智慧財產專業團體

于武強  專利師

一、前言

隨著資訊時代的進步，互聯網技術和網路技術的不斷發展，有關人工智慧、互聯網、大資料以及區塊鏈等新技術領域的發明申請案快速成長。為了正確掌握各發明的技術貢獻，以提高審查品質和審查效率，幫助推動新興技術和新興產業的發展，大陸國家知識產權局於2019年9月中旬草擬了《專利審查指南第二部分第九章修改草案（初稿）》，主要是在第九章下新增第6節，說明包含演算法特徵或商業規則和方法特徵的發明專利申請審查的相關規定，修改草案公布並於徵求官方內部與民間各方回饋意見後，於2019年12月31發佈，並自2020年2月1日起施行，本文即針對新增章節內容進行介紹。

一般涉及人工智慧、互聯網、大數據庫以及區塊鏈等技術之發明包含有演算法或商業規則等涉及智力活動的規則和方法特徵，此次審查指南修改對這一類的專利申請的審查規則做出了詳細規定，並藉由案例說明進行解釋。不僅有助於統一審查標準，同時也提供了如何撰寫這類申請案的指引，促進申請案件品質提升；另一方面，明確規定了應當結合這類申請的特點，整體考慮技術特徵以及演算法或商業規則等智力活動規則特徵，正確把握發明的技術貢獻，以提高審查品質和審查效率。

二、修改內容

本次修改重點在於說明專利法第二十五條第一款第二項與第二條第二款的審查標準，以及對這類申請案的新穎性與創造性的審查規定。以下即以本次修改內容配合提供之示例進行說明。

(一) 有關專利法第二十五條第一款第二項的審查標準

專利法第二十五條是關於需靠人類智力與記憶方可執行之技術是不授予專利權的規定，其中的第一款第二項規定如果權利要求涉及抽象的演算法或者單純的商業規則和方法，且不包含任何技術特徵，則這項權利要求屬於的智力活動的規則和方法，不應當被授予專利權。其中所謂智力活動的規則和方法。是指人的思維運動，是一種抽象概念，是人的大腦進行精神和智慧活動的手段或過程，僅是指導人們對其表達的資訊進行思維、判斷和記憶，不需要採用技術手段或者利用自然法則，不具備技術特徵，因而不能被授予專利權。例如，交通行車規則、字典的編排方法、情報檢索的方法、演算法或口訣、各種遊戲、娛樂的規則和方法、比賽規則等都不能授予專利權。

【例】審查指南中提供的第一個示例是一種建立數學模型的方法，此方法為一種人工智慧自我學習以建立模式的方法，過程中要提供學習演算法一些訓練樣本，訓練樣本中說明輸入與輸出之間的預期關係，然後假設學習器在預測中逼近正確的結果，藉以建立正確模式，在建立的過程中需大量訓練樣本，以使建立模式能更加正確，本方法藉由將其他相關分類任務的訓練樣本也同時輸入，以增加建立模式準確度。其申請的權利要求如下:

一種建立數學模型的方法，其特徵在於，包括以下步驟：

根據第一分類任務的訓練樣本中的特徵值和至少一個第二分類任務的訓練樣本中的特徵值，對初始特徵提取模型進行訓練，得到目標特徵提取模型;其中，所述第二分類任務是與所述第一分類任務相關的其它分類任務;
根據所述目標特徵提取模型，分別對所述第一分類任務的每個訓練樣本中的特徵值進行處理，得到所述每個訓練樣本對應的提取特徵值;

將所述每個訓練樣本對應的提取特徵值和標籤值組成提取訓練樣本，對初始分類模型進行訓練，得到目標分類模型;

將所述目標分類模型和所述目標特徵提取模型組成所述第一分類任務的數學模型。

上述權利要求中的主要特徵在於處理訓練樣本的特徵值、提取特徵值、標籤值、目標分類模型以及目標特徵提取模型等都是抽象的通用資料處理，未提到任何具體的應用領域，其中，利用訓練樣本的相關資料(資料庫)對數學模型進行訓練等處理過程也是一系列抽象的數學方法步驟，最後得到的結果也是抽象的通用分類數學模型。故該方案是一種抽象的模型建立方法，其處理資料、過程和結果都不涉及與具體應用領域的結合，屬於對抽象數學方法的最佳化處理，且整個方案並未包括任何技術特徵，不屬於專利法保護之客體，亦即權利要求中保護的內容僅有演算法特徵和方法特徵，該發明專利申請的解決方案是屬於專利法第二十五條第一款第二項規定的智力活動的規則和方法。

