发布时间: 2025-10-09
作者:杨玉莹 专利代理师
专利法第二条第二款规定:发明,是指对产品、方法或者其改进所提出的新的技术方案。《专利审查指南》进一步对技术方案作出具体解释:技术方案是对要解决的技术问题所采取的利用了自然规律的技术手段的集合。技术手段通常是由技术特征来体现的。
在专利代理师的日常工作中,客体类审查意见堪称最具“颠覆性”的挑战之一。一旦答复不力,专利申请可能被直接驳回。与新颖性、创造性等可通过证据对比、逻辑说理展开辩论的问题不同,客体问题关乎技术方案的本质属性,若无法证明方案符合技术方案的核心定义,后续争辩便失去了基础。
下面笔者结合实务案例,从修改策略与争辩逻辑两方面,拆解分析客体类审查意见的答复要点。
一、实务案例分析
(一)原始申请方案与审查意见核心争议
权利要求1原始方案为:
一种数据分类方法,其特征在于,包括:
获取样本数据,基于所述样本数据得到目标聚合数据,根据所述目标聚合数据确定所述样本数据中包括的训练数据;
对所述训练数据中的黑样本数据进行标记,得到黑样本数据以及未标记样本数据,对所述黑样本数据中包括的样本数据进行随机标记,标记为伪白样本数据,利用所述黑样本数据进行模型训练,得到分类模型;
在所述黑样本数据中进行多轮伪白样本数据随机标记,依次将每条伪白样本数据输入至所述分类模型,得到所述伪白样本数据的分类结果;根据所述伪白样本数据的分类结果,确定分布阈值;通过所述分类模型,得到所述未标记样本数据的分类结果,根据所述分布阈值以及所述未标记样本数据的分类结果得到目标黑样本数据以及目标白样本数据;
利用所述目标黑样本数据以及所述目标白样本数据进行模型训练,得到目标分类模型,通过所述目标分类模型,对所述样本数据进行分类。
审查员在审查意见通知书中指出:权利要求1所述的方案仅记载了如何对样本数据中的黑白样本进行分类,但“黑白样本”在不同领域中具有不同的含义,其并未限定黑白样本具体指的是什么领域的什么样的样本,因此,也未限定其具体解决技术领域中的什么技术问题,未能体现求解问题与具体技术领域之间的密切结合。
因此,“如何对样本数据中的黑白样本进行分类”的问题解决的是分类算法本身的问题,并不属于技术问题,算法处理的样本数据也不能体现出是技术领域中具有确切技术含义的数据,算法的执行过程未体现出利用自然规律解决技术问题的过程。因此,权利要求1限定的方案不属于专利法第二条第二款所述的技术方案,不符合专利法第2条第2款的规定,不属于专利法保护的客体。
(二)针对性修改与争辩逻辑构建
针对上述审查意见,首先通过对权利要求增加限定,锚定技术应用场景,随后从技术问题-技术手段-技术效果三个维度展开争辩,具体如下:
针对性修改:明确技术应用场景
在权利要求1中新增限定:“所述数据分类方法用于风险控制管理”、“所述样本数据包括用户数据或企业数据”。这一修改的核心目的是将抽象的数据分类算法与风险控制这一具体技术领域绑定,为后续技术问题的界定奠定基础。
争辩逻辑:
(1)明确技术问题:确定技术领域内的实际痛点
本申请旨在通过目标分类模型对各参与方样本数据中包括的用户或者企业进行风险研判,即,通过目标分类模型确定样本数据中的存在风险的黑样本数据以及不存在风险的白样本数据,本质上是利用计算机技术来解决数据分类的难题。在相关技术的实际应用中,在准入环节没有较好的控制,对管理范围内的企业也没有较好的风险把握,会出现一些扰乱社会稳定的不良事件。为了避免这些风险的产生,需要进行风险控制。
在对风险进行研判时,通常采用人工研判方法或者多渠道风险汇总方法,人工研判方法主观性较强,导致对样本分类的准确性较差。在多渠道风险汇总方法中,认为除黑样本外的剩余样本数据都是白样本数据,给模型训练带来了大量的噪声,降低了模型分类的准确率。而本申请解决的两个技术问题分别为:第一,如何减少样本数据对模型训练带来的噪声问题,第二,如何提高分类的准确性。
(2)拆解技术手段:证明自然规律的利用
获取到样本数据后,对样本数据进行聚合,得到目标聚合数据,根据目标聚合数据确定样本数据中的训练数据,在数据聚合的过程中,涉及到数据收集、分析、对齐等过程,属于典型的技术实现手段。
在获取到样本数据之后,对样本数据中的黑样本数据进行标记,得到黑样本数据,对黑样本数据中包括的数据进行随机标记,将其标记为伪白样本数据,并利用黑样本数据对模型进行训练,其中,对样本进行标记、以及利用数据对模型进行训练需依托工具、算法及标准化流程实现,属于人工智能领域的关键技术手段。
在黑样本数据中进行多轮伪白样本数据标记,依次将每条伪白样本数据输入至分类模型中,得到伪白样本数据的分类结果,根据伪白样本数据的分类结果,确定分布阈值,通过分类模型得到未标记样本数据的分类结果,在未标记样本数据的分类结构小于分布阈值时,将该未标记样本确定为白样本数据,在未标记样本数据的分类结果不小于分布阈值时,将未标记样本数据标记为黑样本数据,进而得到目标黑样本数据和目标白样本数据,无论是将数据输入至分类模型,还是对分类结果与分布阈值进行比较,运用了数据处理、分析等流程,属于基于自然规律和科学原理的技术实现方式。
