您当前的位置:首页 > 路浩资讯 > 路浩视点
对于申请文件中背景技术撰写的探讨

静1.jpg

专利所言的背景技术,可以理解为广义上的背景技术和狭义上的背景技术。其中,广义上的背景技术指的是本领域实质的相关技术背景,也即相关现有技术,而狭义上的背景技术则是指专利申请文件中的背景技术。本文仅对后一种背景技术进行相关探讨。

《专利审查指南》第二部分第2.2.3节,对于专利申请文件中背景技术的规定如下:

发明或者实用新型说明书的背景技术部分应当写明对发明或者实用新型的理解、检索、审查有用的背景技术,并且尽可能引证反映这些背景技术的文件。

此外,在说明书背景技术部分中,还要客观地指出背景技术中存在的问题或缺陷,但是,仅限于涉及由发明或者实用新型的技术方案所解决的问题或缺陷。在可能的情况下,说明存在这种问题或缺陷的原因以及解决这些问题时曾经遇到的困难。

由上可知,背景技术作为专利申请文件中说明书的一个组成部分,主要用于定位技术问题。背景技术是整个说明书的基础,能够为确定独立权利要求的必要技术特征提供依据。对申请人而言,背景技术在突出技术方案的创造性和对应的技术效果方面也能够起到重要作用。

然而,代理人在撰写专利申请文件的过程中,通常将主要的精力集中在权利要求的撰写以及说明书的具体实施方式的撰写,而忽略了对背景技术的重视,导致背景技术的撰写存在或多或少的问题,例如背景技术撰写过于随意,逻辑混乱,描述了多个技术问题等等,不仅造成阅读困难,而且可能导致审查员无法正确理解方案的发明点,对专利产生不利的影响。

一份合格的背景技术,应当基于对现有技术的理解,通过清楚准确的语言对现有技术以及现有技术存在的问题或缺陷进行表达,以助于审查员快速定位申请文件的发明点或技术改进点。

下面,基于自身的理解谈一谈背景技术的撰写。

在背景技术部分,通常涉及到对现有技术的说明和现有技术存在的问题或缺陷,这两个部分一般是紧密相关的,目前在撰写时,有下述两种指导意见:

一种指导意见主张应当详细介绍现有技术。理由在于,在背景技术部分详细对相关的现有技术进行介绍,使得审查员可以清晰明了现有技术存在的问题或缺陷,从而充分理解本申请的技术方案与对比文件的区别,以及精准定位本申请的发明点,可以在一定程度上提高申请文件的授权可能。

另一种指导意见则主张模糊处理现有技术。理由在于,一方面,目前的专利申请多是在某一个或多个现有技术的基础上改进的,其与现有技术的方案在某些方面十分接近。若在详细描述现有技术,会使得审查员觉得本申请的改进点较小。另一方面,现有技术存在的问题或缺陷并非本领域技术人员公知的,而是需要付出创造性劳动才能获知的问题或缺陷,若将其写入背景技术,会使得审查员人觉得现有技术的问题或缺陷是容易想到的,在该种情况下,若本申请的技术方案又相对比较简单,则会在一定程度上降低申请文件的授权可能。

对于上述两种不同的指导意见,笔者认为均有一定的道理,具体实践中可以根据实际的案情来灵活判断。

第一种情况,对于技术方案本身比较复杂,新创性较高的专利申请,可以详细介绍现有技术以及现有技术存在的问题或缺陷。由于新创性较高的专利申请,其具有较好的技术方案支撑,因此,在背景技术部分撰写相对灵活。

第二种情况,对于技术方案本身比较简单,新创性较低的专利申请,例如仅仅是在现有技术的基础上对某一个或多个点提出的改进,可以模糊处理现有技术以及现有技术存在的问题或缺陷。当然,针对该种方案,可以在说明书的具体实施方式中则需要清晰的记载现有技术以及现有技术存在的问题或缺陷,以便于审查员了解本申请相对于现有技术的改进。

值得注意的是,对于具有特定应用场景的技术方案,例如仅在某些特定应用场景下才会产生的技术问题、仅在某些特定应用场景下实施的技术方案等,建议可以在背景技术部分适当阐述相关特定应用场景。

