对比文件名称：2008-10-09_US2008249968A_发明申请_US20080249968A1 Adaptive computer-based personalities
目标专利名称：363在语义上融合上下文推断CN104823433B
模型名称：DeepSeek
### 特征比对表格
| 技术特征描述及公开性判断结果 | 对比文件原文引用 | 公开性论述 |
| **技术特征A**：在计算装置处使用来自与移动装置相关联的至少一个数据源的上下文相关数据确定第一上下文类别<br>**《隐含公开》** | [0088] “Physical location behaviors identify physical location and mobility behaviors of users. The location of a user may be inferred from, for example, information associated with a Global Positioning System or any other positionally or locationally aware system or device...Environmental conditions may include the time of day, the weather, lighting levels, sound levels, and any other condition of the environment around the one or more users 200.” （物理位置行为识别用户的物理位置和移动行为。用户的位置可以从例如与全球定位系统或任何其他位置感知系统或设备相关联的信息中推断出来……环境条件可以包括一天中的时间、天气、光照水平、声音水平以及一个或多个用户200周围环境的任何其他条件。）<br>[0088] “A first category of process usage behaviors 920 is known as system navigation and access behaviors. System navigation and access behaviors include usage behaviors 920 such as accesses to, and interactions with computer-based applications and content such as documents, Web pages, images, videos, TV channels, audio, radio channels, multi-media, interactive content, interactive computer applications, e-commerce applications, or any other type of information item or system ‘object.’” （第一类过程使用行为920被称为系统导航和访问行为。系统导航和访问行为包括使用行为920，例如对计算机应用和内容（如文档、网页、图像、视频、电视频道、音频、广播频道、多媒体、交互式内容、交互式计算机应用、电子商务应用或任何其他类型的信息项或系统“对象”）的访问和交互。） | 根据目标专利说明书，上下文相关数据可以来自音频传感器、位置传感器、运动传感器等多种数据源（见[0029]），用于确定如“行走”、“坐”、“in_office”等上下文类别（见[0032]）。对比文件公开了从多种数据源（如GPS、环境传感器、系统交互日志）收集用户行为和环境数据（上下文相关数据），并基于这些数据推断用户的偏好、兴趣或状态（例如，物理位置、环境条件、访问行为）。虽然对比文件没有明确使用“第一上下文类别”这一术语，但其描述的“推断用户位置”、“评估环境条件”、“识别用户兴趣”等过程，实质上是在使用上下文相关数据进行一种状态或类别的确定。本领域技术人员可以从对比文件公开的“基于行为数据推断用户偏好/状态”这一内容，合理推断出“确定第一上下文类别”这一技术特征。因此，该特征被**隐含公开**。 |
| **技术特征B**：在所述移动装置处至少部分通过融合所述第一上下文类别及不同于所述第一上下文类别的第二上下文类别来确定融合类别，<br>**《未公开》** | [0180]-[0182] 描述了基于语法结构和短语频率分布生成自适应通信（包括推荐解释）的过程，以及根据用户行为更新短语频率分布。 | 目标专利的核心在于“融合”两个不同的上下文类别（如“坐”和“站立”）以产生一个新的“融合类别”（如“静止”）（见[0032]）。对比文件详细描述了基于用户行为数据生成自适应通信（例如推荐解释）的过程，该过程涉及根据语法模板从短语数组中选择和组合短语（见[0172]-[0175]），并根据用户反馈调整短语的选择概率（见[0181]）。然而，对比文件的自适应通信生成是基于对用户行为的多维度评估（如编辑评分、流行度、影响力等，见[0151]）来组装解释性文本，其目的是解释推荐理由或构建个性化通信，而非将两个已确定的、不同的上下文类别（如第一上下文类别和第二上下文类别）进行语义融合以产生一个范围更广的新类别。对比文件没有公开“融合两个不同的上下文类别”这一特定操作。因此，该特征**未被公开**。 |
