2022-010814

特願２０１９－ ５０４７３「推定装置、推定方法および推定プログラム」拒絶査定不服審判事件〔令和 ２年 ９月２４日出願公開、特開２０２０－１５４４７３〕について、次のとおり審決する。

結 論 本件審判の請求は、成り立たない。

理 由 第１ 手続の経緯 本願は、平成３１年３月１８日の出願であって、その手続の経緯は以下のとおりである。 令和 ３年１１月２６日付け：拒絶理由通知書 令和 ４年 １月１３日 ：意見書、手続補正書の提出 令和 ４年 ６月 １日付け：拒絶査定 令和 ４年 ７月１１日 ：審判請求書、手続補正書の提出 令和 ５年 ３月 ６日付け：拒絶理由通知書 令和 ５年 ４月２６日 ：意見書（以下「意見書」という。）、手続補正書の提出 第２ 本願発明 本願の請求項１～９に係る発明は、令和５年４月２６日に提出された手続補正書により補正された特許請求の範囲の請求項１～９に記載されたとおりのものであるところ、その請求項１に係る発明（以下、「本願発明」という。）は、次のとおりのものである。下線部は補正箇所を示す。 「 満足度の推定対象となる推定対象者の行動履歴であって将来の対象日時より前の行動履歴を取得する取得部と、 所定の時点における所定のサービスに対する利用者の満足度と、当該所定の時点より前の行動履歴との関係性を学習したモデルであって当該所定の時点からの期間に応じた行動履歴と当該所定の時点における当該利用者の満足度との関係性を学習した当該モデルに、前記取得部により取得された行動履歴を入力することで、前記推定対象者が当該所定のサービスに対して有する前記将来の対象日時の満足度であって前記取得部により取得された行動履歴に基づく前記将来の対象日時からの期間に応じた満足度を推定する推定部と、 を有することを特徴とする推定装置。」 第３ 当審において通知した拒絶理由 当審が通知した、令和５年３月６日付けの拒絶理由の概要は、次のとおりである。 この出願は、発明の詳細な説明の記載が下記の点で、特許法第３６条第４項第１号に規定する要件を満たしていない。 記 モデルの学習に使用される行動履歴は、特定行動を行った時点から所定の期間前の時点（以下、「前の時点」という。）から特定行動を行った時点（以下、「後の時点」という。）までの行動履歴であって、かかる行動履歴に対応する特定行動の時点は、後の時点であるから、所定のスコアに対して、モデルが対応付けた時点は、あくまで、後の時点である。 かかるモデルの生成処理を行った後に、「推定装置１００」は、推定対象者の行動履歴として、現日時から前１月分の行動履歴、前２月分の行動履歴、等を収集し、モデルに入力するものとなっている。よって、かかる行動履歴に対して、モデルが出力するスコアの時点は、行動履歴の後の時点である、現日時であって、現日時から１月後、現日時から２月後の時点に対応するものとなっていない。 したがって、「推定装置１００は、現日時からｎ月前（ｎは任意の整数）までの行動履歴を収集して、モデルに入力し」たとしても、推定される満足度は、現日時のものであって、「現日時からｎ月後の満足度を各々推定する」ことは不可能である。 よって、本願の明細書の発明の詳細な説明は、当業者が請求項１～９に係る発明を実施できる程度に明確かつ十分に記載したものではない。 第４ 当審の判断 発明の詳細な説明の記載が、特許法第３６条第４項第１号に規定する要件を満たすかを、以下に検討する。 １ 特許請求の範囲の請求項１の記載について 特許請求の範囲の請求項１には、「推定部」について、「所定の時点における所定のサービスに対する利用者の満足度と、当該所定の時点より前の行動履歴との関係性を学習したモデルであって当該所定の時点からの期間に応じた行動履歴と当該所定の時点における当該利用者の満足度との関係性を学習した当該モデルに、前記取得部により取得された行動履歴を入力することで、前記推定対象者が当該所定のサービスに対して有する前記将来の対象日時の満足度であって前記取得部により取得された行動履歴に基づく前記将来の対象日時からの期間に応じた満足度を推定する」 と、記載されている。なお、下線は、当審において付与した。 この記載によれば、本願発明において、「推定部」は、「モデルに、取得部により取得された行動履歴を入力することで、将来の対象日時の満足度（将来の対象日時からの期間に応じた満足度）を推定」することを特定するものである。 ２ 本願明細書の発明の詳細な説明の記載事項 明細書の発明の詳細な説明には、次の事項が記載されている（下線は、当審において付与した。）