CN107330109B - 一种商标查询结果近似度评价和排序方法、装置 - Google Patents

一种商标查询结果近似度评价和排序方法、装置 Download PDF

Info

Publication number
CN107330109B
CN107330109B CN201710553009.9A CN201710553009A CN107330109B CN 107330109 B CN107330109 B CN 107330109B CN 201710553009 A CN201710553009 A CN 201710553009A CN 107330109 B CN107330109 B CN 107330109B
Authority
CN
China
Prior art keywords
trade mark
card
point
minimum unit
cutting
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710553009.9A
Other languages
English (en)
Other versions
CN107330109A (zh
Inventor
徐庆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Foshan Guofang Software Technology Co ltd
Xu Qing
Foshan Guofang Identification Technology Co Ltd
Original Assignee
Foshan City China Side Trademark Software Co Ltd
Foshan Country Trademark Services Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Foshan City China Side Trademark Software Co Ltd, Foshan Country Trademark Services Co Ltd filed Critical Foshan City China Side Trademark Software Co Ltd
Priority to PCT/CN2017/100187 priority Critical patent/WO2018120899A1/zh
Priority to US16/475,333 priority patent/US20200387543A1/en
Publication of CN107330109A publication Critical patent/CN107330109A/zh
Application granted granted Critical
Publication of CN107330109B publication Critical patent/CN107330109B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/54—Browsing; Visualisation therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5846—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using extracted text
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/90335—Query processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/237—Lexical tools
    • G06F40/247—Thesauruses; Synonyms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/284—Lexical analysis, e.g. tokenisation or collocates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/26—Techniques for post-processing, e.g. correcting the recognition result
    • G06V30/262—Techniques for post-processing, e.g. correcting the recognition result using context analysis, e.g. lexical, syntactic or semantic context
    • G06V30/274—Syntactic or semantic context, e.g. balancing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/18—Legal services
    • G06Q50/184—Intellectual property management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/28—Character recognition specially adapted to the type of the alphabet, e.g. Latin alphabet
    • G06V30/293—Character recognition specially adapted to the type of the alphabet, e.g. Latin alphabet of characters other than Kanji, Hiragana or Katakana

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Library & Information Science (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Character Discrimination (AREA)
  • Document Processing Apparatus (AREA)
  • Image Processing (AREA)
  • Editing Of Facsimile Originals (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Machine Translation (AREA)

Abstract

本发明公开一种商标查询结果近似度评价和排序方法、装置。从形、音、义的不同角度对样本商标和输入商标进行分卡处理，分别得到样本商标与输入商标的形、音、义分卡信息；通过检索获取结果商标与输入商标的匹配信息，然后按照预设的公式分别计算结果商标和输入商标之间的形近率、商标义近率、商标音近率和检索关键词匹配得分率，从而计算获取商标近似度综合量化值，并利用商标近似度综合量化值的大小对结果商标进行排序。能全面反映商标的形、音、义的综合特征近似程度，提升商标相同或近似判断的准确性和查全率。

