JP7463455B2 - Information processing device, information processing method, and program - Google Patents

Description

本発明は、情報処理装置、情報処理方法、及びプログラムに関する。 The present invention relates to an information processing device, an information processing method, and a program.

従来より、靴は、職人によって手作りされた木型に合わせて制作が行われる等の手法がとられているため規格化が遅れている。最適なマッチングを行うためには、靴の伸びや変形を考慮した靴の内寸を知る必要があるが、従来のやり方では、靴の伸びや変形の度合いを定量的に決めることができない。また、誤差が大きいため、破壊的な方法を用いる必要があり、コストがかかっていた。 Traditionally, shoes have been made to fit wooden lasts handcrafted by craftsmen, which has led to a lack of standardization. To achieve optimal matching, it is necessary to know the inside dimensions of the shoe, taking into account the shoe's stretch and deformation, but with traditional methods it is not possible to quantitatively determine the degree of shoe stretch and deformation. Also, because there is a large margin of error, it is necessary to use destructive methods, which are costly.

特開２０１２－０３３１２８号公報JP 2012-033128 A

このため、形状が規格化されていない靴等のアイテムについて、平等かつ容易に採寸することができる新たな手法が求められている状況である。 Therefore, there is a need for a new method to easily and fairly measure items such as shoes, whose shapes are not standardized.

本発明は、このような状況に鑑みてなされたものであり、形状が規格化されていないアイテムであっても平等かつ容易にマッチングを行うことができる新たな手法を提供することを目的とする。 The present invention was made in light of these circumstances, and aims to provide a new method that allows for equal and easy matching even for items whose shapes are not standardized.

上記目的を達成するため、本発明の一態様の情報処理装置は、
アイテムの測定データに基づいて、正対を特定し、１以上のランドマーク点を検出し、アイテムのデザイン性を排除するための所定のルールに基づいて基準シンボルを算出し、前記正対、前記ランドマーク点、及び前記基準シンボルに基づいて、複数の項目の各計測値を算出し、前記複数の項目の前記各計測値を少なくとも含む情報を、前記アイテムの計測データとして生成する計測手段
を備える。 In order to achieve the above object, an information processing device according to one aspect of the present invention comprises:
The device is equipped with a measurement means that identifies a facing position based on measurement data of the item, detects one or more landmark points, calculates a reference symbol based on predetermined rules for eliminating the design of the item, calculates each measurement value of a plurality of items based on the facing position, the landmark points, and the reference symbol, and generates information including at least each of the measurement values of the plurality of items as measurement data of the item.

本発明によれば、形状が規格化されていないアイテムであっても平等かつ容易にマッチングを行うことができる。 The present invention makes it possible to perform matching fairly and easily even for items whose shapes are not standardized.

本発明が適用される情報処理装置を含む情報処理システムの構成例を示すブロック図である。1 is a block diagram showing an example of the configuration of an information processing system including an information processing device to which the present invention is applied. 図１に示す情報処理システムが適用される本サービスにおけるマッチングの前提となる、機械学習等の処理について模式的に示した概念図である。 本発明の情報処理装置の一実施形態であるマッチング装置を含む、情報処理システムの構成図である。Fig. 2 is a conceptual diagram showing a schematic diagram of processing such as machine learning, which is a premise of matching in the present service to which the information processing system shown in Fig. 1 is applied. Fig. 3 is a configuration diagram of an information processing system including a matching device which is an embodiment of the information processing device of the present invention. 図１に示す情報処理システムが適用される本サービスにおけるマッチング等の処理について模式的に示した概念図である。FIG. 2 is a conceptual diagram showing a schematic diagram of processing such as matching in the present service to which the information processing system shown in FIG. 1 is applied. 本サービス（マッチング）を実現可能な図１の情報処理システムのうち、マッチング装置５のハードウェア構成の一例を示すブロック図である。FIG. 2 is a block diagram showing an example of a hardware configuration of a matching device 5 in the information processing system of FIG. 1 capable of realizing this service (matching). のようなハードウェア構成のマッチング装置５等を含む図１の情報処理システム１が実行する処理のうち、図２に示す機械学習等の処理を実現可能な機能的構成の一例を示す機能ブロック図である。2. This is a functional block diagram showing an example of a functional configuration capable of realizing the machine learning processing shown in FIG. 2 among the processing executed by the information processing system 1 of FIG. 1 including the matching device 5 having the above hardware configuration. 標準化足計測手法を説明するための足の外観構成の概略を示す図である。FIG. 1 is a diagram showing a schematic external configuration of a foot to explain a standardized foot measurement method. 標準化靴計測手法を説明するための靴及びシューアンカーの外観構成の概略を示す図である。FIG. 1 is a diagram showing an outline of the external configuration of a shoe and a shoe anchor to explain the standardized shoe measurement method. 図１の情報処理システム１が実行する処理のうち、図３に示すマッチング等の処理を実現可能な機能的構成の一例を示す機能ブロック図である。4 is a functional block diagram showing an example of a functional configuration capable of implementing the matching process shown in FIG. 3 among the processes executed by the information processing system 1 in FIG. 1 . 機械学習の結果に基づいて決定されるマッチング手法の一例を説明する図である。FIG. 11 is a diagram illustrating an example of a matching method determined based on the results of machine learning. 図１の情報処理システムが実施可能な処理であって、図３の例とは異なる処理の概要を示す図である。4 is a diagram showing an overview of a process that can be performed by the information processing system of FIG. 1 and that is different from the example of FIG. 3. 図１の情報処理システムが実施可能な処理であって、図２の例とは異なる機械学習を行う処理の概要を示す図である。3 is a diagram showing an overview of a process that can be performed by the information processing system of FIG. 1 and that performs machine learning different from the example of FIG. 2 . アイテムを衣服とした場合における、標準化計測がなされる場合のユーザＵ（テスターＴ含む）の計測データの一例を示している。13 shows an example of measurement data of a user U (including a tester T) when standardized measurements are performed with the item being clothing. アイテムを衣服（ジャケット）とした場合における、標準化計測がなされる場合のアイテムの計測データの一例を示している。1 shows an example of measurement data of an item when standardized measurements are performed, assuming that the item is clothing (jacket). ＥＣサイトの画面のモックの一例である。This is an example of a mockup of an EC site screen. ＥＣサイトの画面のモックの一例である。This is an example of a mockup of an EC site screen. ＥＣサイトの画面のモックの一例である。This is an example of a mockup of an EC site screen.

以下、本発明の実施形態について、図面を用いて説明する。 The following describes an embodiment of the present invention with reference to the drawings.

図１は、本発明が適用される情報処理装置を含む情報処理システムの構成例を示すブロック図である。
図１に示す情報処理システムは、靴計測装置１と、テスター足計測装置２と、学習装置３と、ユーザ足計測装置４と、マッチング装置５と、ユーザ端末６と、靴計測ＤＢ１１と、足計測ＤＢ１２と、評価ＤＢ１３とを含むように構成される。
靴計測装置１乃至ユーザ端末６及び靴計測ＤＢ１１乃至評価ＤＢ１３の夫々は、インターネット等の所定のネットワークＮを介して相互に接続されている。 FIG. 1 is a block diagram showing an example of the configuration of an information processing system including an information processing device to which the present invention is applied.
The information processing system shown in Figure 1 is configured to include a shoe measurement device 1, a tester foot measurement device 2, a learning device 3, a user foot measurement device 4, a matching device 5, a user terminal 6, a shoe measurement DB 11, a foot measurement DB 12, and an evaluation DB 13.
The shoe measurement device 1 to the user terminal 6 and the shoe measurement DB 11 to the evaluation DB 13 are connected to each other via a predetermined network N such as the Internet.

以下、このような図１の情報処理システムを用いて実現されるサービス（以下、「本サービス」と呼ぶ）の概要について説明する。
本サービスは、形状が規格化されていないアイテム（例えば靴）であっても、平等かつ容易に採寸して、購入等を希望するユーザとのマッチング（お奨めの靴の推薦等）を行うことができるサービスである。本サービスによれば、後述するように、ユーザの身体の形状と、アイテムの形状との夫々に見られる傾向を抽象的に捉えるので、必ずしも同じ位置の比較を行うことなく、平等かつ容易にマッチングを行うことができる。さらに、計測時の誤差を統計的に捉えるので、誤差が生じやすい安価なセンサによる計測値であっても実用的なマッチングを行うことができる。
なお、本サービスが適用されるアイテムは、ユーザの体の少なくとも一部に装着されるものであれば特に限定されないが、以下の例では靴であるものとする。 The following provides an overview of a service (hereinafter, referred to as "this service") that is realized using the information processing system of FIG.
This service allows for easy and fair measurement of items (e.g., shoes) that do not have a standardized shape, and allows matching with users who wish to purchase them (recommendation of recommended shoes, etc.). As described below, this service allows for easy and fair matching, since it abstractly captures the tendencies seen in the shape of the user's body and the shape of the item, without necessarily comparing the same positions. Furthermore, since it statistically captures errors during measurement, it allows for practical matching, even with measurements taken using inexpensive sensors that are prone to errors.
The items to which this service applies are not particularly limited as long as they are worn on at least a part of the user's body, but in the following example, they are shoes.

図２は、図１に示す情報処理システムが適用される本サービスにおけるマッチングの前提となる、機械学習等の処理について模式的に示した概念図である。 Figure 2 is a conceptual diagram that shows the machine learning and other processes that are the basis for matching in this service to which the information processing system shown in Figure 1 is applied.

ここで、マッチング対象のモデル化にあたり、実際の靴を用いて計測してもよいが、本実施形態ではｍ個（ｍは１以上の整数値）のシューアンカーＳｈ１乃至Ｓｈｍが用いられる。シューアンカーＳｈ１乃至Ｓｈｍの夫々を個々に区別する必要がない場合、これらをまとめて以下、「シューアンカーＳｈ」と呼ぶ。
ステップＳaにおいて、靴計測装置１は、シューアンカーＳｈ１乃至Ｓｈｍの夫々をスキャンすることで、３ＤスキャンデータＤｓ１乃至Ｄｓｍの夫々を生成する。
ステップＳｂにおいて、靴計測装置１は、３ＤスキャンデータＤｓ１乃至Ｄｓｍの夫々に対して、本発明者等により考案されて本実施形態で標準のものとして採用する靴についての計測手法（詳細については後述するが、以下、「標準化靴計測手法」と呼ぶ）に従った計測を行い、その計測の結果得られるデータ（以下、「靴計測データ」と呼ぶ）Ｋｓ１乃至Ｋｓｍの夫々を靴計測ＤＢ１１に記憶させる。
なお以下、靴計測データＫｓ１乃至ｋｓｍの夫々を個々に区別する必要がない場合、これらをまとめて以下、「靴計測データＫｓ」と呼ぶ。 Here, when modeling the matching target, measurements may be taken using actual shoes, but in this embodiment, m shoe anchors Sh1 to Shm (m is an integer value of 1 or more) are used. When it is not necessary to distinguish between the shoe anchors Sh1 to Shm individually, they will hereinafter be collectively referred to as "shoe anchor Sh."
In step Sa, the shoe measurement device 1 scans each of the shoe anchors Sh1 to Shm to generate each of the 3D scan data Ds1 to Dsm.
In step Sb, the shoe measurement device 1 performs measurements on each of the 3D scan data Ds1 to Dsm in accordance with a shoe measurement method (details of which will be described later, but hereinafter referred to as the "standardized shoe measurement method") devised by the inventors and adopted as the standard in this embodiment, and stores each of the data obtained as a result of the measurements (hereinafter referred to as "shoe measurement data") Ks1 to Ksm in the shoe measurement DB 11.
In the following description, when there is no need to distinguish between the shoe measurement data Ks1 to ksm, they will be collectively referred to as "shoe measurement data Ks."