| **技术特征C**：所述融合类别与所述第一上下文类别及所述第二上下文类别所共有的至少一个特性相关联，<br>**《未公开》** | 无直接对应描述。 | 目标专利中，融合类别与所融合的多个上下文类别共有的特性相关联，例如“静止”与“坐”和“站立”共有的“不移动”特性相关联（见[0032]）。对比文件未描述所生成的自适应通信（或其中的任何“类别”）与两个或多个不同输入类别（这些类别本身是已确定的上下文状态）之间的“共有特性”关联关系。因此，该特征**未被公开**。 |
| **技术特征D**：其中所述融合类别比所述第一上下文类别及所述第二上下文类别中的每一者范围广。<br>**《未公开》** | 无直接对应描述。 | 目标专利明确限定融合类别在语义上比被融合的单个类别范围更广，例如“静止”比“坐”或“站立”范围更广（见权利要求及[0032]）。对比文件生成的自适应通信或推荐解释，是描述性的短语组合，并非一个在语义层级上比其构成来源（多个特定上下文类别）更广泛的、新的类别实体。因此，该特征**未被公开**。 |
| **技术特征E**：其中所述融合类别具有相关联的标签，其在语义上囊封所述第一上下文类别的标签及所述第二上下文类别的标签。<br>**《未公开》** | 无直接对应描述。 | 目标专利强调融合类别的标签在语义上“囊封”了被融合类别的标签，这是其“语义融合”的核心体现（见[0022]）。对比文件中的自适应通信是由短语组装而成的句子，其目的是传达信息或解释，这些句子本身并不是一个具有“标签”的“类别”，且该句子的含义并非旨在语义上囊封两个其他类别标签。因此，该特征**未被公开**。 |
| **技术特征F**：其进一步包括获得与初始分类相关联的用以确定所述第一上下文类别的信息。<br>**《隐含公开》** | [0088] “The one or more computer-based systems 925 tracks and stores user key strokes and mouse clicks, for example, as well as the time period in which these interactions occurred (e.g., timestamps), as captured usage information 202. From this captured usage information 202, the one or more computer-based systems 925 identifies usage behaviors 270 of the one or more users...” （一个或多个基于计算机的系统925跟踪并存储例如用户击键和鼠标点击，以及这些交互发生的时间段（例如，时间戳），作为捕获的使用信息202。从这个捕获的使用信息202中，一个或多个基于计算机的系统925识别一个或多个用户的使用行为270…） | 目标专利中，“获得与初始分类相关联的信息”可以是获得置信度值或识别分类器的可操作性质（见[0003]）。对比文件详细描述了捕获用户原始交互数据（如击键、点击、时间戳），并从这些数据中识别出具体的使用行为（见[0088]）。这些捕获的原始数据和使用行为识别结果，正是用于后续推断用户偏好或状态（相当于确定上下文类别）的“信息”。本领域技术人员可以理解，要推断用户状态（分类），首先需要获得相关的原始数据和行为信息。因此，该特征被**隐含公开**。 |
| **技术特征G**：其中获得与所述初始分类相关联的所述信息包括获得与所述初始分类相关联的置信度值。<br>**《隐含公开》** | [0156] “The scores of the one or more recommended objects may also be used by the computer-based system 925 to provide to the recommendation recipient a sense of confidence in the recommendation. Higher scores would warrant more confidence in the recommendation of an object than would lower scores.” （一个或多个推荐对象的分数也可由基于计算机的系统925用于向推荐接收者提供对推荐的信心感。较高的分数比较低的分数更能保证对对象推荐的信心。） | 目标专利中，置信度值用于评估分类决策的可信度，低置信度可能触发融合操作（见[0033]）。对比文件在推荐对象的排名过程中会计算“分数”（scores），并明确指出该分数用于向用户传达对推荐的“信心”（confidence）。分数的高低直接对应信心的高低。在分类或推荐系统中，“分数”或“置信度”是衡量决策确定性的常见手段。本领域技术人员可以合理地将对比文件中的“分数”视为一种“置信度值”。因此，该特征被**隐含公开**。 |