(二) 符合專利法第二條第二款的審查

如果審查權利要求後發現並不屬於專利法第二十五條第一款第二項(屬於智力活動)的方法，就需對其是否屬於專利法第二條第二款所述的技術方案進行審查。專利法第二條是關於專利權的客體是否是可以取得專利保護的發明創造的範圍的規定。第二款是指:發明，是指對產品、方法或者其改進所提出的新的技術方案。

但是如何審查包含演算法特徵或商業規則和方法特徵的權利要求是否屬於技術方案呢?首先審查過程需要考慮權利要求中記載的全部特徵，且權利要求中涉及演算法的步驟體現出與所要解決的技術問題有關，如演算法處理的資料是技術領域中具有技術含義的資料，或演算法的執行能直接表現出利用自然規律解決某一技術問題的過程，並且獲得了技術效果，即符合了上述條件，則該權利要求限定的解決方案是屬於專利法第二條第二款所述的技術方案。

【例】審查指南中提供的第二個示例是一種卷積神經網路CNN模型的訓練方法，也是一種人工智慧學習建立模型的方法，因一般卷積神經網路CNN模型僅能識別固定尺寸的圖像，本示例主要就是要改善上述建模方法的缺點，使卷積神經網路CNN模型也能在識別圖像類別時能夠識別任意尺寸的待識別圖像上。其申請的權利要求如下:

一種卷積神經網路CNN模型的訓練方法，其特徵在於，所述方法包括：

獲取待訓練CNN模型的初始模型參數，所述初始模型參數包括各級卷積層的初始卷積核、所述各級卷積層的初始偏置矩陣、全連接層的初始權重矩陣和所述全連接層的初始偏置向量;

獲取多個訓練圖像;

在所述各級卷積層上，使用所述各級卷積層上的初始卷積核和初始偏置矩陣，對每個訓練圖像分別進行卷積操作和最大池化操作，得到每個訓練圖像在所述各級卷積層上的第一特徵圖像;

對每個訓練圖像在至少一級卷積層上的第一特徵圖像進行水準池化操作，得到每個訓練圖像在各級卷積層上的第二特徵圖像;

根據每個訓練圖像在各級卷積層上的第二特徵圖像確定每個訓練圖像的特徵向量;

根據所述初始權重矩陣和初始偏置向量對每個特徵向量進行處理，得到每個訓練圖像的類別概率向量;

根據所述每個訓練圖像的類別概率向量及每個訓練圖像的初始類別，計算類別誤差;

基於所述類別誤差，對所述待訓練CNN模型的模型參數進行調整;

基於調整後的模型參數和所述多個訓練圖像，繼續進行模型參數調整的過程，直至反覆運算次數達到預設次數;

將反覆運算次數達到預設次數時所得到的模型參數作為訓練好的CNN模型的模型參數。

上述卷積神經網路CNN模型的訓練方法的各步驟中處理的資料均為圖像資料以及如何處理圖像資料的方法，使神經網路訓練演算法與圖像資訊處理密切連接，也解決CNN模型僅能識別具有固定尺寸的圖像的技術問題，使用在不同卷積層上對圖像進行不同處理並訓練的手段(在所述各級卷積層上，使用所述各級卷積層上的初始卷積核和初始偏置矩陣，對每個訓練圖像分別進行卷積操作和最大池化操作，得到每個訓練圖像在所述各級卷積層上的第一特徵圖像)，每次數學矩陣算完的結果都是客觀的數據，不因人為因素而改變，所以是利用遵循自然規律的技術手段，訓練完成的CNN模型具有識別任意尺寸待識別圖像的技術效果。因此，該發明專利申請的解決方案屬於專利法第二條第二款規定的技術方案，屬於專利保護客體。

【例】審查指南中提供的第三個示例是一種共用單車的使用方法，藉由得知使用者手機或平板等手持電信設備的位置資訊和對應的一定距離範圍內的共用單車的使用狀態資訊，讓使用者可以根據共用單車的狀態資訊準確地找到附近可以使用的共用單車進行騎行，且可藉由提示來引導使用者至適當且方便的位置停車，該方法使共用單車的使用和管理更方便，也節省使用者的時間，提升便利性。其申請的權利要求如下:

一種共用單車的使用方法，其特徵在於，包括以下步驟：

步驟一，使用者通過手持電信設備向伺服主機發送需要使用共用單車的請求;

步驟二，伺服主機獲取用戶的第一位置資料，查找與所述第一位置資料對應一定距離範圍內的共用單車的第二位置資料，以及這些共用單車的狀態資料，將所述共用單車的第二位置資料和狀態資料發送到手持電信設備，其中第一位置資料和第二位置資料是經由GPS系統的信號取得;

步驟三，使用者根據手持電信設備上顯示的共用單車的位置資料，找到可以騎行的目標共用單車;

步驟四，使用者通過手持電信設備掃描目標共用單車車身上的二維碼，通過伺服主機認證後，獲得目標共用單車的使用權限;

步驟五，伺服主機根據騎行情況，向使用者推送停車提示，若用戶將車停放在指定區域，則採用優惠資費進行計費，否則採用標準資費進行計費;

步驟六，使用者根據所述提示進行選擇，騎行結束後，用戶進行共用單車的鎖車動作，共用單車檢測到鎖車狀態後向伺服主機發送騎行完畢信號。

本示例所要解決的問題是如何讓使用者準確找到可騎行共用單車的位置並開啟共用單車，該方案藉由手持電信設備和伺服主機上的電腦程式實現了對使用者使用共用單車行為的控制和引導，是對位置資料、認證資料進行收集和計算的控制，利用的是遵循自然規律的技術手段，達到快速找到可使用的共用單車位置並開啟或歸還共用單車等技術效果。因此，該發明專利申請的解決方案屬於專利法第二條第二款規定的技術方案，屬於專利保護的客體。

【例】審查指南中提供的第四個示例是一種區塊鏈節點間通信方法及裝置，區塊鏈的憑證認證機構(Certificate Authority ，簡稱CA)會發行數位憑證與信任清單，區塊鏈的各業務節點之間在建立通信連接之前，可以根據通信請求中攜帶的CA憑證以及預先配置的CA信任清單，確定是否建立通信連接，從而減少了業務節點洩露隱私資料的可能性，提高了區塊鏈中存儲資料的安全性。其申請的權利要求如下:

一種區塊鏈節點通信方法，區塊鏈網路中的區塊鏈節點包括業務節點，其中，所述業務節點存儲憑證認證機構CA發送的憑證，並預先配置有CA信任清單，所述方法包括：

第一區塊鏈節點接收第二區塊鏈節點發送的通信請求，其中，所述通信請求中攜帶有第二區塊鏈節點的第二憑證

確定所述第二憑證對應的CA標識;

判斷確定出的所述第二憑證對應的CA標識，是否存在於所述CA信任清單中;

若是，則與所述第二區塊鏈節點建立通信連接;

若否，則不與所述第二區塊鏈節點建立通信連接。

本示例要解決的問題是網路中如何防止區塊鏈業務節點洩露使用者隱私資料的問題，屬於提高區塊鏈資料安全性的技術問題，藉由通信過程中在傳遞的通信請求中附帶的CA憑證以及事先配置的CA信任清單，以確定連線的許可，有效管控可合法連線的業務節點，利用的是遵循自然規律的技術手段，以獲得業務節點間安全通信和減少業務節點洩露隱私資料可能性的技術效果。因此，該發明專利申請的解決方案屬於專利法第二條第二款規定的技術方案，屬於專利保護的客體。

(三) 不符合專利法第二條第二款規定的審查規則

如果審查權利要求後發現是不屬於專利法第二十五條第一款第二項(屬於的智力活動)的方法，但包含演算法特徵或商業規則和方法特徵的整體技術未解決技術問題，或者未利用技術手段，或者未獲得技術效果，則不屬於專利法第二條第二款規定的技術方案，因而不屬於專利保護的客體。

【例】本節第一個示例是一種消費返利的方法，藉由電腦執行設定的返利規則計算出需要發給消費的用戶現金券的金額，再給予用戶對應金額的現金劵，藉以提高用戶的消費意願，提升商家獲得的利潤。其申請的權利要求如下:

一種消費返利的方法，其特徵在於，包括以下步驟：

用戶在商家進行消費時，商家根據消費的金額返回一定的現金券，具體地，

商家採用電腦對使用者的消費金額進行計算，將用戶的消費金額R劃分為M個區間，其中，M為整數，區間1到區間M的數值由小到大，將返回現金券的額度F也分為M個值，M個數值也由小到大進行排列;

根據電腦的計算值，判斷當用戶本次消費金額位於區間1時，返利額度為第1個值，當用戶本次消費金額位於區間2時，返利額度為第2個值，依次類推，將相應區間的返利額度返回給用戶。

該解決方案是由電腦處理使用者的消費資料，將每位用戶消費資料依消費金額大小計算出所在現金券額度區間，讓商家發放現金券。電腦處理的資料是消費者的消費數據，電腦只是運算的載體，且依消費金額發放現金券原本就可解決促進用戶消費的問題，電腦運算返利規則與解決促進用戶消費的問題間並無直接關連。換個面向來看，此案例或許可認為是僅屬於以電腦軟硬體取代人工發放現金券之態樣，因此並未解決技術問題，相較於現有的作法亦無技術效果，且電腦演算法處理資料的依據是人為設計的返利規則，未受到自然規律的約束，不符合自然規律的技術效果。因此，該發明專利申請不屬於專利法第二條第二款規定的技術方案，不屬於專利保護的客體。

【例】下一示例是一種基於用電特徵的經濟景氣指數分析方法，是藉由統計各項經濟指標和用電指標，來評估待檢測地區的經濟景氣指數。其申請的權利要求如下:

一種基於地區用電特徵的經濟景氣指數分析方法，其特徵在於，包括以下步驟：

根據待檢測地區的經濟資料和用電資料，選定待檢測地區的經濟景氣指數的初步指標，其中，所述初步指標包括經濟指標和用電指標;

通過電腦執行聚類分析方法和時差相關分析法，確定所述待檢測地區的經濟景氣指標體系，包括先行指標、一致指標和滯後指標;

根據所述待檢測地區的經濟景氣指標體系，採用合成指數計算方法，獲取所述待檢測地區的經濟景氣指數。

本示例僅是利用收集到的數據進行判斷，技術手段是利用電腦處理各種經濟指標、用電指標，且電腦執行判斷之規則(聚類分析方法和時差相關分析法)也只是依照經濟學規律採用經濟管理手段，沒有任何運用自然法則之技術思想，處理對象都是人類定義出的數值指標，所得到的結果也只是經濟景氣指數，不是符合自然規律的技術效果。因此本示例不屬於專利法第二條第二款規定的技術方案，不屬於專利保護的客體。

(四) 新穎性與創造性的審查

對於發明專利申請而言，於審查專利要件時必需要考慮權利要求中的所有技術特徵，對於技術內容包含有演算法或商業方法特徵的發明專利申請而言，於審查新穎性時也是需要考慮權利要求中的演算法或商業方法特徵及其他所有技術特徵是否都已揭露於引證案中。本次審查指南修改中並未對於包含有演算法或商業方法特徵的發明專利申請案之新穎性審查規則多加說明，其審查規則應與一般案件無異。

另，在進行創造性審查時，應當考慮與技術特徵在功能上彼此相互支持、存在相互作用關係的演算法特徵或商業規則和方法特徵對於技術方案作出的貢獻。如果演算法應用於具體的技術領域並可以解決具體技術問題，或者商務規則和方法特徵的實施需要技術手段的調整或改進，那麼可以認為該演算法特徵或商業規則和方法特徵與技術特徵功能上彼此相互支援、存在相互作用關係，在進行創造性審查時，應當考慮所述的商業規則和方法特徵對技術方案作出的貢獻。

【例】有關創造性審查的第一個示例是一種基於多感測器資訊仿人機器人跌倒狀態檢測方法。現有技術中對於仿人機器人步行時跌倒狀態的判定方式主要是利用姿態資訊或ZMP點位置(零力矩點，作用於腳底合力經過的位置點)資訊，但這樣的判斷方式判斷條件並不完整。本示例提出了基於多感測器檢測仿人機器人跌倒狀態的方法，藉由即時整合機器人的步態階段資訊、姿態資訊和ZMP點位置資訊，並利用模糊決策系統，判定機器人當前的穩定性和可控性，為機器人下一步動作提供參考，其申請的權利要求如下:

一種基於多感測器資訊仿人機器人跌倒狀態檢測方法，其特徵在於包含如下步驟：

(1)通過對姿態感測器資訊、零力矩點ZMP感測器資訊和機器人步行階段資訊進行融合，建立分層結構的感測器資訊融合模型;

(2)分別利用前後模糊決策系統和左右模糊決策系統來判定機器人在前後方向和左右方向的穩定性，具體步驟如下：

①根據機器人支撐腳和地面之間的接觸情況與離線步態規劃確定機器人步行階段;
②利用模糊推理演算法對ZMP點位置資訊進行模糊化;
③利用模糊推理演算法對機器人的俯仰角或滾動角進行模糊化;
④確定輸出隸屬函數;
⑤根據步驟①～步驟④確定模糊推理規則;
⑥去模糊化。

對比的引證1公開了仿人機器人的步態規劃與基於感測器資訊的回饋控制，並根據相關融合資訊對機器人穩定性進行判斷，其中包括根據多個感測器資訊進行仿人機器人穩定狀態評價，亦即引證1公開了發明專利申請的解決方案中的步驟(1)，本示例技術與引證1的區別在於採用步驟(2)的具體演算法的模糊決策方法。其中之模糊控制理論雖已是常見的技術，但引證1中並未揭露將模糊控制理論運用於機器人穩定狀態的判斷技術，已具有新穎性。

且本案技術是將ZMP點位置資訊進行模糊化，也對機器人的俯仰角或滾動角進行模糊化，這個演算法(模糊控制理論)則與機器人控制技術結合，在功能上彼此相互支持、存在相互作用關係，在進行創造性審查時，應當考慮演算法(模糊控制理論)對技術方案作出的貢獻。此外本案藉由演算法(模糊控制理論)的貢獻可有效地提高了機器人的穩定狀態，也提高了對其可能跌倒方向判讀的可靠性和準確率，所以相對於引證1而言是非顯而易見且具備創造性。

【例】下一示例是基於合作協進化和多種群遺傳演算法的多機器人路徑規劃系統。現有技術中，單一機器人路徑規劃較為簡單，而目前針對多數個移動機器人運動規劃控制系統通常採用集中式規劃方法，也就是以系統中的一個規劃器同時對所有機器人進行規劃，這種方式雖可降低運作成本避免規劃路徑衝突，但是缺點就是在於計算時間較長，實用性不佳。本示例發明專利是申請一種基於協作進化和多種群遺傳演算法的多數機器人路徑規劃系統。機器人的每一條路徑都採用一個染色體表示，將最短距離、順暢度、安全距離作為設計路徑適應度函數的三個目標，藉由Messy遺傳演算法對每個機器人的路徑進行優化得到最佳路徑。其申請的權利要求如下:

一種基於合作協進化和多種群遺傳演算法的多機器人路徑規劃系統，其特徵在於：

(1)機器人的一條路徑採用一個染色體表示，染色體就表示成節點的鏈表形式，即[(x，y)，time]，(x，y，time∈R)，(x，y)表示機器人的位置座標，time表示從前一個節點移動本節點需要的時間消耗，開始節點的time等於0，每個機器人個體的染色體除了初始節點的初始位置，結束節點的目標位置固定以外，中間節點和節點個數都是可變的;

(2)每個機器人Robot(i)的路徑path(j)的適應度函數表示成φ(pi，j)：
||pi，j||=Distance(pi，j)+ws×smooth(pi，j)+wt×Time(pi，j)

其中||pi，j||是距離、平滑度和時間消耗的線性組合，ws是平滑加權因數，wt是時間加權因數;Distance(pi，j)表示路徑長度，smooth(pi，j)表示路徑的平滑度，Time(pi，j)是路徑pi，j的時間消耗;每個機器人採用所述適應度函數，通過Messy遺傳演算法優化得到最優路徑。

引證1公開了一種基於合作協進化的多機器人路徑規劃方法，其中採用適應度函數，通過混沌遺傳演算法來獲得最優路徑。本示例發明專利申請的解決方案與引證1的區別在於使用了Messy遺傳演算法來實現多機器人路徑規劃。

