今天根据一个驳回案例和《专利审查指南》在第二部分第九章（关于涉及计算机程序的发明专利申请审查的若干规定）最新增加的内容，跟大家探讨一下关于软件类专利的保护客体、新颖性及创造性的问题。
       对具体驳回案例进行描述和分析
       申请号为201510694933X，发明名称为一种基于大数据的人员价值计算方法。
       申请人于2015年10月21日向国家知识产权局提交了申请文件，同时提交了实质审查请求；审查员于2018年4月26日发出了第一次审查意见通知书，通知书末引用对比文件，通知书中指出，权利要求1，4，6，9不符合专利法第26条第4款的规定；代理人通过修改权利要求书克服了审查员指出的问题。
审查员又于20 18年8月24日发出了第二次审查意见通知书，未引入新的对比文件，指出权利要求1-8（即第一次修改后的全部权利要求）不属于专利法第2条第2款规定的技术方案，不属于专利法保护的客体。
       经第一次修改后的申请文件的方法权利要求如下，（产品权利要求和方法权利要求对应）
       1、一种基于大数据的人员价值计算方法，包括以下步骤：
       步骤一、从大批量简历中提取人员数据；
       步骤二、根据打分体系对步骤一所提取的基础信息、教育/工作经历数据进行打分；
       步骤三、构造具有组织结构先验的稀疏组结构惩罚函数，将打分后的字段代入函数模型，从基础信息、教育/工作经历、行为数据及心理学分析数据中选择字段；
       步骤四、使用步骤二中打分后的字段，以预测薪资为目标，以步骤三选择出的字段作为自变量，修订后的期望薪资作为因变量，使用最小二乘回归方法建立回归模型，计算各字段的系数；
       步骤五、从数据库中获取新的人员简历，提取各字段数据，代入打分体系进行打分，根据步骤四得到的系数，计算得到该人员简历所对应的人员价值。
       2、根据权利要求1所述的基于大数据的人员价值计算方法，其中，步骤一中所述人员数据进一步包括：
       1）基础信息数据：年龄、性别、地区、户口所在地、婚姻状况、求职状态；
       2）教育/工作经历数据：学历、专业、学科类别、学校、专业与从事行业的一致性、工作年限、公司、公司规模、公司类型、行业、部门、工作类型、职位、项目经验、职业发展路径、跳槽次数、最长一份工作年限、技能；
       3）行为数据及心理学分析数据：根据微博调研获取互联网用户行为数据，挖掘特征结合棱镜模型对各个量表指标赋予一定的权重计算得棱镜指数。
       3、根据权利要求1所述的基于大数据的人员价值计算方法，其中，所述步骤一进一步包括：
       提取简历中的薪酬数据，包括：期望薪酬及部分实际薪资。
       4、根据权利要求1所述的基于大数据的人员价值计算方法，其中，所述步骤二中所述打分体系包括：
       对学校依据院校教育资源、985/211院校分类标准进行综合评分；
       对学历依据高中以下、高中/职高/中技/中专、大专、本科、硕士、博士/MBA/EMBA级别进行打分；
       对专业与所从事岗位专业性的一致性进行打分；
       对职位按照不同职级进行打分；
       对年龄、工作年限、跳槽频率均根据实际数据处理后进行打分；
       对性别、婚姻状况、求职状态按照哑标量形式进行打分；
       对工作经历根据公司、职位分别进行打分

       审查员给出的第二次审查意见如下：
       权利要求1-8不符合专利法第2条第2款的规定
       权利要求1请求保护一种基于大数据的人员价值计算方法，权利要求5请求保护一种基于大数据的人员价值计算系统，从属权利要求2-4以及从属权利要求6-8分别限定了选取的数据字段是哪些，该发明解决方案是:从大批量简历数据中提取，然后对选出的数据进行打分，再根据构建的模型选择需要的字段，计算各字段的系数，根据计算出的系数来计算人员简历中所对应的人员价值。该解决方案依赖于人们的社会生活的经验因素，选择的参数、设置的系数都是人为选择，然而人为选择的各考量因素与期望评价的人员价值之间的关系并非符合自然规律，所采用的评价手段也并非是遵循自然规律的技术手段，所获得效果也并非技术效果，
