JP6308708B1 - 特許要件適否予測装置および特許要件適否予測プログラム - Google Patents

Abstract

【課題】調査対象発明について、審査実務に適合した内容の特許要件の適否に関する精度の高い予測が行われて出願書類の準備負担が有効に軽減される。【解決手段】特許要件適否予測サーバは、進歩性予測処理部を有する特許要件適否予測処理手段を有する。進歩性予測処理部は、主引用発明を検索する主引用発明検索部と、文書ベクトルの分類を行う文書分類部とを有する。主引用発明検索部は主検索文書データを用いた第１の概念検索を行い、複数の類似文献を抽出する類似文献抽出部と、複数の抽出類似文献をソートする文献ソート部と、主引用文献を決定する主引用文献決定部とを有する。文献ソート部は課題類似度の降順に複数の抽出類似文献をソートしてソート済み概念検索ファイルを生成し、主引用文献決定部は課題最類似文献を主引用文献とする。文書分類部は、機械学習によって、発明移動ベクトルを進歩性の要件適否のいずれかに分類してその分類結果に応じた要件適否文書ベクトルを出力するように構築されている。【選択図】図４

Description

本発明は、先行技術調査の対象である調査対象発明について、新規性、進歩性といった特許要件に適合しているか否かの適否を予測する特許要件適否予測装置および特許要件適否予測プログラムに関する。

従来、電力需要や株価の予測、商品の購買予測、不動産の将来価格の予測といった様々な場面で予測が行われ、そのための装置や方法も数多く提案されている。発明を特許出願して権利化する権利化業務に関しても、出願された発明に関する特許可能性（特許性、パテンタビリティともいう）を予測する技術が提案されている（例えば、特許文献１参照）。特許文献１には、次のような特許性予測装置が記載されている。この装置は、審査結果通知済の特許出願（既通知出願）を特許データベースから取得して、既通知出願の請求項についての情報量と、類似する先行出願の数を検出し、既通知出願を対象とする回帰分析を実行して、これらから算出した登録予見式にしたがい、審査結果未通知出願の特許性の予測値を算出する。

また、従来、特許可能性の予測のほか、発明の特許性や発明の質、特許出願や特許権の価値を評価する装置や方法も提案されている（例えば、特許文献２，３，４，５，６参照）。

特開２００９−２３８０７４号公報 特開２０１５−２０７１９４号公報 特開２０００−１８１９６６号公報 特開２０００−１３２６０６号公報 特開２０１５−１８７８８３号公報 特開２００７−１０８８０３号公報 特許第６１２３１４３号公報

上記のとおり、従来技術によれば特許出願について特許可能性を予測することや特許権を評価することが可能である。

しかし、前述の従来技術、例えば、特許文献１記載の特許性予測装置では、特許性の予測が、既通知出願の請求項についての情報量や、類似する先行出願数といった情報に基づき算出された登録予見式にしたがって行われる。この予測は、請求項の広狭、技術分野の疎密および特許性との間の統計的な相関関係に基づいて行われ、特許法や特許・実用新案審査基準に基づくものではなかった。そのため、特許文献１記載の特許性予測装置では、特許実務に沿った予測結果が得られないおそれが高いという課題があった。

ところで、特許出願をしようとするときは、出願しようとする発明について先行技術調査を行うことが不可欠である。従来、先行技術調査の技術として、キーワードを用いて行う全文検索と、自然文で検索する概念検索とが知られており、それらを活用した複数の検索サービスが提供されている。

しかし、従来技術では、先行技術調査の対象である調査対象発明と関連性のある先行技術文献がピックアップされるにとどまり、その先行技術文献に開示されている先行技術が、調査対象発明の特許要件具備を阻害する技術なのかどうかが明らかにされることはなかった。

そのため、出願しようとする発明と先行技術調査で見つかった先行技術との相違を明確にしようとするにも、そのための手間や時間を従来の先行技術調査によって軽減することは困難であった。

一方、特許要件の審査は、特許庁審査官が特許法や特許・実用新案審査基準に沿って行うものであるから（特許法47条）、特許要件を具備するように出願書類を準備するには、特許法や特許・実用新案審査基準の理解が不可欠であり、特に、特許法第２９条第２項の要件（進歩性）を具備するように出願書類を準備するには、特許法や特許・実用新案審査基準の十分な理解と、より熟練した経験やスキルが求められる。そのため、特許要件を具備するように出願書類を準備することは、とても手間や時間のかかることである。

この点、特許文献１記載の従来技術によって、発明の特許可能性が予測されるから、これを活用することによって、出願書類の準備に要する負担を軽減できるのではないかとも考えられる。

しかし、特許文献１記載の従来技術では、予測結果が審査実務に適合していないおそれがあるから、そのような予測結果を活用しても、出願書類の準備負担の軽減が有効にならないおそれがある。従来、審査実務に適合した予測を行おうとする考えもあるが（特許文献７参照）、この従来技術では、類似度の最も高い文献が主たる引用発明を開示した文献とされていて、そうならない可能性（例えば、類似度が次に高い文献が主たる引用発明になる場合など）が考慮されていなかったため、予測の精度が高められないおそれがあった。

したがって、特許要件を具備するような出願書類の準備負担の軽減が有効になるよう、調査対象発明に関して、特許要件の適否の予測が審査実務に適合した内容で行われ、しかも予測の精度が高められることが望まれていた。

本発明は、上記課題を解決するためになされたもので、出願書類の準備負担軽減が有効になるように、調査対象発明について、審査実務に適合した内容の特許要件の適否に関する予測が行われ、しかも予測の精度が高められるようにした特許要件適否予測装置および特許要件適否予測プログラムを提供することを目的とする。

上記課題を解決するため、本発明は、先行技術調査の対象である調査対象発明の検索に用いられ、少なくともその調査対象発明の目的または解決しようとする課題を示す目的課題データを含む検索文書を用いて、公開特許公報の電子データである公開公報データを検索し、その検索結果に応じて、調査対象発明の新規性の要件適否を示す新規性予測データを生成する新規性予測処理部と、調査対象発明の進歩性の要件適否を示す進歩性予測データを生成する進歩性予測処理部と、その新規性予測データおよび進歩性予測データを用いて調査対象発明の特許要件適否を示す予測結果ファイルを生成する予測結果ファイル生成部とを有する特許要件適否予測処理手段を有し、進歩性予測処理部は、公開公報データによって特定される先行技術発明のうち、調査対象発明に最も近い主引用発明を検索する主引用発明検索部と、文書ベクトルの分類を行う文書分類部とを有し、主引用発明検索部は、検索文書を用いて主引用発明を検索する主検索文書データを生成し、その主検索文書データを用いて公開公報データを対象とする第１の概念検索を行い、その第１の概念検索の結果、類似度の降順にその類似度が最も高い最類似文献を含む複数の類似文献を抽出する類似文献抽出部と、その類似文献抽出部によって抽出された複数の抽出類似文献をソートする文献ソート部と、主引用発明が開示されている主引用文献を決定する主引用文献決定部とを有し、文献ソート部は、複数の抽出類似文献のそれぞれにつき、発明が解決しようとする課題の欄から抽出された課題データを用いて形成される課題インデックスを対象として、検索文書から抽出された目的課題データを用いて形成される再検索文書データを用いて第２の概念検索を行い、その第２の概念検索の結果、課題に関する課題類似度の降順に複数の抽出類似文献をソートしてソート済み概念検索ファイルを生成し、主引用文献決定部は、そのソート済み概念検索ファイルに記憶されている複数の抽出類似文献のうちの課題類似度が最も高い課題最類似文献を主引用文献とし、文書分類部は、学習文書ベクトルと教師ベクトルとを含む複数の訓練データを用いた機械学習によって、入力される発明移動ベクトルを進歩性の要件に適合するか否かのいずれかに分類してその分類結果に応じた要件適否文書ベクトルを出力するように構築され、その発明移動ベクトルは、検索文書に応じた調査対象発明ベクトルと、課題最類似文献に応じた引用候補ベクトルとの差分に応じたベクトルである特許要件適否予測装置を特徴とする。

また、本発明は、先行技術調査の対象である調査対象発明の検索に用いられ、少なくともその調査対象発明の目的または解決しようとする課題を示す目的課題データを含む検索文書を用いて、公開特許公報の電子データである公開公報データを検索し、その検索結果に応じて、調査対象発明の新規性の要件適否を示す新規性予測データを生成する新規性予測処理部と、調査対象発明の進歩性の要件適否を示す進歩性予測データを生成する進歩性予測処理部と、その新規性予測データおよび進歩性予測データを用いて調査対象発明の特許要件適否を示す予測結果ファイルを生成する予測結果ファイル生成部とを有する特許要件適否予測処理手段を有し、進歩性予測処理部は、公開公報データによって特定される先行技術発明のうち、調査対象発明に最も近い主引用発明を検索する主引用発明検索部と、文書ベクトルの分類を行う文書分類部とを有し、主引用発明検索部は、検索文書を用いて主引用発明を検索する主検索文書データを生成し、その主検索文書データを用いて公開公報データを対象とする第１の概念検索を行い、その第１の概念検索の結果、類似度の降順にその類似度が最も高い最類似文献を含む複数の類似文献を抽出する類似文献抽出部と、その類似文献抽出部によって抽出された複数の抽出類似文献をソートする文献ソート部と、主引用発明が開示されている主引用文献を決定する主引用文献決定部とを有し、文献ソート部は、複数の抽出類似文献のそれぞれにつき、発明が解決しようとする課題の欄から抽出された課題データを用いて形成される課題インデックスを対象として、検索文書から抽出された目的課題データを用いて形成される再検索文書データを用いて第２の概念検索を行い、その第２の概念検索の結果、課題に関する課題類似度の降順に複数の抽出類似文献をソートしてソート済み概念検索ファイルを生成し、主引用文献決定部は、そのソート済み概念検索ファイルに記憶されている複数の抽出類似文献のうちの課題類似度が最も高い課題最類似文献を含む複数の抽出類似文献を主引用文献とし、文書分類部は、学習文書ベクトルと教師ベクトルとを含む複数の訓練データを用いた機械学習によって、入力される発明移動ベクトルを進歩性の要件に適合しない可能性が極めて高いクラス、高いクラス、その進歩性の要件に適合するクラスのいずれかに分類してその分類結果に応じた要件適否文書ベクトルを出力するように構築され、その発明移動ベクトルは、検索文書に応じた調査対象発明ベクトルと、主引用文献として決定された複数の抽出類似文献に応じた引用候補ベクトルそれぞれとの差分に応じた複数のベクトルであり、特許要件適否予測処理手段は、文書分類部から出力される複数の要件適否文書ベクトルに応じて、調査対象発明について、進歩性の要件に適合しない可能性を示す非適合率を算出する非適合率算出部を更に有する特許要件適否予測装置を提供する。

上記特許要件適否予測装置の場合、主引用文献決定部は、検索文書から生成される全文検索タームを用いた公開公報データを対象とする全文検索でヒットしたヒット文献にソート済み概念検索ファイルに記憶されている複数の抽出類似文献と一致する類似ヒット文献があったときは、その類似ヒット文献のうちの課題類似度が最も高い課題最類似ヒット文献を主引用文献とすることができる。

