对比文件名称：JP2011175497A_Description_20260219_2139
目标专利名称：189照片管理CN106104577B
本次调用的模型名称：专利创造性评估模型
### 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**：包括：用第一预先训练的分类器来确定多个所存储图像的特征，《隐含公开》 | [0064] 学習部１４４が、...初期識別モデルME0 を生成する。本形態では、機械学習方式として、例えば、最大エントロピー原理に基づく識別学習（ME学習）方式を用いる...。<br>[0076] 学習部１５２が、...識別モデルMEi を生成する。<br>[0164] また、上記の実施形態では、最大エントロピー法を用いて学習を行ったが、サポートベクトルマシンなどその他の周知の機械学習方式が用いられてもよい。 | 对比文件公开了使用机器学习方法（如最大熵模型、支持向量机）生成并应用“识别模型”（識別モデル）来确定“特征列”（素性列）的特征（例如，条件概率p(j | x)），该特征列对应于包含特定实体组合的文本。虽然对比文件处理的是文本数据（特征列），而目标专利处理的是图像数据，但“确定特征”这一功能本质上是相同的：即使用一个预先训练好的模型（对比文件中的MEi或SVM）从输入数据中提取或计算出一个表征。本领域技术人员可以合理推断，将这种使用预先训练的分类器来确定数据特征的技术应用于图像数据领域是显而易见的。因此，该技术特征被对比文件隐含公开。 | |||
| **技术特征B**：所述多个所存储图像的特征不同于用于训练所述第一预先训练的分类器的多个训练图像《隐含公开》 | [0050] (方法1)初期正例集合作成部１４１は、RP0 j に１つも素性列が含まれていないクラスjについて、新しいシードエンティティペアの追加を要求し、追加されたシードエンティティペアをP0 j に追加して記憶部１２０に格納する。初期正例集合作成部１４１は、追加されたシードエンティティペアに含まれる２エンティティ(eX ，eY )を両方含むテキストに対応する素性列を母集合Dから抽出し、それを正例集合RP0 j の要素に加える。このような処理が、各クラスjにそれぞれ対応するRP0 j に含まれる素性列がそれぞれ１以上になるまで繰り返される。<br>[0093] 一方、停止条件を満たすと判定された場合、以下のステップＳ１２８の処理に進む。<br>[0094] ステップＳ１２８では、選択部１７０が、記憶部１３０に格納された正例集合RPi+1 j と最後の識別モデルMEi とを用い、正例集合RPi+1 j から素性列を選択する。 | 对比文件的整个迭代学习过程（图4，步骤S111-S128）是基于一个初始的“母集合D”。初始训练数据（正例集合RP0）是从D中基于种子实体对提取的。在迭代过程中，模型（MEi）不断被更新，并用來对同一母集合D中的未标记数据（Ui）进行分类，将其加入正例或负例集合。因此，用于确定特征（即进行分类）的模型（MEi）所处理的数据（来自D的未标记特征列）与最初用于训练该模型的数据（RP0, RN1等，同样来自D）在迭代过程中是相关的，但它们并不完全相同，特别是在后续迭代中，模型会被新标记的数据重新训练。这个过程隐含了模型处理的数据（特征来源）与训练数据可以不同但相关联。本领域技术人员可以合理推断，在图像处理中，使用在一个图像集上预训练的模型来处理另一个不同的图像集（如同属于用户存储的照片）是惯用手段。因此，该技术特征被隐含公开。 | ||||
