相容性预测方法、相容性预测装置和相容性预测程序与流程

1.本发明涉及相容性预测方法、相容性预测装置和相容性预测程序。


背景技术：

2.在专利文献1中，记载了咖啡与食品的相容性判断方法和相容性判断装置（参照专利文献1的0006段）。
3.在先技术文献专利文献专利文献1：日本特开2017-130142号公报。


技术实现要素：

4.发明要解决的课题如上述专利文献1所记载那样，从以往开始就存在想事先掌握咖啡与食品的相容性这一迫切期望。在此，前述相容性大多例如通过人实际饮用咖啡和食用食品来评价（所谓的感官评价）。然而，前述感官评价存在个人差异大、需要多人的评价和需要培养评价者等课题。
5.本发明是鉴于上述问题点而作出的发明，其目的在于提供一种相容性预测方法、相容性预测装置和相容性预测程序，该相容性预测方法、相容性预测装置和相容性预测程能够通过测得食品（例如，甜点类或饮食类食品）与饮料（例如，咖啡）的香气（香味）来以高精度且简便地预测该食品和该饮料的相容性。
6.用于解决课题的方案为了解决上述的课题并达成目的，本发明所涉及的相容性预测方法的特征在于，包括预测步骤，该预测步骤中，使用测量值或基于该测量值算出的算出值，基于用于预测预测对象食品与预测对象饮料的相容性的模型来预测前述预测对象食品与前述预测对象饮料的前述相容性，前述预测对象食品是成为相容性预测的对象的食品，前述预测对象饮料是成为相容性预测的对象的饮料，前述测量值是与通过测量器而测得的前述预测对象食品和前述预测对象饮料的香气成分作为既定信息的情况下的、该既定信息相关的值。
7.另外，本发明所涉及的相容性预测方法的特征在于，前述所测得的前述既定信息，是通过使前述香气成分吸附于前述测量器中的、吸附前述香气成分的部位即吸附部位而测得的信息。
8.另外，本发明所涉及的相容性预测方法的特征在于，前述所测得的前述既定信息，起因于前述香气成分吸附于作为前述吸附部位的感应膜而导致的重量的变化，前述感应膜固定于前述测量器所具备的梁所具有的压电元件。
9.另外，本发明所涉及的相容性预测方法的特征在于，前述重量的变化，是作为前述梁的振动频率的变化而检测出的变化。
10.另外，本发明所涉及的相容性预测方法的特征在于，前述振动频率是谐振频率。
11.另外，本发明所涉及的相容性预测方法的特征在于，前述所测得的前述既定信息，是通过使前述香气成分吸附于前述测量器中的、吸附前述香气成分的部位即吸附部位而从前述吸附部位测得的信息。
12.另外，本发明所涉及的相容性预测方法的特征在于，前述测量器中的前述吸附部位由适配体构成，前述所测得的前述既定信息，起因于前述香气成分吸附于前述适配体而导致的、前述适配体的单一波长的反射光强度的变化。
13.另外，本发明所涉及的相容性预测方法的特征在于，前述测量值是使用表面等离子体激元共振法而测得的值。
14.另外，本发明所涉及的相容性预测方法的特征在于，用于前述预测的前述测量值，是在对于1个前述预测对象食品或1个前述预测对象饮料持续地测得前述测量值的情况下，在前述测量值稳定的时间范围内或湿度稳定的时间范围内取得的值。
15.另外，本发明所涉及的相容性预测方法的特征在于，前述模型是基于如下（1）~（3）并使用机器学习而构建的模型，（1）测量值或基于该测量值算出的算出值，该测量值是与通过前述测量器而测得的学习对象食品的香气成分作为既定信息的情况下的、该既定信息相关的值，（2）测量值或基于该测量值算出的算出值，该测量值是与通过前述测量器而测得的学习对象饮料的香气成分作为既定信息的情况下的、该既定信息相关的值，（3）在人已经对前述学习对象食品与前述学习对象饮料的相容性进行评价的情况下的结果，前述学习对象食品是成为前述机器学习的对象的食品，前述学习对象饮料是成为前述机器学习的对象的饮料。
16.另外，本发明所涉及的相容性预测方法的特征在于，在前述预测步骤中，将前述相容性数值化后进行预测。
17.另外，本发明所涉及的相容性预测方法的特征在于，前述预测对象食品是甜点类或饮食类的食品。
18.另外，本发明所涉及的相容性预测方法的特征在于，前述预测对象饮料是咖啡、清酒、葡萄酒或茶。
19.另外，本发明所涉及的相容性预测装置，是具备控制部的相容性预测装置，其特征在于，前述控制部具备预测单元，该预测单元使用测量值或基于该测量值算出的算出值，基于用于预测预测对象食品与预测对象饮料的相容性的模型来预测前述预测对象食品与前述预测对象饮料的前述相容性，前述预测对象食品是成为相容性预测的对象的食品，前述预测对象饮料是成为相容性预测的对象的饮料，前述测量值是与通过测量器而测得的前述预测对象食品和前述预测对象饮料的香气成分作为既定信息的情况下的、该既定信息相关的值。
20.另外，本发明所涉及的相容性预测程序是用于在具备控制部的信息处理装置中执行的相容性预测程序，其特征在于，前述相容性预测程序包括用于在前述控制部中执行的预测步骤，该预测步骤中，使用测量值或基于该测量值算出的算出值，基于用于预测预测对象食品与预测对象饮料的相容性的模型来预测前述预测对象食品与前述预测对象饮料的前述相容性，前述预测对象食品是成为相容性预测的对象的食品，前述预测对象饮料是成
为相容性预测的对象的饮料，前述测量值是与通过测量器而测得的前述预测对象食品和前述预测对象饮料的香气成分作为既定信息的情况下的、该既定信息相关的值。
21.发明的效果依据本发明，起到能够通过测得食品（例如，甜点类或饮食类食品）和饮料（例如，咖啡）的香气（香味）来以高精度且简便地预测该食品与该饮料的相容性这一效果。
附图说明
22.图1是示出相容性预测装置的构成的一个示例的框图。
23.图2是示出本实施方式所涉及的相容性预测的流程的一个示例的图。
24.图3是示出本实施方式所涉及的模型构建的流程的一个示例的图。
25.图4是示出本实施方式所涉及的模型构建的更详细的流程的一个示例的图。
26.图5是示出能够用于相容性预测模型构建的、咖啡以及甜点类和饮食类食品的列表的图。
27.图6是示出依据在甜点类饮食中分成教师数据和测试数据并利用教师数据来生成的模型的测试数据的预测值（纵轴）和依据感官评价的实测值（横轴）的图。
28.图7是示出通过本实施方式所涉及的模型来进行甜点类食品与咖啡的相容性（食物搭配）的预测的结果的一个示例的图。
29.图8是示出通过本实施方式所涉及的模型来主要进行小吃类的食品与清酒的相容性（食物搭配）的预测的结果的一个示例的图。
30.图9是示出通过本实施方式所涉及的模型来主要进行奶酪类的食品与葡萄酒的相容性（食物搭配）的预测的结果的一个示例的图。