       因此，未解决技术问题，没有采用遵循自然规律的技术手段，也未获得技术效果，因此，权利要求1-8不属于专利法第2条第2款规定的技术方案，不属于专利法保护的客体。
       以下是关于该第二次审查意见的答复
       主要从技术问题、技术手段和技术效果方面进行答复
       1、本申请权利要求1-8所限定的方案解决的问题是技术问题
       现有技术中企业无法客观地对应聘者的价值进行评价，应聘者对自我价值也无法客观的评价；客观地评价应聘者的价值，对于提高应聘者与薪资的匹配度，优化企业的薪资结构，提高企业招聘效率以及应聘者应聘成功的几率具有积极意义。基于此，本发明提出了要解决目前应聘人员价值无法客观评价的问题。从以上分析来看，本发明解决的是技术问题。
       2、本申请权利要求1-8所限定的方案采用的手段是技术手段
       为解决上述技术问题，本发明利用从大数据技术手段从数据库中获取大批量简历数据，这些数据包括基础信息、教育/工作经历和行为数据及心理学分析数据；而后根据院校教育资源的不同、学历的不同、基础信息以及工作经历的不同进行打分；接着构造具有组织结构先验的稀疏组结构惩罚函数，将打分后的字段代入函数模型，以实现残差、两个惩罚函数加和后的最小化为目标，从基础信息、教育/工作经历、行为数据及心理学分析数据中选择出影响因子较高的字段；然后，以影响因子作为自变量，修订后的期望薪资作为因变量，使用最小二乘回归方法建立回归模型，计算出各字段的系数，根据系数得到该人员简历所对应的人员价值。
       本发明利用了大数据技术手段，以及利用了具有组织结构先验的稀疏组结构惩罚函数、回归模型等数学手段，这些技术手段的选择考虑了简历数据的本质特征，因此，各考量因素与期望评价的人员价值之间的关系是符合自然规律的，并且实现了人员价值的计算。尽管权利要求中提到了打分体系，但它是符合客观实际的，并且就整体技术方案而言，它并不是指导人们进行思维和判断的方法，而是一种能解决技术问题的技术方案。本发明方法的最终结果是对人员价值进行计算，其所反映的是遵循自然规律的技术手段。
       3、本申请权利要求1-8所限定的方案达到的效果是技术效果
本发明基于大数据技术，并根据人员价值与简历数据的内在联系，提出了一种人员价值的计算方法，通过该方法可实现应聘人员价值的客观评价，以便于企业对应聘者价值的客观评价和应聘者对自我价值的客观评价。因此本发明获得了符合自然规律的技术效果。
       虽然代理人从技术问题、技术手段及技术效果方面对该第二次审查意见进行答复，但是审查员对该申请仍然下发了驳回决定，
       
       审查员认为：
       首先，对人员价值的评估本身便依赖于人们的社会生活的经验因素；其次，在本申请权利要求所记载的方案中，评估人员价值时所选的参数、设置的系数等都依赖于人为主观的想法，然而人为选择的各考量因素与期望评价的人员价值之间的关系并非符合自然规律，所采用的评价手段也并非是遵循自然规律的技术手段；再者，大数据本身并不构成技术手段，需要看大数据的手段是解决什么问题才能确定其是否构成技术手段，本申请利用主观选择的各因素来对人员价值这一虚拟的对象进行评价并未利用符合自然规律的技术手段解决技术问题，其获得的效果也并非技术效果，因此不符合专利法第2条第2款规定的技术方案。
       后续没有对该申请进行复审，本人也认为复审通过的几率并不大。
       论点：软件类专利申请中经常会存在人的主观思维或者说智力活动规则，判断专利申请的权利要求是否是技术方案，应该从整体上分析权利要求的所要保护的方案，是人为因素占主导地位还是技术因素占主导地位，如果是技术因素占主导地位，则应判断该权利要求所要保护的方案是属于技术方案，就认为该权利要求是符合专利法第2条第2款的规定。
需要说明的是，如果权利要求涉及抽象的算法或者单纯的商业规则和方法，且不包含任何技术特征，则这项权利要求属于专利法第25条第2款第(二)项规定的智力活动的规则和方法，该权利要求不属于授权的客体。
       
       下面对《专利审查指南》第二部分第九章增加的第6节的内容（部分）进行分析
       包含算法特征或商业规则和方法特征的发明专利申请审查相关规定
       涉及人工智能、“互联网+”、大数据以及区块链等的发明专利申请，一般包含算法或商业规则和方法等智力活动的规则和方法特征，本节旨在根据专利法及其实施细则，对这类申请的审查特殊性作出规定。
