发明创造名称：分类方法及装置
外观设计名称：
决定号：191551
决定日：2019-09-10
委内编号：1F273385
优先权日：
申请（专利）号：201410433033.5
申请日：2014-08-28
复审请求人：百度在线网络技术(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：王艳坤
合议组组长：田志刚
参审员：刘琳
国际分类号：G06F17/30
外观设计分类号：
法律依据：专利法第22条第2款，第22条第3款
决定要点：如果一份对比文件单独完全公开一项权利要求的全部技术特征，且两者领域相同，能够解决相同的技术问题，获得相同的技术效果，则该项权利要求不具备新颖性。
全文：
本复审请求涉及申请号为201410433033.5，名称为“分类方法及装置”的发明专利申请（下称本申请）。本申请的申请人为百度在线网络技术(北京)有限公司，申请日为2014年08月28日，公开日为2016年03月02日。
经实质审查，国家知识产权局原审查部门于2018年11月05日发出驳回决定，驳回了本申请，其理由是：权利要求1-8不具备专利法第22条第3款规定的创造性。驳回决定所依据的文本为：针对申请日2014年08月28日提交的说明书摘要、说明书第1-121段、摘要附图、说明书附图图1-5；2018年07月16日提交的权利要求第1-8项。驳回决定所针对的权利要求书如下：
“1. 一种分类方法，其特征在于，包括：
将待预测的数据分别输入M个目标分类器，以获得所述M个目标分类器中每个目标分类器所输出的预测结果，M为大于或等于2的整数，所述每个目标分类器之间相互独立；
根据所述每个目标分类器所输出的预测结果和所述每个目标分类器的预测权重，获得所述数据的分类结果；其中，
所述将待预测的数据分别输入M个目标分类器，以获得所述M个目标分类器中每个目标分类器所输出的预测结果之前，还包括：
利用M个训练样本集中每个训练样本集，分别构建1个目标分类器，所述每个训练样本集中所包含的训练样本不完全相同；或者
利用1个训练样本集，采用M个分类算法中每个分类算法，分别构建1个目标分类器。
2. 根据权利要求1所述的方法，其特征在于，所述根据所述每个目标分类器所输出的预测结果和所述每个目标分类器的预测权重，获得所述数据的分类结果之前，还包括：
根据所述每个目标分类器的分类准确率，获得所述每个目标分类器的第一权重值；
根据第一指定时间和所述每个目标分类器的构建时间，获得所述每个目标分类器的第二权重值；
根据所述第一权重值和所述第二权重值，获得所述每个目标分类器的预测权重。
3. 根据权利要求1～2任一权利要求所述的方法，其特征在于，所述将待预测的数据分别输入M个目标分类器，以获得所述M个目标分类器中每个目标分类器所输出的预测结果之前，还包括：
确定待更新的N个候选分类器，N为大于或等于M的整数；
根据所述N个候选分类器中每个候选分类器的分类准确率，获得所述每个候选分类器的第三权重值；
根据第二指定时间和所述每个候选分类器的构建时间，获得所述每个候选分类器的第四权重值；
根据所述第三权重值和/或所述第四权重值，从所述N个候选分类器中删除P个候选分类器，以获得所述M个目标分类器，P为大于或等于1，且小于或等于N-2的整数。
4. 根据权利要求1～2任一权利要求所述的方法，其特征在于，所述将待预测的数据分别输入M个目标分类器，以获得所述M个目标分类器中每个目标分类器所输出的预测结果之前，还包括：
确定所构建的1个新的候选分类器；
根据所述新的候选分类器的分类准确率，获得所述新的候选分类器的第五权重值；
根据第三指定时间和所述新的候选分类器的构建时间，获得所述每个候选分类器的第六权重值；
根据所述第五权重值和/或所述第六权重值，将待更新的Q个候选分类器与所述新的候选分类器，作为所述M个目标分类器。
5. 一种分类装置，其特征在于，包括：
分类单元，用于将待预测的数据分别输入M个目标分类器，以获得所述M个目标分类器中每个目标分类器所输出的预测结果，M为大于或等于2的整数，所述每个目标分类器之间相互独立；
处理单元，用于根据所述每个目标分类器所输出的预测结果和所述每个目标分类器的预测权重，获得所述数据的分类结果；其中，
