WO2021009880A1 - デザイン支援装置及びデザイン支援方法 - Google Patents

デザイン支援装置及びデザイン支援方法 Download PDF

Info

Publication number
WO2021009880A1
WO2021009880A1 PCT/JP2019/028148 JP2019028148W WO2021009880A1 WO 2021009880 A1 WO2021009880 A1 WO 2021009880A1 JP 2019028148 W JP2019028148 W JP 2019028148W WO 2021009880 A1 WO2021009880 A1 WO 2021009880A1
Authority
WO
WIPO (PCT)
Prior art keywords
index
impression
design element
design
shoe
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/JP2019/028148
Other languages
English (en)
French (fr)
Inventor
貴志 猪股
阿部　悟
瑞穂 入江
将 市川
志織 寺崎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Asics Corp
Original Assignee
Asics Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Asics Corp filed Critical Asics Corp
Priority to JP2020556821A priority Critical patent/JP7395499B2/ja
Priority to PCT/JP2019/028148 priority patent/WO2021009880A1/ja
Priority to CN201980034919.3A priority patent/CN112534457B/zh
Priority to US17/255,969 priority patent/US12373619B2/en
Priority to EP19933213.1A priority patent/EP3798960A4/en
Publication of WO2021009880A1 publication Critical patent/WO2021009880A1/ja
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/20—Configuration CAD, e.g. designing by assembling or positioning modules selected from libraries of predesigned modules
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/12—Cloth