31.图10是示出通过本实施方式所涉及的模型来主要进行甜点类的食品与茶的相容性（食物搭配）的预测的结果的一个示例的图。
具体实施方式
32.以下，基于附图而详细地说明相容性预测方法、相容性预测装置和相容性预测程序的实施方式。此外，本发明不被本实施方式限定。
33.[1. 构成]参照图1，对本实施方式所涉及的相容性预测装置100的构成的一个示例进行说明。图1是示出相容性预测装置100的构成的一个示例的框图。
[0034]
相容性预测装置100是在市场上出售的台式个人计算机。此外，相容性预测装置100不限于如台式个人计算机那样的固定型信息处理装置，也可以是在市场上出售的笔记本型个人计算机、pda（personal digital assistants，个人数字助理）、智能手机、平板型个人计算机等便携型信息处理装置。
[0035]
相容性预测装置100具备控制部102、通信接口部104、存储部106以及输入输出接口部108。相容性预测装置100所具备的各部分经由任意的通信路径可通信地连接。
[0036]
通信接口部104经由路由器等通信装置和专用线路等有线或无线的通信线路，将相容性预测装置100可通信地连接至网络300。通信接口部104具有经由通信线路与其它装置进行数据通信的功能。在此，网络300具有将相容性预测装置100和测量器200可相互通信
地连接的功能，例如是互联网或lan（local area network，局域网）等。
[0037]
在输入输出接口部108，连接有输入装置112和输出装置114。关于输出装置114，除了能够使用监视器（包括家用电视机）以外，还能够使用扬声器或打印机。关于输入装置112，除了能够使用键盘、鼠标和麦克风以外，还能够使用与鼠标协作来实现定点设备功能的监视器。此外，以下，有时将输出装置114作为监视器114来记载，将输入装置112作为键盘112或鼠标112来记载。
[0038]
在存储部106中，储存有各种数据库、表和文件等。在存储部106中，记录有用于与os（operating system，操作系统）协作来向cpu（central processing unit，中央处理器）给予命令而进行各种处理的计算机程序。作为存储部106，能够使用例如ram（random access memory，随机存取存储器）/rom（read only memory，只读存储器）等存储器装置、如硬盘那样的固定盘装置、软盘和光盘等。
[0039]
存储部106例如具备取得结果数据106a、算出结果数据106b、预测结果数据106c、模型数据106d以及感官评价数据106e。
[0040] 在取得结果数据106a中，储存有后述的取得部102a所取得的测量值（例如，通过由测量器200进行的测得来取得的原始数据）。
[0041]
在算出结果数据106b中，储存有后述的算出部102b所算出的算出值。
[0042]
在预测结果数据106c中，储存有后述的预测部102c所预测的结果（例如，表示前述食品与饮料的相容性的分数）。
[0043]
在模型数据106中，储存有后述的构建部102e所构建的模型。
[0044]
在感官评价数据106e中，储存有人对食品与饮料的相容性进行评价（感官评价）的结果。
[0045]
控制部102是总体上控制相容性预测装置100的cpu等。控制部102具有用于储存os等的控制程序、规定各种处理顺序等的程序、所需数据等的内部存储器，基于所储存的这些程序而执行各种信息处理。
[0046]
控制部102在功能概念上，例如具备：（1）作为取得测量值的取得单元的取得部102a，该测量值是与通过测量器而测得的预测对象食品和预测对象饮料的香气成分作为既定信息的情况下的、该既定信息相关的值，该预测对象食品是成为相容性预测的对象的食品，该预测对象饮料是成为相容性预测的对象的饮料；（2）作为算出单元的算出部102b，该算出单元基于前述所取得的前述测量值而将算出值算出；（3）作为预测单元的预测部102c，该预测单元使用测量值或基于该测量值算出的算出值，基于用于预测预测对象食品与预测对象饮料的相容性的模型来预测前述预测对象食品与前述预测对象饮料的前述相容性，该预测对象食品是成为相容性预测的对象的食品，该预测对象饮料是成为相容性预测的对象的饮料，该测量值是与通过测量器而测得的前述预测对象食品和前述预测对象饮料的香气成分作为既定信息的情况下的、该既定信息相关的值；（4）作为显示单元的显示部102d，该显示单元显示前述所预测的结果；以及（5）作为构建单元的构建部102e，该构建单元构建前述模型。其中，为了进行本实施方式所涉及的相容性预测，控制部102只要至少具备预测部102c即可，除了预测部102c以外则为任意的构成要素。
[0047]
取得部102a取得测量值（例如，通过由测量器200进行的测得来取得的原始数据），该测量值是与通过测量器200而测得的预测对象食品和预测对象饮料的香气成分作为既定
信息的情况下的、该既定信息相关的值，该预测对象食品是成为相容性预测的对象的食品，该预测对象饮料是成为相容性预测的对象的饮料。该既定信息起因于例如反射光强度的变化、色彩的变化和重量的变化等。
[0048]
算出部102b基于由取得部102a取得的前述测量值，使用既定解析工具（例如，excel、jmp和r等）以及既定解析方法来将算出值算出。
[0049]
预测部102c使用由取得部102a取得的前述测量值或由算出部102b算出的前述算出值，基于用于预测前述预测对象食品与前述预测对象饮料的相容性的模型而预测前述预测对象食品与前述预测对象饮料的前述相容性。
[0050]
显示部102d显示预测部102c中的关于前述相容性的预测结果（例如，表示前述预测对象食品与前述预测对象饮料的前述相容性的分数）。
[0051]
构建部102e按照图3的流程来构建前述模型。即，基于如下（1）~（3）并使用前述机器学习（例如，随机森林）来构建前述模型：（1）测量值或基于该测量值算出的算出值（相当于对于图3的学习对象食品的
ꢀ“
测量值或算出值”），该测量值是与通过前述测量器而测得的学习对象食品的香气成分作为既定信息的情况下的、该既定信息相关的值；（2）测量值或基于该测量值算出的算出值（相当于对于图3的学习对象饮料的“测量值或算出值”），该测量值是与通过前述测量器而测得的学习对象饮料的香气成分作为既定信息的情况下的、该既定信息相关的值；（3）在人已经对前述学习对象食品与前述学习对象饮料的相容性进行评价的情况下的结果（相当于图3的“感官评价结果”），前述学习对象食品是成为前述机器学习的对象的食品，前述学习对象饮料是成为前述机器学习的对象的饮料。
