現在、審決メルマガは配信を一時停止させていただいております。再開まで今暫くお待ち下さい。

  • ポートフォリオ機能


ポートフォリオを新規に作成して保存
既存のポートフォリオに追加保存

  • この表をプリントする
PDF PDFをダウンロード
審決分類 審判 査定不服 1項3号刊行物記載 取り消して特許、登録 G06F
審判 査定不服 2項進歩性 取り消して特許、登録 G06F
管理番号 1373372
審判番号 不服2020-537  
総通号数 258 
発行国 日本国特許庁(JP) 
公報種別 特許審決公報 
発行日 2021-06-25 
種別 拒絶査定不服の審決 
審判請求日 2020-01-15 
確定日 2021-05-11 
事件の表示 特願2015-151161「推定装置、推定方法および推定プログラム」拒絶査定不服審判事件〔平成29年 2月 9日出願公開、特開2017- 33191、請求項の数(13)〕について、次のとおり審決する。 
結論 原査定を取り消す。 本願の発明は、特許すべきものとする。 
理由 第1 手続の経緯
本願は、平成27年7月30日の出願であって、平成31年3月20日付けで拒絶理由が通知され、令和元年6月3日に意見書が提出されるとともに手続補正がなされたが、同年10月9日付けで拒絶の査定がなされ、これに対し、令和2年1月15日に拒絶査定不服審判の請求がなされると同時に手続補正がなされたものである。

第2 原査定の理由の概要
原査定(令和元年10月9日付け拒絶査定)の概要は次のとおりである。
この出願の請求項1?8,12,13に係る発明は、その出願前に日本国内又は外国において、頒布された下記の引用文献1に記載された発明又は電気通信回線を通じて公衆に利用可能となった発明であるから、特許法第29条第1項第3号に該当し、また、引用文献1に記載された発明に基づいて、当業者が容易に発明をすることができたものであるから、特許法第29条第2項の規定により特許を受けることができないものである。
また、この出願の請求項9に係る発明は、引用文献1に記載された発明、引用文献2に記載された周知技術に基づいて、当業者が容易に発明をすることができたものであるから、特許法第29条第2項の規定により特許を受けることができないものである。
また、この出願の請求項10、11に係る発明は、引用文献1,3に記載された発明及び引用文献2に記載の周知技術に基づいて、当業者が容易に発明をすることができたものであるから、特許法第29条第2項の規定より特許を受けることができないものである。

引用文献1:中国特許出願公開第102902753号明細書
引用文献2:特開2013-206194号公報
引用文献3:足立 貴行,Web検索ログを用いた特定の話題における関心事分析,電子情報通信学会技術研究報告,社団法人電子情報通信学会,2011年5月30日,Vol.111、No.77,p.97-102

第3 令和2年1月15日になされた手続補正(以下、「本件補正」という。)について
1 本件補正により、特許請求の範囲の請求項1の記載は、次のとおり補正された(下線部は、補正箇所である。)。
「第1の分野に対する複数のユーザの各々の関心を予測するモデルの複数の要素を取得する取得部と、
前記モデルを用いて前記第1の分野に関心を有すると推定された前記複数のユーザの各々について、前記取得部によって取得された複数の要素のうち前記第1の分野より詳細な第2の分野と対応する複数の要素のそれぞれが、当該ユーザのユーザ情報に対応する回数に基づいて、当該ユーザの当該第2の分野に対する関心を推定する推定部と
を備えたことを特徴とする推定装置。」

2 本件補正前の特許請求の範囲
本件補正前の、令和元年6月3日になされた手続補正による特許請求の範囲の請求項1の記載は次のとおりである。
「第1の分野に対する複数のユーザの各々の関心を予測するモデルの1つ又は複数の要素を取得する取得部と、
前記取得部によって取得された1つ又は複数の要素のうち前記複数のユーザの各々のユーザ情報に対応する要素に基づいて、前記第1の分野より詳細な第2の分野に対する前記複数のユーザの各々の関心を推定する推定部と
を備えたことを特徴とする推定装置。」

3 補正の適否
上記補正の、第2の分野に対する関心の推定の対象を「前記モデルを用いて前記第1の分野に関心を有すると推定された前記複数のユーザの各々について」とする事項は、当初明細書の【0016】に記載され、また、第2の分野に対する関心の推定を「第2の分野と対応する複数の要素のそれぞれが、当該ユーザのユーザ情報に対応する回数に基づいて」行うという事項は、当初明細書の【0017】に記載されているから、それぞれの事項は、新規事項を追加するものではない。
そして、上記補正は、補正前の請求項1に記載された発明を特定するために必要な事項について、上記「1」のとおり限定を付加するものであって、補正前の請求項1に記載された発明と補正後の請求項1に記載される発明の産業上の利用分野及び解決しようとする課題が同一であるから、特許法17条の2第5項2号に掲げる特許請求の範囲の減縮を目的とするものに該当する。
そして、「第4 本願発明」から「第6 対比・判断」までに示すように、本件補正後の請求項1に記載される発明は、特許法17条の2第6項において準用する同法第126条第7項に規定する要件(特許出願の際独立して特許を受けることができるものであるか)を満たすものである。