Definitions

  • the present invention relates to a technique for supporting product design and a technique for recommending a product.
  • Patent Document 1 discloses a design construction support system that shows a more preferable alternative candidate from the difference calculation with the evaluation of the system while allowing the user to change the design.
  • Patent Document 2 discloses an information processing device that generates an article design based on the content selected by the user and presents the generated article design to the user.
  • Patent Document 3 discloses a method of determining the relative preference of one or more consumers from a group of consumers for the form of a product.
  • the present invention has been made in view of these problems, and an object of the present invention is to provide a technique for evaluating the impression of a product by combining design elements related to the product part and supporting the improvement of the impression. Another purpose is to provide a technique for recommending a product based on the impression evaluation of the product.
  • the design support device of a certain aspect of the present invention includes an input unit for inputting a plurality of design element indexes quantifying the design for a plurality of parts constituting the shoe, and a plurality of input units. It includes a prediction unit that predicts an impression index that quantifies the impression of the shoe by combining design element indexes, and an output unit that outputs the predicted impression index.
  • Another aspect of the present invention is a design support method.
  • an input step for inputting a plurality of design element indexes quantifying the design for a plurality of parts constituting the shoe and a plurality of input design element indexes are combined to quantify the impression of the shoe. It includes a prediction step for predicting an impression index and an output step for outputting the predicted impression index.
  • Yet another aspect of the present invention is a design support device.
  • This device combines an input unit for inputting a plurality of quantified design element indexes including at least a design for a plurality of parts constituting the garment and a plurality of the input design element indexes to give an impression to the garment. It includes a prediction unit that predicts a plurality of quantified impression indexes and an output unit that outputs the predicted plurality of impression indexes.
  • Yet another aspect of the present invention is a recommended device.
  • This device uses a pair of a plurality of design element indexes quantifying the design for a plurality of parts constituting the shoe and an impression index quantifying the impression of the shoe as teacher data, and the plurality of the design element index and the impression.
  • the impression index is used for a plurality of design element indexes of shoes designated by the user based on the learning unit that learns the correlation between the indexes and generates an impression prediction model and the learned impression prediction model. Includes a prediction unit that predicts the above and a recommendation unit that recommends other shoes having an impression index similar to the predicted impression index.
  • Yet another aspect of the present invention is also a recommended device.
  • This device uses a pair of a plurality of design element indexes quantifying the design for a plurality of parts constituting the garment and an impression index quantifying the impression on the garment as teacher data, and the plurality of the design element indexes and the impression.
  • the impression index is used for a plurality of design element indexes of clothing specified by the user based on the learning unit that learns the correlation between the indexes and generates an impression prediction model and the learned impression prediction model. Includes a prediction unit that predicts the above and a recommendation unit that recommends other clothing having an impression index similar to the predicted impression index.
  • the present invention it is possible to evaluate the impression of a product by combining design elements related to the product part and support the improvement of the impression.
  • the product can be recommended based on the impression evaluation of the product.
  • FIG. It is a block diagram of the design support apparatus which concerns on Embodiment 1.
  • FIG. It is a figure which shows an example of the design of the whole shoe. It is a figure which shows the sole of the shoe of FIG. It is a figure which shows the upper of the shoe of FIG. It is a figure which shows the texture attached to the upper of a shoe. It is a figure which shows the radius of curvature of the instep of a shoe. It is a figure which shows the toe elevation angle of a shoe. It is a figure which shows the height of a shoe. It is a figure explaining the example of the impression index for each target segment. It is a figure explaining the correlation between a shoe design element index and an impression index for a certain target segment.
  • FIG. 17 (a) to 17 (f) are diagrams for explaining the coloring pattern of the main color of the shoes to be evaluated. It is a block diagram of the product recommended apparatus which concerns on Embodiment 2.
  • FIG. 17 (a) to 17 (f) are diagrams for explaining the coloring pattern of the main color of the shoes to be evaluated.
  • FIG. 1 is a configuration diagram of a design support device 100 according to the present embodiment.
  • the figure depicts a block diagram focusing on functions, and these functional blocks can be realized in various forms by hardware, software, or a combination thereof.
  • the design support device 100 evaluates the impression index of the entire shoe according to the target user segment from the design element index of the shoe part.
  • the design element index input unit 10 inputs a design element index that quantifies the design of the entire shoe or the parts that make up the shoe.
  • the design element index is an index relating to the shape, color, or texture of the entire shoe or the parts constituting the shoe.
  • FIG. 2 is a diagram showing an example of the design of the entire shoe. The shoe is divided into two parts, the sole and the upper.
  • FIG. 3 is a diagram showing the sole of the shoe of FIG. 2
  • FIG. 4 is a diagram showing the upper of the shoe of FIG.
  • the upper of the shoe of FIG. 3 is given a plain texture, but a texture such as stripes or polka dots may be given.
  • FIG. 5 is a diagram showing a plain texture attached to the upper of the shoe.
  • FIG. 6 shows the radius of curvature R of the instep of the shoe
  • FIG. 7 shows the toe elevation angle ⁇ of the shoe
  • FIG. 8 shows the height H of the shoe.
  • the radius of curvature R of the instep of the shoe, the toe elevation angle ⁇ of the shoe, and the height H of the shoe are examples of indicators relating to the shape of the entire shoe.
  • the shape of the shoe portion there are the shape of the sole in FIG. 3 and the shape of the upper in FIG.
  • the shape of the sole includes the thickness of the entire sole and the change in the thickness of the sole from the toe to the heel.
  • the shape of the upper includes the thinness of the toe side and the change in the curvature of the heel curve.
  • indexes related to the color of the entire shoe in FIG. 2 there are indexes of overall hue average, overall brightness average, and overall saturation average, which are given by the average values of hue, lightness, and saturation of the entire shoe, respectively.
  • index related to the color of the entire shoe there is an index of the center of gravity in the anteroposterior or vertical direction of hue, lightness, and saturation, and the position of the center of gravity of the hue, lightness, and saturation in the anteroposterior or vertical direction of the shoe, respectively. Given in.
  • the front-back direction of the shoe is the direction from the toe to the heel of the shoe
  • the up-down direction of the shoe is the direction from the upper to the sole of the shoe. Similar color indicators can be defined for shoe parts such as the upper in FIG. 3 and the sole in FIG.
  • a plain texture can be added to the upper of the shoe.
  • Other examples of textures are patterns such as stripes and polka dots.
  • the index related to the texture is an index related to the shape and position of the texture of the shoe part.
  • the target segment input unit 20 inputs the segment of the target user.
  • Users may be segmented by attributes such as gender, age, place of residence, running frequency, and running history.
  • the user base is classified into multiple target segments such as serious runners who are serious about running and fan runners who enjoy running as a hobby.
  • the impression index input unit 30 inputs an impression index that quantifies the impression that the user has on the shoes for each target segment.
  • impression indicators include sturdiness, speed, and luxury, and each target segment user has an evaluation value of, for example, A (excellent), B (average), and C (inferior). Use the data that evaluated the impression index. Even for shoes with the same design, the evaluation value of the impression index differs depending on the user segment.
  • FIG. 9 is a diagram illustrating an example of an impression index for each target segment.
  • there are six impression indexes I1 to I6 for the target shoe and there is a difference in the evaluation values of the impression indexes I1 to I6 between the serious runner and the fan runner for the same shoe design.
  • the learning unit 40 includes a design element index of the shoe to be learned given by the design element index input unit 10, a target segment given by the target segment input unit 20, and the target given by the impression index input unit 30.
  • the impression index of the shoes to be learned by the user of the segment as teacher data
  • the correlation between the design element index and the impression index is learned for each target segment to generate an impression prediction model.
  • the learning unit 40 uses the pair of the design element index and the impression index of the shoe to be learned as teacher data without distinguishing the user group, and determines the design element index and the impression index. Learn the correlation between them to generate an impression prediction model.
  • FIG. 10 is a diagram for explaining the correlation between m design element indexes D1 to Dm of shoes and n impression indexes I1 to In for a serious runner.
  • the design element indicators are D1: shoe height, D2: toe elevation angle, D3: overall brightness average, D4: overall saturation average, and the like.
  • the impression indexes are I1: B, I2: B, etc. for the combination of the design element indexes D1 to Dm of the target shoes in the first row.
  • the impression index is for the combination of I1: A, I2: A, and the design element indexes D1 to Dm of the target shoes in the third row.
  • the indexes are I1: A and I2: C, and the impression indexes are I1: B and I2: C for the combination of the design element indexes D1 to Dm of the target shoes in the fourth row.
  • FIG. 11 is a diagram for explaining the correlation between m design element indexes D1 to Dm of shoes and n impression indexes I1 to In for a fan runner.
  • the values of the design element indexes D1 to Dm of the target shoes in each row are the same as those in FIG. 10, but the impression indexes I1 to In are different from those of the serious runner for the same target shoes.
  • Impression indexes are I1: B, I2: C for the target shoes in the first row, I1: A, I2: B for the target shoes in the second row, and impressions for the target shoes in the third row.
  • the indexes are I1: B and I2: B, and the impression indexes are I1: C and I2: C for the target shoes in the fourth row.
  • a pair of shoe design element indexes D1 to Dm and impression indexes I1 to In for learning for each target segment as shown in FIGS. 10 and 11 is given as teacher data, and the impression indexes I1 are given from the shoe design element indexes D1 to Dm.
  • a model that predicts ⁇ In is generated by a decision tree analysis method such as random forest.
  • a prediction model based on a decision tree with the design element index as the explanatory variable and the impression index as the objective variable is generated for each impression index.
  • a method other than decision tree analysis may be used.
  • regression models, neural networks, Bayesian inference, etc. may be used.
  • the learning unit 40 stores the impression prediction model generated for each target segment in the impression prediction model storage unit 50.
  • the impression index prediction unit 60 receives the target segment from the target segment input unit 20, and reads the impression prediction model of the target segment from the impression prediction model storage unit 50. Based on the impression prediction model of the target segment, the impression index prediction unit 60 combines the design element indexes of the shoes to be evaluated given by the design element index input unit 10 with respect to the shoes to be evaluated by the user of the target segment. Predict impression indicators. For example, when the target segment is a serious runner for a combination of multiple design element indicators of the shoe to be evaluated, the evaluation value of the impression index such as excellent speed but inferior robustness becomes a trained prediction model. It is predicted based on it.
  • the target impression index to be improved may be input to the impression index prediction unit 60, and the impression index prediction unit 60 may be configured to output an evaluation value for the target impression index.
  • the impression index prediction unit 60 may extract at least one design element index in descending order of influence on the evaluated impression index.
  • the design element indexes can be extracted in descending order of the degree of influence on the impression index to be evaluated by referring to the degree of influence of the explanatory variables of the decision tree.
  • the output unit 70 outputs the evaluation value of the impression index predicted by the impression index prediction unit 60.
  • the evaluation value of the impression index is shown, for example, in three stages of A, B, and C, where A is excellent, B is average, and C is inferior.
  • the output unit 70 may output the design element indexes extracted for each impression index in descending order of influence together with the evaluation value of the impression index.
  • the output unit 70 may output the design element indexes extracted in descending order of influence for each impression index together with the direction of correction or the range of correction of the design element indexes for improving the impression index. Good.
  • FIG. 12 is a diagram showing the predicted evaluation value of the impression index I1 for the shoes to be evaluated and the direction and range of modification of the design element index that affects the impression index I1.
  • Impression index I1 is a sense of robustness, and its evaluation value is A.
  • Three design element indexes D6: sole lightness average, D7: sole lightness anteroposterior center of gravity, and D8: upper lightness anterior-posterior center of gravity are listed in descending order of influence on the impression index I1.
  • the average value of each design element index for the entire shoe is aligned on the vertical axis 140, and the value of each design element index is displayed on the horizontal axis.