[0052]
[2. 处理的流程]在本项目中，按照图2说明本实施方式所涉及的相容性预测流程的一个示例。
[0053]
[2-1. 步骤sa1和sb1：取得处理]取得部102a取得测量值（例如，通过由测量器200进行的测得来取得的原始数据），前述测量值是与通过测量器200而测得的前述预测对象食品和前述预测对象饮料的香气成分作为既定信息的情况下的、该既定信息相关的值（图2的步骤sa1和sb1：取得处理）。取得部102a将该所取得的测量值储存于取得结果数据106a中。前述所测得的前述既定信息例如是通过使前述香气成分吸附于测量器200中的、吸附前述香气成分的部位即吸附部位而测得的信息。
[0054]
在此，作为能够在本实施方式中使用的测量器200，大致分类而可列举例如（1）以使用压电元件为特征的测量器（在以下的实施例2-5中使用）和（2）以观察反射光强度的变化为特征的测量器（在以下的实施例1中使用）等。
[0055]
（1）以使用压电元件为特征的测量器在使用以使用压电元件为特征的测量器200的情况下，前述所测得的前述既定信息起因于例如前述香气成分吸附于作为前述吸附部位的感应膜而导致的重量的变化，该感应膜固定于前述测量器所具备的梁所具有的压电元件。该重量的变化作为例如前述梁的振动频率（例如，谐振频率）的变化而检测出的变化。作为以使用压电元件为特征的测量器200，列举例如在以下的实施例2-5中使用的i-pex公司制造的nose@mems（注册商标）等。
[0056]
（2）以观察反射光强度的变化为特征的测量器的情况在使用以观察反射光强度的变化为特征的测量器200的情况下，前述测量器中的
前述吸附部位例如由适配体构成，前述所测得的前述既定信息例如起因于前述香气成分吸附于前述适配体而导致的、前述适配体的单一波长的反射光强度的变化。换而言之，前述所测得的前述既定信息（例如，反射光强度）是在前述香气成分吸附于前述适配体的情况下从前述适配体观察到的单一波长的反射光强度。作为以观察反射光强度的变化为特征的测量器200，例如列举aryballe公司制造的neose p3等。
[0057]
作为测量器200，除了在（1）和（2）中说明的测量器200之外，还能够使用例如以下所陈述的测量器200。即，作为测量器200，也可以使用例如包括能够检测在湿润层中扩散的检测对象分子并输出检测信号的任意的传感器元件的测量器200。作为前述传感器元件，可以广泛使用将化学物质作为检查对象的化学传感器元件，但在传感器元件与湿润层、或传感器元件与适配体的组合中，从能够检测/分析存在于分析样品中的微量且多样的检测对象分子的观点考虑，也可以使用从由电化学传感器元件、压电传感器元件和光学传感器元件组成的组中选择的前述传感器元件。
[0058]
作为前述电化学传感器元件，列举例如利用电化学阻抗光谱法（eis：electrochemical impedance spectroscopy，电化学阻抗谱）的传感器元件（以下，也称为“eis传感器元件”。）和利用微分脉冲伏安法（dpv：differential pulse voltmmetry，微分脉冲伏安法）测量的传感器元件（以下，也称为“dpv传感器元件”。）等。
[0059]
在使用前述eis传感器元件的情况下，在电极间施加交流电压，使交流的频率变化并同时测得阻抗。所测得的阻抗在以实数部为横轴且以虚数部为纵轴的坐标图中作为曲线进行绘制。该坐标图被称为“奈奎斯特图”，奈奎斯特图的曲线通常描绘半圆。在此，如果预先将适配体固定于传感器元件（的电极上），则适配体与检测对象分子结合，从而电荷移动电阻变化，半圆的直径变化。能够从该直径的变化量掌握/计算检测对象分子的存在/量。
[0060]
作为前述压电传感器元件，列举例如利用石英振动器微天平（qcm：quartz crystal microbalance，石英晶体微天平）法的传感器元件（以下，也称为“qcm传感器元件”。）和膜型表面应力（mss：membrane-type surface stress，膜型表面应力）传感器元件（以下，也称为“mss传感器元件”。）等。
[0061]
在使用前述qcm传感器元件的情况下，如果在石英薄板的两面设置电极并施加交流电场，则产生一定频率（谐振频率）的振动。将这样的元件称为“石英振动器”，谐振频率根据附着于石英振动器的电极上的物质的质量而变化。在此，如果预先将适配体固定于传感器元件（的电极上），则适配体与检测对象分子结合，从而电极上的质量变化，谐振频率变化。能够从该频率变化掌握/计算检测对象分子的存在/量。
[0062]
作为前述光学传感器元件，列举例如利用形成纳米构造的蛋白质的传感器元件等。
[0063]
在使用利用形成前述纳米构造的蛋白质的传感器元件的情况下，将经表面处理的细菌噬菌体（病毒）作为感应膜，使用涂覆于金属基板的元件，将香气成分吸附于噬菌体，从而给纳米构造带来变化，作为色彩（即，红色、蓝色、绿色）的吸光度的变化来捕获并检查。
[0064]
而且，作为测量器200，例如，也可以是包括场效应晶体管（fet：field effect transistor，场效应晶体管）的测量器，也可以是包括光离子化检测器（pid：photo ionization detector，光离子化检测器）的测量器，也可以是包括互补型金属氧化物半导体（cmos：complementary metal oxide semiconductor，互补金属氧化物半导体）的测量
器。
[0065]
对前述预测对象饮料进行说明。前述预测对象饮料只要是饮料就可以是任何饮料，但列举例如咖啡、清酒、葡萄酒和茶等。作为前述咖啡，除了例如图5所示的哥伦比亚生产轻度煎焙（c轻度）、哥伦比亚生产中度煎焙（c中度）、哥伦比亚生产深度煎焙（c深度）、巴西生产中度煎焙（b中度）、巴西生产深度煎焙（b深度）、埃塞俄比亚生产中度煎焙（e中度）、罗布斯塔品种中度煎焙（r中度）和罗布斯塔品种深度煎焙（r深度）的8种之外，虽然未图示，但可列举危地马拉生产中度煎焙（g中度）、危地马拉生产轻度煎焙（g轻度）、危地马拉生产深度煎焙（g深度）、坦桑尼亚生产中度煎焙（t中度）、坦桑尼亚生产轻度煎焙（t轻度）、坦桑尼亚生产深度煎焙（t深度）、t2acmi烘焙（注册商标）巴西生产中度煎焙（职人b中度）、t2acmi烘焙（注册商标）哥伦比亚生产中度煎焙（职人c中度）和t2acmi烘焙（注册商标）罗布斯塔品种中度煎焙（职人r中度）等。前述茶的种类不被特别限定，例如可列举红茶和绿茶等。