第4 本願発明
本願請求項1?13に係る発明(以下、それぞれ「本願発明1」?「本願発明13」という。)は、令和2年1月15日になされた手続補正で補正された特許請求の範囲の請求項1?13に記載された事項により特定される以下のとおりのものである。

「【請求項1】
第1の分野に対する複数のユーザの各々の関心を予測するモデルの複数の要素を取得する取得部と、
前記モデルを用いて前記第1の分野に関心を有すると推定された前記複数のユーザの各々について、前記取得部によって取得された複数の要素のうち前記第1の分野より詳細な第2の分野と対応する複数の要素のそれぞれが、当該ユーザのユーザ情報に対応する回数に基づいて、当該ユーザの当該第2の分野に対する関心を推定する推定部と
を備えたことを特徴とする推定装置。
【請求項2】
前記推定部は、
前記モデルの要素のうち前記複数のユーザのユーザ情報に対応する要素に基づいて前記第2の分野に対するユーザの関心を推定する
ことを特徴とする請求項1に記載の推定装置。
【請求項3】
前記推定部は、
前記モデルの要素のうち前記第2の分野に対応する要素に基づいて前記第2の分野に対するユーザの関心を推定する
ことを特徴とする請求項1または2に記載の推定装置。
【請求項4】
前記推定部は、
前記第1の分野に対してユーザが関心を有する場合に、前記第2の分野に対するユーザの関心を推定する
ことを特徴とする請求項1?3のいずれか一つに記載の推定装置。
【請求項5】
前記推定部は、
前記モデルの要素のうち前記第1の分野に対してユーザが関心を有することを示す要素に基づいて前記第2の分野に対するユーザの関心を推定する
ことを特徴とする請求項1?4のいずれか一つに記載の推定装置。
【請求項6】
前記推定部は、
前記モデルの要素のうち前記第1の分野に対してユーザが関心を有さないことを示す要素に基づいて前記ユーザの関心を推定する
ことを特徴とする請求項1?5のいずれか一つに記載の推定装置。
【請求項7】
前記推定部によって推定された第2の分野にユーザを分類する分類部
をさらに備えることを特徴とする請求項1?6のいずれか一つに記載の推定装置。
【請求項8】
前記分類部は、
前記第2の分野に対応する要素のうち前記複数のユーザのユーザ情報に対応する要素の比率に基づいて前記複数のユーザを分類する
ことを特徴とする請求項7に記載の推定装置。
【請求項9】
前記分類部は、
前記第2の分野に対応する要素のうち所定の期間の要素を用いて前記複数のユーザを分類する
ことを特徴とする請求項7または8に記載の推定装置。
【請求項10】
前記推定部は、
複数の要素を組み合わせた要素群に基づいて当該要素群に対応する第2の分野に対するユーザの関心を推定する
ことを特徴とする請求項1?9のいずれか一つに記載の推定装置。
【請求項11】
前記取得部は、
前記モデルによって予測される前記第1の分野に対するユーザの関心の精度が所定の閾値未満である場合に学習情報を拡張することで前記モデルを補正し、補正したモデルの要素を取得する
ことを特徴とする請求項1?10のいずれか一つに記載の推定装置。
【請求項12】
推定装置が実行する推定方法であって、
第1の分野に対する複数のユーザの各々の関心を予測するモデルの複数の要素を取得する取得工程と、
前記モデルを用いて前記第1の分野に関心を有すると推定された前記複数のユーザの各々について、前記取得工程によって取得された複数の要素のうち前記第1の分野より詳細な第2の分野と対応する複数の要素のそれぞれが、当該ユーザのユーザ情報に対応する回数に基づいて、当該ユーザの当該第2の分野に対する関心を推定する推定工程と
を含んだことを特徴とする推定方法。
【請求項13】
第1の分野に対する複数のユーザの各々の関心を予測するモデルの複数の要素を取得する取得手順と、
前記モデルを用いて前記第1の分野に関心を有すると推定された前記複数のユーザの各々について、前記取得手順によって取得された複数の要素のうち前記第1の分野より詳細な第2の分野と対応する複数の要素のそれぞれが、当該ユーザのユーザ情報に対応する回数に基づいて、当該ユーザの当該第2の分野に対する関心を推定する推定手順と
をコンピュータに実行させることを特徴とする推定プログラム。」

第5 引用文献、引用発明
1 引用文献1(中国特許出願公開102902753号明細書)
原査定に引用された引用文献1には、次のとおりの記載がある。当審訳における下線は、注目箇所に当審が付したものである。