一方、ｎ人（ｎは１以上の整数値）の自然人Ｔ１乃至Ｔｎの夫々に、ｍ個の靴を実際に履いてもらって評価をしてもらう。なお、以下、このような自然人Ｔ１乃至Ｔｎの夫々を、以下、「テスターＴ１乃至Ｔｎ」と呼ぶ。テスターＴ１乃至Ｔｎの夫々を個々に区別する必要がない場合、これらをまとめて以下、「テスターＴ」と呼ぶ。
ステップＳｃにおいて、テスター足計測装置２は、テスターＴ１乃至Ｔｎの夫々の両足をスキャンすることで、３ＤスキャンデータＤｔ１乃至Ｄｔｎの夫々を生成する。
ステップＳｄにおいて、テスター足計測装置２は、３ＤスキャンデータＤｔ１乃至Ｄｔｎの夫々に対して、本発明者等により考案されて本実施形態で標準のものとして採用される足についての計測手法（詳細については後述するが、以下、「標準化足計測手法」と呼ぶ）に従った計測を行い、その計測の結果得られるデータ（以下、「足計測データ」と呼ぶ）Ｋｔ１乃至Ｋｔｍの夫々を足計測ＤＢ１２に記憶させる。
なお以下、足計測データＫｔ１乃至ｋｔｎの夫々を個々に区別する必要がない場合、これらをまとめて以下、「足計測データＫｔ」と呼ぶ。
また、テスターＴ１乃至Ｔｎ毎に、ｍ個の靴の夫々を実際に履いたときの履き心地に関する評価のデータ（以下、単に「評価データ」と呼ぶ）Ｈｔ１乃至Ｈｔｎが取得されて、評価ＤＢ１３に格納される。
なお以下、評価データＨｔ１乃至Ｈｔｎの夫々を個々に区別する必要がない場合、これらをまとめて以下、「評価データＨｔ」と呼ぶ。 Meanwhile, n natural persons T1 to Tn (n is an integer value of 1 or more) are each asked to actually wear m shoes and evaluate them. Hereinafter, each of these natural persons T1 to Tn will be referred to as "tester T1 to Tn." When it is not necessary to distinguish between the testers T1 to Tn individually, they will be collectively referred to as "tester T."
In step Sc, the tester foot measuring device 2 scans both feet of each of the testers T1 to Tn to generate 3D scan data Dt1 to Dtn, respectively.
In step Sd, the tester foot measurement device 2 performs measurements on each of the 3D scan data Dt1 to Dtn in accordance with a foot measurement method (details of which will be described later, but hereinafter referred to as the "standardized foot measurement method") devised by the present inventors and adopted as the standard in this embodiment, and stores each of the data obtained as a result of the measurements (hereinafter referred to as "foot measurement data") Kt1 to Ktm in the foot measurement DB 12.
In the following, when there is no need to distinguish between the foot measurement data Kt1 to ktn, they will be collectively referred to as "foot measurement data Kt".
In addition, for each tester T1 to Tn, evaluation data Ht1 to Htn on the comfort of each of the m shoes when actually worn is obtained (hereinafter simply referred to as “evaluation data”) and stored in the evaluation DB 13.
In the following, when there is no need to distinguish between the evaluation data Ht1 to Htn, they will be collectively referred to as "evaluation data Ht."

学習装置３は、ｍ個の靴（シューアンカーＳｈ１乃至Ｓｈｍ）の靴計測データＫｓ１乃至Ｋｓｍとの夫々と、ｎ人のテスターＴ１乃至Ｔｎの足計測データＫｔ１乃至Ｋｔｎの夫々との各組合せと、ｎ人のテスターＴ１乃至Ｔｎの夫々のｍ個の靴毎の評価データＨｔ１乃至Ｈｔｎの夫々とを用いて機械学習を行う。
これにより、学習結果として例えば、所定の足と所定の靴との各種各様な組合せ毎に、履き心地の傾向が得られる。ここで注目すべき点は、靴計測データＫｓと足計測データＫｔとは、必ずしも同一位置で計測したデータを含む必要は特にない点である。つまり、異なった位置で計測したとしても、機械学習を行うことで、所定の足と所定の靴との各種各様な組合せ毎に、履き心地の傾向が得られることになる。
このような学習結果を用いることで、足と靴の夫々の形状等の傾向を抽象的に捉えることが可能となり、必ずしも同じ位置の比較を行う必要なしにマッチング（詳細は後述する）を行うことが可能になる。
また、このような機械学習手法を用いることで、計測時の誤差を統計的に扱うことができるようになるため、誤差の大きい安価なセンサを用いたスキャンでも実用的なマッチングが可能になる。 The learning device 3 performs machine learning using each combination of shoe measurement data Ks1 to Ksm of m shoes (shoe anchors Sh1 to Shm) and foot measurement data Kt1 to Ktn of n testers T1 to Tn, and evaluation data Ht1 to Htn for each of the m shoes of the n testers T1 to Tn.
As a result of this, for example, a trend in comfort can be obtained for each of various combinations of a specific foot and a specific shoe as a learning result. It should be noted here that the shoe measurement data Ks and the foot measurement data Kt do not necessarily need to include data measured at the same position. In other words, even if measurements are taken at different positions, machine learning can provide a trend in comfort for each of various combinations of a specific foot and a specific shoe.
By using such learning results, it becomes possible to abstractly grasp the tendencies of the respective shapes of the feet and shoes, making it possible to perform matching (details will be described later) without necessarily having to compare the same positions.
In addition, the use of such machine learning techniques makes it possible to handle measurement errors statistically, enabling practical matching even when scanning with inexpensive sensors that have large errors.

図３は、図１に示す情報処理システムが適用される本サービスにおけるマッチング等の処理について模式的に示した概念図である。 Figure 3 is a conceptual diagram that shows a schematic diagram of the matching and other processing in this service to which the information processing system shown in Figure 1 is applied.

ステップＳｆにおいて、ユーザ足計測装置４は、ユーザＵの両足をスキャンすることで、３ＤスキャンデータＤｕを生成する。
ステップＳｇにおいて、ユーザ足計測装置４は、３ＤスキャンデータＤｕに対して、標準化足計測手法に従った計測を行い、その計測の結果得られる足計測データＫｕを足計測ＤＢ１２に記憶させる。 In step Sf, the user's foot measurement device 4 scans both feet of the user U to generate 3D scan data Du.
In step Sg, the user's foot measurement device 4 performs measurements on the 3D scan data Du in accordance with the standardized foot measurement method, and stores the foot measurement data Ku obtained as a result of the measurements in the foot measurement DB 12 .

ステップＳｉにおいて、マッチング装置５は、ステップＳｇで得られたユーザＵの足計測データＫｕと、図２を用いて上述したｍ個の靴（シューアンカーＳｈ１乃至Ｓｈｍ）の夫々の靴計測データＫｓ１乃至Ｋｓｍの夫々とを用いて、当該ユーザＵにとってどの靴が履き心地がよいのか（という推定をするための）マッチングを行う。
ここで、単なる計測データの比較のみならず、マッチング装置５は、ステップＳｈにおいて、ユーザＵの嗜好を取得して、ステップＳｉにおいて、その嗜好も考慮したマッチングを行ってもよい。これにより、例えば、きつい靴がユーザＵの嗜好である場合、一般的にはＡサイズの靴が履き心地がよいと判断されたとしても、そのＡサイズよりも小さいＢサイズがユーザＵに適していると判断される、といった各ユーザＵに夫々適したマッチングが可能になる。
ステップＳｊにおいて、マッチング装置５は、ステップＳｉのマッチングの結果に基づいて、ユーザＵにとって適した（履き心地がよいとユーザＵが感じるであろう）靴を、当該ユーザＵ（ユーザ端末６）に対して推薦する。 In step Si, the matching device 5 performs matching (to estimate) which shoes will be comfortable for the user U, using the foot measurement data Ku of the user U obtained in step Sg and each of the shoe measurement data Ks1 to Ksm of the m shoes (shoe anchors Sh1 to Shm) described above using Figure 2.
Here, in addition to simply comparing the measurement data, the matching device 5 may acquire the preferences of the user U in step Sh and perform matching taking the preferences into consideration in step Si. This enables matching suited to each user U, such as when the user U prefers tight shoes, even if size A shoes are generally determined to be comfortable, size B smaller than size A may be determined to be suitable for the user U.
In step Sj, the matching device 5 recommends shoes suitable for the user U (shoes that the user U will find comfortable to wear) to the user U (user terminal 6) based on the matching results of step Si.

必要に応じて、ユーザＵが推薦された靴（シューアンカーＳｈ：ｈは１乃至ｍのうち任意の整数値）を実際に履いた際の履き心地の評価がなされる。この場合、そのユーザＵの評価データＨｕは、評価ＤＢ１３に格納される。
そして、ユーザＵの評価データＨｕ、ユーザＵの足計測データＫｕ、及び推薦された靴（シューアンカーＳｈ）の靴計測データＫｓｋが学習装置３に提供されると、学習装置３は、ステップＳｋにおいて、機械学習（再学習）を行う。このように実際の推薦結果とその評価がフィードバックされて、再学習が行われることで、より精度の高いマッチングが可能になっていく。 If necessary, the user U evaluates the comfort of the recommended shoes (shoe anchors Sh: h is an integer value between 1 and m) when actually wearing them. In this case, the evaluation data Hu of the user U is stored in the evaluation DB 13.
Then, when the evaluation data Hu of the user U, the foot measurement data Ku of the user U, and the shoe measurement data Ksk of the recommended shoe (shoe anchor Sh) are provided to the learning device 3, the learning device 3 performs machine learning (relearning) in step Sk. In this way, the actual recommendation results and their evaluations are fed back and relearning is performed, thereby enabling more accurate matching.

図４は、このような本サービス（マッチング）を実現可能な図１の情報処理システムのうち、マッチング装置５のハードウェア構成の一例を示すブロック図である。 Figure 4 is a block diagram showing an example of the hardware configuration of the matching device 5 in the information processing system of Figure 1 that can realize this service (matching).

マッチング装置５は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）２１と、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）２２と、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）２３と、バス２４と、入出力インターフェース２５と、出力部２６と、入力部２７と、記憶部２８と、通信部２９と、ドライブ３０とを備えている。 The matching device 5 includes a CPU (Central Processing Unit) 21, a ROM (Read Only Memory) 22, a RAM (Random Access Memory) 23, a bus 24, an input/output interface 25, an output unit 26, an input unit 27, a memory unit 28, a communication unit 29, and a drive 30.

ＣＰＵ２１は、ＲＯＭ２２に記録されているプログラム、又は、記憶部２８からＲＡＭ２３にロードされたプログラムに従って各種の処理を実行する。
ＲＡＭ２３には、ＣＰＵ２１が各種の処理を実行する上において必要なデータ等も適宜記憶される。 The CPU 21 executes various processes according to a program recorded in the ROM 22 or a program loaded from the storage unit 28 to the RAM 23 .
The RAM 23 also stores data and the like necessary for the CPU 21 to execute various processes.

ＣＰＵ２１、ＲＯＭ２２及びＲＡＭ２３は、バス２４を介して相互に接続されている。このバス２４にはまた、入出力インターフェース２５も接続されている。入出力インターフェース２５には、出力部２６、入力部２７、記憶部２８、通信部２９及びドライブ３０が接続されている。 The CPU 21, ROM 22, and RAM 23 are interconnected via a bus 24. An input/output interface 25 is also connected to this bus 24. An output unit 26, an input unit 27, a memory unit 28, a communication unit 29, and a drive 30 are connected to the input/output interface 25.

