发明创造名称：一种品牌广告效果优化的连续计算方法
外观设计名称：
决定号：183297
决定日：2019-07-10
委内编号：1F239651
优先权日：
申请（专利）号：201511019272.7
申请日：2015-12-30
复审请求人：优酷网络技术（北京）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：何俊
合议组组长：董杰
参审员：乔凌云
国际分类号：G06Q30/02
外观设计分类号：
法律依据：专利法第33条
决定要点
：如果修改的权利要求在原权利要求和说明书中并未记载，也无法从原权利要求和说明书中直接地、毫无疑义地确定，那么该权利要求的修改不符合专利法第33条的规定。
全文：
本复审请求涉及申请号为201511019272.7，名称为“一种品牌广告效果优化的连续计算方法”的发明专利申请（下称本申请）。申请人为优酷网络技术（北京）有限公司。本申请的申请日为2015年12月30日，公开日为2016年05月25日。
经实质审查，国家知识产权局原审查部门于2017年08月30日发出驳回决定，驳回了本申请，其理由是：权利要求1-10相对于对比文件1（CN 103310003A，公开日为2013年09月18日）和对比文件3（CN 103761296A，公开日为2014年04月30日）和对比文件2（CN 104732279A，公开日为2015年6月24日）以及本领域常用手段的结合不具备创造性。驳回决定所依据的文本为：申请人于申请日2015年12月30日提交的权利要求第1-10项、说明书第1-98段、说明书摘要以及摘要附图，于2016年03月23日提交的说明书附图。驳回决定所针对的权利要求书如下：
“1. 一种广告效果优化的连续计算方法，包括如下步骤：
数据源清洗及整合步骤(S110)：获得四种数据作为点击率优化模型的数据源，所述四种数据包括：
用户信息数据：指的是用户在视频网站内观看和/或点击广告的行为得到的用户关注行业偏好信息以及视频网站偏好信息，
素材信息数据：指的是品牌广告的素材信息，
广告展示日志信息：指的是广告展示时记录下的相关信息，
广告点击日志信息：用户点击广告时记录下的相关信息，
将上述四种数据进行数据的整合与清洗，得到用户的人口属性和偏好信息；
特征提取及格式化步骤(S120)：对清洗及整合后的数据进行特征提取与格式化，将格式化后的数据按照一定的比例进行分配得到模型训练数据和模型验证数据；
模型训练及验证步骤(S130)：使用模型训练数据利用梯度增强决策树模型算法(Gradient Boosting Decision Tree，简称GBDT)得到树模型，使用模型验证数据在所述树模型中进行验证，得到预测的点击率阈值；
模型测试及投放步骤(S140)：使用最近的广告投放的所述四种数据，利用特征提取及格式化步骤(S120)的方法得到所述模型测试数据，将所述模型测试数据输入到所述树模型中获得的点击率值与预先设定的点击率阈值比较，大于等于所述点击率阈值则进行投放，小于点击率阈值则不投放。
2. 根据权利要求1所述的广告效果优化的连续计算方法，其特征在于：
在数据源清洗及整合步骤中，所述将上述四种数据进行数据的整合与清洗，包括通过验证去除不需要的属性，或者对一些缺失的数据进行补充，整合。
3. 根据权利要求1所述的广告效果优化的连续计算方法，其特征在于：
在特征提取及格式化步骤中，所述特征提取进一步包括抽取三方面不同的特征，包括：
上下文信息特征，即发生当前广告行为时的上下文环境信息；
广告信息特征，即广告素材的描述信息；
用户信息特征，即当前用户的基础信息与偏好信息。
4. 根据权利要求3所述的广告效果优化的连续计算方法，其特征在于：
在特征提取及格式化步骤中，所述格式化包括将上述三种特征分两类不同类别的特征：类别特征与连续特征，分别进行处理，变成适合算法训练的数据格式。
5. 根据权利要求1-4中任意一项所述的广告效果优化的连续计算方法，其特征在于：
在所述模型训练及验证步骤中：将梯度增强决策树算法(Gradient Boosting Decision Tree，简称GBDT)与逻辑回归模型算法(Logistic Regression)结合，得到所述树模型。
6. 一种广告效果优化的连续计算装置，包括如下单元：
数据源清洗及整合单元(S210)：获得四种数据作为点击率优化模型的数据源，所述四种数据包括：
