发明创造名称：基于模型匹配的商品推荐方法
外观设计名称：
决定号：180739
决定日：2019-06-11
委内编号：1F242377
优先权日：
申请（专利）号：201110447980.6
申请日：2011-12-27
复审请求人：北京京东尚科信息技术有限公司
无效请求人：
授权公告日：
审定公告日：
专利权人：
主审员：郑宁
合议组组长：赵晓春
参审员：王芳
国际分类号：G06Q30/02，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：如果一项权利要求请求保护的技术方案相对于作为最接近现有技术的对比文件存在区别技术特征，但该区别技术特征是所属领域的惯用手段，所属领域技术人员有动机将对比文件与上述惯用手段进行结合从而获得该项权利要求请求保护的技术方案，则该项权利要求所请求保护的技术方案不具有突出的实质性特点，不具备创造性。
全文：
本复审请求涉及申请号为201110447980.6，名称为“基于模型匹配的商品推荐方法”的发明专利申请（下称本申请）。本申请的申请人为北京京东尚科信息技术有限公司，申请日为2011年12月27日，公开日为2012年07月04日。
经实质审查，国家知识产权局实质审查部门于2017年09月27日发出驳回决定，驳回了本申请，其理由是：权利要求1-3不具备专利法第22条第3款规定的创造性，其中引用了一篇对比文件，即：对比文件1：CN101206752A，公开日为2008年06月25日。
驳回决定所依据的文本为：申请日2011年12月27日提交的说明书第1-4页、说明书附图第1页、说明书摘要、摘要附图；2017年08月16日提交的权利要求第1-3项。
驳回决定所针对的权利要求书的内容如下：
1. 一种用于电子商务网站的商品推荐方法，其特征在于，包括如下步骤：
1)建立商品模型，商品模型表示为：
G＝{GSyno，GAttr}
其中，GSyno是由描述该商品的一段文字介绍经过词法分析后得到的一个词库，GAttr是该商品的属性，它由多个[Key，Value]键值对所组成，其中一个Key对应的是一个Value集合；
2)建立用户模型，用户的模型基于商品模型，它由多个商品模型融合而成，用户模型表示为：
U＝{USyno，UAttr}
其中，USyno是包含用户所购买商品的全部Gsyno词库，即：
USyno＝∪Gsyno
UAttr是用户所购买商品的全部GAttr的集合，UAttr的表示方法如下：
UAttr＝{[Key，(Value，Weight)]，…}
其中Key和Value与GAttr一致，Weight是一个权重值，表示用户购买的多个商品拥有同样的属性值，Weight的值等于拥有同样属性值的商品数量；
3)相似性计算，基于商品模型U和用户模型G计算商品和用户的相似性；
4)根据相似性大小排序，推荐商品给用户；
商品模型U和用户模型G的相似性计算方法如下：
SIM(G,U)＝a×SIMS(GSyno，USyno) b×SIMA(GAttr，UAttr)
其中，a、b是常数，SIMS(GSyno，USyno)计算词库相似性，SIMA(GAttr，UAttr)计算属性相似性。
2. 根据权利要求1所述的方法，其特征在于，词库相似性计算函数表达式如下：
其中，wi,G代表词语i在词库GSyno中出现的次数，wi,U代表词语i在词库USyno中出现的次数。
3. 根据权利要求1所述的方法，其特征在于，属性相似性计算函数表达式如下：
根据商品属性和用户属性项下的每一个key计算商品属性与用户属性共同拥有的value的权重值与用户属性下全部权重值之间的比值，其中∑UAttr_valueweight代表当前key下用户属性所对应的所有value的权重和，∑UAttr_value∩GAttr_valueweight代表当前key下用户属性与商品属性共同拥有的value的权重和。
驳回的具体理由是：
