５の５段階）をプルダウンメニューなどによって入力するようになっている。図９に示すように、まだ嗜好値を入力していない酒類商品の嗜好値の入力欄ＳＣ２１１には「未評価」の文字を表示するようにしてもよい。酒類評価画面ＳＣ１１には「ＡＩの推薦」ボタンが表示される。「ＡＩの推薦」ボタンは、酒類情報処理装置１０によって選出された酒類商品のリストを表示部２５に表示するためのボタンである。「ＡＩの推薦」ボタンをクリックすると、図１０の酒類推薦画面ＳＣ１２が表示される。

図１０の酒類推薦画面ＳＣ１２は、酒類情報処理装置１０によって選出された酒類商品のリストを表示するＡＩ推薦ページの表示画面である。酒類推薦画面ＳＣ１２には、「ＡＩの推薦」であることを示す文字列（例えば「あなたにぴったりのお酒 ＡＩからの推薦です」）、選出された酒類商品の番号（「Ｎｏ．」の欄）、商品名又は銘柄名（「酒類商品」の欄）、嗜好値の予測結果表示欄ＳＣ１２１（お好み予測（嗜好値１～５））、「カートに入れる」ボタンなどが酒類商品毎に表示される。図１０に表示される酒類商品は、ユーザＰ１の学習済みモデル１８４を用いて選出されたものである。学習済みモデル１８４は、図２に示す制御部１２のデータ取得部１２１、学習データ生成部１２５、学習済みモデル生成部１２６によって生成される。

次に、第１実施形態に係る酒類情報処理装置１０が行う学習済みモデル生成処理について図１１を参照しながら説明する。図１１は、第１実施形態の学習済みモデル生成処理の具体例を示すフローチャートである。第１実施形態の学習済みモデル生成処理は、制御部１２（データ取得部１２１、学習データ生成部１２５、学習済みモデル生成部１２６など）によってプログラム記憶部１５から必要なプログラムが読み出されて実行される。ユーザＰ１～Ｐｎそれぞれの学習済みモデル１８４を生成する学習済みモデル生成処理が実行される。

図１１の学習済みモデル生成処理は、嗜好値が入力されると所定のタイミング（例えば次回ログイン又は発注したタイミング）で実行される。未入力だった嗜好値が入力されると所定のタイミング（例えば次回ログイン又は発注したタイミング）で学習済みモデル生成処理を実行し再学習するようにしてもよい。以下、ユーザＰ１の学習済みモデル１８４を生成する学習済みモデル生成処理を例に挙げて説明する。

先ず制御部１２は、ステップＳ１１０にて特定ユーザの学習用の嗜好値データを取得し、ステップＳ１２０にて学習用の成分データをデータ記憶部１６から取得する。具体的にはデータ取得部１２１が、図３のユーザＰ１の嗜好値データ１６２Ａから、嗜好値が入力済みの酒類商品について、その酒類商品リストを学習用の酒類商品リストとして取得し、嗜好値（Ｎｏ．１の嗜好値４、Ｎｏ．２の嗜好値２など）を学習用の嗜好値データとして取得する。またデータ取得部１２１は、図４の学習用の成分データ１７４Ａ１の酒類商品リストから、ステップＳ１１０で取得した嗜好値が入力済みの酒類商品についての成分データを学習用の成分データとして取得する。これにより、図９のように嗜好値が未評価の酒類商品があっても、それを学習データ１８２Ａに含まれないようにできるから、嗜好値の入力がある酒類商品のだけで学習済みモデル１８４Ａを生成できる。

次にステップＳ１３０にて制御部１２は、学習データ１８２を生成する。具体的には学習データ生成部１２５が、データ取得部１２１によって取得された学習用の酒類商品リストと学習用の成分データと学習用の嗜好値データから図６の学習データ１８２Ａを生成する。これにより、嗜好値が入力済みの酒類商品で学習データ１８２Ａを生成できる。例えば図３ではＮｏ．３の酒類商品については嗜好値が未評価なので、Ｎｏ．３の酒類商品を含めずに、嗜好値の入力があるＮｏ．１、Ｎｏ．２などの酒類商品だけで図６の学習データ１８２Ａが生成される。なお、学習済みモデル１８４Ａを生成するためのデータ量を増やすため、酒類評価画面ＳＣ１１に嗜好値の入力を促す表示をしてもよい。

次いで制御部１２は、ステップＳ１４０にて学習済みモデル１８４を生成する。具体的には学習済みモデル生成部１２６が、ステップＳ１３０で生成したユーザＰ１の学習データ１８２Ａによる機械学習によってユーザＰ１の学習済みモデル１８４Ａを生成する。こうして、図５に示すように酒類商品の成分データを入力することで特定ユーザの嗜好値を出力するように学習された学習済みモデル１８４Ａが生成される。ステップＳ１５０にて制御部１２は、生成された学習済みモデル１８４Ａをデータ記憶部１６に記憶する。本実施形態では、一人のユーザに一つの学習済みモデル１８４Ａを生成する場合を例示するが、これに限られず、一人のユーザに複数の学習済みモデル１８４Ａを生成するようにしてもよい。例えば酒類商品の種類毎に複数の学習済みモデル１８４Ａを生成してもよい。

次に、こうして生成された学習済みモデル１８４Ａを用いて予測用の酒類商品リスト１７２から特定ユーザの好みの酒類商品を選出する酒類商品選出処理について説明する。図１２は、第１実施形態に係る酒類情報処理装置１０が行う酒類商品選出処理の具体例を示すフローチャートである。第１実施形態の酒類商品選出処理は、制御部１２（データ取得部１２１、嗜好値算出部１２２、酒類商品選出部１２３、出力部１２４など）によってプログラム記憶部１５から必要なプログラムが読み出されて実行される。ユーザＰ１～Ｐｎからの指示（例えば図９の「ＡＩ推薦」ボタンのクリック）に応じて別々に酒類商品選出処理が実行される。以下、ユーザＰ１が図９の「ＡＩ推薦」ボタンをクリックして酒類商品選出処理が実行された場合を例に挙げて説明する。

先ず図１２に示すステップＳ２１０にて制御部１２は、ユーザＰ１の学習済みモデル１８４を取得する。具体的にはデータ取得部１２１が、図５の学習済みモデル１８４Ａを記憶部１４から取得する。次にステップＳ２２０にて制御部１２は、ユーザＰ１の予測用の成分データ１７４を取得する。具体的にはデータ取得部１２１が、図７の予測用の酒類商品リスト１７２Ａ２にある予測用の成分データ１７４Ａ２をデータ記憶部１６から取得する。

次にステップＳ２３０にて制御部１２は、ユーザＰ１の学習済みモデル１８４からそのユーザＰ１の嗜好値を算出する。具体的には嗜好値算出部１２２が、例えば図５の学習済みモデル１８４Ａの入力層にステップＳ２２０で取得した予測用の成分データ１７４Ａ２を入力することで、学習済みモデル１８４Ａの出力層からユーザＰ１の嗜好値が出力される。こうして、予測用の酒類商品リスト１７２Ａ２の一つの酒類商品に対して一つの嗜好値の予測結果を取得できる。嗜好値の予測結果は、図８の予測用の酒類商品リスト１７２Ａ２に関連付けられ、予測結果データ１６４Ａの嗜好値の予測結果の欄に入力されてデータ記憶部１６に記憶される。

次にステップＳ２４０にて制御部１２は、すべての予測用の酒類商品について嗜好値を算出したかを判断する。具体的には嗜好値算出部１２２が、例えば図７の予測用の酒類商品リスト１７２Ａ２にあるすべての酒類商品について嗜好値を算出したかを判断する。嗜好値算出部１２２は、ステップＳ２４０にてすべての酒類商品について嗜好値を算出していないと判断すると、ステップＳ２３０にて図７の予測用の酒類商品リスト１７２Ａ２の次の酒類商品について嗜好値を算出する。そして、嗜好値算出部１２２は、ステップＳ２４０にてすべての酒類商品について嗜好値を算出したと判断すると、制御部１２はステップＳ２５０の処理に移る。

ステップＳ２５０にて制御部１２は、嗜好値が所定値以上の酒類商品を選出する。酒類を選出するための嗜好値の所定値は数段階評価のうち最も高い数字に設定してもよく、次の数字に設定してもよい。例えば嗜好値が５段階評価の場合には、嗜好値５以上としてもよく、嗜好値４以上としてもよい。この所定値は、設定で自由に変えられる。本実施形態では酒類商品選出部１２３が、図８の予測用の酒類商品リスト１７２Ａ２から嗜好値４以上の酒類商品（Ｎｏ．ＡＩＮ２、Ｎｏ．ＡＩＷ１など）を選出する。

次いでステップＳ２６０にて制御部１２は、選出された酒類商品を端末装置２０に表示させる。具体的には出力部１２４が、表示データを生成して端末装置２０に送信することで、選出された酒類商品のリストを端末装置２０に表示させる。例えば出力部１２４は、選出された酒類商品が嗜好値の高い順に上位に表示されるように表示データを生成する。ステップＳ２６０の処理は、例えば図９の酒類評価画面ＳＣ１１の「ＡＩの推薦」ボタンが押され、端末装置２０から酒類商品を表示するリクエストを受信することで出力部１２４が実行する。これにより、第１実施形態では、図１０の酒類推薦画面ＳＣ１２のように嗜好値４以上の酒類商品（Ｎｏ．ＡＩＮ２、Ｎｏ．ＡＩＷ１など）が端末装置２０の表示部２５に表示される。なお、図１０は、図８では省略されている酒類商品（Ｎｏ．ＡＩＮ５、Ｎｏ．ＡＩＷ３など）も表示されている。

以上のような第１実施形態に係る酒類情報処理装置１０によれば、特定ユーザが購入した酒類商品を飲んでみて実際に感じた嗜好による嗜好値を入力でき、その嗜好値を酒類商品の成分データに関連付ける学習済みモデル１８４を生成できる。その学習済みモデル１８４に予測用の酒類商品の成分データを入力することで得られた特定ユーザの嗜好値に基づいて特定ユーザの好みの酒類商品を選出できる。このように、ユーザが酒類を飲んでみて実際に感じた嗜好を酒類商品の成分に関連付けることで、主観的な他人の味覚からではなく、化学的に分析された客観的な酒類商品の成分データに基づいてその特定ユーザの好みの酒類を推薦できる。さらに、単なる酒類ではなく、商品として販売されている酒類商品に関連付けて嗜好値を入力できるので、特定ユーザがその酒類商品を購入して実際に飲んでみて感じた嗜好を嗜好値として入力できる。しかも、主観的な質問からではなく、特定ユーザが実際に飲んでみて感じた嗜好を嗜好値として入力できるので、その特定ユーザが真に好む酒類商品を推薦できる。

