好的，作为一名专利创造性评估经验丰富的资深专利代理师，我将对您提供的目标专利和对比文件进行深入分析，并严格按照您的要求输出结果。
**本次调用模型名称：** GPT-4o
**目标专利名称：** 用于非平稳数据的凝聚群集的并行方法 (CN105247487B)
**对比文件名称：** Enhanced document retrieval (US20050234880A1)
---
### 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 | 公开性论述 |
| **技术特征A：包括：接收所述数据点流**<br>**《未公开》** | 无对应内容。对比文件主要处理文档（如KB文章）、用户、查询等数据对象，未提及“数据点流”或从传感器实时接收连续数据的概念。 | 目标专利说明书[0006]、[0070]等段落明确指出，其解决的问题是处理由传感器（如加速计、话筒）生成的、太多而无法存储的“数据点流”，需要在“运行中”处理。对比文件（如附录A“背景”部分）虽然描述了聚类和数据挖掘，但其处理对象是静态的数据集（如Web页面、用户访问日志），并未涉及“接收数据点流”这一动态、连续数据输入的技术特征。因此，对比文件既未直接公开，也未隐含公开此特征。 |
| **技术特征B：确定多个群集质心**<br>**《直接公开》** | [0060] “Clustering involves grouping of multiple objects... Clustering algorithms group objects based on the similarities of the objects.” <br> [0100] “...the k-means clustering algorithm... The two-ways k-means cluster algorithm is based on the mutual reinforcement of clustering process.” （附录A部分） | 目标专利中的“确定多个群集质心”是执行k均值等聚类算法的核心步骤，如说明书[0061]步骤(a)所述。对比文件附录A（[0060]-[0115]）专门描述了聚类系统和方法，并明确提及了k-means算法（[0100]）。k-means算法的本质就是确定并迭代更新多个群集质心（centroid）。因此，本领域技术人员能够毫无疑义地从对比文件中得出“确定多个群集质心”这一技术方案。作用相同，都是为了执行数据对象的聚类。 |
| **技术特征C：将所述多个群集质心划分成多个群集质心群，其中每个群集质心群包含所述多个群集质心的子集并由多个线程和/或处理器中不同的线程和/或处理器独立地采用**<br>**《未公开》** | 无对应内容。对比文件附录A提到了“parallel processing”（[0065]）和“distributed computing environment”（[0048]），但未描述将质心集合预先划分成子集，并由不同处理单元独立采用这些子集进行聚类。 | 目标专利的核心发明点之一在于并行策略：将全局质心集划分（partition）成多个子集（群），每个线程/处理器仅使用分配给自己的那个质心子集来对其负责的数据点进行独立群集（说明书[0071]-[0072]）。对比文件虽然提到了并行和分布式计算环境，但未披露这种特定的质心划分与指派方式。其描述的聚类过程（如[0102]的流程图）是针对整个数据集和所有节点进行的迭代计算，并未教导将质心资源预先拆分并独立处理。因此，该特征未被公开。 |
| **技术特征D：向所述多个线程和/或处理器中的每个线程和/或处理器指派所述数据点流的一部分**<br>**《未公开》** | 无对应内容。对比文件未描述将数据流（data stream）的一部分指派给不同线程或处理器的过程。 | 目标专利中，与划分质心并列的关键步骤是将数据点流的一部分指派给各个线程/处理器（说明书[0078]、[0088]）。这是实现其并行处理数据流的必要环节。对比文件处理的是静态数据集，其并行或分布式处理可能涉及数据划分，但并未具体公开针对“数据点流”的指派动作。因此，该特征未被公开。 |
| **技术特征E：以及组合由所述多个线程和/或处理器生成的多个群集以生成全局群集域。**<br>**《未公开》** | 无对应内容。对比文件附录A的聚类算法流程（如图8、9）涉及在迭代中合并（merge）节点和更新链接（[0102]-[0104]），但这是在单次聚类算法执行过程中对相似节点的合并，并非从多个独立运行的线程/处理器处“组合”它们各自生成的群集结果以形成一个“全局群集域”。 | 目标专利在并行独立处理之后，需要将各个线程/处理器生成的局部群集结果“组合”（combine）或“级联”（cascade）在一起，以形成最终的全局群集域（说明书[0072]、[0086]、[0096]）。这是一个后聚合步骤。对比文件未描述这种由分散处理单元生成中间结果，再进行组合以形成最终全局输出的架构。因此，该特征未被公开。 |
| **技术特征F：其特征在于，所述接收包括：从一个或多个传感器接收所述数据点流。**<br>**《未公开》** | 无对应内容。对比文件的数据来源是知识库文章、服务请求、新闻组帖子、查询日志等文档或日志信息（[0017]-[0022]），未提及任何传感器。 | 目标专利特别强调了其应用场景是移动设备处理传感器（如加速计、话筒）生成的数据流（说明书[0006]、[0070]、[0080]）。这是其技术方案要解决“非平稳数据”和“在运行中处理”问题的根源。对比文件的应用领域是文档检索和挖掘，与传感器数据流无关。因此，该特征未被公开。 |
