发明创造名称：混合推荐系统
外观设计名称：
决定号：180029
决定日：2019-05-31
委内编号：1F230317
优先权日：2012-08-31;2013-03-08
申请（专利）号：201310397766.3
申请日：2013-09-02
复审请求人：埃森哲环球服务有限公司
无效请求人：
授权公告日：
审定公告日：
专利权人：
主审员：李圆
合议组组长：陈丽娜
参审员：郭永强
国际分类号：G06Q30/00;G06F17/30
外观设计分类号：
法律依据：专利法第22条第3款
决定要点
：若一项权利要求所请求保护的技术方案与作为最接近现有技术的对比文件相比存在多个区别特征，其中部分区别特征已被其他对比文件公开，部分区别特征属于本领域的惯用技术手段，那么在该作为最接近现有技术的对比文件的基础上结合其他对比文件以及本领域的惯用技术手段得到该项权利要求的技术方案，对本领域技术人员来说是显而易见的，则该项权利要求不具备创造性。
全文：
本复审请求涉及申请号为201310397766.3，名称为“混合推荐系统”的发明专利申请（下称本申请）。申请人为埃森哲环球服务有限公司。本申请的申请日为2013年09月02日，优先权日为2012年08月31日、2013年03月08日，公开日为2014年05月28日。
经实质审查，国家知识产权局原审查部门于2017年05月05日发出驳回决定，驳回了本申请，其理由是：权利要求1-19不具备专利法第22条第3款规定的创造性。具体为：1、权利要求1与对比文件1（公开号：US 2011184806A1，公开日：2011年07月28日）的区别为：（1）在线测试模块，离线测试模块，推荐函数的顶级表现集合；（2）其中所述性能指标包括查全率和查准率，其中所述查全率性能指标是置于购物车中匹配推荐的物品的数目与置于所述购物车中的物品的总数的比率，并且其中所述查准率性能指标是所述推荐被购买的百分比。其中，区别（1）已被对比文件2（公开号：CN 1586080A，公开日：2005年02月23日）公开了，区别（2）中部分已被对比文件3（“Toward the Next Generation of Recommender Systems: A Survey of the State-of-the-Art and Possible Extensions”，G Adomavicius 等，《IEEE Transactions on Knowledge & Data Engineering》，第17卷第6期，第734-749页，公开日：2005年06月30日）公开了，部分是本领域的惯用技术手段，因此，权利要求1不具备创造性。2、从属权利要求2-14的附加特征或者已被对比文件1、对比文件2、对比文件3公开，或者是本领域的惯用技术手段，因此，也都不具备创造性。3、权利要求15-18是与权利要求1-3、5、7相对应的产品权利要求，基于同样的理由，也都不具备创造性。4、权利要求19与对比文件1的区别为：（1）在线测试模块，离线测试模块，推荐函数的顶级表现集合；（2）其中所述性能指标包括查全率和查准率，其中所述查全率性能指标是置于购物车中匹配推荐的物品的数目与置于所述购物车中的物品的总数的比率，并且其中所述查准率性能指标是所述推荐被购买的百分比；（3）接收用户的购买历史以及针对所述用户的偏好，并且基于所述用户的所述当前活动、所述购买历史和所述偏好，索引包括产品物品与产品物品的关联以及顾客与产品的关联。其中，区别（1）已被对比文件2公开了，区别（2）中部分已被对比文件3公开了，部分是本领域的惯用技术手段，区别（3）也是本领域的惯用技术手段，因此，权利要求19不具备创造性。驳回决定所依据的文本为：申请日2013年09月02日提交的说明书第1-79段、说明书摘要、说明书附图图1-9、摘要附图以及2017年02月15日提交的权利要求第1-19项。驳回决定所针对的权利要求书如下：
“1. 一种混合推荐系统，包括：
离线测试模块，用于在数据集上离线测试推荐函数，并且还用于基于根据所述离线测试确定的性能指标来调节所述推荐函数；
在线测试模块，用于由在线测试系统促进所述推荐函数的在线测试；
由处理器执行的推荐引擎，用于从所述推荐函数的顶级表现集合生成推荐索引并且将所述推荐索引存储在数据存储中，所述推荐函数的顶级表现集合基于所述在线测试和离线测试确定；
选择模块，用于接收标识用户的当前活动的动态数据，并且在至少一个所述推荐索引上执行查找以确定候选推荐；以及
过滤器模块，用于基于过滤器或规则来选择所述候选推荐的一个或多个候选推荐以向所述用户展现，
其中所述性能指标包括查全率和查准率，其中所述查全率性能指标是置于购物车中匹配推荐的物品的数目与置于所述购物车中的物品的总数的比率，并且其中所述查准率性能指标是所述推荐被购买的百分比。
2. 根据权利要求1所述的混合推荐系统，其中所述离线测试模块用于从训练数据集生成至少一个所述推荐函数，所述训练数据集根据包括历史购买数据的数据集确定，并且用于测试来自测试数据集的所述推荐函数，所述测试数据集根据所述历史购买数据确定，其中所述训练数据集和所述测试数据集包括针对用于购买的交易的非重叠时间段。
3. 根据权利要求2所述的混合推荐系统，其中所述离线测试模块用于通过如下方式来测试来自所述测试数据集的所述推荐函数：基于所述测试数据集中的信息来确定所述推荐函数的推荐，并且基于所述推荐来测量所述性能指标。
4. 根据权利要求3所述的混合推荐系统，其中所述离线测试模块用于将所述测量的性能指标与基准进行比较，并且如果所述测量 的性能指标不满足所述基准，则改变所述至少一个推荐函数的可调节参数。
5. 根据权利要求1所述的混合推荐系统，其中所述在线测试系统模块用于将针对已经基于所述推荐函数由所述在线测试系统向其提供推荐的用户组的测量的指标，与针对没有向其给出推荐的对照组的测量的指标进行比较，并且基于所述比较评估所述推荐函数。
6. 根据权利要求5所述的混合推荐系统，其中所述指标包括宏观性能指标和微观性能指标，所述宏观性能指标包括每个顾客的平均购物车大小、每个购物车的平均销量以及每个顾客的平均销量中的至少一个，所述微观性能指标包括匹配针对顾客的推荐的物品和针对所述物品的点通率中的至少一个。