出力部２６は、ディスプレイやスピーカ等で構成され、各種情報を画像や音声として出力する。
入力部２７は、キーボードやマウス等で構成され、各種情報を入力する。 The output unit 26 is composed of a display, a speaker, etc., and outputs various information as images and sounds.
The input unit 27 is composed of a keyboard, a mouse, etc., and is used to input various information.

記憶部２８は、ハードディスクやＤＲＡＭ（Ｄｙｎａｍｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等で構成され、各種データを記憶する。
通信部２９は、インターネットを含むネットワークＮを介して他の装置との間で通信を行う。 The storage unit 28 is composed of a hard disk, a DRAM (Dynamic Random Access Memory), etc., and stores various data.
The communication unit 29 communicates with other devices via a network N including the Internet.

ドライブ３０には、磁気ディスク、光ディスク、光磁気ディスク、或いは半導体メモリ等よりなる、リムーバブルメディア３１が適宜装着される。ドライブ３０によってリムーバブルメディア３１から読み出されたプログラムは、必要に応じて記憶部２８にインストールされる。
また、リムーバブルメディア３１は、記憶部２８に記憶されている各種データも、記憶部２８と同様に記憶することができる。 Removable media 31, such as a magnetic disk, an optical disk, a magneto-optical disk, or a semiconductor memory, is appropriately loaded into the drive 30. A program read from the removable media 31 by the drive 30 is installed in the storage unit 28 as necessary.
Further, the removable medium 31 can store various data stored in the storage unit 28 in the same manner as the storage unit 28 .

なお、靴計測装置１と、テスター足計測装置２と、学習装置３と、ユーザ足計測装置４と、ユーザ端末６との夫々は、図４と同様のハードウェア構成を採ることができる。従って、これらのハードウェア構成の説明については省略する。 The shoe measurement device 1, the tester foot measurement device 2, the learning device 3, the user foot measurement device 4, and the user terminal 6 can each have the same hardware configuration as that shown in FIG. 4. Therefore, a description of these hardware configurations will be omitted.

図５は、このようなハードウェア構成のマッチング装置５等を含む図１の情報処理システム１が実行する処理のうち、図２に示す機械学習等の処理を実現可能な機能的構成の一例を示す機能ブロック図である。 Figure 5 is a functional block diagram showing an example of a functional configuration capable of implementing the machine learning process shown in Figure 2 and other processes executed by the information processing system 1 of Figure 1, which includes a matching device 5 having such a hardware configuration.

図５に示すように、靴計測装置１においては、スキャン部１１１と、標準化靴計測部１１２とが機能する。
テスター足計測装置２においては、スキャン部１２１と、標準化足計測部１２２と、評価取得部１２３とが機能する。 As shown in FIG. 5, in the shoe measurement device 1, a scanning unit 111 and a standardized shoe measurement unit 112 function.
In the tester foot measurement device 2, a scanning unit 121, a standardized foot measurement unit 122, and an evaluation acquisition unit 123 function.

靴計測装置１のスキャン部１１１は、シューアンカーＳｈをスキャンすることで、３ＤスキャンデータＤｓを生成する。
標準化靴計測部１１２は、３ＤスキャンデータＤｓに対して、標準化靴計測手法に従った計測を行い、その計測の結果得られる靴計測データＫｓを靴計測ＤＢ１１に記憶させる。
ここで、靴（或いはシューアンカーＳｈ）の靴計測データＫｓは、当該靴に関する様々な情報を紐付けて靴計測ＤＢ１１に格納させることができる。具体的には例えば、３ＤスキャンデータＤｓを靴計測データＫｓに紐付けることができる。また例えば、靴の部位毎の素材の種類に関する情報や、引っ張り強さ（比強度）等素材が持つ性質に関する情報を靴計測データＫｓに紐付けることができる。 The scanning unit 111 of the shoe measurement device 1 generates 3D scan data Ds by scanning the shoe anchor Sh.
The standardized shoe measurement unit 112 performs measurements on the 3D scan data Ds according to the standardized shoe measurement method, and stores the shoe measurement data Ks obtained as a result of the measurements in the shoe measurement DB 11.
Here, the shoe measurement data Ks of the shoe (or shoe anchor Sh) can be linked to various information related to the shoe and stored in the shoe measurement DB 11. Specifically, for example, the 3D scan data Ds can be linked to the shoe measurement data Ks. Also, for example, information on the type of material for each part of the shoe and information on the properties of the material such as tensile strength (specific strength) can be linked to the shoe measurement data Ks.

一方、テスター足計測装置２のスキャン部１２１は、テスターＴの両足をスキャンすることで、３ＤスキャンデータＤｔを生成する。
標準化足計測部１２２は、３ＤスキャンデータＤｔに対して、標準化足計測手法に従った計測を行い、その計測の結果得られる足計測データＫｔを足計測ＤＢ１２に記憶させる。
ここで、テスターＴの足計測データＫｔには、当該テスターＴに関する様々な情報を紐付けることができる。具体的には例えば、３ＤスキャンデータＤｔを足計測データＫｔに紐付けることもできる。また例えば、性別、年齢、体重、１日あたりの平均歩数、靴の購買履歴や返品履歴等の情報や、よく着用する靴、興味を持たない靴、好きなブランド、嫌いなブランド等の各種各様な情報を足計測データＫｔに紐付けることができる。さらに例えば、テスターＴの住所や職業等の情報を足計測データＫｔに紐付けてもよい。なお、足計測データＫｔや上述の靴計測データＫｓが多数得られた場合、これらのデータはビッグデータとして各種分析等各種各様な用途で活用することができる。
また、評価取得部１２３は、テスターＴが各靴の夫々を実際に履いたときの履き心地に関する評価を示す評価データＨｔを取得して、評価ＤＢ１３に記憶させる。 Meanwhile, the scanning unit 121 of the tester foot measuring device 2 scans both feet of the tester T to generate 3D scan data Dt.
The standardized foot measurement unit 122 performs measurements on the 3D scan data Dt in accordance with the standardized foot measurement method, and stores the foot measurement data Kt obtained as a result of the measurements in the foot measurement DB 12.
Here, various information related to the tester T can be linked to the foot measurement data Kt of the tester T. Specifically, for example, the 3D scan data Dt can be linked to the foot measurement data Kt. In addition, for example, information such as gender, age, weight, average number of steps per day, shoe purchase history and return history, shoes often worn, shoes not interested, favorite brands, disliked brands, and various other information can be linked to the foot measurement data Kt. Furthermore, for example, information such as the address and occupation of the tester T may be linked to the foot measurement data Kt. Note that when a large amount of foot measurement data Kt and the above-mentioned shoe measurement data Ks are obtained, these data can be used as big data for various purposes such as various analyses.
The evaluation acquisition unit 123 also acquires evaluation data Ht indicating evaluations of the comfort of each shoe when the tester T actually wears each shoe, and stores the evaluation data Ht in the evaluation DB 13 .

ここで、図６を参照して標準化足計測手法について説明し、引き続き、図７を参照して標準化靴計測手法について説明する。
図６は、標準化足計測手法を説明するための足の外観構成の概略を示す図である。
図７は、標準化靴計測手法を説明するための靴及びシューアンカーの外観構成の概略を示す図である。 The standardized foot measurement technique will now be described with reference to FIG. 6, followed by the standardized shoe measurement technique with reference to FIG.
FIG. 6 is a diagram showing a schematic external configuration of a foot for explaining the standardized foot measurement method.
FIG. 7 is a diagram showing the outline of the external configuration of a shoe and a shoe anchor for explaining the standardized shoe measurement method.

テスター足計測装置２の標準化足計測部１２２は、標準化足計測手法に従った計測を、例えば次のようにして実行する。 The standardized foot measurement unit 122 of the tester foot measurement device 2 performs measurements according to the standardized foot measurement method, for example, as follows.

標準化足計測部１２２は、「正対」を特定する。
即ち、標準化足計測部１２２は、テスターＴの足の３ＤスキャンデータＤｔの点群に対し、ＰＣＡ（主成分分析）を用いることで、データの分布の広がりが大きい方向を求め、正対方向を一意に定める。これにより、テスターＴは計測時に足の向きを厳密に揃える必要がなくなる。
換言すると、様々な形状を取り得る足から一定のルールで長さや角度を抽出し比較するためには、まずはじめに基準となる軸方向を決定する必要がある。そこで、標準化足計測部１２２は、３ＤスキャンデータＤｔにおいて足のフットプリントの形状が最も広く分布する軸を進行方向軸と定義し、重力方向をそのまま上下軸に取り、進行方向軸および上下軸に直行する軸を左右軸として定義することで、「正対」を特定する。 The standardized foot measurement unit 122 identifies the “frontal position.”
That is, the standardized foot measurement unit 122 uses PCA (principal component analysis) on the point cloud of the 3D scan data Dt of the tester T's foot to find the direction in which the data distribution is wide and uniquely determines the facing direction. This eliminates the need for the tester T to strictly align the orientation of his or her foot during measurement.
In other words, in order to extract and compare lengths and angles according to a set rule from feet that can have various shapes, it is first necessary to determine a reference axis direction. Therefore, the standardized foot measurement unit 122 specifies "front facing" by defining the axis along which the foot footprint shapes are most widely distributed in the 3D scan data Dt as the forward direction axis, taking the direction of gravity as the up-down axis, and defining the axis perpendicular to the forward direction axis and the up-down axis as the left-right axis.

標準化足計測部１２２は、「ランドマーク点Ｌ」を検出する。
即ち、標準化足計測部１２２は、足の形状の特徴を利用し、つま先やかかと頂点等のランドマーク点Ｌを検出する。形状の特徴だけでの抽出が難しいポイント（ボールジョイント（つま先の軸）、親指の付け根、親指と小指の端点）は、計測時に色付きのマーカーをテスターＴの足に貼っておき、標準化足計測部１２２は、それを元にして決定する。 The standardized foot measurement unit 122 detects the "landmark point L."
That is, the standardized foot measurement unit 122 uses the shape characteristics of the foot to detect landmark points L such as the apex of the toe and heel. Points that are difficult to extract from shape characteristics alone (ball joints (axis of the toe), base of the big toe, and ends of the big toe and little toe) are determined by attaching colored markers to the feet of the tester T during measurement, and the standardized foot measurement unit 122 determines them based on these.

標準化足計測部１２２は、「計測値」を求める。
即ち、標準化足計測部１２２は、このようにして得られたランドマーク点Ｌに基づいて、幾何計算を行い、その計算により得られた値を、標準化された計測値として扱う。 The standardized foot measurement unit 122 determines the "measurement value."
That is, the standardized foot measurement unit 122 performs geometric calculations based on the landmark points L obtained in this manner, and treats the values obtained by this calculation as standardized measurement values.

