对比文件的名称：2004-05-27_US2004103371A_发明申请_US20040103371A1 Small form factor web browsing和目标专利的名称：963浏览建模的方法和装置CN102473189B以及本次调用的模型名称：当前高级语义分析模型。
### 特征比对表格
| 技术特征描述以及公开性判断结果 | 对比文件原文引用（翻译后，标明段落标号） | 公开性论述 |
| **技术特征A：收集与导航行为相对应的数据**<br>《直接公开》 | [0094] A: “如果用户经常遵循特定路径或总是想查看网页的特定子页（例如，www.MSN.com主页上的股票报价），则可以通过被动学习算法获取此类知识。”<br>[0096] “在小外形设备上，浏览器软件可以被动地跟踪用户的浏览行为，以了解用户的兴趣。” | 对比文件明确公开了通过被动学习算法“获取”用户浏览行为的知识（[0094]），以及“跟踪”用户的浏览行为（[0096]）。这实质上是收集与导航行为相关的数据，其作用与目标专利相同，均为后续进行用户兴趣学习和行为预测提供基础数据。 |
| **技术特征B：所述导航行为涉及对浏览器应用的页面进行导航**<br>《直接公开》 | [0094] A: “如果用户经常遵循特定路径或总是想查看网页的特定子页...下次当用户再次浏览同一主页时...”<br>[0096] “当浏览时，浏览器软件将优先显示一个或多个子页...” | 对比文件全文语境均围绕用户通过浏览器应用（如针对小外形设备的浏览器，参见[0019]发明背景）对网页进行导航展开，明确提及“浏览同一主页”、“遵循路径”等，导航行为本身就是对浏览器页面的访问与切换。 |
| **技术特征C：其中所述数据包括计时数据**<br>《隐含公开》 | [0094] A: “如果用户经常遵循特定路径或总是想查看网页的特定子页...”<br>[0020] “可分析用户对网页和特定网页的历史浏览习惯，以优先显示用户将看到的第一个子页。” | 对比文件未明确列出“计时数据”字段，但其公开的“遵循特定路径”和“历史浏览习惯”的分析，必然隐含地要求记录用户行为的时间顺序。要推断用户“总是想看”某个子页的“习惯”以及所遵循的“路径”，必须采集行为发生的时间信息（如访问子页的顺序与时间点），因此计时数据是隐含存在的。 |
| **技术特征D：所述计时数据与在导航期间何时显示所述页面内的区域相对应**<br>《隐含公开》 | [0094] A: “总是想查看网页的特定子页（例如，股票报价）...下次当用户再次浏览同一主页时，浏览器将被训练成立即从该子页开始。”<br>[0096] “浏览器软件将引导显示推导出的最重要的子页。” | 对比文件的被动学习算法依据用户历史行为来预测用户在导航期间“立即”想看的子页。这种预测的准确性依赖于对用户过去在导航期间“在什么时刻/情境下”选择了哪个区域（子页）的数据的采集，这是计时数据（何时显示区域）的必然应用场景。本领域技术人员可以合理推断出该对应关系。 |
| **技术特征E：启动对所述数据的存储**<br>《直接公开》 | [0068] “分析完成后，可以将结果存储起来以备将来使用。”<br>[0020] “可分析用户对网页和特定网页的历史浏览习惯...” | 对比文件明确提及将分析结果（包括用户浏览习惯数据）进行存储，这与目标专利“启动对所述数据的存储”的技术方案完全一致。 |
| **技术特征F：基于所述数据生成预测模型**<br>《直接公开》 | [0094] A: “可以通过被动学习算法获取此类知识...下次当用户再次浏览同一主页时，浏览器将被训练成立即从该子页开始。” | 对比文件公开了通过“被动学习算法”处理用户浏览数据，从而形成预测能力，使得“浏览器被训练成”可以预测用户意图。该算法产出的“训练”结果实质上即是目标专利所述的“预测模型”。 |