(当審訳)
発明の開示
[0005]上記の問題点に鑑みて、本発明は、上記問題を克服してあるいは少なくとも部分的に上記問題を解決する検索語を補完する方法、検索語を補完する装置、及びクライアント端末の操作者の個人の関心モデルを構築する方法、クライアント端末の操作者の個人の関心モデルを構築する装置を提供する。

[0013]本発明の別の態様によれば、クライアント端末の操作者の個人の関心モデルを構築するのに用いる方法を提供し、以下を含む:複数のクライアント端末のアクセスイベントの行動履歴データを収集する;前記複数のクライアント端末のアクセスイベントの行動履歴データに基づいて、クライアント端末の操作者の関心点特徴語をタグ付けし、分類する;各々の前記クライアント端末の操作者の個人の行動履歴データ及び前記関心点特徴語がマッチングされ、それぞれのクライアント端末の操作者の個人の関心モデルを得て、前記個人の関心モデルは複数の関心点を含み、各々の関心点は前記クライアント端末の操作者の個人の行動履歴データに基づいて、対応する関心度重みが割り当てられる。

[0030]本発明のさらなる態様によれば、クライアント端末の操作者の個人の関心モデルを構築する装置を提供し、以下を含む:データ収集ユニットは、複数のクライアント端末のアクセスイベントの行動履歴データを収集する;タグ付け分類部は、前記複数のクライアント端末のアクセスイベントの行動履歴データに基づいて、クライアント端末の操作者の関心点特徴語をタグ付けし分類する;マッチング部は、各々の前記クライアント端末の操作者の個人の行動履歴データと前記関心点特徴語とをマッチングし、それぞれのクライアント端末の操作者の個人の関心モデルを得、前記個人の関心モデルは複数の関心点を含み、各々の関心点は前記クライアント端末の操作者の個人の行動履歴データに基づいて、対応する関心度重みが割り当てられ、重み付けを行う。

[0041]それぞれのユーザは1つのクライアント端末に対応していてもよく、ユーザはクライアント端末の操作者とし、クライアント端末のログイン者あるいは入力者であってもよく、異なったクライアント端末に対する操作者を識別できるように、それぞれのクライアント端末の操作者は1つのクライアント端末の操作者が対応する一意の識別子で識別されてもよい。説明の便宜上、以下の後続の実施形態および特定の実装の説明では、いくつかの特定の説明において、「クライアント端末の操作者」の代わりに「ユーザ」という用語を使用することがある。
[0042]ユーザは検索エンジンを使用する場合、検索エンジンサービスプロバイダが提供するサイトのページに設けられた検索エンジンボックスや、いくつかのナビゲーションサイトのページに設けられた検索エンジンボックスなど、様々なサイトのページに設けられた検索エンジンボックスを介して、検索エンジンを利用することができる。ユーザはこれらの検索エンジンボックスにキーワードを入力し、必要な情報を検索することができる。ユーザの検索の入力内容とは、狭義には、ユーザが検索エンジンボックスにマウス、キーボード、タッチパネルなどの入力装置を使用して入力された具体的な文字のことであり、広義には、検索エンジンボックスに入力装置を使用した際のユーザの行動によって生成された情報、例えば、ユーザがマウスポインタを検索エンジンボックスに位置させたり、ユーザがクリックなどのアクションで発生する情報のことである。