  • the input value 120a of the design element index D6 of the shoe to be evaluated is 0.4.
  • the range of the design element index D6 (referred to as “A zone”) that the shoe having the evaluation value of the impression index I1 can take is indicated by reference numeral 110a, and the intermediate value thereof is indicated by a dotted line.
  • the range of the design element index D6 (referred to as “C zone”) that can be taken by the shoe whose evaluation value of the impression index I1 is C is indicated by reference numeral 130a, and the intermediate value thereof is indicated by a dotted line.
  • the input value 120a of the design element index D6 of the shoe to be evaluated is a value lower than the average value of the entire shoe, is out of the A zone 110a, and is in the C zone 130a.
  • the correction direction of the design element index D6 of the shoe to be evaluated for improving the impression index I1 is indicated by the arrow of reference numeral 150a.
  • the design element index D6 of the shoe is changed in the direction of increasing the sole brightness average, that is, in the direction of making the sole brighter as a whole, as a design modification direction.
  • the range of correction is such that the average value of the entire shoe is exceeded in the correction direction and the median value of the A zone is exceeded in the correction direction.
  • the input value 120b of the design element index D7 is a value higher than the average value of the entire shoe, is out of the A zone 110b, and is in the C zone 130b.
  • the correction direction of the design element index D7 for improving the impression index I1 is indicated by the arrow of reference numeral 150b.
  • the design element index D7 is shown to change the brightness in the direction of changing the center of gravity in the anteroposterior direction of the sole to the heel side, that is, in the direction of brightening the heel side of the sole as the design correction direction.
  • the correction direction is indicated by the arrow of reference numeral 150c.
  • the design element index D9 is shown to change the brightness in the direction of changing the center of gravity in the front-back direction of the upper brightness to the toe side, that is, in the direction of brightening the toe side of the upper as a design correction direction.
  • FIG. 13 is a diagram showing the predicted evaluation value of the impression index I5 for the shoe to be evaluated and the direction and range of modification of the design element index affecting the impression index I5.
  • the impression index I5 is a sense of speed, and its evaluation value is B.
  • Two design element indexes D8: upper anterior-posterior center of gravity and D10: upper saturation vertical center of gravity are listed in descending order of influence on the impression index I5.
  • the input values 120d, A zone 110d, C zone 130d, and correction direction 150d of the design element index D8 of the shoe to be evaluated are shown.
  • the design element index D8 is shown to change the brightness in the direction of changing the center of gravity in the front-back direction of the upper brightness to the toe side, that is, in the direction of brightening the toe side of the upper as a design modification direction.
  • the design element index D10 is shown as a design modification direction in which the saturation is changed in the direction in which the center of gravity in the vertical direction of the upper saturation is changed upward, that is, in the direction in which the upper side of the upper is vivid.
  • the design element index correction unit 80 corrects the design element index according to the direction of correction presented by the output unit 70.
  • the design element index may be modified automatically by the design support device 100, or the operator of the design support device 100 may input a change value of the design element index.
  • the design element index correction unit 80 gives the modified design element index to the design element index input unit 10.
  • the impression index prediction unit 60 predicts the impression index again based on the prediction model based on the modified design element index, and the output unit 70 outputs a new evaluation value of the impression index. By repeating this modification work, the impression index can be improved and the design can be modified while changing the design element index.
  • FIG. 14 is a flowchart showing a procedure for generating a prediction model for predicting an impression index for shoes by machine learning by combining a plurality of design element indexes of shoes. This is a machine learning phase in which the learning unit 40 generates a prediction model using evaluation data for shoes of a large number of users.
  • the design element index input unit 10 inputs the design element index of the shoe to be learned (S10).
  • the image of the shoe to be learned or the three-dimensional model may be preprocessed to extract the shoe design element index.
  • the target segment input unit 20 inputs the target segment for evaluating the shoes to be learned, and the impression index input unit 30 inputs the evaluation value of the impression index by each target segment for the shoes to be learned (S20).
  • the learning unit 40 machine-learns the correlation between the design element index of the shoe to be learned and the impression index by each target segment, and generates a prediction model that predicts the impression index from the design element index and the target segment (S30).
  • the learning unit 40 stores the generated prediction model in the impression prediction model storage unit 50 for each target segment (S40).
  • FIG. 15 is a flowchart showing a procedure for predicting an impression index from a design element index and a target segment using a trained prediction model. This is a phase in which the impression index prediction unit 60 predicts the impression index from the design element index and the target segment using the prediction model generated by the learning unit 40.
  • the design element index input unit 10 inputs the design element index of the shoe to be evaluated (S50).
  • the target segment input unit 20 inputs a specific target segment (S60).
  • the impression index input unit 30 designates an impression index as a target for improvement (S70).
  • the impression index prediction unit 60 predicts the impression index of the shoe from the input design element index of the shoe to be evaluated based on the prediction model of the specific target segment read from the impression prediction model storage unit 50 (S80). ..
  • the output unit 70 outputs the evaluation value of the impression index targeted for improvement together with the range and direction of modification of the design element index that affects the impression index (S90).
  • the design element index correction unit 80 corrects the design element index that affects the impression index according to the correction direction, and the impression index prediction unit 60 re-evaluates the impression index from the corrected design element index based on the prediction model ( S100).
  • FIG. 16 is a flowchart illustrating an example of the design modification and re-evaluation process S100 of FIG.
  • a procedure for changing the color based on the evaluation result of the impression index will be described.
  • the coloring pattern of the main color is selected based on the evaluation result of the impression index (S120).
  • 17 (a) to 17 (f) are diagrams for explaining the coloring pattern of the main color of the shoes to be evaluated.
  • the shaded area is colored with the main color. Areas that can be colored with the primary color are specified in advance. An area that can be colored with the main color may be extracted by specifying an area that is painted with the same color as the main color based on the different painting patterns of shoes sold in the past. Different coloring patterns as shown in FIGS. 17 (a) to 17 (f) can be obtained depending on whether or not the region that can be colored with the main color is colored with the main color.
  • One coloring pattern is selected from the coloring patterns shown in FIGS. 17 (a) to 17 (f) based on the contribution of the design element index output together with the evaluation result of the impression index. For example, when the design element index that contributes to the impression index is the center of gravity in the anteroposterior direction of the upper brightness, and the correction direction of the design element index is the direction of brightening the toes, a pattern in which the toes of the upper are colored with the main color is shown in FIG. 17 ( Select from the coloring patterns a) to (f). If there are multiple design element indicators that contribute to the improvement of the impression index, the one with the highest contribution is given priority. If it is not clear which design element index contributes to the improvement of the impression index, a coloring pattern may be randomly selected.
  • a plurality of design patterns are generated by coloring a coloring area other than the main color of the selected coloring pattern with all the color combinations selected from the color palette (S130).
  • the impression index prediction unit 60 predicts the impression index from the modified design element index of each design pattern based on the prediction model (S140).
  • the output unit 70 outputs the evaluation result of the impression index of each design pattern (S150). This makes it possible to re-evaluate the impression of the modified design pattern.
  • shoes are taken as an example of products, but the design support device 100 of the present embodiment is applied to products other than shoes, for example, clothes, and the clothes are divided into parts such as collars and sleeves.
  • the impression index for the entire garment may be predicted from the design element index of the garment part.
  • the evaluation data regarding the impression that the consumer has on the shoe is used as the teacher data, and the design index of the shoe part is used for each target segment.
  • the design support device 100 predicts the impression index of the shoe according to a specific target segment from the design index of the shoe part based on the learned prediction model, and modifies the design element index for improving the impression index.
  • the product recommendation device of the second embodiment recommends to the user another product that is similar to the impression of the product that the user has shown interest in or purchased in the past on an online shopping site or the like.
  • the product may be any product other than the shoes described in the first embodiment, as long as the impression of the product changes depending on the design of the elements constituting the product, such as clothes and stationery.
  • FIG. 18 is a configuration diagram of the product recommended device 200 according to the second embodiment. The configuration and operation common to the design support device 100 of the first embodiment will be omitted as appropriate.
  • the design element index input unit 10 inputs a design element index that quantifies the design for the entire product or a part constituting the product.
  • the target segment input unit 20 inputs the segment of the target user.
  • the impression index input unit 30 inputs an impression index that quantifies the impression of the product held by the user for each target segment.
  • the learning unit 40 is a product design element index given by the design element index input unit 10, a target segment given by the target segment input unit 20, and an impression index of the user's product of the target segment given by the impression index input unit 30. Is used as teacher data to learn the correlation between the design element index and the impression index for each target segment, generate an impression prediction model, and store it in the impression prediction model storage unit 50. Segmentation of the product user group is optional, and the learning unit 40 uses the pair of the product design element index and the shoe impression index as teacher data without distinguishing the user group, and uses the design element index and the impression index.
  • the impression prediction model may be generated by learning the correlation between the two.
  • the product selection unit 94 extracts the design element index of the product specified by the user on the online shopping site or the like from the product database 92 and supplies it to the design element index input unit 10.
  • the design element index input unit 10 gives the impression index prediction unit 60 the design element index of the product specified by the user.
  • the target segment input unit 20 gives the impression index prediction unit 60 the segment of the user who has specified the product. However, if the user segment of the product is not segmented, it is not necessary to input the target segment.
  • the impression index prediction unit 60 receives the target segment from the target segment input unit 20, and reads the impression prediction model of the target segment from the impression prediction model storage unit 50.
  • the impression index prediction unit 60 predicts the impression index of the user of the target segment for the product by combining the design element indexes of the products given from the design element index input unit 10 based on the impression prediction model of the target segment.
  • the impression index of the user for the product is predicted based on the impression prediction model that does not depend on the target segment.
  • the recommendation unit 90 selects another product having an impression index similar to the impression index predicted by the impression index prediction unit 60 from the product database 92 and recommends it to the user.
  • the similar range of the impression index can be determined by a predetermined threshold value for each impression index.
  • the recommendation unit 90 allows the user to browse other products that are similar in impression index to the specified product but have different designs.
  • the design element index of the product specified by the user on the online shopping site or the like is given to the design element index input unit 10, but in the past, the user's past product purchase history and censored product list history are referred to.
  • the design element index of the purchased or viewed product may be given to the design element index input unit 10.
  • the impression index prediction unit 60 predicts the impression index from the combination of the design element indexes of the products purchased or viewed in the past
  • the recommendation unit 90 predicts the impression index similar to the impression index of the product purchased or viewed in the past. Recommend other products with.
  • the present invention can be used in a technique for supporting the design of a product and a technique for recommending the product.
  • design element index input unit 20 target segment input unit, 30 impression index input unit, 40 learning unit, 50 impression prediction model storage unit, 60 impression index prediction unit, 70 output unit, 80 design element index correction unit, 90 recommendation unit , 92 product database, 94 product selection section, 100 design support device, 200 product recommendation device.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Footwear And Its Accessory, Manufacturing Method And Apparatuses (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

