審判番号 不服2024-000725
請求人 株式会社ビービット(代理人 弁理士1名)
特願2019-44102「行動パターン分析装置、方法及びプログラム」拒絶査定不服審判事件〔令和2年9月17日出願公開、特開2020-149137、請求項の数(4)〕について、次のとおり審決する。
結 論
原査定を取り消す。
本願の発明は、特許すべきものとする。
理 由
第1 手続の経緯
本願は、平成31年3月11日の出願であって、令和5年3月17日付けで拒絶理由が通知され、令和5年7月25日付けで意見書が提出されるとともに手続補正がされ、令和5年10月11日付けで拒絶査定(原査定)がされ、これに対し、令和6年1月16日に拒絶査定不服審判の請求がされると同時に手続補正がされたものである。
第2 原査定の概要
原査定(令和5年10月11日付け拒絶査定)の概要は次のとおりである。
1.本願請求項1-4に係る発明は、以下の引用文献1に基づいて、その発明の属する技術の分野における通常の知識を有する者(以下、「当業者」という。)が容易に発明できたものであるから、特許法第29条第2項の規定により特許を受けることができない。
引用文献等一覧
1.澤田 礼我 外8名、潜在的興味分析に基づく詳細な興味グループ判定方式の提案、第10回データ工学と情報マネジメントに関するフォーラム (第16回日本データベース学会年次大会)、日本、電子情報通信学会データ工学研究専門委員会 日本データベース学会 情報処理学会データベースシステム研究会、2018年03月06日、pp.1-5
第3 審判請求時の補正について
審判請求時の補正は、特許法第17条の2第3項から第6項までの要件に違反しているものとはいえない。
請求項1に対する審判請求時の補正は、以下の補正事項1、2を含むものである。
1 補正事項1
補正前の請求項1の「指定された前記クラスタ」を「操作者に指定された前記クラスタ」とする補正。
2 補正事項2
補正前の請求項1の「前記特定ユーザの前記ユーザ情報を配列したクラスタリング特定ユーザ抽出画面」を「操作者に指定された前記クラスタにクラスタリングされた前記特定ユーザの前記ユーザ情報及び前記履歴情報を配列したクラスタリング特定ユーザ抽出画面」とする補正。
補正事項1は、クラスタを指定する主体を「操作者」に限定するものであり、補正事項2は、クラスタリング特定ユーザ抽出画面に配列される情報を「操作者に指定された前記クラスタにクラスタリングされた前記特定ユーザの前記ユーザ情報及び前記履歴情報」に限定するものであるから、いずれも、特許請求の範囲の減縮を目的とするものである。
また、補正前の請求項3及び4に対する補正も、上記補正事項1、2と同様の補正であるから、特許請求の範囲の減縮を目的とするものである。
また、上記補正事項1は、本願明細書の段落0043~0044に記載された事項であり、上記補正事項2に係る「クラスタリング特定ユーザ抽出画面」は、本願図面の図8に記載されているから、願書に最初に添付した明細書及び図面に記載された事項であり、新規事項を追加するものではない。
そして、「第4 本願発明」から「第6 対比・判断」までに示すように、補正後の請求項1-4に係る発明は、独立特許要件を満たすものである。
第4 本願発明
本願請求項1-4に係る発明(以下、それぞれ「本願発明1」-「本願発明4」という。)は、令和6年1月16日付けの手続補正で補正された特許請求の範囲の請求項1-4に記載された事項により特定される発明であり、本願発明1は以下のとおりの発明である。
「 【請求項1】
ウェブにおいて閲覧可能な閲覧可能情報に対するユーザの行動パターンを分析する行動パターン分析装置であって、
前記閲覧可能情報に対して、個々のユーザにおける前記閲覧可能情報へのアクセスに関する行動を示す履歴情報を、ユーザに関するユーザ情報と共に、ユーザ毎に取得する履歴情報取得手段と、
ある行動を示す前記履歴情報を有するユーザである特定ユーザを抽出する特定ユーザ抽出手段と、
機械学習の教師なし学習により、前記特定ユーザを、複数種類の行動パターンの特徴量を用いて複数のクラスタにクラスタリングするクラスタリング手段と、
複数の前記クラスタの中から操作者に指定された前記クラスタにクラスタリングされた前記特定ユーザを抽出するクラスタリング特定ユーザ抽出手段と、
操作者に指定された前記クラスタにクラスタリングされた前記特定ユーザの前記ユーザ情報及び前記履歴情報を配列したクラスタリング特定ユーザ抽出画面を、表示手段に表示する表示制御手段と、を備える行動パターン分析装置。」
なお、本願発明2は、本願発明1を減縮した発明であり、本願発明3は、本願発明1を「行動パターン分析方法」の発明として記載したものであり、本願発明4は、本願発明1を「プログラム」の発明として記載したものである。
第5 引用文献、引用発明等
1.引用文献1について
(1)原査定の拒絶の理由に引用された引用文献1(澤田 礼我 外8名、潜在的興味分析に基づく詳細な興味グループ判定方式の提案、第10回データ工学と情報マネジメントに関するフォーラム (第16回日本データベース学会年次大会)、日本、電子情報通信学会データ工学研究専門委員会 日本データベース学会 情報処理学会データベースシステム研究会、2018年03月06日、pp.1-5)には、図面とともに次の事項が記載されている。(下線は当審で付加したものである。以下同様。)
ア 「3.潜在的興味分析に基づく詳細な興味グループの判定方式
本節では,潜在的興味分析に基づく詳細な興味グループ判定方式について述べる.3.1節で提案する詳細な興味判定グループ判定方式の概要について述べ,3.2節で詳細な興味グループ判定システムの処理手順について述べる.