＜第２実施形態＞
本発明の第２実施形態について説明する。以下に例示する各形態において実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略する。第１実施形態では、特定ユーザの嗜好値データ１６２に酒類商品の成分データ１７４を関連付ける場合を例示したが、第２実施形態では、特定ユーザの嗜好値データ１６２に成分データ１７４だけでなく体調データ１６３も関連付ける場合を例示する。

人の味覚や臭覚などは、体調によって左右することが知られている。このためワインや日本酒など酒類についても飲んだときの体調（例えば体温）によって、味覚（甘味、酸味、旨味など）や臭覚（香り）などの嗜好値も変わってしまう恐れがある。例えば普段では美味しく感じるお酒でも体調によって美味しくないと感じる場合である。これでは、せっかく特定ユーザの学習済みモデル１８４で予測した嗜好値でもその特定ユーザの体調によって感覚のずれが生じてしまう。

そこで、第２実施形態では、特定ユーザの嗜好値における体調による感覚のずれを体調データで補正する。具体的には、酒類商品の成分データと特定ユーザの体調データを入力することで特定ユーザの嗜好値を出力するように学習した学習済みモデル１８４を用いる。これにより、成分データだけでは補正しきれない特定ユーザの嗜好値における体調による感覚のずれを、体調データで補正できる。

図１３は、第２実施形態の酒類情報処理システムの構成を示す図であり、図１に対応する。図１３の酒類情報処理システム１００において、図１と異なるのは、体調検知器３０を備える点である。体調検知器３０は、ユーザの体調（例えば体温）を検知して体調データ（例えば体温データ）を端末装置２０に送信する。体調検知器３０は、端末装置２０と無線又は有線による通信が可能である。体調検知器３０の詳細は後述する。

図１４は、第２実施形態の酒類情報処理システム１００の具体的構成例を示すブロック図であり、図２に対応する。図１４の酒類情報処理システム１００が図２と異なるのは、データ記憶部１６にユーザデータ１６０として嗜好値データだけでなく、体調データ１６３も記憶される点と、ユーザの体調を検知する体調検知器３０が端末装置２０と無線又は有線で通信可能に接続されている点である。体調検知器３０で検知された体調データ１６３は、端末装置２０を介して酒類情報処理装置１０に送信される。

第２実施形態の体調検知器３０は、体調データの例示としての体温データを検知する検温器や体温計などの体温検知器である。体温検知器は接触式でも非接触式でもよい。体温検知器は、検知した体温データを送信可能である。体調データ１６３としては、上記体温データ以外の生体データ（バイオデータ）、例えば脈拍データや血中酸素濃度データなどあってもよい。また体調データ１６３は、上記生体データの他、睡眠時間、就寝時間、起床時間などの睡眠データであってもよい。なお、体調データ１６３は、測定可能であってユーザの味覚などの嗜好に影響する体調の変化が分かるようなデータであれば、生体データや睡眠データなどに限られない。

体調検知器３０は、例えば酒類商品を販売する飲食店や酒店などの実店舗の入口などに設置され、店内や客席の端末装置２０の通信部２１にブルートゥース（登録商標）などの通信規格に基づく無線通信ネットワークで接続される。体調検知器３０は実店舗に設置されるものに限られない。例えばインターネットで酒類商品を販売する場合には、スマートフォンなどのユーザの端末装置２０に接続されるウエアラブルの体調検知器３０であってもよい。体調検知器３０は、必ずしも端末装置２０に外部接続されていなくてもよく、内蔵されていてもよい。また、体調検知器３０は、端末装置２０ではなく、酒類情報処理装置１０に無線又は有線で通信可能に接続されていてもよい。

図１５は、第２実施形態の嗜好値データと体調データの具体例を示す図であり、図３に対応する。図１５のデータが図３と異なるのは、各酒類商品に、嗜好値だけでなく、体調データ１６３Ｂも関連付けられている点と、日本酒スタータセットの他にワインスタータセット（赤）が含まれる点である。図１５の酒類商品には、日本酒とワインだけでなく、ビール、焼酎など別の種類の酒類商品を含んでもよい。図１５の体調データ１６３Ｂとしては、体温データを例示する。嗜好値データ１６２Ｂと体調データ１６３Ｂは、ユーザＰ１～Ｐｎ毎に記憶される。

図１５の体調データ１６３Ｂは、体温データであり、ユーザが酒類商品を飲んだときの体温が酒類商品毎に関連付けられている。体調データ１６３Ｂは、体調検知器３０で検出された体温であってもよく、後述する図２１の評価ページの酒類評価画面ＳＣ２１でユーザが入力した体温であってもよい。

図１５の酒類商品は、ユーザＰ１～Ｐｎそれぞれが購入したものであり、セット商品（日本酒スタータセット、ワインスタータセット（赤））を例示している。セット商品としてはこれに限られず、ワインスタータセット（白）、ワインスタータセット（ロゼ）、焼酎スタータセットなど各種の酒類でセット商品を構成できる。各セット商品には、複数の銘柄の酒類商品が含まれる。図１５では、各セット商品に３つずつの銘柄が表示されているがこれに限られない。２つ以上の銘柄をセット商品とすればよく、４つ以上の銘柄をセット商品としてもよい。セット商品とすることで、より多くの銘柄を少量ずつ試してもらうことができる。これにより、銘柄の異なる多くの酒類商品の嗜好値データを取得できる。図１５の酒類商品においても酒類商品は、セット商品に限られず、単品の銘柄であってもよい。

図１６は、第２実施形態の学習用の酒類商品リスト１７２Ｂ１と学習用の成分データ１７４Ｂ１の具体例を示す図であり、図８に対応する。図１６のデータが図８と異なるのは、日本酒スタータセットの他にワインスタータセット（赤）が含まれる点である。これによれば、日本酒とワインの学習データ１８２を生成できる。学習用の成分データ１７４Ｂ１の数は、日本酒とワインとで同じ数に合わせてある。したがって、日本酒とワインとで別々の学習データ１８２を生成できるだけでなく、日本酒とワインを組み合わせた学習データ１８２も生成できる。これによれば、日本酒とワインのように異種の酒類商品を組み合わせて学習させた１つの学習済みモデル１８４Ｂも生成できる。

図１７は、第２実施形態の学習済みモデル１８４Ｂの構成例を示す図であり、図５に対応する。図１７の学習済みモデル１８４Ｂが図５と異なるのは、酒類商品の成分データ１７４とユーザの体調データ１６３を入力することで特定ユーザの嗜好値を出力するように学習されている点である。図１７の学習済みモデル１８４Ｂも、図５と同様にユーザ毎に生成される。

図１７には、機械学習によって学習されたニューラルネットワークで構成される学習済みモデル１８４Ｂを例示する。学習済みモデル１８４Ｂは、入力層、中間層、出力層を備える。それぞれの層は、複数のノードで構成される。例えば学習用の複数の酒類商品と予測用の複数の酒類商品で検出された成分のすべての成分数と体調データ１６３（ここでは体温データ）を入力層のノード数とする。出力層のノード数は１である。各層に含まれるノードの数や中間層の層数は図示したものに限られない。学習済みモデル１８４Ｂは、ＣＮＮで構築してもよく、ＲＮＮで構成してもよい。

図１７は、異種の酒類商品（例えば日本酒の銘柄とワインの銘柄）を組み合わせて学習させた１つの学習済みモデル１８４Ｂを例示する。学習済みモデル１８４Ｂは、異種の酒類商品（例えば日本酒の銘柄とワインの銘柄）を別々に学習させた日本酒の学習済みモデル１８４Ｂとワインの学習済みモデル１８４Ｂであってもよい。

学習済みモデル１８４Ｂは、例えば深層学習アルゴリズムを用いて教師あり学習で構築したディープラーニングモデルである。具体的には学習済みモデル１８４Ｂは、酒類商品の成分データとユーザの体調データとユーザの嗜好値（正解ラベル）を１セットとした学習データ１８２（教師データ）を用いて学習する。学習済みモデル１８４Ｂは、学習データ１８２に含まれる成分データを入力層に入力した場合に、ユーザの嗜好値に対応する出力層の出力が学習データ１８２Ｂに含まれる嗜好値（正解ラベル）に近づくような学習処理を行う。学習処理において学習済みモデル１８４Ｂは、入力に対して行う所定の演算を規定する関数の係数（重み付け係数）等のパラメータデータを最適化する。

図１８は、第２実施形態の学習データ１８２Ｂの具体例を示す図であり、図６に対応する。図１８は、ユーザＰ１の学習済みモデル１８４Ｂを生成するためのユーザＰ１の学習データ１８２Ｂである。図１８の学習データ１８２Ｂにおいて図６と異なるのは、酒類商品毎に関連付けられる学習用の体調データ１６３Ｂ１を含む点である。図１８では、学習用の体調データ１６３Ｂ１として体温データを例示する。図１５の体調データ１６３Ｂに入力済みのものを学習用の体調データ１６３Ｂ１とする。

図１９は、第２実施形態の予測用の酒類商品リスト１７２Ｂ２と予測用の成分データ１７４Ｂ２と予測用の体調データ１６３Ｂ２の具体例を示す図であり、図７に対応する。図１９のデータが図７と異なるのは、予測用の体調データ１６３Ｂ２を含む点である。図１９では、予測用の体調データ１６３Ｂ２として体温データを例示する。

図７のワインの銘柄は赤ワインだけだったのに対して、図１９のワインの銘柄は赤ワインと白ワインである点である。これによれば、赤ワインの成分データ１７４と体調データ１６３で学習させた学習済みモデル１８４を用いて赤ワインの嗜好値だけでなく、白ワインの嗜好値も予測できる。赤ワインの成分データ１７４と体調データ１６３で学習させた学習済みモデル１８４を用いてロゼワインの嗜好値を予測してもよい。これにより、例えば赤ワインが好きなユーザに白ワインやロゼワインを推薦することもできる。体調によっては、赤ワインよりも白ワインやロゼワインの方が美味しく感じることもある。特に味覚などの嗜好値は、ユーザの体調（体温や睡眠時間など）で変化する可能性が高い。ところが、従来はこの体調による感覚のずれまで補正できるものはなかった。したがって、ユーザの嗜好値における体調による感覚のずれを補正しながら酒類商品を選出できることは、従来にはない画期的な効果である。