計測値は、次のものが用いられる。
「足囲Ａ」：ボールジョイントＪ（Ｌ）で足をスライスした時の足の周長。
「足幅Ｂ」：ボールジョイントＪ（Ｌ）間の直線距離。
「足長Ｃ」：つま先（最も前方の点）とかかと頂点（最も後方の点）の床平面上での長さ。
「踵形状Ｄ」、「つま先高さＥ」、「つま先形状Ｆ」、及び「歪みＧ」。
その他、必要に応じて、次のような計測値が用いられてもよい。
「踵長」：足長Ｃに対する一定の割合での長さ。
「踵幅」：最後方点から、かかと長だけ前方に伸ばした面での足幅。
「踵深さ」：かかと頂点位置から指定長だけ垂直上方に伸ばした点から足までの距離（深さ）。
「つま先幅」：親指付け根の端点と小指付け根の端点間の距離。
「親指付け根、親指、小指の高さ」：それぞれのランドマーク点Ｌから床面までの高さ。 The following measurements are used:
"Foot circumference A": The circumference of the foot when it is sliced at the ball joint J (L).
"Foot width B": The straight-line distance between ball joints J (L).
"Foot length C": The length on the floor plane between the toe (the most forward point) and the top of the heel (the most rearward point).
"Heel shape D", "Toe height E", "Toe shape F", and "Distortion G".
In addition, the following measurements may be used as necessary:
"Heel length": A constant ratio of the length of the foot C.
"Heel width": The width of the foot when extended forward the length of the heel from the rearmost point.
"Heel depth": The distance (depth) from the point extending vertically upward from the heel vertex a specified length to the foot.
"Toe width": The distance between the base of the thumb and the base of the little finger.
"Height of the base of the thumb, thumb, and little finger": The height from each landmark point L to the floor surface.

これに対して、靴計測装置１の標準化靴計測部１１２は、標準化靴計測手法に従った計測を、例えば次のようにして実行する。
即ち、靴の内寸の計測手法は様々な手法（ＣＴによる撮影、石膏などを利用した型取り、製造時の型（木型）の計測等）が従来存在する。しかしながら、本実施形態のように機械学習を用いるとその個体を特徴づける相対的な違いだけがわかればいいので、以下の「計測値」が手に入れば足りる。換言すると、以下の「計測値」を求める任意の手法（各種各様名手法）が、標準化靴計測手法である。 In response to this, the standardized shoe measurement unit 112 of the shoe measurement device 1 executes measurement according to the standardized shoe measurement method, for example, as follows.
That is, there are various conventional methods for measuring the inside dimensions of shoes (CT imaging, making a mold using plaster, measuring a mold (wooden last) at the time of manufacture, etc.). However, when using machine learning as in this embodiment, it is sufficient to know only the relative differences that characterize the individual, so it is sufficient to obtain the following "measurement values". In other words, any method (various methods) for obtaining the following "measurement values" is a standardized shoe measurement method.

標準化靴計測部１１２は、「計測値」を求めるにあたり、図６を参照して上述した標準化足計測手法と同様に、「正対」を特定し、「ランドマーク点Ｌ」を検出する。 When determining the "measurement value," the standardized shoe measurement unit 112 identifies the "frontal facing" and detects the "landmark point L" in the same manner as in the standardized foot measurement method described above with reference to Figure 6.

標準化靴計測部１１２は、また、次の基準シンボル（線、面）を求める。
基準シンボルは、次のものが、靴のデザイン性を排除するため次のルールで、夫々求められる。
「つま先位置」
（ルール）デザインのために足が入らない空洞部分があるのでその部分の影響を除くために、足囲Ａが一定（例えば１００mm等）になる位置をつま先位置とする。
「ボールジョイント（つま先とかかとをつなぐ骨の連結部分）位置」
（ルール）横方向に最も離れた点が足のボールジョイントに対応するとする。 The standardized shoe measurement unit 112 also determines the next reference symbol (line, surface).
The following standard symbols are required according to the following rules to eliminate shoe design.
"Toe position"
(Rule) Due to the design, there is a hollow portion into which the foot does not enter, so in order to eliminate the effect of this portion, the position where the foot circumference A becomes constant (for example, 100 mm) is set as the toe position.
"Ball joint position (the joint between the toes and heels)"
(Rule) The point furthest away laterally corresponds to the ball joint of the foot.

標準化靴計測部１１２は、このような「正対」、「ランドマーク点Ｌ」、及び「基準シンボル」に基づいて、「足囲Ａ」、「足幅Ｂ」、「足長Ｃ」、「踵形状Ｄ」、「つま先高さＥ」、「つま先形状Ｆ」、及び「歪みＧ」等を、「計測値」として求める。 Based on such "facing", "landmark point L", and "reference symbol", the standardized shoe measurement unit 112 determines "foot circumference A", "foot width B", "foot length C", "heel shape D", "toe height E", "toe shape F", "distortion G", etc. as "measurement values".

標準化靴計測手法によれば、標準化足計測手法と同様の理由により、靴の場合も基準となる軸方向（正対）を決定する必要がある。また、内部に骨がある足と異なり、ボールジョイントの位置が不定のため、その位置も安定して取得できる必要がある。
そこで、図７に示すように、足の爪先にぴったり合う形のシューアンカーＳｈが作成され、当該シューアンカーＳｈが靴に詰められた状態で一緒に３次元計測（スキャン）が行われる。これにより、シューアンカーＳｈを基にした基準軸（正対）や基準シンボルが求められ、これらに基づいて、各計測値が適切に求められる。
このように、標準化靴計測部１１２は、シューアンカーＳｈを基準にすることで、つま先などのデザイン要素を排除したモデル（靴計測データＫｓ）を構築することができる。 According to the standardized shoe measurement method, for the same reason as the standardized foot measurement method, it is necessary to determine the reference axis direction (front facing) for shoes as well. Also, unlike the foot, which has bones inside, the position of the ball joint is not fixed, so its position must be stably acquired.
Therefore, as shown in Fig. 7, a shoe anchor Sh is created that fits the toe of the foot perfectly, and the shoe anchor Sh is inserted into the shoe and then 3D measurement (scanning) is performed. This allows a reference axis (facing direction) and a reference symbol based on the shoe anchor Sh to be found, and each measurement value can be appropriately calculated based on these.
In this way, the standardized shoe measurement unit 112 can construct a model (shoe measurement data Ks) that excludes design elements such as the toe by using the shoe anchor Sh as a reference.

シューアンカーＳｈは、上述の基準軸（正対）や基準シンボルを求めることができれば任意のものを採用することができるが、図７に示すような形状であると好適である。即ち、図７に示すように、シューアンカーＳｈは、ボールジョイント部分までで作成することで、ヒールの高さ毎に用意する必要がなくなるからである。なお、シューアンカーＳｈのつま先形状は、図７の例では平均的な形を採用しているが、統計的なモデルを用いてバリエーションをつくるとさらに好適である。 Any shoe anchor Sh can be used as long as the reference axis (facing direction) and reference symbol mentioned above can be determined, but a shape like that shown in Figure 7 is preferable. That is, as shown in Figure 7, by creating the shoe anchor Sh only up to the ball joint portion, it becomes unnecessary to prepare different shapes for each heel height. Note that while an average shape is used for the toe shape of the shoe anchor Sh in the example of Figure 7, it is even more preferable to create variations using a statistical model.

以上のように、標準化靴計測手法と標準化足計測手法は、本発明人等により新たに提唱された複数の「計測値」を求める手法である。これらの複数の「計測値」に基づいて、機械学習が行われ、その学習結果を用いた（新たなユーザＵの）足と靴のマッチングが行われる。
即ち、標準化靴計測手法や標準化足計測手法は、規格化がなされていない靴や足の形状から、マッチングに影響を与える計測長が標準化されて得られる手法である。即ち、どんなタイプの靴や足から抽出しても平等に比較が可能になるような計測手法が、標準化靴計測手法や標準化足計測手法である。
従って、標準化靴計測手法の計測により得られた靴計測データＫｓや、標準化足計測手法の計測により得られた足計測データＫｔを用いて機械学習が行われるので、その学習結果として、各計測値のうちどの値がマッチング（履き心地等）にどのくらい影響を与えるのかという、従来であれば職人が勘で決めていたような関係性（重み付け）が自動的に得られることになる。 As described above, the standardized shoe measurement method and the standardized foot measurement method are methods for obtaining a plurality of "measurement values" newly proposed by the present inventors, etc. Machine learning is performed based on these plurality of "measurement values", and the learning results are used to match the foot (of a new user U) with shoes.
That is, the standardized shoe measurement method and standardized foot measurement method are methods that obtain standardized measurement lengths that affect matching from unstandardized shoe and foot shapes. That is, the standardized shoe measurement method and standardized foot measurement method are measurement methods that enable equal comparison regardless of the type of shoe or foot extracted.
Therefore, machine learning is performed using shoe measurement data Ks obtained by measurement using the standardized shoe measurement method and foot measurement data Kt obtained by measurement using the standardized foot measurement method, and as a result of this learning, relationships (weighting) are automatically obtained that, in the past, were determined by craftsmen based on intuition, such as which of the measurement values affects matching (comfort, etc.).

ここで、標準化靴計測手法により得られた計測値（本段落では「靴」と略記する）と、標準化足計測手法により得られた計測値（本段落では「足」と略記する）との違いについて説明する。
「足囲Ａ」については、「足」は、ボールジョイント部分を地面に垂直に切った輪郭線長や形状であるのに対して、「靴」は、ぴったり入るシューアンカーＳｈの該当箇所の輪郭線長や形状である。
「足幅Ｂ」については、「足」は、ボールジョイント部分を地面に水平に結んだ線長であるの対して、「靴」は、最もでっぱっている部分の水平線長である。
「足長Ｃ」については、「足」は、進行方向軸に対し、つま先最先端とかかと最後端の、進行軸での長さであるのに対して、「靴」は、（シューアンカーＳｈの基準シンボルから当該シューアンカーＳｈにおけるつま先までの長さ）＋（シューアンカーＳｈの基準シンボルからかかと最後端までのインソールに沿った経路長）である。
「踵形状Ｄ」については、「足」は、かかと最後端を基準に、高さ方向にずらしながら地面に水平に切った時の輪郭形状の変化であるのに対して、「靴」は、（踵後端を基準に高さ方向にずらしながら地面に水平に切った時の輪郭形状の変化）＋（履き口部分の形状）である。
「つま先高さＥ」については、「足」は、ボールジョイントの線から一定長前に出た部分における足の高さ（平均や分布）であるのに対して、「靴」は、ボールジョイントの線から一定長前に出た部分における足の平均高さ（底面はインソール上面とする）である。
「つま先形状Ｆ」については、「足」は、ボールジョイント、親指、小指を結ぶ台形の形状（角度、長さなど）であるのに対して、「靴」は、インソール上面から一定長上で爪先部分を輪切りにした時の輪郭形状である。
「歪みＧ」については、「足」は、ボールジョイントから踵先端までの相対角度であるのに対して、「靴」は、ボールジョイントから踵先端までの相対角度である。 Here, we explain the differences between the measurement values obtained using the standardized shoe measurement method (abbreviated in this paragraph as "shoe") and the measurement values obtained using the standardized foot measurement method (abbreviated in this paragraph as "foot").
Regarding "foot circumference A,""foot" refers to the contour length and shape of the ball joint part cut perpendicular to the ground, while "shoe" refers to the contour length and shape of the corresponding part of the shoe anchor Sh that fits snugly.
Regarding "foot width B," the "foot" is the length of the line connecting the ball joint part horizontally to the ground, while the "shoe" is the horizontal length of the most protruding part.
Regarding the "foot length C," the "foot" is the length on the axis of travel from the tip of the toe to the rear end of the heel, while the "shoe" is (the length from the reference symbol of the shoe anchor Sh to the toe of the shoe anchor Sh) + (the path length along the insole from the reference symbol of the shoe anchor Sh to the rear end of the heel).
Regarding "heel shape D," the "foot" is the change in contour shape when the shoe is cut horizontally to the ground while shifting in the height direction with the rear end of the heel as the reference, whereas the "shoe" is (the change in contour shape when the shoe is cut horizontally to the ground while shifting in the height direction with the rear end of the heel as the reference) + (the shape of the opening).
With regard to "toe height E,""foot" refers to the height (average or distribution) of the foot at a certain distance from the ball joint line, while "shoe" refers to the average height of the foot at a certain distance from the ball joint line (the bottom surface is the top surface of the insole).
Regarding "Toe Shape F," the "foot" is a trapezoidal shape (angle, length, etc.) connecting the ball joint, big toe, and little toe, while the "shoe" is the outline shape when the toe portion is sliced at a certain length from the top surface of the insole.
Regarding "distortion G," the "foot" is the relative angle from the ball joint to the tip of the heel, whereas the "shoe" is the relative angle from the ball joint to the tip of the heel.