さらにまた、本発明は、コンピュータを特許要件適否予測装置として機能させるための特許要件適否予測プログラムであって、そのコンピュータを先行技術調査の対象である調査対象発明の検索に用いられ、少なくともその調査対象発明の目的または解決しようとする課題を示す目的課題データを含む検索文書を用いて、公開特許公報の電子データである公開公報データを検索し、その検索結果に応じて、調査対象発明の新規性の要件適否を示す新規性予測データを生成する新規性予測処理部と、調査対象発明の進歩性の要件適否を示す進歩性予測データを生成する進歩性予測処理部と、その新規性予測データおよび進歩性予測データを用いて調査対象発明の特許要件適否を示す予測結果ファイルを生成する予測結果ファイル生成部とを有する特許要件適否予測処理手段として機能させ、進歩性予測処理部が公開公報データによって特定される先行技術発明のうち、調査対象発明に最も近い主引用発明を検索する主引用発明検索部と、文書ベクトルの分類を行う文書分類部とを有し、主引用発明検索部が、検索文書を用いて主引用発明を検索する主検索文書データを生成し、その主検索文書データを用いて公開公報データを対象とする第１の概念検索を行い、その第１の概念検索の結果、類似度の降順にその類似度が最も高い最類似文献を含む複数の類似文献を抽出する類似文献抽出部と、その類似文献抽出部によって抽出された複数の抽出類似文献をソートする文献ソート部と、主引用発明が開示されている主引用文献を決定する主引用文献決定部とを有し、文献ソート部が、複数の抽出類似文献のそれぞれにつき、発明が解決しようとする課題の欄から抽出された課題データを用いて形成される課題インデックスを対象として、検索文書から抽出された目的課題データを用いて形成される再検索文書データを用いて第２の概念検索を行い、その第２の概念検索の結果、課題に関する課題類似度の降順に複数の抽出類似文献をソートしてソート済み概念検索ファイルを生成し、主引用文献決定部は、そのソート済み概念検索ファイルに記憶されている複数の抽出類似文献のうちの課題類似度が最も高い課題最類似文献を主引用文献とし、文書分類部が、学習文書ベクトルと教師ベクトルとを含む複数の訓練データを用いた機械学習によって、入力される発明移動ベクトルを進歩性の要件に適合するか否かのいずれかに分類してその分類結果に応じた要件適否文書ベクトルを出力するように構築され、その発明移動ベクトルは、検索文書に応じた調査対象発明ベクトルと、課題最類似文献に応じた引用候補ベクトルとの差分に応じたベクトルである特許要件適否予測プログラムを提供する。

以上詳述したように、本発明によれば、出願書類の準備負担軽減が有効になるように、調査対象発明について、審査実務に適合した内容の特許要件の適否に関する予測が行われ、しかも予測の精度が高められるようにした特許要件適否予測装置および特許要件適否予測プログラムが得られる。

本発明の第１の実施の形態に係る特許要件適否予測サーバを含む特許要件適否予測システムのシステム構成図である。 特許要件適否予測サーバの内部の構成を中心に示すブロック図である。 ユーザ端末装置の内部の構成を中心に示すブロック図である。 本発明の第１の実施の形態に係る特許要件適否予測サーバの主要な構成を示す機能ブロック図である。 本発明の第１の実施の形態に係る特許要件適否予測処理部の主要な構成を示す機能ブロック図である。 入力ベクトル生成部の主要な構成を示す機能ブロック図である。 （ａ）は、全文検索ファイルのレコードレイアウトの一例を示す図であり、（ｂ）は、概念検索ファイルのレコードレイアウトの一例を示す図であり、（ｃ）は、ソート済み概念検索ファイルのレコードレイアウトの一例を示す図である。 ｓｓｔテーブルのレコードレイアウトの一例を示す図である。 予測結果記憶部のレコードレイアウトの一例を示す図である。 機械学習部のネットワーク構造の一例を示す図である。 特許要件適否予測処理の動作手順の一例を示すフローチャートである。 特許要件適否予測ルーチンの動作手順の一例を示すフローチャートである。 新規性・拡大先願予測ルーチンの動作手順の一例を示すフローチャートである。 拡大先願予測ルーチンの動作手順の一例を示すフローチャートである。 進歩性予測ルーチンの動作手順の一例を示すフローチャートである。 主引用発明検索処理の一例を示すフローチャートである。 概念検索後処理の一例を示すフローチャートである。 副引用発明検索処理の一例を示すフローチャートである。 審査対象となる特許出願と、複数の特許公開公報との関係を模式的に示した図である。 特許要件適否予測リストの一例を示す図である。 本発明の第２の実施の形態に係る特許要件適否予測サーバの主要な構成を示す機能ブロック図である。 本発明の第２の実施の形態に係る特許要件適否予測処理部の主要な構成を示す機能ブロック図である。 同じく入力ベクトル生成部の主要な構成を示す機能ブロック図である。 同じく予測結果記憶部のレコードレイアウトの一例を示す図である。 同じく特許要件適否予測リストの一例を示す図である。 変形例に係る特許要件適否予測処理部の主要な構成を示す機能ブロック図である。 予測付き検索画面のレイアウトの一例を示す図である。 本発明の第１の実施の形態に係る特許要件適否予測サーバにおける概念検索後処理の変形例を示すフローチャートである。 本発明の第２の実施の形態に係る特許要件適否予測サーバにおける概念検索後処理の変形例を示すフローチャートである。 文献ソート処理の一例を示すフローチャートである。

以下、本発明の実施の形態について図面を参照しつつ説明する。なお、同一要素には同一符号を用い、重複する説明は省略する。

第１の実施の形態
(特許要件適否予測システムの全体構成）
まず、本発明の第１の実施の形態に係る特許要件適否予測サーバ１０を含む特許要件適否予測システム１の構成について説明する。

図１は特許要件適否予測システム１のシステム構成図である。図１に示すように、特許要件適否予測システム１は、特許要件適否予測サーバ１０と、ユーザが操作する複数のユーザ端末装置３０（図１では、固定端末装置３０Ａ、３０Ｂ、３０Ｃ）とを有し、これらがインターネットＮ１を介して互いに接続される構成を有している。

特許要件適否予測サーバ１０は、特許要件適否予測プログラムにしたがったデータ処理を行う。特許要件適否予測サーバ１０は、ユーザによる先行技術調査の対象である調査対象発明について、特許要件（本実施形態では、新規性（特許法第２９条第１項３号）、拡大先願（特許法第２９条の２）および進歩性（特許法第２９条第２項））に適合しているか否かを予測する。ユーザ端末装置３０は、特許要件適否予測サーバ１０との間でデータの受信または送信を行う。

特許要件適否予測システム１では、特許要件適否予測サーバ１０が、調査対象発明について、進歩性違反の拒絶理由が見つかる可能性が高いか低いかを審査実績に基づく複数の訓練データで機械学習を行った人工知能プログラムで予測して、特許要件の適否が予測される。特許要件適否予測サーバ１０によって、調査対象発明について特許要件の適否の予測が審査実務に適合した内容で行われるため、出願書類の準備負担を有効に軽減することができる。

（特許要件適否予測サーバ１０の構成）
次に、図２を参照して特許要件適否予測サーバ１０の構成について説明する。図２は、特許要件適否予測サーバ１０の内部の構成を中心に示すブロック図である。特許要件適否予測サーバ１０は、調査対象発明の特許要件適否の予測に関するサービスを提供する専門事業者が運用するサーバである。

特許要件適否予測サーバ１０は、ＣＰＵ（Central Processing Unit）１１と、ＲＯＭ(Read Only Memory)１２と、ＲＡＭ（Random Access Memory）１３とを有している。ＣＰＵ１１は、ＲＯＭ１２に記憶されているプログラムにしたがい作動して、ＫＢＣ（Key board controller）１７を介してキーボード１９やマウス２０の操作入力で得られる入力データをメインバス１９Ａを介して入力する一方、他の構成要素との信号の入出力を行い、特許要件適否予測サーバ１０全体の動作制御を行う。ＣＰＵ１１は、後述する特許要件適否予測プログラムにしたがい、後述する検索文書データ生成部１０１、ｓｓｔテーブル生成部１０２、特許要件適否予測処理部１０３、対象公報抽出部１０４、予測結果編集処理部１０５としての動作を行う。ＲＯＭ１２には、特許要件適否予測プログラム等のＣＰＵ１１が実行する制御プログラムと、恒久的なデータが記憶されている。ＲＡＭ１３にはＣＰＵ１１が作動する際に用いるデータやプログラムが記憶されている。

そのほか特許要件適否予測サーバ１０は、ハードディスク装置（Hard disk drive,ＨＤＤ）１４と、通信制御部１５と、通信処理部１６と、ビデオコントローラ１８とを有している。

ハードディスク装置１４には、特許要件適否予測プログラムの実行に必要な図４に示す各種記憶部またはＤＢ（database）と、その他の記憶部またはＤＢが形成されている。ハードディスク装置１４には、検索文書データ記憶部１５３と、ｓｓｔテーブル１５４と、対象公報記憶部１５５と、予測結果ファイル記憶部１５６と、全文検索ファイル１５７、概念検索ファイル１５８およびソート済み概念検索ファイル１５９（図４には図示せず）とが形成されている。各記憶部またはＤＢについては後述する。

通信制御部１５は、ＣＰＵ１１の指示にしたがい作動して、ユーザ端末装置３０や、図示しない特許庁サーバとの通信を行うための回線の接続および切断を制御する。通信処理部１６は、通信制御部１５の指示にしたがい作動して、インターネットＮ１を介して行われるデータの送受信を実行する。

ビデオコントローラ１８は、図示しないディスプレイ装置における画像表示を制御して、各種の設定に用いられる画面等を表示させる。

そして、ハードディスク装置１４の各種記憶部またはＤＢについて説明すると次のとおりである。検索文書データ記憶部１５３には、検索文書データ生成部１０１が生成した検索文書データ（後述する検索文書から生成される電子データ）が記憶されている。公開公報ＤＢ１５０は、公開特許公報の電子データが公開公報データとして格納されている。公開公報ＤＢ１５０として、図４では、工業所有権情報・研修館により運営されている特許情報プラットフォーム（Ｊ−ＰｌａｔＰａｔ）のデータベースまたはそこからダウンロードした電子データを記憶しているデータベースを想定している。後者のデータベースは、図示しないサーバに格納することができるし、ＨＤＤ１４に格納してもよい。

ここで、検索文書とは、調査対象発明の検索に用いられる文書であって、調査対象発明を把握するのに用いられるテキストデータで構成されている。検索文書および検索文書データについては、詳しくは後述する。検索文書は、例えばユーザ端末装置３０から特許要件適否予測サーバ１０に暗号化通信（例えば、SSLを利用した暗号化通信）によって送信される。

ｓｓｔテーブル１５４には、検索文書データから生成される副検索ターム（sub search term、副引用発明を検索するためのキーワード）が記憶されている。ｓｓｔテーブル１５４は、図８に示すように、検索タームエリア１５４ａ，完全コードエリア１５４ｂおよび文献ナンバエリア１５４ｃを有し、これらによって１件のレコードが生成される。

検索タームエリア１５４ａは、副検索タームが記憶される部分であって、固定エリア１５４ｄと可変エリア１５４ｅとを有している。固定エリア１５４ｄには、すべての副検索タームに備えられ、全文検索で固定的に用いれる単語がセットされている。本実施形態の場合、後述する予測付き検索画面１８１（図２７参照）の名称エリア１８１ａから入力されたデータ（名称データＫ１）および目的・課題エリア１８１ｃから入力されたデータ（目的・課題データＫ２）に応じた単語が固定エリア１５４ｄにセットされている。可変エリア１５４ｅには、全文検索で可変的に用いれる単語がセットされている。本実施形態の場合、予測付き検索画面１８１の解決手段エリア１８１ｄから入力されたデータ（解決手段データＫ３）に応じた単語が可変エリア１５４ｅにセットされている。解決手段データＫ３は、発明の構成要件となる複数の単語が含まれることが多いので、それらを各単語に区分して（Ｋ３_１からＫ３_ｎまでのｎ個、図８ではＫ３_１からＫ３_５までの５種類）、各単語を１または２以上含むすべての組み合わせが可変エリア１５４ｅにセットされている。また、可変エリア１５４ｅには、単語数エリア１５４ｆが設けられている。単語数エリア１５４ｆには、"１"、"２"といった可変エリア１５４ｅにセットされている単語数に応じたデータがセットされている。

完全コードエリア１５４ｂには、完全コードがセットされている。完全コードとは、可変エリア１５４ｅにセットされている単語が解決手段データＫ３の単語のすべてからなっていることをコード"Ｐ０"か、すべてになるための組み合わせのレコードに共通のコードが記憶されている。例えば、図８において完全コードが"Ｐ１１"であるのは、可変エリア１５４ｅがＫ３_１のレコードと、Ｋ３_２からＫ３_５までを含むレコードとであり、この両レコードの単語を含むことで解決手段データＫ３のすべての単語（図８では、Ｋ３_１からＫ３_５までの５種類）を含むことになる。文献ナンバエリア１５４ｃには、検索タームエリア１５４ａの検索タームを用いた全文検索でヒットした文献の文献番号が記憶されている。

対象公報記憶部１５５には、主引用発明検索および副引用発明検索の対象とされる公開公報データ（検索対象公報データ）が記憶されている。予測結果記憶部１５６には、図９に示すような後述する予測結果ファイルが記憶されている。

検索文書データ生成部１０１は、検索文書から検索文書データを生成し、その検索文書データを検索文書データ記憶部１５３に記憶させる。検索文書は、図２７に示す予測付き検索画面１８１からユーザによって入力される。