3.1 潜在的興味分析に基づく詳細な興味判定グループ判定方式の概要
興味グループ判定は,単純な興味グループ判定しか行われておらず,広告主やマーケティングプランナーにとって,新しい購買者,購買層を獲得することが難しい.そこで,提案する潜在的興味分析に基づく,詳細な興味グループ判定方式について図2に沿って説明する.
本研究では,閲覧履歴情報を用いたユーザのクラスタリングにより詳細な興味グループ判定を行う手法を提案する.事前にターゲットサイトにアクセスしたことのあるユーザらの閲覧履歴を取得する.それらの閲覧履歴情報を,興味グループ判定システムに入力する. システムは特徴を持つ興味グループを判定し,判定結果を詳細な興味グループとして出力する流れである(図2参照).また,本稿で行った実験では閲覧履歴よりユーザ毎のあるターゲットサイトに対するアクセス回数とカテゴリを特徴量として用いる.これらの特徴量については,4.1節にて説明する.ここで,具体的な詳細な興味判定方式の例を挙げる.X社の車に関連するサイトにアクセスしたことのあるユーザ(X社の車好きユーザとみなす)の閲覧履歴を取得し,その閲覧履歴情報を興味グループ判定システムに入力する.システムにより出力された各クラスタを興味グループとみなし,どのような特徴をもつ興味グループであるのか分析する.判定した結果,X社の車好きグループの詳細な興味グループは,アウトドア好きグループ,旅行好きグループ,映画好きグループのように特徴を持ったグループを出力する.実際に,Web広告推薦に用いる場合は,この興味判定グループ判定結果を広告主に提示し,アウトドア好きグループには,SUVのようなアウトドア車の広告を推薦するように,広告主自身がどのような広告を推薦するのか考えることが可能となる.以上が本研究の提案手法である.」
イ 「
〔図省略〕
図2 提案する詳細な興味グループ判定方式の流れ」
ウ 「3.2 詳細な興味グループ判定システムの処理手順
図3における,黒字((1)~(3))で記載した処理手順である.以下に処理手順を示す.
(1) 入力された閲覧履歴情報を用いてユーザのクラスタリング.
(2) クラスタリング結果より各クラスタの潜在的興味分析.
(3) 潜在的興味を考慮した各クラスタの特徴を判別し,詳細な興味グループを判定.
各手順の詳細を以下に述べる.(1)のユーザのクラスタ分類では,クラスタリング手法の1つであるk-means法を用いる.計算量も少なくできるため,ユーザの閲覧履歴情報といった膨大な量のデータを分析するのに有効である.
(2)では,クラスタリング結果より,各クラスタ内でどのような興味を持つユーザが存在するのか分析を行う.分析方法は,TF-IDFやカテゴリ出現率などを用いて,クラスタ毎の特徴を抽出する.
(3)では,各クラスタの潜在的興味を分析した結果を考慮し,どのような特徴を持つ興味グループであるのか判定する.判定結果を詳細な興味グループとして出力する.
以上が詳細な興味グループ判定を行うシステムの処理手順である.」
エ 「
〔図省略〕
図3 詳細な興味グループ判定システムの処理手順」
オ 「4. 潜在的興味分析に基づく詳細な興味グループ判定方式に関する実験的考察
本節では,潜在的興味分析に基づく詳細な興味グループ判定方式に関して,実験に基づく検討を行ったので説明する.
本実験では,あるターゲットサイトにアクセスしたことのあるユーザらを一つの興味グループとみなし,その興味グループの詳細な興味グループ判定の妥当性を検証することを目的とする.4.1節では,実験条件やクラスタリング結果について,4.2節では,実験の結果及び考察について述べる.
4.1 実験概要
本実験では,ターゲットサイト毎にアクセスしたことのあるユーザの閲覧履歴を取得し,それらの閲覧履歴情報を用いて,ユーザのクラスタリングを行う.そして,クラスタリング結果より,各クラスタがどのような特徴を持つクラスタであるか分析し,判定を行うことで,その判定結果をその興味グループの詳細な興味グループとして扱う.今回の実験では,クラスタリング結果より,各クラスタがどのような特徴を持つクラスタであるのかを特定するための分析方法について検討する.