所述装置还包括构建单元，用于
利用M个训练样本集中每个训练样本集，分别构建1个目标分类器，所述每个训练样本集中所包含的训练样本不完全相同；或者
利用1个训练样本集，采用M个分类算法中每个分类算法，分别构建1 个目标分类器。
6. 根据权利要求5所述的装置，其特征在于，所述处理单元，还用于
根据所述每个目标分类器的分类准确率，获得所述每个目标分类器的第一权重值；
根据第一指定时间和所述每个目标分类器的构建时间，获得所述每个目标分类器的第二权重值；以及
根据所述第一权重值和所述第二权重值，获得所述每个目标分类器的预测权重。
7. 根据权利要求5～6任一权利要求所述的装置，其特征在于，所述装置还包括第一更新单元，用于
确定待更新的N个候选分类器，N为大于或等于M的整数；
根据所述N个候选分类器中每个候选分类器的分类准确率，获得所述每个候选分类器的第三权重值；
根据第二指定时间和所述每个候选分类器的构建时间，获得所述每个候选分类器的第四权重值；以及
根据所述第三权重值和/或所述第四权重值，从所述N个候选分类器中删除P个候选分类器，以获得所述M个目标分类器，P为大于或等于1，且小于或等于N-2的整数。
8. 根据权利要求5～6任一权利要求所述的装置，其特征在于，所述装置还包括第二更新单元，用于
确定所构建的1个新的候选分类器；
根据所述新的候选分类器的分类准确率，获得所述新的候选分类器的第五权重值；
根据第三指定时间和所述新的候选分类器的构建时间，获得所述每个候选分类器的第六权重值；以及
根据所述第五权重值和/或所述第六权重值，将待更新的Q个候选分类器与所述新的候选分类器，作为所述M个目标分类器。”
驳回决定中引用如下对比文件：
对比文件1：CN101251851A，公开日为2008年08月27日；
对比文件2：“采用集成学习算法提高分类器的准确性”，http://www.wangxianfeng.name/2011/08/ensemble-method-to-improve-the-accuracy-of-the-classifier/，公开日为2011年08月24日。
驳回决定的主要理由：权利要求1与对比文件1的区别技术特征为：权利要求1在所述将待预测的数据分别输入M个目标分类器，以获得所述M个目标分类器中每个目标分类器所输出的预测结果之前，还包括：利用M个训练样本集中每个训练样本集，分别构建1个目标分类器，所述每个训练样本集中所包含的训练样本不完全相同；或者利用1个训练样本集，采用M个分类算法中每个分类算法，分别构建1个目标分类器。然而上述区别技术特征或被对比文件2公开，或对比文件2给出启示，即基于对比文件2给出的异态集成学习使用不同的分类器进行集成的启示，本领域技术人员容易想到“利用1个训练样本集，采用M个分类算法中每个分类算法，分别构建1个目标分类器”。因此，在对比文件1的基础上结合对比文件2以及本领域的常用技术手段得到权利要求1的方案对于本领域技术人员来说是显而易见的，权利要求1不具备创造性。权利要求2-4记载的附加技术特征已经被对比文件1所公开，也不具备创造性。权利要求5-8请求保护一种分类装置，其是与方法权利要求1-4特征部分对应的装置权利要求，基于权利要求1-4相同的理由和证据，权利要求5-8也不具备专利法第22条第3款规定的创造性。
申请人（下称复审请求人）对上述驳回决定不服,于2019年02月12日向国家知识产权局提出了复审请求，未对权利要求进行任何修改。复审请求人认为：权利要求1与对比文件1的区别技术特征至少包括：利用M个训练样本集中每个训练样本集，分别构建1个目标分类器，所述每个训练样本集中所包含的训练样本不完全相同；或者利用1个训练样本集，采用M个分类算法中每个分类算法，分别构建1个目标分类器。本申请权利要求1中的区别技术特征相对于对比文件1来说解决了如何构建一个包含M个不相同的目标分类器的分类系统的技术问题。本领域技术人员没有动机对对比文件1进行改进以结合对比文件2和本领域的常用技术手段。