[0047]クライアント端末の操作者の個人の関心モデルは、様々なユーザの様々な関心種別を表すデータモデルであり、ユーザ個別の関心を表す情報を含んでいる。クライアント端末の操作者の個人の関心モデルの表現形式は様々であり得る。すなわち、クライアント端末の操作者の個別の関心モデルが含んだユーザ個別の関心を具現化した情報は、ユーザの関心を具現化したものであれば多様であってもよく、本発明実施例はユーザ個別の関心モデルの具体的な形態を制限するものではない。例えば、関心点と関心点の関心度重みによってユーザ個別の関心を表す情報とすることができる。
[0048]例えば、クライアント端末の操作者の個人の関心モデルはユーザの複数の関心点(あるいは関心分類と称する)を含むことができ、各々の関心点は複数の関心点特徴語を含み、各関心点に対してユーザの個人の関心に基づいて関心度重みを付与することができる。各関心点に関心度の重みを付与するプロセスは、具体的クライアント端末の操作者に対する個人の関心モデルのインスタンス化あるいは数量化するプロセスであると考えることができる。特定のクライアント端末の操作者の個人の関心によって、個人の関心モデルがインスタンス化あるいは数量化された後、このクライアント端末の操作者の個人の関心モデルのインスタンスが得られる。
[0049]例えば、セットとして表現されるクライアント端末の操作者の個人の関心モデルは以下の通りである:まず、ユーザ群の関心によって分類し、1つの基準となる関心分類を取得する。例えば、関心データに従って、ユーザ群の、次のような、基準となる関心を取得できる。それぞれの分類は1つの関心点を表すことができ、それぞれの関心点は、例えば、次のような関心点特徴語を含んでいる。{ニュース、スポーツ、科学技術、エンターテインメント、自動車、ビデオ、・・・、不動産、旅行、音楽、ファッション、軍事、教育}。このセットには、あるユーザ群のすべての関心点を含み、それぞれの関心点全ては複数の関心点特徴語を含む。例えば、関心点「スポーツ」は関心点特徴語「姚明」、「オリンピック」、「試合」などを含み、これらの特徴語は全てこの関心点に属する。ユーザ群内の特定のユーザごとに、セット内のそれぞれの関心点の関心度の程度が全部は同様ではない場合がある。この場合、操作者の個別の関心モデルは、基準となる関心分類に基づいて構築することができ、基準となる関心分類中、各関心点の個別のユーザの関心度を示す。基準となる関心に基づいて分類する個別の関心モデルは次のようなデータセットの形式で表すことができる。
[0050]{a_(0),a_(1),a_(2),a_(3),a_(4),a_(5),......a_(i),a_((i+1)),a_((i+2)),a_((i+3)),a_((i+4)),a_((i+5))}
[0051]セット内の各要素を数量化してインスタンス化することにより、ある具体的クライアント端末の操作者を示す個人の関心モデルのインスタンスを得ることができ、例えば、上記のユーザ群の中のある特定のクライアント端末の操作者の個人の関心モデルは次のようにインスタンス化できる:
[0052]{950,540,51,855,0,1022,・・・・・・10,366,784,599,15,56}
[0053]セット中のそれぞれの要素は基準となる関心分類中の1つの分類、すなわち1つの関心点に対応する。ユーザの各関心点の関心度は、各要素の値、すなわち関心度重みに反映される。上記のように述べたデータセットのように、ユーザの特定の時点での各関心点の関心度を示すために使用される。要素a_(5)に対応する値1022がその他の要素に対して比較的高い場合、このユーザのこの時点での要素a_(5)に対応するビデオ分類情報の関心度が比較的高いことがわかる。
[0054]代替的に、ユーザの関心を細かく分類するため、2次元マトリクスを用いてクライアント端末の操作者の個人の関心モデルを構築し、表すこともできる。2次元マトリクスが示す個人の関心モデルは次のとおりである:
[0055]

[0056]この2次元マトリクスには、m行とn列が含まれる。行数mと列数nはそれぞれ次の方法よって決定することができる:ユーザ群によって取得されたデータから、ユーザの主な関心分類をクラスタ化する。すなわち主な関心点(以下に第1レベルの関心点と呼ぶ)はm個があり、2次元マトリクスの行数はmと決定される;次に、第1レベルの関心点は、分類アルゴリズムにより、複数のサブ分類(以下に第2レベルの関心点と呼ぶ)が得られ、m個の第1レベルの関心点の中から、最も多い第2レベルの関心点を含む第1レベルの関心点を見つける。この第1レベル関心点には、n個の第2レベルの関心点が含まれ、2次元マトリクスの列数が決定される。したがって、2次元マトリクスの列数はnと決定される。これに基づいて、2次元マトリクスで表される個々の関心モデルが構築される。ユーザ群のデータのクラスタリング、分類により、第1レベルの関心点、第2レベルの関心点を得る方法は多くあり、ここでは繰り返さないが、本発明の実施例はこれに限定されない。
[0057]以上の2次元マトリクスの構築プロセスによって、行ベクトル[a_(i1) a_(i2)...a_(ij)...a_(in)]は第1レベルの関心点i(i∈N、i∈[1、m])特徴量ベクトルを表し、それぞれの要素a_(ij)(そのうち仮定iの分類次の2のクラス分類数はrとし、j≦r≦nがあり、j∈N)はユーザが関心を持った対応する第2レベルの関心点を表すことがわかり、2次元マトリクスのそれぞれの要素は、特定のユーザに個別に対応するように数量化とインスタンス化を行うことができ、特定のユーザの関心の程度を反映する。ユーザ毎に関心点に対する関心の程度は異なるため、ユーザごとに個別の関心モデルを数量化してインスタンス化した後に得られる2次元マトリクスもすべて同じではなく、2つとして同じものはない。各ユーザの個別の関心モデルを数量化およびインスタンス化した後に取得される2次元マトリクスは、各ユーザの個別の情報に対するニーズの違いを反映することができる。また、インスタンス化、数量化した個人の関心モデル化した後に得られる2次元マトリクスにおいて、ユーザがある関心点に、関心がない、又は、関心度がある閾値より低ければ、ユーザの関心点の関心度は0とし、数量化及びインスタンス化後の2次元マトリクスに反映して、分類に対応した要素に0を割り当てる。
[0058]例えば、2次元マトリクスで示される個人の関心モデルは、第1レベルの関心点は、スポーツ、財政経済、音楽、ペットに要約され、それぞれ、次のような複数の第2レベルの関心点を含む個人の関心モデルを構築することができる。:
[0059]

[0060]数量化してインスタンス化した後、与えられた個々のユーザの関心の分類は、以下の2次元マトリクスに反映させることができる。:
[0061]

