对比文件名称：2012-03-08_US2012059780A_发明申请_US20120059780A1 CONTEXT RECOGNITION IN MOBILE DEVICES
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最新版本模型
### 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**：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>**《直接公开》** | [0048] “Feature determination block 230 may determine, or ‘extract’, the feature values from the supplied data for use with the classifier 234 that then maps the feature values (e.g. an n-dimensional feature vector comprising a plurality of feature values) to a context.” （特征确定块230可以基于提供的数据确定或“提取”特征值，以供分类器234使用，该分类器然后将特征值（例如，包含多个特征值的n维特征向量）映射到上下文。） | 对比文件公开了从移动设备的传感器等数据源获取数据，提取特征值，并由分类器（如自适应线性分类器）将这些特征值映射到一个上下文类别。这与目标专利中“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”的技术特征完全相同。在对比文件中，该技术方案用于识别设备或用户的当前上下文（如运动状态），其作用与目标专利中确定第一上下文类别以进行后续处理的作用相同。因此，本领域技术人员能够毫无疑义地从对比文件中得出该技术方案。 |
| **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》** | 对比文件中未发现明确记载或描述通过“融合”两个不同的上下文类别来确定一个“融合类别”的内容。 | 目标专利的核心在于“融合”两个不同的上下文类别（如“坐”和“站立”）以生成一个新的、在语义上囊括两者的“融合类别”（如“静止”）。对比文件主要描述的是基于传感器数据通过分类器（如最小距离分类器）直接识别一个上下文类别，并通过用户反馈自适应地更新分类器的理想向量（原型）。其过程是单一路径的分类和调整，并未涉及将两个已识别出的、不同的上下文类别进行语义上的合并或融合以产生一个新类别的概念。因此，该技术特征既未被直接公开，也无法从对比文件的内容中合理推断得出。 |
| **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》** | 对比文件中未发现明确记载或描述“融合类别”及其与多个原始类别共有特性相关联的内容。 | 该技术特征依赖于特征B中“融合类别”的存在。由于对比文件未公开“融合类别”的概念，自然也就未公开该融合类别与多个原始类别共有特性相关联的特征。因此，该技术特征未被公开。 |
| **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》** | 对比文件中未发现明确记载或描述一个类别在语义范围上比另一个或多个类别更广的内容。 | 该技术特征进一步定义了“融合类别”的语义特性，即其范围比被融合的单个类别更广（例如“静止”比“坐”或“站立”范围更广）。由于对比文件未公开“融合类别”的概念，因此该限定特征也未被公开。 |
| **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》** | 对比文件中未发现明确记载或描述类别标签在语义上“囊封”其他类别标签的内容。 | 该技术特征具体描述了“融合”的语义表现形式，即融合类别的标签在语义上包含并概括了原始类别的标签。这是目标专利实现更可靠推断的关键思想。对比文件虽然提及了上下文类别（如“跑步”、“坐着”），但未描述这些类别标签之间存在任何语义上的层级或囊封关系，也未描述创建具有这种语义关系的新标签。因此，该技术特征未被公开。 |
| **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》** | [0057] “Let i* be an estimate for the context.” （令 i* 为对上下文的估计。）<br>[0058] “Another, either supplementary or alternative, possibility is to collect only indirect feedback signal from the user, i.e. the user just gives a feedback to the classifier on how well it is performing.” （另一种补充或替代的可能性是仅从用户那里收集间接反馈信号，即用户只是向分类器反馈其执行效果如何。） | 对比文件描述了分类器会输出一个对上下文的“估计”（i*），这相当于进行了一次“初始分类”。同时，对比文件详细描述了从用户处获得“反馈信息”（包括直接和间接反馈）的过程，这些反馈信息用于评估和调整分类器。虽然对比文件未使用“获得与初始分类相关联的…信息”的表述，但其技术方案必然包含了对分类器输出结果（即初始分类）的知晓，并基于此获得用户反馈信息。本领域技术人员能够合理推断，要利用用户反馈来改进分类，首先需要知道分类器做出了什么样的初始分类（估计），因此“获得与初始分类相关联的…信息”这一步骤是隐含在对比文件的反馈机制中的。 |
