对比文件名称：2010-08-12_US2010205061A_发明申请_US20100205061A1 INCENTIVE MARKETING WITH A CONTEXT-ENRICHED MESSAGE
目标专利名称：363在语义上融合上下文推断CN104823433B
本次调用的模型名称：deepseek-chat
### 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**：所述方法包括：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》** | [0020] “The mobile devices 102, 106, 128, 130 may include context sensors... Context information of the mobile devices 102 and 106 may be converted into and quantified as context data by the various hardware, software and/or firmware systems of the mobile devices 102 and 106.”<br>（移动设备102、106、128、130可以包括上下文传感器... 移动设备102和106的上下文信息可以通过移动设备102和106的各种硬件、软件和/或固件系统转换并量化为上下文数据。）<br>[0025] “... the classifier(s) may be used to automatically learn and perform a number of functions, including but not limited to determining, according to a predetermined criteria, such as where a mobile device (such as mobile devices 102, 106) is located, where the mobile device is going, what action a user is performing with the mobile device, what action a user is going to perform with the mobile device, the present context of the mobile device, a predicted future context of the mobile device and/or a higher-order context data, etc.”<br>（...分类器可用于自动学习并执行若干功能，包括但不限于根据预定标准确定，例如移动设备（如移动设备102、106）位于何处、移动设备要去往何处、用户正在使用移动设备执行什么动作、用户将要使用移动设备执行什么动作、移动设备的当前上下文、移动设备的预测未来上下文和/或高阶上下文数据等。） | 对比文件公开了移动设备包含上下文传感器（数据源），并且这些传感器提供的信息被转换为上下文数据（上下文相关数据）。对比文件还公开了使用分类器来自动确定移动设备的上下文，例如其位置、用户正在执行的动作等。这些由分类器确定的“位置”、“动作”等，即对应于目标专利中的“上下文类别”。虽然对比文件的主要目的是为激励营销关联广告，但其确定上下文数据（或类别）的过程是公开的。本领域技术人员能够从对比文件中毫无疑义地得出，可以使用来自移动设备数据源的上下文相关数据来确定一个上下文类别（如位置、动作状态）。因此，技术特征A被对比文件隐含公开。 |
| **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》** | 无相关原文引用。 | 对比文件公开了确定移动设备的上下文（例如位置、动作），并利用这些上下文数据来关联消息组件或选择广告。然而，对比文件完全没有涉及将两个不同的上下文类别进行“融合”以生成一个新的“融合类别”的概念。其上下文数据的使用是直接用于关联或选择，而不是通过融合多个类别来创建一个语义上更广泛的、囊括原始类别共性的新类别。因此，技术特征B既未被直接公开，也未被隐含公开。 |
| **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》** | 无相关原文引用。 | 由于对比文件根本没有公开“融合类别”这一概念，因此自然也未能公开融合类别与两个原始上下文类别之间的共性关联关系。技术特征C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》** | 无相关原文引用。 | 对比文件未公开任何关于“融合类别”的概念，更未公开该融合类别在语义范围上比其来源的原始类别更广。例如，对比文件未公开类似“静止”（比“坐”和“站立”更广）或“乘车运动”（比“驾驶”、“公交”、“地铁”更广）这样的类别。技术特征D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》** | 无相关原文引用。 | 对比文件未公开具有“在语义上囊封”原始类别标签的融合类别标签。技术特征E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》** | [0025] “... the classifier(s) may be used to automatically learn and perform a number of functions, including but not limited to determining, according to a predetermined criteria, such as where a mobile device ... is located, ... the present context of the mobile device...” | 对比文件公开了使用分类器来确定移动设备的上下文（即，进行初始分类）。分类器在确定上下文（分类）的过程中，必然会生成或关联某些信息，例如其判断所依据的特征向量、概率分布等。虽然对比文件未明确使用“获得与初始分类相关联的信息”这一表述，但本领域技术人员可以理解，分类器的输出（即其确定的上下文）本身就蕴含着与其分类决策相关的信息。获得分类结果即是获得与初始分类相关联的信息的一种表现。因此，技术特征F被对比文件隐含公开。 |