[0066]
对前述预测对象食品进行说明。前述预测对象食品只要是食品就可以是任何食品，但例如是甜点类或饮食类食品。作为前述甜点类食品，可列举例如图5所示的32种食品，作为前述饮食类食品，可列举例如图5所示的40种食品。更具体而言，作为在前述预测对象饮料是咖啡的情况下的前述预测对象食品，可列举例如以下的实施例1和2中所陈述的甜点类食品，作为在前述预测对象饮料是清酒的情况下的前述预测对象食品，可列举以下的实施例3中所陈述的小吃类食品，作为在前述预测对象饮料是葡萄酒的情况下的前述预测对象食品，可列举以下的实施例4中所陈述的奶酪类食品，作为在前述预测对象饮料是茶的情况下的前述预测对象食品，可列举以下的实施例5中所陈述的甜点类食品。
[0067]
对将前述预测对象食品和前述预测对象饮料的前述香气成分供应至测量器200的方法进行说明。将前述预测对象食品和前述预测对象饮料的前述香气成分供应至测量器200的方法不被特别限制，但例如能够使用用于将香味供应至传感器部分的送气系统和用于使传感器的值稳定的预处理系统来进行。对于前述预处理系统，由蛇形设备和冷却水循环装置构成。能够将送液泵（日东工器公司制造：lv-125a）、质量流量控制器（kofloc公司制造）、烧瓶、蛇形设备和测量器200（香味传感器）分别由特氟隆（注册商标）管进行连接而成的系统作为传感器系统。而且，对于前述预测对象食品，将前述预测对象食品放入至前述烧瓶，对于前述预测对象饮料，在前述预测对象饮料是咖啡的情况下，将滴落了咖啡豆的液体放入至前述烧瓶，在加热至既定温度的热板上保温，并同时以既定流速将空气从前述送液泵压出，从而能够将前述预测对象食品或前述预测对象饮料的香气成分导入至测量器200（香味传感器）。
[0068]
对前述测量值的性质和取得方法进行说明。前述测量值例如是使用表面等离子体激元共振法来测得的值（相对于坯料的相对值）。另外，例如在对于1个前述预测对象食品或1个前述预测对象饮料而持续地测得前述测量值的情况下，在前述测量值稳定的时间范围或湿度稳定的时间范围内取得在利用预测部102c的预测中所使用的前述测量值。
[0069]
[2-2. 步骤sa2和sb2：算出处理]算出部102b基于储存于取得结果数据106a中的前述测量值，使用既定解析工具（例如，excel、jmp和r等）和既定解析方法来将算出值算出（图2的步骤sa2和sb2：算出处理）。算出部102b将该所算出的算出值储存于算出结果数据106b中。
[0070]
[2-3. 步骤s3：预测处理]预测部102c使用储存于取得结果数据106a中的前述测量值或储存于算出结果数据106b中的前述算出值，基于用于预测前述预测对象食品与前述预测对象饮料的前述相容性的模型而预测前述预测对象食品与前述预测对象饮料的前述相容性（图2的步骤s3：预测处理）。此外，作为前述模型，能够使用例如后述的构建部102e进行构建并储存于模型数据106d中的模型。
[0071]
前述相容性是指前述预测对象食品与前述预测对象饮料是否匹配。具体而言，前述相容性意味着例如通过同时（一起）食用前述预测对象食品和饮用前述预测对象饮料来“促进食欲”、“产生味觉的相乘效果”和“抑制感受到给予不良影响的成分”等。此外，“同时”并非严格意义上的同时，而是也包括时间稍微提前或推后的情况。例如，“当在食用前述预测对象食品并大致吞下之后，饮用前述预测对象饮料，此后再次食用前述预测对象食品时”这一情况也被包括在“同时”中。前述相容性能够以“食物搭配”或“一起食用”这一表达来改变说法。
[0072]
前述相容性的前述预测也可以为相容性是好还是差的这样的二选一预测，或更详细而言，也可以是基于前述模型而利用分数等来对前述相容性进行数值化而进行的预测。预测部102c将所预测的结果作为预测结果储存于预测结果数据106c中。
[0073]
[2-4. 步骤s4：显示处理]显示部102d显示储存于预测结果数据106c中的前述预测结果（图2的步骤s4：显示处理）。由此，操作人员（例如，向外食店进行咖啡推荐的营业负责人）能够获知前述预测对象食品与前述预测对象饮料的前述相容性的预测结果。通过以上，全部处理终止（图2的结束）。
[0074]
[3. 本实施方式的总结]如以上所说明那样，依据本实施方式所涉及的相容性预测方法等，能够通过测得食品（例如，甜点类或饮食类食品）和饮料（例如，咖啡）的香气（香味）来以高精度且简便地预测该食品与该饮料的相容性。
[0075]
在此，向外食店的咖啡推荐，会开发与顾客的商品（食品）匹配的咖啡配方，营业负责人员每天都在为了采用前述咖啡配方而努力。然而，在现状下，存在营业负责人员难以向顾客进行有说服力的说明，另外，混合咖啡难以示出针对竞争的优越性，而且，一起食用的评价成为基于小组讨论会发言者的主观的评价等问题点。于是，在本实施方式中，例如，通过预测并评价顾客的商品（食品）与由本公司开发的咖啡的相容性，能够对顾客客观地示出相容性的优良程度。另外，通过进行相容性的预测，咖啡配方研究也变得轻松。而且，例如，能够使顾客确实感觉到某种混合咖啡与顾客的某种商品（食品）优良地匹配这一情况。而且，例如，能够预测某种混合咖啡的配方（c中度
○
%、r中度
△
%、e中度
◇
%）。
[0076]
另外，依据本实施方式所涉及的相容性预测方法等，通过使用测量器200，与利用gs（气相色谱）的分析法等以往的香气成分析法比较，能够在短时间内（例如，在1分钟左右的测量时间内）进行香气成分的分析。
[0077]
[4. 其它实施方式]本发明除了上述的实施方式以外，还可以在权利要求书所记载的技术的思想的范围内以各种不同的实施方式实施。
[0078]
例如，在实施方式中所说明的各处理中，也能够手动地进行作为自动地进行的处理来说明的处理的全部或一部分，或也能够利用公知的方法来自动地进行作为手动地进行的处理来说明的处理的全部或一部分。
[0079]
另外，对于在本说明书中或附图中示出的处理顺序、控制顺序、具体名称、包括各处理的注册数据或检索条件等参数的信息、画面示例、数据库构成，除了特别记载的情况以外，能够任意地变更。
[0080]
另外，关于相容性预测装置100，图示的各构成要素是功能概念的构成要素，不一定物理上需要如图示的那样构成。
[0081]