以上のようにして、標準化靴計測手法により、ｍ個の靴（シューアンカーＳｈ１乃至Ｓｈｍ）の靴計測データＫｓ１乃至Ｋｓｍが得られる。また、標準化足計測手法により、ｎ人のテスターＴ１乃至Ｔｎの足計測データＫｔ１乃至Ｋｔｎが得られる。
すると、図５の学習装置３は、ｍ個の靴（シューアンカーＳｈ１乃至Ｓｈｍ）の靴計測データＫｓ１乃至Ｋｓｍとの夫々と、ｎ人のテスターＴ１乃至Ｔｎの足計測データＫｔ１乃至Ｋｔｎの夫々との各組合せと、ｎ人のテスターＴ１乃至Ｔｎの夫々のｍ個の靴毎の評価データＨｔ１乃至Ｈｔｎの夫々とを用いて機械学習を行う。 In this manner, shoe measurement data Ks1 to Ksm of m shoes (shoe anchors Sh1 to Shm) are obtained by the standardized shoe measurement method. Also, foot measurement data Kt1 to Ktn of n testers T1 to Tn are obtained by the standardized foot measurement method.
Then, the learning device 3 in Figure 5 performs machine learning using each combination of the shoe measurement data Ks1 to Ksm of m shoes (shoe anchors Sh1 to Shm) and the foot measurement data Kt1 to Ktn of n testers T1 to Tn, and the evaluation data Ht1 to Htn for each of the m shoes of the n testers T1 to Tn.

次に、図１の情報処理システムが実行する処理のうち、このような学習装置３による学習結果を用いて行われる、図３に示すマッチング等の処理を実現可能な機能的構成について説明する。
図８は、図１の情報処理システム１が実行する処理のうち、図３に示すマッチング等の処理を実現可能な機能的構成の一例を示す機能ブロック図である。 Next, a functional configuration capable of implementing processes such as matching shown in FIG. 3, which are performed using the learning results of the learning device 3, among the processes executed by the information processing system in FIG. 1, will be described.
FIG. 8 is a functional block diagram showing an example of a functional configuration capable of implementing the matching and other processes shown in FIG. 3 among the processes executed by the information processing system 1 in FIG.

図８に示すように、ユーザ足計測装置４においては、スキャン部１４１と、標準化足計測部１４２と、評価取得部１４３とが機能する。 As shown in FIG. 8, the user foot measurement device 4 functions as a scan unit 141, a standardized foot measurement unit 142, and an evaluation acquisition unit 143.

ユーザ足計測装置４のスキャン部１４１は、ユーザＵの両足をスキャンすることで、３ＤスキャンデータＤｕを生成する。
標準化足計測部１２２は、３ＤスキャンデータＤｕに対して、上述した標準化足計測手法に従った計測を行い、その計測の結果得られる足計測データＫｕを足計測ＤＢ１２に記憶させる。
ここで、ユーザＵの足計測データＫｕには、テスターＴのものと同様に、当該ユーザＵに関する様々な情報を紐付けることができる。具体的には例えば、３ＤスキャンデータＤｕを足計測データＫｕに紐付けることもできる。また例えば、性別、年齢、体重、１日あたりの平均歩数、靴の購買履歴や返品履歴等の情報や、よく着用する靴、興味を持たない靴、好きなブランド、嫌いなブランド等の各種各様な情報を足計測データＫｕに紐付けることができる。さらに例えば、ユーザＵの住所や職業等の情報を足計測データＫｕに紐付けてもよい。なお、ユーザＵの足計測データＫｕは、テスターＴの計測データＫｔと共に、ビッグデータの一部として各種分析等各種各様な用途で活用することができる。
また、評価取得部１４３は、マッチング装置５によるマッチングの結果として推薦された靴をユーザＵが実際に履いたときの履き心地に関する評価を示す評価データＨｕをユーザ端末６等から取得して、評価ＤＢ１３に記憶させる。 The scanning unit 141 of the user's foot measuring device 4 scans both feet of the user U to generate 3D scan data Du.
The standardized foot measurement unit 122 performs measurements on the 3D scan data Du in accordance with the standardized foot measurement method described above, and stores the foot measurement data Ku obtained as a result of the measurements in the foot measurement DB 12.
Here, the foot measurement data Ku of the user U can be linked to various information related to the user U, similar to that of the tester T. Specifically, for example, the 3D scan data Du can be linked to the foot measurement data Ku. In addition, for example, information such as gender, age, weight, average number of steps per day, shoe purchase history and return history, shoes often worn, shoes not interested, favorite brands, disliked brands, and various other information can be linked to the foot measurement data Ku. Furthermore, for example, information such as the address and occupation of the user U may be linked to the foot measurement data Ku. The foot measurement data Ku of the user U can be utilized for various purposes such as various analyses as part of big data together with the measurement data Kt of the tester T.
In addition, the evaluation acquisition unit 143 acquires evaluation data Hu from the user terminal 6, etc., indicating an evaluation of the comfort of the shoes recommended as a result of matching by the matching device 5 when actually worn by the user U, and stores the evaluation data in the evaluation DB 13.

このようなユーザ足計測装置４に対して、マッチング装置５においては、マッチング手法決定部１５１と、ユーザ嗜好取得部１５２と、マッチング部１５３と、推薦部１５４とが機能する。 For such a user foot measurement device 4, the matching device 5 functions as a matching method determination unit 151, a user preference acquisition unit 152, a matching unit 153, and a recommendation unit 154.

マッチング手法決定部１５１は、学習装置３による機械学習の結果に基づいて、ユーザＵにとって適切なマッチング手法を決定する。
ユーザ嗜好取得部１５２は、靴に関するユーザＵの嗜好をユーザ端末６等から取得する。
マッチング部１５３は、ユーザＵの足計測データＫｕと、ｍ個の靴（シューアンカーＳｈ１乃至Ｓｈｍ）の夫々の靴計測データＫｓ１乃至Ｋｓｍの夫々と、ユーザＵの嗜好とを用いて、当該ユーザＵにとってどの靴が履き心地がよいのか（という推定をするための）マッチングを行う。
推薦部１５４は、マッチング部１５３のマッチングの結果に基づいて、ユーザＵにとって適した（履き心地がよいとユーザＵが感じるであろう）靴を、当該ユーザＵ（ユーザ端末６）に対して推薦する。 The matching method determination unit 151 determines a matching method appropriate for the user U based on the results of machine learning by the learning device 3.
The user preference acquisition unit 152 acquires the shoe-related preferences of the user U from the user terminal 6 or the like.
The matching unit 153 uses the foot measurement data Ku of the user U, the shoe measurement data Ks1 to Ksm of each of the m shoes (shoe anchors Sh1 to Shm), and the preferences of the user U to perform matching to estimate which shoes will be comfortable for the user U.
The recommendation unit 154 recommends shoes suitable for the user U (shoes that the user U will likely feel comfortable wearing) to the user U (user terminal 6) based on the matching result of the matching unit 153.

ここで、図９を参照して、学習装置３による機械学習の結果に基づいて、マッチング手法決定部１５１により決定されるマッチング手法の一例について説明する。
図９は、機械学習の結果に基づいて決定されるマッチング手法の一例を説明する図である。
図９に示すように、テスターＴ１乃至Ｔｍの夫々についての、所定の靴（シューアンカーＳｈ）の靴計測データＫｓｋとテスターＴの足計測データＫｔとの組合せと、その所定の靴を実際に履いた際の評価データＨｔとのセットを用いて、学習装置３による機械学習が行われる。
ここで、靴計測データＫｓｋとテスターＴの足計測データＫｔとの夫々は、上述したように、「足囲Ａ」、「足幅Ｂ」、「足長Ｃ」等の複数の計測値の集合体である。また、靴の評価データＨｔについても、「足囲Ａ」、「足幅Ｂ」、「足長Ｃ」等の複数の計測値に対応する各項目についての履き心地の個別評価の集合体である。
従って、図９に示すような機械学習が行われた場合、所定の靴（シューアンカーＳｈ）の靴計測データＫｓｋとユーザＵの足計測データＫｕとの組合せに対して、ユーザＵの評価の予測を行うマッチング手法が採用されることになる。ここで、ユーザの評価の予測は、「足囲Ａ」、「足幅Ｂ」、「足長Ｃ」等の複数の計測値に対応する各項目についての履き心地の個別評価の予測となる。 Here, an example of a matching method determined by the matching method determination unit 151 based on the result of machine learning by the learning device 3 will be described with reference to FIG.
FIG. 9 is a diagram illustrating an example of a matching method determined based on the results of machine learning.
As shown in Figure 9, machine learning is performed by the learning device 3 using a combination of shoe measurement data Ksk of a specified shoe (shoe anchor Sh) and foot measurement data Kt of the tester T for each of the testers T1 to Tm, and a set of evaluation data Ht when the specified shoe is actually worn.
Here, as described above, each of the shoe measurement data Ksk and the foot measurement data Kt of the tester T is a collection of multiple measurement values such as "foot circumference A,""foot width B,""foot length C," etc. Similarly, the shoe evaluation data Ht is a collection of individual evaluations of comfort for each item corresponding to multiple measurement values such as "foot circumference A,""foot width B,""foot length C," etc.
9 is performed, a matching method is adopted to predict the user U's evaluation for a combination of the shoe measurement data Ksk of a specific shoe (shoe anchor Sh) and the foot measurement data Ku of the user U. Here, the prediction of the user's evaluation is a prediction of an individual evaluation of comfort for each item corresponding to a plurality of measurement values such as "foot circumference A", "foot width B", "foot length C", etc.

以上、本発明の一実施形態について説明したが、本発明は、上述の実施形態に限定されるものではなく、本発明の目的を達成できる範囲での変形、改良等は本発明に含まれるものである。 Although one embodiment of the present invention has been described above, the present invention is not limited to the above-mentioned embodiment, and modifications and improvements that can achieve the object of the present invention are included in the present invention.

上述の実施形態では、テスターＵの足とｍ個の靴との関係について機械学習がなされ、その機械学習の結果に基づいて、ユーザＵの足と靴のマッチングがなされ、そのマッチングの結果に基づいて、ユーザＵの足に適した靴（ユーザＵの評価が高いと推測される靴）が推薦されたが、機械学習の対象（その機械学習の結果を使うマッチング及び推薦の対象は特にこれに限定されない。 In the above embodiment, machine learning was performed on the relationship between the feet of tester U and m shoes, and based on the results of the machine learning, the feet of user U were matched with shoes, and based on the results of the matching, shoes suitable for user U's feet (shoes that are assumed to be highly rated by user U) were recommended, but the targets of the machine learning (targets of matching and recommendations using the results of the machine learning are not particularly limited to this.