7. 根据权利要求5所述的混合推荐系统，其中所述在线测试模块用于基于对所述指标的所述评估而从所述推荐函数中选择具有最高性能的所述推荐函数的顶级表现集合。
8. 根据权利要求1所述的混合推荐系统，其中所述推荐函数包括支持评分函数、支持计数评分函数、置信评分函数以及余弦指标评分函数中的至少一个。
9. 根据权利要求1所述的混合推荐系统，其中所述推荐函数包括至少一个函数，所述至少一个函数包括用于购物车中物品的价格的参数，以及购买发生的地点和将要提供推荐的位置之间的距离。
10. 根据权利要求1所述的混合推荐系统，其中所述过滤器模块用于应用实时指标和规则来选择所述候选推荐以向所述用户递送。
11. 根据权利要求1所述的混合推荐系统，其中所述实时指标包括所述用户的当前位置以及由所述用户进行的近期购买。
12. 根据权利要求1所述的混合推荐系统，其中所述推荐包括针对要购买的产品的推荐或优惠券。
13. 根据权利要求1所述的混合推荐系统，其中所述推荐引擎执行所述推荐函数，以基于用于产品购买的交易数据、用户人口统 计学和产品信息，来标识产品集合之间的关联以及用户与产品之间的关联，并且所述关联被存储在所述索引中。
14. 根据权利要求1所述的混合推荐系统，其中所述索引被存储在服务器集群上，并且映射和简化任务并行地被执行以在所述索引上执行所述查找。
15. 一种混合推荐设备包括：
用于在数据集上离线测试推荐函数的装置；
用于基于根据所述离线测试确定的性能指标，调节所述推荐函数的装置；
用于促进由在线测试系统所述推荐函数的在线测试的装置；
用于从基于所述在线测试和离线测试而确定的所述推荐函数的顶级表现集合生成推荐索引的装置；
用于将所述推荐索引存储在数据存储中的装置；
用于接收标识用户的当前活动的动态数据的装置；
用于在至少一个所述推荐索引上执行查找以确定候选推荐的装置；以及
用于基于过滤器或规则，选择一个或多个所述候选推荐以向所述用户展现的装置，
其中所述性能指标包括查全率和查准率，其中所述查全率性能指标是置于购物车中匹配推荐的物品的数目与置于所述购物车中的物品的总数的比率，并且其中所述查准率性能指标是所述推荐被购买的百分比。
16. 根据权利要求15所述的混合推荐设备，其中所述用于离线测试的装置用于：
从训练数据集生成至少一个所述推荐函数，所述训练数据集根据包括历史购买数据的数据集确定；以及
测试来自测试数据集的所述推荐函数，所述测试数据集根据所述历史购买数据确定，其中所述训练数据集合和所述测试数据集包括针对用于购买的交易的非重叠时间段。
17. 根据权利要求15所述的混合推荐设备，其中所述用于离线测试的装置包括：用于基于所述测试数据集中的信息来确定所述推荐函数的推荐并且基于所述推荐来测量所述性能指标的装置。
18. 根据权利要求15所述的混合推荐设备，其中所述用于在线测试的装置包括：用于将针对已经基于所述推荐函数由所述在线测试系统向其提供推荐的用户组的测量的指标，与针对没有向其给出推荐的对照组的测量的指标进行比较的装置，以及
用于基于所述比较评估所述推荐函数，以选择所述推荐函数的所述顶级表现集合的装置。
19. 一种混合推荐系统，用于确定向用户展现的推荐以用于在线购物，所述系统包括：
离线测试模块，用于在数据集上离线测试推荐函数，并且还用于基于根据所述离线测试确定的性能指标来调节所述推荐函数；
在线测试模块，用于由在线测试系统促进所述推荐函数的在线测试；
由处理器执行的推荐引擎，用于从所述推荐函数的顶级表现集合生成推荐索引并且将所述推荐索引存储在数据存储中，所述推荐函数的顶级表现集合基于所述在线测试和离线测试确定；
选择模块，用于接收标识用户的当前活动的动态数据、所述用户的购买历史以及针对所述用户的偏好，并且基于所述用户的所述当前活动、所述购买历史和所述偏好，在至少一个所述推荐索引上执行查找以确定候选推荐，其中所述索引包括产品物品与产品物品的关联以及顾客与产品的关联；以及
过滤器模块，用于基于过滤器或规则来选择所述候选推荐的一个或多个候选推荐以向所述用户展现，
其中所述性能指标包括查全率和查准率，其中所述查全率性能指标是置于购物车中匹配推荐的物品的数目与置于所述购物车中的物品的总数的比率，并且其中所述查准率性能指标是所述推荐被购买的百分比。”
申请人（下称复审请求人）对上述驳回决定不服，于2017年08月21日向国家知识产权局提出了复审请求，但未修改申请文件。复审请求人认为：对比文件3公开的是覆盖率测量推荐系统能够进行预测的物品的百分比（参见对比文件3的第746页第3．7节）。然而，权利要求1记载的特征是“其中所述性能指标包括查全率和查准率，其中所述查全率性能指标是置于购物车中匹配推荐的物品的数目与置于所述购物车中的物品的总数的比率，并且其中所述查准率性能指标是所述推荐被购买的百分比”。因此，权利要求1与对比文件3评估的是不同的因素。即，权利要求1评估的是顾客的篮子中由推荐触发的物品的数目，而对比文件3评估的是推荐系统能够进行预测的物品的百分比。继而，对比文件3并没有公开或启示权利要求1中记载的“查全率性能指标”，更不会给出将上述特征用于对比文件1以进一步解决其技术问题的启示。
经形式审查合格，国家知识产权局于2017年08月29日依法受理了该复审请求，并将其转送至原审查部门进行前置审查。
原审查部门在前置审查意见书中认为：由于对比文件3已经公开了推荐系统性能指标包括查全率和查准率，虽然其具体计算方法与本申请不尽相同，但购物车是电子商务中常见的待购买项目列表，置于购物车中由推荐触发的物品的数目是衡量推荐系统性能的常用因素，因此“其中所述查全率性能指标是置于购物车中匹配推荐的物品的数目与置于所述购物车中的物品的总数的比率，并且其中所述查准率性能指标是所述推荐被购买的百分比”是本领域的惯用技术手段。因而坚持原驳回决定。
随后，国家知识产权局成立合议组对本案进行审理。