図２０は、第２実施形態の予測結果データ１６４Ｂの具体例を示す図であり、図８に対応する。図２０は、ユーザＰ１の予測結果データ１６４Ｂである。図２０の予測結果データ１６４Ｂにおいて図８と異なるのは、予測用の体調データ１６３Ｂ２を含む点である。図２０の嗜好値の予測結果は、図８とは異なっている。このように、成分データ１７４だけでは補正しきれない特定ユーザの嗜好値における体調による感覚のずれを体調データ１６３で補正できる。

ここで、第２実施形態の端末装置２０の表示部２５に表示される表示画面の構成例を図２１乃至図２４に示す。図２１は、第２実施形態の酒類評価画面ＳＣ２１の構成例を示す図であり、図９に対応する。図２１の酒類評価画面ＳＣ２１が図９と異なるのは、酒類商品毎に体調データ１６３を入力するための体調データ入力欄ＳＣ２１２を含む点である。体調データ入力欄ＳＣ２１２には、体調検知器３０で検知された体温が表示される。例えば実店舗に設置した体調検知器３０で検知した体温又は体調検知器３０としてのスマートフォンの検温機能やウエアラブル装置で測定した体温が表示される。体調データ入力欄ＳＣ２１２の体温はプルダウンメニューなどによりユーザが入力することもできる。例えばユーザが端末装置２０としてのスマートフォンで酒類評価画面ＳＣ２１を表示して体調データ入力欄ＳＣ２１２に体温を入力する。

図２２は、第２実施形態の実店舗用の体調データ入力画面ＳＣ２２Ａの構成例を示す図である。実店舗用の体調データ入力画面ＳＣ２２Ａは、例えば飲食店や酒店などの実店舗で利用する場合に表示される画面である。実店舗用の体調データ入力画面ＳＣ２２Ａには、例えば飲食店や酒店の実店舗に設置された体調検知器３０（例えば検温器や体温計などの体温検知器）で測定した体温が体調データ入力欄ＳＣ２２２に表示される。体調データ入力欄ＳＣ２２２に表示される体温は、プルダウンメニューなどによりユーザが入力することもできる。例えば飲食店の各テーブルに設置されている端末装置２０（例えばタブレット端末装置など）を用いて、ユーザが酒類評価画面ＳＣ２１を表示して体調データ入力欄ＳＣ２１２に体温を入力するようにしてもよい。ユーザの端末装置２０（例えばタブレット端末装置やスマートフォンなど）に酒類評価画面ＳＣ２１を表示して体調データ入力欄ＳＣ２１２に体温を入力するようにしてもよい。

図２３は、第２実施形態のオンラインショップ用の体調データ入力画面ＳＣ２２Ｂの構成例を示す図である。オンラインショップ用の体調データ入力画面ＳＣ２２Ｂは、例えばオンラインショップ（ネットショップ）で利用する場合に表示される画面である。オンラインショップ用の体調データ入力画面ＳＣ２２Ｂには、例えばユーザが体調検知器３０としてのスマートフォンの検温機能やウエアラブル装置で測定した体温が体調データ入力欄ＳＣ２２２に表示される。体調データ入力欄ＳＣ２２２に表示される体温は、プルダウンメニューなどによりユーザが入力することもできる。例えばユーザが端末装置２０（スマートフォンやパーソナルコンピュータなど）に酒類評価画面ＳＣ２１を表示して体調データ入力欄ＳＣ２２２に体温を入力するようにしてもよい。

図２４は、第２実施形態の酒類推薦画面ＳＣ２３の構成例を示す図であり、図１０に対応する。図２４の酒類推薦画面ＳＣ２３が図１０と異なるのは、嗜好値の予測結果表示欄ＳＣ２３１（お好み予測（嗜好値１～５））のみならず、酒類商品毎の「おすすめの想定体温」を表示する体調データ表示欄ＳＣ２３２を含む点である。体調データ表示欄ＳＣ２３２に表示される「おすすめの想定体温」は、実店舗用の体調データ入力画面ＳＣ２２Ａ又はオンラインショップ用の体調データ入力画面ＳＣ２２Ｂで入力された体温である。

図２１は、例えば平熱の体温が３６度６分のユーザＰ１の例示であり、学習用の日本酒スタータセットの酒類商品（Ｎｏ．１、Ｎｏ．２）と学習用のワインスタータセット（赤）の酒類商品（Ｎｏ．４～Ｎｏ．６）を飲んだときの体温３６度の方が平熱よりも低かった場合である。この場合には、ワインスタータセット（赤）の酒類商品（Ｎｏ．４～Ｎｏ．６）とと学習用のワインスタータセット（赤）の酒類商品（Ｎｏ．４～Ｎｏ．６）を飲んだときに感じる味覚の嗜好が平熱の３６度６分のときとは変わっている可能性がある。

これは味覚の感度が温度によって変わるからである。例えば人によっては甘味は３５度くらいで最も甘く感じ、冷やしたり、温めたりすると甘味を感じにくくなる。味を認識する刺激には強さがあり、閾値（いきち）と呼ばれる。その刺激の強さは、温度によって変わる。温かいコーヒーに砂糖を入れたとき、冷めると甘すぎると感じることがある。それは３５度に近くなるからである。このことからも分かるように、その人の固有の閾値によってその前後の温度では閾値のときとは異なる味を感じやすい。そうすると、同じワインでも、閾値と異なる体温で飲んだワインは違う味に感じる可能性が高い。第２実施形態では、学習用の酒類商品を飲んだときの体温が閾値のときとは異なり、味覚などの嗜好が変わってしまっている場合でも、図２４の酒類推薦画面ＳＣ２３に示すように体温３６度６分でも美味しく飲める日本酒やワインなどの酒類商品を推薦できる。

次に、第２実施形態に係る酒類情報処理装置１０が行う学習済みモデル生成処理について図２５を参照しながら説明する。図２５は、第１実施形態の学習済みモデル生成処理の具体例を示すフローチャートであり、図１１に対応する。第２実施形態の学習済みモデル生成処理は、制御部１２（データ取得部１２１、学習データ生成部１２５、学習済みモデル生成部１２６など）によってプログラム記憶部１５から必要なプログラムが読み出されて実行される。図２５のステップＳ３１０及びステップＳ３２０は図１１のステップＳ１１０及びステップＳ１２０に対応する。図２５のステップＳ３３０～ステップＳ３５０は図１１のステップＳ１３０及びステップＳ１５０に対応する。

図２５の学習済みモデル生成処理は、嗜好値と体調データが入力されると所定のタイミングで実行される。未入力だった嗜好値と体調データが入力されると所定のタイミングで学習済みモデル生成処理を実行し再学習するようにしてもよい。以下、ユーザＰ１の学習済みモデル１８４を生成する学習済みモデル生成処理を例に挙げて説明する。

先ず制御部１２は、ステップＳ３１０にて特定ユーザの学習用の嗜好値データを取得し、ステップＳ３２０にて学習用の成分データをデータ記憶部１６から取得する。具体的にはデータ取得部１２１が、図１５のユーザＰ１の嗜好値データ１６２Ｂから、嗜好値と体調データが入力済みの酒類商品について、その酒類商品リストを学習用の酒類商品リストとして取得し、の嗜好値（Ｎｏ．１の嗜好値４、Ｎｏ．２の嗜好値２など）を学習用の嗜好値データとして取得する。またデータ取得部１２１は、図１６の学習用の成分データ１７４Ｂ１から、ステップＳ３１０で取得した嗜好値と体調データが入力済みの酒類商品についての成分データを学習用の成分データとして取得する。これにより、図１５のように嗜好値が未評価又は体調データが未入力の酒類商品があっても、それを学習データ１８２Ｂに含まれないようにできるから、嗜好値と体調データの入力がある酒類商品のだけで学習済みモデル１８４Ｂを生成できる。

次にステップＳ３２２にて制御部１２は、学習用の体調データ１６３を取得する。具体的にはデータ取得部１２１が、図１５のユーザＰ１の体調データ１６３Ｂ１から、嗜好値と体調データが入力済みの酒類商品（Ｎｏ．１、Ｎｏ．２、Ｎｏ．４～Ｎｏ．６など）の体調データを取得する。

次にステップＳ３３０にて制御部１２は、学習データ１８２を生成する。具体的には学習データ生成部１２５が、データ取得部１２１によって取得された学習用の酒類商品リストと学習用の成分データと学習用の嗜好値データと学習用の体調データから図１８の学習データ１８２Ｂを生成する。これにより、嗜好値と体調データが入力済みの酒類商品で学習データ１８２Ｂを生成できる。例えば図１５ではＮｏ．３の酒類商品については嗜好値が未評価で体調データが未入力なので、Ｎｏ．３の酒類商品を含めずに、Ｎｏ．１、Ｎｏ．２などの酒類商品だけで図１８の学習データ１８２Ｂが生成される。なお、学習済みモデル１８４Ｂを生成するためのデータ量を増やすため、酒類評価画面ＳＣ２１に嗜好値や体調データの入力を促す表示をしてもよい。

次いで制御部１２は、ステップＳ３４０にて学習済みモデル１８４を生成する。具体的には学習済みモデル生成部１２６が、ステップＳ３３０で生成したユーザＰ１の学習データ１８２Ｂによる機械学習によってユーザＰ１の学習済みモデル１８４Ｂを生成する。こうして、図１７に示すように酒類商品の成分データと体調データを入力することでユーザＰ１の嗜好値を出力するように学習された学習済みモデル１８４Ｂが生成される。ステップＳ３５０にて制御部１２は、生成された学習済みモデル１８４Ｂをデータ記憶部１６に記憶する。本実施形態では、一人のユーザに一つの学習済みモデル１８４Ｂを生成する場合を例示するが、これに限られず、一人のユーザに複数の学習済みモデル１８４Ｂを生成するようにしてもよい。例えば酒類商品の種類毎に複数の学習済みモデル１８４Ｂを生成してもよい。

次に、こうして生成された学習済みモデル１８４Ｂを用いて予測用の酒類商品リスト１７２からユーザの好みの酒類商品を選出する酒類商品選出処理について説明する。図２６は、第２実施形態に係る酒類情報処理装置１０が行う酒類商品選出処理の具体例を示すフローチャートであり、図１２に対応する。第２実施形態の酒類商品選出処理は、制御部１２（データ取得部１２１、嗜好値算出部１２２、酒類商品選出部１２３、出力部１２４など）によってプログラム記憶部１５から必要なプログラムが読み出されて実行される。