本実験で用いたターゲットサイトは,以下のサイト(a)とサイト(b)の2サイトである.
サイト(a) 遊んでポイントが貯まるお得で楽しいポイントサイト
サイト(b) 東証一部上場企業が運営する安心・便利な共通ポイントサイト
サイト(a)とサイト(b)はどちらもポイントサイトである.また,閲覧履歴のデータには,ユーザID,ページカテゴリへのアクセス回数,カテゴリIDが含まれる.ベクトルはユーザ毎のアクセス回数を,特徴量はカテゴリIDを用いた.実験に使用したデータの全ユーザ総数,各クラスタのユーザ総数は以下の通りである.
サイト(a):
ユーザ総数:12117
クラスタ1のユーザ数:5689
クラスタ2のユーザ数:3207
クラスタ3のユーザ数:3221
データ取得期間:1日間
サイト(b):
ユーザ総数:902
クラスタ1のユーザ数:413
クラスタ2のユーザ数:231
クラスタ3のユーザ数:258
データ取得期間:1日間
以下に実験手順を示す.
手順1 あるターゲットサイトにアクセスしたことのあるユーザの閲覧履歴情報を用いて,クラスタリング手法のk-means法によりユーザのクラスタリングを行う.
手順2 クラスタリング結果より,各クラスタをTF-IDFを用いて特徴を抽出する.TF-IDFを用いた結果をタグクラウドで表示する.その結果から人手で,クラスタ毎にどのような特徴を持つクラスタであるのか分析を行う.
上記手順より,手順2で行ったタグクラウド表示の例を図4に示す.図4は,あるポイントサイトでクラスタ数を2に設定し,クラスタリングを行った結果を,さらにTF-IDFを用いて,クラスタ1とクラスタ2にカテゴリのTF-IDF値が高いほど大きいフォントサイズでタグクラウド表示したものである.今回は,このタグクラウドで表示された結果を比較することで,各クラスタの特徴を判定するための分析を行う.」
カ 「
〔図省略〕
図4 ターゲットサイトにアクセスしたユーザの閲覧履歴でクラスタリングを行った結果のタグクラウド表示例」
キ 「4.2 実験結果および考察
本節では,前節で述べた2個のターゲットサイト(サイト(a)とサイト(b))に関する実験結果について考察する.
クラスタ数を3に設定し,クラスタリング結果をTF-IDFを用いて,ターゲットサイト毎にタグクラウドで表示した実験結果を図5,図6に示す.
まず,サイト(a)(図5参照)に注目すると,クラスタ1の結果より,映画に関するカテゴリが強く現れている.また,クラスタ2の結果では,アウトレット,クラスタ3の結果では,自動車産業に関するカテゴリが強く現れている.これらの結果より,サイト(a)では,映画,アウトレット,自動車産業の3つの特徴が現れており,3つのユーザグループが存在すると考えられる.このように,自社のサイトを閲覧している詳細なユーザグループを認知することができると考えられる.また,今まで未知であったユーザグループを認知することによって,新規ユーザ獲得が可能になると期待できる.
次に,サイト(a)(図5参照)とサイト(b)(図6参照)を比較する.サイト(a)では前述で述べた通り,映画やアウトレットや自動車産業カテゴリ関連のユーザグループが存在していると考えられる.一方,サイト(b)ではアイドルやラーメンやクイズ関連のユーザグループが存在していると考えられ,サイト(a)とは違うユーザグループが存在していると推測できる.このように,サイト(a)とサイト(b)は,ポイントサイトという同じカテゴリサイトであるが,サイト毎に異なる特徴を持つユーザグループが存在すると考えられ,同じカテゴリサイトであっても区別することができる.また,詳細なユーザグループを特定することで,同カテゴリサイトであっても,それぞれのサイト毎に合わせたマーケティング戦略をとることやWeb広告推薦が可能になると考えられる.
以上より,閲覧履歴のクラスタリングおよびタグクラウド表示を行うことで,各サイトの閲覧ユーザのグループ分けを行い,その特徴の違いの把握が可能であることを確認した.今後は,ポイントサイト以外のカテゴリサイトで実験を行うことやポイントサイトに関してもターゲットサイト数を増やし,ターゲットサイト毎の新たな特徴を見つけ出すことを目指して,引き続き実験を進めていく予定である.」
ク 「
〔図省略〕
図5 サイトa にアクセスしたユーザの閲覧履歴でクラスタリングを行った結果のタグクラウド表示例」
ケ 「
〔図省略〕
図6 サイトb にアクセスしたユーザの閲覧履歴でクラスタリングを行った結果のタグクラウド表示例」
(2)引用発明
引用文献1の上記記載について検討する。
ア 上記(1)アの「事前にターゲットサイトにアクセスしたことのあるユーザらの閲覧履歴を取得する.それらの閲覧履歴情報を,興味グループ判定システムに入力する. システムは特徴を持つ興味グループを判定し,判定結果を詳細な興味グループとして出力する流れである(図2参照).また,本稿で行った実験では閲覧履歴よりユーザ毎のあるターゲットサイトに対するアクセス回数とカテゴリを特徴量として用いる.」との記載、及び上記(1)イの図2の記載から、引用文献1には、“ターゲットサイトにアクセスしたことのあるユーザらの閲覧履歴情報を入力し、特徴を持つ興味グループを判定し、判定結果を詳細な興味グループとして出力する、興味グループ判定システムであって、実験では閲覧履歴よりユーザ毎のあるターゲットサイトに対するアクセス回数とカテゴリを特徴量として用いるものであ”ることが記載されていると認められる。
イ 上記(1)ウの「(1) 入力された閲覧履歴情報を用いてユーザのクラスタリング.