引證2是公開了包括所述混沌遺傳演算法在內的多種遺傳演算法都可被用來進行路徑優化，同時採用了Messy遺傳演算法以解決其他演算法的弊端，以獲得更合理的優化結果。

在本示例之解決方案中，採用Messy遺傳演算法優化後得到機器人的前進路徑，該解決方案的演算法特徵與技術特徵在功能上相互支援、存在相互作用關係，實現了對機器人前進路徑的優化，所以可考慮上述的演算法和技術特徵對技術方案作出的貢獻。其中的引證1藉由特定的演算法使機器人以最佳路徑前進。引證2已經明確公開了包括所述混沌遺傳演算法在內的多種遺傳演算法都可被用來進行路徑優化，同時採用Messy遺傳演算法可以解決其他演算法的弊端，從而獲得更合理的優化結果。但基於引證2提出的教示，本領域技術人員可輕易將引證1與引證2結合以得到發明專利申請的技術方案。因此，本示例的發明技術方案相對於引證1和引證2的結合是顯而易見的，因此不具備創造性。

【例】下一示例是一種物流配送方法，在一般貨物配送過程中，為了有效提高貨物配送效率以及降低配送成本，在物流人員到達配送地點後，可以藉由伺服器向訂貨使用者終端(手機或電腦)發送通知，通知特定配送區域中的多個訂貨使用者進行提貨，達到了提高貨物配送效率以及降低配送成本的目的。其申請的權利要求如下:

一種物流配送方法，其通過批量通知使用者取件的方式來提高物流配送效率，該方法包括：

當派件員需要通知使用者取件時，派件員通過手持的物流終端向伺服器發送貨物已到達的通知;

伺服器批量通知派件員派送範圍內的所有訂貨用戶;

接收到通知的訂貨使用者根據通知資訊完成取件;

其中，伺服器進行批量通知具體實現方式為，伺服器根據物流終端發送的到貨通知中所攜帶的派件員ID、物流終端當前位置以及對應的配送範圍，確定該派件員ID所對應的、以所述物流終端的當前位置為中心的配送距離範圍內的所有目標訂單資訊，然後將通知資訊推送給所有目標訂單資訊中的訂貨使用者帳號所對應的訂貨使用者終端。

引證1公開了一種物流配送方法，其由物流終端對配送單上的條碼進行掃描，並將掃描資訊發送給伺服器以通知伺服器貨物已經到達；伺服器獲取掃描資訊中的訂貨使用者資訊，並向該訂貨用戶發出通知；接收到通知的訂貨使用者根據通知資訊完成取件。

本案的解決方案與引證1的區別在於批量通知用戶訂貨到達的步驟，為實施批量通知，本案中伺服器、物流終端和使用者終端之間的資料架構和資料通信方式均須做出了相應調整，取件通知規則和具體的批量通知實現方式在功能上彼此相互支持、存在相互作用關係。相對於引證1，本示例發明專利實際解決的技術問題是如何提高訂單到達通知效率進而提高貨物配送效率，且用戶可以更快地獲知訂貨到達情況的資訊，也提高了使用者取貨便利性。由於並無其他引證文件對上述引證1做出可批量通知用戶訂貨已到達的教示，所以該解決方案具備創造性。

【例】最後一示例是一種動態觀點演變的視覺化方法，有鑒於近年來越來越多人利用社交平臺發表他們的意見和想法,其他使用者看完後常在社交平臺上發表如點讚(讚同)或點踩(反對)等帶有情感內容的反應，藉由這些反應的數量可瞭解讀者觀點的演變,並可以由此看出事件的發展、變化和趨勢。本案發明專利申請藉由自動採集社交平臺人們發表的資訊並對其中的反應數量進行分析,並以電腦繪製情感視覺化圖形(帶色彩之長條圖或泡泡圖等)來幫助使用者更容易理解情感在不同時間的強度變化和隨時間而演變的趨勢。其申請的權利要求如下:

一種動態觀點演變的視覺化方法，所述方法包括:

步驟一，由計算設備確定所採集的資訊集合中資訊的情感隸屬度和情感分類，所述資訊的情感隸屬度表示該資訊以多大概率屬於某一情感分類;