经形式审查合格，国家知识产权局于2019年02月15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，对比文件2公开了如何构建不同的分类器，且其构建方法与本申请中“利用M个训练样本集中每个训练样本集，分别构建1个目标分类器”一致。对比文件2公开了两种分类器集成的方式，一种是同态集成，另一种是异态集成学习，异态集成是使用不同的分类器进行集成。同态集成中集成的基本分类器是同一种分类器；基于对比文件2给出的启示，本领域技术人员容易想到不同的分类器即通过采用不同的分类算法得到。对比文件1公开了多分类集成进行分类的方法，其涉及多个分类器，虽然其多个分类器都采用了相同的训练和预测算法，即，对比文件1给出了一种构建多个分类器的方式，而对比文件2给出了多个分类器集成的另外两种分类器的构建方式，基于该启示，本领域技术人员有动机对多个分类器的构建方式进行替换或者改进从而获得本申请的方案。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05月06日向复审请求人发出复审通知书，指出：权利要求1和5不具备专利法第22条第2款规定的新颖性，权利要求2-4和6-8不具备专利法第22条第3款规定的创造性。复审通知书中引用的对比文件如下：
对比文件2：“采用集成学习算法提高分类器的准确性”，http://www.wangxianfeng.name/2011/08/ensemble-method-to-improve-the-accuracy-of-the-classifier/，公开日为2011年08月24日；
对比文件1：CN101251851A，公开日为2008年08月27日，
其中，对比文件2为最接近的现有技术。
复审通知书的主要理由：对比文件2已经公开了权利要求1和5的全部技术特征，两者领域相同，能够解决相同的技术问题，获得相同的技术效果，因此，权利要求1和5不具备新颖性。在对比文件2的基础上结合对比文件1和本领域的常用技术手段，显而易见的获得权利要求2-4和6-8的方案，因此，权利要求2-4和6-8不具备创造性。
复审请求人于2019年06月21日提交了意见陈述书，同时提交了权利要求书的修改替换页，所述修改涉及分别向权利要求1和5中增加技术特征“其中，所述每个分类算法都有其关注的分类方向”。复审请求人认为：（1）权利要求1与对比文件相比，区别为利用1个训练样本集，采用M个分类算法中每个分类算法，分别构建1个目标分类器；其中，所述每个分类算法都有其关注的分类方向。（2）审查意见中将对比文件2中分散的内容抽取出来与本申请修改后的权利要求1的各技术特征分别进行对比，请求人认为是不合理的。并且，对比文件2中公开的“处理学习算法的方法，许多分类算法在同一个训练数据集上多次执行的算法可能得到不同的模型”的技术内容，是有关处理学习算法的方法，不是构建分类器的方法。在对比文件2中Bagging方法与处理学习算法不是并列的解决相同的问题的方法。因此，复审请求人不认同审查意见中将Bagging方法和处理学习算法结合起来与本申请技术特征进行对比。修改提交的权利要求书如下：
“1. 一种分类方法，其特征在于，包括：
将待预测的数据分别输入M个目标分类器，以获得所述M个目标分类器中每个目标分类器所输出的预测结果，M为大于或等于2的整数，所述每个目标分类器之间相互独立；
根据所述每个目标分类器所输出的预测结果和所述每个目标分类器的预测权重，获得所述数据的分类结果；其中，
所述将待预测的数据分别输入M个目标分类器，以获得所述M个目标分类器中每个目标分类器所输出的预测结果之前，还包括：
利用M个训练样本集中每个训练样本集，分别构建1个目标分类器，所述每个训练样本集中所包含的训练样本不完全相同；或者
利用1个训练样本集，采用M个分类算法中每个分类算法，分别构建1个目标分类器；其中，所述每个分类算法都有其关注的分类方向。
2. 根据权利要求1所述的方法，其特征在于，所述根据所述每个目标分类器所输出的预测结果和所述每个目标分类器的预测权重，获得所述数据的分类结果之前，还包括：
根据所述每个目标分类器的分类准确率，获得所述每个目标分类器的第一权重值；
根据第一指定时间和所述每个目标分类器的构建时间，获得所述每个目标分类器的第二权重值；
根据所述第一权重值和所述第二权重值，获得所述每个目标分类器的预测权重。