例如，对于相容性预测装置100所具备的处理功能、特别是由控制部进行的各处理功能，其全部或任意的一部分也可以利用cpu和由该cpu解释执行的程序来实现，另外，也可以作为依据布线逻辑的硬件实现。此外，程序记录于非暂时性的计算机能够读取的记录介质中，该非暂时性的计算机能够读取的记录介质包括用于使信息处理装置执行在本实施方式中说明的处理的程序化的命令，根据需要而由相容性预测装置100机械地读取该程序。即，在rom或hdd（hard disk drive，硬盘驱动器）等存储部等中，记录有用于与os协作来向cpu给予命令而进行各种处理的计算机程序。该计算机程序通过加载至ram中来执行，与cpu协作来构成控制部。
[0082]
另外，该计算机程序也可以存储于经由任意网络对于相容性预测装置100进行连接的应用程序服务器中，也能够根据需要而下载其全部或一部分。
[0083]
另外，也可以将用于执行本实施方式中所说明的处理的程序储存于非暂时性的计算机能够读取的记录介质中，另外，也能够作为程序产品来构成。在此，该“记录介质”设为包括存储卡、usb（universal serial bus，通用串行总线）存储器、sd（secure digital，安全数字）卡、软盘、磁光盘、rom、eprom（erasable programmable read only memory，可擦除可编程只读存储器）、eeprom（注册商标）（electrically erasable and programmable read only memory，电可擦除可编程只读存储器）、cd-rom（compact disk read only memory，致密盘只读存储器）、mo（magneto-optical disk，磁光盘），dvd（digital versatile disk，数字通用盘）和blu-ray（注册商标）盘等任意的“可移动的物理介质”的记录介质。
[0084]
另外，“程序”是利用任意的语言或记述方法来记述的数据处理方法，不限是源代码还是二进制代码等形式。此外，“程序”不一定限于单一地构成的程序，而是也包括作为多个模块或库而分散构成的程序或与以os为代表的个别的程序协作来达成其功能的程序。此外，对于用于在实施方式中所示出的各装置中读取记录介质的具体的构成和读取顺序以及读取后的安装顺序等，能够使用公知的构成或顺序。
[0085]
关于储存于存储部中的各种数据库等，是ram、rom等存储器装置、硬盘等固定盘装置、软盘和光盘等存储单元，储存在各种处理或网站提供中使用的各种程序、表、数据库和网页用文件等。
[0086]
另外，相容性预测装置100也可以作为已知的个人计算机或工作站等信息处理装置来构成，另外，也可以作为连接有任意的外围装置的该信息处理装置来构成。另外，相容性预测装置100也可以通过在该装置中安装实现本实施方式中所说明的处理的软件（包括程序或数据等）来实现。
[0087]
而且，装置的分散/集成的具体方式不限于图示的方式，能够将其全部或一部分根据各种附加等或根据功能负荷而以任意单位功能性地或物理地分散/集成来构成。即，也可以将上述的实施方式任意地组合来实施，也可以选择性地对实施方式进行实施。
[0088]
[实施例1]在本实施例中，确认了能够通过本实施方式所涉及的相容性预测方法，使用aryballe公司制造的ne ose p3来进行甜点类食品与咖啡的相容性（食物搭配）的预测。
[0089]
（1）所使用的香味传感器和测量原理在本实施例中，作为香味传感器，使用aryballe公司制造的ne ose p3。该传感器在传感器元件的金属薄膜上固定有64种物质。由于香气成分吸附而金属薄膜表面的介电常数变化，发生表面等离子体激元共振的反射角变化。由光接收元件检测该反射角的差异，将该差异各自作为信号来取得。
[0090]
（2）传感器系统的构建除了传感器部分以外，香味的检测还需要用于将香味供应至传感器部分的送气系统和用于使传感器的值稳定的预处理系统。对于前述预处理系统，构建由蛇形设备和冷却水循环装置组成的预处理系统。将送液泵（日东工器公司制造：lv-125a）、质量流量控制器（kofloc公司制造）、烧瓶和蛇形设备分别由特氟隆（注册商标）管进行连接，使其吸引至测量器200（香味传感器）所具备的吸气泵。
[0091]
（3）由香味传感器进行的测量值的取得以下，按照图4的流程来说明在本实施例中进行的操作。首先，将在[2-1]中说明的8种咖啡（c轻度、c中度、c深度、b中度、b深度、e中度、r中度和r深度）、14种甜点类食品（酱油脆饼、黑糖油炸糖点心、酥饼、栗子蛋糕、甜甜圈、年轮蛋糕、原味饼干、苦巧克力、烤杏仁、原味薄脆饼干、杏仁豆腐、芒果布丁、焦糖爆米花和水果磅蛋糕）作为样品，将香气如以下那样导入至前述香味传感器。对于前述8种咖啡，将各种前述咖啡放入至四口烧瓶，在加热至既定温度的热板上保温，并同时以既定流速将空气从前述送液泵压出（1l/min），从而将咖啡的香气导入至前述香味传感器（相当于图4的“输入饮料传感器信号”）。对于14种前述甜点类食品，将各种前述食品放入至前述烧瓶，在加热至既定温度的热板上保温，并同时以既定流速将空气从前述送液泵压出（1l/min），从而将前述食品的香气导入至前述香味传感器（相当于图4的“输入甜点传感器信号”和“输入饮食传感器信号”）。然后，在前述香味传感器的输出（测量值）稳定的阶段，对于64种传感器信号各自，分别对于前述咖啡取得5秒钟的测量值的平均值，对于14种前述甜点类食品也取得5秒钟的测量值的平均值（相当于图4的“平均值或积分值的算出”）。
[0092]
（4）感官评价数据的生成接着，对于14种前述甜点类食品，人对14种前述甜点类食品与前述8种咖啡的相容性进行评价（感官评价）。感官评价通过赋予从-4到 4（数字越大，意味着相容性就越好）的分数来进行。作为顺序，首先，在食用食品并大致吞下之后饮用咖啡，此后再次食用食品而进行感官评价。该结果相当于感官评价数据106e。
[0093]
（5）相容性预测模型的构建接着，生成对于前述咖啡的测量值的平均值与对于前述食品的测量值的平均值的组合一览表，使感官评价数据106e相对于该所生成的组合关联。例如，将使129个值作为1组
而进行关联的数据，设为组合数据，该129个值由对于前述食品中的黑糖油炸糖点心的64个前述平均值、对于前述咖啡中的c轻度的64个前述平均值以及对于黑糖油炸糖点心与c轻度的组合的感官评价数据106e的1个分数组成。因此，生成（8种前述咖啡）
×
（14种前述甜点类食品）=112个由129个值组成的组合数据（相当于图4的“生成组合数据”和“依据对于各组合的感官评价的实测值的输入”）。将该所生成的112个组合数据随机地按7：3分割成教师数据和测试数据，使用该教师数据（训练数据）（相当于图4的“教师数据或测试数据”向“教师数据”前进的情况）来通过随机森林而构建相容性预测模型（相当于图4的“模型构建”）。