。 「 【００１３】 まず、図１を用いて、推定装置１００が所定の利用者の行動履歴と満足度との関係性を示すモデルを生成する処理について説明する。推定装置１００は、特定行動を行った利用者の行動履歴を収集する（ステップＳ１０１）。ここで、特定行動を行った利用者とは、例えば、退会した利用者や、上級会員となった利用者である。また、以下実施形態では、利用者が退会した時点や、利用者が上級会員となった時点を処理日時とする。なお、実施形態に係る利用者は複数であってもよい。すなわち、推定装置１００は、複数の行動履歴を収集してもよい。図１に示す例では、推定装置１００が、特定行動を行った複数の行動履歴を収集する場合を示す。 ・・・ 【００１５】 続いて、推定装置１００は、特定行動を行った利用者の行動履歴から、期間ごとの行動履歴を特定する（ステップＳ１０２）。例えば、推定装置１００は、特定行動を行った利用者の行動履歴から、予め定められた期間ごとの行動履歴を特定する。具体的には、推定装置１００は、特定行動が退会である場合には、退会直前に利用者が行った行動履歴を特定する。具体的な例を挙げると、推定装置１００は、退会１月前から退会までの期間に利用者が行った行動履歴を特定してもよいし、退会２月前から退会までの期間に利用者が行った行動履歴を特定してもよい。 【００１６】 図１に示すように、推定装置１００は、利用者の行動履歴を記憶する行動履歴記憶部１２１を有する。ここで、推定装置１００が収集した利用者の行動履歴を記憶する行動履歴記憶部１２１について説明する。図１に、実施形態に係る行動履歴記憶部１２１の一例を示す。図１に示すように、行動履歴記憶部１２１は、「利用者ＩＤ」、「特定行動」、「第１期間行動」、「第２期間行動」といった項目を有する。 【００１７】 「利用者ＩＤ」は、利用者を識別するための識別情報を示す。「特定行動」は、利用者が行った特定行動を示す。図１に示す例では、利用者ＩＤ「Ｕ１」により識別される利用者が退会したことを示す。また、図１は、利用者ＩＤ「Ｕ２」により識別される利用者が上級会員となったことを示す。「特定行動日時」は、利用者が特定行動を行った日時（処理日時）を示す。図１に示す例では、「特定行動日時」に「日時＃Ｕ１」や「日時＃Ｕ２」といった概念的な情報が格納される例を示したが、実際には、日時を示す情報が格納される。「日時＃Ｕ１」は、利用者ＩＤ「Ｕ１」により識別される利用者が特定日時を行った日時を示す。なお、「特定行動日時」には、日時を示す情報であればどのような情報が格納されてもよい。例えば、「特定行動日時」には、時分に限られず、秒まで含んだ日時を示す情報が格納されてもよいし、別の表現の日時を示す情報が格納されてもよい。 【００１８】 「第１期間行動」は、所定の日時から利用者が特定行動を行った日時に至るまでの期間内の行動を示す行動ログを示す。ここで、期間行動とは、所定の期間における行動履歴を示す。例えば、第１期間行動とは、第１期間内における行動履歴を示す。例えば、第２期間行動とは、第２期間内における行動履歴を示す。例えば、「第１期間行動」には、利用者が退会した１月前の所定の日時から退会した日時に至るまでの期間内の行動履歴を示す。図１に示す例では、「第１期間行動」に「行動＃Ｕ１－１」や「行動＃Ｕ２－１」といった概念的な情報が格納される例を示したが、実際には、行動履歴を示す情報が格納される。「行動＃Ｕ１－１」は、利用者ＩＤ「Ｕ１」により識別される利用者が、特定行動日時「日時＃Ｕ１」により示される日時から特定行動を行った日時に至るまでの期間内の行動履歴を示す。なお、「第１期間行動」には、行動を示す情報であればどのような情報が格納されてもよい。また、「第２期間行動」は、「第１期間行動」と同様の情報を示す。すなわち、「第２期間行動」には、「第１期間行動」と同様の情報が格納される。以下同様である。 【００１９】 続いて、推定装置１００が特定した期間ごとの行動履歴を用いてモデルを生成する処理について説明する。推定装置１００は、各期間の行動履歴を入力した際に、特定行動と対応するスコアを各期間に対応するスコアとして出力するようにモデルの学習を行う（ステップＳ１０３）。以下、具体的な例を用いて説明する。 【００２０】 推定装置１００は、例えば、退会する前１月分、２月分、３月分、６月分の行動履歴を収集し、退会する利用者の学習データとして記憶する。そして、推定装置１００は、１月後、２月後、３月後、６月後の各々について満足度「０」を出力するように学習する。