図２６のステップＳ４１０及びステップＳ４２０は図１２のステップＳ２１０及びステップＳ２２０に対応する。図２６のステップＳ４３０～ステップＳ４６０は図１２のステップＳ２３０及びステップＳ２６０に対応する。ユーザＰ１～Ｐｎからの指示（例えば図２１の「ＡＩ推薦」ボタンのクリック）に応じて別々に酒類商品選出処理が実行される。以下、ユーザＰ１が図２１の「ＡＩ推薦」ボタンをクリックして酒類商品選出処理が実行された場合を例に挙げて説明する。

先ず図２６に示すステップＳ４１０にて制御部１２は、ユーザＰ１の学習済みモデル１８４を取得する。具体的にはデータ取得部１２１が、図１７の学習済みモデル１８４Ｂを記憶部１４から取得する。次にステップＳ４２０にて制御部１２は、ユーザＰ１の予測用の成分データ１７４を取得する。具体的にはデータ取得部１２１が、図１９の予測用の酒類商品リスト１７２Ａ２にある予測用の成分データ１７４Ａ２をデータ記憶部１６から取得する。

次にステップＳ４２２にて制御部１２のデータ取得部１２１は、実店舗での利用かオンラインショップでの利用かを判断する。例えば個人ページを見るときにユーザＰ１がＩＤとパスワードを入力してログインする際に実店舗での利用かオンラインショップでの利用か選択させる。データ取得部１２１は、このログイン時の選択結果から実店舗での利用かオンラインショップでの利用かを判断する。データ取得部１２１が実店舗での利用であると判断した場合は、制御部１２は図２２のような実店舗用の体調データ入力画面ＳＣ２２Ａを端末装置２０に表示させる。他方、データ取得部１２１がオンラインショップでの利用であると判断した場合は、制御部１２は図２３のようなオンラインショップ用の体調データ入力画面ＳＣ２２Ｂを端末装置２０に表示させる。

ステップＳ４２２にて制御部１２のデータ取得部１２１が実店舗での利用であると判断した場合は、ステップＳ４２４にてデータ取得部１２１は図２２のような実店舗用の体調データ入力画面ＳＣ２２Ａに基づき体調データを取得する。具体的にはデータ取得部１２１が実店舗用の体調データ入力画面ＳＣ２２Ａに表示される体調検知器３０で検知された体温又は入力された体温を端末装置２０から受信し、予測用の体調データ１６３Ｂ２として取得する。

他方、ステップＳ４２２にて制御部１２のデータ取得部１２１がオンラインショップでの利用であると判断した場合は、ステップＳ４２６にてデータ取得部１２１は図２３のようなオンラインショップ用の体調データ入力画面ＳＣ２２Ｂに基づき体調データを取得する。具体的にはデータ取得部１２１がオンラインショップ用の体調データ入力画面ＳＣ２２Ｂに表示される体調検知器３０で検知された体温又は入力された体温を端末装置２０から受信し、予測用の体調データ１６３Ｂ２として取得する。

次にステップＳ４３０にて制御部１２は、ユーザＰ１の学習済みモデル１８４からそのユーザＰ１の嗜好値を算出する。具体的には嗜好値算出部１２２が、例えば図１７の学習済みモデル１８４Ｂの入力層にステップＳ４２０で取得した予測用の成分データ１７４Ｂ２とステップＳ４２４又はステップＳ４２６で取得した予測用の体調データ１６３Ｂ２を入力することで、学習済みモデル１８４Ｂの出力層からユーザＰ１の嗜好値が出力される。こうして、予測用の酒類商品リスト１７２Ｂ２の一つの酒類商品に対して一つの嗜好値の予測結果を取得できる。嗜好値の予測結果は、図２０の予測用の酒類商品リスト１７２Ｂ２に関連付けられ、予測結果データ１６４Ｂの嗜好値の予測結果の欄に入力されてデータ記憶部１６に記憶される。

次にステップＳ４４０にて制御部１２は、すべての予測用の酒類商品について嗜好値を算出したかを判断する。具体的には嗜好値算出部１２２が、例えば図７の予測用の酒類商品リスト１７２Ａ２にあるすべての酒類商品について嗜好値を算出したかを判断する。嗜好値算出部１２２は、ステップＳ２４０にてすべての酒類商品について嗜好値を算出していないと判断すると、ステップＳ２３０にて図１９の予測用の酒類商品リスト１７２Ｂ２の次の酒類商品について嗜好値を算出する。そして、嗜好値算出部１２２は、ステップＳ４４０にてすべての酒類商品について嗜好値を算出したと判断すると、制御部１２はステップＳ４５０の処理に移る。

ステップＳ４５０にて制御部１２は、嗜好値が所定値以上の酒類商品を選出する。酒類を選出するための嗜好値の所定値は数段階評価のうち最も高い数字に設定してもよく、次の数字に設定してもよい。例えば嗜好値が５段階評価の場合には、嗜好値５以上としてもよく、嗜好値４以上としてもよい。この所定値は、設定で自由に変えられる。本実施形態では酒類商品選出部１２３が、図２０の予測用の酒類商品リスト１７２Ｂ２から嗜好値４以上の酒類商品（Ｎｏ．ＡＩＮ２、Ｎｏ．ＡＩＷ２など）を選出する。

次いでステップＳ４６０にて制御部１２は、選出された酒類商品を端末装置２０に表示させる。具体的には出力部１２４が、表示データを生成して端末装置２０に送信することで、選出された酒類商品のリストを端末装置２０に表示させる。例えば出力部１２４は、選出された酒類商品が嗜好値の高い順に上位に表示されるように表示データを生成する。ステップＳ４６０の処理は、例えば図２１の酒類評価画面ＳＣ２１の「ＡＩの推薦」ボタンが押され、端末装置２０から酒類商品を表示するリクエストを受信することで出力部１２４が実行する。これにより、第２実施形態では、図２４の酒類推薦画面ＳＣ２３のように嗜好値４以上の酒類商品（Ｎｏ．ＡＩＮ２、Ｎｏ．ＡＩＷ２など）が端末装置２０の表示部２５に表示される。図２４の酒類推薦画面ＳＣ２３に表示される酒類商品は、特定ユーザの体温が３６．６度のときに美味しく飲めるお酒として推薦される。なお、図２４は、図１９では省略されている酒類商品（Ｎｏ．ＡＩＮ４、Ｎｏ．ＡＩＮ６など）も表示されている。

以上のような第２実施形態に係る酒類情報処理装置１０によれば、学習済みモデル１８４に成分データ１７４だけでなく体調データ１６３も入力することで特定ユーザの嗜好値を出力するので、成分データ１７４だけでは補正しきれない特定ユーザの嗜好値における体調による感覚のずれを、体調データで補正できる。これにより、特定ユーザの嗜好値の予測精度を高めることができるので、特定ユーザの好みの酒類商品の選出精度を高めることができる。体調データ１６３として用いる体温データは、測定しやすく、体調にも直結するので、特定ユーザの嗜好値における体調による感覚のずれの補正精度を高めることができる。

＜第３実施形態＞
本発明の第３実施形態について説明する。第３実施形態の学習済みモデル１８４は、酸味、甘味、旨味などの味覚毎に学習された複数の味覚学習済みモデルと香りなどの臭覚学習済みモデルとこれらの味覚や香りなどの嗜好を総合する総合学習済みモデルを含む場合を例示する。酒類商品の成分は、酸味、甘味、旨味などの味覚、香りなどの臭覚、色味などの視覚のような嗜好に関連する成分（嗜好成分）ごとに対応する複数の成分で構成される。

本明細書では、酒類を構成する複数の成分のうち、味覚に関する成分を味覚成分、臭覚に関する成分を臭覚成分、色味に関する成分を視覚成分という。これら味覚成分、臭覚成分、視覚成分は酒類の嗜好に影響するので、これらを嗜好成分という。嗜好成分には、味覚成分、臭覚成分、視覚成分などが含まれる。味覚成分には、酸味成分、甘味成分、旨味成分などが含まれる。このように酒類商品の成分を嗜好成分毎に分けて学習させることによって、嗜好値の学習精度を高めることができる。

酸味、甘味、旨味などの味覚、香りなどの臭覚などはそれぞれ、ユーザの体温などの体調によって感覚が変わるため、酸味成分、甘味成分、旨味成分などを体調データ１６３と共に学習することで補正することでその感覚のずれを補正できる。ユーザの体調の影響は嗜好成分毎に異なるため、酸味成分、甘味成分、旨味成分などのそれぞれに体調データ１６３を加えて別々に学習することで、感覚のずれを補正する効果を高めることができる。そこで、第３実施形態では、酸味成分、甘味成分、旨味成分、香り成分などのそれぞれに体調データ１６３を加えた学習データで学習させた学習済みモデル１８４について説明する。

第３実施形態では、図１４の酒類情報処理装置１０に適用した場合を例示する。図２７は、第３実施形態の嗜好値データと体調データの具体例を示す図であり、図１５に対応する。図２７のユーザの嗜好値データ１６２Ｃが図１５と異なるのは、嗜好値が酸味、甘味、旨味などの味覚毎の嗜好値に分けられていることである。嗜好値データ１６２Ｃの嗜好値には、香りなどの臭覚の嗜好値や、味覚（酸味、甘味、旨味など）と臭覚を総合した総合嗜好値も含まれる。総合嗜好値は、酒類商品を飲んで全体としての好みがどの程度かを数値で表したものであり、図３及び図１５の嗜好値に相当する。なお、図２７の体調データ１６３は図１５と同様のため、その詳細な説明は省略する。

味覚の嗜好値のうち、酒類商品の酸味の好みがどの程度かを数値化したのが酸味の嗜好値であり、酒類商品の甘味の好みがどの程度かを数値化したのが甘味の嗜好値であり、酒類商品の旨味の好みがどの程度かを数値化したのが旨味の嗜好値である。臭覚の嗜好値のうち酒類商品の香りの好みがどの程度かを数値化したのが香りの嗜好値である。その他、図示はしないが、視覚の嗜好値のうち色味の好みがどの程度かを数値化したのが色味の嗜好値となる。また味覚の嗜好値としては、図示したものに限られず、渋みの嗜好値やアルコール度の嗜好値などを含めてもよい。これら色味、渋み、アルコール度も対応する成分があるからである。これらに限られず、嗜好値には、酒類商品の成分に対応する他の味覚、視覚、臭覚の嗜好値を含めてもよい。第３実施形態の嗜好値には、酸味の嗜好値、甘味の嗜好値、旨味の嗜好値、香りの嗜好値、総合嗜好値が含まれる場合を例示する。