| **技术特征C**：至少部分地基于所确定的特征来将所述多个所存储图像中的每一个图像指派给多个群集中的群集《直接公开》 | [0072] クラス識別部１４６は、...ラベルなし集合U0 に属する各素性列が負例集合RN1 に属するか否かを識別し、負例集合RN1 に属すると識別された素性列を負例集合RN1 の要素とし...。<br>[0090] ラベルなし集合Ui に含まれる素性列xについて、...当該素性列xがクラスj'に対応する正例集合RPi+1 j 又は負例集合RNi+1 に属すると識別し、当該素性列xを正例集合RPi+1 j 又は負例集合RNi+1 の要素とする。 | 对比文件明确公开了基于识别模型（MEi）输出的指标（如条件概率p(j | x)），将未标记集合（Ui）中的每个特征列（素性列）指派到不同的集合中，这些集合包括多个正例集合（RPi+1 j， j=1,...,c）和一个负例集合（RNi+1）。这里的“正例集合”和“负例集合”实质上就是根据特征（由模型确定）划分的“群集”。目标专利中的“指派给群集”与对比文件中的“识别并归入正/负例集合”在技术和作用上完全相同，都是基于特征进行数据分类/分群。因此，该技术特征被对比文件直接公开。 | |||
| **技术特征D**：基于所述图像离对应于所述图像的最接近的群集中心的距离小于第一阈值、与所述最接近的群集中心相关联的预定义图像数目小于第二阈值、和/或与最接近的群集中心相关联的图像百分比小于第三阈值来向所述多个所存储图像中的图像指派标记《隐含公开》 | [0072] 例えば、クラス識別部１４６は、閾値決定部１４５で決定された各閾値と学習部１４４で生成された初期識別モデルME0 とを用い、ラベルなし文集合U0 に含まれる素性列uのうち、p(U｜u)⟩t0 N …(7)を満たすものを負例集合RN1 に属すると識別し...。<br>[0090] ラベルなし集合Ui に含まれる素性列xについて、(I) p(U | x)⟨ti U である。(II)全てのj'∈C'(C'={1,...,c,N})のうちp(j' | x)を最大にするクラスj'についてp(j' | x)⟩ti j である。の両方の条件を満たす場合には当該素性列xがクラスj'に対応する正例集合RPi+1 j 又は負例集合RNi+1 に属すると識別し...。 | 对比文件公开了基于“阈值”（閾値，如t0 N, ti j）来决策是否将数据指派到某个集合（即指派标记）。决策条件是基于模型输出的指标（如p(j' | x)）与阈值的比较（例如，大于阈值则归入）。虽然对比文件使用的是概率阈值，而目标专利使用的是距离、数目或百分比阈值，但两者在技术思想上的作用相同：都是设定一个量化标准，用于控制标记的指派条件，以筛选出置信度高或符合条件的样本。本领域技术人员可以理解，在分类或聚类任务中，根据实际需求（如控制精度、数量），将基于概率的置信度阈值替换为基于距离、数目或百分比的阈值，是一种常见的、等同的技术手段替换。因此，该技术特征被对比文件隐含公开。 |
| **技术特征E**：修改所指派的标记《隐含公开》 | [0090] ...当該素性列xがクラスj'に対応する正例集合RPi+1 j 又は負例集合RNi+1 に属すると識別し、当該素性列xを正例集合RPi+1 j 又は負例集合RNi+1 的要素とする。<br>[0092] クラス識別部１５４は、更新した正例集合RPi+1 j 、負例集合RNi+1 及びラベルなし集合Ui+1 を記憶部１３０に格納する。 | 对比文件在迭代学习过程中（例如步骤S125），会根据最新的模型和阈值，将未标记集合（Ui）中的数据重新识别并添加到正例或负例集合（RPi+1 j， RNi+1）中。这实质上就是基于新的判断，对数据所属的类别（标记）进行了修改或重新指派。例如，一个数据在上一轮可能是未标记的（属于Ui），在下一轮被修改为“正例1”的标记（加入RPi+1 1）。这个过程隐含了“修改所指派的标记”的技术特征。 | ||||
| **技术特征F**：当所述所指派的标记被修改时用所述图像来重新训练所述第一预先训练的分类器《直接公开》 | [0076] 学習部１５２が、正例集合RPi j (j=1,...,c)に属する素性列...及び、負例集合RN1 に属する素性列...を学習データとして用い、...識別モデルMEi を生成する。<br>[0092] クラス識別部１５４は、更新した正例集合RPi+1 j 、負例集合RNi+1 ...を記憶部１３０に格納する。<br>[0093] ...停止条件を満たさないと判定された場合、停止条件判定部１６０は、i+1を新たなiとおき（ステップＳ１２７）、処理をステップＳ１２２に戻す。これにより、...学習部１５２の処理...を再び実行させる。 | 对比文件明确公开了一个迭代训练过程：在步骤S125中，类识别部154更新了正例和负例集合（即修改了数据的标记）。随后，在步骤S127，如果不满足停止条件，流程会返回到步骤S122和S123，其中学习部152会使用更新后的正例集合（RPi j）和负例集合（RNi）作为新的训练数据，来重新生成（即重新训练）识别模型（MEi）。这直接公开了“当所指派的标记被修改时（通过更新集合实现）用这些数据来重新训练分类器”的技术方案。 | ||||