3. 根据权利要求1～2任一权利要求所述的方法，其特征在于，所述将待预测的数据分别输入M个目标分类器，以获得所述M个目标分类器中每个目标分类器所输出的预测结果之前，还包括：
确定待更新的N个候选分类器，N为大于或等于M的整数；
根据所述N个候选分类器中每个候选分类器的分类准确率，获得所述每个候选分类器的第三权重值；
根据第二指定时间和所述每个候选分类器的构建时间，获得所述每个候选分类器的第四权重值；
根据所述第三权重值和/或所述第四权重值，从所述N个候选分类器中删除P个候选分类器，以获得所述M个目标分类器，P为大于或等于1，且小于或等于N-2的整数。
4. 根据权利要求1～2任一权利要求所述的方法，其特征在于，所述将待预测的数据分别输入M个目标分类器，以获得所述M个目标分类器中每个目标分类器所输出的预测结果之前，还包括：
确定所构建的1个新的候选分类器；
根据所述新的候选分类器的分类准确率，获得所述新的候选分类器的第五权重值；
根据第三指定时间和所述新的候选分类器的构建时间，获得所述每个候选分类器的第六权重值；
根据所述第五权重值和/或所述第六权重值，将待更新的Q个候选分类器与所述新的候选分类器，作为所述M个目标分类器。
5. 一种分类装置，其特征在于，包括：
分类单元，用于将待预测的数据分别输入M个目标分类器，以获得所述M个目标分类器中每个目标分类器所输出的预测结果，M为大于或等于2的整数，所述每个目标分类器之间相互独立；
处理单元，用于根据所述每个目标分类器所输出的预测结果和所述每个目标分类器的预测权重，获得所述数据的分类结果；其中，
所述装置还包括构建单元，用于
利用M个训练样本集中每个训练样本集，分别构建1个目标分类器，所述每个训练样本集中所包含的训练样本不完全相同；或者
利用1个训练样本集，采用M个分类算法中每个分类算法，分别构建1 个目标分类器；其中，所述每个分类算法都有其关注的分类方向。
6. 根据权利要求5所述的装置，其特征在于，所述处理单元，还用于根据所述每个目标分类器的分类准确率，获得所述每个目标分类器的第一权重值；
根据第一指定时间和所述每个目标分类器的构建时间，获得所述每个目标分类器的第二权重值；以及
根据所述第一权重值和所述第二权重值，获得所述每个目标分类器的预测权重。
7. 根据权利要求5～6任一权利要求所述的装置，其特征在于，所述装置还包括第一更新单元，用于
确定待更新的N个候选分类器，N为大于或等于M的整数；
根据所述N个候选分类器中每个候选分类器的分类准确率，获得所述每个候选分类器的第三权重值；
根据第二指定时间和所述每个候选分类器的构建时间，获得所述每个候选分类器的第四权重值；以及
根据所述第三权重值和/或所述第四权重值，从所述N个候选分类器中删除P个候选分类器，以获得所述M个目标分类器，P为大于或等于1，且小于或等于N-2的整数。
8. 根据权利要求5～6任一权利要求所述的装置，其特征在于，所述装置还包括第二更新单元，用于
确定所构建的1个新的候选分类器；
根据所述新的候选分类器的分类准确率，获得所述新的候选分类器的第五权重值；
根据第三指定时间和所述新的候选分类器的构建时间，获得所述每个候选分类器的第六权重值；以及
根据所述第五权重值和/或所述第六权重值，将待更新的Q个候选分类器与所述新的候选分类器，作为所述M个目标分类器。”
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。
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对权利要求书进行了修改。经审查，所述修改符合专利法第33条和专利法实施细则第61条第1款的规定。本复审决定所针对的审查文本为：2019年06月21日提交的权利要求第1-8项；申请日2014年08月28日提交的说明书第1-121段，说明书附图图1-5,说明书摘要，摘要附图。
2.关于专利法第22条第2款
专利法第22条第2款规定：新颖性，是指发明或者实用新型不属于现有技术；也没有任何单位或者个人就同样的发明或者实用新型在申请日以前向国务院专利行政部门提出过申请，并记载在申请日以后公布的专利申请文件或者公告的专利文件中。