デザイン要素指標入力部(10)が、靴又は衣服を構成する複数の部分に対するデザインを定量化した複数のデザイン要素指標を入力し、学習部(40)が、複数のデザイン要素指標と印象指標の対を教師データとして用いて複数のデザイン要素指標と印象指標の間の相関関係を学習して印象予測モデルを生成し、印象指標予測部(60)が、学習された印象予測モデルにもとづいて、入力された複数のデザイン要素指標を組み合わせて、靴又は衣服に対する印象を定量化した印象指標を予測し、出力部(70)が、予測された印象指標を出力する、デザイン支援装置(100)。

Description

[規則37.2に基づきISAが決定した発明の名称]　デザイン支援装置及びデザイン支援方法
　この発明は、商品のデザインを支援する技術および商品を推奨する技術に関する。
　靴や衣服などの商品のデザインは、デザイナの経験や知識にもとづいて決定されることが多いため、ユーザの好みに合う商品のデザインになるかどうかはデザイナのスキルやセンスに大きく依存する。
　たとえば、特許文献１には、ユーザによるデザイン変更を許容しつつ、システムの持つ評価との差分計算から、より好ましい代替候補を示すデザイン構築支援システムが開示されている。
　特許文献２には、ユーザーが選択したコンテンツに基づいて物品デザインを生成し、生成した物品デザインをユーザへ提示する情報処理装置が開示されている。
　特許文献３には、製品の形態に対する消費者のグループからの一人以上の消費者の相対的な好みを決定する方法が開示されている。
特開２０００－２３５５８８号公報 国際公開第２０１７／０９８７６０号 特表２００４／５２９４０６号公報
　商品の部分に関するデザイン要素を組み合わせて商品をデザインした場合に、ユーザの商品全体に対する印象がどのようになるかを正確に予測することは難しい。また、ユーザの商品に対する印象を改善するために個々のデザイン要素をどのように修正すればよいかをデザイナに提示することは難しい。また、ユーザの商品に対する印象評価にもとづいて商品を推奨する必要性もある。
　本発明はこうした課題に鑑みてなされたものであり、その目的は、商品の部分に関するデザイン要素を組み合わせて商品の印象を評価し、印象の改善を支援する技術を提供することにある。また、別の目的は、商品の印象評価にもとづいて商品を推奨する技術を提供する。
　上記課題を解決するために、本発明のある態様のデザイン支援装置は、靴を構成する複数の部分に対するデザインを定量化した複数のデザイン要素指標を入力する入力部と、入力された複数の前記デザイン要素指標を組み合わせて、前記靴に対する印象を定量化した印象指標を予測する予測部と、予測された前記印象指標を出力する出力部とを含む。
　本発明の別の態様は、デザイン支援方法である。この方法は、靴を構成する複数の部分に対するデザインを定量化した複数のデザイン要素指標を入力する入力ステップと、入力された複数の前記デザイン要素指標を組み合わせて、前記靴に対する印象を定量化した印象指標を予測する予測ステップと、予測された前記印象指標を出力する出力ステップとを含む。
　本発明のさらに別の態様は、デザイン支援装置である。この装置は、衣服を構成する複数の部分に対するデザインを少なくとも含む定量化された複数のデザイン要素指標を入力する入力部と、入力された複数の前記デザイン要素指標を組み合わせて、前記衣服に対する印象を定量化した複数の印象指標を予測する予測部と、予測された前記複数の印象指標を出力する出力部とを含む。
　本発明のさらに別の態様は、推奨装置である。この装置は、靴を構成する複数の部分に対するデザインを定量化した複数のデザイン要素指標と前記靴に対する印象を定量化した印象指標の対を教師データとして用いて複数の前記デザイン要素指標と前記印象指標の間の相関関係を学習して印象予測モデルを生成する学習部と、学習された前記印象予測モデルにもとづいて、ユーザが指定する靴の複数の前記デザイン要素指標に対して、前記印象指標を予測する予測部と、予測された前記印象指標と類似する印象指標を有する他の靴を推奨する推奨部とを含む。
　本発明のさらに別の態様もまた、推奨装置である。この装置は、衣服を構成する複数の部分に対するデザインを定量化した複数のデザイン要素指標と前記衣服に対する印象を定量化した印象指標の対を教師データとして用いて複数の前記デザイン要素指標と前記印象指標の間の相関関係を学習して印象予測モデルを生成する学習部と、学習された前記印象予測モデルにもとづいて、ユーザが指定する衣服の複数の前記デザイン要素指標に対して、前記印象指標を予測する予測部と、予測された前記印象指標と類似する印象指標を有する他の衣服を推奨する推奨部とを含む。
　なお、以上の構成要素の任意の組合せ、本発明の表現を方法、装置、システム、コンピュータプログラム、データ構造、記録媒体などの間で変換したものもまた、本発明の態様として有効である。
　本発明によれば、商品の部分に関するデザイン要素を組み合わせて商品の印象を評価し、印象の改善を支援することができる。また、商品の印象評価にもとづいて商品を推奨することができる。
実施の形態１に係るデザイン支援装置の構成図である。 靴全体のデザインの一例を示す図である。 図２の靴のソールを示す図である。 図２の靴のアッパを示す図である。 靴のアッパに付けられたテクスチャを示す図である。 靴の甲の曲率半径を示す図である。 靴のつま先挙上角度を示す図である。 靴の高さを示す図である。 ターゲットセグメント毎の印象指標の例を説明する図である。 あるターゲットセグメントについて靴のデザイン要素指標と印象指標の相関関係を説明する図である。 別のターゲットセグメントについて靴のデザイン要素指標と印象指標の相関関係を説明する図である。 評価対象の靴について予測されたある印象指標の評価値と、印象指標に影響を与えるデザイン要素指標の修正の方向と範囲を示す図である。 評価対象の靴について予測された別の印象指標の評価値と、印象指標に影響を与えるデザイン要素指標の修正の方向と範囲を示す図である。 靴の複数のデザイン要素指標を組み合わせて、靴に対する印象指標を予測する予測モデルを機械学習により生成する手順を示すフローチャートである。 学習済みの予測モデルを用いて、デザイン要素指標とターゲットセグメントから印象指標を予測する手順を示すフローチャートである。 図１５のデザイン修正と再評価の処理の手順を説明するフローチャートである。 図１７（ａ）～（ｆ）は、評価対象の靴の主色の着色パターンを説明する図である。 実施の形態２に係る商品推奨装置の構成図である。
（実施の形態１）
　図１は、本実施の形態に係るデザイン支援装置１００の構成図である。同図は機能に着目したブロック図を描いており、これらの機能ブロックはハードウェア、ソフトウェア、またはそれらの組合せによっていろいろな形で実現することができる。
　ここでは、商品の一例として靴を取り上げる。デザイン支援装置１００は、靴のパーツのデザイン要素指標から、ターゲットとするユーザのセグメントによる靴全体の印象指標を評価する。
　デザイン要素指標入力部１０は、靴全体または靴を構成する部分（パーツ）に対するデザインを定量化したデザイン要素指標を入力する。デザイン要素指標は、靴全体または靴を構成する部分に対する形状、色彩またはテクスチャに関する指標である。
　図２は、靴全体のデザインの一例を示す図である。靴は、ソールとアッパの二つの部分に分かれる。図３は、図２の靴のソールを示す図であり、図４は、図２の靴のアッパを示す図である。図２のデザイン例では、図３の靴のアッパに無地のテクスチャが付けられているが、ストライプや水玉などのテクスチャが付けられてもよい。図５は、靴のアッパに付けられた無地のテクスチャを示す図である。
　形状に関するデザイン要素指標の例を説明する。図６は、靴の甲の曲率半径Ｒを示し、図７は、靴のつま先挙上角度θを示し、図８は、靴の高さＨを示す図である。靴の甲の曲率半径Ｒ、靴のつま先挙上角度θ、靴の高さＨは、靴全体の形状に関する指標の一例である。靴の部分の形状に関する指標として、図３のソールの形状、図４のアッパの形状がある。ソールの形状として、ソール全体の厚さや、つま先から踵までのソールの厚さの変化などがある。アッパの形状として、つま先側の細さや、踵のカーブの曲率を変化などがある。
　色彩に関するデザイン要素指標の例を説明する。図２の靴全体の色彩に関する指標として、全体色相平均、全体明度平均、全体彩度平均の指標があり、それぞれ靴全体の色相、明度、彩度の平均値で与えられる。また、別の靴全体の色彩に関する指標として、色相、明度、彩度の前後方向または上下方向の重心の指標があり、それぞれ靴の前後方向または上下方向の色相、明度、彩度の重心の位置で与えられる。靴の前後方向とは、靴のつま先から踵への方向であり、靴の上下方向とは、靴のアッパからソールへの方向である。同様の色彩に関する指標を、図３のアッパ、図４のソールなど靴の部分に対して定義することができる。
　テクスチャに関するデザイン要素指標の例を説明する。図３に示すように、靴のアッパに無地のテクスチャを付けることができる。テクスチャの他の例はストライプや水玉などの模様である。テクスチャに関する指標は、靴の部分のテクスチャの形や位置に関する指標である。
　図１に戻り、ターゲットセグメント入力部２０は、ターゲットとするユーザのセグメントを入力する。ユーザを性別、年齢、居住地、ランニング頻度、ランニング歴などの属性によってセグメントに分類してもよい。たとえば、ユーザ層を、ランニングに真剣に取り組むシリアスランナー、ランニングを趣味として楽しむファンランナーなどの複数のターゲットセグメントに分類する。