[0062]最高値800が対応する第2レベルの関心点「クラシック(古典)」は、このユーザが第1レベルの関心点「音楽」の下に対応する第2レベルの関心点「クラシック」に最も関心を持っていることを反映していることがわかる。関心点「先物(期貨)」、「犬(狗)」、「モルモット(豚鼠)」、「蛇」の値は0であり、ユーザのこれらの関心点に対する関心はきわめて低いか、関心がないことを示している。また、各関心点に重みを付与する時、また正規化プロセスを実行することができ、アクセス数によって関心点に重みを付与し、あるユーザは各関心点のアクセス数として{10001,8023,7504,8765,901}を示すことができ、100を係数として、上記のアクセス数をこの係数で除算し、正規化された重みとしてすることができる。上記の例のようなデータは正規化プロセス後の重みとして次のようになる:{100,80,75,87,9}。
[0063]もちろん、クライアント端末の操作者の個人の関心モデルは、他にもあり得、本明細書では、セットで表現されたクライアント端末の操作者の個人の関心モデルと、2次元マトリクスで表現されたクライアント端末の操作者の個人の関心モデルが例示されており、実際には、本明細書では説明されない他の表現もあり得る。クライアント端末の操作者のインスタンス化された個人の関心モデルは、パーソナライズされた関心の情報を含む各関心分類における対応する特定ユーザの関心のレベルを反映することができ、その関心のレベルは、クライアント端末の操作者のインスタンス化された個人の関心モデルの要素の値によって反映することができることがわかる。
[0064]以上、ユーザの個人の関心モデルの具体的な実施例を説明した。次に、ユーザ個人の関心モデルのデータソースを説明する。
[0065]例えば、クライアント端末の操作者の個人の関心モデルは、少なくとも、ユーザの行動履歴データを分析することによって得られてもよい。この行動履歴データには、ユーザがクリックしたデータ、検索したデータ、入力したデータ、訪問した文書などが含まれ、具体的には、リンクをクリックしてWebページにアクセスしたとき、検索エンジンを使って検索したときのユーザの入力履歴データ、ユーザがブラウザを使用して訪問したウェブページの履歴データ、ユーザが利用したナビゲーションサイトの履歴データなどが含まれるが、これらに限定されるものではない。このような履歴データの取得は、ユーザ行動履歴データ収集機能を有するブラウザ、ユーザ行動履歴データ収集機能を有するブラウザプラグイン、ユーザ行動履歴データ収集機能を有するその他のアプリケーションなどが、ユーザがWebページにアクセスした際に行うことができ、具体的には、ユーザがブラウザを使ってWebページを閲覧した際に、ブラウザがユーザ行動履歴データ収集機能を有するアプリケーションにリクエストすることで行うことができる。サーバがリクエストを開始した後、これらのリクエストはナビゲーションステーションのサーバを介してユーザ・ログとして記録・保存されることがある。
[0066]クライアント端末の操作者の個人の関心モデルは、上述の方法を用いて得られた上記のユーザの行動履歴データを分析することによって得られてもよく、その分析する過程は、以下の通りである:ユーザ群の行動履歴データに基づいてユーザの関心点特徴語をタグ付けして分類し、ユーザの個々の行動履歴データを関心点特徴語と同様にマッチングして、各クライアント端末の個人の関心モデルを得ることであってもよい。各クライアント端末の操作者の個人の関心モデルであって、個人の関心モデルが複数の関心点を含み、各々の関心点には、ユーザの個人の行動履歴データに基づいて、対応する関心点の重みが割り当てられている。例えば、前述のようにセットで表現されたクライアント端末の操作者の個人の関心モデルを、2次元マトリクスに表現する。
[0067]具体的には、ユーザ群の行動履歴データを分析して得られた複数のユーザの行動履歴データを分析してもよい。このユーザ群内の全ユーザの行動履歴データ(具体的にはウェブアクセスの行動データなど)に基づいて、このデータの中からキーワードの抽出が行われる。ユーザ群の行動履歴データから抽出されたキーワードを関心点特徴語とし、ユーザ群の関心点特徴語をクラスタ化して分類することができる。例えば、姚明、劉翔、孫柳、郭晶晶などを関心点「アスリート」の特徴語とし、「カリーナ・ラウ」、「トニー・レオン」、「ジェン・シュアン」などを関心点「エンターテインメント」の特徴語としている。「抽出された特徴語」は、関心点に応じてクラスタ化することができる。オプションとして、このステップでは、ユーザ群のデータに基づいて、基準の関心モデルを構築することができる。もちろん、この関心モデルを構築せず、上記のデータ情報を格納したデータベースだけを構築することも可能である。
[0068]次に、各ユーザの個人の行動履歴データを関心点特徴語とマッチングすることにより、各クライアント端末の操作者の個人の関心モデルが得られ、前記個人の関心モデルは、複数の関心点からなり、各関心点には、前記ユーザの個人の行動履歴データに基づいて、対応する関心度重みが割り当てられる。それぞれの関心点は全て複数の関心点特徴語を含む。具体的には、ユーザ群のデータから特徴語を抽出するのと同様の手法で、ユーザの個人の行動履歴データからも特徴語を抽出し、ユーザ群のデータに基づいて抽出した関心点特徴語とマッチングすることで、各クライアント端末の操作者の個人の関心モデルを得ることができる。
[0069]前記スキームは、まず、ユーザ群のユーザの行動履歴データから基本的な関心モデルを取得し、次に、ユーザの個人の行動履歴データをその関心モデルとマッチングして、クライアント端末の操作者の個人の関心モデルを取得する。オプションとして、個々のユーザの行動履歴アクセスデータのみを用いて、この個々のクライアント端末の操作者の個人の関心モデルを取得することもでき、この個人の関心モデルの取得方法は、まず、取得した個々のユーザの行動履歴データを分析して、ユーザがアクセスしたウェブページを抽出し、抽出した特徴語をクラスタリングして分類することにより、ユーザの関心の分類データを取得することができる。この一連のデータをモデル化すること、すなわち、ユーザの関心の分類データを定量化可能なモデルで表現することで、クライアント端末の操作者の個人の関心モデルを得ることができる。