その予測付き検索画面１８１には、名称エリア１８１ａ，目的・課題エリア１８１ｃ、解決手段エリア１８１ｄが設けられていて、これらから入力されたデータが検索文書を構成するため、検索文書には、少なくとも調査対象発明の目的または解決しようとする課題を示す目的課題データが含まれる。名称エリア１８１ａには、調査対象発明の名称が入力される。名称エリア１８１ａには、名称プルダウンバー１８１ｂが備えられているため、これを選択して発明の名称が入力される。名称プルダウンバー１８１ｂには、発明の名称として用いられやすい単語（発明の名称の末尾に用いられる単語で、名称単語ともいう）が予め登録され、ユーザがユーザ端末装置３０で選択できる。名称単語としては、例えば、装置、方法、システム、デバイス、回路、モジュール、部材、具、材、素子、プログラム、基板、その他が登録されている。目的・課題エリア１８１ｃには、調査対象発明の目的または課題が入力される。解決手段エリア１８１ｄには、調査対象発明の目的または課題を解決するための手段が入力される。

検索文書データ生成部１０１は、入力された検索文書を用いて形態素解析および不要語の除去を行い検索文書データを生成する。不要語の除去が行われることにより、検索に用いられる索引語の総数を減らせるため、検索の効率が向上する。一般に、自然言語は、内容語と機能語の２つに大別できる。内容語はそれ自体で意味のある単語であり、動詞や名詞が該当する。機能語は単語と単語の関係を表す単語であり、助詞や助動詞などが該当する。形態素解析が行われたことで各単語の品詞がわかるため、その結果に基づき、機能語を不要語として除去できる。

ｓｓｔテーブル生成部１０２は、検索文書データを用いて前述した構成を有するｓｓｔテーブル１５４を生成する。ｓｓｔテーブル生成部１０２は、名称エリア１８１ａから入力されたデータおよび目的・課題エリア１８１ｃから入力されたデータに応じた単語を固定エリア１５４ｄにセットし、解決手段エリア１８１ｄから入力されたデータに応じた単語を各単語に細分化して、可変エリア１５４ｅにセットする。また、可変エリア１５４ｅを参照して完全コードエリア１５４ｂに完全コードをセットする。

続いて、特許要件適否予測処理部１０３について説明する。特許要件適否予測処理部１０３は、図５に示すように、新規性・拡大先願予測処理部１２５と、進歩性予測処理部１２６とを有している。新規性・拡大先願予測処理部１２５は、検索文書データ記憶部１５３に記憶されている検索文書データを全文検索タームに用いて対象公報記憶部１５５の検索対象公報データを対象とする全文検索を行い、その結果にしたがい、新規性・拡大先願予測データＮｄを予測結果ファイル生成部１２７に出力し、ヒットした文献の文献ナンバを全文検索ファイル１５７にセットする。新規性・拡大先願予測処理部１２５の機能、動作手順については、後に詳しく説明する。

進歩性予測処理部１２６は、引用発明検索部１３１と、入力ベクトル生成部１３２と、機械学習部１３３とを有している。引用発明検索部１３１は、後述する主引用発明検索を行う主引用発明検索部および副引用発明検索を行う副引用発明検索部を有している。また、引用発明検索部１３１は、主引用発明検索および副引用発明検索の結果にしたがい、進歩性予測データＶｄ１を予測結果ファイル生成部１２７に出力し、検索文書データｉｅｄと概念検索データＶｄ２を入力ベクトル生成部１３２に出力する。概念検索データＶｄ２には、新規性・拡大先願予測処理部１２５による全文検索の結果と、主引用発明検索部による概念検索の結果との対比結果にしたがい決定された後述する課題最類似ヒット文献または課題最類似文献の公開公報データが含まれている（図１７参照）。引用発明検索部１３１の機能、動作手順については、後に詳しく説明する。

入力ベクトル生成部１３２は、図６に示すように、検索対象発明ベクトル生成部１３２ａと、引用候補ベクトル生成部１３２ｂと、移動ベクトル生成部１３２cとを有している。

検索対象発明ベクトル生成部１３２ａは、検索文書データｉｅｄを入力してその特徴語を抽出し、各語に応じた重み付けを行って、検索文書に応じた検索対象発明ベクトルＥＶを生成する。引用候補ベクトル生成部１３２ｂは、概念検索データＶｄ２に含まれる主引用文献（課題最類似ヒット文献または課題最類似文献）の公開公報データを入力してその特徴語を抽出し、各語に応じた重み付けを行って主引用文献に応じた文書ベクトル（引用候補ベクトル）ＲｆＶを生成する。移動ベクトル生成部１３２ｃは、検索対象発明ベクトルＥＶと、引用候補ベクトルＲｆＶとの差分を計算して、双方の文書ベクトルの差分に応じた発明移動ベクトルＶ３を生成する。

詳しくは後述するが、課題最類似文献は概念検索（後述する第１の概念検索）で抽出された類似度が最も高い文献を含む複数の文献のうち、課題に関する類似度が最も高い文献であり、課題最類似ヒット文献はそれらのうち、全文検索でヒットした文献でもある。そのため、いずれの文献も、調査対象発明の進歩性の審査で主引用発明の開示文献として引用される確率が高く、後者にいたっては、新規性要件不備の根拠とされる可能性も高いと推測される。そのため、課題最類似ヒット文献または課題最類似文献を引用候補として引用候補ベクトルＲｆＶを求め、これと検索対象発明ベクトルＥＶとの差分を計算して発明移動ベクトルＶ３を求めれば、調査対象発明と、課題最類似ヒット文献または課題最類似文献に開示されている発明との相違に応じた文書ベクトル（発明移動ベクトルＶ３に相当する）が生成される。

機械学習部１３３は、本発明の実施の形態にかかる文書分類部であって、次のような訓練データ（学習パターンともいう）を用いた機械学習（教師付き学習）によって、発明移動ベクトルＶ３を進歩性の要件に適合するクラスと適合しないクラス（拒絶理由が無いクラスと有るクラス）に分類し、その分類結果に応じた出力信号（要件適否文書ベクトル）Ｖ４を出力するように構築されている。本発明の実施の形態の場合、学習パターンは次に述べるＨＬパターンとすることができる。

ＨＬパターンは、学習文書ベクトルが第１の学習文書ベクトルで教師ベクトルが進歩性の拒絶理由有りを示すベクトル（例えば、正解のクラスに対応した次元だけが"１"で、他が"０"のベクトル）との組み合わせと、学習文書ベクトルが第２の学習文書ベクトルで教師ベクトルが進歩性の拒絶理由無しを示すベクトル（例えば、上記とは別の次元だけが"１"で、他が"０"のベクトル）との組み合わせのパターンである。

第１の学習文書ベクトルは、公開済出願の中で特許庁の審査の結果、初めての拒絶理由通知（１ｓｔアクション）が発行された出願であって、その１ｓｔアクションで進歩性違反の拒絶理由（特許法第２９条第２項の要件を満たしていないとする拒絶理由）が指摘されていた出願（進歩性拒絶出願）の該拒絶理由が指摘されていた（拒絶理由通知発行時点の）請求項に応じた文書ベクトルと、そのときの引用文献１（主たる刊行物として引用されていた主引用文献）に応じた文書ベクトル（引用文書ベクトル）との差分に応じた第１の移動文書ベクトルである。

第２の学習文書ベクトルは、公開済出願の中で審査の結果、１ｓｔアクションが発行されずに特許査定が発行された出願（拒絶無し出願）または１ｓｔアクションは発行されたがその拒絶理由に進歩性違反の拒絶理由が指摘されていなかった出願（進歩性拒絶無し出願）の（拒絶理由通知が発行された時点の）請求項１に応じた文書ベクトルと、それら拒絶無し出願または進歩性拒絶無し出願を対象とする概念検索の結果、最も類似度が高いとされる文献（学習用最類似文献）に応じた文書ベクトル（非引用文書ベクトル）との差分に応じた第２の移動文書ベクトルである。

機械学習部１３３は、上記のようなＨＬパターンの学習パターンで学習を繰り返し行うことにより、発明移動ベクトルＶ３を進歩性の拒絶理由有りまたは無しのいずれかのクラスに分類し、その分類したクラスに応じた要件適否文書ベクトルＶ４を出力する。前者は、調査対象発明が出願された場合について、進歩性違反の拒絶理由が発行される可能性が高い場合、後者は低い場合に相当する。

機械学習部１３３は、入力される発明移動ベクトルＶ３を進歩性の拒絶理由が有るクラスと無いクラスに分類して、その分類結果に応じた要件適否文書ベクトルＶ４を出力すればよいので、機械学習部１３３にサポートベクターマシーン（ＳＶＭ）と呼ばれる学習アルゴリズムを適用することができる。サポートベクターマシーン（ＳＶＭ）によれば、決定境界との距離（マージン）が最大になるように、決定境界を得ることができる。

また、機械学習部１３３の情報処理に脳神経回路網をモデルにしたニューラルネットワークを適用することができる。ニューラルネットワークには、階層型ニューラルネットワークと、相互結合型ニューラルネットワークがある。たとえば、機械学習部１３３の学習アルゴリズムとして、階層型ニューラルネットワークのパーセプトロンを適用することができる。

パーセプトロンはＳ層、Ａ層、Ｒ層と呼ばれる３層からなる階層型ネットワークで構成され（図示せず）、Ｓ層からＡ層、Ａ層からＲ層という片方向の結合だけが存在している。前述のＨＬパターンの学習パターンが与えられると、第１の学習文書ベクトルまたは第２の学習文書ベクトルが入力されたときの出力ベクトルがそれぞれの教師ベクトルと異なっていたときに、その誤差に応じて結合の重みが修正され、出力ベクトルと教師ベクトルとの誤差が一定値以下になったときに学習が終了する。

しかしながら、パーセプトロンでは、学習パターンが線形分離不可能な場合にアルゴリズムが停止しないおそれがある。そのため、機械学習部１３３が学習によって非線形な決定境界を獲得できるようにするため、階層型ニューラルネットワークの中で応用例が多く、誤識別の少ない非線形識別面が学習できるＢＰ（バックプロパゲーション）ネットワークを適用することが好ましい。

ＢＰネットワークは、図１０に示すように、入力層および出力層と、その間の中間層とを有し、誤差逆伝播アルゴリズムと呼ばれる学習アルゴリズムによって、ユニット間のすべての結合の重みが学習可能になっている。誤差逆伝播アルゴリズムでは、入力信号が入力層、中間層、出力層と伝わり、その一方、誤差信号が逆に伝わることによって、重み調整が行われる。

そして、図１０に示すＢＰネットワークに、学習パターンｘ_ｐ（ｘ_０、ｘ_１・・・ｘ_ｎ）が入力されたとき、ある階層のｊ（０≦ｊ≦ｎ）番目のユニットには、そのユニットｊとの結合を有する１階層前のユニットから重み付きの信号が入力される。そこで、１階層前のｉ（０≦ｉ≦ｎ）番目のユニットからの信号をｔ_ｉｐ，重みをｗ_ｉｊとすると、ユニットｊへの入力は、式１のようになり、ユニットｊの出力は、閾値関数をｆとして、式２のようになる。

式１

式２

学習パターンｘ_ｐに対する誤差Ｄ_ｐは、出力層のユニットｋの出力と、教師信号ｂ_ｋｐの差の２乗和で定義されるから、以下の式３のようになる。この誤差Ｄ_ｐをすべての学習パターンに対して足しあげて式４のＤを求め、そのＤが最小になるように、ユニット間の結合重みが調整されて機械学習部１３３における学習が行われる。この場合、個々の学習パターンが入力されるごとに、式５によって重みが調整される。ｗ_ｉｊは更新前の重み、ｗ'_ijは更新後の重み、ρは学習係数である。これは確率的最急降下法と呼ばれる。なお、ユニットの入出力関数は式６に示すシグモイド関数が用いられる。

式３

式４

式５

式６

（ユーザ端末装置３０の構成）
ユーザ端末装置３０は、図１に示すように、インターネットＮ１への接続環境を備え、特許要件適否予測サーバ１０と通信を行うことができる。なお、ユーザ端末装置３０は、据え置き型（または持ち運び可能なノート型）のパーソナルコンピュータを想定しているが、タブレット型の端末装置でもよい。