　印象指標入力部３０は、ターゲットセグメント毎のユーザが抱く靴に対する印象を定量化した印象指標を入力する。印象指標の例として、頑強感、スピード感、高級感などがあり、各ターゲットセグメントのユーザが、たとえばＡ（優れる）、Ｂ（平均的）、Ｃ（劣る）の３段階などの評価値で各印象指標を評価したデータを用いる。同じデザインの靴であっても、ユーザのセグメントによって印象指標の評価値は異なる。
　図９は、ターゲットセグメント毎の印象指標の例を説明する図である。ここでは対象の靴に対して６つの印象指標Ｉ１～Ｉ６があり、同一の靴のデザインに対して、シリアスランナーとファンランナーで印象指標Ｉ１～Ｉ６の評価値に違いがある。
　図１に戻り、学習部４０は、デザイン要素指標入力部１０から与えられる学習対象の靴のデザイン要素指標、ターゲットセグメント入力部２０から与えられるターゲットセグメント、および印象指標入力部３０から与えられる当該ターゲットセグメントのユーザの学習対象の靴の印象指標を教師データとして用いて、ターゲットセグメント毎にデザイン要素指標と印象指標の間の相関関係を学習して印象予測モデルを生成する。ユーザ層をセグメントに分けない場合は、学習部４０は、ユーザ層を区別せずに、学習対象の靴のデザイン要素指標と印象指標の対を教師データとして用いて、デザイン要素指標と印象指標の間の相関関係を学習して印象予測モデルを生成する。
　図１０は、シリアスランナーについて靴のｍ個のデザイン要素指標Ｄ１～Ｄｍとｎ個の印象指標Ｉ１～Ｉｎの相関関係を説明する図である。この例では、デザイン要素指標は、Ｄ１：靴の高さ、Ｄ２：つま先挙上角度、Ｄ３：全体明度平均、Ｄ４：全体彩度平均などである。第１行の対象靴のデザイン要素指標Ｄ１～Ｄｍの組み合わせに対して、印象指標はＩ１：Ｂ、Ｉ２：Ｂなどとなっている。第２行の対象靴のデザイン要素指標Ｄ１～Ｄｍの組み合わせに対して、印象指標はＩ１：Ａ、Ｉ２：Ａ、第３行の対象靴のデザイン要素指標Ｄ１～Ｄｍの組み合わせに対して、印象指標はＩ１：Ａ、Ｉ２：Ｃ、第４行の対象靴のデザイン要素指標Ｄ１～Ｄｍの組み合わせに対して、印象指標はＩ１：Ｂ、Ｉ２：Ｃである。
　図１１は、ファンランナーについて靴のｍ個のデザイン要素指標Ｄ１～Ｄｍとｎ個の印象指標Ｉ１～Ｉｎの相関関係を説明する図である。各行の対象靴のデザイン要素指標Ｄ１～Ｄｍの値は図１０と同一であるが、同一の対象靴について印象指標Ｉ１～Ｉｎはシリアスランナーとは異なる。第１行の対象靴に対して印象指標はＩ１：Ｂ、Ｉ２：Ｃ、第２行の対象靴に対して印象指標はＩ１：Ａ、Ｉ２：Ｂ、第３行の対象靴に対して印象指標はＩ１：Ｂ、Ｉ２：Ｂ、第４行の対象靴に対して印象指標はＩ１：Ｃ、Ｉ２：Ｃである。
　図１０および図１１に示すようなターゲットセグメント毎の学習対象の靴のデザイン要素指標Ｄ１～Ｄｍと印象指標Ｉ１～Ｉｎの対を教師データとして与え、靴のデザイン要素指標Ｄ１～Ｄｍから印象指標Ｉ１～Ｉｎを予測するモデルをランダムフォレストなどの決定木分析手法により生成する。デザイン要素指標を説明変数として印象指標を目的変数とする決定木による予測モデルが各印象指標に対して生成される。
　機械学習として、決定木分析以外の手法を用いてもよい。たとえば、回帰モデル、ニューラルネットワーク、ベイズ推定などを用いてもよい。
　図１に戻り、学習部４０は、ターゲットセグメント毎に生成された印象予測モデルを印象予測モデル記憶部５０に格納する。
　印象指標予測部６０は、ターゲットセグメント入力部２０からターゲットセグメントを受け取り、当該ターゲットセグメントの印象予測モデルを印象予測モデル記憶部５０から読み出す。印象指標予測部６０は、当該ターゲットセグメントの印象予測モデルにもとづいて、デザイン要素指標入力部１０から与えられる評価対象の靴のデザイン要素指標を組み合わせて、当該ターゲットセグメントのユーザの評価対象の靴に対する印象指標を予測する。たとえば、評価対象の靴の複数のデザイン要素指標の組み合わせに対して、ターゲットセグメントがシリアスランナーの場合、スピード感が優れるが、頑強感に劣るなどの印象指標の評価値が学習済の予測モデルにもとづいて予測される。
　改善したいターゲットとする印象指標を印象指標予測部６０に入力し、印象指標予測部６０は、ターゲットとする印象指標について評価値を出力するように構成してもよい。
　印象指標予測部６０は、評価される印象指標に与える影響度合いの高い順に少なくとも一つのデザイン要素指標を抽出してもよい。ランダムフォレストでは、説明変数の影響度合いを推定するため、決定木の説明変数の影響度合いを参照して、評価対象の印象指標への影響度合いの高い順にデザイン要素指標を抽出することができる。
　出力部７０は、印象指標予測部６０により予測された印象指標の評価値を出力する。印象指標の評価値はたとえばＡ、Ｂ、Ｃの三段階で示し、Ａは優れる、Ｂは平均的、Ｃは劣ることを示す。
　出力部７０は、印象指標毎に影響度合いの高い順に抽出されたデザイン要素指標を印象指標の評価値とともに出力してもよい。この場合、出力部７０は、印象指標毎に影響度合いの高い順に抽出されたデザイン要素指標について、印象指標を改善するためのデザイン要素指標の修正の方向または修正の範囲を合わせて出力してもよい。
　図１２は、評価対象の靴について予測された印象指標Ｉ１の評価値と、印象指標Ｉ１に影響を与えるデザイン要素指標の修正の方向と範囲を示す図である。印象指標Ｉ１は頑強感であり、その評価値はＡである。印象指標Ｉ１に与える影響度合いの高い順に３つのデザイン要素指標Ｄ６：ソール明度平均、Ｄ７：ソール明度前後方向重心、Ｄ８：アッパ明度前後方向重心が挙げられている。
　図１２では、各デザイン要素指標の靴全体での平均値を縦軸１４０にそろえて、各デザイン要素指標の値を横軸に表示している。評価対象の靴のデザイン要素指標Ｄ６の入力値１２０ａは０．４である。印象指標Ｉ１の評価値がＡである靴が取り得るデザイン要素指標Ｄ６の範囲（「Ａゾーン」と呼ぶ）が符号１１０ａで示され、その中間値は点線で示されている。また、印象指標Ｉ１の評価値がＣである靴が取り得るデザイン要素指標Ｄ６の範囲（「Ｃゾーン」と呼ぶ）が符号１３０ａで示され、その中間値は点線で示されている。
　評価対象の靴のデザイン要素指標Ｄ６の入力値１２０ａは、靴全体の平均値に比べて低い値であり、Ａゾーン１１０ａから外れており、Ｃゾーン１３０ａ内にあることがわかる。印象指標Ｉ１を改善するための評価対象の靴のデザイン要素指標Ｄ６の修正方向が符号１５０ａの矢印で示されている。この例では、印象指標Ｉ１を改善するためには靴のデザイン要素指標Ｄ６をソール明度平均を上げる方向、すなわちソールを全体的に明るくする方向に明度を変更することをデザインの修正方向として示している。修正の範囲としては、修正方向に靴全体の平均値を超え、かつ、修正方向にＡゾーンの中央値を超えるように修正する。
　同様に、デザイン要素指標Ｄ７の入力値１２０ｂは、靴全体の平均値に比べて高い値であり、Ａゾーン１１０ｂから外れており、Ｃゾーン１３０ｂ内にある。印象指標Ｉ１を改善するためのデザイン要素指標Ｄ７の修正方向は符号１５０ｂの矢印で示される。デザイン要素指標Ｄ７をソール明度前後方向重心をかかと側に変更する方向、すなわちソールのかかと側を明るくする方向に明度を変更することをデザインの修正方向として示している。
　デザイン要素指標Ｄ８の入力値１２０ｃについては、修正方向は符号１５０ｃの矢印で示される。デザイン要素指標Ｄ９をアッパ明度前後方向重心をつま先側に変更する方向、すなわちアッパのつま先側を明るくする方向に明度を変更することをデザインの修正方向として示している。
　図１３は、評価対象の靴について予測された印象指標Ｉ５の評価値と、印象指標Ｉ５に影響を与えるデザイン要素指標の修正の方向と範囲を示す図である。印象指標Ｉ５はスピード感であり、その評価値はＢである。印象指標Ｉ５に与える影響度合いの高い順に２つのデザイン要素指標Ｄ８：アッパ明度前後方向重心、Ｄ１０：アッパ彩度上下方向重心が挙げられている。
　評価対象の靴のデザイン要素指標Ｄ８の入力値１２０ｄ、Ａゾーン１１０ｄ、Ｃゾーン１３０ｄ、修正方向１５０ｄが示されている。デザイン要素指標Ｄ８をアッパ明度前後方向重心をつま先側に変更する方向、すなわちアッパのつま先側を明るくする方向に明度を変更することをデザインの修正方向として示している。
　同様に評価対象の靴のデザイン要素指標Ｄ１０の入力値１２０ｅ、Ａゾーン１１０ｅ、Ｃゾーン１３０ｅ、修正方向１５０ｅが示されている。デザイン要素指標Ｄ１０をアッパ彩度上下方向重心を上側に変更する方向、すなわちアッパの上側を鮮やかにする方向に彩度を変更することをデザインの修正方向として示している。
　図１に戻り、デザイン要素指標修正部８０は、出力部７０が提示する修正の方向性にしたがってデザイン要素指標を修正する。デザイン要素指標の修正はデザイン支援装置１００が自動的に行ってもよく、デザイン支援装置１００のオペレータがデザイン要素指標の変更値を入力してもよい。デザイン要素指標修正部８０は、修正されたデザイン要素指標をデザイン要素指標入力部１０に与える。印象指標予測部６０は、修正されたデザイン要素指標にもとづいて再度予測モデルにもとづいて印象指標を予測し、出力部７０が印象指標の新しい評価値を出力する。この修正作業を繰り返すことにより、デザイン要素指標を変更しながら、印象指標を改善し、デザインを修正していくことができる。
　図１４は、靴の複数のデザイン要素指標を組み合わせて、靴に対する印象指標を予測する予測モデルを機械学習により生成する手順を示すフローチャートである。これは、学習部４０が、多数のユーザの靴に対する評価データを用いて予測モデルを生成する機械学習フェーズである。
