如何提高专利申请的质量 - 实例解读之2

本系列通过对实际案例的解读，帮助读者了解： 

• 如何判断专利申请质量 

• 怎么把专利申请写得更好 

我们来继续看看上期文章中涉及的中国发明专利申请的权利要求中的部分内容：

原权要节选2：

S6：根据设备性能和模型参数量，设置训练批次和学习率的参数更新量，调用learn函数利用所述训练集对所述预设分割模型进行迭代训练更新，并在每一轮训练后利用测试集和验证集对所述预设分割模型进行验证和测试；响应于所述预设分割模型已经收敛，得到并保存训练好的预设分割模型；

这是权利要求1中的一步。同样的，我们先给出两个修改版本，然后分析为什么这么修改，以及两种改法的差异。

修改：

修改1-S6：所述预设分割模型基于训练获取；

修改2-S6：基于所述训练集对初始预设分割模型进行迭代训练，响应于训练满足预设条件，确定训练好的所述预设分割模型；

修改的共同点：

删除了模型训练的一些具体细节，包括：

1. 模型训练更新的参数：根据设备性能和模型参数量，设置训练批次和学习率的参数更新量

2. 模型测试和验证：并在每一轮训练后利用测试集和验证集对所述预设分割模型进行验证和测试

3. 模型训练结束的条件：响应于所述预设分割模型已经收敛

4. 模型训练所用的函数：调用train函数

全属于模型训练的公知常识，大部分模型训练基本都会这样做，没有写入权要的意义，可能反而造成了范围上的限制。比如，假设对手后续做改进，在确定训练批次和参数更新量时，不再考虑设备性能，这就很容易被规避。

这几点共同的特点是，都属于现有技术或常规技术手段，对创造性没有帮助并且会限制权要的保护范围。

另外，对技术特征写得太过具体，也增加了方案被规避的可能性。

因此，想要提高专利申请的质量，应该尽量避免上面几点存在的撰写问题。

差异分析：

修改1-S6：所述预设分割模型基于训练获取；

修改2-S6：基于所述训练集对初始预设分割模型进行迭代训练，响应于训练满足预设条件，确定训练好的所述预设分割模型；

其实整个S6步骤描述的都是公知常识，包括修改2-S6没有任何创新的点。这种情况下，没必要对模型的训练展开太多。直接用修改1-S6简单的做个限定即可。权要写到这样，一般来说足以，更详细的内容可以放在说明书里。

两种改法的差异也体现出了撰写质量的高低。

• 修改1的修改方式将对创造性没有贡献的点都删除，仅仅说明模型通过训练获取，明白的人都能明白是怎么回事，还能够得到更大的保护范围。

• 修改2中虽然整体看起来训练的方案比较完整，但实际上还是常规技术特征，影响权要保护范围。

• 另外，其实在权1中完全不需要体现模型的训练相关的技术特征。除了对创造性没有贡献且影响保护范围外，模型训练是很难取证的，写在权要中也会影响专利的攻击性，降低专利价值。当然，方案本身是针对模型训练的改进的情况除外。

有些人可能会担心不清楚，两种解决办法：审查过程中，审查员认为有不清楚，再考虑针对地提特征；或者将修改2-S6设置为从权。

那么到底哪些内容是没必要写的常规技术手段，哪些又是可能有意义进行保护的点？如何才能准确判断什么时候需要写模型的训练？如何把握上位与具体化的尺度呢？这需要撰写人员在机器学习技术领域和专利实务两方面都有比较丰富的经验积累。

本系列持续通过实例解读，帮助读者提高分辨专利质量、提升申请水准的能力。