(2) クラスタリング結果より各クラスタの潜在的興味分析.
(3) 潜在的興味を考慮した各クラスタの特徴を判別し,詳細な興味グループを判定.
各手順の詳細を以下に述べる.(1)のユーザのクラスタ分類では,クラスタリング手法の1つであるk-means法を用いる.計算量も少なくできるため,ユーザの閲覧履歴情報といった膨大な量のデータを分析するのに有効である.
(2)では,クラスタリング結果より,各クラスタ内でどのような興味を持つユーザが存在するのか分析を行う.分析方法は,TF-IDFやカテゴリ出現率などを用いて,クラスタ毎の特徴を抽出する.
(3)では,各クラスタの潜在的興味を分析した結果を考慮し,どのような特徴を持つ興味グループであるのか判定する.判定結果を詳細な興味グループとして出力する.
以上が詳細な興味グループ判定を行うシステムの処理手順である.」との記載及び上記(1)エの図3の記載から、引用文献1には、
“興味グループ判定システムは、
(1) 入力された閲覧履歴情報を用いてユーザのクラスタリングを行い、
(2) クラスタリング結果より各クラスタの潜在的興味分析を行い、
(3) 潜在的興味を考慮した各クラスタの特徴を判別し、詳細な興味グループを判定するという処理手順を実行するものであり、
(1)では、クラスタリング手法の1つであるk-means法を用い、
(2)では、クラスタリング結果より、各クラスタ内でどのような興味を持つユーザが存在するのか分析を行い、分析方法は、TF-IDFやカテゴリ出現率などを用いて、クラスタ毎の特徴を抽出し、
(3)では、各クラスタの潜在的興味を分析した結果を考慮し、どのような特徴を持つ興味グループであるのか判定し、判定結果を詳細な興味グループとして出力するものであ”ることが記載されていると認められる。
ウ 上記(1)オの「本実験では,あるターゲットサイトにアクセスしたことのあるユーザらを一つの興味グループとみなし,その興味グループの詳細な興味グループ判定の妥当性を検証することを目的とする.・・・
本実験では,ターゲットサイト毎にアクセスしたことのあるユーザの閲覧履歴を取得し,それらの閲覧履歴情報を用いて,ユーザのクラスタリングを行う.そして,クラスタリング結果より,各クラスタがどのような特徴を持つクラスタであるか分析し,判定を行うことで,その判定結果をその興味グループの詳細な興味グループとして扱う.・・・
本実験で用いたターゲットサイトは,以下のサイト(a)とサイト(b)の2サイトである.
サイト(a) 遊んでポイントが貯まるお得で楽しいポイントサイト
サイト(b) 東証一部上場企業が運営する安心・便利な共通ポイントサイト
サイト(a)とサイト(b)はどちらもポイントサイトである.また,閲覧履歴のデータには,ユーザID,ページカテゴリへのアクセス回数,カテゴリIDが含まれる.ベクトルはユーザ毎のアクセス回数を,特徴量はカテゴリIDを用いた.・・・
以下に実験手順を示す.
手順1 あるターゲットサイトにアクセスしたことのあるユーザの閲覧履歴情報を用いて,クラスタリング手法のk-means法によりユーザのクラスタリングを行う.
手順2 クラスタリング結果より,各クラスタをTF-IDFを用いて特徴を抽出する.TF-IDFを用いた結果をタグクラウドで表示する.その結果から人手で,クラスタ毎にどのような特徴を持つクラスタであるのか分析を行う.