　デザイン要素指標入力部１０は、学習対象の靴のデザイン要素指標を入力する（Ｓ１０）。学習対象の靴の画像や３次元モデルを前処理して靴のデザイン要素指標を抽出してもよい。
　ターゲットセグメント入力部２０は、学習対象の靴を評価するターゲットセグメントを入力し、印象指標入力部３０は、学習対象の靴に対する各ターゲットセグメントによる印象指標の評価値を入力する（Ｓ２０）。
　学習部４０は、学習対象の靴のデザイン要素指標と各ターゲットセグメントによる印象指標の相関関係を機械学習し、デザイン要素指標とターゲットセグメントから印象指標を予測する予測モデルを生成する（Ｓ３０）。
　学習部４０は、生成された予測モデルをターゲットセグメント毎に印象予測モデル記憶部５０に記憶する（Ｓ４０）。
　図１５は、学習済みの予測モデルを用いて、デザイン要素指標とターゲットセグメントから印象指標を予測する手順を示すフローチャートである。これは、印象指標予測部６０が、学習部４０により生成された予測モデルを用いてデザイン要素指標とターゲットセグメントから印象指標を予測するフェーズである。
　デザイン要素指標入力部１０は、評価対象の靴のデザイン要素指標を入力する（Ｓ５０）。ターゲットセグメント入力部２０は、特定のターゲットセグメントを入力する（Ｓ６０）。印象指標入力部３０は、改善のターゲットとする印象指標を指定する（Ｓ７０）。
　印象指標予測部６０は、印象予測モデル記憶部５０から読み出した特定のターゲットセグメントの予測モデルにもとづいて、入力された評価対象の靴のデザイン要素指標から当該靴の印象指標を予測する（Ｓ８０）。
　出力部７０は、改善のターゲットとした印象指標の評価値を、当該印象指標に影響を与えるデザイン要素指標の修正の範囲と方向性とともに出力する（Ｓ９０）。
　デザイン要素指標修正部８０は、印象指標に影響を与えるデザイン要素指標を修正方向にしたがって修正し、印象指標予測部６０は修正されたデザイン要素指標から予測モデルにもとづいて印象指標を再評価する（Ｓ１００）。
　図１６は、図１５のデザイン修正と再評価の処理Ｓ１００の一例を説明するフローチャートである。ここでは一例として、印象指標の評価結果にもとづいて色を変更する手順を説明する。
　あらかじめカラーパレットから複数のカラーを選択する（Ｓ１１０）。
　印象指標の評価結果にもとづいて主色の着色パターンを選択する（Ｓ１２０）。図１７（ａ）～（ｆ）は、評価対象の靴の主色の着色パターンを説明する図である。斜線を付した部分が主色で着色されている。主色で着色することのできる領域はあらかじめ指定されている。過去に販売された靴の塗り分けパターンにもとづいて主色と同色で塗られている領域を特定することによって主色で着色することのできる領域を抽出してもよい。主色で着色することのできる領域を主色で着色するかどうかで図１７（ａ）～（ｆ）に一例を示すような異なる着色パターンが得られる。
　印象指標の評価結果とともに出力されるデザイン要素指標の寄与度にもとづいて図１７（ａ）～（ｆ）の着色パターンの中から一つの着色パターンを選択する。たとえば、印象指標に寄与するデザイン要素指標がアッパ明度前後方向重心であり、当該デザイン要素指標の修正方向がつま先を明るくする方向である場合、アッパのつま先を主色で着色したパターンを図１７（ａ）～（ｆ）の着色パターンの中から選択する。印象指標の改善に寄与するデザイン要素指標が複数ある場合は、寄与度の高いものを優先する。いずれのデザイン要素指標が印象指標の改善に寄与するかが明確でない場合は、ランダムに着色パターンを選択してもよい。
　選択した着色パターンの主色以外の着色領域をカラーパレットから選択したすべてのカラーの組み合わせで着色することにより、複数のデザインパターンを生成する（Ｓ１３０）。
　印象指標予測部６０は、予測モデルにもとづいて、各デザインパターンの修正されたデザイン要素指標から印象指標を予測する（Ｓ１４０）。出力部７０は、各デザインパターンの印象指標の評価結果を出力する（Ｓ１５０）。これにより、修正されたデザインパターンの印象を再評価することができる。
　上記の説明では、商品の一例として靴を取り上げたが、靴以外の商品、たとえば衣服に対しても本実施の形態のデザイン支援装置１００を適用して、衣服を襟や袖などのパーツに分け、衣服のパーツのデザイン要素指標から衣服全体に対する印象指標を予測してもよい。
　以上述べたように、本実施の形態のデザイン支援装置１００によれば、消費者が靴に対して抱く印象に関する評価データを教師データとして用いて、靴のパーツのデザイン指標から、ターゲットセグメント毎に靴の印象指標を予測するモデルを学習することができる。さらに、デザイン支援装置１００は、学習された予測モデルにもとづいて、靴のパーツのデザイン指標から、特定のターゲットセグメントによる靴の印象指標を予測し、印象指標を改善するためのデザイン要素指標の修正の方向性を提示することができる。デザイン要素指標の修正の方向性を消費者の印象評価データにもとづいて決定するため、デザイナのスキルやセンスに依存することなく、デザイン要素指標を修正することができる。
（実施の形態２）
　実施の形態２として、実施の形態１で説明した印象予測モデルを利用した商品推奨装置について説明する。実施の形態２の商品推奨装置は、オンラインショッピングサイトなどでユーザが興味を示したり、過去に購入した商品の印象と類似する別の商品をユーザに推奨する。商品は、実施の形態１で説明した靴以外に衣服、文房具など、商品を構成する要素のデザインによって商品の印象が変わる商品であればどんな商品であってもよい。
　図１８は、実施の形態２に係る商品推奨装置２００の構成図である。実施の形態１のデザイン支援装置１００と共通する構成および動作については適宜説明を省略する。
　デザイン要素指標入力部１０は、商品全体または商品を構成する部分に対するデザインを定量化したデザイン要素指標を入力する。ターゲットセグメント入力部２０は、ターゲットとするユーザのセグメントを入力する。印象指標入力部３０は、ターゲットセグメント毎のユーザが抱く商品に対する印象を定量化した印象指標を入力する。
　学習部４０は、デザイン要素指標入力部１０から与えられる商品のデザイン要素指標、ターゲットセグメント入力部２０から与えられるターゲットセグメント、および印象指標入力部３０から与えられる当該ターゲットセグメントのユーザの商品の印象指標を教師データとして用いて、ターゲットセグメント毎にデザイン要素指標と印象指標の間の相関関係を学習して印象予測モデルを生成し、印象予測モデル記憶部５０に格納する。商品のユーザ層のセグメント化はオプションであり、学習部４０は、ユーザ層を区別せずに、商品のデザイン要素指標と靴の印象指標の対を教師データとして用いて、デザイン要素指標と印象指標の間の相関関係を学習して印象予測モデルを生成してもよい。
　商品選択部９４は、ユーザがオンラインショッピングサイトなどで指定する商品のデザイン要素指標を商品データベース９２から抽出し、デザイン要素指標入力部１０に供給する。デザイン要素指標入力部１０は、ユーザが指定した商品のデザイン要素指標を印象指標予測部６０に与える。ターゲットセグメント入力部２０は、商品を指定したユーザのセグメントを印象指標予測部６０に与える。ただし、商品のユーザ層をセグメント化しない場合は、ターゲットセグメントの入力は不要である。
　印象指標予測部６０は、ターゲットセグメント入力部２０からターゲットセグメントを受け取り、当該ターゲットセグメントの印象予測モデルを印象予測モデル記憶部５０から読み出す。印象指標予測部６０は、当該ターゲットセグメントの印象予測モデルにもとづいて、デザイン要素指標入力部１０から与えられる商品のデザイン要素指標を組み合わせて、当該ターゲットセグメントのユーザの商品に対する印象指標を予測する。商品のユーザ層をセグメント化しない場合は、ターゲットセグメントに依存しない印象予測モデルにもとづいてユーザの商品に対する印象指標を予測する。
　推奨部９０は、印象指標予測部６０によって予測された印象指標と類似する印象指標を有する他の商品を商品データベース９２から選択してユーザに推奨する。印象指標の類似範囲は、印象指標毎に所定の閾値によって定めることができる。推奨部９０によって、ユーザは指定した商品と印象指標は類似するがデザインが異なる他の商品を閲覧することができる。
　上記の説明では、ユーザがオンラインショッピングサイトなどで指定した商品のデザイン要素指標をデザイン要素指標入力部１０に与えたが、ユーザの過去の商品購入履歴や閲商品覧履歴を参照して、過去に購入または閲覧した商品のデザイン要素指標をデザイン要素指標入力部１０に与えてもよい。この場合、印象指標予測部６０は、過去に購入または閲覧した商品のデザイン要素指標の組み合わせから印象指標を予測し、推奨部９０は、過去に購入または閲覧した商品の印象指標に類似する印象指標を有する他の商品をユーザに推奨する。
　以上、本発明を実施の形態をもとに説明した。実施の形態は例示であり、それらの各構成要素や各処理プロセスの組合せにいろいろな変形例が可能なこと、またそうした変形例も本発明の範囲にあることは当業者に理解されるところである。
　この発明は、商品のデザインを支援する技術および商品を推奨する技術に利用することができる。
　１０　デザイン要素指標入力部、　２０　ターゲットセグメント入力部、　３０　印象指標入力部、　４０　学習部、　５０　印象予測モデル記憶部、　６０　印象指標予測部、　７０　出力部、　８０　デザイン要素指標修正部、　９０　推奨部、　９２　商品データベース、　９４　商品選択部、　１００　デザイン支援装置、　２００　商品推奨装置。

