对比文件名称：2010-09-30_US2010250196A_发明申请_US20100250196A1 COGNITIVE AGENT
目标专利名称：363在语义上融合上下文推断CN104823433B
本次调用模型名称：DeepSeek-R1
| 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 |
| **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《直接公开》 | [0019] “As used herein, the term ‘inference’ refers generally to the process of reasoning about or inferring states of the system, environment, and/or user from a set of observations as captured through events, sensors, and/or data.” | 对比文件明确公开了“推理”是指通过事件、传感器和/或数据捕获的一组观察结果，来推理或推断系统、环境和/或用户的状态的过程。这直接对应于在计算装置处，使用来自传感器等数据源的上下文相关数据来确定（推断）一个状态（即上下文类别）。因此，技术特征A被直接公开。 |
| **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《隐含公开》 | [0019] “Such inference results in the construction of new events or actions from a set of observed events and/or stored event data, whether or not the events are correlated in close temporal proximity, and whether the events and data come from one or several event and data sources. Various classification schemes and/or systems (e.g., support vector machines, neural networks, logic-centric production systems, Bayesian belief networks, fuzzy logic, data fusion engines, and so on) can be employed in connection with performing automatic and/or inferred action...” | 对比文件公开了推理可以从一组观察到的事件构建新的事件，并且可以运用包括“数据融合引擎”在内的多种分类方案。虽然未明确记载“融合第一和第二上下文类别”的步骤，但本领域技术人员基于对比文件公开的“从一组事件构建新事件”以及使用“数据融合引擎”进行推理的内容，可以合理推断出，为了构建新的、更高级别的事件或类别，可能需要融合多个来自不同数据源或不同时间推断出的基础事件或状态（即第一、第二上下文类别）。因此，技术特征B被隐含公开。 |
| **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《隐含公开》 | [0019] “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...” [0071] “The SVM operates by finding a hypersurface in the space of possible inputs, which hypersurface attempts to split the triggering criteria from the non-triggering events.” | 对比文件公开了分类器（如SVM）的功能是将输入属性向量映射到属于某个类别的置信度。SVM通过在高维空间中找到分离超平面来实现分类，该超平面基于输入属性的组合特征来区分不同类别。本领域技术人员可以理解，当通过融合多个基础类别（如第一、第二上下文类别）来构建一个新类别（融合类别）时，这个新类别所代表的语义概念必然与那些触发它的基础类别在某些更高层次、更抽象的特性上相关联或共有。例如，从“行走”和“跑步”融合出“行人运动”，其共有特性是“由人产生的移动”。因此，技术特征C被隐含公开。 |
| **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《隐含公开》 | [0019] “Such inference results in the construction of new events or actions from a set of observed events...” [0067] “Cognitive agent component can accumulate data or perform other actions that are a result of anticipation of the user's future actions.” | 对比文件公开了推理可以从一组观察到的事件“构建新的事件”。构建新的事件意味着生成一个在语义上可能涵盖或概括原始观察事件的更高级别表示。此外，认知代理可以积累数据或执行其他操作，这暗示了可能从具体、细粒度的观察中归纳出更广泛、更通用的意图或上下文。本领域技术人员可以合理推断，这种“构建”出的新事件或类别，其语义范围通常比触发它的各个具体事件或类别更广泛、更抽象。因此，技术特征D被隐含公开。 |
| **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《未公开》 | 无 | 对比文件虽然提到了构建新事件和使用分类器，但完全没有涉及为这些新构建的类别或事件“分配标签”，更没有涉及该标签在“语义上囊封”原始类别标签这一特定概念。目标专利强调的“语义上囊封”是其实质创新点之一，对比文件未给出任何相关教导或启示。因此，技术特征E既未被直接公开，也未被隐含公开。 |
| **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《直接公开》 | [0071] “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, that is, f(x)=confidence(class).” | 对比文件明确公开了分类器是将输入属性向量映射到属于某个类别的“置信度”。这个“置信度”正是与初始分类（即分类器输出的类别）相关联的信息，并且该信息可以用于后续的决策或处理（例如，判断分类是否可靠）。因此，获得与初始分类相关的信息（如置信度）这一特征被直接公开。 |
| **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《直接公开》 | [0071] “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, that is, f(x)=confidence(class).” | 同上。对比文件明确将分类器的输出定义为“confidence(class)”，即类别的置信度值。因此，技术特征G被直接公开。 |
| **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《未公开》 | 无 | 对比文件公开了分类器会输出置信度值，但完全没有提及基于该置信度值是否“等于或低于某个阈值”来触发或执行一个“确定融合类别”的特定操作。这是目标专利中控制融合分类器启动的特定条件，对比文件未公开。因此，技术特征H未被公开。 |
| **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《未公开》 | 无 | 对比文件没有提及“初始分类的可操作性质”这一概念。目标专利中“可操作性质”指的是分类器在区分某些类别时已知的困难或混淆倾向（例如，已知某分类器容易混淆“坐”和“站立”），这是用于指导融合决策的特定元信息。对比文件未涉及此类信息。因此，技术特征I未被公开。 |
| **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《未公开》 | 无 | 由于对比文件未公开“可操作性质”（特征I），自然也不可能公开基于此性质来确定融合类别。因此，技术特征J未被公开。 |
| **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《未公开》 | [0019] “...whether or not the events are correlated in close temporal proximity...” [0042] “Cognitive agent component can accumulate data or perform other actions that are a result of anticipation of the user's future actions.” | 对比文件提到事件在时间上是否接近，并且认知代理可以积累数据以预测未来行动。这暗示了可能考虑不同时间点的数据。然而，这些描述非常笼统，并未明确公开一个清晰的、包含两个明确时间点（第一时间、第二时间）、使用对应数据分别确定两个不同上下文类别（第一、第二上下文类别），并基于这两个类别来确定融合类别的技术方案。目标专利的这一特征体现了在时间维度上进行语义融合的具体方法，对比文件未达到公开该具体方案的程度。因此，技术特征K未被公开。 |
| **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《隐含公开》 | [0071] “Such classification can employ a probabilistic and/or statistical-based analysis (e.g., factoring into the analysis utilities and costs) to prognose or infer an action that a user desires to be automatically performed. In the case of requests, for example, attributes can be common requests, a combination of requests, a pattern of requests, and the classes are applications or functions that need to be utilized to satisfy the request.” | 对比文件描述了分类器将输入映射到类别，并且提到了“类别（classes）”是满足请求所需的应用或功能。这表明分类器的输出是从一个预定义的类别集合（例如，各种应用或功能）中选择出来的。本领域技术人员可以毫无疑义地理解，任何有监督的分类器都是在训练阶段定义好一组目标类别，并在推理阶段从中选择最可能的一个。因此，确定一个上下文类别必然涉及从多个预定的可用类别中进行选择。技术特征L被隐含公开。 |
| **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《隐含公开》 | [0019] “Such inference results in the construction of new events or actions from a set of observed events...” | 对比文件提到推理可以“构建新的事件”。虽然未明确说这些“新事件”来自一个预定的集合，但本领域技术人员可以合理推断，在构建新事件或融合类别时，系统可能有一个更高层次的、预定义的语义框架或类别集合（例如，“静止”、“交通工具中”等），用于容纳和描述这些融合后的状态。这种从预定集合中选择融合类别的实现方式是合乎逻辑的常规设计选择。因此，技术特征M被隐含公开。 |
<<<A>>><<<F>>><<<G>>><<<b>>><<<c>>><<<d>>><<<l>>><<<m>>>