| **技术特征G**：以及至少部分地基于所述预先训练的分类器来对所述图像重新分类。《直接公开》 | [0090] クラス識別部１５４が、...ラベルなし集合Ui に属する各素性列...を識別モデルMEi に与え、...当該ラベルなし集合Ui に属する各素性列が当該ラベルjによって表される正例集合RPi+1 j に属するか否かを識別し...。 | 对比文件在步骤S125中，类识别部154使用最新训练（或重新训练）得到的识别模型（MEi）对未标记集合（Ui）中的数据进行分类（识别），决定它们属于哪个正例集合或负例集合。这正是“基于（重新训练后的）分类器来对数据进行重新分类”。因此，该技术特征被直接公开。 | ||||
| **技术特征H**：其特征在于，所述第一预先训练的分类器是支持向量机器(SVM)、逻辑回归、最接近的邻居、或多层感知器(MLP)。《直接公开》 | [0164] また、上記の実施形態では、最大エントロピー法を用いて学習を行ったが、サポートベクトルマシンなどその他の周知の機械学習方式が用いられてもよい。 | 对比文件在实施例中明确记载了可以使用“支持向量机”（サポートベクトルマシン，即SVM）作为机器学习方式。虽然未明确提及逻辑回归、最接近的邻居或多层感知器，但SVM是权利要求中明确列举的选项之一。因此，关于分类器是SVM这一具体类型，被对比文件直接公开。 | ||||
| **技术特征I**：其特征在于，进一步包括，至少部分地基于对应的标记来将所述多个所存储图像中的图像分类到群中。《隐含公开》 | [0090] ...当該素性列xがクラスj'に対応する正例集合RPi+1 j 又は負例集合RNi+1 に属すると識別し...。<br>[0094] ...選択部１７０は、最後に得られた識別モデルMEi を各クラスjにおける正例集合RPi+1 j に属する各素性列xに適用し、条件付確率p(j | x)の高い順に正例集合RPi+1 j に属する各素性列xをソートし、ソートした各素性列xのうち上位K個...の素性列を選択する。選択部１７０は、選択した素性列に対応するエンティティペアを出力する。 | 对比文件公开了将特征列（对应图像）识别并归入不同的“类”（クラスj，即正例集合）或负例集合，这本身就是一种基于标记（类标签）的分类。此外，选择部170进一步基于模型输出对同一类（正例集合）内的数据进行排序和选择，这隐含了在已分类的“群”（即各正例集合）内进行进一步组织或筛选的操作。本领域技术人员可以合理推断，将已标记（已分群）的图像按照其标记组织成不同的“群”（group）是分类后的自然应用步骤。因此，该技术特征被隐含公开。 | |||
| **技术特征J**：其特征在于，进一步包括，至少部分地基于对应的群来将所述多个所存储图像中的每个图像放置到文件夹中。 | 对比文件未涉及“文件夹”（folder）这一具体的计算机文件系统管理概念。对比文件关注的是数据（特征列/实体对）的分类和提取，输出的是实体对列表，并未提及将这些数据存入不同文件夹进行组织管理。 | 对比文件公开的是数据分类和提取方法本身，并未延伸至分类后数据在存储系统中的具体组织方式（如放入文件夹）。将数据放入不同的文件夹是基于分类结果的一种具体应用实现，而非分类方法必不可少的步骤。对比文件没有公开，也无法直接且毫无疑义地推导出这一具体应用层面的特征。 | ||||
| **技术特征K**：其特征在于，进一步包括，使用非特定名称来命名所述文件夹。 | 对比文件未涉及“文件夹”的命名。 | 同技术特征J，文件夹及其命名超出了对比文件公开的范围。 | ||||