步驟二，所述情感分類為積極、中立或消極，具體分類方法為：如果點贊的數目p除以點踩的數目q的值r大於閾值a，那麼認為該情感分類為積極，如果值r小於閾值b，那麼認為該情感分類為消極，如果值b≤r≤a,那麼情感分類為中立，其中a>b;

步驟三，基於所述資訊的情感分類，自動建立所述資訊集合的情感視覺化圖形的幾何佈局，以橫軸表示資訊產生的時間，以縱軸表示屬於各情感分類的資訊的數量;

步驟四，所述計算設備基於所述資訊的情感隸屬度對所建立的幾何佈局進行著色，按照資訊顏色的漸變順序為各情感分類層上的資訊著色。

引證1公開了一種基於情感的視覺化分析方法，其中時間被表示為一條水準軸，每條色帶在不同時間的寬度代表一種情感在該時間的度量，用不同的色帶代表不同的情感。

發明專利申請的解決方案與引證1的區別在於步驟二中設定了一種新的情感的具體分類規則，而將分類規則後的對應數據資料進行著色處理的技術手段是幾乎相同的，也無需因分類規則的改變而改變著色處理的技術手段，亦即上述情感分類規則與具體的視覺化手段在功能上無技術上的關聯性，沒有彼此相互支持、存在相互作用關係。因此本案與引證1相比較，差異僅在於情感分類的規則的不同，不同的情感分類規則並不能幫助使用者更佳地瞭解、掌握情感強度變化和演變趨勢，未帶來更好的技術效果，沒有實際解決任何技術問題，也沒有針對現有技術作出技術貢獻。因此，要求保護的發明技術方案相對於引證1不具備創造性。

(五) 說明書及權利要求書的撰寫

對於所有的發明專利申請案而言，說明書內容都應當清楚並完整地描述發明所需解決的技術問題，以及所採用的技術手段，但對於包含演算法特徵或商業規則和方法特徵的發明專利申請說明書更需進一步說明演算法特徵或商業規則和方法特徵與技術特徵功能上彼此相互支援、存在相互作用關係，以及存在相互作用關係的演算法特徵或商務規則和方法特徵如何與技術特徵共同作用並且產生有益效果。

包含演算法特徵時應當將抽象的演算法與具體的技術領域結合，說明演算法中至少一個輸入參數是與技術領域中的具體技術資料有相對關聯性，例如先前所述「建立數學模型的發法」即因未提到任何具體的應用領域，而被認定屬於專利法第二十五條第一款第二項規定的智力活動的規則和方法。包含商務規則和方法特徵時，應當對解決技術問題的整個過程進行詳細描述和說明，使得所屬技術領域的技術人員按照說明書記載的內容，能夠實現該發明的解決方案，例如物流配送方法中，應當詳細說明該批量通知的特徵與伺服器、物流終端和使用者終端之間的資料架構和資料通信流程的詳細步驟。在說明發明與現有技術相比所具有的有益效果時，需說明有益效果是如何由構成發明的技術特徵，以及與演算法特徵或商業規則和方法特徵共同產生，例如共用單車的使用方法中，說明如何藉由使用者手持電信設備的位置資訊和共用單車的使用狀態資訊，讓使用者可以快速找到可用的共用單車，又可引導使用者至適當方便的位置停車，方便共用單車的使用和管理，節省使用者的時間，提升便利性。而權利要求應當記載技術特徵以及與技術特徵功能上彼此相互支援、存在相互作用關係的演算法特徵或商業規則和方法特徵。

三、結論

經由本次審查指南增修內容，可瞭解對於含有演算法特徵或商業規則和方法特徵的發明專利，其審查過程的順序與內容如下:

藉由本次審查指南增修內容之說明，不僅希望專利申請人能瞭解有關涉及智力活動的規則和方法特徵的審查步驟，於上述技術申請專利過程中，也希望專利申請人能進一步瞭解說明書與權利要求需詳細說明演算法特徵或商業規則和方法特徵與技術特徵功能上彼此相互支援、存在相互作用關係，以及說明存在相互作用關係的演算法特徵或商業規則和方法特徵如何與技術特徵共同作用並且產生有益效果，讓發明人可正確把握發明的所有技術特徵與貢獻效果，同時也可提升官方審查品質與效率，幫助新興技術產業發展。