       审查基准
       审查应当针对要求保护的解决方案，即权利要求所限定的解决方案进行。在审查中，不应当简单割裂技术特征与算法特征或商业规则和方法特征等，而应将权利要求记载的所有内容作为一个整体，对其中涉及的技术手段、解决的技术问题和获得的技术效果进行分析
       根据专利法第二十五条第一款第(二)项的审查
       如果权利要求涉及抽象的算法或者单纯的商业规则和方法，且不包含任何技术特征，则这项权利要求属于专利法第二十五条第一款第(二)项规定的智力活动的规则和方法，不应当被授予专利权。例如，一种基于抽象算法且不包含任何技术特征的数学模型建立方法，属于专利法第二十五条第一款第(二)项规定的不应当被授予专利权的情形。再如，一种根据用户的消费额度进行返利的方法，该方法中包含的特征全部是与返利规则相关的商业规则和方法特征，不包含任何技术特征，属于专利法第二十五条第一款第(二)项规定的不应当被授予专利权的情形。
如果权利要求中除了算法特征或商业规则和方法特征，还包含技术特征，该权利要求就整体而言并不是一种智力活动的规则和方法，则不应当依据专利法第二十五条第一款第(二)项排除其获得专利权的可能性。
       根据专利法第二条第二款的审查
       如果要求保护的权利要求作为一个整体不属于专利法第二十五条第一款第(二)项排除获得专利权的情形，则需要就其是否属于专利法第二条第二款所述的技术方案进行审查。
       对一项包含算法特征或商业规则和方法特征的权利要求是否属于技术方案进行审查时，需要整体考虑权利要求中记载的全部特征。如果该项权利要求记载了对要解决的技术问题采用了利用自然规律的技术手段，并且由此获得符合自然规律的技术效果，则该权利要求限定的解决方案属于专利法第二条第二款所述的技术方案。例如，如果权利要求中涉及算法的各个步骤体现出与所要解决的技术问题密切相关，如算法处理的数据是技术领域中具有确切技术含义的数据，算法的执行能直接体现出利用自然规律解决某一技术问题的过程，并且获得了技术效果，则通常该权利要求限定的解决方案属于专利法第二条第二款所述的技术方案。
       新颖性和创造性的审查
       对包含算法特征或商业规则和方法特征的发明专利申请进行新颖性审查时，应当考虑权利要求记载的全部特征，所述全部特征既包括技术特征，也包括算法特征或商业规则和方法特征。
       对既包含技术特征又包含算法特征或商业规则和方法特征的发明专利申请进行创造性审查时，应将与技术特征功能上彼此相互支持、存在相互作用关系的算法特征或商业规则和方法特征与所述技术特征作为一个整体考虑。“功能上彼此相互支持、存在相互作用关系”是指算法特征或商业规则和方法特征与技术特征紧密结合、共同构成了解决某一技术问题的技术手段,并且能够获得相应的技术效果。
       例如，如果权利要求中的算法应用于具体的技术领域，可以解决具体技术问题，那么可以认为该算法特征与技术特征功能上彼此相互支持、存在相互作用关系，该算法特征成为所采取的技术手段的组成部分，在进行创造性审查时，应当考虑所述的算法特征对技术方案作出的贡献。
       再如，如果权利要求中的商业规则和方法特征的实施需要技术手段的调整或改进，那么可以认为该商业规则和方法特征与技术特征功能上彼此相互支持、存在相互作用关系，在进行创造性审查时，应当考虑所述的商业规则和方法特征对技术方案作出的贡献。
       
       具体示例
       示例1：一种建立数学模型的方法，其特征在于，包括以下步骤：
       根据第一分类任务的训练样本中的特征值和至少一个第二分类任务的训练样本中的特征值，对初始特征提取模型进行训练，得到目标特征提取模型;其中，所述第二分类任务是与所述第一分类任务相关的其它分类任务;
       根据所述目标特征提取模型，分别对所述第一分类任务的每个训练样本中的特征值进行处理，得到所述每个训练样本对应的提取特征值;
       将所述每个训练样本对应的提取特征值和标签值组成提取训练样本，对初始分类模型进行训练，得到目标分类模型;
       将所述目标分类模型和所述目标特征提取模型组成所述第一分类任务的数学模型。
