发明专利咋写?

有不少专利申请人咨询乐知网律师这一问题，关于 发明专利咋写 的详细内容，由于咨询的人较多，有一定的普遍性，乐知网已写成参考文章。

发明专利咋写?

人工智能或者机器学习的专利到底在保护什么？

国家知识产权局决定对《专利审查指南》作出修改。

在《专利审查指南》第二部分第九章增加第6节。

对包含算法或商业规则和方法等智力活动的规则和方法特征，涉及人工智能、“互联网+”、大数据以及区块链等的发明专利申请的审查特殊性作出规定。

在该部分增加了一些示例。

明确规定“审查应当针对要求保护的解决方案，即权利要求所限定的解决方案进行。

在审查中，不应当简单割裂技术特征与算法特征或商业规则和方法特征等，而应将权利要求记载的所有内容作为一个整体，对其中涉及的技术手段、解决的技术问题和获得的技术效果进行分析。

”接下来，我们结合机器学习以及人工智能通常使用的几种算法来明确这些算法在相关专利所起到的作用或者扮演的角色：

1。支持向量机（support vector machine，SVM） 支持向量机（Support Vector Machine， SVM)是一种基于核的机器学习方法，通过数据空间与特征空间的非线性映射，可有效地将数据空间中 的非线性问题转化为特征空间中的线性问题，进而提高非线性处理能力；其次，基于结构风 险最小化的优化准则使其具有更好的泛化性能；另外，学习过程自动确定网络结构，且具有稀疏解的优点，这都使得支持向量机对于解决小样本、非线性以及高维问题具有很大的优越性。

应用领域：

用于文本和超文本的分类； 用于图像分类； 用于手写字体识别； 用于医学中分类蛋白质，建立识别模型。

CN101541030B 基于支持向量机的数据预测方法和设备 从可行性、合理性、实用性等角度出发，提出并设计了基于支持向量机的无线通信话务量中长期智能预测新算法，用以为网络扩容提供科学参考依据，进而灵活、主动地应对话务量的增长，有效地进行网络建设规划，保证网络服务的质量。

030专利的原理是利用了现有技术中的SVM拟合算法：

然后，将上述SVM算法作为一个技术手段融入进了解决“对通信话务量的未来值进行有效预测”技术问题的方案之中：在S105，读取 与历史时期（“第一时期”）相关联的多个历史数据（“第一数据”）。

历史时期的长度单位 (颗粒度）可以是月、周、天等，也可以小时、分钟等。

历史时期可包含多个历史子时期，例如，如果历史时期的长度为年，历史子时期的长度为周，则可设定一年包含52周；如果历史子时期的长度为天，则可设定一年包含365天。

历史数据是在历史时期中已经测得的数据， 例如话务量、短信量、视频流量、用户数目等。

历史数据可一一对应于多个历史子时期，例如可以是一年中每天的话务量。

例如，历史数据的形式可以是{yi | i = 1，…，n}，对应的时序为{ti | i = 1，…，n}，其中n为正整数。

如果时序的单位是天，则ti表示第1天至第n天 中的某一天，而yi表示在该第1天至第n天中已经测得的每一天的相应历史数据（如话务量、短信量、视频流量、用户数等）。

用户可选择输入的各个数据对应的日期（软件按照日期计算长度读取用户输入到Excel文件中的话务量数据）。

在读取了历史数据之后，在S110，预测与预测时期（“第二时期”）中包含的子时 期相对应的预测数据（“第二数据”）。

预测时期在历史时期之后，长度单位可以与历史时期相同，也可以不同。

只要预测时期的起始时刻等于或晚于历史时期的结束时刻即可。

同样，历史时期的子时期的长度单位也可以根据实际需要而不同。

在S110中，支持向量机使 用在S105中读取的多个历史数据的至少一个子集作为输入变量。

支持向量机的输出对应于预测数据。

ti，yi分别是上述SVM算法中的Xl和K（Xl，X），由此可见，030专利保护的实质上并不是算法本身，而是SVM算法对于解决“对通信话务量的未来值进行有效预测”问题的建模过程，即如何由历史数据产生预测数据的技术方案。

2。逻辑回归（logistic Regression） 逻辑回归（Logistic Regression）是一种用于解决二分类（0 or 1）问题的机器学习方法，用于估计某种事物的可能性。

比如某用户购买某商品的可能性，某病人患有某种疾病的可能性，以及某广告被用户点击的可能性等。

应用领域：

Binary分类问题：比特币会不会上涨、明年有没有金融危机，Trump能不能连任总统。

CN110263959A点击率预估方法、装置、机器设备和计算机可读存储介质 互联网广告投放的实现依赖对所投放资源的点击率预估，利用逻辑回归算法在为用户运算得到每一资源所对应的点击率预测值之后，即可按照这一点击率预测值选取向此用户投放的资源。

由此便能够对每一用户都能够推荐其所感兴趣的资源。

959专利通过逻辑回归算法实现点击率预估所使用的建模图形示意图。

进行点击率预测值运算所使用的运算模型包括了下图左侧以基础属性、用户标签、广告ID、广告类目、广告位、上下文为特征为输入的逻辑回归模型，在此基础上，用户标签这一维度以及广告ID这一维度都分别进行了一定维度上的特征抽取，所抽取的特征项执行内积和平均之后，就可融入到逻辑回归运算的加权运算中，以此来获得所预估的点击率预测值。


更多关于 发明专利咋写 的内容，可以咨询 乐知网。

(乐知网- 领先的一站式知识产权服务平台，聚焦 专利申请，商标注册 业务)。

关键词： 申请专利 专利申请