ユーザ端末装置３０は、図３に示すように、ＣＰＵ３１、ＲＯＭ３２、ＲＡＭ３３、データ記憶部３４、液晶表示部３５を有している。また、ユーザ端末装置３０は、音声変換処理部３６、通信制御部３７、通信処理部３８ａ、無線通信部３８ｂ、スピーカ３９およびマイク４０を有している。

ＣＰＵ３１は、ＲＯＭ３２に記憶されているプログラムにしたがい作動してユーザ端末装置３０全体の動作制御を司る。ＲＯＭ３２はＣＰＵ３１が実行するプログラム、例えば、データ通信を行うための通信制御プログラムが記憶されている。ＲＡＭ３３には、ＣＰＵ３１によるプログラムの実行に必要なデータ等が記憶される。

データ記憶部３４には種々のデータが記憶されている。液晶表示部３５は、ＬＣＤ（Liquid Crystal Display）とその駆動部を有し、文字、図形、記号などの画像表示を行う画像表示手段である。音声変換処理部３６は、音声データを伸張してスピーカ３９に出力する一方、マイク４０から入力するアナログ音声信号をデジタルの音声データに変換および圧縮して、通信処理部３８ａに入力する。通信制御部３７はＣＰＵ３１の指示を受けて作動し、データ通信を行うための回線の接続および切断を制御する。通信処理部３８ａは、通信制御部３７の指示にしたがい作動して、インターネットＮ１を介して行われるデータの送受信を実行する。無線通信部３８ｂは通信制御部３７の制御にしたがい、無線によるデータの送受信を実行する無線通信手段である。スピーカ３９は、音声を出力する音声出力手段であり、マイク４０はユーザの会話内容等の音声を入力し、電気信号に変換する。

(特許要件適否予測システムの動作内容）
次に、図４とともに図１１から図１８までを参照して、特許要件適否予測サーバ１０による特許要件適否予測処理の動作内容について説明する。

ここで、図４は、特許要件適否予測処理を実現する特許要件適否予測サーバ１０の主要な構成を示す機能ブロック図である。特許要件適否予測サーバ１０では、ＣＰＵ１１が特許要件適否予測プログラムにしたがい、公開公報ＤＢ１５０、検索文書データ記憶部１５３、ｓｓｔテーブル１５４等に記憶されている各種ファイルやＤＢにアクセスしながら、検索文書データ生成部１０１、ｓｓｔテーブル生成部１０２、特許要件適否予測処理部１０３、対象公報抽出部１０４、予測結果編集処理部１０５としての動作を行う。これにより、特許要件適否予測処理が実行される。なお、特許要件適否予測プログラムは、特許要件適否予測サーバ１０を検索文書データ生成部１０１、ｓｓｔテーブル生成部１０２、特許要件適否予測処理部１０３、予測結果編集処理部１０５等として機能させるためのプログラムである。

そして、特許要件適否予測サーバ１０が特許要件適否予測処理を行うときは、ＣＰＵ１１が特許要件適否予測プログラムにしたがい図１１に示すフローチャートに沿った動作を行う。図１１は、特許要件適否予測プログラムにしたがったＣＰＵ１１の特許要件適否予測処理の動作手順の一例を示すフローチャートである。なお、図１１、図１２等において"Ｓ"とはステップを略記したものである。

ＣＰＵ１１は、特許要件適否予測プログラムにしたがい動作を開始すると、ステップ１に進み、ユーザ認証処理を行う。ここでは、ユーザがユーザ端末装置３０を用いて入力したユーザＩＤおよびパスワードを確認する等してユーザ認証処理を行う。次に、ＣＰＵ１１は、ステップ２に進み、ポイント残高確認処理を行う。ポイント残高確認処理では、ユーザのポイント残高が一定値以上あるかどうかをＣＰＵ１１が確認し、ポイント残高不足であれば、特許要件適否予測処理を終了するか、ポイント残高不足を知らせるメッセージの送信などを行う。

ＣＰＵ１１は、処理をステップ３に進めると、検索文書データ生成部１０１を作動させて予測付き検索画面１８１をユーザ端末装置３０に表示させ、予測付き検索画面１８１を用いた検索文書の入力があるまで待機する。そして、検索文書の入力があると、ＣＰＵ１１はステップ４に処理を進めて入力された検索文書から検索文書データを生成し、続くステップ５では、生成された検索文書データを検索文書データ記憶部１５３に記憶させる。

次に、ＣＰＵ１１は、処理をステップ６に進めて予測終了条件が成立しているか否かを判定する。ここで、ＣＰＵ１１は予測終了条件が成立しているときはステップ８に進むが、そうでないときはステップ７に進む。ＣＰＵ１１はステップ７に進むと、後述する特許要件適否予測ルーチンを実行するが、ステップ８に進むと、終了処理を実行し、そのユーザに対する特許要件適否予測処理を終了する。このようにすることで、予測終了条件が成立するまでの間、特許要件適否予測処理が自動的かつ継続的に実行される。

そして、ＣＰＵ１１はステップ７に進むときは、図１２に示すフローチャートに沿って特許要件適否予測ルーチンを実行する。

（特許要件適否予測ルーチン）
ＣＰＵ１１は特許要件適否予測ルーチンを開始すると、ステップ１１に進み、対象公報抽出部１０４としての動作を行い公報抽出処理を行う。この場合、ＣＰＵ１１は、マシン日付を基準にして公開公報データを抽出し（公開日がマシン日付よりも前の公開公報データを抽出する）、抽出したデータを検索対象公報データとして対象公報記憶部１５５に記憶させる。次に、ＣＰＵ１１は、処理をステップ１２に進めてｓｓｔテーブル生成部１０２としての動作を行い、ｓｓｔテーブル生成処理を実行する。ここで生成されたデータがｓｓｔテーブル１５４に記憶される。

続いてＣＰＵ１１は、ステップ１３に処理を進めて後述する新規性・拡大先願予測ルーチンを実行してからステップ１４に進み、進歩性予測ルーチンを実行する。その後、ＣＰＵ１１は、ステップ１５に進み、ＣＰＵ１１が予測結果編集処理部１０５としての動作を行い、後述する予測結果リストＬ１を編集出力する。その後、ステップ１６のポイント消費処理を実行して、特許要件適否予測を行った検索文書データに応じて、ポイント残高を減らす。その後、特許要件適否予測ルーチンが終了する。

（新規性・拡大先願予測ルーチン）
そして、ＣＰＵ１１は、ステップ１３に処理を進めると、前述した新規性・拡大先願予測処理部１２５としての動作を行い、図１３、図１４に示すフローチャートに沿って、新規性・拡大先願予測ルーチンを実行する。

この場合、ＣＰＵ１１は、新規性・拡大先願予測ルーチンをスタートするとステップ２１に処理を進め、検索文書データ記憶部１５３に記憶されている検索文書データを全文検索タームに用いて、対象公報記憶部１５５の検索対象公報データを対象とする全文検索（この全文検索を主発明全文検索ともいう）を行い、ヒットした文献の件数が文献ＭＡＸにセットされる。

続いて処理がステップ２２に進み、ステップ２１でヒットした文献があったか否か（文献ＭＡＸが１以上か否か）が判定され、ヒットした文献があればステップ２３に処理が進み、そうでなければ新規性・拡大先願予測ルーチンが終了する。

ステップ２３では、文献カウンタに"１"が加算され、続くステップ２４では、文献カウンタが文献ＭＡＸ以下であるか否かが判定され、これが成立しているときはステップ２５に処理が進み、そうでなければステップ２８に処理が進む。ステップ２５では、ヒットした文献の出願公開日（ヒット文献公開日）がマシン日付（本実施の形態では、調査対象発明の出願日（対象出願日）として扱われる）よりも小さいか否か（ヒット文献公開日＜対象出願日 が成立するか否か）が判定され、これが成立しているときはステップ２６に処理が進み、そうでなければステップ２７に処理が進む。ステップ２６では、新規性無しを示す新規性フラグ"Ｎ１"を含むように新規性・拡大先願予測データＮｄが生成される。その後、ステップ２３に戻り、上記同様の処理が繰り返えされる。

そして、ステップ２７では、後述する拡大先願予測ルーチンが実行される。ステップ２８に処理が進むと、新規性・拡大先願予測データＮｄが出力される。続くステップ２９でＣＰＵ１１がヒットした文献の文献ナンバを全文検索ファイル１５７に記憶させると、その後、新規性・拡大先願予測ルーチンが終了する。全文検索ファイル１５７には、図７（ａ）に示すように、連番（ｒｅｆ−ｎｏ）と、文献ナンバとが記憶されている。

一方、ＣＰＵ１１は、図１４に示すフローチャートに沿って拡大先願予測ルーチンを実行する。拡大先願予測ルーチンがスタートすると、ステップ４１に処理が進み、ヒットした文献の出願日（文献出願日）が対象出願日よりも前であるか否か（文献出願日＜対象出願日 が成立するか否か）が判定され、これが成立しているときはステップ４２に処理が進むが、そうでなければ拡大先願予測ルーチンを終了する。ステップ４２では、調査対象発明とヒットした文献とで発明者が同一であるか否かが判定され、これが成立していないときはステップ４３に処理が進むが、成立していれば拡大先願予測ルーチンを終了する。ステップ４３では、調査対象発明とヒットした文献とで出願人が同一であるか否かが判定され、これが成立していないときはステップ４４に処理が進むが、成立していれば拡大先願予測ルーチンを終了する。そして、ＣＰＵ１１は、ステップ４４に処理を進めると、拡大先願の要件（特許法第２９条の２に規定される要件）を満たしていないことを示す拡大先願フラグ"Ｆ１"を含むように新規性・拡大先願予測データＮｄを生成する。その後、拡大先願予測ルーチンが終了する。

以上で新規性・拡大先願予測ルーチンが終了すると、図１２において処理がステップ１３からステップ１４に進み、ＣＰＵ１１が進歩性予測処理部１２６としての動作を行い、進歩性予測ルーチンを実行する。ＣＰＵ１１は、図１５〜図１８に示すフローチャートに沿って進歩性予測ルーチンを実行する。

（進歩性予測ルーチン）
ＣＰＵ１１は、進歩性予測ルーチンをスタートすると、図１５に示すステップ７１に処理を進め、主引用発明検索処理を実行する。ＣＰＵ１１は、続くステップ７２に処理を進めて、主引用発明検索処理で主引用発明があったか否か（後述する主引用文献がセットされているか否か）を判定し、主引用発明があればステップ７３に処理が進み、主引用発明がなければステップ７６に処理が進む。続くステップ７３では、後述する概念検索後処理が実行され、その後のステップ７４で副引用発明があったか否か（後述する副引用文献がセットされているか否か）が判定される。ここで副引用発明があればステップ７５に処理が進み、副引用発明がなければステップ７７に処理が進む。

ＣＰＵ１１はステップ７５に処理を進めると、該当する検索文書データについて検索フラグ（検索ｆｌａｇ）に"ＶＸ"をセットし、ステップ７７では、検索フラグ（検索ｆｌａｇ）に"ＶＹ"をセットする。また、ＣＰＵ１１はステップ７６に処理を進めると、セットされた検索フラグを含むように進歩性予測データＶｄ１を生成して、それを予測結果ファイル生成部１２７に出力する。また、ＣＰＵ１１は検索文書データｉｅｄと検索結果に応じた概念検索データＶｄ２を入力ベクトル生成部１３２に出力する。

進歩性予測ルーチンでは、主引用発明が見つかった場合に"ＶＸ"または"ＶＹ"が検索フラグにセットされる。主引用発明が見つかると、それによって、進歩性の要件を満たさないと判断される可能性が高いため、進歩性違反の拒絶理由が見つかるか否かは主引用発明が見つかるか否かに大きく左右される。進歩性予測データＶｄ１は、このような検索フラグを含むことによって、進歩性の要件適否を示すものとなる。ステップ７６が実行されたあと、進歩性予測ルーチンが終了する。

そして、ＣＰＵ１１は、図１６に示すフローチャートに沿って主引用発明検索処理を実行する。主引用発明検索処理は、調査対象発明に最も近い主引用発明を検索する処理である。

ＣＰＵ１１は、主引用発明検索処理を開始すると、ステップ８２に処理を進め、検索文書データ記憶部１５３から、検索文書データを読みだして主検索文書データ（主引用発明を概念検索で検索するときの文書データ）を生成する。

