专利审查指南2023修改对照及解读-实审通用章节（第二部分第9章）|专利法|大模型|神经网络|算法

专利审查指南2023修改对照及解读-实审通用章节（第二部分第9章）

章节所在部分

指南2021

指南2023

解读

第二部分第九章第5.2节

5.2 权利要求书的撰写

涉及计算机程序的发明专利申请的权利要求可以写成一种方法权利要求，也可以写成一种产品权利要求，例如实现该方法的装置。无论写成哪种形式的权利要求，都必须得到说

明书的支持，并且都必须从整体上反映该发明的技术方案，记载解决技术问题的必要技术特征，而不能只概括地描述该计算机程序所具有的功能和该功能所能够达到的效果。如果写成方法权利要求，应当按照方法流程的步骤详细描述该计算机程序所执行的各项功能以及如何完成这些功能；如果写成装置权利要求，应当具体描述该装置的各个组成部分及其各组成部分之间的关系，所述组成部分不仅可以包括硬件，还可以包括程序。

如果全部以计算机程序流程为依据，按照与该计算机程序流程的各步骤完全对应一致的方式，或者按照与反映该计算机程序流程的方法权利要求完全对应一致的方式，撰写装置权利要求，即这种装置权利要求中的各组成部分与该计算机程序流程的各个步骤或者该方

法权利要求中的各个步骤完全对应一致，则这种装置权利要求中的各组成部分应当理解为

实现该程序流程各步骤或该方法各步骤所必须建立的程序模块，由这样一组程序模块限定

的装置权利要求应当理解为主要通过说明书记载的计算机程序实现该解决方案的程序模

块构架，而不应当理解为主要通过硬件方式实现该解决方案的实体装置。

5.2 权利要求书的撰写
涉及计算机程序的发明专利申请的权利要求可以写成一种方法权利要求，也可以写成一种产品权利要求，例如实现该方法的装置、计算机可读存储介质或者计算机程序产品。无论写成哪种形式的权利要求，都必须得到说明书的支持，并且都必须从整体上反映该发明的技术方案，记载解决技术问题的必要技术特征，而不能只概括地描述该计算机程序所具有的功能和该功能所能够达到的效果。如果写成方法权利要求，应当按照方法流程的步骤详细描述该计算机程序所执行的各项功能以及如何完成这些功能；如果写成装置权利要求，应当具体描述该装置的各个组成部分及其各组成部分之间的关系，所述组成部分不仅可以包括硬件，还可以包括程序。

如果全部以计算机程序流程为依据，按照与该计算机程序流程的各步骤完全对应一致的方式，或者按照与反映该计算机程序流程的方法权利要求完全对应一致的方式，撰写装置权利要求，即这种装置权利要求中的各组成部分与该计算机程序流程的各个步骤或者该方法权利要求中的各个步骤完全对应一致，则这种装置权利要求中的各组成部分应当理解为实现该程序流程各步骤或该方法各步骤所必须建立的程序模块，由这样一组程序模块限定的装置权利要求应当理解为主要通过说明书记载的计算机程序实现该解决方案的程序模块构架，而不应当理解为主要通过硬件方式实现该解决方案的实体装置。
计算机程序产品应当理解为主要通过计算机程序实现其解决方案的软件产品。

在2017年允许存储介质保护主题之后，保护主题进一步延伸至“程序产品”本身，而权利要求的撰写方式可以采用“一种计算机程序产品/程序指令”等方式，进一步满足创新主体需求，使得涉及计算机程序的发明保护主题覆盖更为全面，与欧、美、日、韩等审查标准进一步对接。

第二部分第九章第6.1.2节

6.1.2 根据专利法第二条第二款的审查

如果要求保护的权利要求作为一个整体不属于专利法第二十五条第一款第(二)项排除获得专利权的情形，则需要就其是否属于专利法第二条第二款所述的技术方案进行审查。

对一项包含算法特征或商业规则和方法特征的权利要求是否属于技术方案进行审查时，需要整体考虑权利要求中记载的全部特征。如果该项权利要求记载了对要解决的技术问题采用了利用自然规律的技术手段，并且由此获得符合自然规律的技术效果，则该权利要求限定的解决方案属于专利法第二条第二款所述的技术方案。例如，如果权利要求中涉及算法的各个步骤体现出与所要解决的技术问题密切相关，如算法处理的数据是技术领域中具有确切技术含义的数据，算法的执行能直接体现出利用自然规律解决某一技术问题的过程，并且获得了技术效果，则通常该权利要求限定的解决方案属于专利法第二条第二款所述的技术方案。