上記手順より,手順2で行ったタグクラウド表示の例を図4に示す.図4は,あるポイントサイトでクラスタ数を2に設定し,クラスタリングを行った結果を,さらにTF-IDFを用いて,クラスタ1とクラスタ2にカテゴリのTF-IDF値が高いほど大きいフォントサイズでタグクラウド表示したものである.今回は,このタグクラウドで表示された結果を比較することで,各クラスタの特徴を判定するための分析を行う.」との記載、及び上記カの図4の記載から、引用文献1には、“あるターゲットサイトにアクセスしたことのあるユーザらを一つの興味グループとみなし、その興味グループの詳細な興味グループ判定の妥当性を検証することを目的とする実験では、
ターゲットサイト毎にアクセスしたことのあるユーザの閲覧履歴を取得し、それらの閲覧履歴情報を用いて、ユーザのクラスタリングを行い、クラスタリング結果より、各クラスタがどのような特徴を持つクラスタであるか分析し、判定を行うことで、その判定結果をその興味グループの詳細な興味グループとして扱うものであり、
実験で用いたターゲットサイトは、「遊んでポイントが貯まるお得で楽しいポイントサイト(サイト(a))」と「東証一部上場企業が運営する安心・便利な共通ポイントサイト(サイト(b))」の2サイトであり、
閲覧履歴のデータには、ユーザID、ページカテゴリへのアクセス回数、カテゴリIDが含まれ、ベクトルはユーザ毎のアクセス回数を、特徴量はカテゴリIDを用いており、
実験手順は以下の手順1及び手順2のとおりであり、
手順1 あるターゲットサイトにアクセスしたことのあるユーザの閲覧履歴情報を用いて、クラスタリング手法のk-means法によりユーザのクラスタリングを行う.
手順2 クラスタリング結果より、各クラスタをTF-IDFを用いて特徴を抽出し、TF-IDFを用いた結果をタグクラウドで表示し、その結果から人手で、クラスタ毎にどのような特徴を持つクラスタであるのか分析を行う.
上記手順により、あるポイントサイトでクラスタ数を2に設定し、クラスタリングを行った結果を、さらにTF-IDFを用いて、クラスタ1とクラスタ2にカテゴリのTF-IDF値が高いほど大きいフォントサイズでタグクラウド表示し、このタグクラウドで表示された結果を比較することで、各クラスタの特徴を判定するための分析を行”うことが記載されていると認められる。
エ 上記(1)キの「本節では,前節で述べた2個のターゲットサイト(サイト(a)とサイト(b))に関する実験結果について考察する.
クラスタ数を3に設定し,クラスタリング結果をTF-IDFを用いて,ターゲットサイト毎にタグクラウドで表示した実験結果を図5,図6に示す.
まず,サイト(a)(図5参照)に注目すると,クラスタ1の結果より,映画に関するカテゴリが強く現れている.また,クラスタ2の結果では,アウトレット,クラスタ3の結果では,自動車産業に関するカテゴリが強く現れている.これらの結果より,サイト(a)では,映画,アウトレット,自動車産業の3つの特徴が現れており,3つのユーザグループが存在すると考えられる.このように,自社のサイトを閲覧している詳細なユーザグループを認知することができると考えられる.また,今まで未知であったユーザグループを認知することによって,新規ユーザ獲得が可能になると期待できる.
次に,サイト(a)(図5参照)とサイト(b)(図6参照)を比較する.サイト(a)では前述で述べた通り,映画やアウトレットや自動車産業カテゴリ関連のユーザグループが存在していると考えられる.一方,サイト(b)ではアイドルやラーメンやクイズ関連のユーザグループが存在していると考えられ,サイト(a)とは違うユーザグループが存在していると推測できる.このように,サイト(a)とサイト(b)は,ポイントサイトという同じカテゴリサイトであるが,サイト毎に異なる特徴を持つユーザグループが存在すると考えられ,同じカテゴリサイトであっても区別することができる.また,詳細なユーザグループを特定することで,同カテゴリサイトであっても,それぞれのサイト毎に合わせたマーケティング戦略をとることやWeb広告推薦が可能になると考えられる.」との記載、上記(1)クの図5の記載、及び上記(1)ケの図6の記載から、引用文献1には、“2個のターゲットサイト(サイト(a)とサイト(b))に関して、クラスタ数を3に設定し、クラスタリング結果をTF-IDFを用いて、ターゲットサイト毎にタグクラウドで表示した実験結果によれば、
クラスタ1の結果では、映画に関するカテゴリが強く現れていること、クラスタ2の結果では、アウトレット、クラスタ3の結果では、自動車産業に関するカテゴリが強く現れていることから、サイト(a)では、映画、アウトレット、自動車産業の3つの特徴が現れており、3つのユーザグループが存在すると考えられ、自社のサイトを閲覧している詳細なユーザグループを認知することができ、これにより、今まで未知であったユーザグループを認知することによって、新規ユーザ獲得が可能になると期待でき、