続くステップ８３では、ＣＰＵ１１が主引用発明の検索処理、すなわち、主検索文書データを入力文書に用いて、対象公報記憶部１５５に記憶されている検索対象公報データについて概念検索（本発明における第１の概念検索に相当する）を行う。この概念検索では、主検索文書データと、検索される文書それぞれを特徴語の抽出、重み付けを行う等してそれぞれの文書に応じたベクトル（文書ベクトル）が生成され、各ベクトルの内積が求められて類似度が算出される。次のステップ８４では、ステップ８３の概念検索の結果から、最も大きい類似度が一定値以上になっているか否かが判定され、一定値以上の場合はステップ８５に処理が進み、そうでなければ主引用発明検索処理が終了する。

ステップ８５では、ＣＰＵ１１が類似文献抽出部としての動作を行い類似度が最も高い最類似文献を含む類似度が一定値以上の複数の文献（類似文献）を抽出して、その抽出された複数の抽出類似文献がそれぞれの類似度とともに概念検索ファイル１５８に記憶される。ステップ８５が実行された後、ステップ８６の文献ソート処理が実行され、その後、主引用発明検索処理が終了する。概念検索ファイル１５８は概念検索で見つかった類似度が一定値以上の文献の文献ナンバをそれぞれの類似度とともに記憶するファイルであって、図７（ｂ）に示すように、連番、類似度、文献ナンバが記憶されている。

ステップ８６では、ＣＰＵ１１が文献ソート部としての動作を行い、図３０に示すフローチャートに沿って文献ソート処理を実行する。ＣＰＵ１１は文献ソート処理を開始すると、ステップ１２１に処理を進め、概念検索ファイル１５８に記憶されている各抽出類似文献に応じた課題インデックスを生成する。課題インデックスは、抽出類似文献それぞれの発明が解決しようとする課題の欄から抽出された課題データを用いて形成される。概念検索の高速化には、検索される文書群を対象としたインデキシング（indexing）を行い、索引データを作成しておくことが不可欠である。文献ソート処理では、発明が解決しようとする課題の類似度に着目するため、課題インデックスが生成される。続くステップ１２２では、検索文書データから、目的課題データを抽出して再検索文書データを生成する。次のステップ１２３では、課題インデックスを対象として再検索文書データを用いた概念検索（本発明における第２の概念検索に相当する）が行われる。課題に関する類似度（本発明における課題類似度に相当する）に着目した概念検索が行われることにより、概念検索ファイル１５８に記憶されている各抽出類似文献が課題類似度の降順にソートされ、続くステップ１２４で、そのソートされた各抽出類似文献がソート済み概念検索ファイル１５９にセットされる。ステップ１２４が実行された後、文献ソート処理が終了する。ソート済み概念検索ファイル１５９は抽出類似文献の文献ナンバ、それぞれの類似度、課題類似度が記憶されるファイルであって、図７（ｃ）に示すように、連番、類似度、課題類似度、文献ナンバが記憶されている。

概念検索後処理は、図１７に示すフローチャートに沿って実行される。概念検索後処理では、主発明全文検索の結果と概念検索の結果とが対比され、その結果にしたがい、主引用発明が開示されている文献（主引用文献）および副引用発明が開示されている文献（副引用文献）が決定される。

ＣＰＵ１１は、概念検索後処理を開始すると、ステップ９１に処理を進めて、全文検索ファイル１５７を参照する。続くステップ９２では、全文検索ファイル１５７に文献ナンバが記憶されているか否かによって、主発明全文検索でヒットした文献があるか否かが判定され、ヒットした文献があればステップ９３に処理が進み、無ければステップ９６に処理が進む。ＣＰＵ１１はステップ９３では、ソート済み概念検索ファイル１５９を参照する。続くステップ９４では、全文検索ファイル１５７に記憶されている文献ナンバと、ソート済み概念検索ファイル１５９に記憶されている文献ナンバとが対比され、主発明全文検索でヒットした文献に、ソート済み概念検索ファイル１５９に記憶されている複数の抽出類似文献と一致する文献（この場合の一致する文献を類似ヒット文献ともいう）があるか否かが判定される。類似ヒット文献があるときはステップ９５に処理が進み、無ければステップ９８に処理が進む。ステップ９５では、ＣＰＵ１１が主引用文献決定部としての動作を行って類似ヒット文献のうち、課題類似度が最も高い文献（「課題最類似ヒット文献」ともいう）を選出し、それを主引用文献と副引用文献にセットしてその後、概念検索後処理を終了する。

そして、ステップ９８に処理が進むときは、全文検索ファイル１５７とソート済み概念検索ファイル１５９の中に一致している文献がないため、ソート済み概念検索ファイル１５９の文献の中で課題類似度が最も大きい文献（課題最類似文献）を選出し、それを主引用文献にセットして、ステップ９９に処理を進める。また、続くステップ９９では、全文検索ファイル１５７に記憶されている文献が副引用文献にセットされ、その後、概念検索後処理が終了する。

一方、ステップ９６に処理が進む場合は、全文検索ファイル１５７に文献ナンバが記憶されていない（ステップ２１の主発明全文検索で文献がヒットしなかった）ので、ソート済み概念検索ファイル１５９に記憶されている文献の中で課題類似度が最も大きい文献（課題最類似文献）を選出し、それを主引用文献にセットして、ステップ９７に処理を進める。ステップ９７では、後述する副引用発明検索処理が実行される。副引用発明検索処理が実行された後、概念検索後処理が終了する。

副引用発明検索処理は、図１８に示すフローチャートに沿って実行される。ＣＰＵ１１は副引用発明検索処理を開始すると、ステップ１１１に処理を進めて、ｓｓｔテーブル１５４を参照し、検索タームエリア１５４ａに設定されている各副検索タームを用いて検索対象公報データを対象として全文検索処理を実行する（この全文検索を副発明全文検索ともいう）。前述したように、ｓｓｔテーブル１５４には、Ｋ３_１からＫ３_Ｎまでのｎ個の単語の少なくとも１つを含むように設定された副検索タームが記憶されている。その各副検索タームを用いて副発明全文検索処理が実行される。

続くステップ１１２では、ステップ１１１の副発明全文検索でヒットした文献ナンバをｓｓｔテーブル１５４の文献ナンバ（ｒｅｆ−ｎｏ）エリア１５４ｃにセットする。次のステップ１１３では、ｓｓｔテーブル１５４に設定されているすべての副検索タームにつき、副発明全文検索処理が終了したか否かが判定され、終了していればステップ１１４に処理が進むが、そうでなければステップ１１１に処理が戻る。ステップ１１４では、同じ完全フラグのレコード（例えば、完全フラグがＰ１１であるレコード）の中に文献ナンバが設定されているか否かが判定され、設定されていればステップ１１５に処理が進み、そうでなければステップ１１６に処理が進む。ステップ１１５では、該当する文献ナンバを副引用文献にセットして副引用発明検索処理が終了する。また、ステップ１１６では、ｓｓｔテーブル１５４に設定されている副検索タームの中で、単語数エリア１５４ｆに最大値が設定されているレコードの文献ナンバエリア１５４ｃから文献ナンバを読み出し、それを参考文献（参考文献とは、副引用発明が開示されているとは認定できないが、調査対象発明との関連性が認められる文献）にセットする（本実施の形態では、可変エリア１５４ｅに最大でＫ３_１からＫ３_５までの５種類の単語がセットされ得るが、副引用発明検索処理は全文検索ファイル１５７に文献ナンバがセットされていない場合に実行されるので、単語数エリア１５４ｆの最大値は４以下になる）。その後、副引用発明検索処理が終了する。

以上のようにして、新規性・拡大先願予測ルーチンと、進歩性予測ルーチンとが実行されると、それぞれの結果に応じて、新規性・拡大先願予測データＮｄと、進歩性予測データＶｄ１とが予測結果ファイル生成部１２７に出力される。また、機械学習部１３３から要件適否文書ベクトルＶ４が出力されるので、これらを用いて予測結果ファイル生成部１２７が図９に示した予測結果ファイルを生成し、予測結果記憶部１５６に記憶させる。

予測結果ファイルは、図９に示すように、検索文書番号、検索文書、検索フラグ、ヒット文献、マシン予測の各項目のデータが調査対象発明ごとに記憶されている。マシン予測とは、機械学習記憶部１３３からの要件適否文書ベクトルＶ４に応じたデータであって、進歩性予測ルーチンで見つかった主引用文献および／または副引用文献を引用した進歩性違反の拒絶理由が見つかる可能性が高いか低いか（高い場合は"Ｈ"、低い場合は"Ｌ"）を示している。

また、予測結果編集部１０５が予測結果ファイルを読み込み、図２０に示すような特許要件適否予測リストＬ１を編集および出力して、ユーザ端末装置３０に送信する。特許要件適否予測リストＬ１には、調査対象発明の検索文書番号、新規性（拡大先願）、進歩性の要件適否がその根拠となる文献（主引用文献、副引用文献）とともに示されている。新規性（拡大先願）、進歩性の要件に適合しない（満たさない）と予測される場合は"Ｘ"、適合する（満たす）と予測される場合は"Ａ"が記載される。これらは、予測結果ファイルの検索フラグで判断される。

進歩性の要件に適合しないと予測される場合の"Ｘ"（主引用文献、副引用文献有り）、"Ｙ"（主引用文献のみ有り）、には、"Ｈ"、"Ｌ"が併記される（図２０では、"Ｈ"が併記されるばあいのみ例示）これは、機械学習部１３３の要件適否文書ベクトルＶ４にしたがったもので、"Ｈ"は主引用文献で進歩性違反の拒絶理由が発行される可能性が高い場合、"Ｌ"は低い場合を示している。

以上のように、本発明の実施の形態にかかる特許要件適否予測サーバ１０では、調査対象発明の検索に用いられる検索文書を用いて検索文書データを生成し、その検索文書データを用いて主引用発明検索、副引用発明検索を行っている。主引用発明検索は、調査対象発明とその骨格において共通する、すなわち、先行技術発明のうち、調査対象発明に最も近い主引用発明を検索文書データで探し出す処理であり、特許法や特許・実用新案審査基準に沿って行われる。特許要件適否予測サーバ１０では、主引用発明検索（図１６参照）において、概念検索を実行することによって類似度が一定値以上の文献（１または２件以上）が主引用文献の候補として選出されてそれら抽出類似文献が概念検索ファイル１５８に記憶される。そのうえ、抽出類似文献が文献ソート処理によって課題類似度の降順にソートされて、ソート済み概念検索ファイル１５９に記憶される。その中に主発明全文検索でヒットした文献と一致する文献があった場合は、その一致した文献のうち、課題類似度が最も大きい文献（課題最類似ヒット文献）が主引用文献にセットされる（図１７のステップ９５）。その文献は、概念検索（第１の概念検索）で類似度が一定値以上として抽出され、その抽出された類似文献の中で調査対象発明と目的または課題からみた関連性が最も高く、しかも主発明全文検索で見つかった文献なので、調査対象発明と一致している可能性も高い。また、審査実務上、進歩性の判断においては、通常、審査の対象となる発明（本願においては調査対象発明）と、技術分野または課題が同一または近い発明が主引用発明として選出されるため、課題最類似ヒット文献は主引用発明として引用される可能性が高いと推測される。

主発明全文検索で見つかった文献は、調査対象発明の構成要件（Ｋ１、Ｋ２、Ｋ３）と共通する構成要件を開示していると認められるから、主引用文献になるか、そうでないとしても副引用文献とされる可能性がある。

一方、主発明全文検索の結果と、概念検索（第１の概念検索）の結果とで一致する文献が見つからなかった場合（ステップ９２からステップ９６に進む場合）には、調査対象発明の構成要件（Ｋ１、Ｋ２、Ｋ３）と同じ構成要件を開示している文献が見つからなかった場合に相当するが、その場合は、課題最類似文献が主引用文献に設定されたうえで、副引用発明検索（図１８）が行われる。その場合、完全フラグが同じレコードに文献がセットされていればその文献が副引用文献にセットされる。完全フラグが同じレコードの文献は、それらが共に揃うことで調査対象発明の構成要件（Ｋ１、Ｋ２、Ｋ３）と同じ構成要件の存在が認められることを示す文献なので、少なくとも副引用文献として引用される可能性が認められる。ステップ９９の処理、またはステップ９７で副引用文献を検索する処理は、調査対象発明と主引用発明との相違点を含むと認められる文献を検索する処理である。