[0090]第1レベル関心点の第1レベル関心度重みは、第1レベル関心点の下位の第2レベル関心点の第2レベル関心度重みに基づいて求めてもよく、例えば、ある第1レベル関心点の下位の第2レベル関心点の第2レベル関心度重みをすべて合計した値をその第1レベル関心点の第1レベル関心度重みとし、対応する第1レベル関心点の第1レベル重み割合=その第1レベル関心点の第1レベル関心度重み/すべての第1レベルすべての第1レベルの関心事の重みの合計。例えば、個々の関心事モデルの第1レベルの関心事が{10,20,30,40}の関心度重みを持っている場合、その中の第1レベルの関心事の第1レベルの重みシェアは10/(10+20+30+40)=0.1となる。

上記記載によると、次のことがいえる。
(1)[0005]、[0041]の記載によれば、引用文献1には、クライアント端末の操作者の個人の関心モデルを構築する装置、すなわち、「ユーザの個人の関心モデルを構築する装置」が記載されている。
(2)[0048]、[0049]、[0053]、[0054]、[0056]の記載によれば、「基準となる関心モデル」は、「2次元マトリクスの、行を第1レベルの関心点とし、列に、第1レベルの関心点に対応した下位の第2レベルの関心点を配置し、各々の関心点は、関心点の特徴となる関心点特徴語を有する」ものである。
(3)[0062]の「関心点のアクセス数」とは、ユーザの行動履歴データの特徴語が関心点特徴語と合致した数のことであることは明らかであるから、[0013]、[0030]、[0048]、[0057]-[0069]の記載によれば、「ユーザの個人の関心モデル」は、上記(2)の「基準となる関心モデル」をインスタンス化、数量化したものであり、ユーザが検索エンジンを使って検索したときの入力履歴データを含むユーザの行動履歴データをデータ収集ユニットにより収集し、当該行動履歴データから特徴語を抽出し、当該特徴語と前記関心点特徴語とのマッチングをとり、その合致した数により、関心点の関心度重みを付与したものである。
(4)[0090]の記載によれば、第1レベルの関心点の関心度重みは、第1レベル関心点の下位にある第2レベルの関心点の関心度重みの合計値である。
(5)以上、(1)?(4)によると、引用文献1には、
「2次元マトリクスの、行を第1レベルの関心点とし、列に、第1レベルの関心点に対応した下位の第2レベルの関心点を配置し、各々の関心点は、関心点の特徴となる関心点特徴語を有する、基準となる関心モデルに対して、
ユーザが検索エンジンを使って検索したときの入力履歴データを含むユーザの行動履歴データをデータ収集ユニットにより収集し、当該行動履歴データから特徴語を抽出し、当該特徴語と前記関心点特徴語とのマッチングをとり、その合致した数により、関心点の関心度重みを付与して、基準となる関心モデルをインスタンス化、数量化して、ユーザ個人の関心モデルを構築し、
前記ユーザ個人の関心モデルにおいて、第1レベルの関心点の関心度重みは、第1レベル関心点の下位にある第2レベルの関心点の関心度重みの合計値である、
ユーザの個人の関心モデルを構築する装置。」の発明(以下、「引用発明」という。)が記載されている。