また、サイト(a)とサイト(b)を比較することにより、サイト(a)では、映画やアウトレットや自動車産業カテゴリ関連のユーザグループが存在していると考えられる一方、サイト(b)ではアイドルやラーメンやクイズ関連のユーザグループが存在していると考えられ、サイト(a) とは違うユーザグループが存在していると推測でき、サイト(a)とサイト(b)は、ポイントサイトという同じカテゴリサイトであるが、サイト毎に異なる特徴を持つユーザグループが存在すると考えられ、同じカテゴリサイトであっても区別することができ、また、詳細なユーザグループを特定することで、同カテゴリサイトであっても、それぞれのサイト毎に合わせたマーケティング戦略をとることやWeb広告推薦が可能になる”ことが記載されていると認められる。
オ 上記ア~エの検討から、上記引用文献1には次の発明(以下、「引用発明」という。)が記載されていると認められる。
「ターゲットサイトにアクセスしたことのあるユーザらの閲覧履歴情報を入力し、特徴を持つ興味グループを判定し、判定結果を詳細な興味グループとして出力する、興味グループ判定システムであって、
実験では閲覧履歴よりユーザ毎のあるターゲットサイトに対するアクセス回数とカテゴリを特徴量として用いるものであり、
前記興味グループ判定システムは、
(1) 入力された閲覧履歴情報を用いてユーザのクラスタリングを行い、
(2) クラスタリング結果より各クラスタの潜在的興味分析を行い、
(3) 潜在的興味を考慮した各クラスタの特徴を判別し、詳細な興味グループを判定するという処理手順を実行するものであり、
(1)では、クラスタリング手法の1つであるk-means法を用い、
(2)では、クラスタリング結果より、各クラスタ内でどのような興味を持つユーザが存在するのか分析を行い、分析方法は、TF-IDFやカテゴリ出現率などを用いて、クラスタ毎の特徴を抽出し、
(3)では、各クラスタの潜在的興味を分析した結果を考慮し、どのような特徴を持つ興味グループであるのか判定し、判定結果を詳細な興味グループとして出力するものであり、
あるターゲットサイトにアクセスしたことのあるユーザらを一つの興味グループとみなし、その興味グループの詳細な興味グループ判定の妥当性を検証することを目的とする実験では、
ターゲットサイト毎にアクセスしたことのあるユーザの閲覧履歴を取得し、それらの閲覧履歴情報を用いて、ユーザのクラスタリングを行い、クラスタリング結果より、各クラスタがどのような特徴を持つクラスタであるか分析し、判定を行うことで、その判定結果をその興味グループの詳細な興味グループとして扱うものであり、
実験で用いたターゲットサイトは、「遊んでポイントが貯まるお得で楽しいポイントサイト(サイト(a))」と「東証一部上場企業が運営する安心・便利な共通ポイントサイト(サイト(b))」の2サイトであり、
閲覧履歴のデータには、ユーザID、ページカテゴリへのアクセス回数、カテゴリIDが含まれ、ベクトルはユーザ毎のアクセス回数を、特徴量はカテゴリIDを用いており、
実験手順は以下の手順1及び手順2のとおりであり、
手順1 あるターゲットサイトにアクセスしたことのあるユーザの閲覧履歴情報を用いて、クラスタリング手法のk-means法によりユーザのクラスタリングを行う.
手順2 クラスタリング結果より、各クラスタをTF-IDFを用いて特徴を抽出し、TF-IDFを用いた結果をタグクラウドで表示し、その結果から人手で、クラスタ毎にどのような特徴を持つクラスタであるのか分析を行う.
上記手順により、あるポイントサイトでクラスタ数を2に設定し、クラスタリングを行った結果を、さらにTF-IDFを用いて、クラスタ1とクラスタ2にカテゴリのTF-IDF値が高いほど大きいフォントサイズでタグクラウド表示し、このタグクラウドで表示された結果を比較することで、各クラスタの特徴を判定するための分析を行うものであり、
2個のターゲットサイト(サイト(a)とサイト(b))に関して、クラスタ数を3に設定し、クラスタリング結果をTF-IDFを用いて、ターゲットサイト毎にタグクラウドで表示した実験結果によれば、
クラスタ1の結果では、映画に関するカテゴリが強く現れていること、クラスタ2の結果では、アウトレット、クラスタ3の結果では、自動車産業に関するカテゴリが強く現れていることから、サイト(a)では、映画、アウトレット、自動車産業の3つの特徴が現れており、3つのユーザグループが存在すると考えられ、自社のサイトを閲覧している詳細なユーザグループを認知することができ、これにより、今まで未知であったユーザグループを認知することによって、新規ユーザ獲得が可能になると期待でき、
また、サイト(a)とサイト(b)を比較することにより、サイト(a)では、映画やアウトレットや自動車産業カテゴリ関連のユーザグループが存在していると考えられる一方、サイト(b)ではアイドルやラーメンやクイズ関連のユーザグループが存在していると考えられ、サイト(a) とは違うユーザグループが存在していると推測でき、サイト(a)とサイト(b)は、ポイントサイトという同じカテゴリサイトであるが、サイト毎に異なる特徴を持つユーザグループが存在すると考えられ、同じカテゴリサイトであっても区別することができ、また、詳細なユーザグループを特定することで、同カテゴリサイトであっても、それぞれのサイト毎に合わせたマーケティング戦略をとることやWeb広告推薦が可能になる、