1）权利要求1所请求保护的方案与对比文件1的区别特征为：（1）商品模型表示为：G＝{GSyno，GAttr}，GAttr是该商品的属性，它由多个[Key，Value]键值对所组成，其中一个Key对应的是一个Value集合；（2）用户模型表示为：U＝{USyno，UAttr}，其中，USyno是包含用户所购买商品的全部Gsyno词库，即：USyno＝∪Gsyno，UAttr是用户所购买商品的全部GAttr的集合，UAttr的表示方法如下：UAttr＝{[Key，(Value，Weight)]，...}其中Key和Value与GAttr一致，Weight是一个权重值，表示用户购买的多个商品拥有同样的属性值，Weight的值等于拥有同样属性值的商品数量；(3) 商品模型U和用户模型G的相似性计算方法如下：SIM(G,U)＝a×SIMS(GSyno，USyno) b×SIMA(GAttr，UAttr),其中，a、b是常数，SIMS(GSyno，USyno)计算词库相似性，SIMA(GAttr，UAttr)计算属性相似性。上述区别特征（1）是对商品信息数学表示的人为性规定，其并未解决技术问题，也未做出技术贡献。对于区别特征（2），部分是对商品信息的数学表示的人为性规定，其并未解决技术问题，也未做出技术贡献，部分是本领域的技术人员常规的设计选择。上述区别（3）特征是在基于对商品特征数学抽象的基础上，对相关计算规则的人为性规定，其并未解决技术问题，也未做出技术贡献。2）权利要求2-3的附加特征是在基于对商品特征数学抽象的基础上，对相关计算规则的人为性规定，其并未解决技术问题，也未做出技术贡献。因此，权利要求1-3不具备创造性。
申请人（下称复审请求人）对上述驳回决定不服，于2018年01月11日向国家知识产权局提出了复审请求，未修改申请文件。复审请求人认为：（1）对比文件1没有公开权利要求1中的建立商品模型、由描述该商品的一段文字介绍经过词法分析后得到的一个词库以及商品的属性。由于对比文件1没有公开商品模型，也就没有公开权利要求1中的建立用户模型，用户的模型基于商品模型，它由多个商品模型融合而成。由于对比文件1没有公开商品模型和用户模型，也就没有公开基于商品模型和用户模型的相似性计算。由于对比文件1没有公开权利要求1中的相似性计算，也就没有公开根据上述相似性计算而排序的结果并推荐商品给用户。因此，权利要求1与对比文件1的区别技术特征为权利要求1的全部技术特征。（2）对比文件1只给出了将基于购物行为历史的挖掘推荐和基于商品内容的挖掘推荐，并没有给出将内容挖掘的技术应用到基于购物历史挖掘的推荐技术中的启示。且本申请能够实现用户需求和商品属性的内在关联，突破了传统的公知推荐系统中仅能做商品-商品或用户-用户关联分析的局限性，从而提供了一种能结合商品属性和用户需求的个性化商品推荐方式，为电子商务推荐系统带来了全新的用户体验，进而取得了有益的技术效果，具有显著的进步。因此，权利要求1-3具备创造性。
经形式审查合格，国家知识产权局于2018年01月19日依法受理了该复审请求，并将其转送至实质审查部门进行前置审查。
实质审查部门在前置审查意见书中坚持驳回决定。
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2019年01月15日向复审请求人发出复审通知书，指出：权利要求1-3不具备专利法第22条第3款规定的创造性。针对复审请求人意见，合议组认为：（1）虽然对比文件1没有具体公开商品模型，但是其公开了顾客购物模型，其表示每个顾客买过哪些商品，是一个倒排表结构(C-P倒排表)，因此，对比文件1的顾客购物模型可以相当于本申请的用户模型，只不过用户模型的具体内容有所不同。同时，对比文件1公开了计算商品Pi和ProList中的每个商品的相似度，排序后记录结果。最后得到推荐结果，按相似度排序，因此，对比文件1公开了一种相似度计算，并根据相似性大小排序，推荐商品给用户，只不过具体的计算方法不同。因此，不能认定权利要求1的全部特征都是其与对比文件1的区别。