図２８は、第３実施形態の学習用の酒類商品リスト１７２Ｃ１と学習用の成分データ１７４Ｃの具体例を示す図であり、図４に対応する。図２８の酒類商品の成分データ１７４Ｃが図４と異なるのは、酒類商品の成分が酸味成分、甘味成分、旨味成分の味覚成分と香り成分などの臭覚成分のそれぞれを構成する成分に分けられている点である。酒類商品の酸味成分（Ａ１～Ａｎ）としては、例えばリンゴ酸やクエン酸などが挙げられる。酒類商品の甘味成分（Ｂ１～Ｂｎ）としては、グルコースやフルクトースなどが挙げられる。酒類商品の旨味成分（Ｃ１～Ｃｎ）としては、例えばアミノ酸類・コハク酸などが挙げられる。酒類商品の香り成分（Ｄ１～Ｄｎ）としては、例えばリナロールなどが挙げられる。これらの成分は、ワインと日本酒の両方にある成分やワインだけに特有な成分や日本酒だけに特有な成分がある。これらの成分は酒類商品の種類毎に分けてもよく、酒類商品の種類毎に分けなくてもよい。

図２９乃至図３２は、第３実施形態の学習済みモデルの構成例を示す図である。第３実施形態の学習済みモデルは、酸味、甘味、旨味などの味覚毎の学習済みモデルと香りなどの臭覚の学習済みモデルを含む。なお、これに限られず、味覚の学習済みモデルとしては、上記の他に渋み、アルコールの強さ（ボディ）、辛さ（辛口度合い）などの学習済みモデルを含めてもよい。その他、色味などの視覚の学習済みモデルを含めてもよい。

図２９は、第３実施形態の酸味学習済みモデル１８４ａの構成例を示す図であり、図１７に対応する。図３０は、第３実施形態の甘味学習済みモデル１８４ｂの構成例を示す図である。図３１は、第３実施形態の旨味学習済みモデル１８４ｃの構成例を示す図である。図３２は、第３実施形態の香り学習済みモデル１８４ｄの構成例を示す図である。これら酸味学習済みモデル１８４ａ、甘味学習済みモデル１８４ｂ、旨味学習済みモデル１８４ｃ、香り学習済みモデル１８４ｄはそれぞれ、図１７と同様に入力層、中間層、出力層を備え、機械学習によって学習されたニューラルネットワークである。それぞれの層は、複数のノードで構成される。例えば酸味の成分数と体調データ（１つ）、甘味の成分数と体調データ（１つ）、旨味の成分数と体調データ（１つ）、香りの成分数と体調データ（１つ）をそれぞれの入力層のノード数とする。各出力層のノード数は１であり、各出力層からは酸味、甘味、旨味、香りそれぞれの嗜好値が出力される。これらの学習済みモデルはそれぞれ、ＣＮＮで構築してもよく、ＲＮＮで構成してもよい。

図２９の酸味学習済みモデル１８４ａは、酒類商品の酸味成分データと体調データを入力することで特定ユーザの酸味嗜好値を出力するように学習されている。図３０の甘味学習済みモデル１８４ｂは、酒類商品の甘味成分データと体調データを入力することで特定ユーザの甘味嗜好値を出力するように学習されている。図３１の旨味学習済みモデル１８４ｃは、酒類商品の旨味成分データと体調データを入力することで特定ユーザの旨味嗜好値を出力するように学習されている。図３２の香り学習済みモデル１８４ｄは、酒類商品の香り成分データと体調データを入力することで特定ユーザの香り嗜好値を出力するように学習されている。

図３３乃至図３６は、第３実施形態の学習データの具体例を示す図であり、図６に対応する。図３３は、第３実施形態に係るユーザＰ１の酸味学習データ１８２ａの具体例を示す図である。図３４は、第３実施形態に係るユーザＰ１の甘味学習データ１８２ｂの具体例を示す図である。図３５は、第３実施形態に係るユーザＰ１の旨味学習データ１８２ｃの具体例を示す図である。図３６は、第３実施形態に係るユーザＰ１の香り学習データ１８２ｄの具体例を示す図である。第３実施形態の学習データが、図１８と異なるのは、酸味、甘味、旨味などの味覚や香りなどの臭覚の成分データとその嗜好値データ毎に別々の学習データを備えることである。各学習データにはそれぞれ図２７で入力済の体調データ１６３（体温）が学習用の体調データとして含まれる。

具体的には、図３３の酸味学習データ１８２ａは、酒類商品の酸味の成分データ１７４ＣＡ１と学習用の体調データ１６３Ｃ１と酸味の嗜好値（正解ラベル）を含む。図３４の甘味学習データ１８２ｂは、酒類商品の甘味の成分データ１７４ＣＢ１と学習用の体調データ１６３Ｃ１と甘味の嗜好値（正解ラベル）を含む。図３５の酸味学習データ１８２ａは、酒類商品の旨味の成分データ１７４ＣＣ１と学習用の体調データ１６３Ｃ１と旨味の嗜好値（正解ラベル）を含む。図３６の香り学習データ１８２ｄは、酒類商品の香りの成分データ１７４ＣＤ１と学習用の体調データ１６３Ｃ１と香りの嗜好値（正解ラベル）を含む。図３３乃至図３６における学習用の体調データ１６３Ｃ１の体温は、同じ酒類商品では同じ値になる。

図３３の酸味学習データ１８２ａで学習することで図２９の酸味学習済みモデル１８４ａを生成する。図３４の甘味学習データ１８２ｂで学習することで図３０の甘味学習済みモデル１８４ａを生成する。図３５の旨味学習データ１８２ｃで学習することで図３１の旨味学習済みモデル１８４ｃを生成する。図３６の香り学習データ１８２ｄで学習することで図３２の香り学習済みモデル１８４ｄを生成する。

酸味の学習済みモデル１８４ａ、甘味の学習済みモデル１８４ｂ、旨味の学習済みモデル１８４ｃ、香りの学習済みモデル１８４ｃはそれぞれ、図１７と同様の学習済みモデル生成処理で生成できる。例えば図１７の学習済みモデル生成処理において、成分データは酸味、甘味、旨味、香りの成分データにそれぞれ読み替え、嗜好値は酸味嗜好値、甘味嗜好値、旨味嗜好値、香り嗜好値、総合嗜好値にそれぞれ読み替えるなど、必要な読み替えをすることで、図１７の学習済みモデル生成処理を適用可能になる。

ここで、ユーザの酒類商品についての酸味、甘味、旨味、香りの嗜好値パターンについて図３７及び図３８を参照しながら説明する。図３７は、甘味の効いたお酒が好きなユーザの嗜好値パターンの具体例を示す図であり、図３８は、酸味の効いたお酒が好きなユーザの嗜好値パターンの具体例を示す図である。

図３７と図３８の白丸は、総合嗜好値が５以上の酒類商品についての酸味、甘味、旨味、香りの嗜好値の平均値である。総合嗜好値が５以上の酒類商品から平均値をとるのは、そのユーザが好む酒類商品の嗜好値パターンを算出するためである。例えば総合嗜好値が低い酒類商品まで含めてしまうと、好みでない酸味、甘味、旨味、香りの嗜好値まで入ってしまうので、好みの嗜好値パターンにならない可能性が高いからである。なお、総合嗜好値が５以上の酒類商品に限らず、４以上の酒類商品についての酸味、甘味、旨味、香りの嗜好値の平均値をとってもよい。これによれば、例えば５以上の酒類商品がなかった場合でも嗜好値パターンを算出できる。特定ユーザの嗜好値から算出した嗜好値パターンＰＴ１（白丸）が第１嗜好値パターンに相当し、その特定ユーザの複数の味覚学習済みモデルから出力される嗜好値から算出した嗜好値パターンＰＴ２（黒丸）が第２嗜好値パターンに相当する。

図３７に示す甘味の効いたお酒が好きなユーザの嗜好値パターンは、甘味の嗜好値が他の酸味、旨味、香りの嗜好値に対して大きくなる傾向がある。これに対して図３８に示す酸味の効いたお酒が好きなユーザの嗜好値パターンは、酸味の嗜好値が他の甘味、旨味、香りの嗜好値に対して大きくなる傾向がある。ユーザによっては、酸味のある甘味が好きな人もいるので、そのようなユーザの嗜好値パターンは酸味の嗜好値もある程度大きくなる。

このように、ユーザによって嗜好値パターンが異なる。このため、例えば図３７及び図３８の黒丸のように、ユーザの嗜好値パターンのそれぞれに類似する嗜好値パターンの酒類商品を勧めれば、その酒類商品も好みの可能性が高い。そこで、第３実施形態の酒類商品選出処理では、特定ユーザの嗜好値パターンを算出し、その嗜好値パターンとの類似度が所定値以上の酒類商品を判定し、その判定結果から酒類商品を選出する。

このような第３実施形態の酒類商品選出処理について図１２を参照しながら説明する。先ず図１２に示すステップＳ２１０にて制御部１２（データ取得部１２１）は、特定ユーザの酸味学習済みモデル１８４ａ、甘味学習済みモデル１８４ｂ、旨味学習済みモデル１８４ｃ、香り学習済みモデル１８４ｄを取得する。次にステップＳ２２０にて制御部１２（データ取得部１２１）は、ユーザＰ１の予測用の成分データ１７４を取得する。具体的にはデータ取得部１２１が、不図示の酒類商品リストと酒類商品の予測用の成分データ（酸味、甘味、旨味、香り）と体調データをデータ記憶部１６から取得する。

次にステップＳ２３０にて制御部１２は、ユーザＰ１の酸味学習済みモデル１８４ａ、甘味学習済みモデル１８４ｂ、旨味学習済みモデル１８４ｃ、香り学習済みモデル１８４ｄのそれぞれからユーザＰ１の酸味、甘味、旨味、香りの嗜好値を算出する。次にステップＳ２４０にて制御部１２（嗜好値算出部１２２）は、すべての酒類商品について嗜好値を算出したかを判断する。嗜好値算出部１２２は、すべての酒類商品について嗜好値を算出していないと判断すると、ステップＳ２３０にて次の酒類商品について嗜好値を算出する。そして、嗜好値算出部１２２は、ステップＳ２４０にてすべての酒類商品について嗜好値を算出したと判断すると、制御部１２はステップＳ２５０の処理に移る。