如果一份对比文件单独完全公开一项权利要求的全部技术特征，且两者领域相同，能够解决相同的技术问题，获得相同的技术效果，则该项权利要求不具备新颖性。
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。
如果一项权利要求相对于最接近的现有技术存在区别技术特征，且现有技术中给出了将上述区别技术特征应用到该最接近的现有技术以解决其存在的技术问题的启示，这种启示会使本领域的技术人员在面对所述技术问题时，有动机改进该最接近的现有技术并获得要求保护的发明，且也未产生任何意料不到的技术效果，则该项权利要求不具备突出的实质性特点和显著的进步，不具备创造性。
本复审决定引用的对比文件与复审通知书引用的对比文件相同，即
对比文件2：“采用集成学习算法提高分类器的准确性”，http://www.wangxianfeng.name/2011/08/ensemble-method-to-improve-the-accuracy-of-the-classifier/，公开日为2011年08月24日；
对比文件1：CN101251851A，公开日为2008年08月27日，
其中，对比文件2为最接近的现有技术。
2.1权利要求1不具备专利法第22条第2款规定的新颖性。
对比文件2公开了以下内容（参见第1-4页）：提供一种采用集成学习算法提高分类器的准确性的方法，可以通过聚集多个分类器的预测结果提高分类器的分类准确性，该方法包括由训练数据构建一组基本分类器，然后通过对每个基本分类器的预测进行投票来进行分类，集成学习的思路是对新的实例进行分类的时候，把若干个单个分类器集成起来，通过多个分类器的分类结果进行某种组合来决定最终的分类，参见第1页的插图，以取得比单个分类器更好的性能。集成学习的有效前提条件是每个基本分类器应当相互独立。基本分类器分类结果的整合包括：简单投票法：让各个基本分类器进行投票（加权或者不加权）；贝叶斯投票法：基于每一个基本分类器在过去的分类表现来设定一个权值，然后按照这个权值进行投票，其中每个基本分类器的权值基于贝叶斯定理进行计算（相当于将待预测的数据分别输入M个目标分类器，以获得所述M个目标分类器中每个目标分类器所输出的预测结果，M为大于或等于2的整数，所述每个目标分类器之间相互独立；根据所述每个目标分类器所输出的预测结果和所述每个目标分类器的预测权重，获得所述数据的分类结果）。对比文件2还进一步公开：生成多个不同基本分类器的方法，包括：处理训练数据集的方法Bagging：为每一个基本分类器都构造出一个跟训练集同样大小但各不相同的训练集，从而训练出不同的基本分类器；处理学习算法的方法，许多分类算法在同一训练数据集上多次执行的算法可能得到不同的模型（相当于利用M个训练样本集中每个训练样本集，分别构建1个目标分类器，所述每个训练样本集中所包含的训练样本不完全相同；或者利用1个训练样本集，采用M个分类算法中每个分类算法，分别构建1个目标分类器）。根据对比文件2公开的生成多个不同基本分类器的方法所包括的许多分类算法在同一训练数据集上多次执行算法可能得到不同的模型，本领域技术人员可以隐含的且直接地、毫无疑义地确定每个分类算法都有其关注的分类方向。
由此可见，对比文件2公开了权利要求1的全部技术特征，且两者领域相同，能够解决相同的技术问题，并获得相同的技术效果。因此，权利要求1不具备新颖性，不符合专利法第22条第2款的规定。
2.2.关于权利要求2，对比文件2已经给出了在整合基本分类器分类结果时让各个基本分类器进行加权的技术启示。对于本领域技术人员而言，根据分类器的分类准确率来获取分类器的权重值是本领域的常用技术手段。此外，对比文件1（参见说明书第2-62段）公开了一种针对随时间和应用环境变化的所谓“概念漂移”问题而提出的分类器集成方法，该方法保留不同时间段产生的多个个体分类器，从而保留住必要的历史信息，同时及时丢弃无用的分类器，有效改善发生概念漂移时的分类预测结果，该方法具体公开以下内容：基本思想是为每个分类器分配一个权重，分类器都使用相同的训练和预测算法，但被创建的时间步不同。分类结果融合采用加权投票的方法。当一个分类器发生预测错误时，其权重乘以常数β。