合议组于2018 年09 月28 日向复审请求人发出复审通知书，指出：权利要求1-19不具备专利法第22条第3款规定的创造性。对于复审请求人的意见陈述，合议组认为：虽然对比文件3公开的覆盖率是测量推荐系统能够进行预测的物品的百分比，与本申请查全率所设定的内容不同，但这是由于对比文件3与本申请应用于不同领域导致的，对比文件3是一种应用于媒体内容的推荐系统，本申请是一种应用于在线购物的推荐系统，因此应用于不同领域的推荐系统在其衡量推荐性能指标的查全率和查准率的设定上也会有所不同。但是对于本领域技术人员来说，由于对比文件3已经公开了推荐系统性能指标包括查全率和查准率，那么在此基础上，本领域技术人员为了更准确的评估本申请的在线购物推荐系统的推荐效果，很容易想到将查全率和查准率性能指标设定为更适用于在线购物推荐系统的性能指标，即将查全率性能指标设定为置于购物车中匹配推荐的物品的数目与置于购物车中的物品的总数的比率，以及将查准率性能指标设定为推荐被购买的物品的数目与购买的物品的总数的百分比，这些都属于在在线购物推荐系统中对查全率和查准率性能指标的常规设定，属于本领域惯用技术手段。
复审请求人于2018年11月13日提交了意见陈述书，同时修改了权利要求1、15、19。复审请求人认为：权利要求1中新增加的技术特征都没有被对比文件1-3公开，有了上述新增加的技术特征，权利要求1可以实现诸多技术优势。例如，评分函数的结果可以得到改进，例如可调值越大，历史交易就越不重要。现有技术不能达到同样的技术效果。新修改的权利要求1、15、19如下：
“1. 一种混合推荐系统，包括：
离线测试模块，用于在数据集上离线测试多个推荐函数，并且还用于基于根据所述离线测试确定的性能指标来调节所述多个推荐函数；
在线测试模块，用于由在线测试系统促进所述多个推荐函数的在线测试，其中所述在线测试模块被配置成关于不同的用户对所述多个推荐函数进行不同地改变；
推荐函数优化器，基于性能指标对所述多个推荐函数中的可调节参数进行优化；
由处理器执行的推荐引擎，用于从所述多个推荐函数的顶级表现集合生成推荐索引并且将所述推荐索引存储在数据存储中，所述多个推荐函数的顶级表现集合基于所述在线测试、离线测试和优化来确定；
选择模块，用于接收标识用户的当前活动的动态数据，并且在至少一个所述推荐索引上执行查找以确定候选推荐；以及
过滤器模块，用于基于过滤器或规则来选择所述候选推荐的一个或多个候选推荐以向所述用户展现，
其中所述性能指标包括查全率和查准率，其中所述查全率性能指标是置于购物车中匹配推荐的物品的数目与置于所述购物车中的物品的总数的比率，并且其中所述查准率性能指标是所述推荐被购买的百分比。”
“15. 一种混合推荐设备包括：
用于在数据集上离线测试多个推荐函数的装置；
用于基于根据所述离线测试确定的性能指标，调节所述多个推荐函数的装置；
用于促进由在线测试系统所述推荐函数的在线测试的装置，使得所述多个推荐函数随着不同的用户进行不同地改变；
用于基于性能指标对所述多个推荐函数中的可调节参数进行优化的装置；
用于从基于所述在线测试和离线测试而确定的所述多个推荐函数的顶级表现集合生成推荐索引的装置；
用于将所述推荐索引存储在数据存储中的装置；
用于接收标识用户的当前活动的动态数据的装置；
用于在至少一个所述推荐索引上执行查找以确定候选推荐的装置；以及
用于基于过滤器或规则，选择一个或多个所述候选推荐以向所述用户展现的装置，
其中所述性能指标包括查全率和查准率，其中所述查全率性能指标是置于购物车中匹配推荐的物品的数目与置于所述购物车中的物品的总数的比率，并且其中所述查准率性能指标是所述推荐被购买的百分比。”
“19. 一种混合推荐系统，用于确定向用户展现的推荐以用于在线购物，所述系统包括：
离线测试模块，用于在数据集上离线测试多个推荐函数，并且还用于基于根据所述离线测试确定的性能指标来调节所述多个推荐函数；
在线测试模块，用于由在线测试系统促进所述多个推荐函数的在线测试，其中所述在线测试模块被配置成关于不同的用户对所述多个推荐函数进行不同地改变；
推荐函数优化器，基于性能指标对所述多个推荐函数中的可调节参数进行优化；
由处理器执行的推荐引擎，用于从所述多个推荐函数的顶级表现集合生成推荐索引并且将所述推荐索引存储在数据存储中，所述推荐 函数的顶级表现集合基于所述在线测试和离线测试确定；
选择模块，用于接收标识用户的当前活动的动态数据、所述用户的购买历史以及针对所述用户的偏好，并且基于所述用户的所述当前活动、所述购买历史和所述偏好，在至少一个所述推荐索引上执行查找以确定候选推荐，其中所述索引包括产品物品与产品物品的关联以及顾客与产品的关联；以及
过滤器模块，用于基于过滤器或规则来选择所述候选推荐的一个或多个候选推荐以向所述用户展现，
其中所述性能指标包括查全率和查准率，其中所述查全率性能指标是置于购物车中匹配推荐的物品的数目与置于所述购物车中的物品的总数的比率，并且其中所述查准率性能指标是所述推荐被购买的百分比。”
合议组于2019 年03 月13 日向复审请求人发出复审通知书，指出：权利要求1-19仍然不具备专利法第22条第3款规定的创造性。对于复审请求人的意见陈述，合议组认为：虽然新增加的技术特征都没有被对比文件1-3公开，但是，对于推荐函数改变的相关内容，由于不同的用户间存在个体差异，因此，基于不同的用户对在线测试模块中的推荐函数进行不同的改变，以使得推荐函数适合不同的用户，这属于本领域惯用技术手段。至于推荐函数优化器的相关内容，对于本领域技术人员来说，为了提供最优的推荐函数，很容易想到基于性能指标对推荐函数中的可调节参数进行优化，以此来优化推荐结果，这也属于本领域惯用技术手段。
复审请求人于2019年04月08日提交了意见陈述书，同时修改了权利要求1、15、19。复审请求人认为：修改后的权利要求1记载了可以推荐一起购买的成对产品。说明书可以看出成对产品不是同类产品。对比文件1使用聚类分析来进行产品推荐，聚类模型可以实现机器学习，学习目标是通过此生成过程中项目的对数似然总和最大化整个集群内一致性。对比文件1使用机器学习中推荐的产品属于一个集群，属于同类产品，而不是成对产品。对比文件2涉及通过最佳代理的推荐来推荐媒体内容，最佳代理意味着只能推荐一个表现最佳的代理，不能推荐成对购买的产品。对比文件3向用户推荐过去在口味和偏好上相似的产品，推荐的是同类产品，而没有推荐一起购买的属于不同种类的成对产品。新修改的权利要求1、15、19如下：
“1. 一种混合推荐系统，包括：
离线测试模块，用于在数据集上离线测试多个推荐函数，并且还用于基于根据所述离线测试确定的性能指标来调节所述多个推荐函数，其中所述多个推荐函数标识一起购买的成对产品；
在线测试模块，用于由在线测试系统促进所述多个推荐函数的在线测试，其中所述在线测试模块被配置成关于不同的用户对所述多个推荐函数进行不同地改变；