Claims (14)

  1. 　靴を構成する複数の部分に対するデザインを定量化した複数のデザイン要素指標を入力する入力部と、
    　入力された複数の前記デザイン要素指標を組み合わせて、前記靴に対する印象を定量化した印象指標を予測する予測部と、
    　予測された前記印象指標を出力する出力部とを含むことを特徴とするデザイン支援装置。
  2. 　複数の前記デザイン要素指標と前記印象指標の対を教師データとして用いて複数の前記デザイン要素指標と前記印象指標の間の相関関係を学習して印象予測モデルを生成する学習部をさらに含み、
    　前記予測部は、学習された前記印象予測モデルにもとづいて、入力された複数の前記デザイン要素指標に対して、前記印象指標を予測することを特徴とする請求項１に記載のデザイン支援装置。
  3. 　前記学習部は、複数のセグメントに分類された前記靴のユーザの前記セグメント毎の複数の前記デザイン要素指標と前記印象指標の対を教師データとして用いて複数の前記デザイン要素指標と前記印象指標の間の相関関係を学習し、前記セグメント毎の印象予測モデルを生成し、
    　前記入力部は、さらに前記セグメントを入力し、
    　前記予測部は、学習された前記セグメント毎の前記印象予測モデルにもとづいて、入力された前記セグメントおよび複数の前記デザイン要素指標に対して、前記印象指標を予測することを特徴とする請求項２に記載のデザイン支援装置。
  4. 　前記予測部は、前記印象指標に与える影響度合いの高い順に少なくとも一つのデザイン要素指標を抽出し、
    　前記出力部は、前記印象指標毎に抽出された前記デザイン要素指標を前記印象指標とともに出力することを特徴とする請求項１から３のいずれかに記載のデザイン支援装置。
  5. 　前記出力部は、前記印象指標毎に抽出された前記デザイン要素指標について、前記印象指標を改善するための前記デザイン要素指標の修正の方向を合わせて出力することを特徴とする請求項４に記載のデザイン支援装置。
  6. 　前記出力部は、前記印象指標毎に抽出された前記デザイン要素指標について、前記印象指標を改善するための前記デザイン要素指標の修正の範囲を合わせて出力することを特徴とする請求項４に記載のデザイン支援装置。
  7. 　前記印象指標毎に抽出された前記デザイン要素指標を修正するデザイン要素指標修正部をさらに含み、
    　前記予測部は、修正された前記デザイン要素指標を用いて前記印象指標を再予測することを特徴とする請求項４に記載のデザイン支援装置。
  8. 　前記デザイン要素指標は、前記靴を構成する複数の部分の各々に対する形状に関する指標を含むことを特徴とする請求項１から７のいずれかに記載のデザイン支援装置。
  9. 　前記デザイン要素指標は、前記靴を構成する複数の部分の各々に対する色彩またはテクスチャに関する指標をさらに含むことを特徴とする請求項８に記載のデザイン支援装置。
  10. 　靴を構成する複数の部分に対するデザインを定量化した複数のデザイン要素指標を入力する入力ステップと、
    　入力された複数の前記デザイン要素指標を組み合わせて、前記靴に対する印象を定量化した印象指標を予測する予測ステップと、
    　予測された前記印象指標を出力する出力ステップとを含むことを特徴とするデザイン支援方法。
  11. 　衣服を構成する複数の部分に対するデザインを少なくとも含む定量化された複数のデザイン要素指標を入力する入力部と、
    　入力された複数の前記デザイン要素指標を組み合わせて、前記衣服に対する印象を定量化した複数の印象指標を予測する予測部と、
    　予測された前記複数の印象指標を出力する出力部とを含むことを特徴とするデザイン支援装置。
  12. 　複数の前記デザイン要素指標と前記印象指標の対を教師データとして用いて複数の前記デザイン要素指標と前記印象指標の間の相関関係を学習して印象予測モデルを生成する学習部をさらに含み、
    　前記予測部は、学習された前記印象予測モデルにもとづいて、入力された複数の前記デザイン要素指標に対して、前記印象指標を予測することを特徴とする請求項１１に記載のデザイン支援装置。
  13. 　予測された前記印象指標と類似する印象指標を有する他の靴を推奨する推奨部をさらに含むことを特徴とする請求項１または２に記載のデザイン支援装置。
  14. 　予測された前記印象指標と類似する印象指標を有する他の衣服を推奨する推奨部をさらに含むことを特徴とする請求項１１または１２に記載のデザイン支援装置。
PCT/JP2019/028148 2019-07-17 2019-07-17 デザイン支援装置及びデザイン支援方法 Ceased WO2021009880A1 (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
JP2020556821A JP7395499B2 (ja) 2019-07-17 2019-07-17 デザイン支援装置及びデザイン支援方法
PCT/JP2019/028148 WO2021009880A1 (ja) 2019-07-17 2019-07-17 デザイン支援装置及びデザイン支援方法
CN201980034919.3A CN112534457B (zh) 2019-07-17 2019-07-17 设计支援装置以及设计支援方法
US17/255,969 US12373619B2 (en) 2019-07-17 2019-07-17 Shoe designing support device that estimates impression index, and shoe designing support method that estimates impression index
EP19933213.1A EP3798960A4 (en) 2019-07-17 2019-07-17 DESIGN AID DEVICE AND DESIGN AID METHOD