[0094]
（6）所构建的相容性预测模型的验证最后，使用前述测试数据（相当于图4的“教师数据或测试数据”向“测试数据”前进的情况）来评价（验证）前述所构建的相容性预测模型（相当于图4的“模型验证”）。
[0095]
在算出前述测试数据的相关系数的情况下，对于甜点测试数据（图6）是0.60，相关系数成为0.6以上这一高值。换而言之，理解到，在依据前述所构建的相容性预测模型的前述预测值与依据感官评价的前述实测值之间，存在高相关性。即，由于证明了前述所构建的相容性预测模型的正确性，因而理解到能够通过前述所构建的相容性预测模型来进行甜点类食品与咖啡的相容性（食物搭配）的预测。
[0096]
[实施例2]在本实施例中，确认能够通过本实施方式所涉及的相容性预测方法，使用i-pex公司制造的nose@mems（注册商标）来进行甜点类食品与咖啡的相容性（食物搭配）的预测。
[0097]
（1）所使用的香味传感器和测量原理在本实施例中，作为香味传感器，使用i-pex公司制造的nose@mems（注册商标）。该传感器在传感器元件的金属薄膜上固定有20种感应膜，能够使用合计8种传感器元件，由于香气成分吸附而重量变化。由压电元件检测该重量的变化并将该变化各自作为信号来取得。
[0098]
（2）传感器系统的构建除了传感器部分以外，香味的检测还需要用于将香味供应至传感器部分的预处理系统和送气系统。对于前述预处理系统，为了使传感器的值稳定，构建由蛇形设备和冷却水循环装置组成的预处理系统。送气系统由特氟隆（注册商标）管将附带传感器的泵连接至烧瓶，经过前述预处理系统导入至测量器200（香味传感器）。
[0099]
（3）由香味传感器进行的测量值的取得以下，按照图4的流程来说明在本实施例中进行的操作。首先，将17种咖啡（b中度、b深度、c中度、c轻度、c深度、e中度、g中度、g轻度、g深度、r中度、r深度、t中度、t轻度、t深度、职人b中度、职人c中度和职人r中度）、19种甜点类食品（苹果派、蛋糕、巧克力蛋糕、油炸糖点心、芝麻脆饼、肉桂卷、水果奶油酥饼、草莓甜甜圈、荞麦圆松饼、奶酪蛋糕、牛奶蛋糊甜甜圈、年轮蛋糕、苦巧克力、水果蛋糕、酱油脆饼、原味饼干、栗子蛋糕、艾蒿大福饼和原味薄脆饼干）作为样品，将香气如以下那样导入至前述香味传感器。对于前述17种咖啡，将各种前述咖啡放入至三口烧瓶，在加热至既定温度的热板上保温，并同时以既定流速将空气从前述泵压出（1l/min），从而将咖啡的香气导入至前述香味传感器（相当于图4的“输入饮料传感器信号”）。对于前述19种甜点类食品，将各种前述食品放入至前述烧瓶，在加热至既定温度的热板上保温，并同时以既定流速将空气从前述送气泵压出（1l/min），从而将前述食
品的香气导入至前述香味传感器（相当于图4的“输入甜点传感器信号”和“输入饮食传感器信号”）。然后，在前述香味传感器的输出（测量值）稳定的阶段，对于160种传感器信号（=20种感应膜
×
8种传感器元件）各自，取得对于前述咖啡分别测得1分钟、合计3次的测量值的积分值，取得对于前述甜点类食品也分别测得1分钟、合计3次的测量值的积分值（相当于图4的“平均值或积分值的算出”）。
[0100]
（4）感官评价数据的生成接着，对于前述19种甜点类食品，人对前述19种甜点类食品与前述17种咖啡的相容性进行评价（感官评价）。感官评价通过赋予从-4到 4（数字越大，意味着相容性就越好）的分数来进行。作为顺序，首先，在食用食品并大致吞下之后饮用咖啡，此后再次食用食品而进行感官评价。该结果相当于感官评价数据106e。
[0101]
（5）相容性预测模型的构建接着，生成对于前述咖啡的测量值的平均值与对于前述食品的测量值的平均值的组合一览表，使感官评价数据106e相对于该所生成的组合关联。例如，将使由各值组成的值作为1组而进行关联的数据，设为组合数据，前述各值为对于前述食品中的油炸糖点心的160个前述积分值、对于前述咖啡中的c轻度的160个前述积分值以及对于油炸糖点心与c轻度的组合的感官评价数据106e的1个分数。因此，生成（17种前述咖啡）
×
（19种前述甜点类食品）=323个由321个值组成的组合数据（相当于图4的“生成组合数据”和“依据对于各组合的感官评价的实测值的输入”）。将该所生成的组合数据随机地按7：3分割成教师数据和测试数据，使用该教师数据（训练数据）（相当于图4的“教师数据或测试数据”向“教师数据”前进的情况）来通过随机森林而构建相容性预测模型（相当于图4的“模型构建”）。
[0102]
（6）所构建的相容性预测模型的验证最后，使用前述测试数据（相当于图4的“教师数据或测试数据”向“测试数据”前进的情况）来通过交叉验证（交叉校验）而评价（验证）前述所构建的相容性预测模型（相当于图4的“模型验证”）。在图7中示出该结果。此外，交叉验证（交叉校验）是如下的方法：在统计学中，分割标本数据，解析其一部分，使用剩余的数据来进行该解析的测试，进行解析的妥当性的验证。
[0103]
例如，着眼于得分4.00的行来说明图7的观看方法。真阳性（tp）的值25是如下的数据的数值：相对于感官评价的结果是4.00的一起食用，使用前述所构建的相容性预测模型来进行评价的结果能够正确地评价为4.00。假阳性（fp）的值0是如下的数据的数值：相对于感官评价的结果并非4.00的一起食用，使用前述所构建的相容性预测模型来进行评价的结果错误地评价为4.00。真阴性（tn）的值740是如下的数据的数值：相对于感官评价的结果并非4.00的一起食用，使用前述所构建的相容性预测模型来进行评价的结果能够正确地评价为并非4.00。假阴性（fn）的值0是如下的数据的数值：相对于感官评价的结果是4.00的一起食用，使用前述所构建的相容性预测模型来进行评价的结果错误地评价为并非4.00。检测率（召回率）是感官评价的结果是4.00的数据中的、能够使用前述所构建的相容性预测模型来正确地评价为4.00的数据的比例，通过“tp/（tp fn）”这一计算式来算出。适合率（精确度）是使用前述所构建的相容性预测模型来评价为4.00的数据中的、感官评价的结果是4.00的数据的比例，通过“tp/（tp fp）”来这一计算式算出。
[0104]
然后，对于各得分，通过“（tp tn）/（tp fn fp tn）”这一计算式来算出精度（准确