6.1.2 根据专利法第二条第二款的审查

如果要求保护的权利要求作为一个整体不属于专利法第二十五条第一款第（二）项排除获得专利权的情形，则需要就其是否属于专利法第二条第二款所述的技术方案进行审查。对一项包含算法特征或商业规则和方法特征的权利要求是否属于技术方案进行审查时，需要整体考虑权利要求中记载的全部特征。如果该项权利要求记载了对要解决的技术问题采用了利用自然规律的技术手段，并且由此获得符合自然规律的技术效果，则该权利要求限定的解决方案属于专利法第二条第二款所述的技术方案。例如，如果权利要求中涉及算法的各

个步骤体现出与所要解决的技术问题密切相关，如算法处理的数据是技术领域中具有确切技术含义的数据，算法的执行能直接体现出利用自然规律解决某一技术问题的过程，并且获得了技术效果，则通常该权利要求限定的解决方案属于专利法第二条第二款所述的技术方案。

如果权利要求的解决方案涉及深度学习、分类、聚类等人工智能、大数据算法的改进，该算法与计算机系统的内部结构存在特定技术关联，能够解决如何提升硬件运算效率或执行效果的技术问题，包括减少数据存储量、减少数据传输量、提高硬件处理速度等，从而获得符合自然规律的计算机系统内部性能改进的技术效果，则该权利要求限定的解决方案属于专利法第二条第二款所述的技术方案。

社如果权利要求的解决方案处理的是具体应用领域的大数据，利用分类、聚类、回归分析、神经网络等挖掘数据中符合自然规律的内在关联关系，据此解决如何提升具体应用领域大数据分析可靠性或精确性的技术问题，并获得相应的技术效果，则该权利要求限定的解决方案属于专利法第二条第二款所述的技术方案。

增加涉及人工智能、大数据等技术领域“客体”审查基准

第二部分第九章第6.1.3节

例如，如果权利要求中的算法应用于具体的技术领域，可以解决具体技术问题，那么可以认为该算法特征与技术特征功能上彼此相互支持、存在相互作用关系，该算法特征成为所采取的技术手段的组成部分，在进行创造性审查时，应当考虑所述的算法特征对技术方案作出的贡献。

再如，如果权利要求中的商业规则和方法特征的实施需要技术手段的调整或改进，那么可以认为该商业规则和方法特征与技术特征功能上彼此相互支持、存在相互作用关系，在进行创造性审查时，应当考虑所述的商业规则和方法特征对技术方案作出的贡献。

如果权利要求中的算法与计算机系统的内部结构存在特定技术关联，实现了对计算机系统内部性能的改进，提升了硬件的运算效率或执行效果，包括减少数据存储量、减少数据传输量、提高硬件处理速度等，那么可以认为该算法特征与技术特征功能上彼此相互支持、存在相互作用关系，在进行创造性审查时，应当考虑所述的算法特征对技术方案作出的贡献。

如果发明专利申请的解决方案能够带来用户体验的提升，并且该用户体验的提升是由技术特征带来或者产生的，或者是由技术特征以及与其功能上彼此相互支持、存在相互作用关系的算法特征或商业规则和方法特征共同带来或者产生的，在创造性审查时应当予以考虑。

增加算法实现了系统内部性能改进，应当考虑算法对技术上做出的贡献。

增加用户体验提升在创新评判中的考量。

第二部分第九章第6.2节

【例 5】一种深度神经网络模型的训练方法

申请内容概述

发明专利申请提出一种深度神经网络模型的训练方法，针对某一大小的训练数据，从多个候选训练方案中选取训练耗时最小的方案用于模型训练，以解决固定地采用同一种单处理器或多处理器训练方案不适用于所有大小的训练数据而导致训练速度慢的问题。申请的权利要求

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

该解决方案是一种深度神经网络模型的训练方法，该模型训练方法为解决训练速度慢的问题，针对不同大小的训练数据，选择适配具有不同处理效率的单处理器训练方案或多处理器训练方案，该模型训练方法与计算机系统的内部结构存在特定技术关联，提升了训练过程中硬件的执行效果，从而获得符合自然规律的计算机系统内部性能改进的技术效果。因此，该发明专利申请的解决方案属于专利法第二条第二款规定的技术方案，属于专利保护的客体。