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2019/028148 WO2021009880A1 (ja) 2019-07-17 2019-07-17 デザイン支援装置及びデザイン支援方法

Publications (1)

Publication Number Publication Date
WO2021009880A1 true WO2021009880A1 (ja) 2021-01-21

Family

ID=74209734

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/028148 Ceased WO2021009880A1 (ja) 2019-07-17 2019-07-17 デザイン支援装置及びデザイン支援方法

Country Status (5)

Country Link
US (1) US12373619B2 (ja)
EP (1) EP3798960A4 (ja)
JP (1) JP7395499B2 (ja)
CN (1) CN112534457B (ja)
WO (1) WO2021009880A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022208718A1 (ja) * 2021-03-31 2022-10-06 日本電気株式会社 商品デザイン生成支援装置、商品デザイン生成支援方法およびプログラム記憶媒体

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3980253B1 (en) 2019-06-06 2024-09-25 Bluebeam, Inc. Methods and systems for establishing a linkage between a three-dimensional electronic design file and a two-dimensional design document
CN115081043B (zh) * 2022-06-27 2024-03-22 广东时谛智能科技有限公司 鞋体设计中特征数据的确定方法、装置、设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10124476A (ja) * 1996-10-23 1998-05-15 Nri & Ncc Co Ltd 階層的予測モデル構築装置及びその方法
JPH10301981A (ja) * 1997-04-28 1998-11-13 Tokyo Electric Power Co Inc:The 建物外観の色彩決定支援システム
JP2000235588A (ja) 1999-02-12 2000-08-29 Matsushita Electric Works Ltd デザイン構築支援システム
JP2000285151A (ja) * 1999-03-31 2000-10-13 Toyota Motor Corp デザイン評価装置及びデザイン作成装置並びに方法
WO2011103272A2 (en) * 2010-02-22 2011-08-25 Nike International Ltd. Augmented reality design system
JP2012155422A (ja) * 2011-01-24 2012-08-16 Chiba Univ デザイン支援プログラム
JP2012178130A (ja) * 2011-02-25 2012-09-13 Fourdigit Inc デザイン評価、デザイン最適化を支援するシステム、及びプログラム
WO2017098760A1 (ja) 2015-12-08 2017-06-15 ソニー株式会社 情報処理装置、情報処理方法、およびプログラム

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2428079A1 (en) 2000-11-10 2002-07-25 Affinnova, Inc. Method and apparatus for dynamic, real-time market segmentation
JP4894709B2 (ja) * 2007-10-04 2012-03-14 株式会社Ｉｈｉ 製品設計支援システム及びコンピュータにおける製品設計支援のための動作方法
CN104424230B (zh) * 2013-08-26 2019-10-29 阿里巴巴集团控股有限公司 一种网络商品推荐方法及装置
JP6199685B2 (ja) * 2013-10-03 2017-09-20 Ｎｅｃソリューションイノベータ株式会社 ファッションコーディネート支援装置及びファッションコーディネート支援システム
US11858651B2 (en) * 2018-10-25 2024-01-02 The Boeing Company Machine learning model development with interactive feature construction and selection

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10124476A (ja) * 1996-10-23 1998-05-15 Nri & Ncc Co Ltd 階層的予測モデル構築装置及びその方法
JPH10301981A (ja) * 1997-04-28 1998-11-13 Tokyo Electric Power Co Inc:The 建物外観の色彩決定支援システム
JP2000235588A (ja) 1999-02-12 2000-08-29 Matsushita Electric Works Ltd デザイン構築支援システム
JP2000285151A (ja) * 1999-03-31 2000-10-13 Toyota Motor Corp デザイン評価装置及びデザイン作成装置並びに方法
WO2011103272A2 (en) * 2010-02-22 2011-08-25 Nike International Ltd. Augmented reality design system
JP2012155422A (ja) * 2011-01-24 2012-08-16 Chiba Univ デザイン支援プログラム
JP2012178130A (ja) * 2011-02-25 2012-09-13 Fourdigit Inc デザイン評価、デザイン最適化を支援するシステム、及びプログラム
WO2017098760A1 (ja) 2015-12-08 2017-06-15 ソニー株式会社 情報処理装置、情報処理方法、およびプログラム

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
NOZAKI NAOYUKI , EIICHI KONNO ,MITSURU SATO , MAKOTO SAKAIRI , TOSHIYUKI SHIBUYA , YUUJI KANAZAWA , SERBAN GEORGESCU: "Application of Artificial Intelligence Technology in Product Design", FUJITSU, vol. 53, no. 4, July 2017 (2017-07-01), pages 43 - 51, XP055784113 *
OTA KENICHIRO: "Doesthe design evolve by Using Al?", NIKKEI DESIGN , vol. 378, 24 November 2018 (2018-11-24), pages 52 - 53, XP009526204, ISSN: 0913-3429 *
See also references of EP3798960A4

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022208718A1 (ja) * 2021-03-31 2022-10-06 日本電気株式会社 商品デザイン生成支援装置、商品デザイン生成支援方法およびプログラム記憶媒体
JP7485203B2 (ja) 2021-03-31 2024-05-16 日本電気株式会社 商品デザイン生成支援装置、商品デザイン生成支援方法およびコンピュータプログラム

Also Published As

Publication number Publication date
EP3798960A4 (en) 2022-03-23
CN112534457B (zh) 2024-10-01
JP7395499B2 (ja) 2023-12-11
JPWO2021009880A1 (ja) 2021-01-21
US12373619B2 (en) 2025-07-29
CN112534457A (zh) 2021-03-19
US20210173984A1 (en) 2021-06-10
EP3798960A1 (en) 2021-03-31

Similar Documents

Publication Publication Date Title
EP4184414A1 (en) Product recommendation device and method based on image database analysis
JP7395499B2 (ja) デザイン支援装置及びデザイン支援方法
EP3762795B1 (en) Method, device, system and program for setting lighting condition and storage medium
KR20190132562A (ko) 신발 디자인 도구
Ma et al. The parameter basin and complex of dynamic game with estimation and two-stage consideration
CN108960959A (zh) 基于神经网络的多模态互补服装搭配方法、系统及介质
KR102176786B1 (ko) 온라인 스타일링 시스템 및 온라인 스타일링 제안 방법
EP4353116B1 (en) Shoe fit evaluation device and shoe fit evaluation method
Lee et al. Soccer shoe recommendation system based on multitechnology integration for digital transformation
Neumann et al. Evolutionary image transition using random walks
KR20190114448A (ko) 사용자 맞춤형 의류 추천 방법 및 이를 실행하는 서버
Zhang et al. Shoe-last design exploration and customization
Wu et al. A computer-aided coloring method for virtual agents based on personality impression, color harmony, and designer preference
CN113408798B (zh) 一种面向色觉异常人群的无障碍vr教学资源色彩优化方法
Benghanem et al. Alpine skis categorization with comprehensive decision tree models
JP2017167759A (ja) コーディネート推薦装置、及びプログラム
Shahrabi et al. Developing a hybrid intelligent model for constructing a size recommendation expert system in textile industries
Podlasov et al. Japanese street fashion for young people: A multimodal digital humanities approach for identifying sociocultural patterns and trends
Valentine et al. Rolling up the leaf node’to new levels of analysis: How algorithmic decision-making changes roles, hierarchies, and org charts
KR20230155306A (ko) 의류 스타일링 추천 장치 및 추천 방법
Ranjan et al. Fashion forward with ai creations using gan
Mulet et al. Heuristic guidelines to support conceptual design
JP7779977B1 (ja) 情報処理装置、情報処理方法及び情報処理プログラム
KR102564000B1 (ko) 수요-공급 속성 기반 잡화 커스텀 보수 추천 시스템 및 방법
Kobayashi et al. Reuse of Kansei Evaluation Results for the Aesthetic Design of Different Types of Products.

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2020556821

Country of ref document: JP

Kind code of ref document: A

ENP Entry into the national phase

Ref document number: 2019933213

Country of ref document: EP

Effective date: 20201222

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19933213

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

WWG Wipo information: grant in national office

Ref document number: 17255969

Country of ref document: US