推荐函数优化器，基于性能指标对所述多个推荐函数中的可调节参数进行优化；
由处理器执行的推荐引擎，用于从所述多个推荐函数的顶级表现集合生成推荐索引并且将所述推荐索引存储在数据存储中，所述多个推荐函数的顶级表现集合基于所述在线测试、离线测试和优化来确定，其中一起购买的成对产品之间的关联被所述推荐引擎确定；
选择模块，用于接收标识用户的当前活动的动态数据，并且在至少一个所述推荐索引上执行查找以确定候选推荐；以及
过滤器模块，用于基于过滤器或规则来选择所述候选推荐的一个或多个候选推荐以向所述用户展现，
其中所述性能指标包括查全率和查准率，其中所述查全率性能指标是置于购物车中匹配推荐的物品的数目与置于所述购物车中的物品的总数的比率，并且其中所述查准率性能指标是所述推荐被购买的百分比。”
“15. 一种混合推荐设备包括：
用于在数据集上离线测试多个推荐函数的装置，其中所述多个推荐函数标识一起购买的成对产品；
用于基于根据所述离线测试确定的性能指标，调节所述多个推荐函数的装置；
用于促进由在线测试系统所述推荐函数的在线测试的装置，使得所述多个推荐函数随着不同的用户进行不同地改变；
用于基于性能指标对所述多个推荐函数中的可调节参数进行优化的装置；
用于从基于所述在线测试和离线测试而确定的所述多个推荐函数的顶级表现集合生成推荐索引的装置，其中一起购买的成对产品之间的关联被用于生成推荐索引的装置确定；
用于将所述推荐索引存储在数据存储中的装置；
用于接收标识用户的当前活动的动态数据的装置；
用于在至少一个所述推荐索引上执行查找以确定候选推荐的装置；以及
用于基于过滤器或规则，选择一个或多个所述候选推荐以向所述用户展现的装置，
其中所述性能指标包括查全率和查准率，其中所述查全率性能指 标是置于购物车中匹配推荐的物品的数目与置于所述购物车中的物品的总数的比率，并且其中所述查准率性能指标是所述推荐被购买的百分比。”
“19. 一种混合推荐系统，用于确定向用户展现的推荐以用于在线购物，所述系统包括：
离线测试模块，用于在数据集上离线测试多个推荐函数，并且还用于基于根据所述离线测试确定的性能指标来调节所述多个推荐函数，其中所述多个推荐函数标识一起购买的成对产品；
在线测试模块，用于由在线测试系统促进所述多个推荐函数的在线测试，其中所述在线测试模块被配置成关于不同的用户对所述多个推荐函数进行不同地改变；
推荐函数优化器，基于性能指标对所述多个推荐函数中的可调节参数进行优化；
由处理器执行的推荐引擎，用于从所述多个推荐函数的顶级表现集合生成推荐索引并且将所述推荐索引存储在数据存储中，所述推荐函数的顶级表现集合基于所述在线测试和离线测试确定，其中一起购买的成对产品之间的关联被所述推荐引擎确定；
选择模块，用于接收标识用户的当前活动的动态数据、所述用户的购买历史以及针对所述用户的偏好，并且基于所述用户的所述当前活动、所述购买历史和所述偏好，在至少一个所述推荐索引上执行查找以确定候选推荐，其中所述索引包括产品物品与产品物品的关联以及顾客与产品的关联；以及
过滤器模块，用于基于过滤器或规则来选择所述候选推荐的一个或多个候选推荐以向所述用户展现，
其中所述性能指标包括查全率和查准率，其中所述查全率性能指标是置于购物车中匹配推荐的物品的数目与置于所述购物车中的物品的总数的比率，并且其中所述查准率性能指标是所述推荐被购买的百分比。”
在上述程序的基础上，合议组认为本案事实已经清楚，可以作出审查决定。
二、决定的理由
审查文本的认定
复审请求人于2019年04月08日答复复审通知书时，提交了权利要求书全文修改替换页（共19项权利要求）。经审查，所述修改符合专利法第33条和专利法实施细则第61条第1款的规定。
因此，本复审决定所依据的文本为：申请日2013年09月02日提交的说明书第1-79段、说明书摘要、说明书附图图1-9、摘要附图以及2019年04月08日提交的权利要求第1-19项。
关于专利法第22条第3款
专利法第22条第3款规定：创造性，是指与现有技术相比，该发明具有突出的实质性特点和显著的进步，该实用新型具有实质性特点和进步。
若一项权利要求所请求保护的技术方案与作为最接近现有技术的对比文件相比存在多个区别特征，其中部分区别特征已被其他对比文件公开，部分区别特征属于本领域的惯用技术手段，那么在该作为最接近现有技术的对比文件的基础上结合其他对比文件以及本领域的惯用技术手段得到该项权利要求的技术方案，对本领域技术人员来说是显而易见的，则该项权利要求不具备创造性。
本复审决定中引用的对比文件与复审通知书及驳回决定中引用的对比文件相同，即：
对比文件1：US 2011184806A1，公开日2011年07月28日；
对比文件2：CN 1586080A，公开日2005年02月23日；
对比文件3：“Toward the Next Generation of Recommender Systems: A Survey of the State-of-the-Art and Possible Extensions”，G Adomavicius 等，《IEEE Transactions on Knowledge & Data Engineering》，第17卷第6期，第734-749页，公开日2005年06月30日；
其中，对比文件1为最接近的现有技术。
（2.1）权利要求1
权利要求1请求保护一种混合推荐系统。对比文件1公开了一种基于概率论的项目推荐方法，并具体公开了以下的特征（参见说明书第[0002]、[0017]-[0028]、[0049]、[0060]、[0063]、[0071]-[0080]、[0083]-[0097]、[0100]、[0104]-[0105]、[0114]-[0124]、[0139]、[0141]、[0143]段，附图7、9、13）：
对近期的产品进行聚类评估并生成推荐排名模型，使用eBay的真实电子商务数据进行离线模拟以及在线测试，其中离线评估可以被引导到一个合理的目标函数进行项目、产品数据聚类，目标函数是一个用于推荐项目的原则计分函数，该函数考虑到项目-产品关系、基于历史交易的产品购买概率以及售卖结束时间等因素、ROC点击曲线、点击通过率等性能指标，该离线仿真模拟可能构成一个潜在的项目购买措施，可能有助于增加销售收入或者提高用户关于识别值得购买产品的满意度（相当于离线测试模块，用于在数据集上离线测试推荐函数，并且还用于基于根据离线测试确定的性能指标来调节推荐函数）；