第二部分第九章第6.2节

【例 6】一种电子券使用倾向度的分析方法

申请内容概述

为吸引用户，商家会向用户发放各类电子券。但是无目的地投放电子券，不但无法吸引真正有需要的用户，反而给用户增加了浏览和筛选的负担。发明专利申请提供一种电子券使用倾向度的分析方法，通过分析电子券的种类、用户行为等，能够准确地建立电子券使用倾向度识别模型，以更加精确地判断用户对电子券的使用倾向，使投放的电子券更加满足用户实际需要，提升电子券的利用率。

申请的权利要求

一种电子券使用倾向度的分析方法，其特征在于，包括：

根据电子券的信息对电子券进行归类以得到电子券种类；

根据电子券的应用场景获取用户样本数据；

根据用户行为，从所述用户样本数据中提取用户行为特征，所述用户行为包括：浏览网页、搜索关键词、加关注、加入购物车、购买以及使用电子券；

以用户样本数据作为训练样本，以用户行为特征作为属性标签，针对不同种类的电子券来训练电子券使用倾向度识别模型；

通过训练后的电子券使用倾向度识别模型对电子券的被使用概率进行预测，得到用户对于不同种类电子券的使用倾向度。

该解决方案涉及一种电子券使用倾向度的分析方法，该方法处理的是电子券相关的大数据，通过对电子券进行归类、获取样本数据、确定行为特征及进行模型训练，挖掘出用户行为特征与电子券使用倾向度之间的内在关联关系，浏览时间长、搜索次数多、使用电子券频繁等行为特征表示对相应种类电子券的使用倾向度高，这种内在关联关系符合自然规律，据此解决了如何提升分析用户对电子券使用倾向度的精确性的技术问题，并且获得了相应的技术效果。因此，该发明专利申请的解决方案属于专利法第二条第二款规定的技术方案，属于专利保护的客体。

第二部分第九章第6.2节

【例 7】

一种知识图谱推理方法

申请内容概述

知识图谱在许多自然语言处理应用中有非常重要的作用，例如问答系统、语义搜索等。但由于知识获取的不确定性，基于实体识别和关系抽取技术构建的知识图谱，会导致知识图谱的不完整。如果知识图谱中存在错误，会导致应用返回错误的结果。发明专利申请提出了一种基于关系注意力的知识图谱推理方法。

申请的权利要求

一种基于关系注意力的知识图谱推理方法，所述方法包括：获取知识图谱中节点的初始嵌入表示，将所述初始嵌入表示转换到高维空间，得到高维嵌入表示，所述节点为知识图谱中的实体，所述知识图谱是对知识进行实体识别和关系抽取构建的，所述知识是问答系统、语义搜索中相关联的知识，所述实体是利用命名实体识别工具从自然语言文本中获取的文本数据，所述初始嵌入表示是所述文本数据通过词嵌入模型得

到的向量；

获取所述知识图谱中目标节点的邻居节点集合，根据所述目标节点与所述邻居节点集合中邻居节点的关系类型，构建邻居子图；

根据所述目标节点的高维嵌入表示和所述邻居子图中邻居节点的高维嵌入表示，得到所述目标节点嵌入邻居子图中信息的邻居嵌入表示；

将所述目标节点的高维嵌入表示与所述邻居嵌入表示进行聚合，得到目标节点的聚合嵌入表示；

根据每个所述邻居子图的第一注意力分值，对所述聚合嵌入表示进行融合，得到所述目标节点的融合嵌入表示；

根据所述融合嵌入表示，计算所述目标节点对应三元组的得分，根据得分进行三元组推理。

该解决方案是一种基于关系注意力的知识图谱推理方法，该方法各步骤中处理的数据是自然语言中的文本数据或者语义信息等技术数据，通过对问答系统、语义搜索中相关联的知识进行实体识别和关系抽取构建知识图谱，从而进行知识图谱推理。该解决方案所解决的是文本嵌入及语义搜索过程中如何丰富语义信息、提高推理准确性的技术问题，利用的是遵循自然规律的技术手段，获得了相应的技术效果。因此，该发明专利申请的解决方案属于专利法第二条第二款规定的技术方案，属于专利保护的客体