例えば、機械学習の対象（その機械学習の結果を使うマッチング及び推薦の対象）は、図１０に示すものでもよい。
図１０は、図１の情報処理システムが実施可能な処理であって、図３の例とは異なる処理の概要を示す図である。
図１０に示すように、ｍ個の既存の靴Ｓ１乃至Ｓｍ（シューアンカーＳｈ１乃至Ｓｈｍ）の夫々について、靴計測データＫｓ１乃至Ｋｓｍと、多数のユーザＵ１乃至Ｕｋ（ｋは任意整数値、図１０の例ではｋ＝３）の評価データＨｕ（テスターＴの評価データＨｔを含む）との組合せに基づいて、靴同士のマッチングがなされ、新たな靴と評価の類似する既存の靴が推薦される。
即ち、靴計測データＫｓをＡ軸とし、評価データＨｕをＢ軸とした２次元平面上に対して、ｍ個の既存の靴（シューアンカーＳｈ１乃至Ｓｈｍであって、マッチングの比較先）の夫々が、靴計測データＫｓ１乃至Ｋｓｍと多数のユーザＵ１乃至Ｕｋとの組合せに基づいてプロット（射影）されて機械学習がなされる。換言すると、評価の似ている靴（アイテム）が近くに配置されるような２次元平面（空間）が生成されるように機械学習がなされる。
この機械学習の結果として、新たな靴（マッチングの比較元）について、当該２次元平面（空間）上に、靴計測データＫｓと多数のユーザＵ１乃至Ｕｋとの組合せに基づいてプロット（射影）することで、当該２次元平面（空間）近くに配置される靴を検索（マッチング）して、評価の類似する靴、即ち履き心地が似ている靴として推薦することが可能になる。 For example, the target of machine learning (the target of matching and recommendations using the results of the machine learning) may be one shown in FIG. 10.
FIG. 10 is a diagram showing an outline of a process that can be performed by the information processing system of FIG. 1 and that is different from the example of FIG.
As shown in Figure 10, for each of m existing shoes S1 to Sm (shoe anchors Sh1 to Shm), shoes are matched based on a combination of shoe measurement data Ks1 to Ksm and evaluation data Hu (including evaluation data Ht of tester T) of a number of users U1 to Uk (k is an arbitrary integer value; in the example of Figure 10, k = 3), and an existing shoe with a similar evaluation to the new shoe is recommended.
That is, on a two-dimensional plane with the shoe measurement data Ks as the A axis and the evaluation data Hu as the B axis, each of the m existing shoes (shoe anchors Sh1 to Shm, which are compared for matching) is plotted (projected) based on the combination of the shoe measurement data Ks1 to Ksm and a large number of users U1 to Uk, and machine learning is performed. In other words, machine learning is performed to generate a two-dimensional plane (space) in which shoes (items) with similar evaluations are arranged close to each other.
As a result of this machine learning, by plotting (projecting) a new shoe (the comparison source for matching) onto the two-dimensional plane (space) based on a combination of shoe measurement data Ks and a large number of users U1 to Uk, it becomes possible to search for (match) shoes that are located close to the two-dimensional plane (space) and recommend shoes that have similar evaluations, i.e. shoes that have a similar fit.

また例えば、機械学習の対象（その機械学習の結果を使うマッチング及び推薦の対象）は、図１１に示すものでもよい。
図１１は、図１の情報処理システムが実施可能な処理であって、図２例とは異なる機械学習を行う処理の概要を示す図である。
図３に示す機械学習では、ｍ個の靴についての、ｎ人（多数）のテスターＴの一般的な評価に基づくモデル（既存モデル）が得られる。
これに対して、図１１の例では、これらの既存モデルを用いてマッチング及び推薦がなされたユーザＵからのフィードバック情報、例えば当該ユーザＵに関する各種履歴（購買履歴や返品履歴）を示す情報も考慮して、追加学習がなされる。この追加学習の結果として、（既存モデルと比較して）ユーザＵの好みに特化したモデル、即ちユーザ特化モデルが得られる。
このユーザ特化モデルを用いたマッチングを行うことで、既存モデルを用いた場合と比較して、ユーザＵにより適した靴の推薦が可能になる。 Also, for example, the target of machine learning (the target of matching and recommendation using the results of the machine learning) may be one shown in FIG. 11 .
FIG. 11 is a diagram showing an overview of a process that can be performed by the information processing system of FIG. 1 and that performs machine learning different from the example of FIG. 2 .
In the machine learning shown in FIG. 3, a model (existing model) is obtained based on general evaluations by n (a large number of) testers T for m shoes.
11, additional learning is performed taking into consideration feedback information from user U who has been matched and recommended using these existing models, such as information indicating various histories (purchase history and return history) of user U. As a result of this additional learning, a model specialized for the preferences of user U (compared to existing models), that is, a user-specified model, is obtained.
By performing matching using this user-specific model, it becomes possible to recommend shoes that are more suitable for the user U, compared to when an existing model is used.

また例えば、機械学習の対象（その機械学習の結果を使うマッチング及び推薦の対象）は、上述の実施形態では靴とされたが、特にこれに限定されず、ユーザＵ（テスターＴ含む）が着用可能な任意のアイテム、例えば衣服、帽子、保護用あるいは補助用に着用するヘルメット、コルセット、サポータ等でもよい。 For example, the target of machine learning (the target of matching and recommendations using the results of the machine learning) is shoes in the above embodiment, but is not limited to this and may be any item that can be worn by the user U (including the tester T), such as clothing, a hat, a helmet worn for protection or support, a corset, a supporter, etc.

図１２は、アイテムを衣服とした場合における、標準化計測がなされる場合のユーザＵ（テスターＴ含む）の計測データの一例を示している。
即ち、人体（ユーザＵの体）は計測方法が規格化されているので、当該計測方法による計測が標準化計測として採用され、その計測結果が標準化された測定値として採用された例、即ちユーザＵの計測データの一例が、図１２に示されている。 FIG. 12 shows an example of measurement data of a user U (including a tester T) when standardized measurements are performed with the item being clothing.
That is, since the measurement method for the human body (user U's body) is standardized, the measurement using that measurement method is adopted as a standardized measurement, and the measurement result is adopted as a standardized measurement value, i.e., an example of the measurement data of user U is shown in Figure 12.

図１３は、アイテムを衣服（ジャケット）とした場合における、標準化計測がなされる場合のアイテムの計測データの一例を示している。
即ち、衣服（ジャケット）はカテゴリ毎にどの部分の測定を行うのかといった計測方法が規格化されているので、当該計測方法による計測が標準化計測として採用され、その計測結果が標準化された測定値として採用された例、即ち衣服（ジャケット）の計測データの一例が、図１３に示されている。 FIG. 13 shows an example of measurement data of an item when standardized measurement is performed, assuming that the item is clothing (jacket).
That is, since the measurement method for clothing (jackets) is standardized for which parts are measured for each category, measurements made using this measurement method are adopted as standardized measurements, and the measurement results are adopted as standardized measurement values. An example of measurement data for clothing (jackets) is shown in Figure 13.

また例えば、上述の実施形態では、アイテムの形状に基づくマッチングが行われたが、特にこれに限定されず、形状と共に又は形状とは別に、他の要素が考慮されたマッチングが行われてもよい。即ち、アイテムの着心地（アイテムが靴であれば履き心地）を決める要素は形状の差だけではなく、靴であれば、体重や年齢、ヒールの高さ、靴の素材といった要素がある。また、服であれば、生地の素材や性別、年齢等の要素がある。
従来はこれらの「他の要素」の影響を考慮しようとすると、どう影響するかを全てルール付する必要があった。これに対して、複数の別要素の影響を自動的に学習することの出来る機械学習手法（決定木をベースにしたもの）を採用することで、ルール付なしに、「他の要素」の影響を考慮したマッチングが実現可能になる。
ここで、「他の要素」としては、次のようなものを採用することができる。
即ち、「他の要素」＝（データタイプ、影響）というフォーマットで記載すると次のようになる。
「素材の延びやすさ」＝（引張強さ［Ｎ／ｃｍ］、形状の差の許容範囲に影響）
「素材タイプ」＝（カテゴリ（布、ポリエステル等）、接触部分の痛さに影響）
「体重」＝（ｋｇ、ヒールにおいて、つま先への荷重に影響）
「ヒールの高さ」＝（ｃｍ、ヒールにおいて、つま先への荷重に影響）
「年齢」＝（数値、歩きやすさなどの好みの違いに影響）
一日平均歩数数値疲れやすさなどの好みの違いに影響 Also, for example, in the above embodiment, matching is performed based on the shape of the item, but this is not particularly limited, and matching may be performed taking other factors into consideration along with or apart from the shape. That is, factors that determine the wearability of an item (if the item is a shoe, the wearability) are not only differences in shape, but also factors such as weight, age, heel height, and shoe material for shoes. Also, factors such as fabric material, gender, and age for clothes.
In the past, if you tried to take into account the influence of these "other factors," you had to create rules for all of the influences. However, by adopting a machine learning method (based on decision trees) that can automatically learn the influence of multiple separate factors, it is now possible to achieve matching that takes into account the influence of "other factors" without creating rules.
Here, the following can be adopted as the "other elements":
That is, if written in the format "other elements" = (data type, impact), it will look like this:
"Material stretchability" = (tensile strength [N/cm], affects the tolerance of shape differences)
"Material type" = (category (cloth, polyester, etc.), affects pain at the contact area)
"Weight" = (kg, affects the load on the toes when wearing heels)
"Heel height" = (cm, affects the load on the toes when wearing heels)
"Age" = (number, affects differences in preferences such as ease of walking)
Affected by differences in preferences such as average daily steps and how easily you get tired

また例えば、上述の実施形態では、テスターＴが実際にｍ個の靴を履いた際の評価を用いた間接的な機械学習が行われたが、特にこれに限定されず、この評価と共に又は代えて、例えば布型の圧力分布センサを用いてテスターＴによるｍ個の靴の夫々の着用時の着圧を測定し、その測定結果を用いた機械学習を行い、ユーザＵに対するマッチングの際には圧力分布センサが無いときでも予測できるようにしてもよい。
この場合も、その予測の結果を用いて最終的なユーザＵの嗜好（靴であれば履き心地）の推定、及び推定結果に基づくユーザＵに対する推薦が行われる。 For example, in the above-described embodiment, indirect machine learning was performed using the evaluation made by tester T when he actually wore m shoes, but this is not limited to this. In addition to or instead of this evaluation, for example, a cloth-type pressure distribution sensor may be used to measure the pressure of each of the m shoes when worn by tester T, and machine learning may be performed using the measurement results, so that when matching with user U, predictions can be made even when a pressure distribution sensor is not present.
In this case as well, the result of the prediction is used to estimate the final preference of the user U (for shoes, comfort), and a recommendation to the user U is made based on the estimation result.