用户信息数据：指的是用户在视频网站内观看和/或点击广告的行为得到的用户关注行业偏好信息以及视频网站偏好信息，
素材信息数据：指的是品牌广告的素材信息，
广告展示日志信息：指的是广告展示时记录下的相关信息，
广告点击日志信息：用户点击广告时记录下的相关信息，
将上述四种数据进行数据的整合与清洗，得到用户的人口属性和偏好信息；
特征提取及格式化单元(S220)：对清洗及整合后的数据进行特征提取与格式化，将格式化后的数据按照一定的比例进行分配得到模型训练数据和模型验证数据；
模型训练及验证单元(S230)：使用模型训练数据利用梯度增强决策树模型算法(Gradient Boosting Decision Tree，简称GBDT)得到树模型，使用模型验证数据在所述树模型中进行验证，得到预测的点击率阈值；
模型测试及投放单元(S240)：使用最近的广告投放的所述四种数据，利用特征提取及格式化单元得到模型测试数据，将所述模型测试数据输入到所述树模型中获得的点击率值与预先设定的点击率阈值比较，大于等于所述点击率阈值则进行投放，小于点击率阈值则不投放。
7. 根据权利要求6所述的广告效果优化的连续计算装置，其特征在于：
在数据源清洗及整合单元中，所述将上述四种数据进行数据的整合与清洗，包括通过验证去除不需要的属性，或者对一些缺失的数据进行补充，整合。
8. 根据权利要求6所述的广告效果优化的连续计算装置，其特征在于：
在特征提取及格式化单元中，所述特征提取进一步包括抽取三方面不同的特征，包括：
上下文信息特征，即发生当前广告行为时的上下文环境信息；
广告信息特征，即广告素材的描述信息；
用户信息特征，即当前用户的基础信息与偏好信息。
9. 根据权利要求8所述的广告效果优化的连续计算装置，其特征在于：
在特征提取及格式化单元中，所述格式化包括将上述三种特征分两类不同类别的特征：类别特征与连续特征，分别进行处理，变成适合算法训练的数据格式。
10. 根据权利要求6-9中任意一项所述的广告效果优化的连续计算装置，其特征在于：
在所述模型训练及验证单元中：将梯度增强决策树算法(Gradient Boosting Decision Tree，简称GBDT)与逻辑回归模型算法(Logistic Regression)结合，得到所述树模型。”
申请人（下称复审请求人）对上述驳回决定不服，于2017年12月08日向国家知识产权局提出了复审请求，同时修改了权利要求书。复审请求人认为：权利要求1-10相对于对比文件1和对比文件3和对比文件2以及本领域常用手段具备创造性。复审请求时新修改的权利要求书如下：
“1. 一种广告效果优化的连续计算方法，包括如下步骤：
数据源清洗及整合步骤：获得第一广告投放的四种数据作为点击率优化模型的数据源，所述四种数据包括：
用户信息数据：指的是用户在视频网站内观看和/或点击广告的行为得到的用户关注行业偏好信息以及视频网站偏好信息，
素材信息数据：指的是品牌广告的素材信息，
广告展示日志信息：指的是广告展示时记录下的相关信息，
广告点击日志信息：用户点击广告时记录下的相关信息，
将上述四种数据进行数据的整合与清洗，得到用户的人口属性和偏好信息；
特征提取及格式化步骤：对清洗及整合后的数据进行特征提取与格式化，将格式化后的数据按照一定的比例进行分配得到模型训练数据和模型验证数据；
模型训练及验证步骤：使用模型训练数据利用梯度增强决策树模型算法得到树模型，使用模型验证数据在所述树模型中进行验证，得到预测的点击率阈值；
模型测试及投放步骤：使用与所述第一广告投放不同的最近的第二广告投放的所述四种数据，利用特征提取及格式化步骤的方法得到模型测试数据，将所述模型测试数据输入到所述树模型中获得的点击率值与预测的所述点击率阈值比较，大于等于所述点击率阈值则进行投放，小于所述点击率阈值则不投放。
2. 根据权利要求1所述的广告效果优化的连续计算方法，其特征在于：
在数据源清洗及整合步骤中，所述将上述四种数据进行数据的整合与清洗，包括通过验证去除不需要的属性，或者对一些缺失的数据进行补充，整合。
3. 根据权利要求1所述的广告效果优化的连续计算方法，其特征在于：
在特征提取及格式化步骤中，所述特征提取进一步包括抽取如下的三种特征，包括：
上下文信息特征，即发生当前广告行为时的上下文环境信息；
广告信息特征，即广告素材的描述信息；
用户信息特征，即当前用户的基础信息与偏好信息。
4. 根据权利要求3所述的广告效果优化的连续计算方法，其特征在于：