（2）对比文件1公开的两种推荐方法的核心都是为了给用户推荐更符合用户需求的商品，只是两种方法考虑的重点不同，基于购物行为进行商品推荐的方法侧重于考虑用户的购物习惯，关注重点在于用户是否在一段时间内购买了相关产品，如果两个产品很大可能在一段时间内被同时购买，则向用户推荐相关产品；而基于内容挖掘部分的商品推荐方法侧重点在于考虑商品的相似性，关注重点在于商品彼此之间是否类似，如果两个商品相似度高，则向用户推荐相关产品。虽然对比文件1公开的上述两种商品推荐方法有所不同，但对比文件1同时还公开了：这几种推荐方法可以互为补充，从不同角度解决商品推荐问题，为用户购物提供良好的体验（参见说明书第4页第1段）。因此，在此基础上，所属领域技术人员易于想到，为了使推荐的商品更符合用户需求，需要更全面的考量商品和用户行为，使得商品的相似度计算更准确，也就是说可以在计算商品相似度时既考虑商品自身的特征属性，又考虑用户的历史购买行为，从而避免只单一考虑一个因素导致评价不够全面准确的问题。而具体在考虑商品属性时，选择哪些参数进行考量是所属领域技术人员可以自行设定的。具体在考虑历史购物信息时，除了包含用户购买的商品信息，还包括商品的属性信息，即基于商品模型并增加权值来构建用户模型是所属领域技术人员易于想到的。由于商品模型和用户模型均包含有词库和属性两个部分，因此，在计算相似性时，分别进行计算并给予不同常数值进行调整也是所属领域技术人员易于想到的。因此，权利要求1及其从属权利要求不具备创造性。
复审请求人于2019年02月28日提交了意见陈述书和经修改的权利要求书全文替换页，将权利要求2-3的附加特征补入权利要求1，删除权利要求2-3，形成新的权利要求1。复审请求人认为：
1）权利要求1与对比文件1相比，其区别为：
（1）建立商品模型，商品模型表示为：G＝｛GSyno，GAttr｝，其中，GSyno是由描述该商品的一段文字介绍经过词法分析后得到的一个词库，GAttr是该商品的属性，它由多个[Key，vatue]键值对所组成，其中一个Key对应的是一个value集合；
（2）用户模型基于商品模型，它由多个商品模型融合而成，用户模型表示为：U=｛Usyno，UAttr｝，其中，USyno是包含用户所购买商品的全部GSyno词库，即：USyno=∪GSyno，UAttr是用户所购买商品的全部UAttr的集合，UAttr的表示方法如下：UAttr=｛[Key，（Value，Weight）]，…｝，其中Key和Value与GAttr一致，Weight是一个权重值，表示用户购买的多个商品拥有同样的属性值，Weight的值等于拥有同样属性值的商品数量；
（3）相似性计算是基于商品模型U和用户模型G计算商品和用户的；商品模型U和用户模型G的相似性计算方法如下：SIM（G，U）=a*SIMS（Gsyno，Usyno）＋b*SIMA（GAttr，UAttr），其中，a、b是常数，SIMS*（Gsyno，Usyno）计算词库相似性，SIMA*（GAttr，UAttr）计算属性相似性；
（4）词库相似性计算函数表达式如下：
其中，wi,G代表词语i在词库GSyno中出现的次数，wi,U代表词语i在词库USyno中出现的次数；
属性相似性计算函数表达式如下：
根据商品属性和用户属性项下的每一个key计算商品属性与用户属性共同拥有的value的权重值与用户属性下全部权重值之间的比值，其中∑UAttr_valueweight代表当前key下用户属性所对应的所有value的权重和，∑UAttr_value∩GAttr_valueweight代表当前key下用户属性与商品属性共同拥有的value的权重和。
基于上述区别，权利要求1实际要解决的问题是如何构建模型进行商品推荐。