| **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>**《直接公开》** | [0025] “A classifier is a function that maps an input attribute vector, x=(x1, x2, x3, x4, xn), to a confidence that the input belongs to a class, such as the f(x)=confidence(class).”<br>（分类器是一种将输入属性向量x=(x1, x2, x3, x4, xn)映射到输入属于某个类别的置信度的函数，例如f(x)=confidence(类别)。） | 对比文件明确公开了分类器可以输出一个“置信度(confidence)”，该置信度值直接与分类（即初始分类）相关联。这完全对应于目标专利中“获得与初始分类相关联的置信度值”的技术特征。因此，技术特征G被对比文件直接公开。 |
| **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》** | 无相关原文引用。 | 对比文件虽然公开了分类器可以输出置信度，但未公开基于该置信度值（特别是当其等于或低于某个阈值时）来触发或执行“确定融合类别”这一操作。对比文件中置信度的用途未涉及上下文类别的融合。技术特征H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>**《隐含公开》** | [0025] “... the classifier(s) may be used to automatically learn and perform a number of functions, including but not limited to determining, according to a predetermined criteria, such as where a mobile device ... is located, ... the present context of the mobile device, a predicted future context of the mobile device and/or a higher-order context data, etc.”<br>[0025] “The context manager may also utilize these machine-learning systems in voice and sound recognition operations as well.”<br>（上下文管理器也可以将这些机器学习系统用于语音和声音识别操作。） | 对比文件公开了使用机器学习分类器来确定上下文，并且提到了分类器可以用于语音识别等。分类器的“可操作性质”可以理解为分类器在特定类型数据（如音频、位置）上的已知行为、性能特征或常见混淆模式。虽然对比文件没有明确使用“可操作性质”这一术语，但本领域技术人员可以理解，在使用一个分类器时，了解其在不同场景下的行为（例如，对某些类别容易混淆）是其固有属性，识别这些属性是有效使用分类器的常规部分。因此，从对比文件公开的使用分类器确定上下文的技术方案中，可以隐含推导出“识别初始分类的可操作性质”这一步骤。技术特征I被隐含公开。 |
| **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》** | 无相关原文引用。 | 对比文件未公开“融合类别”的概念，因此更不可能公开基于初始分类的可操作性质来确定融合类别。技术特征J未被公开。 |
| **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》** | 无相关原文引用。 | 对比文件公开了可以确定移动设备的“当前上下文(present context)”和“预测未来上下文(predicted future context)”，但这描述的是分类器的推断能力，并非明确公开使用不同时间点的两批上下文相关数据分别确定两个不同的上下文类别，并基于这两个类别来确定一个融合类别。目标专利中该特征强调的是跨时间的数据融合以增强推断，对比文件未涉及此概念。技术特征K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》** | [0025] “... the classifier(s) may be used to automatically learn and perform a number of functions, including but not limited to determining, according to a predetermined criteria, such as where a mobile device (such as mobile devices 102, 106) is located, where the mobile device is going, what action a user is performing with the mobile device...” | 对比文件公开了分类器可以根据预定标准确定移动设备的位置、去向、用户执行的动作等。这些“位置”、“动作”等实质上就是“预定的可用上下文类别”。分类器进行确定（determining）的过程，必然是从其训练或设计所针对的多个可能类别中，为当前输入选择一个最可能的类别。因此，本领域技术人员可以毫无疑义地从对比文件得出，确定上下文类别包括从多个预定的可用类别中进行选择。技术特征L被对比文件隐含公开。 |
| **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》** | 无相关原文引用。 | 对比文件未公开任何“融合类别”的概念，因此自然也谈不上从预定的可用融合类别中进行选择。技术特征M未被公开。 |
<<<G>>><<<a>>><<<f>>><<<i>>><<<l>>>