興味グループ判定システム。」
第6 対比・判断
1.本願発明1について
(1)対比
本願発明1と引用発明とを対比すると、次のことがいえる。
ア 引用発明の「ターゲットサイト」を含む“ウェブサイト”によって提供される“情報”は、本願発明1の「ウェブにおいて閲覧可能な閲覧可能情報」に相当し、引用発明の「閲覧履歴情報」は、“ウェブにおいて閲覧可能な閲覧可能情報”に対する“ユーザの閲覧行動を示す情報”であるといえるから、引用発明において“入力された閲覧履歴情報を用いてユーザのクラスタリングを行い、クラスタリング結果より各クラスタの潜在的興味分析を行うこと”は、本願発明1の「ウェブにおいて閲覧可能な閲覧可能情報に対するユーザの行動パターンを分析する」ことに相当する。
そうすると、引用発明の「(1) 入力された閲覧履歴情報を用いてユーザのクラスタリングを行い、(2) クラスタリング結果より各クラスタの潜在的興味分析を行」う「興味グループ判定システム」は、本願発明1の「ウェブにおいて閲覧可能な閲覧可能情報に対するユーザの行動パターンを分析する行動パターン分析装置」に相当するといえる。
イ 上記アの検討を踏まえると、引用発明の「ユーザの閲覧履歴」は、本願発明1の「個々のユーザにおける前記閲覧可能情報へのアクセスに関する行動を示す履歴情報」に相当する。
そして、引用発明では、「あるターゲットサイトにアクセスしたことのあるユーザらを一つの興味グループとみなし、その興味グループの詳細な興味グループ判定の妥当性を検証することを目的とする実験」において、「ターゲットサイト毎にアクセスしたことのあるユーザの閲覧履歴を取得し」ているところ、当該「取得」をするための“取得手段”を備えているといえるから、当該“取得手段”と本願発明1の「前記閲覧可能情報に対して、個々のユーザにおける前記閲覧可能情報へのアクセスに関する行動を示す履歴情報を、ユーザに関するユーザ情報と共に、ユーザ毎に取得する履歴情報取得手段」とは、後記する点で相違するものの、“前記閲覧可能情報に対して、個々のユーザにおける前記閲覧可能情報へのアクセスに関する行動を示す履歴情報を、ユーザ毎に取得する履歴情報取得手段”である点で共通する。
ウ 引用発明の「あるターゲットサイトにアクセスしたことのあるユーザ」は、当該「あるターゲットサイトにアクセスした」という“行動を示す閲覧履歴情報を有するユーザ”であるから、本願発明1の「ある行動を示す前記履歴情報を有するユーザである特定ユーザ」に相当する。
そして、引用発明では、「ターゲットサイト毎にアクセスしたことのあるユーザの閲覧履歴を取得し、それらの閲覧履歴情報を用いて、ユーザのクラスタリングを行」うものであって、実験では、「遊んでポイントが貯まるお得で楽しいポイントサイト(サイト(a))」と「東証一部上場企業が運営する安心・便利な共通ポイントサイト(サイト(b))」の2サイトのそれぞれにアクセスしたことのあるユーザの閲覧履歴情報を用いて、ユーザのクラスタリングを行うものであるところ、当該クラスタリングを行うために、例えば、サイト(a)にアクセスしたことのあるユーザを抽出して、当該サイト(a)にアクセスしたことのあるユーザの閲覧履歴情報を用いて、ユーザのクラスタリングを行うものである。
してみれば、引用発明の興味グループ判定システムは、本願発明1の「ある行動を示す前記履歴情報を有するユーザである特定ユーザを抽出する特定ユーザ抽出手段」に相当する構成を有しているといえる。
エ 引用発明の興味グループ判定システムは、「(1) 入力された閲覧履歴情報を用いてユーザのクラスタリングを行」うものであり、「(1)では、クラスタリング手法の1つであるk-means法を用い」ているところ、引用発明の「k-means法」は本願発明1の「機械学習の教師なし学習」の手法に相当するから、引用発明の「k-means法を用い」て「ユーザのクラスタリングを行」うことは、本願発明1の「機械学習の教師なし学習により、前記特定ユーザを」「複数のクラスタにクラスタリングする」ことに相当し、また、引用発明の興味グループ判定システムが、上記クラスタリングを行う“クラスタリング手段”を備えていることは自明である。
また、引用発明の実験では「閲覧履歴よりユーザ毎のあるターゲットサイトに対するアクセス回数とカテゴリを特徴量として用いる」ものであるところ、引用発明の「あるターゲットサイトに対するアクセス回数とカテゴリ」という2つの特徴量は、本願発明1の「複数種類の行動パターンの特徴量」に相当する。
以上の検討を総合すると、引用発明の「入力された閲覧履歴情報を用いてユーザのクラスタリングを行」う“クラスタリング手段”は、本願発明1の「機械学習の教師なし学習により、前記特定ユーザを、複数種類の行動パターンの特徴量を用いて複数のクラスタにクラスタリングするクラスタリング手段」に相当する。
オ 上記ア~エの検討から、本願発明1と引用発明との間には、次の一致点、相違点があるといえる。
(一致点)