具体的には、推定装置１００は、処理日時よりも１月前の行動履歴を入力した際に、１月以内に退会する可能性を示すスコアとして「０」を出力するようにモデルの学習を行う。この場合、推定装置１００は、処理日時よりも１月前の行動履歴を入力した際に、１月以内の満足度を示すスコアとして「０」を出力するようにモデルの学習を行う。同様に、推定装置１００は、処理日時よりも２月前の行動履歴を入力した際に、２月以内に退会する可能性を示すスコアとして「０」を出力するようにモデルの学習を行う。 【００２１】 推定装置１００は、例えば、上級会員となる前１月分、２月分、３月分、６月分の行動履歴を収集し、上級会員となる利用者の学習データとして記憶する。そして、推定装置１００は、１月後、２月後、３月後、６月後の各々について満足度「１００」を出力するように学習する。具体的には、推定装置１００は、処理日時よりも１月前の行動履歴を入力した際に、１月以内に上級会員となる可能性を示すスコアとして「１００」を出力するようにモデルの学習を行う。この場合、推定装置１００は、処理日時よりも１月前の行動履歴を入力した際に、１月以内の満足度を示すスコアとして「１００」を出力するようにモデルの学習を行う。同様に、推定装置１００は、処理日時よりも２月前の行動履歴を入力した際に、２月以内に上級会員となる可能性を示すスコアとして「０」（当審注：前後の記載から、「０」は「１００」の誤記である。）を出力するようにモデルの学習を行う。 【００２２】 なお、図１の例では、「第１期間行動」や「第２期間行動」等が、上述した前１月分や２月分等の行動履歴に対応する。すなわち、推定装置１００は、「第ｎ期間行動」（ｎは任意の整数）までの行動履歴を収集し、モデルの学習を行う。このように、推定装置１００は、各期間の行動履歴を入力した際に、特定行動と対応するスコアを各期間に対応するスコアとして出力するようにモデルの学習を行うことで、利用者の過去の行動から、所定の期間後における利用者の満足度を推定するモデルを生成する。 【００２３】 次に、図１を用いて、生成したモデルを用いて、推定装置１００が推定対象者の満足度を推定する処理について説明する。推定装置１００は、推定対象者の行動履歴を収集する（ステップＳ１０４）。なお、実施形態では、推定装置１００が行動履歴を収集した時点を現日時とする。また、推定対象者の行動履歴とは、上述した利用者の行動履歴と同様の情報である。また、推定装置１００は、推定対象者の満足度の推定処理後に推定対象者が特定行動を行った場合には、推定対象者を利用者として、推定対象者の行動履歴を行動履歴記憶部１２１に格納してもよい。そして、推定装置１００は、推定対象者の行動履歴を含めて、モデルの学習を行ってもよい。 【００２４】 推定装置１００は、推定対象者の各期間の行動履歴を入力し、各期間が経過した際の推定対象者の満足度を推定する（ステップＳ１０５）。以下、具体的な例を用いて説明する。推定装置１００は、推定対象者の推定時より、例えば、前１月分、２月分、３月分、６月分の行動履歴を収集し、モデルに入力する。そして、推定装置１００は、１月後、２月後、３月後、６月後の各々について満足度を算出する。具体的には、推定装置１００は、現日時よりも１月前の行動履歴を収集して、モデルに入力し、現日時から１月後の満足度を推定する。同様に、推定装置１００は、現日時よりも２月前の行動履歴を収集して、モデルに入力し、現日時から２月後の満足度を推定する。図１の例では、「第１期間スコア」や「第２期間スコア」等が、上述した１月後の満足度や２月後の満足度に対応する。すなわち、推定装置１００は、現日時からｎ月前（ｎは任意の整数）までの行動履歴を収集して、モデルに入力し、現日時からｎ月後の満足度を各々推定する。 ・・・ 【００５４】 取得部１３１は、行動履歴を取得する。取得部１３１は、利用者の行動履歴を取得する。例えば、取得部１３１は、特定行動を行った利用者の行動履歴を取得する。例えば、取得部１３１は、所定の日時から特定行動を行った日時に至るまでの行動履歴を取得する。取得部１３１は、推定対象者の行動履歴を取得する。取得部１３１は、満足度の推定対象となる推定対象者の行動履歴を取得する。 ・・・ 【００５９】 特定部１３２は、行動履歴を特定する。特定部１３２は、期間ごとの行動履歴を特定する。特定部１３２は、特定行動を行った利用者の行動履歴から期間ごとの行動履歴を特定する。