2）虽然对比文件1公开了基于购物行为历史进行商品推荐可以达到使推荐的商品符合顾客客观的实际的购物趋势和兴趣习惯的效果、基于内容挖掘的商品推荐可以达到推荐新上架的商品的效果，并且几种推荐可以互为补充，但是对比文件1使用这两种推荐互为补充的目的不是为了使推荐的商品更符合用户需求，而是出于不同的商业目的将基于购物行为历史的商品推荐和基于内容挖掘的商品推荐进行简单组合，两种推荐在算法模型上仍然是独立的，并没有进行任何算法上的融合。在此基础上，所属领域技术人员易于想到的仅是根据侧重点的不同，或是先进行基于购物历史挖掘的推荐再进行基于内容挖掘的推荐，或是先进行基于内容挖掘的推荐再进行基于购物行为历史的推荐，而不易于想到为了使推荐的商品更符合用户需求，需要更全面的考虑商品和用户行为，使得商品的相似度计算更准确，在计算商品相似度时既考虑商品自身的特征属性，又考虑用户的历史购买行为，以避免只单一考虑一个因素导致评价不够全面准确的问题。
3）权利要求1的区别特征（1）-（3）不单是综合考虑商品属性和用户的个性化需求提供进行商品推荐的模型，模型本身的构建也是本申请重要改进点。尤其是用户模型的构建，本申请的用户模型在构建时忽略了常规的用户本身的属性（如性别、年龄、职业、活动区域、爱好等），而是基于商品模型进行构建，用用户购买过的商品的商品属性来代表用户，其中，被购买次数越多的商品的商品属性越能代表用户。这才是真正的既考虑商品自身的特征属性，又考虑用户的历史购买行为，将基于商品特征的推荐和基于历史购买行为的推荐进行了算法上的融合，才能达到全面准确进行商品推荐的效果。相比于对比文件1中用商品的购买次数来代表用户，本申请更能准确地标定用户的购物倾向和喜好。
4）基于商品模型构建用户模型能够进一步降低构建用户模型的难度，简化了大量的数据处理、数据分析的过程，总体上使得本申请整个商品推荐方法更为完善、准确。因为用户模型是基于商品模型构建的，用户模型和商品模型之间存在相同或相似的参数，所以在最终的商品推荐时才能计算商品模型与用户模型的相似性，从而得到商品和用户的相似性。区别特征（3）给出的商品模型和用户模型的相似性计算方法，其考虑到商品词库与用户购买商品的全部词库之间，以及商品属性与用户所购买商品的全部属性之间的相似性，综合计算了商品模型与用户模型的相似性。区别特征（4）给出的词库相似性计算函数，其利用同一词语在商品词库和用户词库出现次数计算商品和用户的词库相似性，更加适用于词库相似性的计算；给出的属性相似度计算函数，其根据商品属性和用户属性项下的每一个key计算商品属性与用户属性共同拥有的value的权重值与用户属性下全部权重值之间的比值，更加适用于属性相似度的计算。
5）本申请能够实现用户需求和商品属性的内在关联，突破了传统的推荐系统中仅能做商品-商品或用户-用户关联分析的局限性，提供了一种能结合商品属性和用户需求的个性化商品推荐方式，既考虑商品自身的特征属性，又考虑用户的历史购买行为，能更准确地标定用户的购物倾向和喜好，为电子商务推荐系统带来了全新的用户体验，进而取得了有益的技术效果，具有显著的进步。
复审请求人在答复复审通知书时提交的权利要求书的内容如下：
“1. 一种用于电子商务网站的商品推荐方法，其特征在于，包括如下步骤：
1)建立商品模型，商品模型表示为：
G＝{GSyno，GAttr}
其中，GSyno是由描述该商品的一段文字介绍经过词法分析后得到的一个词库，GAttr是该商品的属性，它由多个[Key，Value]键值对所组成，其中一个Key对应的是一个Value集合；
2)建立用户模型，用户的模型基于商品模型，它由多个商品模型融合而成，用户模型表示为：
U＝{USyno，UAttr}
其中，USyno是包含用户所购买商品的全部Gsyno词库，即：
USyno＝∪Gsyno
UAttr是用户所购买商品的全部GAttr的集合，UAttr的表示方法如下：
UAttr＝{[Key，(Value，Weight)]，…}
其中Key和Value与GAttr一致，Weight是一个权重值，表示用户购买的多个商品拥有同样的属性值，Weight的值等于拥有同样属性值的商品数量；
3)相似性计算，基于商品模型U和用户模型G计算商品和用户的相似性；
4)根据相似性大小排序，推荐商品给用户；
商品模型U和用户模型G的相似性计算方法如下：
SIM(G,U)＝a×SIMS(GSyno，USyno) b×SIMA(GAttr，UAttr)
