对比文件的名称：2010-06-03_US2010138452A_发明申请_US20100138452A1 Techniques for facilitating on-line contextual analysis and advertising
目标专利的名称：363在语义上融合上下文推断CN104823433B
本次调用的模型名称：DeepSeek-R1
### 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：《直接公开》 | [0191] “At 604 the page content is analyzed to determine, for example, (1) page topic candidates and (2) keyword candidates for each topic.”<br>（在604处，分析页面内容以确定，例如，(1)页面主题候选和(2)每个主题的关键词候选。） | 该特征描述了“使用来自至少一个数据源的上下文相关数据确定第一上下文类别”。在对比文件中，分析引擎（206）分析网页内容以确定页面主题候选（例如，页面分类器数据）和关键词候选（参见[0058]）。这构成了使用来自数据源（即网页）的上下文相关数据（即页面内容）来确定一个类别（即页面主题或关键词）。虽然目标专利的上下文类别特指移动设备用户的上下文状态（如“坐”、“站立”），而对比文件的类别是网页内容的主题（如“体育”、“科技”），但两者在“使用数据确定一个类别”这一基本方法步骤上相同。本领域技术人员可以毫无疑义地从对比文件得出“确定一个类别”的技术方案。因此，技术特征A被对比文件直接公开。 |
| 技术特征B：《未公开》 | 无直接对应内容。对比文件涉及为关键词选择广告，而非融合不同的上下文类别。 | 该特征要求“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”。目标专利的核心在于语义融合，例如将“坐”和“站立”融合为“静止”。对比文件虽然会分析页面以得到多个主题或关键词（如[0191]），并可能组合多个关键词来更好地匹配广告，但其目的和手段是广告选择与排名，以提高点击率和收益（参见[0275]-[0288]），而不是为了在语义上创建一个囊括多个原始类别的新“融合类别”。对比文件没有公开通过融合两个不同的、语义上独立的类别来生成一个新类别的过程。因此，技术特征B未被对比文件公开。 |
| 技术特征C：《未公开》 | 无直接对应内容。 | 该特征限定了融合类别与第一、第二上下文类别所共有的至少一个特性相关联。由于对比文件未公开“融合类别”这一概念（如特征B所述），自然也未公开该融合类别与原始类别的共有特性关系。因此，技术特征C未被对比文件公开。 |
| 技术特征D：《未公开》 | 无直接对应内容。 | 该特征限定了融合类别比第一和第二上下文类别中的每一者范围都广。这是目标专利语义融合的典型特征，例如“静止”比“坐”或“站立”范围更广。对比文件中未涉及创建这种范围更广的、语义上囊括性的新类别。因此，技术特征D未被对比文件公开。 |
| 技术特征E：《未公开》 | 无直接对应内容。 | 该特征限定了融合类别具有在语义上囊封第一和第二上下文类别标签的标签。这是目标专利实现语义融合的具体表现形式。对比文件完全没有提及为任何实体创建具有此类语义关系的标签。因此，技术特征E未被对比文件公开。 |
| 技术特征F：《隐含公开》 | [0189] “At 608 it is assumed that a scored keyword candidate list is generated which includes keyword candidates and associated keyword scores.”<br>（在608处，假定生成了一个带有关键词候选及其相关关键词得分的已评分关键词候选列表。）<br>[0151] “...click through rate (CTR) data may be computed using one or more of the following parameters: Pclick (wi|page)=the probability of a user click on a specific word given the page information...”<br>（...点击率（CTR）数据可以使用以下一个或多个参数计算：Pclick (wi|page)=给定页面信息时用户点击特定词的概率...） | 该特征要求“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”。在目标专利中，这可以是目标状态分类器输出的初始分类及其置信度等信息。在对比文件中，分析页面内容后，会生成关键词候选列表及其关联的得分（如[0189]），这些得分可以基于点击率（CTR）等参数计算（如[0151]）。这些得分或概率信息（如Pclick）是与“初始分类”（即某个关键词是否被选为广告候选）相关联的，并用于后续的广告选择和排名决策（即相当于确定最终的“上下文类别”——被选中的广告）。本领域技术人员可以从对比文件公开的“为候选关键词评分”这一过程中，合理推断出需要“获得与初始分类（候选状态）相关联的信息（如得分）”这一步骤。因此，技术特征F被对比文件隐含公开。 |
| 技术特征G：《隐含公开》 | [0151] “...Pclick (wi|page)=the probability of a user click on a specific word given the page information (topics, word score, word position, etc)...”<br>（...Pclick (wi|page)=给定页面信息（主题、词得分、词位置等）时用户点击特定词的概率...）<br>[0326] “Consider an ad a served at a highlight h of a keyword k on a page p. We would like estimate the probability P(c=1|a, h, p) that this ad will be clicked (c=1)...”<br>（考虑在页面p的关键词k的高亮h处提供广告a。我们想要估计该广告将被点击的概率P(c=1|a, h, p)...） | 该特征要求“获得与所述初始分类相关联的置信度值”。在目标专利中，置信度值用于衡量分类决策的可信度。在对比文件中，系统会计算关键词或广告的点击概率（如Pclick），这是一种衡量该关键词/广告在给定上下文中可能被点击的“置信度”或期望值的数值（参见[0151], [0326]）。这个概率值是与该关键词/广告的“初始分类”（即作为候选）紧密相关联的。虽然“置信度”一词在对比文件中可能未明确使用，但本领域技术人员可以理解，用于决策的概率估计在功能上等同于置信度值。因此，技术特征G被对比文件隐含公开。 |