Description

一种商标查询结果近似度评价和排序方法、装置
技术领域
本发明涉及商标信息检索领域，具体涉及一种商标查询结果近似度评价和排序方法、装置。
背景技术
商标查询对于商标注册、管理及保护具有重要的意义，其作用体现在：能及时发现商标注册申请的障碍，弄清商标能否安全使用，发现他人抢注的商标，了解商标的法律状态、查清相关商标权利范围的详细信息等。而目前的商标查询系统所报告的结果商标存在以下缺陷和弊端：
1、传统的商标查询系统所报告的结果商标的特征值虽有很多种，如：商标中文名称特征、商标英文名称特征、拼音字母特征、图形要素编码特征、图像特征描述符等，但任一种特征值都不能全面反映商标的形、音、义相结合的综合特征，从而造成商标相同或近似可能判断错误。
2、传统的商标查询系统的结果商标排序方法一般是按照其中单一特征进行排序，但两种及以上特征不能并列排序，因此，其报告和显示的排序结果商标有一定的片面性。
3、传统的商标查询系统的结果商标排序，需要与检索用户不断地交互，排序结果并不具有固定性或商标相同或近似判断的标准一致性，因而，传统方法所述的商标近似度排序与《商标法》意义上的商标相同或近似存在较大的差异。
如申请号为201410043915.0的中国发明专利，名称为：商标查询系统和方法，其中商标查询系统包括：查询模块，用于接收待查询商标；特征提取模块，用于提取所述待查询商标的商标特征；索引库，用于存储所提取到的待查询商标的商标特征；商标库，用于存储现有商标；特征库，用于存储所述现有商标的商标特征；检索模块，用于将所述待查询商标的商标特征与所述现有商标的商标特征进行匹配；以及显示模块，用于显示所述匹配的结果。通过提取待查询商标的商标特征，将所提取到的商标特征与储存在特征库中的现有商标的商标特征进行匹配，并显示匹配结果，如此降低了审查员的工作量，提高工作效率。
该专利说明书第0043段公开现有商标近似度的计算方法或实现的方法：检索模块106主要用于实现检索匹配过程，根据相关度计算方法，实现商标的匹配和筛选，最终将得到符合要求的结果反馈给用户。检索模块106基于内容的查询向用户提供检索接口，将用户的检索请求转化为可以对数据库进行操作的提问。检索允许可以针对全局对象，如整个商标，也允许针对其中的子对象以及任意组合形式来进行。检索模块106返回的结果可以按照相似程度进行排列输出，显示模块107可以显示经排序的现有商标，而且如果有必要可以基于得到的检索结果进行进一步的查询。由于基于内容的检索实现的是相似性检索，模仿人类的认知过程进行，因此，还需要在与检索用户不断地交互中提炼检索结果。
上述专利技术方案仅能解决用户的单一或逐一检索请求的匹配相似程度分别排序的问题，但无法解决由多项检索请求而产生的能匹配多项检索请求相似程度的综合排序的问题，由于现有的商标任一个单一特征不能全面反映商标的形、音、义相结合的综合特征，按单一特征的相似度排序结果不一定符合《商标法》意义上的商标相同或近似的要求，其所获的相似度排序显结果可能造成商标查询系统的用户误认为排在前的商标可能是《商标法》意义上的商标相同或近似，可能导致商标注册、管理及保护工作的严重失误。另一方面，现有的商标查询方法，对商标近似度的排序还需要与商标查询系统的用户不断地进行交互，以提供多种不同特征匹配相似程度的排序结果供用户参考，也增加了用户查询操作的工作量。
发明内容
鉴于此，本发明的目的在于提供一种商标查询结果近似度评价和排序方法、装置，能够获取对检索出的结果商标与输入商标在多特征方面进行综合评价的商标近似度综合量化值，并按照综合量化值的大小进行对结果商标进行排序，使用户看到的结果商标更符合《商标法》意义上的商标相同或近似的要求，避免单一特征排序不能全面反映商标的多种特征从而造成商标检索的漏报错报等缺陷。
为实现上述目的，本发明的技术方案如下：
一种商标查询结果近似度评价和排序方法，对近似商标查询结果进行近似度评价和排序处理，其中包括以下步骤：
步骤S110:对样本商标图像及内容按预设的商标分卡标准进行商标分卡处理，具体处理过程包括：(1)、建立由预设的形状特征最小单元多种组合方案、读音特征最小单元多种组合方案和含义特征最小单元多种组合方案所构成的商标分卡标准，(2)、对样本商标是否有汉语文字、图形、字母、数字或符号构成要素进行识别，获取构成要素的内容，(3)、提取样本商标各构成要素的形状特征最小单元、读音特征最小单元和含义特征最小单元；(4)、根据已建立的商标分卡标准，提取每一组合方案所生成或转换得到的各种文字、图形的切分信息，将这些切分信息作为样本商标分卡信息，并设定每一预设的商标分卡标准的近似度评价分值；