| **技术特征G：其特征在于，所述一个或多个传感器是加速计、陀螺仪、磁力计、或话筒中的一者或多者。**<br>**《未公开》** | 无对应内容。 | 这是对特征F中传感器类型的具体限定。对比文件完全未涉及这些具体的传感器类型。因此，该特征未被公开。 |
| **技术特征H：其特征在于，所述数据点流按循环方式被指派给所述多个线程和/或处理器。**<br>**《未公开》** | 无对应内容。 | 目标专利说明书[0077]提到了按循环方式（round robin）指派数据点。这是实现负载均衡的一种具体指派策略。对比文件未提及任何数据点指派的具体方式。因此，该特征未被公开。 |
| **技术特征I：其特征在于，所述数据点流按阶层式方式被指派给所述多个线程和/或处理器。**<br>**《未公开》** | 无对应内容。 | 目标专利说明书[0078]-[0079]描述了阶层式（hierarchical）分发方法，涉及先用一个小质心集进行粗略分类，再指派给对应线程进行详细群集。这是一种更复杂的指派策略。对比文件未提及任何阶层式指派方式。因此，该特征未被公开。 |
| **技术特征J：其特征在于，指派所述数据点流的一部分包括：将接收到的数据点指派给所述多个群集质心中的一个群集质心**<br>**《未公开》** | 无对应内容。对比文件附录A描述聚类算法时，隐含了将数据对象（如网页）基于相似度归类到某个簇（即质心）的过程，但并未将其描述为一个明确的“指派”步骤，尤其不是针对“数据点流”的实时指派。 | 目标专利将此作为阶层式指派的一个具体步骤进行描述（说明书[0078]）。虽然聚类本身包含将点归类到最近质心的概念，但对比文件未在“向线程指派数据点”这个上下文中明确描述此动作。从宽松的隐含公开标准看，聚类算法必然包含将点关联到质心。但考虑到此特征是从属于“指派数据点流”的进一步限定，而“指派数据点流”这一上位动作本身未被公开，因此该下位特征也未被公开。 |
| **技术特征K：以及将所述接收到的数据点指派给与所述多个群集质心中的这一个群集质心相对应的线程或处理器。**<br>**《未公开》** | 无对应内容。 | 这是特征J的后续步骤，即在粗略分类后，根据分类结果将数据点路由到特定的处理线程。对比文件完全没有涉及根据数据点的粗略分类结果将其引导至不同处理单元的技术内容。因此，该特征未被公开。 |
| **技术特征L：其特征在于，所述多个群集质心中的群集质心数目对应于线程和/或处理器数目。**<br>**《未公开》** | 无对应内容。 | 这是对阶层式指派方法中一种简单情形的限定（说明书[0078]）。对比文件未建立质心数目与线程/处理器数目之间的对应关系。因此，该特征未被公开。 |
| **技术特征M：其特征在于，所述多个群集质心中的群集质心数目大于线程和/或处理器数目，并且其中所述接收到的数据点基于与所述多个群集质心中的每个群集质心相关联的数据点计数被指派给线程或处理器。**<br>**《未公开》** | 无对应内容。 | 这是对阶层式指派方法中一种复杂情形的限定（说明书[0079]），涉及基于计数进行负载均衡的偏置指派。对比文件未公开这种配置和指派规则。因此，该特征未被公开。 |
| **技术特征N：其特征在于，所述数据点流基于所述多个线程和/或处理器中的每个线程和/或处理器的速度被指派给所述多个线程和/或处理器。**<br>**《未公开》** | 无对应内容。 | 目标专利说明书[0084]、[0088]提到指派时考虑处理器的速度。这是一种动态负载均衡策略。对比文件未提及基于处理速度进行任务指派。因此，该特征未被公开。 |
| **技术特征O：其特征在于，所述多个线程和/或处理器中的每个线程和/或处理器生成围绕向所述多个线程和/或处理器中的每个线程和/或处理器置备的一个或多个质心的一个或多个群集。**<br>**《隐含公开》** | [0100] “The clustering algorithm clusters objects in each layer based on the defined similarity function... this written description describes the application of the k-means clustering algorithm.” <br> [0102] 描述了聚类算法流程，包括选择层、根据内容特征聚类节点、合并节点等步骤。 | 目标专利中，每个线程/处理器使用分配给自己的一组质心，对分配的数据点进行群集，生成局部群集（说明书[0085]、[0090]）。对比文件附录A详细描述了聚类算法（如k-means）的应用，该算法的自然结果就是生成围绕质心的群集。虽然对比文件没有明确描述“每个线程/处理器独立生成围绕其置备质心的群集”这一并行架构，但“执行聚类算法以生成围绕质心的群集”这一核心动作已被公开。在考虑隐含公开时，本领域技术人员可以从对比文件公开的“聚类算法”中，合理地推断出执行该算法的处理单元（无论是单个还是多个）会完成“生成围绕质心的群集”这一结果。因此，该特征被隐含公开。 |
