【技术实现步骤摘要】
本专利技术属于自然语言处理、机器学习领域，涉及一种基于超网络模型架构的商标保护范围判别方法。
技术介绍
1、知识产权是指人类智力劳动产生的智力劳动成果所有权，我国近年来不断提高对知识产权保护的力度，在知识产权申请、产权交易、司法保护等方面均形成了制度性的保障能力，有效的保护了权利人的合法权益。随着我国市场经济的快速发展，商标已不仅仅作为公司或者产品重要的视觉标识，更是各类组织、机构所拥有的核心知识产权，但因其所代表的可观商业利益和其所具有的易复制性，导致产生了大量的商标侵权案件。根据最高人民法院所发布的知识产权类案件统计信息，商标类侵权案件所占比例明显超过其他客体类别的侵权案件。而针对商标的客体保护范围判定是商标侵权案件审判的重要一环，且具备通过技术手段实现快速判别的基础和实现能力，对提升知识产权保护的能力具有重要意义。
2、根据商标的保护范围司法定义，可分为两类情况。一是针对非驰名商标，禁止在同种或类似商品上使用与注册商标相同或近似的标志，容易导致混淆的。二是针对驰名商标，对已注册驰名商标禁止跨类混用，未注册驰名商标禁止同类混用。根据新修改的《商标法》第14条，生产、经营者不得将“驰名商标”字样用于商品、商品包装或者容器上，或者用于广告宣传、展览以及其他商业活动中。同时，只有在当事人提出要求认定其商标为驰名商标，且根据案情需要认定驰名商标时，人民法院才依法作出认定。人民法院在审理商标侵权案件中，如果被控侵权人在同一种商品或类似商品上使用与商标注册人相同或者近似商标的，则无须对是否驰名商标作出认定。根据该法条规定，涉
3、其中，混淆的判断标准是综合判断相关商标的显著性，实际使用情况、是否有不正当意图，已经客观存在的市场格局等因素的基础。故在本专利技术中针对商标保护范围的判定主要为针对涉案商标之间的显著性判断，通过以两个商标间的视觉描述信息为输入分析出包括视觉相似性特征、商标中文字的相似性等特征，提供智能化的视觉混淆性判断结果，以实现对商标保护范围的判定。
4、在已有相关技术方案中，bhambhoria等人在研究中利用商标法领域的深度学习模型来阐明商标之间混淆的可能性问题。神经网络架构加入了一个与模型无关的可解释中间层，结合课程学习方法预测商标的视觉混淆性标签分类。使用课程学习机制的目的是，通过该策略实现对商标视觉混淆性描述标签的弱监督学习，可有效地改进深度学习模型的在少样本条件下的分类性能。同时与使用非课程学习机制的深度神经网络模型相比，该方法在少样本条件下具有良好的预测性能，并能够降低样本标注的成本。该方法的核心是采用课程学习机制，在弱监督深度学习任务条件下实现对商标视觉混淆性描述标签的分类预测。该方法需要定义课程学习的调度器，并首先根据数据样本的分类难度进行区分，额外增加了数据处理的工作成本。
5、hu等人提出了一种针对中文互联网中电子商务领域商标混淆性多标签分类任务的方案，该方案主要基于对预训练语言模型的调优训练方法，以在生成模版中加入分类标签占位符的方式获取对分类的结果的生成性描述。并通过多种预训练语言模型上的测试，包括bert,chatglm,gpt3.5，并在所提供开源数据商标描述数据集上验证了该方法的有效性。该方法所采用的基于预训练语言模型的方案，其所需的训练样本量较大，训练迭代次数较多，且对模型部署的计算环境要求较高。同时在实验中表明该方法在小样本条件下的预测精度较低，模型的鲁棒性和泛化能力较弱。
技术实现思路
1、针对现有技术中存在的问题，本专利技术的目的在于提供一种基于超网络模型架构的商标保护范围判别方法。本专利以超网络为主要架构，结合使用标签平滑方法的多标签分类预测自然语言处理模型，实现针对不同商标间视觉混淆性描述的分类预测目标。
2、为解决知识产权保护过程中对商标侵权案件中的商标保护范围认定问题，本专利技术中以知识产权案件数据集为基础，建立基于案情描述的被侵权商标信息视觉相似性描述特征多标签预测模型，判别涉案商标是否侵犯被保护客体的保护范围，以标签化的输出结果判定是否属于易混淆商标。
3、本专利技术以案情描述中的关键信息为输入，从中分析提取人为感官相似性标签，并标注人类感官判别数据标签。该模型的设计目的为以深度学习模型为基础，结合使用超网络架构以及标签平滑机制，增强模型的鲁棒性和预测泛化能力，解决因商标所属类别繁多、商标视觉描述信息准确性较差所导致预测性能较低等问题。同时超网络架构能够在保持预测精度的同时，有效的降低主模型的参数量，为适应在低配置计算环境中的部署要求提供了结构性保证。使用标签平滑机制能够有效的提升模型在多标签预测任务中的预测精度和泛化能力，使模型在实际应用中具备更强的应用能力。