下面结合一个具体的示例进行介绍。


示例:相关现有技术:目前的联邦学习模型训练过程中,存在多个参与方共同训练模型,且所有的参与方均可以提供模型训练的数据样本,但只有一个参与方提供数据样本的标签信息。本申请的发明点在于,由多个参与方共同提供模型训练的数据样本以及对应的标签信息,以提高模型的训练效果。

第一稿撰写的背景技术如下:

“联邦学习指的是在各个参与方的数据不出本地的前提下,通过加密机制的参数交换方式,实现联邦模型的训练。

纵向联邦学习属于联邦学习的一种,主要应用于各参与方的共有用户数量较多、但各参与方的用户特征不同的应用场景。在纵向联邦学习中,不同的参与方持有相同用户的不同特征属性。目前对纵向联邦学习的模型训练时,多个参与方共同训练联邦模型,且所有的参与方均可以提供模型训练的数据样本,但只有一个参与方提供数据样本的标签信息,以更新模型参数,实现对纵向联邦学习的模型训练。

然而,上述纵向联邦学习模型的方案,只有单个参与方来提供标签,而忽略了其他参与方提供的标签,导致模型训练效果不佳。”

可以看到,上述技术方案的相关现有技术为:通过多个参与方来共同训练纵向联邦学习模型,其中,参与模型训练的所有参与方均提供数据样本,但只有单个参与方来提供数据样本对应的标签。而本申请的改进点则在于,让更多能够提供标签的参与方来提供标签,进行联邦学习模型的训练,从而提高模型训练的效果。

而上述背景技术的问题在于,过于详细的描述现有技术以及现有技术存在的问题或缺陷,明确示出了现有技术是:纵向联邦学习模型的训练就是通过多个参与方提供数据样本,一个参与方提供相应的标签,现有技术存在的问题或缺陷:只有一个参与方提供标签,标签提供方过少,忽略了其他参与方提供的标签,导致联邦学习模型效果不佳。

此外,“只有一个参与方提供标签,忽略了其他参与方提供的标签,导致联邦学习模型的效果不佳”本身就存在技术启示。对于审查员而言,在阅读到上述背景技术后,容易想当然的认为,那是不是增加提供标签的参与方的数量,采用多个参与方提供的标签共同训练模型就能提高模型训练的效果呢。而本申请的实际技术方案刚好就是由多个参与方共同提供模型训练的数据样本以及标签信息,来提高模型训练效果。因此,审查员在阅读上述背景技术后,再阅读本申请的权利要求书以及具体实施方式,发现技术方案刚好如猜想的一样,这会给审查员觉得本申请的技术方案是容易想到的,对于后续的审查过程是极为不利的。

在进行修改后,第二稿撰写的背景技术如下:

“联邦学习指的是在各个参与方的数据不出本地的前提下,通过加密机制的参数交换方式,实现联邦模型的训练。

纵向联邦学习属于联邦学习的一种,主要应用于各参与方的共有用户数量较多、但各参与方的用户特征不同的应用场景。在纵向联邦学习中,不同的参与方持有相同用户的不同特征属性。目前针对纵向联邦学习的模型训练,多个参与方共同训练联邦模型,其过程主要是由各个参与方提供用于训练的数据样本,然后由其中一个参与方来提供相应的标签,以更新模型参数。上述模型训练的效果不佳。”

第二稿中对于现有技术存在的问题或缺陷进行了简省的描述,相比于第一稿,能够在一定程度上避免在阅读完背景技术后,轻易判定为本申请的技术方案是容易想到的。


总结:背景技术在很大程度上可能会成为审查员审查专利的基础,在一定程度上可能起到引导审查员的审查思路的作用,因此,代理人在撰写背景技术时,需要根据实际的案情进行灵活地撰写,以助于审查员快速定位申请文件的发明点或技术改进点。



·END·


北京路浩知识产权集团有限公司

电话:010-62196988

网址:www.cnkip.com

·

静态.png

分享到微博

×
打开微信“扫一扫”,打开网页后点击屏幕右上角分享按钮