其中，a、b是常数，SIMS(GSyno，USyno)计算词库相似性，SIMA(GAttr，UAttr)计算属性相似性；
词库相似性计算函数表达式如下：
其中，wi,G代表词语i在词库GSyno中出现的次数，wi,U代表词语i在词 库USyno中出现的次数；
属性相似性计算函数表达式如下：
根据商品属性和用户属性项下的每一个key计算商品属性与用户属性共同拥有的value的权重值与用户属性下全部权重值之间的比值，其中∑UAttr_valueweight代表当前key下用户属性所对应的所有value的权重和，∑UAttr_value∩GAttr_valueweight代表当前key下用户属性与商品属性共同拥有的value的权重和。”
综上所述，权利要求1具备创造性。
在上述程序的基础上，合议组认为本案事实已经清楚，可以依法作出审查决定。
二、决定的理由
1、审查文本的认定
复审请求人在答复复审通知书时提交了权利要求书全文修改替换页，经审查，上述修改符合专利法实施细则第61条第1款和专利法第33条的规定。本复审请求审查决定所依据的文本是：申请日2011年12月27日提交的说明书第1-4页、说明书附图第1页、说明书摘要、摘要附图；2018年02月28日提交的权利要求第1项。
2、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。
如果一项权利要求请求保护的技术方案相对于作为最接近现有技术的对比文件存在区别技术特征，但该区别技术特征是所属领域的惯用手段，所属领域技术人员有动机将对比文件与上述惯用手段进行结合从而获得该项权利要求请求保护的技术方案，则该项权利要求所请求保护的技术方案不具有突出的实质性特点，不具备创造性。
本复审请求审查决定所引用的对比文件和驳回决定以及复审通知书中所引用的对比文件相同，即：
对比文件1：CN101206752A，公开日为2008年06月25日。
权利要求1不具备专利法第22条第3款规定的创造性。
权利要求1请求保护一种用于电子商务网站的商品推荐方法，对比文件1公开了一种电子商务网站相关商品推荐系统及其方法，并具体公开了如下特征（参见说明书第4页第10段-第7页第14段，说明书附图1-4）：基于购物历史挖掘部分的商品推荐方法：步骤1：原始数据准备。如提取3个月的订单数据OrderInfo.txt，格式为(时间 顾客ID 商品ID 商品名)。步骤2：数据字段提取，提取相关数据项、对数据项排序。提取相关数据项时，提取订单数据中的OrderDate(购买时间)、CustID(顾客ID)、ProID(商品ID)，存贮在包含这三个整型字段的结构中，并按照各个单元结构中的CustID和ProID分别排序，生成两个中间结果文件。步骤3：生成计算模型。由上一步生成的两个结果文件，生成“商品-顾客”计算模型。在该实例中，计算模型主要表示哪些顾客购买了哪些商品、哪些商品被哪些顾客购买过等关系，可以概括为顾客购物模型和商品被购买模型。顾客购物模型表示每个顾客买过哪些商品，是一个倒排表结构(C-P倒排表)（相当于建立用户模型）。商品被购买模型表示每个商品被哪些顾客够买过，也是一个倒排表结构(P-C倒排表)。通过读取步骤2产生的两个中间结果文件，生成下面的两个倒排表，以及两个查询索引(C-P倒排索引和P-C倒排索引)。步骤4：相关商品计算。a)进行内存映射读取对磁盘上的两个倒排表，b)对于P-C倒排表中的商品Pi，查询它的销售记录，得到顾客集合CustList，c)遍历CustList中的每个顾客，查询倒排表C-P，获取顾客的购买集合ProList，d)遍历ProList，与原商品Pi两两配对，生成规则(Proi-Proj-Count)，e)通过计算公式以及规则，计算商品Pi和ProList中的每个商品的相似度，排序后记录结果（相当于相似性计算），f)返回b，直到遍历完所有的Pi。最后得到推荐结果，按相似度排序（相当于根据相似性大小排序，推荐商品给用户）。