| **技术特征G：执行所述预测模型以便基于所存储的数据来预测所述浏览器应用的另一页面或所述页面内的所述区域。**<br>《直接公开》 | [0094] A: “然后，下次当用户再次浏览同一主页时，浏览器将被训练成立即从该子页开始。”<br>[0096] “浏览器软件将优先显示一个或多个子页...然后，浏览器软件将引导显示推导出的最重要的子页。” | 对比文件公开了浏览器在“被训练”（生成模型）后，执行该学习结果（预测模型），以预测用户想要立即看到的“子页”（即页面内的区域）。这与目标专利执行模型预测区域的技术方案完全相同。 |
| **技术特征H：其中所述数据进一步包括：页面结构数据，其与所述页面的布局相对应**<br>《直接公开》 | [0029] “一个网页，特别是为桌面PC设计的较大网页，可以逻辑地划分为多个区域...”<br>[0030] “分析网页的标记语言标签树可以提供足够的信息来检测网页的高级结构或区域。”<br>[0067] “获取和存储网页结构。” | 对比文件极其详尽地公开了如何通过分析网页的标记语言标签树（如HTML树）来获取与页面布局相对应的“高级结构”和“低级结构”数据。 |
| **技术特征I：页面查看区域数据，其将所述页面内的所述区域与所述页面结构数据进行相关。**<br>《直接公开》 | [0020] “创建一个图像索引页面...索引页面上标记有子页（由分割出的区域构成）...分析用户的历史浏览习惯...以优先显示用户将看到的第一个子页。”<br>[0071] “将大网页分割成较小的子页...以适应小屏幕。” | 对比文件的索引页面明确将用户可点击查看的区域（基于页面结构分割出的子页）进行了标记和学习。浏览器根据用户习惯，优先将特定的结构子页呈现在查看区域中，这实质上是将“查看区域”与“页面结构区域”进行了明确的相关映射。 |
| **技术特征J：其进一步包括：接收对所述另一页面的请求**<br>《直接公开》 | [0025] “请求者200在块202处请求一个网页...提供者250在块206处接收对网页的请求。”<br>[0027] “如果用户输入了对特定子页的请求...该请求被传输到提供者250。” | 对比文件的方法流程明确包含接收对网页（[0025]）及特定子页（[0027]）的请求的步骤。 |
| **技术特征K：确定出所述另一页面和所述数据包括在预定门限内类似的页面结构。**<br>《直接公开》 | [0069] “对于一组具有相同结构模板的网页，可以为该组网页中的每个页面使用单个结构文件。” | 对比文件公开了当新页面与先前分析的页面具有“相同结构模板”时，可以复用之前的分析结果。这与目标专利中确定页面结构在“预定门限”内类似从而应用模型或数据的技术方案思路完全一致，属于等同公开。 |
| **技术特征L：其中，所述页面结构数据对应于文档对象模型格式。**<br>《直接公开》 | [0030] “例如，网页的超文本标记语言（HTML）标签树可用于检测其高级区域。”<br>[0062] “收集所有基本节点...即HTML文档对象模型（DOM）树中的所有原子节点。” | 对比文件明确使用HTML标签树和HTML DOM树来表征和分析页面结构数据。 |
| **技术特征M：其中，所述模型定期地或者当收集了预定门限量的所述数据时被更新。**<br>《隐含公开》 | [0094] A: “可以通过被动学习算法获取此类知识...”<br>（被动学习算法的本质暗示了随着新数据的积累进行模型更新） | 对比文件采用了“被动学习算法”，本领域技术人员熟知，该类算法必须随着新浏览数据的获取而更新模型以保持预测准确性。尽管对比文件未明确写明更新的具体触发机制，但“定期更新”或“在数据量积累到一定门限时更新”属于实施被动学习算法时，为避免资源浪费或模型过时，可以合理推断并选择的常规技术手段。 |
### 公开性判断代码汇总
根据上述严谨比对，对比文件对各项技术特征的公开性判断代码汇总如下：
**直接公开：**
<<<A>>><<<B>>><<<E>>><<<F>>><<<G>>><<<H>>><<<I>>><<<J>>><<<K>>><<<L>>>
**隐含公开：**
<<<c>>><<<d>>><<<m>>>