また例えば、上述の実施形態では、靴の靴計測データＫｓ、テスターＴの足計測データＫｔ、及びユーザＵの足計測データＫｕには、各種情報（メタデータ）が紐付けられていた。これらの各種情報（メタデータ）を考慮することで、機械学習やマッチング（嗜好推定）及び推薦がより高精度で行われるからである。
このようなメタデータは、上述の実施形態に限定されず、任意のものを採用することが可能である。例えば、次のようなメタデータを採用可能である。なお、かっこ書きで（ベター）と付しているメタデータは、そのメタデータを採用することが好適であるメタデータである。かっこ書きで（アドバンス）と付しているメタデータは、そのメタデータを採用することは必須ではないが、採用するとより適切な機械学習やマッチング（嗜好推定）及び推薦を行い得るメタデータである。
即ち、素材特性のメタデータとして、伸び率（ベター）、表面硬度（ベター）、素材タイプ（エナメル、スムース、布等）（アドバンス）を採用することができる。
製造情報のメタデータとして、ブランド名・メーカー名・工場名（アドバンス）、製法（アドバンス）を採用することができる。
ユーザＵの属性情報として、習熟度（ベター）、利用頻度（ベター）、年齢（アドバンス）を採用することができる。 Also, for example, in the above-described embodiment, various information (metadata) is associated with the shoe measurement data Ks of the shoe, the foot measurement data Kt of the tester T, and the foot measurement data Ku of the user U. By taking into account these various information (metadata), machine learning, matching (preference estimation), and recommendation can be performed with higher accuracy.
Such metadata is not limited to the above-described embodiment, and any metadata can be adopted. For example, the following metadata can be adopted. Note that metadata with (Better) in parentheses is metadata for which it is preferable to adopt the metadata. Metadata with (Advanced) in parentheses is metadata for which it is not essential to adopt the metadata, but which, if adopted, can perform more appropriate machine learning, matching (preference estimation), and recommendation.
That is, as metadata of material properties, elongation (better), surface hardness (better), material type (enamel, smooth, cloth, etc.) (advanced) can be adopted.
As metadata for manufacturing information, the brand name, manufacturer name, factory name (advance), and manufacturing method (advance) can be adopted.
As attribute information of user U, proficiency level (Better), frequency of use (Better), and age (Advanced) can be adopted.

上述の実施形態では、ユーザＵが靴の販売店等に赴き、そこで自身の足をスキャンしてもらい、その結果得られる足計測データＫｕを用いてマッチングが行われ、その結果に基づいて、ユーザＵにとって適切な靴（履き心地がよいと予測される靴）が推薦された。
しかしながら、マッチングの際足計測データＫｕを用いることは特に必須な事項ではない。
例えばＥＣサイト等において、ユーザＵの足・体の形状データがない状態で靴や服を推薦するには、例えばユーザＵが過去に購入してぴったりだった靴や服を用いたマッチングを行い、それらと同一の又は類似の形状のものを検索して推薦してもよい。
この場合、靴や服の計測値には大量の種類が存在し、それらの単純な類似性ではかならずしもフィッティングに重要な数値が重視されない可能性がある。そこで、上述の機械学習を適用した情報処理システムを採用し、テスターＴ（テストユーザー）による事前の評価の類似性を用いて、靴や服の計測値に対する類似性への寄与度を算出し、その寄与度を反映した検索を行えると好適である。 In the above-described embodiment, the user U goes to a shoe store or the like and has his or her feet scanned there, and matching is performed using the resulting foot measurement data Ku, and based on the results, suitable shoes (shoes predicted to be comfortable to wear) are recommended to the user U.
However, it is not essential to use the foot measurement data Ku during matching.
For example, on an e-commerce site, in order to recommend shoes or clothes when there is no foot or body shape data for a user U, a matching may be performed using shoes or clothes that the user U has previously purchased and that fit well, and items with the same or similar shapes may be searched for and recommended.
In this case, there are a large number of different measurements for shoes and clothes, and simple similarity between them may not necessarily emphasize important values for fitting. Therefore, it is preferable to employ the information processing system to which the above-mentioned machine learning is applied, to use the similarity of the prior evaluation by tester T (test user) to calculate the contribution of the measurements of shoes and clothes to the similarity, and to perform a search that reflects the contribution.

具体的には例えば、テスターＴ１と靴の組合せ（以下、「第１組合せ」と呼ぶ）による評価が、（足長差、つまみ厚差、かかと幅差、脱げやすさ）＝（＋０．１、－０．８、＋０．１、Ａ）であったものとする。また、別のテスターＴ２と靴の組合せ（以下、「第２組合せ」と呼ぶ）による評価が、（足長差、つまみ厚差、かかと幅差、脱げやすさ）＝（＋０．１、－０．８、＋０．１、Ａ）であったものとする。
この場合、機械学習により、脱げやすさを推定するために、重要だった項目の割合（寄与度）の割合が例えば次のように算出されたものとする。即ち、寄与度＝（足長差、つまみ厚差、かかと幅差）＝（０．３、０．１、０．６）と算出されたものとする。
この寄与度を用いて、靴の類似度指標（靴計測データＫｓの各測定値）の重み付けをして、マッチング（検索）を行うことができる。
例えば、第１靴の靴計測データＫｓ１が、（足長、つまみ厚、かかと幅）＝（２３．２、２．４、４．５５）であり、第２靴の靴計測データＫｓ１が、（足長、つまみ厚、かかと幅）＝（２３．６、３．６、４．６）であったものとする。この場合、上記の例では、かかと幅差の寄与度が０．６と一番高いので、計測値のうちかかと幅が重要視されてマッチング（検索）が行われる。即ち、かかと幅は、第１靴が４．５５であり第２靴が４．６であるため、第１靴と第２靴は脱げやすさの点で極めて類似していると判定される。即ち、第１靴をユーザＵが過去に購入してぴったりだったものとするならば、脱げやすさを重視するユーザＵには、第２靴が推薦されることになる。 Specifically, for example, the evaluation by the combination of tester T1 and shoes (hereinafter referred to as the "first combination") is (foot length difference, toe thickness difference, heel width difference, ease of slipping off) = (+0.1, -0.8, +0.1, A), and the evaluation by another combination of tester T2 and shoes (hereinafter referred to as the "second combination") is (foot length difference, toe thickness difference, heel width difference, ease of slipping off) = (+0.1, -0.8, +0.1, A).
In this case, the ratio (contribution rate) of the important items for estimating the ease of slipping off is calculated by machine learning as follows, for example: Contribution rate = (foot length difference, toe width difference, heel width difference) = (0.3, 0.1, 0.6).
Using this contribution, the shoe similarity index (each measurement value of the shoe measurement data Ks) can be weighted to perform matching (searching).
For example, the shoe measurement data Ks1 of the first shoe is (foot length, toe width, heel width) = (23.2, 2.4, 4.55), and the shoe measurement data Ks1 of the second shoe is (foot length, toe width, heel width) = (23.6, 3.6, 4.6). In this case, in the above example, the contribution of the heel width difference is 0.6, which is the highest, so matching (searching) is performed with emphasis on the heel width among the measurement values. That is, since the heel width of the first shoe is 4.55 and that of the second shoe is 4.6, it is determined that the first shoe and the second shoe are very similar in terms of ease of slipping off. That is, if the first shoe is a shoe that the user U previously purchased and that fit well, the second shoe is recommended to the user U who places importance on ease of slipping off.

このような検索（推薦）が行われる際のユーザ端末６に表示される、ＥＣサイトの画面と、店舗でユーザＵの足がスキャンされて店舗側装置（例えばユーザ足計測装置４）に表示される画面は、例えば図１４乃至図１６のようになる。
図１４は、店舗での推薦画面のモックの一例を示す図である。
図１５は、店舗での推薦画面のモックの一例であって、図１４の画面の表示後に表示される画面の一例を示す図である。
図１６は、ＥＣサイトの画面のモックの一例である。 When such a search (recommendation) is performed, the EC site screen displayed on the user terminal 6 and the screen displayed on the store's device (e.g., user foot measuring device 4) after the user U's feet are scanned in the store may look, for example, as shown in Figures 14 to 16.
FIG. 14 is a diagram showing an example of a mock-up of a recommendation screen in a store.
FIG. 15 is a diagram showing an example of a mock-up of a recommendation screen in a store, and an example of a screen that is displayed after the screen of FIG. 14 is displayed.
FIG. 16 shows an example of a mockup of a screen of an EC site.

また例えば、図４に示す各ハードウェア構成は、本発明の目的を達成するための例示に過ぎず、特に限定されない。 For example, the hardware configurations shown in FIG. 4 are merely examples for achieving the objectives of the present invention and are not particularly limited.

また、図５や図８に示す機能ブロック図は、例示に過ぎず、特に限定されない。即ち、上述した一連の処理を全体として実行出来る機能が情報処理システムに備えられていれば足り、この機能を実現するためにどのような機能ブロックを用いるのかは、図５や図８の例に特に限定されない。 Furthermore, the functional block diagrams shown in Figures 5 and 8 are merely examples and are not particularly limited. In other words, it is sufficient that the information processing system is provided with a function that can execute the above-mentioned series of processes as a whole, and the type of functional block used to realize this function is not particularly limited to the examples in Figures 5 and 8.

また、機能ブロックの存在場所も、図５や図８に示す場所に限定されず、任意でよい。例えば各装置の機能ブロックの少なくとも一部をユーザ端末６側に設けてもよい。つまり、ユーザ端末６からみて、ブラウザを用いて外部のサーバ等に処理を実行させる情報処理システムを構築してもよいし、インストールされるアプリケーションプログラムに処理を実行させる情報処理システムを構築させてもよいし、これらの組合せからなる情報処理システムを構築してもよい。
そして、１つの機能ブロックは、ハードウェア単体で構成してもよいし、ソフトウェア単体との組み合わせで構成してもよい。 5 and 8, the locations of the functional blocks may be arbitrary. For example, at least some of the functional blocks of each device may be provided on the user terminal 6 side. In other words, an information processing system may be constructed in which, as viewed from the user terminal 6, a browser is used to cause an external server or the like to execute processing, or an information processing system may be constructed in which an installed application program executes processing, or an information processing system consisting of a combination of these may be constructed.
A single functional block may be configured as a single piece of hardware, or may be configured in combination with a single piece of software.

各機能ブロックの処理をソフトウェアにより実行させる場合には、そのソフトウェアを構成するプログラムが、コンピュータ等にネットワークや記録媒体からインストールされる。
コンピュータは、専用のハードウェアに組み込まれているコンピュータであってもよい。また、コンピュータは、各種のプログラムをインストールすることで、各種の機能を実行することが可能なコンピュータ、例えばサーバの他汎用のスマートフォンやパーソナルコンピュータであってもよい。 When the processing of each functional block is executed by software, the program constituting the software is installed into a computer or the like from a network or a recording medium.
The computer may be a computer built into dedicated hardware, or may be a computer capable of executing various functions by installing various programs, such as a server, a general-purpose smartphone, or a personal computer.

このようなプログラムを含む記録媒体は、プログラムを提供するために装置本体とは別に配布される、リムーバブルメディアにより構成されるだけではなく、装置本体に予め組み込まれた状態で各ユーザに提供される記録媒体等で構成される。 Recording media containing such programs are not only configured as removable media that are distributed separately from the device body in order to provide the programs, but also configured as recording media etc. that are provided to each user in a state where they are pre-installed in the device body.

なお、本明細書において、記録媒体に記録されるプログラムを記述するステップは、その順序に添って時系列的に行われる処理はもちろん、必ずしも時系列的に処理されなくとも、並列的或いは個別に実行される処理をも含むものである。 In this specification, the steps of describing a program to be recorded on a recording medium include not only processes that are performed in chronological order, but also processes that are not necessarily performed in chronological order but are executed in parallel or individually.