以上のように、本発明の実施の形態にかかる特許要件適否予測サーバ１０では、主引用発明検索処理を実行し、その結果にしたがい副引用発明検索処理を実行して、双方の結果から進歩性の要件適否を判断しているため、特許法や特許・実用新案審査基準に沿って進歩性の要件適否が判断される。したがって、特許要件の適否に関する予測が審査実務に適合した内容で行われるので、特許出願の出願書類の準備負担が有効に軽減される。しかも、類似度が一定値以上の文献が主引用文献の候補として選出され、類似度が最も高い文献のみならずその次の文献も主引用文献となりえるため、その次の文献が主引用文献とされる可能性も含めた予測が可能となり、したがって予測の精度が高められる。

一方、前述したように、特許要件適否予測処理部１０３が機械学習部１３３を有しているが、その機械学習部１３３は過去の審査実績に基づく学習データで訓練された人工知能プログラムで構築されている。

ところで、平成２６年の実績ベースで年間３２万数千件程度の特許出願が出されており、その一部またはそれ以前の多数の特許出願について１ｓｔアクションがすでに発行されている。その中には、拒絶理由通知で進歩性違反の拒絶理由が指摘されている出願（進歩性拒絶出願）が多数存在している。

進歩性拒絶出願では、審査結果が、審査時点の請求項に記載された発明と主引用発明とに相違点があったものの、その相違点だけでは、進歩性があるとは審査官によって判断されなかったということを意味している。これに対し、特許出願の中には、１ｓｔアクションが発行されることなく特許査定が発行された出願や、拒絶理由通知が発行されたものの、その理由に進歩性違反の拒絶理由が指摘されていなかった出願（進歩性拒絶無し出願）も存在している。

そして、例えば図１９に示すように、審査対象となる特許出願Ｐｄがあり、その出願日がｔ_０であったとすると、特許出願Ｐｄに対する主引用発明または副引用発明となりえるのは、公知、公用、文献公知およびインターネット公知の発明であり、主に出願日ｔ_０より前にすでに公開されている出願の特許公開公報（図１９では、ｒｆ１〜ｒｆ６）に開示されている発明である。

ここで、仮に、審査の結果、公報ｒｆ６に開示されている発明が主引用発明に該当すると判断されたとする。すると、その場合、特許出願Ｐｄに係る発明と、その公報ｒｆ６に開示されている発明とに相違点があったものの、その相違点に応じた距離ｄｐが、特許出願Ｐｄに係る発明の進歩性を肯定するに足りる大きさではなかったと考えられる。逆に、公報ｒｆ６に開示されている発明が主引用発明には該当しないと判断されていたとすれば、距離ｄｐが、出願Ｐｄに係る発明の進歩性を肯定するに足りる大きさであったと考えられる。

もし、発明の進歩性が肯定されるときの相違がどの程度で、否定されるときの相違がどの程度なのかが割り出せれば、それが特許要件適否の客観的な判断材料になると考えられるが、以上を考慮すると、そのためには、２つの発明の相違に応じた距離ｄｐがどの程度なのかを割り出すのが有効であると考えられる。これを過去の審査実績に基づく訓練データの学習によって割り出し、進歩性が否定されるおそれが高いのか、それとも低いのかの目安を付けるのが機械学習部１３３である。

機械学習部１３３の学習において、本件出願にかかる発明（本願発明）では、距離ｄｐを２つの文書ベクトルの差分と捉え、進歩性の拒絶理由有りの場合、無しの場合それぞれの距離ｄｐを学習するため、前述のＨＬパターンによる訓練データで学習が行われている。

そして、特許要件の適否を予測する場合は、調査対象発明について、検査文書データを用いた概念検索（第１の概念検索）で最類似文献を含む類似度が一定値以上の文献（１または２以上）が抽出され、さらにそれらが課題類似度の降順にソートされる。また、検査文書データを用いて全文検索（主発明全文検索）を行い、ヒットする文献を探し出す。抽出類似文献は、検索対象発明ベクトルとの類似度が高い文書ベクトルを有しているので、公開済出願の中で主引用文献になる可能性が高いと認められ、課題類似度が高いほどさらにその可能性が高いと認められる。そして、これらの中に全文検索でヒットした文献と一致する文献（類似ヒット文献）があったときは、そのうちの類似度が最も高い文献（課題最類似ヒット文献）だけで新規性、進歩性の要件が否定される可能性が高いと認められる。そこで、課題最類似ヒット文献から求めた引用候補ベクトルＲｆＶと、調査対象発明の検索文書データから求めた要旨ベクトルＥＶとの差分を求めて発明移動ベクトルＶ３を生成し、これを機械学習部１３３に入力して、課題最類似ヒット文献を引用する進歩性違反の拒絶理由が有るのか、無いのかが出力されるようにしている。これにより、進歩性違反の拒絶理由が見つかる可能性が高いのか、低いのかの目安を付けることが可能になる。

以上のように、特許要件適否予測サーバ１０では、機械学習部１３３を備えていることによって、特許庁の審査実績を反映させる形で特許要件適否の予測が行われることになる。従前のような審査官や弁理士などの専門家の経験や勘だけに頼らざるを得ない判断結果に人工知能の判断結果を生かせるようになるため、予測結果に客観性を持たせることが可能になる。従来の先行技術調査は、関連性のある先行技術文献がピックアップされるに過ぎなかったが、本実施の形態によれば、調査結果に特許要件適否の予測結果が付加され、しかもその予測は審査実務に適合した内容で行われている。そのため、特許要件適否予測サーバ１０によって、出願書類の準備負担を有効に軽減でき、権利化業務の効率向上が期待できる。

また、進歩性予測処理部１２６が主引用発明検索で概念検索を行っている。進歩性違反の拒絶理由が有るのかどうかは主引用発明が見つかるか否かが大きく左右するが、その主引用発明を探す主引用発明検索で全文検索を行うと、複数の文献がヒットする可能性があり、主引用発明（主引用文献）を特定できない場合がある。この点、概念検索では、文書ベクトルの内積から求めた類似度にしたがい類似している文献が順番付けされるので、主引用文献の特定に有効である。そして、上記の要領で見つけた主引用文献に機械学習部１３３による予測を併用することで、その主引用文献を引用した進歩性違反の拒絶理由が出るおそれが高いのか、低いのかを予測することができる。

以上の説明では、より好ましい実施の形態として、進歩性予測処理部１２６の引用発明検索部１３１が主引用発明検索部および副引用発明検索部を有している場合を示している。前述したように、主引用発明検索によって主引用発明が見つかると、進歩性無しの拒絶理由が見つかる可能性が高いから、主引用発明が見つかったら、その後は副引用発明検索を行うことなく入力ベクトル生成部１３２と、機械学習部１３３を作動させて要件適否文書ベクトルＶ４を出力するようにしてもよい。この場合でも、前述のステップ７６で生成される主引用文献に関する進歩性予測データＶｄ１と、機械学習部１３３により生成される要件適否文書ベクトルＶ４とを併用することで、審査実務に適合した内容の予測が行えるのであって、しかもその予測は人工知能の判断結果を生かしたものとなるから、予測結果に客観性を持たせることができる。したがって、進歩性予測処理部１２６が主引用発明検索部を有していればよく、副引用発明検索部を有していなくてもよいが、上記のように、副引用発明検索部を有する進歩性予測処理部１２６の方がより好ましい。

（変形例）
上記実施の形態では、概念検索後処理において、主発明全文検索の結果と概念検索の結果との対比結果にしたがい、主引用文献が決定されているが、主発明全文検索の結果との対比を行うことなく、概念検索の結果から主引用文献が決定されてもよい。この場合、概念検索後処理は、図２８に示すフローチャートに沿って実行される。

ＣＰＵ１１は、概念検索後処理を開始すると、ステップ９６Ａに処理を進める。ステップ９６では、ソート済み概念検索ファイル１５９が参照されて、課題類似度が最も高い文献（課題最類似ヒット文献）が選出され、それが主引用文献にセットされて、ステップ９７に処理が進む。続くステップ９７で上記同様にして副引用発明検索処理が実行されると概念検索後処理が終了する。

第２の実施の形態
続いて、第２の実施の形態に係る特許要件適否予測サーバ２００について、図２１〜図２６を参照して説明する。特許要件適否予測サーバ２００は、図２１に示すように、前述した特許要件適否予測サーバ１０と比較して、特許要件適否予測処理部１０３、予測結果編集処理部１０５、予測結果記憶部１５６の代わりに特許要件適否予測処理部２０３、予測結果編集処理部２０５、予測結果記憶部２５６を有する点と、予測結果リストＬ１の代わりに予測結果リストＬ２を出力する点とで相違している。

特許要件適否予測処理部２０３は、図２２に示すように、特許要件適否予測処理部１０３と比較して、進歩性予測処理部１２６と予測結果ファイル生成部１２７の代わりに進歩性予測処理部２２６と予測結果ファイル生成部２２７を有する点で相違している。

そして、進歩性予測処理部２２６は、進歩性予測処理部１２６と比較して、引用発明検索部１３１と機械学習部１３３の代わりに引用発明検索部２３１と機械学習部２３３を有する点と、入力ベクトル生成部１３２の動作が異なる点とで相違している。

前述した第１の実施の形態に係る進歩性予測処理部１２６では、主引用発明検索が行われた後の概念検索後処理において、主発明全文検索の結果と概念検索の結果とを対比した結果にしたがい主引用文献を決定している。決定される主引用文献は１件だけである。これに対し、第２の実施の形態に係る進歩性予測処理部２２６では、最類似文献を含むｎ件の文献（ｎは２以上の整数）を抽出類似文献として抽出し、さらに課題類似度の降順にソートしてソート済み概念検索ファイル１５９にセットし、その課題最類似文献を含む複数の抽出類似文献を主発明全文検索の結果とは対比せずに主引用文献にセットしている。また、機械学習部２３３が、ｎ件の発明移動ベクトルＶ３_１〜Ｖ３_ｎをそれぞれ後述するＳクラス、Ｈクラス、Ｌクラスの３つのクラスに分類する。

引用発明検索部２３１は、引用発明検索部１３１と同様に主引用発明検索部および副引用発明検索部を有しているが、引用発明検索部１３１と比較して、主引用発明検索部の動作が異なり、出力されるデータも異なる。引用発明検索部２３１の主引用発明検索部は、進歩性予測ルーチンにおいて、ステップ７３で図１７に示した概念検索後処理の代わりに図２９に示す概念検索後処理を実行する。すなわち、ＣＰＵ１１は、概念検索後処理を開始すると、ステップ９６Ｂに処理を進めて主引用文献決定部としての動作を行い、ソート済み概念検索ファイル１５９の抽出類似文献の中で課題類似度の降順に課題類似度が最も大きい文献（課題最類似文献）を含む複数の文献を抽出し、それらを主引用文献にセットする。続いてステップ９７に処理が進み、上記同様にして、副引用発明検索処理が実行されると、概念検索後処理が終了する。

こうして、引用発明検索部２３１の主引用発明検索部は、課題最類似文献を含むｎ件の文献を抽出し、それらを主引用文献（ｄｏｃ_１〜ｄｏｃ_ｎ）にセットする。

また、主引用発明検索部の動作が異なることに伴い、前述した進歩性予測ルーチンにおけるステップ７６でＣＰＵ１１が各抽出類似文献に応じたｎ件の進歩性予測データＶｄ１_１〜Ｖｄ１_ｎを生成して、それらを予測結果ファイル生成部２２７に出力する。また、ＣＰＵ１１は検索文書データｉｅｄを入力ベクトル生成部１３２に出力するが、各抽出類似文献に応じたｎ件の概念検索データＶｄ２_１〜Ｖｄ２_ｎを入力ベクトル生成部１３２に出力する。

機械学習部２３３は、機械学習部１３３と比較して、次に述べるＳＨＬパターンを学習パターンに用いた機械学習（教師付き学習）によって、各抽出類似文献に応じたｎ件の発明移動ベクトルＶ３_１〜Ｖ３_ｎをそれぞれＳクラス、Ｈクラス、Ｌクラスのいずれかに分類し、その分類結果に応じたｎ件の出力信号（要件適否文書ベクトルＶ４_１〜Ｖ４_ｎ）を出力するように構築されている。Ｓクラス、Ｈクラス、Ｌクラスは、それぞれ、進歩性の要件に適合しない可能性が極めて高いクラス、適合しない可能性が高いクラス、適合するクラス（調査対象発明について、進歩性違反の拒絶理由が見つかる可能性が極めて高いクラス、高いクラス、無いクラス）に相当している。