4、本专利技术提供一种基于超网络模型架构的商标保护范围判别方法，利用自然语言理解和深度学习技术应用于商标侵权案件的客体保护范围判定问题，可有效的提升商标间视觉相似度描述信息的多标签分类预测效能，对提升该类案件的审判效率具有重要意义。
5、本专利技术提供一种结合超网络架构和标签平滑的多标签文本分类机制；在文本多标签分类问题上采用超网络架构结合标签平滑方法，实现对lstm网络的参数生成和标注标签平滑处理，可有效的降低了模型的参数量，并提升模型在实际应用中的鲁棒性。
6、本专利技术的技术方案为：
7、一种基于超网络模型架构的商标保护范围判别方法，其步骤包括：
8、1)对商标权侵权案件数据集中的每一案件进行标注，得到训练集ttrain；
9、2)构建商标权客体保护范围多标签分类模型；
10、3)定义损失函数并利用训练集ttrain对所述商标权客体保护范围多标签分类模型进行模型训练；
11、4)将包含涉案商标描述信息的案件事实文本序列输入训练后的所述商标权客体保护范围多标签分类模型，得到对所述涉案商标的判定结果。
12、进一步的，所述商标权客体保护范围多标签分类模型包括编码器模块、标签拼接融合模块、超网络lstm模块、解码器lstm计算模块、前馈神经网络模块、分类器模块、标签平滑处理模块以及散度损失函数计算模块；训练所述商标权客体保护范围多标签分类模型的方法为：
13、21)根据第k个案件的描述数据生成一商标相似性描述文本序列xk；将xk和第k个案件的视觉混淆性类别标签yl输入所述编码器模块进行编码，得到视觉混淆性类别标签yl对应的文本向量lv、商标相似性描述文本序列xk对应的商标描述文本向量wv；
14、22)利用所述标签拼接融合模块将商标描述文本向量wv及文本向量lv拼接融合形成新的编码向量vfuse，并将其分别输入所述超网络lstm模块、所述解码器lstm计算模块；
15、23)所述解码器lstm计算模块根据所述编码向量vfuse以及所述超网络lstm模块的输出结果进行解码作为所述前馈神经网络的输入，得到的结果向量记为vforward；
16、24)将v本文档来自技高网...
【技术保护点】
1.一种基于超网络模型架构的商标保护范围判别方法，其步骤包括：
2.根据权利要求1所述的方法，其特征在于，所述商标权客体保护范围多标签分类模型包括编码器模块、标签拼接融合模块、超网络LSTM模块、解码器LSTM计算模块、前馈神经网络模块、分类器模块、标签平滑处理模块以及散度损失函数计算模块；训练所述商标权客体保护范围多标签分类模型的方法为：
3.根据权利要求2所述的方法，其特征在于，所述超网络LSTM模块通过如下公式对所述编码向量Vfuse进行处理：
4.根据权利要求1或2或3所述的方法，其特征在于，得到所述训练集Ttrain的方法为：
5.根据权利要求4所述的方法，其特征在于，所述标签平滑处理模块利用公式对所述预测概率向量Ps进行平滑计算，得到平滑后的标签结果其中，L为标签数量，如果所述预测概率向量Ps中的标签yl’存在于标签集合Y中则yl’为1，否则为0。
6.根据权利要求1或2或3所述的方法，其特征在于，所述分类器模块为分类器softmax函数。
7.根据权利要求1或2或3所述的方法，其特征在于，所述编
8.根据权利要求1所述的方法，其特征在于，通过交叉熵损失函数计算案件对应的平滑后的标签与案件标注的视觉混淆性类别标签之间的损失量。
9.一种服务器，其特征在于，包括存储器和处理器，所述存储器存储计算机程序，所述计算机程序被配置为由所述处理器执行，所述计算机程序包括用于执行权利要求1至8任一所述方法的指令。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8任一所述方法。
...【技术特征摘要】
1.一种基于超网络模型架构的商标保护范围判别方法，其步骤包括：
2.根据权利要求1所述的方法，其特征在于，所述商标权客体保护范围多标签分类模型包括编码器模块、标签拼接融合模块、超网络lstm模块、解码器lstm计算模块、前馈神经网络模块、分类器模块、标签平滑处理模块以及散度损失函数计算模块；训练所述商标权客体保护范围多标签分类模型的方法为：
3.根据权利要求2所述的方法，其特征在于，所述超网络lstm模块通过如下公式对所述编码向量vfuse进行处理：
4.根据权利要求1或2或3所述的方法，其特征在于，得到所述训练集ttrain的方法为：
5.根据权利要求4所述的方法，其特征在于，所述标签平滑处理模块利用公式对所述预测概率向量ps进行平滑计算，得到平滑后的标签结果其中，l为标签数量，如果所述预测...
【专利技术属性】
技术研发人员：高石玉，金一，张传星，仇广义，王吉涛，
申请(专利权)人：中国司法大数据研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。