| **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>**《隐含公开》** | [0058] “If the user provides a feedback signal and it is positive...” （如果用户提供反馈信号并且是积极的...）<br>[0080] “For instance, the reliability of a context recognition event may be evaluated. E.g. distance to the nearest centroid may be determined in the case of the minimum-distance classifier. If the reliability is not very high (the distance exceeds a predetermined threshold, for example)...” （例如，可以评估上下文识别事件的可靠性。例如，在最小距离分类器的情况下，可以确定到最近质心的距离。如果可靠性不是很高（例如，距离超过预定阈值）...） | 对比文件虽然没有明确使用“置信度值”一词，但描述了基于用户反馈信号（正/负）来调整分类器的逻辑，这隐含了分类器的输出存在“可被用户评判正确与否”的性质。更重要的是，在[0080]段明确提到了可以评估分类的“可靠性”（reliability），并以到最近质心的距离作为衡量可靠性的一个例子，距离超过阈值则可靠性不高。这实质上公开了一种与分类结果相关联的、用于衡量其可信程度的度量值，其作用与目标专利中的“置信度值”相同，都是用于评估初始分类的质量。因此，本领域技术人员能够从对比文件中合理推断出“获得与初始分类相关联的置信度值”这一技术特征。 |
| **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》** | 对比文件中未发现明确记载或描述基于“置信度值等于或低于阈值”这一条件来触发确定一个“融合类别”的内容。 | 对比文件[0080]段提到了可靠性（可类比为置信度）不高时（如距离超过阈值），可以从其他设备获取分类信息进行协作识别。这与目标专利中“因低置信度而触发融合类别确定”在技术思路上有相似之处（都是在分类不确定时寻求更可靠的方案）。然而，对比文件提出的解决方案是“协作上下文识别域”或利用其他设备的信息，而目标专利的解决方案是在本地语义上融合多个类别以产生一个范围更广、更确定的融合类别。两者是本质上不同的技术手段。因此，对比文件并未公开“响应于置信度值等于或低于阈值而执行确定融合类别”这一具体技术特征。 |
| **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》** | [0057]-[0062] 描述了根据用户的正/负反馈，使用LVQ算法更新分类器理想向量的具体方法（将理想向量拉近或推离新特征向量）。<br>这反映了分类器在特定输入下会产生某种输出（估计），并且该输出可能正确也可能错误，这种“行为特性”可以被观察和利用。 | “可操作性质”在目标专利中指的是初始分类器在区分某些类别时存在的困难或混淆倾向（例如，已知分类器经常混淆“坐”与“站立”）。对比文件虽然没有直接使用该术语，但其整个自适应学习机制正是建立在识别并纠正分类器错误行为（即可操作性质）的基础上的。通过收集用户对分类正确与否的反馈，系统实质上是在识别分类器在哪些情况下容易出错（即可操作性质），并据此调整分类器参数。因此，本领域技术人员可以合理推断，为了有效地进行自适应学习，系统需要“识别所述初始分类的可操作性质”。 |
| **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》** | 对比文件中未发现明确记载或描述基于识别出的分类器可操作性质来确定一个“融合类别”的内容。 | 该技术特征限定了利用“可操作性质”来“确定融合类别”。虽然对比文件隐含公开了识别可操作性质（特征I），但其利用该性质的方式是“更新线性分类器的参数”（如理想向量），以提高未来分类的准确性。而目标专利是利用该性质来“选择或生成一个融合类别”，以替代或补充当前不确定的分类。两者的目的（提高准确性）相似，但实现该目的的具体技术手段不同。因此，该技术特征未被公开。 |
| **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》** | 对比文件中未发现明确记载或描述使用不同时间点的上下文相关数据分别确定不同上下文类别，并基于这些不同时间的类别来确定一个融合类别的时序融合方案。 | 目标专利该特征强调了跨时间序列的融合：使用t1时刻的数据确定类别A，使用t2时刻的数据确定类别B，然后融合A和B。对比文件虽然在特征提取时可能使用时间窗口（如[0066]段），但其分类器每次是对一个时间窗口内的数据进行分类，输出一个当前估计的类别。其自适应学习是利用历史数据（特征向量和反馈）来更新分类模型，而不是将不同时间点得到的分类结果进行横向融合。因此，该技术特征未被公开。 |
| **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》** | [0048] “...classifier 234 that then maps the feature values ... to a context.” （...分类器234然后将特征值...映射到一个上下文。）<br>[0071] “In most our tests we used the following nine activities: outdoor bicycling, soccer playing, lying, nordic walking, rowing with the rowing machine, running, sitting, standing, and walking.” （在我们的大多数测试中，我们使用了以下九种活动：户外骑自行车、踢足球、躺着、北欧式健走、划船机划船、跑步、坐着、站着和走路。） | 对比文件公开了分类器将特征值映射到“一个上下文”，并且实施例中列举了测试所用的九个具体活动类别。这清楚地暗示，分类器是从一个预定义的上下文类别集合中进行选择的。本领域技术人员能够毫无困难地理解，监督分类器（如对比文件所用的）在训练和操作时，都是针对一个固定的、预定的类别集合进行的。因此，“从多个预定的可用上下文类别中选择”这一技术特征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>**《隐含公开》** | 该推断需结合对比文件的整体教导。对比文件强调了为移动设备设计计算量轻的分类方案，并可通过特征选择和用户反馈进行优化。 | 虽然对比文件未明确提及“融合类别”及其预定集合，但基于其公开的“从预定上下文类别集合中选择”这一概念（特征L），以及移动设备应用中为平衡准确性与资源消耗而进行设计优化的普遍需求，本领域技术人员有可能进行推理：如果要在该系统中实现类似目标专利的融合功能（尽管对比文件本身未实现），一种合理的实现方式同样是预先定义好一组可能的融合类别（例如{静止，运动中}），然后根据规则从中选择。这是一种在资源受限设备上实现新功能的常规设计思路。因此，在非常宽松的隐含公开判断标准下，可以认为该特征被隐含公开。但需要强调，这仅仅是基于系统设计逻辑的可能性推断，而非对比文件直接或必然公开的内容。 |
<<<A>>><<<f>>><<<g>>><<<i>>><<<l>>><<<m>>>