度），如果算出对于该所算出的各得分的精度（准确度）的平均值，则成为0.936，相关系数成为0.9以上这一高值。换而言之，理解到，在依据前述所构建的相容性预测模型的前述预测值与依据感官评价的前述实测值之间，存在高相关性。即，由于证明了前述所构建的相容性预测模型的正确性，因而理解能够通过前述所构建的相容性预测模型来进行甜点类食品与咖啡的相容性（食物搭配）的预测。
[0105]
[实施例3]在本实施例中，确认能够通过本实施方式所涉及的相容性预测方法，使用i-pex公司制造的nose@mems（注册商标）来进行小吃类食品与清酒的相容性（食物搭配）的预测。
[0106]
（1）所使用的香味传感器和测量原理本实施例中所使用的香味传感器和测量原理与实施例2同样，因而省略说明。
[0107]
（2）传感器系统的构建本实施例中所使用的传感器系统也与实施例2同样，因而省略说明。
[0108]
（3）由香味传感器进行的测量值的取得以下，按照图4的流程来说明在本实施例中进行的操作。首先，将12种清酒（千代缘高级精酿酒、千代缘生料酒曲酿造酒、千代缘40度高度酒、恶魔舌之震、千代缘纯米精酿60度高度酒、千代缘纯米精酿50度高度酒、千代缘纯米烈酒、千代缘特级纯米精酿酒、八海山生料酿造酒、大关生料酿造酒、獭祭纯米精酿45度酒和獭祭纯米高级精酿39度酒）、主要为小吃类的6种食品（蟹肉酱、杏仁豆腐、苦巧克力、荞麦圆松饼、小干白鱼和鱼翅）作为样品，将香气如以下那样导入至前述香味传感器。对于前述12种清酒，将各种前述清酒放入至三口烧瓶，以既定流速将香气从前述送气泵压出（1l/min），从而将清酒的香气导入至前述香味传感器（相当于图4的“输入饮料传感器信号”）。对于6种前述食品，将各种前述食品放入至前述烧瓶，在加热至既定温度的热板上保温，并同时以既定流速将空气从前述送气泵压出（1l/min），从而将前述食品的香气导入至前述香味传感器（相当于图4的“输入甜点传感器信号”和“输入饮食传感器信号”）。然后，在前述香味传感器的输出（测量值）稳定的阶段，对于160种传感器信号（=20种感应膜
×
8种传感器元件）各自，取得对于前述清酒分别测得1分钟、合计3次的测量值的积分值，取得对于前述食品也分别测得1分钟、合计3次的测量值的积分值（相当于图4的“平均值或积分值的算出”）。
[0109]
（4）感官评价数据的生成接着，对于6种前述食品，人对6种前述食品与前述12种清酒的相容性进行评价（感官评价）。感官评价通过赋予从-2到 2（数字越大，意味着相容性就越好）的分数来进行。作为顺序，首先，在食用食品并大致吞下之后饮用咖啡，此后再次食用食品而进行感官评价。该结果相当于感官评价数据106e。
[0110]
（5）相容性预测模型的构建接着，生成对于前述清酒的测量值的平均值与对于前述食品的测量值的平均值的组合一览表，使感官评价数据106e相对于该所生成的组合关联。例如，将使由各值组成的值作为1组而进行关联的数据，设为组合数据，该各值为前述食品中的蟹肉酱的160个前述积分值、对于前述清酒中的千代缘高级精酿酒的160个前述积分值以及对于蟹肉酱与千代缘高级精酿酒的组合的感官评价数据106e的1个分数。因此，生成12种前述清酒
×
（6种前述食品）=72个由321个值组成的组合数据（相当于图4的“生成组合数据”和“依据对于各组合的
感官评价的实测值的输入”）。将该所生成的组合数据随机地按9：1分割成教师数据和测试数据，使用该教师数据（训练数据）（相当于图4的“教师数据或测试数据”向“教师数据”前进的情况）来通过随机森林而构建相容性预测模型（相当于图4的“模型构建”）。统计解析软件使用jmp、r、excel和knime等。
[0111]
（6）所构建的相容性预测模型的验证最后，使用前述测试数据（相当于图4的“教师数据或测试数据”向“测试数据”前进的情况），通过交叉验证（交叉校验）而评价（验证）前述所构建的相容性预测模型（相当于图4的“模型验证”）。在图8中示出该结果。此外，图8的观看方法与实施例2中所说明的图7的观看方法同样，因而省略说明。
[0112]
通过与实施例2中所说明的方法同样的方法来对于各得分而算出精度（准确度），如果算出对于该所算出的各得分的精度（准确度）的平均值，则成为0.839，相关系数成为0.8以上这一高值。换而言之，理解到，在依据前述所构建的相容性预测模型的前述预测值与依据感官评价的前述实测值之间，存在高相关性。即，由于证明了前述所构建的相容性预测模型的正确性，因而理解能够通过前述所构建的相容性预测模型来进行小吃类食品与清酒的相容性（食物搭配）的预测。
[0113]
[实施例4]在本实施例中，确认能够通过本实施方式所涉及的相容性预测方法，使用i-pex公司制造的nose@mems（注册商标）来进行奶酪类食品与葡萄酒的相容性（食物搭配）的预测。
[0114]
（1）所使用的香味传感器和测量原理本实施例中所使用的香味传感器和测量原理与实施例2同样，因而省略说明。
[0115]
（2）传感器系统的构建本实施例中所使用的传感器系统也与实施例2同样，因而省略说明。
[0116]
（3）由香味传感器进行的测量值的取得以下，按照图4的流程来说明在本实施例中进行的操作。首先，将6种葡萄酒（2种白葡萄酒、2种发泡性葡萄酒和2种红葡萄酒）、主要为奶酪类的11种食品（卡芒贝尔奶酪、布里奶酪、洗浸奶酪、戈贡佐拉奶酪、豪达奶酪、硬奶酪、帕玛森奶酪、米莫莱特奶酪、小鱼干、鱼翅和蟹肉酱）作为样品，将香气如以下那样导入至前述香味传感器。对于前述6种葡萄酒，将各种前述咖啡放入至四口烧瓶，以既定流速将空气从前述送气泵压出（1l/min），从而将葡萄酒的香气导入至前述香味传感器（相当于图4的“输入饮料信号”）。对于11种前述食品，将各种前述食品放入至前述烧瓶，在加热至既定温度的热板上保温，并同时以既定流速将空气从前述送气泵压出（1l/min），从而将前述食品的香气导入至前述香味传感器（相当于图4的“输入食品传感器信号”和“输入饮食传感器信号”）。然后，在前述香味传感器的输出（测量值）稳定的阶段，对于160种传感器信号（=20种感应膜
×
8种传感器元件）各自，取得对于前述葡萄酒分别测得1分钟、合计3次的测量值的积分值，取得对于前述食品也分别测得1分钟、合计3次的测量值的积分值（相当于图4的“平均值或积分值的算出”）。
[0117]
（4）感官评价数据的生成接着，对于11种前述食品，人对11种前述食品与前述6种葡萄酒的相容性进行评价（感官评价）。感官评价通过赋予从-2到 2（数字越大，意味着相容性就越好）的分数来进行。作为顺序，首先，在食用食品并大致吞下之后饮用葡萄酒，此后再次食用食品而进行感官评