对近期的产品进行聚类评估并生成推荐排名模型，使用eBay的真实电子商务数据进行离线模拟以及在线测试，其中在最近的测试中，测试系统与现有系统相比产生了显著地改进效果，在线测试可以在真实的环境中评估与现有模型相比新模型的效果（相当于在线测试模块，用于由在线测试系统促进推荐函数的在线测试）；
图13中的机器1300包括处理器，用于执行功能代码，图7阐释了聚类及推荐器610，包括概率模块720、确定模块730、评估模块740、推荐模块750（相当于由处理器执行的推荐引擎），推荐结果可以利用朴素贝叶斯分类器（相当于推荐函数）、基于历史交易或行为数据的排名项目生成，如朴素贝叶斯分类器等计分函数考虑到项目-产品关系、基于历史交易的产品购买概率以及售卖结束时间等因素、ROC点击曲线、点击通过率等性能指标（相当于推荐函数基于在线测试和离线测试确定），通过推荐机器的确定模块发现的项目与聚类簇之间的对应关系的映射文件（相当于推荐索引）、偏好数据、项目数据等都存储在数据库中（相当于从推荐函数生成推荐索引并且将推荐索引存储在数据存储中）；
在线产品推荐，触发事件可以是产品交易，例如网络服务器与潜在顾客机器之间的网络通信，机器可基于用户推荐考虑来促建产品的呈现（相当于选择模块，用于接收标识用户的当前活动的动态数据），推荐可以由候选推荐生成，访问模块访问卖家生成以及数据库中存储的产品数据和偏好数据，图9显示了存储产品与聚类簇之间的映射文件，在查询时使用映射文件进行推荐产品查找（相当于在至少一个推荐索引上执行查找以确定候选推荐）；
推荐可以由候选项目中产生，机器也可以通过对候选项目排名、过滤来增强推荐结果（相当于过滤器模块，用于基于过滤器或规则来选择候选推荐的一个或多个候选推荐以向用户展现）。
该权利要求与对比文件1相比，区别技术特征为：（1）推荐函数的顶级表现集合；所述在线测试模块被配置成关于不同的用户对所述多个推荐函数进行不同的改变；推荐函数优化器，基于性能指标对所述多个推荐函数中的可调节参数进行优化；所述多个推荐函数的顶级表现集合还基于优化来确定；其中所述多个推荐函数标识一起购买的成对产品，一起购买的成对产品之间的关联被所述推荐引擎确定；（2）所述性能指标包括查全率和查准率，其中所述查全率性能指标是置于购物车中匹配推荐的物品的数目与置于所述购物车中的物品的总数的比率，并且其中所述查准率性能指标是所述推荐被购买的百分比。基于上述区别，该权利要求请求保护的技术方案要解决的问题是：如何选取最优推荐函数并评估推荐效果。
对于区别技术特征（1），对比文件2公开了一种创建用于推荐媒体内容的代理，并具体公开了以下的特征（参见说明书第3页第31行至32行、第4页第13行、第6页第31行至第7页第1行、第7页第16行、第8页第4行至26行、第11页第15行至23行、第13页第20行至第14页第9行）：
在线系统103和离线系统110可以理解为是两个用于对代理进行综合控制的合作系统，在线系统和离线系统具有公用的数据库；
代理（相当于推荐函数）可以包括优选的媒体内容简档及匹配该媒体内容简档的算法，匹配媒体内容简档的算法可以存储在一组逻辑规则中，在简档与关于媒体内容信息匹配的情况下，实例中的得分=0.85就是对这个媒体内容的结果推荐得分，代理可以通过离线系统进行学习，由于如关于最近历史相关性反馈的平均性能等参数可以是学习的结果，因此让代理进行学习过程包括让代理从内部调节其简档参数与正确答案匹配；
CPU控制代理数据库的更新与分级，代理可以由离线系统选择并拷贝到在线系统，代理可以由离线系统进行分级和推荐，只有最佳代理将继续存在而被推荐，在线系统可以从列表中挑选具有最佳性能的代理（相当于推荐函数的顶级表现集合）。
上述特征在对比文件2中的作用与在该权利要求中相同，都通过选取最佳的顶级推荐函数从而得到最优推荐函数，因此对比文件2给出了将上述特征用于对比文件1以进一步解决其技术问题的启示。
至于其它的特征：由于不同的用户间存在个体差异，因此，基于不同的用户对在线测试模块中的推荐函数进行不同的改变，以使得推荐函数适合不同的用户，这属于本领域惯用技术手段。至于推荐函数优化器，对于本领域技术人员来说，为了提供最优的推荐函数，很容易想到基于性能指标对推荐函数中的可调节参数进行优化，以此来优化推荐结果，以及在执行推荐时还考虑优化数据，也都属于本领域惯用技术手段。至于多个推荐函数标识一起购买的成对产品，一起购买的成对产品之间的关联被推荐引擎确定，对于本领域技术人员来说，虽然对比文件1中是使用聚类分析进行产品推荐，推荐的产品属于一个集群，即属于同类产品，但是为了提供最优的推荐函数，这里最优的推荐函数可以是指符合用户需求的最优推荐函数，用户需求可以是被推荐同类产品、可以是被推荐成对产品，这都是可以根据用户实际需求而灵活设定的，因此，多个推荐函数标识一起购买的成对产品，产品间的关联被推荐引擎确定，属于本领域技术人员根据实际推荐需求而很容易想到的，也属于本领域惯用技术手段。
对于区别技术特征（2），对比文件3公开了一种创建用于推荐媒体内容的代理，并具体公开了以下的特征（参见第746页第3.7节）：在推荐系统中，推荐算法表现的评估常以覆盖率和准确率作为性能指标；覆盖率测量的是推荐系统能够进行预测项目的百分比；准确率的测量可以是统计意义的或决策支持，统计意义准确率指标比较估计分数与实际分数的关系（相当于性能指标包括查全率和查准率）。
上述特征在对比文件3中的作用与在该权利要求中相同，都是基于性能指标的测量来评估推荐效果，因此对比文件3给出了将上述特征用于对比文件1以进一步解决其技术问题的启示。
由于对比文件3是一种基于媒体内容的推荐系统，本申请是一种基于在线购物的推荐系统，那么其衡量推荐系统性能指标的查全率和查准率的方式也会有所不同，这是由于其应用于不同领域导致的。但是对于本领域技术人员来说，在对比文件3已经公开了推荐系统性能指标包括查全率和查准率的基础上，为了更准确的评估本申请的在线购物推荐系统的推荐效果，很容易想到将查全率和查准率性能指标设定为更适用于在线购物推荐系统的性能指标，即将查全率性能指标设定为置于购物车中匹配推荐的物品的数目与置于购物车中的物品的总数的比率，以及将查准率性能指标设定为推荐被购买的物品的数目与购买的物品的总数的百分比，这些都属于在在线购物推荐系统中对查全率和查准率性能指标的常规设定，属于本领域惯用技术手段。