具体的な例を挙げると、特定部１３２は、特定行動を行った前１月分、２月分、３月分、６月分等の各々の行動履歴を特定する。 ・・・ 【００６４】 生成部１３３は、モデルを生成する。生成部１３３は、指標値を出力するよう、コンピュータを機能させるためのモデルを生成する。生成部１３３は、特定行動を行った利用者の過去の行動履歴から、所定の期間後における利用者の満足度 を示す指標値を出力するよう、コンピュータを機能させるためのモデルを生成する。 【００６５】 生成部１３３は、各期間の行動履歴を入力した際に、特定行動と対応するスコアを各期間に対応するスコアとして出力するように学習されたモデルを生成する。例えば、生成部１３３は、所定の特定行動を入力した場合に、所定の特定行動と対応するスコアとして「０」を出力するように学習されたモデルを生成する。例えば、入力した所定の特定行動がネガティブな行動として予め定められている場合である。具体的な例を挙げると、生成部１３３は、利用者が退会した処理日時よりもｎ月間（ｎは任意の整数）の行動履歴を入力した際に、ｎ月以内に退会する可能性を示すスコアとして「０」を出力するように学習されたモデルを生成する。また、生成部１３３は、所定の特定行動を入力した場合に、所定の特定行動と対応するスコアとして「１００」を出力するように学習されたモデルを生成する。例えば、入力した所定の特定行動がポジティブな行動として予め定められている場合である。具体的な例を挙げると、生成部１３３は、利用者が上級会員となった処理日時よりもｎ月間（ｎは任意の整数）の行動履歴を入力した際に、ｎ月以内に上級会員となる可能性を示すスコアとして「１００」を出力するように学習されたモデルを生成する。 ・・・ 【００７０】 推定部１３４は、推定対象者が所定のサービスに対して有する将来の満足度を推定する。推定部１３４は、推定対象者の行動履歴から推定対象者が所定のサービスに対して有する将来の満足度を推定する。推定部１３４は、所定の時点における利用者の満足度と、所定の時点より前の行動履歴との関係性を学習したモデルを用いて推定する。推定部１３４は、所定のサービスに対する利用者の満足度であって、所定の時点における利用者の満足度と、所定の時点より前の行動履歴との関係性を学習したモデルを用いて推定する。」 ３ 判断 上記２の明細書の発明の詳細な説明の記載によると、以下のことがいえる。 まず、請求項１の特定事項と、発明の詳細な説明に記載した事項の対応関係を検討すると、請求項１の「推定装置」、「取得部」、「モデル」及び「推定部」はそれぞれ、発明の詳細な説明の「推定装置１００」、「取得部１３１」、「モデル」及び「推定部１３４」に対応する。 （１）「モデル」について 「推定装置１００」は、所定の利用者の行動履歴と満足度との関係性を示すモデルを生成する処理について（【００１３】）、特定行動を行った利用者の行動履歴を取得し（【００１３】、【００５４】）、取得した行動履歴から、特定行動を行った時点から所定の期間前の時点から特定行動を行った時点までの行動履歴を特定する（【００１５】、【００５９】）。例えば、特定行動が退会である場合、退会１月前から退会までの期間を「第1期間行動」、退会２月前から退会までの期間を「第２期間行動」等として特定し（【００１５】、【００１８】）、これらの「第1期間行動」、「第２期間行動」等をそれぞれ、前１月分の行動履歴、前２月分の行動履歴とし（【００２２】）、学習データとして記憶する（【００２０】、【００２１】）。 次に、「推定装置１００」は、前１月分の行動履歴を入力した際に、１月以内に特定行動を行う可能性を示すスコアとして、所定のスコアを出力するようにモデルの学習を行う（【００２０】、【００２１】）。例えば、特定行動が退会である場合は、所定のスコアは「０」であり（【００２０】）、特定行動が上級会員となることである場合は、所定のスコアは「１００」であり（【００２１】）、前２月分の行動履歴を入力した際には、２月以内に特定行動を行う可能性を示すスコアとして、前３月分の行動履歴を入力した際には、３月以内に特定行動を行う可能性を示すスコアとして、所定のスコアを出力するようにモデルの学習を行うものとなっている（【００２０】、【００２１】）。 具体例として、退会する前１月分、２月分、３月分、６月分の行動履歴を収集し、退会する利用者の学習データとして記憶し、推定装置１００は、１月以内、２月以内、３月以内、６月以内の各々について満足度「０」を出力するように学習する（【００２０】）こと、上級会員となる前１月分、２月分、３月分、６月分の行動履歴を収集し、上級会員となる利用者の学習データとして記憶し、推定装置１００は、１月以内、２月以内、３月以内、６月以内の各々について満足度「１００」を出力するように学習する（【００２１】）ことが挙げられている。 