ウェブにおいて閲覧可能な閲覧可能情報に対するユーザの行動パターンを分析する行動パターン分析装置であって、
前記閲覧可能情報に対して、個々のユーザにおける前記閲覧可能情報へのアクセスに関する行動を示す履歴情報を、ユーザ毎に取得する履歴情報取得手段と、
ある行動を示す前記履歴情報を有するユーザである特定ユーザを抽出する特定ユーザ抽出手段と、
機械学習の教師なし学習により、前記特定ユーザを、複数種類の行動パターンの特徴量を用いて複数のクラスタにクラスタリングするクラスタリング手段と、
を備える行動パターン分析装置。
(相違点1)
本願発明1の「履歴情報取得手段」は、履歴情報を、「ユーザに関するユーザ情報と共に」取得するのに対して、引用発明の“取得手段”は、閲覧履歴を、「ユーザに関するユーザ情報と共に」取得することは特定されていない点。
(相違点2)
本願発明1の行動パターン分析装置は、「複数の前記クラスタの中から操作者に指定された前記クラスタにクラスタリングされた前記特定ユーザを抽出するクラスタリング特定ユーザ抽出手段」と、「操作者に指定された前記クラスタにクラスタリングされた前記特定ユーザの前記ユーザ情報及び前記履歴情報を配列したクラスタリング特定ユーザ抽出画面を、表示手段に表示する表示制御手段」とを備えているのに対して、引用発明の「興味グループ判定システム」は、そのような手段を備えていない点。
(2)相違点についての判断
事案に鑑み、上記相違点1及び相違点2についてまとめて検討する。
引用発明の興味グループ判定システムは、各クラスタをTF-IDFを用いて特徴を抽出し、TF-IDFを用いた結果をタグクラウドで表示するというものであって、具体的には、クラスタのカテゴリのTF-IDF値が高いほど大きいフォントサイズでタグクラウド表示し、このタグクラウドで表示された結果を比較することで、各クラスタの特徴を判定するための分析を行うことができるように構成したものである。
そうすると、引用発明は、クラスタの特徴が一目で分かるようにタグクラウドで表示し、これを見てクラスタの特徴を簡単に分析することを可能としたものであるから、そのように構成した引用発明において、履歴情報のデータに含まれる“ユーザID”、“ページカテゴリへのアクセス回数”、“カテゴリID”等の具体的な情報を表示し、これを見てクラスタの特徴分析をするように変更する動機づけはない。
また、引用発明には、「ユーザ情報」を用いてクラスタの特徴分析を行うことは記載も示唆もされていないから、引用発明において、「ユーザ情報」を取得し、これを具体的な履歴情報とともに表示することで、その表示を見て、クラスタの特徴を分析するという動機づけもない。
したがって、一般に、ドリリング、スライスアンドダイスなどの分析手法は広く知られているものの、上記のとおり、引用発明には、ユーザ情報や具体的な履歴情報を表示してクラスタの特徴を分析する動機づけがないから、引用発明において、履歴情報を、「ユーザに関するユーザ情報と共に」取得するように構成したうえで、「複数の前記クラスタの中から操作者に指定された前記クラスタにクラスタリングされた前記特定ユーザを抽出」し、「操作者に指定された前記クラスタにクラスタリングされた前記特定ユーザの前記ユーザ情報及び前記履歴情報を配列したクラスタリング特定ユーザ抽出画面を、表示手段に表示する」ように構成することを当業者が容易に想到し得たということはできない。
よって、本願発明1は、当業者であっても引用発明に基づいて容易に発明できたものとはいえない。
2.本願発明2-4について
本願発明2は、本願発明1を減縮した発明であり、本願発明3は、本願発明1を「行動パターン分析方法」の発明として記載したものであり、本願発明4は、本願発明1を「プログラム」の発明として記載したものである。
そうすると、本願発明2-4は、本願発明1の上記相違点1-2に係る構成と同一の構成を備えるものであるから、本願発明1と同じ理由により、当業者であっても、引用発明に基づいて容易に発明できたものとはいえない。
第7 原査定について
<理由1(特許法第29条第2項)について>
令和6年1月16日付けの手続補正で補正された請求項1-4は、上記相違点1、2に係る構成を有するものであり、上記のとおり、本願発明1-4は、上記引用文献1に記載された発明に基づいて、当業者が容易に発明できたものではない。したがって、原査定を維持することはできない。
第8 むすび
以上のとおり、原査定の理由によっては、本願を拒絶することはできない。
また、他に本願を拒絶すべき理由を発見しない。
よって、結論のとおり審決する。
令和6年10月29日
審判長 特許庁審判官 吉田 美彦
特許庁審判官 須田 勝巳
特許庁審判官 脇岡 剛
出典:特許庁「審決公報」(令和6年12月27日発行・号数2024-012、公報発行サイト https://www.gazette.jpo.go.jp/scciidl010 )を加工して作成(加工:TaiLexi AI)
本文は公表資料(PDF 等)から機械的に抽出・整形したもので、改行や記号に誤りを含むことがあります。正確な文言は原本でご確認ください。