| **技术特征L**：其特征在于，进一步包括，使用第二预先训练的分类器来确定特定文件夹名称。 | 对比文件未涉及“文件夹名称”的确定。 | 同技术特征J，对比文件未涉及文件夹管理相关的任何特征。 | ||||
| **技术特征M**：其特征在于，进一步包括，使用所述第二预先训练的分类器、至少部分地基于与相关联的群的标记相关联的群集中心的分类来确定所述特定文件夹名称。 | 对比文件未涉及“文件夹名称”的确定，也未涉及基于“群集中心”来确定名称。 | 同技术特征J，对比文件未涉及文件夹管理相关的任何特征。 | ||||
| **技术特征N**：其特征在于，所述特定文件夹名称进一步至少部分地基于关于给定文件夹的所标记图像的多数裁定规则来确定。 | 对比文件未涉及“文件夹名称”的确定，也未涉及“多数裁定规则”。 | 同技术特征J，对比文件未涉及文件夹管理相关的任何特征。 | ||||
| **技术特征O**：其特征在于，进一步包括，接收修改特定文件夹名称或指派新的特定文件夹名称的用户输入。 | 对比文件未涉及“文件夹名称”的修改或用户输入。 | 同技术特征J，对比文件未涉及文件夹管理及用户交互相关的特征。 | ||||
| **技术特征P**：其特征在于，进一步包括，至少部分地基于群集中心或者至少一个所标记的图像特征向量来重新训练第二预先训练的分类器以包括经修改的特定文件夹名称或所述新的特定文件夹名称。 | 对比文件未涉及“第二预先训练的分类器”用于文件夹命名，也未涉及根据用户修改的文件夹名称来重新训练分类器。 | 同技术特征J，对比文件未涉及文件夹命名及相关的分类器训练。 | ||||
| **技术特征Q**：其特征在于，进一步包括，至少部分地基于确定新图像的特征向量和应用所述分类器以确定所述新图像的群来将所述新图像放置在文件夹中。 | 对比文件未涉及将“新图像”或新数据放入“文件夹”。虽然对比文件的系统可以处理新数据（新的特征列）并用现有模型进行分类（如步骤S125对Ui的处理），但并未公开将其放置到文件夹中。 | 对比文件公开了对新数据进行分类，但未公开分类后的存储组织动作（放入文件夹）。这是应用层面的差异。 | ||||
| **技术特征R**：其特征在于，进一步包括，接收修改所述所指派的标记的用户输入。 | 对比文件未提及用户交互，其标记的修改（如技术特征E所述）是通过算法迭代自动完成的，而非响应用户输入。 | 目标专利中“接收用户输入以修改标记”强调了人工干预和个性化调整，而对比文件是完全自动化的迭代学习过程，没有用户参与的环节。该特征未被公开。 | ||||
| **技术特征S**：其特征在于，至少部分地基于将所述图像从第一文件夹移至第二文件夹的用户输入来修改所述所指派的标记。 | 对比文件未涉及“文件夹”和“用户输入”。 | 该特征结合了用户交互（移动文件）和标记修改，对比文件均未涉及。 | ||||
| **技术特征T**：其特征在于，进一步包括，与第二用户共享至少一个分类器或群集中心列表。 | 对比文件未涉及用户间共享分类器或群集中心。 | 对比文件描述的是一个独立的数据提取装置和方法，未涉及多用户环境或共享功能。 | ||||
| **技术特征U**：其特征在于，所共享的群集中心列表与所述第二用户的群集中心列表相组合以创建用于所述第二用户的图像的标记并且更新用于所述第二用户的分类器。 | 对比文件未涉及用户间共享、组合列表以及为其他用户更新分类器。 | 同技术特征T，该特征涉及多用户协同和个性化适应，超出了对比文件的范围。 | ||||
| **技术特征V**：其特征在于，进一步包括，与所述第二用户共享用户为类别或群集定义的种类。 | 对比文件未涉及用户定义种类以及共享用户定义种类。对比文件中的“类”（クラス）是预设的（如“业态类”、“社长类”），并非由装置用户动态定义。 | 该特征强调了用户自定义和共享个性化分类体系，而对比文件使用的是预定义的、固定的类别。该特征未被公开。 |
<<<C>>><<<F>>><<<G>>><<<H>>>
<<<a>>><<<b>>><<<c>>><<<d>>><<<e>>><<<i>>>