在特征提取及格式化步骤中，所述格式化包括将上述三种特征分两类不同类别的特征：类别特征与连续特征，分别进行处理，变成适合算法训练的数据格式。
5. 根据权利要求1-4中任意一项所述的广告效果优化的连续计算方法，其特征在于：
在所述模型训练及验证步骤中：将梯度增强决策树算法与逻辑回归模型算法结合，得到所述树模型。
6. 一种广告效果优化的连续计算装置，包括如下单元：
数据源清洗及整合单元：获得第一广告投放的四种数据作为点击率优化模型的数据源，所述四种数据包括：
用户信息数据：指的是用户在视频网站内观看和/或点击广告的行为得到的用户关注行业偏好信息以及视频网站偏好信息，
素材信息数据：指的是品牌广告的素材信息，
广告展示日志信息：指的是广告展示时记录下的相关信息，
广告点击日志信息：用户点击广告时记录下的相关信息，
将上述四种数据进行数据的整合与清洗，得到用户的人口属性和偏好信息；
特征提取及格式化单元：对清洗及整合后的数据进行特征提取与格式化，将格式化后的数据按照一定的比例进行分配得到模型训练数据和模型验证数据；
模型训练及验证单元：使用模型训练数据利用梯度增强决策树模型算法得到树模型，使用模型验证数据在所述树模型中进行验证，得到预测的点击率阈值；
模型测试及投放单元：使用与所述第一广告投放不同的最近的第二广告投放的所述四种数据，利用特征提取及格式化单元得到模型测试数据，将所述模型测试数据输入到所述树模型中获得的点击率值与预测的所述点击率阈值比较，大于等于所述点击率阈值则进行投放，小于所述点击率阈值则不投放。
7. 根据权利要求6所述的广告效果优化的连续计算装置，其特征在于：
在数据源清洗及整合单元中，所述将上述四种数据进行数据的整合与清洗，包括通过验证去除不需要的属性，或者对一些缺失的数据进行补充，整合。
8. 根据权利要求6所述的广告效果优化的连续计算装置，其特征在于：
在特征提取及格式化单元中，所述特征提取进一步包括抽取如下的三种特征，包括：
上下文信息特征，即发生当前广告行为时的上下文环境信息；
广告信息特征，即广告素材的描述信息；
用户信息特征，即当前用户的基础信息与偏好信息。
9. 根据权利要求8所述的广告效果优化的连续计算装置，其特征在于：
在特征提取及格式化单元中，所述格式化包括将上述三种特征分两类不同类别的特征：类别特征与连续特征，分别进行处理，变成适合算法训练的数据格式。
10. 根据权利要求6-9中任意一项所述的广告效果优化的连续计算装置，其特征在于：
在所述模型训练及验证单元中：将梯度增强决策树算法与逻辑回归模型算法结合，得到所述树模型。”
经形式审查合格，国家知识产权局于2018年01月11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权利要求1、6的修改不符合专利法第33条的规定，驳回决定所针对的权利要求1-10不具备创造性，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2019年02月03日向复审请求人发出复审通知书，指出：权利要求1、6不符合专利法第33条的规定。
复审请求人于2019年03月06日提交了意见陈述书，同时修改了权利要求书，其中修改了独立权利要求1、6。复审请求人认为：根据说明书64-69段以及说明书附图2的内容可以确定“预测的点击率阈值”和“预先设定的点击率阈值”是同一个值，因此权利要求1、6符合专利法第33条的规定，修改后的权利要求符合专利法第22条第3款的规定。复审请求人答复复审通知书时新修改的权利要求1、6如下：
“1. 一种广告效果优化的连续计算方法，包括如下步骤：
数据源清洗及整合步骤：获得视频网站在第一时间段内针对某支广告进行的第一广告投放的四种数据作为点击率优化模型的数据源，所述四种数据包括：
用户信息数据：指的是用户在视频网站内观看和/或点击广告的行为得到的用户关注行业偏好信息以及视频网站偏好信息，
素材信息数据：指的是品牌广告的素材信息，
广告展示日志信息：指的是广告展示时记录下的相关信息，
广告点击日志信息：用户点击广告时记录下的相关信息，
将上述四种数据进行数据的整合与清洗，得到用户的人口属性和偏好信息；
特征提取及格式化步骤：对清洗及整合后的数据进行特征提取与格式化，将格式化后的数据按照一定的比例进行分配得到模型训练数据和模型验证数据；
模型训练及验证步骤：使用模型训练数据利用梯度增强决策树模型算法得到树模型，使用模型验证数据在所述树模型中进行验证，得到预测的点击率阈值；