第３実施形態では、このステップＳ２５０の処理が図１２と異なる。第３実施形態のステップＳ２５０にて制御部１２（酒類商品選出部１２３）は、特定ユーザの嗜好値パターン（例えば図３７や図３８の白丸の第１嗜好値パターンＰＴ１）に類似する嗜好値パターン（例えば図３７や図３８の黒丸の第２嗜好値パターンＰＴ２）の酒類商品を選出する。具体的には特定ユーザの第１嗜好値パターンＰＴ１と酒類商品リストの酒類商品の第２嗜好値パターンＰＴ２とを比較する。そして、比較による第１嗜好値パターンＰＴ１と第２嗜好値パターンＰＴ２との類似度が所定以上の前記酒類商品を判定する。例えば比較による第１嗜好値パターンＰＴ１と第２嗜好値パターンＰＴ２の各嗜好値を例えば最小二乗法で算出して得られる最小値又は所定値以下となる第２嗜好値パターンＰＴ２の酒類商品を選出する。

特定ユーザの第１嗜好値パターンＰＴ１は、例えば図２７の嗜好値データ１６２Ｃから算出する。具体的には、図２７の嗜好値データ１６２Ｃのうち総合嗜好値が所定以上（例えば総合嗜好値５以上）の酒類商品から酸味、甘味、旨味、香りの各嗜好値の平均値を算出して、特定ユーザの第１嗜好値パターンＰＴ１を算出する。

次いでステップＳ２６０にて制御部１２は、選出された酒類商品を端末装置２０に表示させる。具体的には出力部１２４が、表示データを生成して端末装置２０に送信することで、選出された酒類商品のリストを端末装置２０に表示させる。

このような第３実施形態によれば、酒類商品の酸味、甘味、旨味の味覚毎の嗜好値によって特定ユーザの嗜好値パターンが分かる。これにより、特定ユーザの酒類商品の好みがどの味覚に反応しているのかが分かるので、好みの酒類商品の選出精度を高めることができる。また、特定ユーザの複数の味覚の嗜好値から算出した第１嗜好値パターンＰＴ１と、その特定ユーザの複数の味覚学習済みモデルから出力される複数の味覚の嗜好値から算出した第２嗜好値パターンＰＴ２とを比較しその類似度に基づいて酒類商品を選出できる。これにより、特定ユーザの酒類商品の好みに近い酒類商品ほど選出され易くなる。さらに酒類商品の香りの嗜好値も含むので、味覚、臭覚も含めた特定ユーザの嗜好値パターンが分かる。これにより、香りの好みも分かるので、酒類商品の香りを重視するユーザの好みの酒類商品の選出精度を高めることができる。

＜変形例＞
本発明は、上述した各実施形態に限定されず、例えば以降に説明する各種の応用・変形が可能である。また、これらの変形の態様および上述した各実施形態は、任意に選択された一または複数を適宜組み合わせることも可能である。また当業者であれば、特許請求の範囲に記載された範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、それらについても当然に本発明の技術的範囲に属するものと了解される。

（１）上記第３実施形態では、酒類商品の好みを数値化する総合嗜好値が所定以上（例えば総合嗜好値５以上）の酒類商品についての酸味、甘味、旨味、香りの嗜好値データから得られる特定ユーザの嗜好値パターンと比較して、類似する嗜好値パターンの酒類商品を選出する場合を例示したが、酒類商品を選出方法はこれに限られるものではない。酸味、甘味、旨味、香りの嗜好値データから嗜好値パターンを総合嗜好値との関係で特定できるのは、酸味、甘味、旨味、香りの嗜好値データと総合嗜好値データとの間でも相関があるからである。そこで、第３実施形態の変形例では、総合嗜好値データを酸味、甘味、旨味、香りの嗜好値データに関連付ける総合学習済みモデルを生成する。

（２）上記第３実施形態の第１変形例について図３９及び図４０を参照しながら説明する。図３９は、第３実施形態の第１変形例に係る総合学習済みモデルの構成例を示す図である。図３９の総合学習済みモデル１８４ｅは、酒類商品の酸味、甘味、旨味、香りの嗜好値データを入力することでユーザＰ１の総合嗜好値を出力するように学習されている。総合学習済みモデル１８４ｅは、図１７と同様に入力層、中間層、出力層を備え、機械学習によって学習されたニューラルネットワークである。それぞれの層は、複数のノードで構成される。例えば酸味、甘味、旨味、香りの嗜好値の４つを入力層のノード数とする。出力層のノード数は１であり、出力層からは総合嗜好値が出力される。総合学習済みモデル１８４ｅは、ＣＮＮで構築してもよく、ＲＮＮで構成してもよい。

このような総合学習済みモデル１８４ｅを学習させるための学習データの具体例を図４０に示す。図４０は、上記ユーザＰ１の学習データ１８２ｅを例示したものである。図４０の学習データ１８２ｅは、学習用の酒類商品の嗜好値（酸味、甘味、旨味、香りの嗜好値と総合嗜好値（正解ラベル））と体調データ１６３Ｃ１（例えば体温）を１セットとした学習データ１８２ｅ（教師データ）である。図４０の体調データ１６３Ｃ１は、図３３乃至図３６の体調データ１６３Ｃ１に対応している。この学習データ１８２ｅによって機械学習させることで、総合学習済みモデル１８４ｅが生成される。

（３）上記第３実施形態の第２変形例について図４１を参照しながら説明する。図４１は、第３実施形態の第２変形例に係る学習済みモデルの構成例を示す図である。図４１の学習済みモデル１８４Ｃは、第１ニューラルネットワークと、第１ニューラルネットワークからの出力が入力されるように結合された第２ニューラルネットワークとから構成される。図４１の第１ニューラルネットワークは、図３３乃至図３６の体調データ１６３Ｃ１を含む学習データを用いてそれぞれ学習された酸味学習済みモデル１８４ａ、甘味学習済みモデル１８４ｂ、旨味学習済みモデル１８４ｃ、香り学習済みモデル１８４ｄで構成される。第２ニューラルネットワークは、図４０の学習用の体調データ１６３Ｃを含まない学習データで学習された総合学習済みモデル１８４ｅで構成される。

このような学習済みモデル１８４Ｃによれば、酸味、甘味、旨味、香りのそれぞれの成分データと体調データ（体温など）を第１ニューラルネットワークに入力することで、第２ニューラルネットワークから総合嗜好値を出力できる。酸味学習済みモデル１８４ａ、甘味学習済みモデル１８４ｂ、旨味学習済みモデル１８４ｃ、香り学習済みモデル１８４ｄ、総合学習済みモデル１８４ｅはそれぞれ別々に学習される。

したがって、学習済みモデル１８４Ｃは、第２ニューラルネットワークの重み付け係数などのパラメータデータが、第１ニューラルネットワークの重み付け係数などのパラメータデータを変更することなく、学習されたものである。これによれば、第１ニューラルネットワークからの出力（酸味、甘味、旨味、香りの嗜好値）は、第２ニューラルネットワーク（総合学習済みモデル１８４ｅ）の学習で影響を受けることがない。これによれば、それぞれの学習済みモデルを単体で予測に用いる場合と同様の予測精度を保つことができる。また、必ずしも嗜好値パターンを生成しなくても、学習済みモデル１８４Ｃからの出力から香りや味覚毎の嗜好値を総合した嗜好値（総合嗜好値）の予測結果を得ることができる。

（４）上記第３実施形態の第３変形例について図４２を参照しながら説明する。図４２は、第３実施形態の第３変形例に係る学習済みモデルの構成例を示す図であり、図４１に対応する。図４２の学習済みモデル１８４Ｄは、第１ニューラルネットワークと、第１ニューラルネットワークからの出力が入力されるように結合された第２ニューラルネットワークとから構成される。図４２の学習済みモデル１８４Ｄが図４１と異なるのは、体調データ（体温など）を第１ニューラルネットワークではなく、第２ニューラルネットワークに入力させる点である。具体的には図４２の第１ニューラルネットワークは、図３３乃至図３６の体調データ１６３Ｃ１を含まない学習データを用いてそれぞれ学習された酸味学習済みモデル１８４ａ、甘味学習済みモデル１８４ｂ、旨味学習済みモデル１８４ｃ、香り学習済みモデル１８４ｄで構成される。第２ニューラルネットワークは、図４０の学習用の体調データ１６３Ｃを含む学習データ１８２ｅを用いて学習された総合学習済みモデル１８４ｅで構成される。これによれば、第１ニューラルネットワークのそれぞれに体調データを入力しないで済むので、全体として学習データを減らすことができ、学習速度を上げることができる。

（５）上記第３実施形態の第４変形例について図４３乃至図４５を参照しながら説明する。第４変形例では、ユーザが酒類を評価した第１嗜好値パターンＰＴ１と、学習モデル１８４の出力から得られるその酒類の第２嗜好値パターンＰＴ２とを比較することで、ユーザの味覚や臭覚の評価のばらつきも判定できる場合を例示する。図４３は、第４変形例に係る制御部１２の一部の構成を示すブロック図である。具体的には図４３は、図１４の制御部１２からデータ取得部１２１、嗜好値算出部１２２、酒類商品選出部１２３、出力部１２４を抜き出したものである。図４３において図１４と異なるのは、酒類商品選出部１２３が比較部１２３Ａ及び判定部１２３Ｂを備える点であり、その他の構成は図１４と同様である。

図４３のデータ取得部１２１は、酒類商品について特定ユーザが飲んで感じた複数の味覚を含む嗜好値（酸味嗜好値、甘味嗜好値、旨味嗜好値、香り嗜好値）を取得する。嗜好値算出部１２２は、図２９の酸味の学習済みモデル１８４ａ、図３０の甘味の学習済みモデル１８４ｂ、図３１の旨味の学習済みモデル１８４ｃ、図３２の香りの学習済みモデル１８４ｃの出力から特定ユーザの嗜好値（酸味嗜好値、甘味嗜好値、旨味嗜好値、香り嗜好値）を取得する。

図４３の比較部１２３Ａは、データ取得部１２１で取得した特定ユーザの嗜好値（酸味嗜好値、甘味嗜好値、旨味嗜好値、香り嗜好値）から算出した第１嗜好値パターンＰＴ１と、その特定ユーザの上記学習済みモデル１８４ａ、１８４ｂ、１８４ｃ、１８４ｄからそれぞれ出力される嗜好値（酸味嗜好値、甘味嗜好値、旨味嗜好値、香り嗜好値）から算出した第２嗜好値パターンＰＴ２とを比較する。図４３の判定部１２３Ｂは、比較部１２３Ａで比較される第１嗜好値パターンＰＴ１と第２嗜好値パターンＰＴ２とから味覚の評価のばらつきを判定する。酒類商品選出部１２３は、判定部１２３Ｂで判定された味覚の評価のばらつきに基づいて酒類商品を選出する。ここでは、複数の味覚の嗜好値（酸味嗜好値、甘味嗜好値、旨味嗜好値）と香り嗜好値を含めた場合を例示するが、これに限られず、味覚の嗜好値だけで第１嗜好値パターンＰＴ１と第２嗜好値パターンＰＴ２を算出してもよい。