       该解决方案不涉及任何具体的应用领域，其中处理的训练样本的特征值、提取特征值、标签值、目标分类模型以及目标特征提取模型都是抽象的通用数据，利用训练样本的相关数据对数学模型进行训练等处理过程是一系列抽象的数学方法步骤，最后得到的结果也是抽象的通用分类数学模型。该方案是一种抽象的模型建立方法，其处理对象、过程和结果都不涉及与具体应用领域的结合，属于对抽象数学方法的优化，且整个方案并不包括任何技术特征，该发明专利申请的解决方案属于专利法第二十五条第一款第(二)项规定的智力活动的规则和方法，不属于专利保护客体。
一种卷积神经网络CNN模型的训练方法，其特征在于，所述方法包括：
       获取待训练CNN模型的初始模型参数，所述初始模型参数包括各级卷积层的初始卷积核、所述各级卷积层的初始偏置矩阵、全连接层的初始权重矩阵和所述全连接层的初始偏置向量;
       获取多个训练图像;
       在所述各级卷积层上，使用所述各级卷积层上的初始卷积核和初始偏置矩阵，对每个训练图像分别进行卷积操作和最大池化操作，得到每个训练图像在所述各级卷积层上的第一特征图像;
       对每个训练图像在至少一级卷积层上的第一特征图像进行水平池化操作，得到每个训练图像在各级卷积层上的第二特征图像;
       根据每个训练图像在各级卷积层上的第二特征图像确定每个训练图像的特征向量;
       根据所述初始权重矩阵和初始偏置向量对每个特征向量进行处理，得到每个训练图像的类别概率向量；
       根据所述每个训练图像的类别概率向量及每个训练图像的初始类别，计算类别误差;
       基于所述类别误差，对所述待训练CNN模型的模型参数进行调整;
       基于调整后的模型参数和所述多个训练图像，继续进行模型参数调整的过程，直至迭代次数达到预设次数;
       将迭代次数达到预设次数时所得到的模型参数作为训练好的CNN模型的模型参数。
       该解决方案是一种卷积神经网络CNN模型的训练方法，其中明确了模型训练方法的各步骤中处理的数据均为图像数据以及各步骤如何处理图像数据，体现出神经网络训练算法与图像信息处理密切相关。该解决方案所解决的是如何克服CNN模型仅能识别具有固定尺寸的图像的技术问题，采用了在不同卷积层上对图像进行不同处理并训练的手段，利用的是遵循自然规律的技术手段，获得了训练好的CNN模型能够识别任意尺寸待识别图像的技术效果。因此，该发明专利申请的解决方案属于专利法第二条第二款规定的技术方案，属于专利保护客体。
       
       示例2：一种消费返利的方法
       申请内容概述
       发明专利申请提出一种消费返利的方法，通过计算机执行设定的返利规则给予消费的用户现金券，从而提高了用户的消费意愿，为商家获得了更多的利润。
       申请的权利要求
       一种消费返利的方法，其特征在于，包括以下步骤：
       用户在商家进行消费时，商家根据消费的金额返回一定的现金券，具体地，商家采用计算机对用户的消费金额进行计算，将用户的消费金额R划分为M个区间，其中，M为整数，区间1到区间M的数值由小到大，将返回现金券的额度F也分为M个值，M个数值也由小到大进行排列;
       根据计算机的计算值，判断当用户本次消费金额位于区间1时，返利额度为第1个值，当用户本次消费金额位于区间2时，返利额度为第2个值，依次类推，将相应区间的返利额度返回给用户。
该解决方案涉及一种消费返利的方法，该方法是由计算机执行的，其处理对象是用户的消费数据，所要解决的是如何促进用户消费的问题，不构成技术问题，所采用的手段是通过计算机执行人为设定的返利规则，但对计算机的限定只是按照指定的规则根据用户消费金额确定返利额度，不受自然规律的约束，因而未利用技术手段，该方案获得的效果仅仅是促进用户消费，不是符合自然规律的技术效果。
       因此，该发明专利申请不属于专利法第二条第二款规定的技术方案，不属于专利保护的客体。
       
       示例3：一种物流配送方法
       申请内容概述
       在货物配送过程中，如何有效提高货物配送效率以及降低配送成本，是发明专利申请所要解决的问题。在物流人员到达配送地点后，可以通过服务器向订货用户终端推送消息的形式同时通知特定配送区域的多个订货用户进行提货，达到了提高货物配送效率以及降低配送成本的目的。
       申请的权利要求