在得到目标黑样本数据以及目标白样本数据之后,获取未标记样本数据中各样本数据被标记为黑样本数据的次数,对于次数大于预设次数的样本数据中包括的特征进行分析,得到与应用场景关联度低的特征,并在样本数据中删除这些关联度低的特征,得到目标特征,利用目标黑样本数据中与目标特征对应的第三样本数据以及目标白样本数据中包括的与目标特征对应的第四样本数据,对模型进行训练,得到目标分类模型。其中,对特征进行筛选、利用与目标特征对应的样本数据对模型进行训练均需通过算法实现,属于典型的技术手段。
综上,本申请权利要求的处理对象的是企业风险研判时的样本数据,利用了分类、神经网络等挖掘样本数据中符合规律的内在关联关系,据此解决如何提升风险研判时的样本数据分类的准确定的技术问题,故,本申请权利要求限定的技术方案属于专利法第二条第二款所述的技术方案。
(3)量化技术效果:体现技术进步
针对第一个技术问题:对黑样本数据中的样本数据进行随机标记,得到伪白样本数据,通过黑样本数据、伪白样本数据以及未标记样本数据对模型进行训练,得到分类模型,通过该分类模型得到伪白样本数据的分类结果,根据该分类结果确定分布阈值,利用该分布阈值确定未标记样本数据中包括的黑样本数据,得到目标黑样本数据以及目标白样本数据,提高了样本的精确性。
针对第二个技术问题,对样本数据中的特征进行剔除,得到目标样本数据,通过目标黑样本数据以及目标白样本数据中包括的与特征数据对应的第三样本数据以及第三样本数据对模型进行训练,得到目标训练模型,提高了目标分类模型的分类准确性。
效果是技术手段作用于技术问题的直接结果,属于符合自然规律的技术效果。
(三)结果:答复获认可,成功克服客体问题缺陷
基于上述修改+争辩的思路,审查员认可了方案的“技术方案”属性,最终该申请成功克服客体问题缺陷。
二、客体类审查意见答复的核心原则与拓展策略
(一)核心原则:紧扣“技术三要素”,锚定技术应用场景
从上述案例可提炼出客体类答复的核心逻辑是:从技术问题、技术手段、技术效果出发,将抽象方案锚定于具体技术领域。审查员对客体问题的审查本质是判断“方案是否脱离技术应用场景,仅为数学/逻辑规则的集合”,因此,在答复该类审查意见时:首先,明确算法的技术应用场景(如案例中分类算法绑定风险控制);其次,证明技术手段符合自然规律;最后,将效果与技术领域的实际需求挂钩(如提升分类准确性对应风险误判减少)。
(二)拓展策略:应对“无具体理由”的客体质疑
实务中,部分审查意见可能未详细拆解质疑点,仅笼统指出方案为数学算法,未利用自然规律(如,审查意见中经常出现本申请方案所采用的手段仅仅是数学算法上的处理,并不是利用自然规律的技术手段,基于上述手段所达到的降低模型训练时间和提升模型训练效率都是针对XX算法本身的改进效果,并未获得符合自然规律的技术效果)。此时可采用以下策略:查阅《专利审查指南》第二部分第九章中与申请领域相关的示例(如人工智能、数据处理领域的客体认定案例),基于《专利审查指南》中记载的关于与本申请相似的示例满足专利客体要求,证明本权利要求也满足专利客体要求。
以《专利审查指南》第二部分第九章6.2中的例5为例:
一种深度神经网络模型的训练方法,包括:当训练数据的大小发生改变时,针对改变后的训练数据,分别计算所述改变后的训练数据在预设的候选训练方案中的训练耗时;
从预设的候选训练方案中选取训练耗时最小的训练方案作为所述改变后的训练数据的最佳训练方案,所述候选训练方案包括单处理器训练方案和基于数据并行的多处理器训练方案;
将所述改变后的训练数据在所述最佳训练方案中进行模型训练。
该示例的分析指出:该训练方法通过针对不同规模数据选择适配训练方案,与计算机系统内部结构存在特定技术关联,提升了硬件执行效率,从而实现了符合自然规律的技术效果,属于专利法第二条第二款规定的技术方案。
上述分析表明:若算法与计算机系统内部结构存在特定技术关联,能够改善硬件执行效率或运算性能,即可认定算法特征与技术特征在功能上相互支持、彼此作用,属于整体技术手段的组成部分。
在审查意见答复中,若权利要求的方案与上述示例情形类似,可援引该例,着重强调本申请算法与硬件系统之间的协同关系,及其对计算机内部性能的实际改善,从而论证其属于专利法第二条第二款规定的技术方案。
三、总结与反思
客体类审查意见的答复,本质是证明方案属于技术方案。核心在于将抽象算法转化为技术应用场景下的解决方案:通过限定应用领域明确技术问题,通过拆解步骤证明自然规律利用,通过量化效果体现技术进步。
客体问题的应对需贯穿申请文件撰写至审查意见答复全过程。在撰写阶段即应明确技术应用场景与技术问题,避免因方案抽象导致客体质疑。在答复阶段则需精准定位审查员的核心疑虑,通过修改补全技术应用场景+争辩拆解三要素实现突破。
以上为笔者结合实务案例的心得总结,如有不足之处,欢迎批评指正或者进行补充。