由此可见，在对比文件1的基础上结合对比文件2、对比文件3以及本领域惯用技术手段，以获得该权利要求请求保护的技术方案，对本领域技术人员来说是显而易见的。因此该权利要求所要求保护的技术方案不具备突出的实质性特点和显著的进步，不具备专利法第22条第3款规定的创造性。
（2.2）权利要求2
对于权利要求2的附加技术特征，对比文件1公开了（参见说明书第[0074]-[0075]段）：可以用训练期间的产品和交易数据进行学习，得到潜在的产品和推荐模型，从而生成计分函数（相当于离线测试模块用于从训练数据集生成至少一个推荐函数）；产品的推荐基于历史交易数据，历史交易数据的部分作为训练数据集、部分作为测试数据集，对于测试阶段的交易数据，一些实施例构成了一个基于时间顺序评估的全局连续偏好项目组串，然后计分函数可以应用于测试项目组进行计分以及排名（相当于训练数据集根据包括历史购买数据的数据集确定，并且用于测试来自测试数据集的推荐函数，测试数据集根据历史购买数据确定）；选取项目一个月的交易数据作为训练数据，其随后一周的数据作为测试数据（相当于训练数据集和测试数据集包括针对用于购买的交易的非重叠时间段）。由此可见，当其引用的权利要求不具备创造性时，该从属权利要求也不具备专利法第22条第3款规定的创造性。
（2.3）权利要求3
对于权利要求3的附加技术特征，对比文件1公开了（参见说明书第[0071]、[0074]段）：可以用训练期间的项目或产品和交易数据进行学习，得到潜在的产品和推荐模型，从而生成共同偏好组的计分函数，然后计分函数可以应用于测试项目组进行计分以及排名，而后确定推荐结果（相当于基于测试数据集中的信息来确定推荐函数的推荐）。对比文件3公开了以下的特征（参见第746页第3.7节）：在推荐系统中，推荐算法表现的评估常以覆盖率和准确率作为性能指标（相当于基于推荐来测量性能指标）。由此可见，当其引用的权利要求不具备创造性时，该从属权利要求也不具备专利法第22条第3款规定的创造性。
（2.4）权利要求4
对于权利要求4的附加技术特征，对比文件1公开了（参见说明书第[0074]-[0078]段）：离线评估中，对于每种类型的正反馈，对数价格得分与偏好基准相比较，这样可以显示种子项目的附加价值（相当于离线测试模块用于将测量的性能指标与基准进行比较）；多种反馈类型可以见证推荐模型对不同关键性能指标的优化（相当于如果测量的性能指标不满足基准，则改变至少一个推荐函数的可调节参数）。由此可见，当其引用的权利要求不具备创造性时，该从属权利要求也不具备专利法第22条第3款规定的创造性。
（2.5）权利要求5
对于权利要求5的附加技术特征，对于本领域技术人员来说，对已提供推荐用户和未提供推荐用户选取测量指标进行比较，从而评估推荐系统的效果，是网络推荐系统评测中常规的评估手段，因而该权利要求的附加技术特征是本领域的常规技术选择，属于本领域惯用技术手段。由此可见，当其引用的权利要求不具备创造性时，该从属权利要求也不具备专利法第22条第3款规定的创造性。
（2.6）权利要求6
对于权利要求6的附加技术特征，对于本领域技术人员来说，每个顾客的平均购物车大小、每个购物车的平均销量、每个顾客的平均销量、针对顾客的推荐的物品、针对物品的点通率都是网络购物中的常见性能指标，因而该权利要求附加技术特征中的宏观性能指标和微观性能指标是本领域的常规技术选择，属于本领域惯用技术手段。由此可见，当其引用的权利要求不具备创造性时，该从属权利要求也不具备专利法第22条第3款规定的创造性。
（2.7）权利要求7
对于权利要求7的附加技术特征，对比文件2公开了（参见说明书第3页第31行至32行、第4页第13行、第6页第31行至第7页第1行、第7页第16行、第8页第4行至26行、第11页第15行至23行、第13页第20行至第14页第9行）：由于如关于最近历史相关性反馈的平均性能等代理参数可以是学习的结果，因此让代理进行学习过程包括让代理从内部调节其简档参数与正确答案匹配（相当于对指标的评估）；CPU控制代理数据库的更新与分级，代理可以由离线系统选择并拷贝到在线系统，代理可以由离线系统进行分级和推荐，只有最佳代理将继续存在而被推荐，在线系统可以从列表中挑选具有最佳性能的代理（相当于在线测试模块用于基于对指标的评估而从推荐函数中选择具有最高性能的推荐函数的顶级表现集合）。由此可见，当其引用的权利要求不具备创造性时，该从属权利要求也不具备专利法第22条第3款规定的创造性。
（2.8）权利要求8
对于权利要求8的附加技术特征，对于本领域技术人员来说，支持评分函数、支持计数评分函数、置信评分函数以及余弦指标评分函数都是推荐系统中常见的评分函数，因此该权利要求的附加技术特征是本领域的常规技术选择，属于惯用技术手段。由此可见，当其引用的权利要求不具备创造性时，该从属权利要求也不具备专利法第22条第3款规定的创造性。
（2.9）权利要求9
对于权利要求9的附加技术特征，对比文件3公开了（参见第744页第3.3节）：在推荐产品时，为推荐系统增加情景信息，例如时间、地点、用户公司等。即对比文件3公开了在推荐系统中使用位置信息，产品购买地点以及将要提供推荐的位置都是在线购物中常规的位置信息，因而设置推荐函数包括“购买发生的地点和将要提供推荐的位置之间的距离”是本领域常规技术选择；而在进行物品推荐时，用户购物车中现有物品的价格是影响推荐结果的常规因素，因而设置推荐函数包括“用于购物车中物品的价格的参数”，也是本领域常规技术选择。因此该权利要求的附加技术特征属于本领域惯用技术手段。由此可见，当其引用的权利要求不具备创造性时，该从属权利要求也不具备专利法第22条第3款规定的创造性。
（2.10）权利要求10
对于权利要求10的附加技术特征，对比文件1公开了（参见说明书第[0002]、[0020]-[0023]、[0090]、[0114]-[0115]段）：推荐可以由候选项目中产生，机器也可以通过对候选项目过滤来增强推荐结果（相当于过滤器模块用于应用规则来选择候选推荐以向用户递送）。对比文件3公开了（参见第744页第3.3节）：在推荐产品时，为推荐系统增加情景信息，例如时间、地点、用户公司等（相当于过滤器模块用于应用实时指标来选择候选推荐以向用户递送）。由此可见，当其引用的权利要求不具备创造性时，该从属权利要求也不具备专利法第22条第3款规定的创造性。