       一种物流配送方法，其通过批量通知用户取件的方式来提高物流配送效率，该方法包括：
       当派件员需要通知用户取件时，派件员通过手持的物流终端向服务器发送货物已到达的通知;
       服务器批量通知派件员派送范围内的所有订货用户;
       接收到通知的订货用户根据通知信息完成取件;
       其中，服务器进行批量通知具体实现方式为，服务器根据物流终端发送的到货通知中所携带的派件员ID、物流终端当前位置以及对应的配送范围，确定该派件员ID所对应的、以所述物流终端的当前位置为中心的配送距离范围内的所有目标订单信息，然后将通知信息推送给所有目标订单信息中的订货用户账号所对应的订货用户终端。
对比文件1公开了一种物流配送方法，其由物流终端对配送单上的条码进行扫描，并将扫描信息发送给服务器以通知服务器货物已经到达；服务器获取扫描信息中的订货用户信息，并向该订货用户发出通知；接收到通知的订货用户根据通知信息完成取件。
       发明专利申请的解决方案与对比文件1的区别在于批量通知用户订货到达，为实现批量通知，方案中服务器、物流终端和用户终端之间的数据架构和数据通信方式均做出了相应调整，取件通知规则和具体的批量通知实现方式在功能上彼此相互支持、存在相互作用关系。相对于对比文件1，确定发明实际解决的技术问题是如何提高订单到达通知效率进而提高货物配送效率。从用户角度来看，用户可以更快地获知订货到达情况的信息，也提高了用户体验。由于现有技术并不存在对上述对比文件1做出改进从而获得发明专利申请的解决方案的技术启示，该解决方案具备创造性。
       
       示例4：一种动态观点演变的可视化方法
       申请内容概述
       近年来人们越来越多地通过社交平台发表他们的意见和想法，人们在社交平台上发表的带有情感的内容反映了人们观点的演变，并可以由此看出事件的发展、变化和趋势。发明专利申请通过自动采集社交平台人们发表的信息并对其中的情感进行分析，通过计算机绘制情感可视化图来帮助人们更好地理解情感在不同时间的强度变化和随时间而演变的趋势。
       申请的权利要求
       一种动态观点演变的可视化方法，所述方法包括:
       步骤一，由计算设备确定所采集的信息集合中信息的情感隶属度和情感分类，所述信息的情感隶属度表示该信息以多大概率属于某一情感分类;
       步骤二，所述情感分类为积极、中立或消极，具体分类方法为：如果点赞的数目p除以点踩的数目q的值r大于阈值a，那么认为该情感分类为积极，如果值r小于阈值b，那么认为该情感分类为消极，如果值b≤r≤a,那么情感分类为中立，其中a>b;
       步骤三，基于所述信息的情感分类，自动建立所述信息集合的情感可视化图形的几何布局，以横轴表示信息产生的时间，以纵轴表示属于各情感分类的信息的数量;
       步骤四，所述计算设备基于所述信息的情感隶属度对所建立的几何布局进行着色，按照信息颜色的渐变顺序为各情感分类层上的信息着色。
       对比文件1公开了一种基于情感的可视化分析方法，其中时间被表示为一条水平轴，每条色带在不同时间的宽度代表一种情感在该时间的度量，用不同的色带代表不同的情感。
       发明专利申请的解决方案与对比文件1的区别在于步骤二中设定的情感的具体分类规则。从申请内容中可以看出，即使情感分类规则不同，对相应数据进行着色处理的技术手段也可以是相同的，不必作出改变，即上述情感分类规则与具体的可视化手段并非功能上彼此相互支持、存在相互作用关系。与对比文件1相比，发明专利申请只是提出了一种新的情感分类的规则，没有实际解决任何技术问题，也没有针对现有技术作出技术贡献。因此，要求保护的发明技术方案相对于对比文件1不具备创造性。
       观点：对于软件类专利，特别涉及到算法的专利，在撰写的时候一定不能写成抽象的算法，而是要在某个特定的应用领域中应用该算法，例如，应用在智能驾驶领域、应用在图像识别领域等。
       对于一个具体的算法例如卷积神经网络或者支持向量机，如果首次应用到某个领域，是比较容易授权的，否则是比较困难的。此外，应用领域涉及经济或者人的情感等就不容易获得授权。

附件：链接：https://pan.baidu.com/s/1xh5h260TH07xZu4G8-YxDA   提取码：w196