| **技术特征P：其特征在于，所述多个线程和/或处理器中的每个线程和/或处理器在其开始接收所述数据点流的所述部分时开始生成所述一个或多个群集。**<br>**《未公开》** | 无对应内容。 | 此特征限定了群集生成的启动时机，即“一开始接收就立即开始”，强调了实时处理性。对比文件描述的聚类过程是针对已存在的数据集进行的，没有提及这种与数据接收同步的启动机制。因此，该特征未被公开。 |
| **技术特征Q：其特征在于，所述多个线程和/或处理器中的每个线程和/或处理器在开始生成所述一个或多个群集之前缓冲所述部分的数据点中的一个或多个数据点。**<br>**《未公开》** | 无对应内容。 | 此特征描述了另一种处理策略，即先缓冲再处理。对比文件未提及在聚类开始前缓冲数据点。因此，该特征未被公开。 |
| **技术特征R：其特征在于，还包括：丢弃所述数据点流中的数据点以减少所述数据点流中的数据点数目。**<br>**《未公开》** | 无对应内容。 | 目标专利说明书[0080]、[0087]提到，如果数据点太多，可以丢弃一些点以减少处理量。这是应对数据过载的一种策略。对比文件未提及丢弃数据点。因此，该特征未被公开。 |
| **技术特征S：其特征在于，还包括：降低生成所述数据点流的一个或多个传感器的采样率以减少所述数据点流中的数据点数目。**<br>**《未公开》** | 无对应内容。 | 目标专利说明书[0080]、[0087]提到的另一种减负策略是降低传感器采样率。这直接关联到传感器数据流的源头控制。对比文件未涉及传感器，更谈不上调整其采样率。因此，该特征未被公开。 |
| **技术特征T：其特征在于，还包括：对所述全局群集域执行后处理。**<br>**《隐含公开》** | [0102] “In 856, the nodes of each cluster are merged into one node... The corresponding links are updated based on the merging in 857.” <br> [0104] “In 964, the nodes of each cluster of the second layer are merged, and the corresponding links are updated.” | 目标专利说明书[0072]、[0086]、[0096]提到，在组合生成全局群集域后，可以执行后处理（post-processing），例如合并冗余群集或进行数据挖掘。对比文件附录A的聚类算法流程图中明确包含了“合并（merge）每个簇的节点”以及“更新对应链接”的步骤（[0102], [0104]）。这些步骤发生在主要聚类迭代之后，旨在精炼和巩固聚类结果，其性质属于对聚类结果的“后处理”。虽然具体操作（合并节点 vs 合并冗余群集）和目标（更新图结构 vs 数据挖掘）可能不完全相同，但其“对聚类结果进行进一步处理以改进或提炼”的核心思想是相同的。根据宽松的隐含公开标准，可以认为对比文件隐含公开了“对聚类结果执行后处理”这一技术特征。 |
| **技术特征U：其特征在于，所述多个处理器和/或线程驻留在一用户装备上。**<br>**《未公开》** | 无对应内容。对比文件描述的系统环境（图3，[0047]-[0058]）包括个人计算机、服务器、网络等，但并未明确限定为“用户装备”（User Equipment, UE），后者在目标专利中特指移动设备（如手机，见图1、2）。 | 目标专利将应用场景明确限定在移动用户装备（UE）上，这是其解决移动设备上传感器数据处理问题的前提（说明书[0006], [0028], [0048]）。对比文件的应用环境是更通用的计算设备（服务器、PC），并未聚焦于资源受限的移动用户装备。因此，该特征未被公开。 |
| **技术特征V：其特征在于，所述多个处理器和/或线程驻留在多个用户装备上。**<br>**《隐含公开》** | [0048] “The invention is practiced in a distributed computing environment where tasks are performed by remote processing devices that are linked through a communications network.” <br> [0065] “The computer environment 400 may be configured as a stand-alone computer, a networked computer system, a mainframe, or any of the variety of computer systems that are known.” | 目标专利说明书[0077]提到，如果多个UE通过高速链路耦合，并行处理可以分布在多个UE上。对比文件明确提到了“分布式计算环境”，其中任务由通过网络链接的远程处理设备执行（[0048]）。虽然对比文件未明确将这些远程设备称为“用户装备”（UE），但“远程处理设备”在广义上包含了通过网络连接的多个计算设备。在隐含公开的宽松判断标准下，本领域技术人员可以合理推断，处理任务（如聚类）有可能分布在通过网络连接的多个计算节点（可视为广义的“用户装备”）上。因此，该特征被隐含公开。 |
<<<B>>><<<o>>><<<t>>><<<v>>>