第二部分第九章第6.2节

【例 10】

一种金融产品的价格预测方法

申请内容概述

现有的金融产品价格预测方法，大多由专家根据经验给出建议，预测的准确性和时效性不高。发明专利申请提供一种金融产品的价格预测方法，通过金融产品的历史价格数据对神经网络模型进行训练，从而对金融产品的未来价格走势进行预测。

申请的权利要求

一种金融产品的价格预测方法，其特征在于，所述方法包括：

使用金融产品的Ｎ +1 个日指标历史价格数据对神经网络模型进行训练得到价格预测模型，其中，前Ｎ个日指标历史价格数据作为样本输入数据，最后 1 个日指标历史价格数据作为样本结果数据；

使用所述价格预测模型和最近Ｎ个日指标历史价格数据来预测未来一天金融产品的价格数据。

该解决方案涉及一种金融产品的价格预测方法，该方法处理的是金融产品相关的大数据，利用神经网络模型挖掘过去一段时间内金融产品的价格数据与未来价格数据之间的内在关联关系，但是，金融产品的价格走势遵循经济学规律，由于历史价格的高低并不能决定未来价格的走势，因此，金融产品的历史价格数据与未来价格数据之间不存在符合自然规律的内在关联关系，该方案所要解决的是如何预测金融产品价格的问题，不构成技术问题，获得的相应的效果不是技术效果。因此，该发明专利申请不属于专利法第二条第二款规定的技术方案，不属于专利保护的客体

第二部分第九章第6.2节

【例 15】

一种用于适配神经网络参数的方法

申请内容概述

针对不同的应用场景需设计不同的神经网络架构，并且需在某一类型的计算架构上使用一系列的运算来实现，因此期望能够通过较低的硬件成本高效地实现神经网络中的运算。发社明专利申请提出了用于适配神经网络参数的方法，通过获得具有规范形式的神经网络参数，将神经网络中的运算映射到计算架构所支持的运算中，简化神经网络相关硬件的设计和实现。

申请的权利要求

一种用于适配神经网络参数的方法，所述方法包括：

针对神经网络至少一层中的每一层的权重参数，选择多个维度；

确定所述权重参数在所述多个维度中每个维度上的尺寸；

基于支持神经网络计算的硬件的使用率，确定所述权重参数在所述多个维度中每个维度上的目标尺寸的候选值集合；

选取所述候选值集合中大于或等于对应维度上的尺寸的所有候选值子集，确定所述候选值子集中的最小值为对应维度上的目标尺寸；

如果所述权重参数在多个维度中的至少一个维度上的尺寸小于对应维度上的目标尺寸，则在所述维度上对权重参数进行填充，使得填充之后获得的权重参数在每个维度上的尺寸等于对应维度上的目标尺寸。

对比文件１公开了面向神经网络处理器的设计方法，该方法根据神经网络拓扑结构、神经网络层中各层的权重参数和维度参数，以及硬件资源约束参数等，从已构建的神经网络组件库中查找单元库，并依据单元库生成对应于神经网络模型的神经网络处理器的硬件描述语言代码，进而将所述硬件描述语言代码转化为所述神经网络处理器的硬件电路。其中将神经网络特征数据和权重数据划分为适当的数据块集中存储和访问。发明专利申请的解决方案与对比文件１的区别在于确定神经网络每一层权重参数在每个维度上的尺寸，基于硬件使用率确定权重参数在每个维度上的目标尺寸的候选值集合，选取对应维度上的候选值子集并确定其中最小值为目标尺寸，如果权重参数在至少一个维度上的尺寸小于目标尺寸则对所述维度上的权重参数进行填充。基于申请文件可知，该解决方案通过将权重参数的尺寸填充为等于目标尺寸，当支持神经网络的硬件对神经网络的数据进行运算时，硬件能够高效处理所述数据，该解决方案中的算法提升了硬件的运算效率。因此，上述用于适配神经网络参数的算法特征与技术特征在功能上彼此相互支持、存在相互作用关系。相对于对比文件１，确定发明实际解决的技术问题是如何使硬件高效地执行神经网络中的运算。上述通过适配神经网络参数以提升硬件运算效率的内容未被其他对比文件公开，也不属于本领域的公知常识，现有技术整体上并不存在对上述对比文件１进行改进以获得发明专利申请的技术方案的启示，要求保护的发明技术方案具备创造性。