| 技术特征H：《隐含公开》 | [0409] “...f(p,h,a)=1{EMV(p,h,a)>t}·Rel(p,k(h),a) ... f(p,h,a)=EMV(p,h,a)·1{Rel(p,k(h),a)>t}”<br>（...f(p,h,a)=1{EMV(p,h,a)>t}·Rel(p,k(h),a) ... f(p,h,a)=EMV(p,h,a)·1{Rel(p,k(h),a)>t}）<br>（上述公式表示评分函数f可以基于预期货币价值EMV或相关性Rel是否超过阈值t来决定是否采用某个值。） | 该特征要求“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”。在目标专利中，当初始分类的置信度低时，触发融合分类器产生一个范围更广、更可靠的融合类别。在对比文件中，在广告布局和选择算法中，会使用阈值来判断是否采纳某个广告或关键词。例如，评分函数可以设置为仅当预期货币价值（EMV）或相关性（Rel）超过某个阈值t时，才赋予非零值（参见[0409]）。这体现了基于数值（可类比为置信度）与阈值的比较来做出决策的逻辑。虽然决策的内容是“是否选择该广告进行高亮”而非“是否进行语义融合”，但“基于数值与阈值的比较来触发不同操作路径”这一控制逻辑是相同的。本领域技术人员可以从对比文件的阈值决策机制中，合理推断出可以将类似的逻辑应用于“当置信度低时触发融合”的场景。因此，技术特征H被对比文件隐含公开。 |
| 技术特征I：《隐含公开》 | [0189]-[0190] 描述了生成带有关键词得分的候选列表，然后应用排序/过滤算法和约束（如关键词限制、敏感性限制、每页链接数限制、最小距离等）来消除不符合条件的候选。 | 该特征要求“识别所述初始分类的可操作性质”。在目标专利中，可操作性质是指初始分类器已知的行为特性，例如它容易混淆哪两个状态。在对比文件中，在对关键词候选进行过滤和最终选择时，会应用一系列预定义的约束（constraints），如关键词限制、敏感性（儿童不宜）、每页和每段的内容链接限制、高亮间的最小距离等（参见[0189]-[0190]及[0441]-[0449]）。这些约束反映了系统对关键词/广告展示的“可操作性质”或行为规则的要求。系统需要“识别”或考量这些性质（即约束条件）来处理初始的候选列表。本领域技术人员可以理解，对比文件中对候选应用约束的过程，隐含了需要识别或知晓这些约束（即可操作性质）的步骤。因此，技术特征I被对比文件隐含公开。 |
| 技术特征J：《隐含公开》 | [0190] “At 610 one or more sorting/filtering algorithms may be applied to the scored Keyword Candidate List using various constraints... Keyword candidates not satisfying these constraints may be eliminated from the list.”<br>（在610处，可以使用各种约束条件对已评分的关键词候选列表应用一个或多个排序/过滤算法...不满足这些约束条件的关键词候选可以从列表中消除。） | 该特征要求“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”。在目标专利中，融合分类器利用目标状态分类器的可操作性质（如易混淆性）来决定输出融合类别。在对比文件中，最终的关键词选择（可类比为确定一个“类别”——被选中的高亮词）是基于对初始候选列表应用各种约束（即可操作性质）来完成的（参见[0190]）。决策（选择哪些关键词）直接依赖于这些约束条件。虽然决策目的不同（广告布局 vs. 语义融合），但“基于已知的性质/约束条件对初始候选进行处理以得到最终结果”这一方法逻辑是相通的。本领域技术人员可以从对比文件的约束驱动选择过程中，合理推断出可以将类似逻辑应用于基于分类器性质进行融合决策。因此，技术特征J被对比文件隐含公开。 |
| 技术特征K：《未公开》 | 无对应内容。对比文件的分析主要针对单个页面请求时的内容，未强调使用不同时间点的数据序列来确定一个类别，并基于时间上的多个类别进行融合。 | 该特征要求使用第一时间的第一上下文相关数据确定第一上下文类别，并使用第二时间的第二上下文相关数据确定第二上下文类别，进而基于这两个类别确定融合类别。这体现了在时间维度上融合上下文推断。对比文件虽然会处理动态内容，但其核心是对当前请求的页面进行实时分析以选择广告，并未描述为了创建一个新的融合类别，而专门使用不同时间点的数据分别确定两个独立的上下文类别，然后将它们融合的过程。因此，技术特征K未被对比文件公开。 |
| 技术特征L：《直接公开》 | [0125]-[0127] 描述了关键词/主题分类方案，包括超级主题、主题、子主题、分类、子分类等级别，并有关键词被分类到这些预定类别中。<br>例如，“general keywords may be classified under SuperTopic, more specific keywords may be classified under Topic...” （通用关键词可分类在超级主题下，更具体的关键词可分类在主题下...） | 该特征要求“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”。在目标专利中，目标状态分类器从一组预定的上下文类别（如行走、坐、站立）中进行选择。在对比文件中，存在一个预定的分类体系（Taxonomy），包括超级主题、主题、子主题等层次，关键词被分类到这个预定的体系结构中（参见[0125]-[0127]）。当分析页面确定其主题时，实质上是从这些预定的分类类别中进行匹配或选择。因此，确定页面主题或关键词类别的过程包含了从多个预定类别中选择的步骤。本领域技术人员可以毫无疑义地得出此技术方案。因此，技术特征L被对比文件直接公开。 |
| 技术特征M：《未公开》 | 无对应内容。对比文件没有“融合类别”的概念，因此也不存在从预定的可用融合类别中进行选择。 | 该特征要求“从多个预定的可用融合类别中选择所述融合类别”。由于对比文件未公开任何“融合类别”的概念（如特征B-E所述），因此自然也谈不上从预定的融合类别集合中进行选择。因此，技术特征M未被对比文件公开。 |
<<<A>>><<<L>>><<<f>>><<<g>>><<<h>>><<<i>>><<<j>>>