由此可见，权利要求1与对比文件1的区别特征在于：建立商品模型，商品模型表示为：G＝{GSyno，GAttr}，其中，GSyno是由描述该商品的一段文字介绍经过词法分析后得到的一个词库，GAttr是该商品的属性，它由多个[Key，Value]键值对所组成，其中一个Key对应的是一个Value集合；用户模型是基于商品模型的，它由多个商品模型融合而成，用户模型表示为：U＝{USyno，UAttr}，其中，USyno是包含用户所购买商品的全部Gsyno词库，即：USyno＝∪Gsyno，UAttr是用户所购买商品的全部GAttr的集合，UAttr的表示方法如下：UAttr＝{[Key，(Value，Weight)]，…}，其中Key和Value与GAttr一致，Weight是一个权重值，表示用户购买的多个商品拥有同样的属性值，Weight的值等于拥有同样属性值的商品数量；相似性计算是基于商品模型U和用户模型G计算商品和用户的；商品模型U和用户模型G的相似性计算方法如下：SIM(G，U)＝a×SIMS(GSyno，USyno) b×SIMA(GAttr，UAttr)，其中，a、b是常数，SIMS(GSyno，USyno)计算词库相似性，SIMA(GAttr，UAttr)计算属性相似性；词库相似性计算函数表达式如下： ，其中，wi,G代表词语i在词库GSyno中出现的次数，wi,U代表词语i在词库USyno中出现的次数；属性相似性计算函数表达式如下： ，根据商品属性和用户属性项下的每一个key计算商品属性与用户属性共同拥有的value的权重值与用户属性下全部权重值之间的比值，其中∑UAttr_valueweight代表当前key下用户属性所对应的所有value的权重和，∑UAttr_value∩GAttr_valueweight代表当前key下用户属性与商品属性共同拥有的value的权重和。基于上述区别特征，权利要求1实际要解决的问题是如何构建模型进行商品推荐。
首先，对比文件1公开了一种基于购物行为历史进行商品推荐的方法，即，通过计算一个商品和购买过该商品的用户还曾经购买过的其他商品的相似度来向用户推荐商品，也就是说对比文件1给出了在推荐商品时，可以考虑用户曾经购买过的所有商品信息，并通过相似度计算进行推荐商品的启示。
其次，对比文件1还公开了一种基于内容挖掘部分的商品推荐方法（参见说明书第7页第15段-第9页第5段，说明书附图5-7）：步骤1，准备信息数据，主要是商品文本描述信息。其包括商品标题、商品内容、内容摘要等。步骤2，对以上数据信息进行分词。步骤3，分析特征词组。步骤4，分析特征词抽取。步骤5，把特征词组和特征词组合成向量的模式，为下一步计算相关度打下基础。步骤6，相关度计算。计算两个向量的相似度有多种方法：基于向量空间模型的相似度计算方法；基于集合模型的相似度计算方法。也就是说，对比文件1还给出了在推荐商品时，可以考虑商品本身属性信息（如商品的介绍、描述等信息）的启示。
再次，从对比文件1公开的内容可以看出，两种推荐方法的核心都是为了给用户推荐更符合用户需求的商品，只是两种方法考虑的重点不同，基于购物行为进行商品推荐的方法侧重于考虑用户的购物习惯，关注重点在于用户是否在一段时间内购买了相关产品，如果两个产品很大可能在一段时间内被同时购买，则向用户推荐相关产品；而基于内容挖掘部分的商品推荐方法侧重点在于考虑商品的相似性，关注重点在于商品彼此之间是否类似，如果两个商品相似度高，则向用户推荐相关产品。虽然对比文件1公开的上述两种商品推荐方法有所不同，但对比文件1同时还公开了：这几种推荐方法可以互为补充，从不同角度解决商品推荐问题，为用户购物提供良好的体验（参见说明书第4页第1段）。因此，在此基础上，所属领域技术人员易于想到，为了使推荐的商品更符合用户需求，需要更全面的考量商品和用户行为，使得商品的相似度计算更准确，也就是说可以在计算商品相似度时既考虑商品自身的特征属性，又考虑用户的历史购买行为，从而避免只单一考虑一个因素导致评价不够全面准确的问题。而具体在考虑商品属性时，选择哪些参数进行考量是所属领域技术人员可以自行设定的。