| **技术特征H**：其中确定所述融合类别是响应于所述置信度值等于或低于阈值而执行。<br>**《未公开》** | 无直接对应描述。 | 目标专利明确将融合类别的确定与低置信度值（等于或低于阈值）这一条件响应性地关联（见[0003]）。对比文件虽然使用分数（可视为置信度）对推荐对象进行排名和选择（见[0156]），但并未公开因为某个分类或推断的置信度“低”于某个阈值，而触发生成一个全新的、更广泛的“融合类别”这一机制。对比文件中的自适应通信生成是基于多因素排名和短语概率选择，并非由低置信度条件直接触发产生语义上更广泛的类别。因此，该特征**未被公开**。 |
| **技术特征I**：其中获得与所述初始分类相关联的所述信息包括识别所述初始分类的可操作性质。<br>**《未公开》** | 无直接对应描述。 | 目标专利中的“可操作性质”特指分类器本身的行为特性，例如已知分类器容易混淆“坐”与“站立”（见[0046]）。对比文件描述了基于用户行为数据推断偏好，以及基于多因素（如评分、流行度）生成推荐和解释，但并未提及或识别任何底层分类器或推断过程的“可操作性质”。因此，该特征**未被公开**。 |
| **技术特征J**：其中确定所述融合类别是基于所述初始分类的所述可操作性质。<br>**《未公开》** | 无直接对应描述。 | 由于技术特征I（识别可操作性质）未被对比文件公开，因此基于该可操作性质来确定融合类别的技术特征J自然也未被公开。目标专利中此特征用于利用分类器的已知混淆特性来指导融合（见[0046]），对比文件无相关内容。 |
| **技术特征K**：其中所述上下文相关数据为与第一时间相关联的第一上下文相关数据，所述方法进一步包括使用与在所述第一时间之后的第二时间相关联的第二上下文相关数据确定所述第二上下文类别，且其中确定所述融合类别是基于所述第一上下文类别及所述第二上下文类别。<br>**《未公开》** | [0100] “The temporal patterns may include historical patterns, including how recently an element, object or item of content associated with one or more computer-based systems 925...temporal pattern that may be tracked...is the duration associated with the access or interaction...trends over time of the behavior patterns may be captured...” （时间模式可以包括历史模式，包括与一个或多个基于计算机的系统925相关联的元素、对象或内容项有多新近…可能被跟踪的时间模式…是与访问或交互相关的持续时间…可以捕获行为模式随时间变化的趋势…） | 目标专利此特征强调了在时间维度上融合不同时间点的上下文类别（见[0003]，[0037]）。对比文件确实会跟踪和利用用户行为随时间变化的模式、持续时间和趋势（见[0100]），用于推断用户兴趣。然而，对比文件并未描述使用不同时间点的数据分别确定两个不同的“上下文类别”（第一上下文类别和第二上下文类别），然后再基于这两个类别来确定一个“融合类别”。其时间分析是用于增强兴趣推断的持续性或识别趋势，而非用于跨时间点融合不同的语义类别。因此，该特征**未被公开**。 |
| **技术特征L**：其中确定所述第一上下文类别包括从多个预定的可用上下文类别中选择所述第一上下文类别。<br>**《隐含公开》** | [0102]-[0133] 描述了基于用户行为计算成员-主题亲和向量（MTAV），该向量反映了成员对多个可访问主题（Topic）的相对亲和度。主题可以视为预定的兴趣或内容类别。 | 目标专利中，上下文类别（如“行走”、“坐”、“in_office”）是从一组预定的类别中选择的（见[0003]）。对比文件通过分析用户行为，计算用户对多个预定义“主题”（Topic）的亲和度向量（MTAV）（见[0104]）。这里的“主题”是系统预定义的、可供用户访问的兴趣或内容类别。推断用户对某个主题的兴趣，实质上相当于从这组预定的主题（类别）中“选择”出与用户当前状态相关的类别。本领域技术人员可以合理推断出这一过程。因此，该特征被**隐含公开**。 |
| **技术特征M**：其中确定所述融合类别包括从多个预定的可用融合类别中选择所述融合类别。<br>**《未公开》** | [0172]-[0175], [0180] 描述了从预定义的短语数组（phrase arrays）中选择短语来组装自适应通信。 | 目标专利中，融合类别（如“静止”、“vehicular_motion”）也是从一个预定的集合中选择的（见[0003]）。对比文件在生成自适应通信时，是从预定的“短语数组”中选择短语来组装句子（见[0172]）。然而，“短语数组”是用于构建通信文本的词汇库，而“融合类别”是语义上封装了多个其他类别的新类别实体，两者性质不同。对比文件没有公开存在一个预定义的“融合类别”集合供选择。因此，该特征**未被公开**。 |
<<<a>>><<<f>>><<<g>>><<<l>>>