价。该结果相当于感官评价数据106e。
[0118]
（5）相容性预测模型的构建接着，生成对于前述葡萄酒的测量值的平均值与对于前述食品的测量值的平均值的组合一览表，使感官评价数据106e相对于该所生成的组合关联。例如，将使321个值作为1组而进行关联的数据，设为组合数据，该321个值由对于前述食品中的蟹肉酱的160个前述积分值、对于前述葡萄酒中的白葡萄酒的160个前述平均值以及对于蟹肉酱与白葡萄酒的组合的感官评价数据106e的1个分数组成。因此，生成（6种前述葡萄酒）
×
（11种前述食品）=66个由321个值组成的组合数据（相当于图4的“生成组合数据”和“依据对于各组合的感官评价的实测值的输入”）。将该所生成的组合数据随机地按9：1分割成教师数据和测试数据，使用该教师数据（训练数据）（相当于图4的“教师数据或测试数据”向“教师数据”前进的情况）来通过随机森林而构建相容性预测模型（相当于图4的“模型构建”）。统计解析软件使用jmp、r、excel和knime等。
[0119]
（6）所构建的相容性预测模型的验证最后，使用前述测试数据（相当于图4的“教师数据或测试数据”向“测试数据”前进的情况），通过交叉验证（交叉校验）而评价（验证）前述所构建的相容性预测模型（相当于图4的“模型验证”）。在图9中示出该结果。此外，图9的观看方法与实施例2中所说明的图7的观看方法同样，因而省略说明。
[0120]
通过与实施例2中所说明的方法同样的方法来对于各得分而算出精度（准确度），如果算出对于该所算出的各得分的精度（准确度）的平均值，则成为0.882，相关系数成为0.8以上这一高值。换而言之，理解到，在依据前述所构建的相容性预测模型的前述预测值与依据感官评价的前述实测值之间，存在高相关性。即，由于证明了前述所构建的相容性预测模型的正确性，因而理解能够通过前述所构建的相容性预测模型来进行奶酪类食品与葡萄酒的相容性（食物搭配）的预测。
[0121]
[实施例5]在本实施例中，确认能够通过本实施方式所涉及的相容性预测方法，使用i-pex公司制造的nose@mems（注册商标）来进行甜点类食品与茶的相容性（食物搭配）的预测。
[0122]
（1）所使用的香味传感器和测量原理本实施例中所使用的香味传感器和测量原理与实施例2同样，因而省略说明。
[0123]
（2）传感器系统的构建本实施例中所使用的传感器系统也与实施例2同样，因而省略说明。
[0124]
（3）由香味传感器进行的测量值的取得以下，按照图4的流程来说明在本实施例中进行的操作。首先，将6种茶（红茶、1号调味茶、2号调味茶、绿茶、焙茶和柠檬汁茶）、主要为甜点类的11种食品（年轮蛋糕、盐煎青花鱼、苦巧克力、脆饼卷、饺子、布丁、硬奶酪、水果奶油酥饼、苹果派、蟹肉酱和牛乳）作为样品，将香气如以下那样导入至前述香味传感器。对于前述6种茶，将各种前述咖啡放入至三口烧瓶，在加热至既定温度的热板上保温，并同时以既定流速将空气从前述送气泵压出（1l/min），从而将茶的香气导入至前述香味传感器（相当于图4的“输入饮料传感器信号”）。对于11种前述食品，将各种前述食品放入至前述烧瓶，在加热至既定温度的热板上保温，并同时以既定流速将空气从前述送气泵压出（1l/min），从而将前述食品的香气导入至前述香
味传感器（相当于图4的“输入食品传感器信号”和“输入饮食传感器信号”）。然后，在前述香味传感器的输出（测量值）稳定的阶段，对于160种传感器信号（=20种感应膜
×
8种传感器元件）各自，取得对于前述茶分别测得1分钟、合计3次的测量值的积分值，取得对于前述食品也分别测得1分钟、合计3次的测量值的积分值（相当于图4的“平均值或积分值的算出”）。
[0125]
（4）感官评价数据的生成接着，对于11种前述食品，人对11种前述食品与前述6种茶的相容性进行评价（感官评价）。感官评价通过赋予从-2到 2（数字越大，意味着相容性就越好）的分数来进行。作为顺序，首先，在食用食品并大致吞下之后饮用茶，此后再次食用食品而进行感官评价。该结果相当于感官评价数据106e。
[0126]
（5）相容性预测模型的构建接着，生成对于前述茶的测量值的平均值与对于前述食品的测量值的平均值的组合一览表，使感官评价数据106e相对于该所生成的组合关联。例如，将使321个值作为1组而进行关联的数据，设为组合数据，该321个值由对于前述食品中的蟹肉酱的160个前述积分值、对于前述茶中的红茶的160个前述平均值以及对于蟹肉酱与红茶的组合的感官评价数据106e的1个分数组成。因此，生成6种前述茶
×
（11种前述食品）=66个由321个值组成的组合数据（相当于图4的“生成组合数据”和“依据对于各组合的感官评价的实测值的输入”）。将该所生成的组合数据随机地按9：1分割成教师数据和测试数据，使用该教师数据（训练数据）（相当于图4的“教师数据或测试数据”向“教师数据”前进的情况）来通过随机森林而构建相容性预测模型（相当于图4的“模型构建”）。统计解析软件使用jmp、r、excel和knime等。
[0127]
（6）所构建的相容性预测模型的验证最后，使用前述测试数据（相当于图4的“教师数据或测试数据”向“测试数据”前进的情况），通过交叉验证（交叉校验）而评价（验证）前述所构建的相容性预测模型（相当于图4的“模型验证”）。在图10中示出该结果。此外，图10的观看方法与实施例2中所说明的图7的观看方法同样，因而省略说明。
[0128]
通过与实施例2中所说明的方法同样的方法来对于各得分而算出精度（准确度），如果算出对于该所算出的各得分的精度（准确度）的平均值，则成为0.866，相关系数成为0.8以上这一高值。换而言之，理解到，在依据前述所构建的相容性预测模型的前述预测值与依据感官评价的前述实测值之间，存在高相关性。即，由于证明了前述所构建的相容性预测模型的正确性，因而理解能够通过前述所构建的相容性预测模型来进行甜点类食品与茶的相容性（食物搭配）的预测。
[0129]
产业上的可利用性本发明在例如食品、医疗和工业产品等领域中是有用的，但特别在食品的领域中是极其有用的。
[0130]
符号说明100相容性预测装置102控制部102a取得部102b算出部102c预测部
102d显示部102e构建部104通信接口部106存储部106a取得结果数据106b算出结果数据106c预测结果数据106d模型数据 106e感官评价数据108输入输出接口部112输入装置114输出装置200测量器300网络。