2 引用文献2(特開2013-206194号公報)
原査定に引用された引用文献2には、次のとおりの記載がある。下線は、注目箇所に当審が付した。
【0013】
(1)上述した課題を解決するため、本発明のサーバ装置は、対象ユーザの通信端末装置からコンテンツの推薦要求を受信する受信手段と、前記対象ユーザが参加しているグループ及び当該グループに参加している他のユーザを判別する判別手段と、前記対象ユーザ及び前記他のユーザのコンテンツの利用履歴情報をコンテンツ利用履歴データベースから取得する取得手段と、前記対象ユーザの前記利用履歴情報に含まれるコンテンツの利用に関する利用パラメータが所与の条件を満たし、かつ、前記他のユーザの前記利用履歴情報に含まれるコンテンツを推薦コンテンツとして特定する特定手段と、前記推薦コンテンツに関する情報を前記対象ユーザの前記通信端末装置へ閲覧可能に送信する送信手段と、を備える構成を有している。
【0014】
この構成より、本発明のサーバ装置は、複数のユーザによって構成されるグループにおいて、対象ユーザが過去に利用したコンテンツの利用履歴に関するパラメータと他のユーザの過去に利用したコンテンツの情報に基づいて、推薦コンテンツを特定し、かつ、対象ユーザに特定した推薦コンテンツを提供することができるので、対象ユーザが新たな興味を有するコンテンツを特定することがきるとともに、同一グループ内の他のユーザにあっても興味を有するコンテンツを特定することができる。

【0124】
このように、特定部343は、所与の過去の時点から現在までの所定期間内の対象ユーザの利用履歴情報を取得することにより、対象ユーザや他のユーザが最近興味を持っているコンテンツの傾向を把握することができる構成を有している。そして、特定部343は、所与の条件を満たし、かつ、所与の第2 条件を満たすコンテンツの種別を特定することにより、対象ユーザも他のユーザのうちの多くも興味が持てるコンテンツを特定することができるようになっている。

3 引用文献3(足立 貴行,Web検索ログを用いた特定の話題における関心事分析,電子情報通信学会技術研究報告,社団法人電子情報通信学会,2011年5月30日,Vol.111,No.77,p.97-102)
原査定に引用された引用文献3には、次のとおりの記載がある。下線は、注目箇所に当審が付した。
2.1 話題に関連する検索語の取得
提案法は、話題に関連する検索語のみをクラスタリング対象とすることで、希少なものも含めて有用な関心事の抽出を狙った方法である。そこで、まず、知りたい話題を定め、その話題を表す対象語を指定する。以下、ある話題を表す対象語の集合をTとして定義する。例えば、話題が「スイーツ関連」であれば、対象語集合T={スイーツ、洋菓子、和菓子、デザート、おやつ}のような指定ができる(図2の対象語集合)。話題と対象語の関係は、概念的な上下関係や、全体と部分といった包含関係である。また、対象語には1つ以上の単語を指定できるので、1語の対象語では表しきれない話題も扱うことができる。
次に、話題を表す対象語から、話題に関連する検索語を取得する。具体的には、クエリ内の共起語を得る。例えば、複数語クエリ「スイーツ 銀座」では、「銀座」は「スイーツ」の関係する場所を表しており、「スイーツ」は「銀座」に関係する商品種別を表している。・・