上記酸味の学習済みモデル１８４ａ、甘味の学習済みモデル１８４ｂ、旨味の学習済みモデル１８４ｃは上記複数の味覚学習済みモデルを構成する。香りの学習済みモデル１８４ｃは、香り学習済みモデルを構成する。これらは酒類商品の酸味成分データ、甘味成分データ、旨味成分データ、香り成分データのそれぞれに体調データを含めて学習したものであるが、これに限られず、体調データを含めないで学習したものを適用してもよい。

ここで、第４変形例に係るユーザの酒類商品についての酸味、甘味、旨味、香りの嗜好値パターンについて図４４及び図４５を参照しながら説明する。図４３は、甘味の効いたお酒が好きなユーザＰｘが酸味、甘味、旨味、香りを評価した酒類商品Ａの第１嗜好値パターンＰＴ１（白丸）と、そのユーザＰｘの上記各学習済みモデル１８４ａ、１８４ｂ、１８４ｃ、１８４ｄからの出力による同じ酒類商品Ａの第２嗜好値パターンＰＴ２（黒丸）を比較したものである。図４４は、同じように甘味の効いたお酒が好きな別のユーザＰｙが酸味、甘味、旨味、香り評価した酒類商品Ａの第１嗜好値パターンＰＴ１と、そのユーザＰｙの上記各学習済みモデル１８４ａ、１８４ｂ、１８４ｃ、１８４ｄの出力による同じ酒類商品Ａの第２嗜好値パターン（黒丸）を比較したものである。

図４３では、甘いお酒が好きなユーザＰｘが評価したお酒の嗜好値パターンと学習モデルによる嗜好値パターンとを比較すると、甘味成分、旨味成分、香り成分に比べて、酸味成分のずれが極めて大きい。これによれば、ユーザＰｘは味覚成分のうち、酸味成分に味覚が一定でなく評価がバラつくと判定できる。この結果（図４４の嗜好値パターンＰＴ１、ＰＴ２）を表示データに含めて端末装置２０に表示できるようにすることで、このユーザＰｘは、酸味の受容認識が一定でなく、酸味の物質的な状態を感じにくく、経験によって補われる必要があることを自己認識する機会を得ることができる。

これに対して、図４４では、同じ甘いお酒が好きな別のユーザＰｙが評価したお酒の嗜好値パターンと学習モデル１８４による嗜好値パターンとを比較すると、甘味成分、旨味成分、香り成分、酸味成分のずれがほとんどない。これによれば、ユーザＰｙは味覚も臭覚も物質の構成を感じ取っており、ソムリエのようなプロに近いと判定できる。この結果（図４５の嗜好値パターンＰＴ１、ＰＴ２）を表示データに含めて端末装置２０に表示できるようにすることで、このユーザＰｙは、このお酒に関しては、味覚も臭覚も物質の構成を感じ取っていることを自己認識する機会を得ることができる。

このように、ユーザのそのお酒についての第１嗜好値パターンを、学習モデルによる第２嗜好値パターンと比較することで、感覚（味覚、臭覚など）が一定でなく評価がばらつく成分を認識できる。これは例えばソムリエを目指しているユーザの訓練にもなる。具体的には、比較部１２３Ａが第１嗜好値パターンと第２嗜好値パターンを比較して、判定部１２３Ｂが第１嗜好値パターンと第２嗜好値パターンとから味覚や臭覚などの評価のばらつきを判定し、酒類商品選出部１２３がその評価のばらつきが大きいお酒を選択してそのユーザに推薦する。ユーザはその酒類商品を実際に飲んでみて評価を入力することで、端末装置２０に図４４や図４５のような嗜好値パターンＰＴ１、ＰＴ２が表示される。これにより、ユーザはその酒類商品に対する感覚評価のばらつき（味覚や臭覚など）を自己認識できるので、たとえばソムリエになるためや製品評価をするパネルの習得のために感覚（味覚や臭覚）を経験によって獲得することもできるようになる。

また、第１嗜好値パターンＰＴ１と第２嗜好値パターンＰＴ２のずれを検出することで、ユーザの飲酒経験を判定することもできる。例えばお酒に不慣れな初心者ユーザ、お酒が好きなユーザ、味覚感覚に優れたソムリエなどのプロなどの判定もできるようになる。具体的にはユーザのそのお酒についての嗜好値パターンと学習モデルによる嗜好値パターンとのばらつきが、所定値より大きい場合は初心者ユーザ、所定値以下の場合はお酒好きユーザと判定できる。各味覚や臭覚などのずれのばらつきが所定値以下の場合にプロユーザと判定できる。このようなユーザの飲酒経験に応じて推薦するお酒の種類や推薦の順番を変えることもできる。

さらに例えばソムリエコースとして、初心者ユーザ、お酒好きユーザ、プロユーザを選択できるようにすることも可能である。初心者ユーザには味覚を絞らずにお酒を推薦し、お酒好きユーザにはずれのある複数の味覚に絞ってお酒を推薦し、プロユーザにはずれのある味覚に絞ってお酒を推薦する。これにより、ユーザは苦手な味覚を克服して味覚のバランス感覚を養うことができる。

なお、図４３の比較部１２３Ａと判定部１２３Ｂは、第３実施形態にも適用可能である。この場合、比較部１２３Ａで比較される第１嗜好値パターンは、例えば図３７に示すような総合嗜好値５以上又は４以上の酒類商品の平均から得られる第１嗜好値パターンＰＴ１（白丸）である。第２嗜好値パターンは、例えば図３７に示すような複数の酒類商品における酸味の学習済みモデル１８４ａ、甘味の学習済みモデル１８４ｂ、旨味の学習済みモデル１８４ｃ、香りの学習済みモデル１８４ｃからの出力から得られる第２嗜好値パターンＰＴ２（黒丸）である。図４３の判定部１２３Ｂは、比較部１２３Ａの比較による第１嗜好値パターンＰＴ１と第２嗜好値パターンＰＴ２との類似度が所定以上の酒類商品を判定する。酒類商品選出部１２３は、判定部１２３Ｂで判定された酒類商品から酒類商品を選出する。

（６）上記第３実施形態とその変形例ではそれぞれ、体調データを用いた場合を例示したが、体調データを用いなくてもよい。体調データを用いない場合は、図２７、図２９乃至図３２、図３３乃至図３６、図３９乃至図４２から体調データに関する記述を省略することで適用できる。また、上記第３実施形態とその変形例ではそれぞれ、酒類商品の成分データを、複数の味覚に対応する成分データ（酸味、甘味、旨味など）と香り成分データに分けた場合を例示したが、香り成分データを含めず、酒類商品の成分データを複数の味覚に対応する成分データだけにしてもよい。この場合、嗜好値も香り嗜好値を含めずに、味覚毎の嗜好値（酸味嗜好値、甘味嗜好値、旨味嗜好値など）に分ける。学習済みモデル１８４は、味覚毎に学習された複数の味覚学習済みモデル（図２９乃至図３１）を含み、嗜好値算出部１２２は、複数の味覚学習済みモデルによって特定ユーザの味覚毎の嗜好値を算出するようにしてもよい。これにより、味覚毎の嗜好値から特定ユーザの嗜好値パターンを算出できる。予測用の酒類商品リストからこの嗜好値パターンが類似する酒類商品を選出することで、特定ユーザの好みの酒類商品を選出できる。このように、複数の味覚毎に味覚学習済みモデルを生成することで、特定ユーザの酒類商品の好みがどの味覚に反応しているのかが分かるので、好みの酒類商品の選出精度を高めることができる。なお、このような味覚毎に味覚学習済みモデルを生成する場合においても、体調データを用いるようにしてもよく、体調データを用いないようにしてもよい。

（７）上記第１実施形態乃至第３実施形態とその変形例において、学習済みモデルは、少なくとも同種で銘柄の異なる酒類商品に共通の成分データを含む学習データで学習することもできる。同種で銘柄の異なる酒類商品であっても味覚などの嗜好に影響を与える共通の成分があり、各実施形態の学習済みモデルによれば、その共通の成分データを特定ユーザの嗜好に関連付けることができる。このように各実施形態によれば、他人の味覚や質問からではなく、その共通の成分データから酒類商品を選出できるので、学習用に用いた酒類商品とは同種で銘柄の異なる酒類商品の中からでも、特定ユーザが真に好む酒類商品を選出できる。例えばワインという同種の酒類商品の中において、赤ワインとロゼワインは、嗜好に影響する共通の成分がある。このため、各実施形態の学習済みモデルで赤ワインとロゼワインに共通の成分データを含めて赤ワインを学習することで、そのユーザの好みの成分パターンに似ているロゼワインを選出するということが可能になる。これにより、例えば赤ワインが好きなユーザに、好みの嗜好に近いロゼワインを推薦することもできるので、新たな需要を開拓できる。

（８）上記第１実施形態乃至第３実施形態とその変形例において、学習済みモデルは、少なくとも異種の酒類商品に共通の成分データを含む学習データで学習されている。異種の酒類商品であっても味覚などの嗜好に影響を与える共通の成分があり、各実施形態の学習済みモデルによれば、その共通の成分データを特定ユーザの嗜好に関連付けることができる。このように各実施形態によれば、他人の味覚や質問からではなく、その共通の成分データから酒類商品を選出できるので、学習用に用いた酒類商品とは異種の酒類商品の中からでも、特定ユーザが真に好む酒類商品を選出できる。例えば日本酒とワインのように異種の酒類商品でも、嗜好に影響する共通の成分がある。このため、各実施形態の学習済みモデルで日本酒とワインに共通の成分データを含めて日本酒を学習することで、そのユーザの好みの成分パターンに似たワインを選出するということが可能になる。これにより、例えば日本酒が好きなユーザに、好みの嗜好に近いワインを推薦することもできるので、新たな需要を開拓できる。

（９）上記第１実施形態乃至第３実施形態とその変形例において、「酒類商品」は有料の場合に限られず、無料であってもよい。例えば「酒類商品」には、有料で提供される販売商品だけでなく、有料又は無料で提供されるお試し商品、試供品、サンプル商品などを含むようにしてもよい。