对比文件1公开了考虑商品的标题、内容、摘要等，同时，商品的属性值也是常见的一种参数信息，可以用于描述商品特征。也就是说，建立商品模型，商品模型表示为：G＝{GSyno，GAttr}，其中，GSyno是由描述该商品的一段文字介绍经过词法分析后得到的一个词库，GAttr是该商品的属性，它由多个[Key，Value]键值对所组成，其中一个Key对应的是一个Value集合是所属领域技术人员易于想到的。具体在考虑历史购物信息时，除了包含用户购买的商品信息，还包括商品的属性信息，即基于商品模型并增加权值来构建用户模型是所属领域技术人员易于想到的。在商品模型确定的情况下，易于想到将用户模型表示为：U＝{USyno，UAttr}，其中，USyno是包含用户所购买商品的全部Gsyno词库，即：USyno＝∪Gsyno，UAttr是用户所购买商品的全部GAttr的集合，UAttr的表示方法如下：UAttr＝{[Key，(Value，Weight)]，…}，其中Key和Value与GAttr一致，Weight是一个权重值，表示用户购买的多个商品拥有同样的属性值，Weight的值等于拥有同样属性值的商品数量。由于商品模型和用户模型均包含有词库和属性两个部分，因此，在计算相似性时，分别进行计算并给予不同常数值进行调整也是所属领域技术人员易于想到的。
最后，对所属领域技术人员来讲，对词库相似性、属性相似性的计算方法均是常见的相似度计算方法。
因此，在对比文件1的基础上结合所属领域的惯用手段获得该权利要求所要求保护的方案，对所属技术领域的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方案不具备突出的实质性特点，不具备专利法第22条第3款规定的创造性。
3、对复审请求人相关意见的评述
对于复审请求人答复复审通知书的意见，合议组认为：虽然权利要求1与对比文件1存在复审请求人所认定的区别特征（1）-（4），但是：
首先，虽然对比文件1没有明确公开基于购物行为历史进行商品推荐和基于内容挖掘的商品推荐互为补充的目的是为了使推荐的商品更符合用户需求，但其给出了推荐商品时，可以既考虑用户的购物历史行为，又可以考虑商品本身属性的启示。且虽然对比文件1中记载了基于内容挖掘的商品推荐可以达到推荐新上架的商品的效果，但其实质仍是为了给用户推荐符合其需求的商品，只不过该商品是新上架商品而已。虽然对比文件1中两种算法是独立的，但是并不妨碍所属领域技术人员为了使推荐的商品更符合用户需求，需要更全面的考量商品和用户行为，使得商品的相似度计算更准确，也就是说可以在计算商品相似度时既考虑商品自身的特征属性，又考虑用户的历史购买行为，从而避免只单一考虑一个因素导致评价不够全面准确的问题。
其次，对所属领域技术人员来讲，用户模型有多种构成方式，可以根据实际需要、实际应用场景选择相应的参数。在对比文件1给出了推荐商品时，既可以考虑用户的购物历史行为，也可以考虑商品本身属性的启示下，所属领域技术人员易于想到当需要描述用户购物特征属性的情况下，可以将用户的购买历史行为、购买过商品的商品及其多种属性来代表用户，且根据用户的购买历史行为、购买过商品的商品及其属性与待售商品进行相似度比较，从而获得推荐商品。
再次，对比文件1已经给出了使用相似度计算来进行推荐商品的启示，而相似度计算方式有很多种，具体选择哪种方式、哪些参数进行计算是所属领域技术人员可以根据实际需要来选择的。
最后，在对比文件1给出了推荐商品时，可以考虑用户的购物历史行为，也可以考虑商品本身属性的启示以及使用相似度计算来进行推荐商品的启示下，本申请的效果可预期的，并没有预料不到的技术效果。
因此，合议组对复审请求人的意见不予支持。
三、决定
维持国家知识产权局于2017年09月27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，复审请求人可以自收到本复审请求审查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。