また、ＳＨＬパターンは、次のパターンＳ、Ｈ、Ｌの３つのパターンの組み合わせである。
パターンＳ：学習文書ベクトルが第１の学習文書ベクトルで教師ベクトルが新規性および進歩性の拒絶理由有りを示すベクトル（例えば、正解のクラスに対応した次元だけが"１"で、他が"０"のベクトル）との組み合わせ
パターンＨ：学習文書ベクトルが第２の学習文書ベクトルで教師ベクトルが進歩性の拒絶理由有りで新規性の拒絶理由無しを示すベクトル（例えば、正解のクラスに対応した上記とは別の次元だけが"１"で、他が"０"のベクトル）との組み合わせ
パターンＬ：学習文書ベクトルが第３の学習文書ベクトルで教師ベクトルが進歩性の拒絶理由無しを示すベクトル（例えば、上記２つとは別の次元だけが"１"で、他が"０"のベクトル）との組み合わせのパターンである。

第１の学習文書ベクトルは、公開済出願の中で特許庁の審査の結果、初めての拒絶理由通知（１ｓｔアクション）が発行された出願であって、その１ｓｔアクションで、同じ文献を引用して新規性および進歩性違反の拒絶理由（特許法第２９条第１項第３号および同条第２項の要件を満たしていないとする拒絶理由）が指摘されていた出願（新規性・進歩性拒絶出願）の該拒絶理由が指摘されていた（拒絶理由通知発行時点の）請求項に応じた文書ベクトルと、そのときの引用文献１（主たる刊行物として引用されていた第１の主引用刊行物）に応じた文書ベクトル（第１の引用文書ベクトル）との差分に応じた第１の移動文書ベクトルである。

第２の学習文書ベクトルは、公開済出願の中で特許庁の審査の結果、初めての拒絶理由通知（１ｓｔアクション）が発行された出願であって、その１ｓｔアクションで、新規性の拒絶理由（特許法第２９条第１項第３号の要件を満たしていないとする拒絶理由）は指摘されていないが、進歩性違反の拒絶理由（同条第２項の要件を満たしていないとする拒絶理由）が指摘されていた出願（進歩性拒絶出願）の該拒絶理由が指摘されていた（拒絶理由通知発行時点の）請求項に応じた文書ベクトルと、そのときの引用文献１（主たる刊行物として引用されていた第２の主引用刊行物）に応じた文書ベクトル（第２の引用文書ベクトル）との差分に応じた第２の移動文書ベクトルである。

第３の学習文書ベクトルは、公開済出願の中で審査の結果、１ｓｔアクションが発行されずに特許査定が発行された出願（拒絶無し出願）または１ｓｔアクションは発行されたがその拒絶理由に進歩性違反の拒絶理由が指摘されていなかった出願（進歩性拒絶無し出願）の（拒絶理由通知が発行された時点の）請求項１に応じた文書ベクトルと、それら拒絶無し出願または進歩性拒絶無し出願を対象とする概念検索の結果、最も類似度が高いとされる文献（学習用最類似文献）に応じた文書ベクトル（非引用文書ベクトル）との差分に応じた第３の移動文書ベクトルである。

機械学習部２３３は、機械学習部１３３と同様、情報処理に脳神経回路網をモデルにしたニューラルネットワークを適用することができるが、そのうちのＢＰ（バックプロパゲーション）ネットワークを適用することが好ましい。

そして、進歩性予測処理部２２６の入力ベクトル生成部１３２は図２３に示すように、検索対象発明ベクトル生成部１３２ａと、引用候補ベクトル生成部１３２ｂと、移動ベクトル生成部１３２cとを有しているが、そのうちの引用候補ベクトル生成部１３２ｂと、移動ベクトル生成部１３２cの動作が異なっている。すなわち、引用候補ベクトル生成部１３２ｂは、引用発明検索部２３１からｎ件の概念検索データＶｄ２_１〜Ｖｄ２_ｎが入力されるので、そのそれぞれに含まれる各類似文献の公開公報データを入力してその特徴語を抽出し、各語に応じた重み付けを行って各類似文献に応じたｎ件の文書ベクトル（引用候補ベクトル）ＲｆＶ_１〜ＲｆＶ_ｎを生成する。移動ベクトル生成部１３２ｃは、検索対象発明ベクトルＥＶと、各引用候補ベクトルＲｆＶ_１〜ＲｆＶ_ｎとの差分を計算して、双方の文書ベクトルの差分に応じたｎ件の発明移動ベクトルＶ３_１〜Ｖ３_ｎを生成する。

前述したように、ソート済み概念検索ファイル１５９の抽出類似文献は、主引用発明検索部による概念検索によって類似度の降順に抽出され、しかも課題類似度の降順にソートされた文献であるため、そのいずれも調査対象発明の審査で、主引用発明の開示文献として引用される確率が高いと推測される。そのため、ソート済み概念検索ファイル１５９の抽出類似文献を引用候補として引用候補ベクトルＲｆＶ_１〜ＲｆＶ_ｎを求め、これらと検索対象発明ベクトルＥＶとの差分を計算して発明移動ベクトルＶ３_１〜Ｖ３_ｎを求めれば、調査対象発明と、各抽出類似文献に開示されている発明との相違に応じた発明移動ベクトルＶ３_１〜Ｖ３_ｎが生成される。

予測結果ファイル生成部２２７は、予測結果ファイル生成部１２７と比較して、図２４に示したレイアウトを有する予測結果ファイルを生成してそれを予測結果記憶部２５６に記憶させる点と、本発明の実施の形態にかかる非適合率算出部としての動作を行い、調査対象発明に関する非適合率Ｖｒを算出する点とで相違している。

非適合率Ｖｒは、調査対象発明についての進歩性の要件に適合しない可能性であって、調査対象発明について、進歩性違反の拒絶理由が見つかる可能性を示している。機械学習部２３３から出力される要件適否文書ベクトルＶ４_１〜Ｖ４_ｎは、進歩性の要件に適合しない可能性が極めて高い、高い、無いといった内容で生成されるので、調査対象発明について、各抽出類似文献との関係でみた進歩性違反の拒絶理由が見つかる可能性を示している。そのため、これらを用いて予測結果ファイル生成部２２７が調査対象発明に関する非適合率Ｖｒを算出する。この場合、予測結果ファイル生成部２２７は、その非適合率Ｖｒを非適合率算出規則にしたがい算出する。非適合率算出規則とは、予測結果ファイル生成部２２７が非適合率Ｖｒを算出する規則であって、本実施の形態では、要件適否文書ベクトルＶ４_１〜Ｖ４_ｎの中に含まれるＳクラス、Ｈクラス、Ｍクラスそれぞれの件数に応じて、非適合率Ｖｒの数値が決定されるように、図示しない算出規則テーブルに設定されている。非適合率算出規則は例えば次のようにすることができる。

Ｓクラスが２件以上：Ｖｒ≧８５％
Ｓクラスが１件で、Ｈクラスの件数が５０％以上：Ｖｒ≧７５％
Ｓクラスが１件で、Ｈクラスの件数が５０％未満：Ｖｒ≧６５％
Ｓクラスが０件で、Ｈクラスの件数が５０％以上：Ｖｒ≧５０％
Ｓクラスが０件で、Ｈクラスの件数が５０％未満：Ｖｒ≧４０％
Ｓクラス、Ｈクラスがともに０件：Ｖｒ≧１５％

上記非適合率算出規則によれば、例えば、抽出類似文献が５件（前述の整数ｎが"５"）の場合、Ｓクラスが２件あればＶｒ≧８５％である。また、Ｓクラスが１件で、Ｈクラスが３件ならＶｒ≧７５％になるが、Ｈクラスが２件だとＶｒ≧６５％、Ｓクラス、Ｈクラスがともに０件（全件がＬクラス）だとＶｒ≧１５％になる。

そして、図２４に示すように、予測結果ファイル生成部２２７が生成する予測結果ファイルは、予測結果ファイル生成部１２７が生成する予測結果ファイルと比較して、非適合率Ｖｒが含まれている点で相違している。

また、予測結果編集処理部２０５は、予測結果編集処理部１０５と比較して、予測結果ファイルを読み込み、図２５に示すような特許要件適否予測リストＬ２を編集および出力する点で相違している。特許要件適否予測リストＬ２は、特許要件適否予測リストＬ１と比較して、ＯＡ率が追加されている点で相違している。ＯＡ率とは、調査対象発明について、審査過程で特許要件（新規性または進歩性）に違反する拒絶理由が見つかり、それを示す拒絶理由通知書が発行される可能性を示していて、前述した非適合率Ｖｒに相当する数値が示されている。

以上のように、第２の実施の形態に係る特許要件適否予測サーバ２００では、特許要件適否予測処理部２０３の進歩性予測処理部２２６において、引用発明検索部２３１が課題最類似文献を含むｎ件の抽出類似文献を主引用文献にセットしている。また、機械学習部２３３が各抽出類似文献に応じた発明移動ベクトルＶ３_１〜Ｖ３_ｎをＳクラス、Ｈクラス、Ｌクラスの３つに分類し、その分類結果に応じた要件適否文書ベクトルＶ４_１〜Ｖ４_ｎを出力する。

第１の実施の形態に係る特許要件適否予測サーバ１０では、特許要件適否に関する予測が審査実務に適合した内容で、しかも特許庁の審査実績を反映させる形で行われる。この点は、特許要件適否予測サーバ２００も同様である。

しかし、特許要件適否予測サーバ１０では、主引用発明検索で複数の抽出類似文献が抽出されるも、後続の概念検索後処理において、そのうちの１件だけ（課題最類似ヒット文献または課題最類似文献）が主引用文献とされるに過ぎなかった。その決定された文献は、実際の審査の結果、主引用文献として引用される可能性が高いと考えられるが、実際の審査で引用されるとは限らないし、その決定された文献と、その次の類似度の文献（次類似文献）とで類似度の相違がごくわずかでしかなく、その次類似文献の方が主引用文献として適切な場合も十分に考えられる。そのため、主引用発明検索で課題最類似文献を含む複数の文献を抽出し、これらを対象として機械学習部２３３による文書ベクトルの分類を行えば、次類似文献をも考慮に入れた形で特許要件適否に関する予測が行われる。そのため、特許要件適否予測サーバ１０の予測の精度よりも、特許要件適否予測サーバ２００の予測の精度が向上する。

また、実際の審査実務では、ある特許出願について、進歩性違反の拒絶理由が見つかるとき、進歩性違反の拒絶理由と新規性違反の拒絶理由とが同じ文献（この場合に引用される文献を新規性・進歩性拒絶引用文献ともいう）を引用して指摘される場合がある。このような場合、その特許出願にかかる請求項にかかる発明と、新規性・進歩性拒絶引用文献に開示されている発明とに相違がないと審査官によって判断されているから、発明移動ベクトルＶ３_１〜Ｖ３_ｎの中にＳクラスへ分類される文書ベクトルが含まれているときは、進歩性違反の拒絶理由が見つかる可能性がそうでない場合に比べてより高くなっていると考えられる。したがって、新規性・進歩性拒絶出願からみた距離ｄｐと、進歩性拒絶出願からみた距離ｄｐとが区別できるように、ＳＨＬパターンによる機械学習を行って機械学習部２３３を構築しておくことで、進歩性違反の拒絶理由が見つかる可能性が極めて高い場合とそうでない場合とを区別した予測が可能になる。こうすることで、特許要件適否予測サーバ２００による予測精度の向上と、業務効率のより一層の改善が期待できる。

（変形例１）
上記の進歩性予測処理部２２６では、一つの機械学習部２３３がｎ件の発明移動ベクトルＶ３_１〜Ｖ３_ｎの分類を行っていたが、図２６に示した特許要件適否予測処理部２１３における進歩性予測処理部２２７のように、発明移動ベクトルＶ３_１〜Ｖ３_ｎに応じた複数の機械学習部２３３_１〜２３３_ｎを有し、そのそれぞれが発明移動ベクトルＶ３_１〜Ｖ３_ｎを分類するようにしてもよい。また、図示はしないが、入力ベクトル生成部１３２も、概念検索データＶｄ２_１〜Ｖｄ２_ｎの件数に応じて複数設けてもよい。これらのようにすると、各機械学習部２３３_１〜２３３_ｎまたは各入力ベクトル生成部１３２が並行に処理を実行するので、処理時間を短縮することができる。