第6 対比・判断
1 本願発明1について
(1)対比
本願発明1と引用発明とを対比すると、次のことがいえる。
ア 引用発明の「第1レベルの関心点」、「第2レベルの関心点」、「関心点特徴語」、「関心点の関心度重み」は、それぞれ、本願発明1の「第1分野」、「第2の分野」、「要素」、「関心」に相当する。
イ 引用発明において、「ユーザが、検索エンジンを使って検索したときのユーザの入力履歴データを含むユーザの行動履歴データ」から抽出された「特徴語」は、「関心点特徴語とのマッチング」をとられ、「ユーザ個人の関心モデル」が構築され、「前記ユーザ個人の関心モデルにおいて、第1レベルの関心点の関心度重み」が得られるから、引用発明において、「ユーザが検索エンジンを使って検索したときの入力履歴データを含むユーザの行動履歴データを収集」する「データ収集ユニット」は、本願発明1の「第1の分野に対する複数のユーザの各々の関心を予測するモデルの複数の要素を取得する取得部」に相当する。
ウ 引用発明において、「第1レベルの関心点に対応した下位の第2レベルの関心点」について、「行動履歴データから特徴語を抽出し、当該特徴語と前記関心点特徴語とのマッチングをとり、その合致した数により、関心点の関心度重みを付与して、基準となる関心モデルをインスタンス化、数量化」することは、本願発明1の「前記取得部によって取得された複数の要素のうち前記第1の分野より詳細な第2の分野と対応する複数の要素のそれぞれが、当該ユーザのユーザ情報に対応する回数に基づいて、当該ユーザの当該第2の分野に対する関心を推定する」ことに相当するから、引用発明は、本願発明1の「記取得部によって取得された複数の要素のうち前記第1の分野より詳細な第2の分野と対応する複数の要素のそれぞれが、当該ユーザのユーザ情報に対応する回数に基づいて、当該ユーザの当該第2の分野に対する関心を推定する推定部」に相当する構成を有している。
エ 引用発明において、「第1レベルの関心点の関心度重み」を「第2レベルの関心点の関心度重み」の合計値により求めることは、第1レベルの関心点の関心度重みを推定しているといえるから、本願発明1の「前記モデルを用いて前記第1の分野に関心を有すると推定」することに相当する。
オ 引用発明において、「ユーザ個人の関心モデルを構築する装置」は、ユーザ個人の関心を推定するから、本願発明1と同様の「推定装置」であるといえる。
カ 以上、上記ア?オによると、本願発明1と引用発明とは次の一致点、相違点を有する。
[一致点]
第1の分野に対する複数のユーザの各々の関心を予測するモデルの複数の要素を取得する取得部と、
前記モデルを用いて前記第1の分野に関心を有すると推定すること、
前記取得部によって取得された複数の要素のうち前記第1の分野より詳細な第2の分野と対応する複数の要素のそれぞれが、当該ユーザのユーザ情報に対応する回数に基づいて、当該ユーザの当該第2の分野に対する関心を推定する推定部と
を備えたことを特徴とする推定装置。
[相違点]
本願発明1では、「第1分野に関心を有すると推定されたユーザの各々について」、「推定部による第2の分野に対する関心の推定」が行われるのに対し、引用発明では、第1分野に対する関心は、第2分野の関心の合計により推定されるものであり、第2分野に対する推定が、「第1分野に関心を有すると推定されたユーザの各々について」行われるのではない点。
(2)相違点についての判断
上記相違点について検討する。
引用発明において、2次元マトリクスの関心モデルにおいては、第1分野に対する関心(第1レベルの関心点の関心度重み)は、2次元マトリクスの同一行の各列の第2分野の関心(第2レベルの関心点の関心度重み)の合計値によって得られるから、第2分野の関心の推定より先に第1分野の関心を推定することはできない。
また、引用文献2、引用文献3は、相違点に係る構成を開示するものではない。
したがって、2次元マトリクスのモデルを用いて推定する引用発明において、第1分野の関心の推定を第2分野の関心の推定より先に行うことはできないから、当業者が上記相違点に係る構成を容易に想到し得たということはできない。
したがって、本願発明1は、引用発明と同一であるということはできず、また、当業者が、引用発明、拒絶査定において引用された引用文献2、3に記載された技術的事項に基づいて容易に発明をすることができたものであるともいえない。

2 本願発明2?11について
本願発明2?11も、本願発明1と「第1分野に関心を有すると推定されたユーザの各々について」、「推定部による第2の分野に対する関心の推定」を行う構成を備えるものであるから、本願発明1と同様の理由により、引用発明と同一であるということはできず、また、当業者が、引用発明、拒絶査定において引用された引用文献2、3に記載された技術的事項に基づいて容易に発明をすることができたものであるともいえない。

3 本願発明12について
本願発明12は、本願発明1に対応する方法の発明であり、本願発明1の「第1分野に関心を有すると推定されたユーザの各々について」、「推定部による第2の分野に対する関心の推定」に対応する構成を備えるものであるから、本願発明1と同様の理由により、引用発明と同一であるということはできず、また、当業者が、引用発明、拒絶査定において引用された引用文献2、3に記載された技術的事項に基づいて容易に発明をすることができたものであるともいえない。

4 本願発明13について
本願発明13は、本願発明1に対応するプログラムの発明であり、本願発明1の「第1分野に関心を有すると推定されたユーザの各々について」、「推定部による第2の分野に対する関心の推定」に対応する構成を備えるものであるから、本願発明1と同様の理由により、引用発明と同一であるということはできず、また、当業者が、引用発明、引用文献2に記載された事項、及び、引用文献3に記載された事項に基づいて容易に発明をすることができたものであるともいえない。

第7 原査定について
1 理由1(特許法29条1項3号)、理由2(特許法29条2項)について
本件補正により、本願発明1?本願発明13は「第1分野に関心を有すると推定されたユーザの各々について」、「第2の分野に対する関心の推定」するという事項を有するものとなっており、本願発明1?8、12、13は、引用発明と同一であるとはいえず、また、本願発明1?13は、当業者が、拒絶査定において引用された引用文献1?3に基づいて、容易に発明をすることができたものとはいえない。したがって、原査定の理由1及び理由2を維持することはできない。

第8 むすび
以上のとおり、原査定の理由によっては、本願を拒絶することはできない。
また、他に本願を拒絶すべき理由を発見しない。
よって、結論のとおり審決する。
 
審決日 2021-04-14 
出願番号 特願2015-151161(P2015-151161)
審決分類 P 1 8・ 121- WY (G06F)
P 1 8・ 113- WY (G06F)
最終処分 成立  
前審関与審査官 松尾 真人  
特許庁審判長 渡邊 聡
特許庁審判官 高瀬 勤
速水 雄太
発明の名称 推定装置、推定方法および推定プログラム  
代理人 特許業務法人酒井国際特許事務所  
  • この表をプリントする

プライバシーポリシー   セキュリティーポリシー   運営会社概要   サービスに関しての問い合わせ