すなわち、モデルの学習に使用される行動履歴は、特定行動を行った時点から所定の期間前の時点（以下「第１時点」という。）から、特定行動を行った時点（以下「第２時点」という。）までの行動履歴であり、かかる行動履歴に対応する特定行動の時点は、第２時点であることから、所定のスコアは第２時点における満足度を表すものである。例えば、退会前３月前から退会するまでの３月分の行動履歴に対して、行動履歴の最初から３月後の退会時に「０」を出力するように学習するのであるから、スコア「０」は、退会時の時点（第２時点）の満足度を表すスコアである。 よって、かかる学習データを基に学習を行ったモデルは、推定対象者の第１時点から第２時点までの行動履歴が入力された場合、推定対象者が第２時点において特定行動を行う可能性を示すスコアを出力するものとなっている。 （２）「モデル」を用いた推定処理について 「推定装置１００」は、推定対象者の行動履歴として、現日時（【００２３】）から前１月分の行動履歴（現日時より１月前の時点（第１時点）から現日時（第２時点）までの行動履歴）、前２月分の行動履歴（現日時より２月前の時点（第１時点）から現日時（第２時点）までの行動履歴）等を収集し、モデルに入力し、満足度を推定する（【００２４】）ものとなっている。そして、【００５４】に「取得部１３１」が「推定対象者の行動履歴を取得する」と記載されており、【００７０】に「推定部１３４」が「所定の時点における利用者の満足度と、所定の時点より前の行動履歴との関係性を学習したモデルを用いて推定する」と記載されていることから、【００２３】記載の推定対象者の行動履歴の収集は、推定装置１００の取得部１３１が行う動作であること、【００２４】記載のモデルを用いた満足度の推定は、推定装置１００の推定部１３４が行う動作であることを理解できる。よって、「推定装置１００」の「取得部１３１」は、「モデル」を用いた推定処理に用いる推定対象者の行動履歴として、現日時よりｎ月前（ｎは任意の整数）の時点（第１時点）から現日時（第２時点）までの行動履歴を取得するものであり、「推定装置１００」の「推定部１３４」は、かかる推定対象者の行動履歴を、モデルの入力として、推定対象者の満足度を推定するものである。 ここで、上記（１）の「モデル」の入出力の関係に鑑みれば、推定対象者の、現日時よりｎ月前（ｎは任意の整数）の時点（第１時点）から現日時（第２時点）までの行動履歴をモデルに入力すると、モデルが出力するスコアは、現日時（第２時点）のものであって、将来の対象日時のものではない。 したがって、「推定装置１００」の「推定部１３４」は、「現日時からｎ月前（ｎは任意の整数）までの行動履歴を収集して、モデルに入力し」たとしても、現日時（第２時点）の満足度を推定することしかできないから、当該モデルにより、「将来の対象日時の満足度（将来の対象日時からの期間に応じた満足度）を推定する」ことは不可能である。 そうすると、当業者であっても、将来の対象日時の満足度（将来の対象日時からの期間に応じた満足度）を推定することを実現するためには、発明の詳細な説明の記載では十分ではなく、構成の追加や変更が必要であることは明らかである。また、このような構成の追加や変更が本願出願時の技術常識であるともいえない。 ４ 請求人の主張について 請求人は意見書において、「モデルを用いて推定される満足度は現日時（所定の日時）のものとなるため、拒絶の理由１は解消される」と主張する。 しかしながら、上記したとおり、特許請求の範囲の請求項１には「前記推定対象者が当該所定のサービスに対して有する前記将来の対象日時の満足度であって前記取得部により取得された行動履歴に基づく前記将来の対象日時からの期間に応じた満足度を推定する」と記載されていることから、請求人の主張は、請求項の記載に基づかないものであって、請求人の主張は採用の限りでない。 ５ まとめ よって、発明の詳細な説明の記載は、当業者が本願発明を実施することができる程度に明確かつ十分に記載したものではない。 第５ むすび 以上のとおり、本願明細書の発明の詳細な説明の記載は、特許法第３６条第４項第１号に規定する要件を満たしていないから、本願は拒絶されるべきものである。 よって、結論のとおり審決する。