（変形例２）
以上述べた各実施の形態では、特許要件適否予測サーバ１０，２００に特許要件適否予測プログラムがインストールされることによって、特許要件適否予測サーバ１０，２００が特許要件適否予測装置として機能する場合を例にとって説明している。その他、本発明は、ユーザ端末装置３０が特許要件適否予測装置として機能する場合についても適用がある。この場合、前述した特許要件適否予測プログラムについて少なくとも以下の変更点１）、２）にしたがった変更を行い、その変更後の特許要件適否予測プログラムを特許要件適否予測サーバ１０，２００からユーザ端末装置３０にダウンロードし、ユーザ端末装置３０にインストールすればよい。

変更点１） 入力操作を行うための画像データを特許要件適否予測サーバ１０，２００からユーザ端末装置３０に送信することなくユーザ端末装置３０に表示させる。
変更点２） 特許要件適否予測リストをユーザ端末装置３０が出力する。

以上の説明は、本発明の実施の形態についての説明であって、この発明の装置及び方法を限定するものではなく、様々な変形例を容易に実施することができる。また、各実施形態における構成要素、機能、特徴あるいは方法ステップを適宜組合わせて構成される装置又は方法も本発明に含まれるものである。

例えば、ユーザ端末装置は高機能携帯電話機や、タブレット型の端末装置ではなく、ノートパソコンや、ＰＤＡでもよい。なお、ＣＰＵ１１が実行する特許要件適否予測プログラムは、磁気記録媒体、ＣＤ−ＲＯＭ，ＤＶＤ等の各種記録媒体に記録することができるし、ネットワークを介して図示しないサーバからダウンロードすることもできる。

また、上記実施形態では、検索文書が予測付き検索画面１８１を用いて入力される場合を想定しているが、予測付き検索画面１８１のようにして入力エリアを区分けせず１つにし、そのエリアから思いついたままの文書をユーザが入力して、その入力文書をそのまま検索文書としてもよい。ただし、予測付き検索画面１８１を用いることによって、発明の名称、目的・課題、解決手段といった区分けがなされ、そのそれぞれに応じた文書が入力されることで、検索文書が発明の要旨特定に有益な情報を含むようにパターン化（ないし定型化）される。こうすることで、調査対象発明がより明確に特定され得るため、より有効な検索が可能になる。

上記実施形態では、検索文書を用いて検索文書データを生成し、その検索文書データを用いて全文検索、概念検索が実行されているが、入力された検索文書を用いて全文検索、概念検索が実行されてもよい。

第１の実施の形態では、概念検索後処理（図１７）において、主発明全文検索の結果と概念検索の結果の対比結果にしたがい主引用文献が決定されている。その際、最も課題類似度が高い文献を主引用文献としているが（ステップ９５，９８）、これらのステップ９５，９８およびステップ９６で、課題類似度の降順に最も課題類似度が高い文献を含む複数の文献を主引用文献としてもよい。

本発明を適用することにより、出願書類の準備負担軽減が有効になるように、調査対象発明について、審査実務に適合した内容の特許要件の適否に関する予測を行うことができ、しかも予測の精度が高められる。本発明は、特許要件適否予測装置および特許要件適否予測プログラムの分野で利用することができる。

１…特許要件適否予測システム、１０，２００…特許要件適否予測サーバ、１１，３１…ＣＰＵ、３０…ユーザ端末装置、１０１…検索文書データ生成部、１０２…ｓｓｔテーブル生成部、１０３，２０３，２１３…特許要件適否予測処理部、１０５…予測結果編集処理部、１２５…新規性・拡大先願予測処理部、１２６，２２６，２２７…進歩性予測処理部、１３２…入力ベクトル生成部、１３２ａ…検索対象発明ベクトル生成部、１３２ｂ…引用候補ベクトル生成部、１３２ｃ…移動ベクトル生成部、１３３，２３３…機械学習部、１５３…検索文書データ記憶部、１５４…ｓｓｔテーブル、１５６，２５６…予測結果記憶部、Ｌ１、Ｌ２…予測結果リスト。

Claims (4)

1. 先行技術調査の対象である調査対象発明の検索に用いられ、少なくとも該調査対象発明の目的または解決しようとする課題を示す目的課題データを含む検索文書を用いて、公開特許公報の電子データである公開公報データを検索し、該検索結果に応じて、前記調査対象発明の新規性の要件適否を示す新規性予測データを生成する新規性予測処理部と、前記調査対象発明の進歩性の要件適否を示す進歩性予測データを生成する進歩性予測処理部と、該新規性予測データおよび進歩性予測データを用いて前記調査対象発明の特許要件適否を示す予測結果ファイルを生成する予測結果ファイル生成部とを有する特許要件適否予測処理手段を有し、
   前記進歩性予測処理部は、前記公開公報データによって特定される先行技術発明のうち、前記調査対象発明に最も近い主引用発明を検索する主引用発明検索部と、文書ベクトルの分類を行う文書分類部とを有し、
   前記主引用発明検索部は、前記検索文書を用いて前記主引用発明を検索する主検索文書データを生成し、該主検索文書データを用いて前記公開公報データを対象とする第１の概念検索を行い、該第１の概念検索の結果、類似度の降順に該類似度が最も高い最類似文献を含む複数の類似文献を抽出する類似文献抽出部と、該類似文献抽出部によって抽出された複数の抽出類似文献をソートする文献ソート部と、前記主引用発明が開示されている主引用文献を決定する主引用文献決定部とを有し、
   前記文献ソート部は、前記複数の抽出類似文献のそれぞれにつき、発明が解決しようとする課題の欄から抽出された課題データを用いて形成される課題インデックスを対象として、前記検索文書から抽出された前記目的課題データを用いて形成される再検索文書データを用いて第２の概念検索を行い、該第２の概念検索の結果、課題に関する課題類似度の降順に前記複数の抽出類似文献をソートしてソート済み概念検索ファイルを生成し、
   前記主引用文献決定部は、該ソート済み概念検索ファイルに記憶されている前記複数の抽出類似文献のうちの前記課題類似度が最も高い課題最類似文献を前記主引用文献とし、
   前記文書分類部は、学習文書ベクトルと教師ベクトルとを含む複数の訓練データを用いた機械学習によって、入力される発明移動ベクトルを進歩性の要件に適合するか否かのいずれかに分類してその分類結果に応じた要件適否文書ベクトルを出力するように構築され、該発明移動ベクトルは、前記検索文書に応じた調査対象発明ベクトルと、前記課題最類似文献に応じた引用候補ベクトルとの差分に応じたベクトルである特許要件適否予測装置。
2. 先行技術調査の対象である調査対象発明の検索に用いられ、少なくとも該調査対象発明の目的または解決しようとする課題を示す目的課題データを含む検索文書を用いて、公開特許公報の電子データである公開公報データを検索し、該検索結果に応じて、前記調査対象発明の新規性の要件適否を示す新規性予測データを生成する新規性予測処理部と、前記調査対象発明の進歩性の要件適否を示す進歩性予測データを生成する進歩性予測処理部と、該新規性予測データおよび進歩性予測データを用いて前記調査対象発明の特許要件適否を示す予測結果ファイルを生成する予測結果ファイル生成部とを有する特許要件適否予測処理手段を有し、
   前記進歩性予測処理部は、前記公開公報データによって特定される先行技術発明のうち、前記調査対象発明に最も近い主引用発明を検索する主引用発明検索部と、文書ベクトルの分類を行う文書分類部とを有し、
   前記主引用発明検索部は、前記検索文書を用いて前記主引用発明を検索する主検索文書データを生成し、該主検索文書データを用いて前記公開公報データを対象とする第１の概念検索を行い、該第１の概念検索の結果、類似度の降順に該類似度が最も高い最類似文献を含む複数の類似文献を抽出する類似文献抽出部と、該類似文献抽出部によって抽出された複数の抽出類似文献をソートする文献ソート部と、前記主引用発明が開示されている主引用文献を決定する主引用文献決定部とを有し、
   前記文献ソート部は、前記複数の抽出類似文献のそれぞれにつき、発明が解決しようとする課題の欄から抽出された課題データを用いて形成される課題インデックスを対象として、前記検索文書から抽出された前記目的課題データを用いて形成される再検索文書データを用いて第２の概念検索を行い、該第２の概念検索の結果、課題に関する課題類似度の降順に前記複数の抽出類似文献をソートしてソート済み概念検索ファイルを生成し、
   前記主引用文献決定部は、該ソート済み概念検索ファイルに記憶されている前記複数の抽出類似文献のうちの前記課題類似度が最も高い課題最類似文献を含む前記複数の抽出類似文献を前記主引用文献とし、
   前記文書分類部は、学習文書ベクトルと教師ベクトルとを含む複数の訓練データを用いた機械学習によって、入力される発明移動ベクトルを進歩性の要件に適合しない可能性が極めて高いクラス、高いクラス、該進歩性の要件に適合するクラスのいずれかに分類してその分類結果に応じた要件適否文書ベクトルを出力するように構築され、該発明移動ベクトルは、前記検索文書に応じた調査対象発明ベクトルと、前記主引用文献として決定された前記複数の抽出類似文献に応じた引用候補ベクトルそれぞれとの差分に応じた複数のベクトルであり、
   前記特許要件適否予測処理手段は、前記文書分類部から出力される複数の前記要件適否文書ベクトルに応じて、前記調査対象発明について、前記進歩性の要件に適合しない可能性を示す非適合率を算出する非適合率算出部を更に有する特許要件適否予測装置。
3. 前記主引用文献決定部は、前記検索文書から生成される全文検索タームを用いた前記公開公報データを対象とする全文検索でヒットしたヒット文献に前記ソート済み概念検索ファイルに記憶されている前記複数の抽出類似文献と一致する類似ヒット文献があったときは、該類似ヒット文献のうちの前記課題類似度が最も高い課題最類似ヒット文献を前記主引用文献とする請求項１記載の特許要件適否予測装置。
4. コンピュータを特許要件適否予測装置として機能させるための特許要件適否予測プログラムであって、該コンピュータを
   先行技術調査の対象である調査対象発明の検索に用いられ、少なくとも該調査対象発明の目的または解決しようとする課題を示す目的課題データを含む検索文書を用いて、公開特許公報の電子データである公開公報データを検索し、該検索結果に応じて、前記調査対象発明の新規性の要件適否を示す新規性予測データを生成する新規性予測処理部と、前記調査対象発明の進歩性の要件適否を示す進歩性予測データを生成する進歩性予測処理部と、該新規性予測データおよび進歩性予測データを用いて前記調査対象発明の特許要件適否を示す予測結果ファイルを生成する予測結果ファイル生成部とを有する特許要件適否予測処理手段として機能させ、
   前記進歩性予測処理部が前記公開公報データによって特定される先行技術発明のうち、前記調査対象発明に最も近い主引用発明を検索する主引用発明検索部と、文書ベクトルの分類を行う文書分類部とを有し、
   前記主引用発明検索部が、前記検索文書を用いて前記主引用発明を検索する主検索文書データを生成し、該主検索文書データを用いて前記公開公報データを対象とする第１の概念検索を行い、該第１の概念検索の結果、類似度の降順に該類似度が最も高い最類似文献を含む複数の類似文献を抽出する類似文献抽出部と、該類似文献抽出部によって抽出された複数の抽出類似文献をソートする文献ソート部と、前記主引用発明が開示されている主引用文献を決定する主引用文献決定部とを有し、
   前記文献ソート部が、前記複数の抽出類似文献のそれぞれにつき、発明が解決しようとする課題の欄から抽出された課題データを用いて形成される課題インデックスを対象として、前記検索文書から抽出された前記目的課題データを用いて形成される再検索文書データを用いて第２の概念検索を行い、該第２の概念検索の結果、課題に関する課題類似度の降順に前記複数の抽出類似文献をソートしてソート済み概念検索ファイルを生成し、
   前記主引用文献決定部は、該ソート済み概念検索ファイルに記憶されている前記複数の抽出類似文献のうちの前記課題類似度が最も高い課題最類似文献を前記主引用文献とし、
   前記文書分類部が、学習文書ベクトルと教師ベクトルとを含む複数の訓練データを用いた機械学習によって、入力される発明移動ベクトルを進歩性の要件に適合するか否かのいずれかに分類してその分類結果に応じた要件適否文書ベクトルを出力するように構築され、該発明移動ベクトルは、前記検索文書に応じた調査対象発明ベクトルと、前記課題最類似文献に応じた引用候補ベクトルとの差分に応じたベクトルである特許要件適否予測プログラム。

Images