以上まとめると、本発明が適用される情報処理装置は、次のような構成を取れば足り、各種各様な実施形態を取ることができる。
即ち、本発明が適用される情報処理装置（例えば図１のマッチング装置５）は、
所定のアイテム（例えば靴であり、シューアンカーＳｈ１乃至Ｓｈｍでもよい）の採寸データ（例えば図２の３ＤスキャンデータＤｓ１乃至Ｄｓｍ）を標準化させた第１種標準データ（例えば図２の靴計測データＫｓ１乃至Ｋｓｍ）と、所定のテスター（例えば図２のテスターＴ１乃至Ｔｎ）の身体の少なくとも一部の採寸データ（例えば図２の３ＤスキャンデータＤｔ１乃至Ｄｔｎ）を標準化させた第２種標準データ（例えば図２の足計測データＫｔ１乃至Ｋｔｎ）との組合せを、複数のアイテム及び複数のテスター毎に用いた機械学習（例えば図２のステップＳｅ）の結果に基づいて、ユーザ（例えば図３のユーザＵ）にとってアイテムが適する度合いを予測する予測手段（例えば図３のステップＳｉのマッチングを行う図８のマッチング部１５３）と、
前記予測手段の予測結果に基づいて、前記ユーザにアイテムを推薦する推薦手段（例えば図３のステップＳｊの推薦を行う図８の推薦部１５４）と、
を備える。 In summary, the information processing apparatus to which the present invention is applied is sufficient if it has the following configuration, and can take various different embodiments.
That is, an information processing device to which the present invention is applied (for example, the matching device 5 in FIG. 1)
a prediction means (e.g., a matching unit 153 in FIG. 8 that performs matching in step Si in FIG. 3 ) that predicts the suitability of an item for a user (e.g., user U in FIG. 3 ) based on the results of machine learning (e.g., step Se in FIG. 2 ) using a combination of first type standard data (e.g., shoe measurement data Ks1 to Ksm in FIG. 2 ) obtained by standardizing measurement data (e.g., 3D scan data Ds1 to Dsm in FIG. 2 ) of a predetermined item (e.g., shoes, which may be shoe anchors Sh1 to Shm) and second type standard data (e.g., foot measurement data Kt1 to Ktn in FIG. 2 ) obtained by standardizing measurement data (e.g., 3D scan data Dt1 to Dtn in FIG. 2 ) of at least a part of the body of a predetermined tester (e.g., tester T1 to Tn in FIG. 2 ) for each of a plurality of items and a plurality of testers;
A recommendation unit (e.g., the recommendation unit 154 in FIG. 8 that makes the recommendation in step Sj in FIG. 3 ) that recommends an item to the user based on the prediction result of the prediction unit;
Equipped with.

また、本発明が適用される別の態様の情報処理装置（例えば図１の靴計測装置１）は、
アイテムの測定データ（例えば図５のスキャン部１１１により生成される、図２の３ＤスキャンデータＤｓ１乃至Ｄｓｍ）に基づいて、正対を特定し、１以上のランドマーク点を検出し、アイテムのデザイン性を排除するための所定のルールに基づいて基準シンボルを算出し、前記正対、前記ランドマーク点、及び前記基準シンボルに基づいて、複数の項目の各計測値を算出し（例えば図７参照）、前記複数の項目の前記各計測値を少なくとも含む情報を、前記アイテムの計測データ（例えば図２の靴計測データＫｓ１乃至Ｋｓｍ）として生成する計測手段（例えば図５の標準化靴計測部１１２）
を備える。 In addition, another aspect of the information processing device to which the present invention is applied (for example, the shoe measurement device 1 in FIG. 1 ) is as follows:
A measurement means (e.g., the standardized shoe measurement unit 112 in FIG. 5 ) that identifies a facing position based on measurement data of an item (e.g., the 3D scan data Ds1 to Dsm in FIG. 2 generated by the scan unit 111 in FIG. 5 ), detects one or more landmark points, calculates a reference symbol based on a predetermined rule for eliminating the design of the item, calculates each measurement value of a plurality of items based on the facing position, the landmark points, and the reference symbol (e.g., see FIG. 7 ), and generates information including at least each measurement value of the plurality of items as measurement data of the item (e.g., shoe measurement data Ks1 to Ksm in FIG. 2 ).
Equipped with.

１：靴計測装置
２：テスター足計測装置
３：学習装置
４：ユーザ足計測装置
５：マッチング装置
６：ユーザ端末
１１：靴計測ＤＢ
１２：足計測ＤＢ
１３：評価ＤＢ
２１：ＣＰＵ
２２：ＲＯＭ
２３：ＲＡＭ
２４：バス
２５：入出力インターフェース
２６：出力部
２７：入力部
２８：記憶部
２９：通信部
３０：ドライブ
３１：リムーバブルメディア
１１１：スキャン部
１１２：標準化靴計測部
１２１：スキャン部
１２２：標準化足計測部
１２３：評価取得部
１４１：スキャン部
１４２：標準化足計測部
１４３：評価取得部
１５１：マッチング手法決定部
１５２：ユーザ嗜好取得部
１５３：マッチング部
１５４：推薦部
Ｊ：ボールジョイント
Ａ：足囲
Ｂ：足幅
Ｃ：足長
Ｄ：踵形状
Ｅ：つま先高さ
Ｆ：つま先形状
Ｇ：歪み
Ｈ：評価データ
Ｌ：ランドマーク点
Ｕ：ユーザ 1: Shoe measurement device 2: Tester foot measurement device 3: Learning device 4: User foot measurement device 5: Matching device 6: User terminal 11: Shoe measurement DB
12: Foot measurement database
13: Evaluation DB
21: CPU
22: ROM
23: RAM
24: Bus 25: Input/Output interface 26: Output unit 27: Input unit 28: Memory unit 29: Communication unit 30: Drive 31: Removable media 111: Scanning unit 112: Standardized shoe measurement unit 121: Scanning unit 122: Standardized foot measurement unit 123: Evaluation acquisition unit 141: Scanning unit 142: Standardized foot measurement unit 143: Evaluation acquisition unit 151: Matching method determination unit 152: User preference acquisition unit 153: Matching unit 154: Recommendation unit J: Ball joint A: Foot circumference B: Foot width C: Foot length D: Heel shape E: Toe height F: Toe shape G: Distortion H: Evaluation data L: Landmark point U: User

Claims (3)

自然人に装着される靴の３Ｄ測定データに基づいて、かつ、当該靴のデザイン性を排除するための所定の第１ルールに従って、前記靴の形状に関する靴計測データを生成する靴計測手段と、
自然人の体のうち、前記靴が装着される部位の３Ｄ測定データに基づいて、かつ、前記第１ルールに対応する第２ルールに従って、前記部位の形状に関する自然人計測データを生成する自然人計測手段と、
前記自然人計測データが生成された前記自然人を対象として、当該自然人が前記靴を装着した場合の評価を取得する評価取得手段と、
前記靴、及び、前記自然人計測データが生成された前記自然人のうち少なくとも一方についての、前記形状とは異なる１以上の他要素に関する他要素情報を取得する他要素情報取得手段と、
複数の前記靴についての前記靴計測データ、複数の前記自然人についての前記自然人計測データ及び前記評価、並びに、複数の前記他要素情報を用いる所定の機械学習を実行する学習手段と、
を備える情報処理装置。 a shoe measurement means for generating shoe measurement data relating to a shape of a shoe based on 3D measurement data of the shoe to be worn by a natural person and in accordance with a first predetermined rule for eliminating design imperfections of the shoe ;
a natural person measurement means for generating natural person measurement data relating to a shape of a part of a body of a natural person on which the shoe is to be worn, based on 3D measurement data of the part and in accordance with a second rule corresponding to the first rule;
an evaluation acquisition means for acquiring an evaluation of the natural person when the natural person wears the shoes , for the natural person for whom the natural person measurement data was generated;
A means for acquiring other element information regarding one or more other elements different from the shape, for at least one of the shoe and the natural person for which the natural person measurement data is generated;
A learning means for performing a predetermined machine learning using the shoe measurement data for a plurality of the shoes , the natural person measurement data and the evaluation for a plurality of the natural people, and a plurality of the other element information;
An information processing device comprising: 情報処理装置が実行する情報処理方法であって、
自然人に装着される靴の３Ｄ測定データに基づいて、かつ、当該靴のデザイン性を排除するための所定の第１ルールに従って、前記靴の形状に関する靴計測データを生成する靴計測ステップと、
自然人の体のうち、前記靴が装着される部位の３Ｄ測定データに基づいて、かつ、前記第１ルールに対応する第２ルールに従って、前記部位の形状に関する自然人計測データを生成する自然人計測ステップと、
前記自然人計測データが生成された前記自然人を対象として、当該自然人が前記靴を装着した場合の評価を取得する評価取得ステップと、
前記靴、及び、前記自然人計測データが生成された前記自然人のうち少なくとも一方についての、前記形状とは異なる１以上の他要素に関する他要素情報を取得する他要素情報取得ステップと、
複数の前記靴についての前記靴計測データ、複数の前記自然人についての前記自然人計測データ及び前記評価、並びに、複数の前記他要素情報を用いる所定の機械学習を実行する学習ステップと、
を含む情報処理方法。 An information processing method executed by an information processing device,
a shoe measurement step of generating shoe measurement data relating to a shape of the shoe based on 3D measurement data of the shoe to be worn by a natural person and in accordance with a first predetermined rule for eliminating design features of the shoe ;
a natural person measurement step of generating natural person measurement data relating to a shape of a part of a body of a natural person on which the shoe is to be worn, based on 3D measurement data of the part and in accordance with a second rule corresponding to the first rule;
an evaluation acquisition step of acquiring an evaluation of the natural person when the natural person wears the shoes , for the natural person for whom the natural person measurement data was generated;
A step of acquiring other element information regarding one or more other elements different from the shape for at least one of the shoe and the natural person for which the natural person measurement data was generated;
A learning step of performing a predetermined machine learning using the shoe measurement data for a plurality of the shoes , the natural person measurement data and the evaluation for a plurality of the natural people, and a plurality of the other element information;
An information processing method comprising: 情報処理装置を制御するコンピュータに、
自然人に装着される靴の３Ｄ測定データに基づいて、かつ、当該靴のデザイン性を排除するための所定の第１ルールに従って、前記靴の形状に関する靴計測データを生成する靴計測ステップと、
自然人の体のうち、前記靴が装着される部位の３Ｄ測定データに基づいて、かつ、前記第１ルールに対応する第２ルールに従って、前記部位の形状に関する自然人計測データを生成する自然人計測ステップと、
前記自然人計測データが生成された前記自然人を対象として、当該自然人が前記靴を装着した場合の評価を取得する評価取得ステップと、
前記靴、及び、前記自然人計測データが生成された前記自然人のうち少なくとも一方についての、前記形状とは異なる１以上の他要素に関する他要素情報を取得する他要素情報取得ステップと、
複数の前記靴についての前記靴計測データ、複数の前記自然人についての前記自然人計測データ及び前記評価、並びに、複数の前記他要素情報を用いる所定の機械学習を実行する学習ステップと、
を含む制御処理を実行させるプログラム。 A computer that controls an information processing device includes:
a shoe measurement step of generating shoe measurement data relating to a shape of the shoe based on 3D measurement data of the shoe to be worn by a natural person and in accordance with a first predetermined rule for eliminating design features of the shoe ;
a natural person measurement step of generating natural person measurement data relating to a shape of a part of a body of a natural person on which the shoe is to be worn, based on 3D measurement data of the part and in accordance with a second rule corresponding to the first rule;
an evaluation acquisition step of acquiring an evaluation of the natural person when the natural person wears the shoes , for the natural person for whom the natural person measurement data was generated;
A step of acquiring other element information regarding one or more other elements different from the shape for at least one of the shoe and the natural person for which the natural person measurement data was generated;
A learning step of performing a predetermined machine learning using the shoe measurement data for a plurality of the shoes , the natural person measurement data and the evaluation for a plurality of the natural people, and a plurality of the other element information;
A program for executing control processing including:

Images