１００…酒類情報処理システム、１０…酒類情報処理装置、１１…通信部、１２…制御部、１２１…データ取得部、１２２…嗜好値算出部、１２３…酒類商品選出部、１２３Ａ…比較部、１２３Ｂ…判定部、１２４…出力部、１２５…学習データ生成部、１２６…モデル生成部、１４…記憶部、１５…プログラム記憶部、１６…データ記憶部、１６０…ユーザデータ、１６２（１６２Ａ、１６２Ｂ、１６２Ｃ）…嗜好値データ、１６３…体調データ、１６３Ｂ…体調データ、１６３Ｂ１、１６３Ｃ１…学習用の体調データ、１６３Ｂ２…予測用の体調データ、１６４Ａ、１６４Ｂ…予測結果データ、１７０…酒類データ、１７２…酒類商品リスト、１７２Ａ１、１７２Ｂ１、１７２Ｃ１…学習用の酒類商品リスト、１７２Ａ２、１７２Ｂ２…予測用の酒類商品リスト、１７４…成分データ、１７４Ａ１、１７４Ｂ１…学習用の成分データ、１７４Ａ２、１７４Ｂ２…予測用の成分データ、１７４Ｃ…学習用の成分データ、１７４ＣＡ１…酸味の成分データ、１７４ＣＢ１…甘味の成分データ、１７４ＣＣ１…旨味の成分データ、１７４ＣＤ１…香りの成分データ、１８２（１８２Ａ、１８２Ｂ）…学習データ、１８２ａ…酸味学習データ、１８２ｂ…甘味学習データ、１８２ｃ…旨味学習データ、１８２ｄ…香り学習データ、１８２ｅ…学習データ、１８４（１８４Ａ、１８４Ｂ、１８４Ｃ、１８４Ｄ）…学習済みモデル、１８４ａ…酸味学習済みモデル、１８４ｂ…甘味学習済みモデル、１８４ｃ…旨味学習済みモデル、１８４ｄ…香り学習済みモデル、１８４ｅ…総合学習済みモデル、２０…端末装置、２１…通信部、２２…制御部、２３…記憶部、２３１…プログラム記憶部、２３２…データ記憶部、２４…入力部、２５…表示部、３０…体調検知器、Ａ１～Ａｎ…酸味成分、Ｂ１～Ｂｎ…甘味成分、Ｃ１～Ｃｎ…旨味成分、Ｄ１～Ｄｎ…香り成分、ＳＣ１１…酒類評価画面、ＳＣ１２…酒類推薦画面、ＳＣ１２１…予測結果表示欄、ＳＣ２１…酒類評価画面、ＳＣ２１１…嗜好値の入力欄、ＳＣ２１２…体調データ入力欄、ＳＣ２２Ａ…実店舗用の体調データ入力画面、ＳＣ２２Ｂ…オンラインショップ用の体調データ入力画面、ＳＣ２２２…体調データ入力欄、ＳＣ２３…酒類推薦画面、ＳＣ２３１…予測結果表示欄、ＳＣ２３２…体調データ表示欄、ＳＣＢ…スクロールバー、Ｎ…ネットワーク、ＰＴ１…第１嗜好値パターン、ＰＴ２…第２嗜好値パターン。

Claims (12)

1. 複数の酒類商品それぞれについての成分データを取得するデータ取得部と、
   前記成分データを入力することで特定ユーザの嗜好値を出力するように学習された学習済みモデルを記憶する記憶部と、
   前記データ取得部で取得された前記成分データを前記酒類商品毎に前記学習済みモデルに入力して前記特定ユーザの嗜好値を前記酒類商品毎に算出する嗜好値算出部と、
   前記嗜好値算出部で算出された前記嗜好値に基づいて前記特定ユーザの好みの前記酒類商品を選出する酒類商品選出部と、
   前記酒類商品選出部で選出された前記酒類商品を表示するための表示データを出力する出力部と、を備え、
   前記成分データは、前記酒類商品の複数の味覚に対応する成分データを含み、
   前記学習済みモデルは、前記味覚毎に学習された複数の味覚学習済みモデルを含み、
   前記データ取得部は、前記酒類商品における前記特定ユーザの複数の味覚毎の嗜好値を取得し、
   前記嗜好値算出部は、前記複数の味覚学習済みモデルによって前記特定ユーザの前記味覚毎の嗜好値を算出し、
   前記酒類商品選出部は、
   前記特定ユーザの前記味覚毎の嗜好値から算出した第１嗜好値パターンと、その特定ユーザの前記複数の味覚学習済みモデルから出力される前記味覚毎の嗜好値から算出した第２嗜好値パターンとを比較する比較部と、前記比較部で比較される前記第１嗜好値パターンと前記第２嗜好値パターンとの類似度が所定以上の前記酒類商品を判定する判定部とを備え、前記判定部で判定された前記酒類商品から前記酒類商品を選出する
   酒類情報処理装置。
2. 前記判定部は、前記比較部で比較される前記第１嗜好値パターンと前記第２嗜好値パターンとから味覚の評価のばらつきを判定し、
   前記酒類商品選出部は、前記判定部で判定された前記味覚の評価のばらつきに基づいて前記酒類商品を選出する
   請求項１に記載の酒類情報処理装置。
3. 前記データ取得部は、前記酒類商品の成分データと前記特定ユーザの体調データを取得し、
   前記学習済みモデルは、前記成分データと前記体調データを前記酒類商品毎に入力することで前記特定ユーザの嗜好値を前記酒類商品毎に出力するように学習されており、
   前記嗜好値算出部は、前記データ取得部で取得した前記体調データと前記成分データを前記酒類商品毎に前記学習済みモデルに入力して前記特定ユーザの嗜好値を前記酒類商品毎に算出する
   請求項２に記載の酒類情報処理装置。
4. 前記学習済みモデルは、前記酒類商品の前記味覚毎の嗜好値を入力するとその酒類商品の味覚毎の嗜好値を総合した嗜好値を出力するように学習された総合学習済みモデルを含み、
   前記総合学習済みモデルは、前記複数の味覚学習済みモデルからの前記味覚の嗜好値の出力を入力して前記酒類商品の味覚毎の嗜好値を総合した嗜好値を出力する
   請求項１から請求項３のいずれかに記載の酒類情報処理装置。
5. 前記学習済みモデルは、少なくとも同種で銘柄の異なる酒類商品に共通の前記成分データを含む学習データで学習されている
   請求項４に記載の酒類情報処理装置。
6. 前記学習済みモデルは、少なくとも異種の酒類商品に共通の前記成分データを含む学習データで学習されている
   請求項５に記載の酒類情報処理装置。
7. 前記体調データは、体温、脈拍、血中酸素濃度のいずれかを含む生体データ又は睡眠時間を含む睡眠データである
   請求項３に記載の酒類情報処理装置。
8. 前記体調データは、体温検知器で検知された体温データを含み、
   前記データ取得部は、実店舗かオンラインショップかを判断し、
   前記実店舗であると判断した場合は、実店舗用の体調データ入力画面に入力される前記体温検知器で検知された体温データを前記体調データとして取得し、
   前記オンラインショップであると判断した場合は、オンラインショップ用の体調データ入力画面に入力される体温データを前記体調データとして取得する
   請求項７に記載の酒類情報処理装置。
9. 酒類情報処理をコンピュータに実行させるためのプログラムであって、
   前記酒類情報処理は、
   複数の酒類商品それぞれについての成分データを取得する取得ステップと、
   前記成分データを入力することで特定ユーザの嗜好値を出力するように学習された学習済みモデルに、前記成分データを前記酒類商品毎に入力して前記特定ユーザの嗜好値を前記酒類商品毎に算出する算出ステップと、
   前記嗜好値に基づいて前記特定ユーザの好みの前記酒類商品を選出する選出ステップと、
   選出された前記酒類商品を表示するための表示データを出力する出力ステップと、
   を含み、
   前記成分データは、前記酒類商品の複数の味覚に対応する成分データを含み、
   前記学習済みモデルは、前記味覚毎に学習された複数の味覚学習済みモデルを含み、
   前記取得ステップは、前記酒類商品における前記特定ユーザの複数の味覚毎の嗜好値を取得し、
   前記算出ステップは、前記複数の味覚学習済みモデルによって前記特定ユーザの前記味覚毎の嗜好値を算出し、
   前記選出ステップは、
   前記特定ユーザの前記味覚毎の嗜好値から算出した第１嗜好値パターンと、その特定ユーザの前記複数の味覚学習済みモデルから出力される前記味覚毎の嗜好値から算出した第２嗜好値パターンとを比較するステップと、比較される前記第１嗜好値パターンと前記第２嗜好値パターンとの類似度が所定以上の前記酒類商品を判定するステップと、判定された前記酒類商品から前記酒類商品を選出するステップと、を含む
   プログラム。
10. 前記選出ステップは、比較される前記第１嗜好値パターンと前記第２嗜好値パターンとから味覚の評価のばらつきを判定し、判定された前記味覚の評価のばらつきに基づいて前記酒類商品を選出する
    請求項９に記載のプログラム。
11. 酒類情報処理をコンピュータに実行させるためのプログラムを記憶するコンピュータ読取可能な記憶媒体であって、
    前記酒類情報処理は、
    複数の酒類商品それぞれについての成分データを取得する取得ステップと、
    前記成分データを入力することで特定ユーザの嗜好値を出力するように学習された学習済みモデルに、前記成分データを前記酒類商品毎に入力して前記特定ユーザの嗜好値を前記酒類商品毎に算出する算出ステップと、
    前記嗜好値に基づいて前記特定ユーザの好みの前記酒類商品を選出する選出ステップと、
    選出された前記酒類商品を表示するための表示データを出力する出力ステップと、
    を含み、
    前記成分データは、前記酒類商品の複数の味覚に対応する成分データを含み、
    前記学習済みモデルは、前記味覚毎に学習された複数の味覚学習済みモデルを含み、
    前記取得ステップは、前記酒類商品における前記特定ユーザの複数の味覚毎の嗜好値を取得し、
    前記算出ステップは、前記複数の味覚学習済みモデルによって前記特定ユーザの前記味覚毎の嗜好値を算出し、
    前記選出ステップは、
    前記特定ユーザの前記味覚毎の嗜好値から算出した第１嗜好値パターンと、その特定ユーザの前記複数の味覚学習済みモデルから出力される前記味覚毎の嗜好値から算出した第２嗜好値パターンとを比較するステップと、比較される前記第１嗜好値パターンと前記第２嗜好値パターンとの類似度が所定以上の前記酒類商品を判定するステップと、判定された前記酒類商品から前記酒類商品を選出するステップと、を含む
    記憶媒体。
12. 前記選出ステップは、比較される前記第１嗜好値パターンと前記第２嗜好値パターンとから味覚の評価のばらつきを判定し、判定された前記味覚の評価のばらつきに基づいて前記酒類商品を選出する
    請求項１１に記載の記憶媒体。

Images