（2.11）权利要求11
对于权利要求11的附加技术特征，对比文件3公开了（参见第744页第3.3节）：在推荐产品时，为推荐系统增加情景信息，例如时间、地点、用户公司等（相当于实时指标包括用户的当前位置）。而用户近期购买的产品是推荐系统中常规的过滤规则，因而该权利要求的其余附加技术特征是本领域惯用技术手段。由此可见，当其引用的权利要求不具备创造性时，该从属权利要求也不具备专利法第22条第3款规定的创造性。
（2.12）权利要求12
对于权利要求12的附加技术特征，对于本领域技术人员来说，产品或优惠劵都属于推荐系统中常见的商品或商业促销手段，设置其任一为推荐结果都是本领域的常规技术选择，属于惯用技术手段。由此可见，当其引用的权利要求不具备创造性时，该从属权利要求也不具备专利法第22条第3款规定的创造性。
（2.13）权利要求13
对于权利要求13的附加技术特征，对比文件1公开了（参见说明书第[0020]-[0028]、[0074]、[0079]、[0105]、[0049]、[0084]、[0104]、[0124]、[0124]段，附图7、9、13）：通过推荐机器（相当于推荐引擎）进行推荐产品查找，利用朴素贝叶斯分类器（相当于推荐函数）由基于历史交易或行为数据的排名项目生成推荐结果（相当于推荐引擎执行推荐函数）。而用于产品购买的交易数据、用户人口统计学和产品信息都是推荐系统的大数据计算中常规的数据源，产品集合之间的关联属于基于项目-项目相关度的推荐、用户与产品之间的关联属于基于用户-项目相关度的推荐，都是推荐系统中的常用推荐方法，因而利用上述数据源进行产品集合之间的关联以及用户与产品之间的关联标识、并将关联存储在索引中，是本领域的常规技术选择，属于惯用技术手段。由此可见，当其引用的权利要求不具备创造性时，该从属权利要求也不具备专利法第22条第3款规定的创造性。
（2.14）权利要求14
对于权利要求14的附加技术特征，对比文件1公开了（参见说明书第[0118]-[0124]、[0141]段，附图7、9、13）：映射文件存储在数据库以供聚类器和推荐器中的任何模块使用，因此确定模块用于存储表示项目和聚类簇之间关系的映射文件（相当于索引被存储在服务器集群上）；推荐可以由候选推荐生成，访问模块访问卖家生成以及数据库中存储的产品数据和偏好数据，图9显示了存储产品与聚类簇之间的映射文件，在查询时使用映射文件进行推荐产品查找（相当于映射被执行以在索引上执行查找）；而任务简化是计算机程序处理中的常规设置，将其应用于推荐系统中与映射并行执行，以提高查找效率，是是本领域的常规技术选择，属于惯用技术手段。由此可见，当其引用的权利要求不具备创造性时，该从属权利要求也不具备专利法第22条第3款规定的创造性。
（2.15）权利要求15-18
权利要求15-18请求包括一种产品权利要求，参见权利要求1-3、5及7关于创造性的评述，基于相似的理由，在对比文件1的基础上结合对比文件2、对比文件3以及本领域惯用技术手段，以获得权利要求15-18请求保护的技术方案，对本领域技术人员来说也是显而易见的，因此权利要求15-18所要求保护的技术方案也不具备突出的实质性特点和显著的进步，不具备专利法第22条第3款规定的创造性。
（2.16）权利要求19
权利要求19请求保护一种混合推荐系统。对比文件1公开了一种基于概率论的项目推荐方法，并具体公开了以下的特征（参见说明书第[0002]、[0017]-[0028]、[0049]、[0060]、[0063]、[0071]- [0080]、[0083]-[0097]、[0100]、[0104] -[0105]、[0114]- [0124]、[0139]、[0141]、[0143]段，附图7、9、13）：
对近期的产品进行聚类评估并生成推荐排名模型，使用eBay的真实电子商务数据进行离线模拟以及在线测试（相当于混合推荐系统用于确定向用户展现的推荐以用于在线购物），其中离线评估可以被引导到一个合理的目标函数进行项目、产品数据聚类，目标函数是一个用于推荐项目的原则计分函数，该函数考虑到项目-产品关系、基于历史交易的产品购买概率以及售卖结束时间等因素、ROC点击曲线、点击通过率等性能指标，该离线仿真模拟可能构成一个潜在的项目购买措施，可能有助于增加销售收入或者提高用户关于识别值得购买产品的满意度（相当于离线测试模块，用于在数据集上离线测试推荐函数，并且还用于基于根据离线测试确定的性能指标来调节推荐函数）；
对近期的产品进行聚类评估并生成推荐排名模型，使用eBay的真实电子商务数据进行离线模拟以及在线测试，其中在最近的测试中，测试系统与现有系统相比产生了显著地改进效果，在线测试可以在真实的环境中评估与现有模型相比新模型的效果（相当于在线测试模块，用于由在线测试系统促进推荐函数的在线测试）；
图13中的机器1300包括处理器，用于执行功能代码，图7阐释了聚类及推荐器610，包括概率模块720、确定模块730、评估模块740、推荐模块750（相当于由处理器执行的推荐引擎），推荐结果可以利用朴素贝叶斯分类器（相当于推荐函数）、基于历史交易或行为数据的排名项目生成，如朴素贝叶斯分类器等计分函数考虑到项目-产品关系、基于历史交易的产品购买概率以及售卖结束时间等因素、ROC点击曲线、点击通过率等性能指标（相当于推荐函数基于在线测试和离线测试确定），通过推荐机器的确定模块发现的项目与聚类簇之间的对应关系的映射文件（相当于推荐索引）、偏好数据、项目数据等都存储在数据库中（相当于从推荐函数生成推荐索引并且将推荐索引存储在数据存储中）；
在线产品推荐，触发事件可以是产品交易，例如网络服务器与潜在顾客机器之间的网络通信，机器可基于用户推荐考虑来促建产品的呈现（相当于选择模块用于接收标识用户的当前活动的动态数据），推荐可以由候选推荐生成，访问模块访问卖家生成以及数据库中存储的产品数据和偏好数据，图9显示了存储产品与聚类簇之间的映射文件，在查询时使用映射文件进行推荐产品查找（相当于在至少一个推荐索引上执行查找以确定候选推荐）；
推荐可以由候选项目中产生，机器也可以通过对候选项目排名、过滤来增强推荐结果（相当于过滤器模块，基于过滤器或规则来选择候选推荐的一个或多个候选推荐以向用户展现）。