为每个分类器都分配一个β值，βi表示分类器i的β值，其能度量分类器i在发生预测错误时，其权重变化的幅度。βi随对应分类器连续没发生预测错误的实例个数变化而变化。当集成算法发生预测错误时，使用KL剪枝策略删除冗余个体分类器，增加一个新分类器。基于KL距离剪枝算法的主要思想是，当一个新分类器被加入时，找到KL距离小于某个预设阈值λ的个体分类器对，将权重较小的个体分类器的权重补加给被保留的个体分类器，同时删除权重较小的个体分类器，从而及时丢弃无用的专家，错误概念的干扰，使算法具有自适应能力。由此可见，对比文件1给出了分类器被创建的时间步不同，且加入新分类器时，被保留的个体分类器或者说保留时间可以继续延长的个体分类器的权重值可以加大的启示。基于此，本领域技术人员可以根据分类器权重值的需要而根据分类器的准确率、当前时间与创建时间来配置权重值。因此，在对比文件2的基础上结合对比文件1和本领域的常用技术手段以获得权利要求2的方案，对于本领域技术人员而言是显而易见的。权利要求2不具备专利法第22条第3款规定的创造性。
2.3.关于权利要求3-4，对比文件1给出了当集成算法发生预测错误时，使用KL剪枝策略删除冗余个体分类器，增加一个新分类器的启示和分类器被创建的时间步不同，且加入新分类器时，被保留的个体分类器或者说保留时间可以继续延长的个体分类器的权重值可以加大的启示。且本领域技术人员所熟知的是，对分类器执行更新操作，以更新候选分类器的数量，删除不满足分类需求的候选分类器，或者增加新的候选分类器，最后动态的生成更新后的分类器，以及根据权重值对候选分类器进行筛选以进行分类器更新，上述手段均为本领域的常用技术手段。因此，在对比文件2的基础上结合对比文件1和本领域的常用技术手段以获得权利要求3-4的方案，对于本领域技术人员而言是显而易见的。权利要求3-4不具备专利法第22条第3款规定的创造性。
2.4. 权利要求5-8要求一种分类装置，其作为产品权利要求与作为方法权利要求的权利要求1-4对应。在权利要求1-4不具备新颖性和/或创造性的情形下，基于相同的理由和证据，权利要求5不具备专利法第22条第2款规定的新颖性，权利要求6-8不具备专利法第22条第3款规定的创造性。
3.关于复审请求人的意见陈述
合议组认为：（1）对比文件2公开了：生成多个不同基本分类器的方法，包括：处理训练数据集的方法Bagging：为每一个基本分类器都构造出一个跟训练集同样大小但各不相同的训练集，从而训练出不同的基本分类器（相当于利用M个训练样本集中每个训练样本集，分别构建1个目标分类器，所述每个训练样本集中所包含的训练样本不完全相同）；处理学习算法的方法，许多分类算法在同一训练数据集上多次执行的算法可能得到不同的模型（相当于利用1个训练样本集，采用M个分类算法中每个分类算法，分别构建1个目标分类器）。且根据对比文件2公开的上述内容，本领域技术人员可以隐含的且直接地、毫无疑义地确定每个分类算法都有其关注的分类方向。因此，对比文件1已经公开了权利要求1的所有技术特征。（2）新颖性的判断原则之一为单独对比原则。作为一份对比文件的对比文件2公开了一种采用集成学习算法的分类器，该对比文件2记载了集成学习的基本思想，集成学习有效的前提条件，基本分类器之间的关系，生成多个不同基本分类器的方法，以及基本分类器分类结果的整合等相关内容。将对比文件2的内容与权利要求1的方案进行对比符合新颖性的审查原则。对比文件2中公开的“处理学习算法的方法，许多分类算法在同一个训练数据集上多次执行的算法可能得到不同的模型”其与处理训练数据集的方法诸如Bagging、Boosting并列属于生成多个不同基本分类器的方法，前者基于学习算法的维度来生成不同的基本分类器，而后者从训练数据集的维度来生成不同的基本分类器。因此，关于复审请求人的意见陈述观点不具备说服力，合议组不予以接受。
三、决定
维持国家知识产权局于2018年11月05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,复审请求人可自收到本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。