模型测试及投放步骤：使用视频网站在所述第一时间段后的第二时间段内针对所述某支广告进行的第二广告投放的所述四种数据，利用特征提取及格式化步骤的方法得到模型测试数据，将所述模型测试数据输入到所述树模型中获得的点击率值与预测的所述点击率阈值比较，在获得的点击率值大于等于所述点击率阈值的情况下，使视频网站在所述第二时间段后的第三时间段内针对所述某支广告进行第三广告投放，在获得的点击率值小于所述点击率阈值的情况下，使视频网站在所述第三时间段内不针对所述某支广告进行 所述第三广告投放。
6. 一种广告效果优化的连续计算装置，包括如下单元：
数据源清洗及整合单元：获得视频网站在第一时间段内针对某支广告进行的第一广告投放的四种数据作为点击率优化模型的数据源，所述四种数据包括：
用户信息数据：指的是用户在视频网站内观看和/或点击广告的行为得到的用户关注行业偏好信息以及视频网站偏好信息，
素材信息数据：指的是品牌广告的素材信息，
广告展示日志信息：指的是广告展示时记录下的相关信息，
广告点击日志信息：用户点击广告时记录下的相关信息，
将上述四种数据进行数据的整合与清洗，得到用户的人口属性和偏好信息；
特征提取及格式化单元：对清洗及整合后的数据进行特征提取与格式化，将格式化后的数据按照一定的比例进行分配得到模型训练数据和模型验证数据；
模型训练及验证单元：使用模型训练数据利用梯度增强决策树模型算法得到树模型，使用模型验证数据在所述树模型中进行验证，得到预测的点击率阈值；
模型测试及投放单元：使用视频网站在所述第一时间段后的第二时间段内针对所述某支广告进行的第二广告投放的所述四种数据，利用特征提取及格式化单元得到模型测试数据，将所述模型测试数据输入到所述树模型中获得的点击率值与预测的所述点击率阈值比较，在获得的点击率值大于等于所述点击率阈值的情况下，使视频网站在所述第二时间段后的第三时间段内针对所述某支广告进行第三广告投放，在获得的点击率值小于所述点击率阈值的情况下，使视频网站在所述第三时间段内不针对所述某支广告进行所述第三广告投放。”
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
复审请求人在复审阶段提交了修改文本，因此本复审决定针对的审查文本为：复审请求人于申请日2015年12月30日提交的说明书第1-98段、摘要以及摘要附图，于2016年03月23日提交的说明书附图，于2019年03月06日提交的权利要求第1-10项。
关于专利法第33条
专利法第33条规定：申请人可以对其专利申请文件进行修改，但是，对发明和使用新型专利申请文件的修改不得超出原说明书和权利要求书记载的范围，对外观设计专利申请文件的修改不得超出原图片或者照片表示的范围。
权利要求1和6中新修改的技术特征“将所述模型测试数据输入到所述树模型中获得的点击率值与预测的所述点击阈值比较”超出了原说明书和权利要求书所记载的范围，由于原说明书中记载的（参见说明书第67-69段、附图2）内容为：将所述模型测试数据输入到所述树模型中获得的点击率值与预先设定的点击率阈值比较；将格式化数据作为测试数据通过树模型得到点击率值与预先设定的点击率阈值比较。根据原说明书的上述记载可知，测试数据输入到树模型所获得的点击率值是与预先设定的点击率阈值进行比较，而不是与预测的点击阈值进行比较，并且在原说明书并未有任何关于预测的点击阈值就是预先设定的点击率阈值的记载，因此本领域技术人员并不能从原说明书和权利要求书记载的内容中直接地、毫无疑义地确定权利要求1、6新修改的上述技术特征。因此独立权利要求1和6中的上述修改超范围，不符合专利法第33条的规定。
对复审请求人相关意见的评述
对于复审请求人的意见，合议组认为：说明书明确记载的是测试数据输入到树模型所获得的点击率值是与预先设定的点击率阈值进行比较，而不是与预测的点击阈值进行比较，并且根据说明书67-69段以及附图2均无法直接毫无疑义的确定权利要求1、6中的“将所述模型测试数据输入到所述树模型中获得的点击率值与预测的所述点击阈值比较”，因此复审请求人的相关意见，本案合议组不予支持。
三、决定
维持国家知识产权局于2017年08月30日对本申请作出的驳回决定。
如对本复审决定不服，根据专利法第41条第2款的规定，复审请求人可自收到本复审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。