该权利要求与对比文件1相比，区别技术特征为：（1）推荐函数的顶级表现集合；所述在线测试模块被配置成关于不同的用户对所述多个推荐函数进行不同的改变；推荐函数优化器，基于性能指标对所述多个推荐函数中的可调节参数进行优化；其中所述多个推荐函数标识一起购买的成对产品，一起购买的成对产品之间的关联被所述推荐引擎确定；（2）所述性能指标包括查全率和查准率，其中所述查全率性能指标是置于购物车中匹配推荐的物品的数目与置于所述购物车中的物品的总数的比率，并且其中所述查准率性能指标是所述推荐被购买的百分比；（3）接收用户的购买历史以及针对所述用户的偏好，并且基于所述用户的所述当前活动、所述购买历史和所述偏好，索引包括产品物品与产品物品的关联以及顾客与产品的关联。基于上述区别，该权利要求请求保护的技术方案要解决的问题是：（1）如何选取最优推荐函数；（2）如何评估推荐效果；（3）如何构建产品、顾客的关联。
对于区别技术特征（1），对比文件2公开了一种创建用于推荐媒体内容的代理，并具体公开了以下的特征（参见说明书第3页第31行至32行、第4页第13行、第6页第31行至第7页第1行、第7页第16行、第8页第4行至26行、第11页第15行至23行、第13页第20行至第14页第9行）：
在线系统103和离线系统110可以理解为是两个用于对代理进行综合控制的合作系统，在线系统和离线系统具有公用的数据库；
代理（相当于推荐函数）可以包括优选的媒体内容简档及匹配该媒体内容简档的算法，匹配媒体内容简档的算法可以存储在一组逻辑规则中，在简档与关于媒体内容信息匹配的情况下，实例中的得分=0.85就是对这个媒体内容的结果推荐得分，代理可以通过离线系统进行学习，由于如关于最近历史相关性反馈的平均性能等参数可以是学习的结果，因此让代理进行学习过程包括让代理从内部调节其简档参数与正确答案匹配；
CPU控制代理数据库的更新与分级，代理可以由离线系统选择并拷贝到在线系统，代理可以由离线系统进行分级和推荐，只有最佳代理将继续存在而被推荐，在线系统可以从列表中挑选具有最佳性能的代理（相当于推荐函数的顶级表现集合）。
上述特征在对比文件2中的作用与在该权利要求中相同，都通过选取最佳的顶级推荐函数从而得到最优推荐函数，因此对比文件2给出了将上述特征用于对比文件1以进一步解决其技术问题的启示。
至于其它的特征：由于不同的用户间存在个体差异，因此，基于不同的用户对在线测试模块中的推荐函数进行不同的改变，以使得推荐函数适合不同的用户，这属于本领域惯用技术手段。至于推荐函数优化器，对于本领域技术人员来说，为了提供最优的推荐函数，很容易想到基于性能指标对推荐函数中的可调节参数进行优化，以此来优化推荐结果，这也属于本领域惯用技术手段。至于多个推荐函数标识一起购买的成对产品，一起购买的成对产品之间的关联被推荐引擎确定，对于本领域技术人员来说，虽然对比文件1中是使用聚类分析进行产品推荐，推荐的产品属于一个集群，即属于同类产品，但是为了提供最优的推荐函数，这里最优的推荐函数可以是指符合用户需求的最优推荐函数，用户需求可以是被推荐同类产品、可以是被推荐成对产品，这都是可以根据用户实际需求而灵活设定的，因此，多个推荐函数标识一起购买的成对产品，产品间的关联被推荐引擎确定，属于本领域技术人员根据实际推荐需求而很容易想到的，也属于本领域惯用技术手段。
对于区别技术特征（2），对比文件3公开了一种创建用于推荐媒体内容的代理，并具体公开了以下的特征（参见第746页第3.7节）：在推荐系统中，推荐算法表现的评估常以覆盖率和准确率作为性能指标；覆盖率测量的是推荐系统能够进行预测项目的百分比；准确率的测量可以是统计意义的或决策支持，统计意义准确率指标比较估计分数与实际分数的关系（相当于性能指标包括查全率和查准率）。
上述特征在对比文件3中的作用与在该权利要求中相同，都是基于性能指标的测量来评估推荐效果，因此对比文件3给出了将上述特征用于对比文件1以进一步解决其技术问题的启示。
由于对比文件3是一种基于媒体内容的推荐系统，本申请是一种基于在线购物的推荐系统，那么其衡量推荐系统性能指标的查全率和查准率的方式也会有所不同，这是由于其应用于不同领域导致的。但是对于本领域技术人员来说，在对比文件3已经公开了推荐系统性能指标包括查全率和查准率的基础上，为了更准确的评估本申请的在线购物推荐系统的推荐效果，很容易想到将查全率和查准率性能指标设定为更适用于在线购物推荐系统的性能指标，即将查全率性能指标设定为置于购物车中匹配推荐的物品的数目与置于购物车中的物品的总数的比率，以及将查准率性能指标设定为推荐被购买的物品的数目与购买的物品的总数的百分比，这些都属于在在线购物推荐系统中对查全率和查准率性能指标的常规设定，属于本领域惯用技术手段。
对于区别技术特征（3），“接收用户的购买历史以及针对所述用户的偏好，并且基于所述用户的所述当前活动、所述购买历史和所述偏好，索引包括产品物品与产品物品的关联以及顾客与产品的关联”均为本领域惯用技术手段。
由此可见，在对比文件1的基础上结合对比文件2、对比文件3以及本领域惯用技术手段，以获得该权利要求请求保护的技术方案，对本领域技术人员来说是显而易见的。因此该权利要求所要求保护的技术方案不具备突出的实质性特点和显著的进步，不具备专利法第22条第3款规定的创造性。
对复审请求人相关意见的评述
对于复审请求人的意见陈述，合议组认为：虽然对比文件1中是使用聚类分析进行产品推荐，推荐的产品属于一个集群，即属于同类产品，但是为了提供最优的推荐函数，这里最优的推荐函数可以是指符合用户需求的最优推荐函数，用户需求可以是被推荐同类产品、可以是被推荐成对产品，这都是可以根据用户实际需求而灵活设定的，因此，为了给用户提供符合其需求的最优推荐函数，使用多个推荐函数标识一起购买的成对产品，产品间的关联被推荐引擎确定，属于本领域技术人员根据实际推荐需求而很容易想到的，属于本领域惯用技术手段。因此，对于复审请求人的意见陈述，合议组不予接受。
三、决定
维持国家知识产权局于2017年05月05日对本申请作出的驳回决定。
如对本复审请求审查决定不服，根据专利法第41条第2款的规定，复审请求人可自收到本决定之日起三个月内向北京知识产权法院起诉。
郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。