步骤S120:对输入商标图像及内容按预设的商标分卡标准进行商标分卡处理，具体处理过程包括：(1)、建立由预设的形状特征最小单元多种组合方案、读音特征最小单元多种组合方案和含义特征最小单元多种组合方案所构成的商标分卡标准，(2)、对输入商标是否有汉语文字、图形、字母、数字或符号构成要素进行识别，获取构成要素的内容；(3)、提取输入商标各构成要素的形状特征最小单元、读音特征最小单元和含义特征最小单元；(4)、根据已建立的商标分卡标准，提取每一组合方案所生成或转换得到的各种文字、图形的切分信息，将这些切分信息作为输入商标分卡信息；
步骤S130：以输入商标分卡信息集合作为检索关键词对存储于商标存储器的样本商标分卡信息进行检索，获取相关的结果商标的分卡信息及分卡匹配信息；
步骤S140：按照预设的商标形近率、商标义近率、商标音近率和检索关键词匹配得分率计算公式，分别计算输入商标与结果商标之间的商标形近率、商标义近率、商标音近率和检索关键词匹配得分率；
步骤S150：按照预设的商标近似度综合量化值的计算公式，计算获取商标近似度综合量化值，然后利用商标近似度综合量化值的大小对结果商标进行排序。
所述商标查询结果近似度评价和排序方法，其中，步骤S110和步骤S120所述“形状特征最小单元、读音特征最小单元、含义特征最小单元”和“商标分卡标准”包括：
1)形状特征最小单元包括：
构成要素为汉语文字的形状特征最小单元，选如下之一：每一汉语文字，每一汉语文字的每一笔划；
构成要素为图形的形状特征最小单元，选如下之一：商标图形要素编码，预设定长的商标图像轮廓线上像素点集；
构成要素为字母的形状特征最小单元，选如下之一：每一语种的单词，每一个字母；
构成要素为汉语数字的形状特征最小单元，选如下之一：汉语数字的组合，每一单个的汉语数字；
构成要素为阿拉伯数字的形状特征最小单元，选如下之一：阿拉伯数字的组合，每一单个的阿拉伯数字；
构成要素为其他语种数字的形状特征最小单元，选如下之一：其他语种数字的组合，每一单个的其他语种数字；
构成要素为符号的形状特征最小单元：为每一单个的符号。
2)含义特征最小单元包括：
构成要素为汉语文字的含义特征最小单元：商标的整体汉语文字组合由汉语词典所记载的词语组合构成时，每个词语为含义特征最小单元，否则，商标的整体汉语文字组合为含义特征最小单元；
构成要素为图形的含义特征最小单元：商标图形要素编码所对应的每一事物的名称；
构成要素为字母的含义特征最小单元：商标的整体字母组合由英文词典所记载的单词组合构成，或其他语种词典所记载的单词组合构成时，每个单词为含义特征最小单元，否则，商标的整体字母组合为含义特征最小单元；
构成要素为汉语数字的含义特征最小单元，选如下之一：商标中被分隔的每一组汉语数字所对应的预设基准语种数字，商标中每一单个汉语数字所对应的预设基准语种数字，其中，所述预设基准语种数字为任何语种数字；
构成要素为阿拉伯数字的含义特征最小单元，选如下之一：商标中被分隔的每一组阿拉伯数字所对应的预设基准语种数字，商标中每一单个阿拉伯数字所对应的预设基准语种数字，其中，所述预设基准语种数字为任何语种数字；
构成要素为其他语种数字的含义特征最小单元，选如下之一：商标中被分隔的每一组其他语种数字所对应的预设基准语种数字，商标中每一单个的其它语种数字所对应的预设基准语种数字，所述预设基准语种数字为任何语种数字；
构成要素为符号的含义特征最小单元：商标中每一符号所对应的符号名称。
3)读音特征最小单元包括：
构成要素为汉语文字的读音特征最小单元，为每一汉语文字的拼音；
构成要素为图形的读音特征最小单元，为商标图形要素编码所对应的每一事物的名称的拼音；
构成要素为字母的读音特征最小单元，选如下之一：每一字母组合的读音、每一个字母的读音；
构成要素为数字或符号的读音特征最小单元，选如下之一：商标中被分隔的每一组数字的读音，每一单个数字的读音，商标中被分隔的每一组符号的读音，每一单个符号的读音。
4)商标分卡标准包括：
A、由构成要素为汉语文字的形状特征最小单元多种组合方案所构成的商标分卡标准，包括：分卡标准a1、a2、a3、a4、a5、a6、a7、a8、a9、a10、a11、a12、a13中的至少一种，其中，
a1表示按顺序排列的商标整体所有语种文字及图形要素编码的组合切分为一个分卡，
a2表示按逆序排列的商标整体所有语种文字及图形要素编码的组合切分为一个分卡，
a3表示按顺序排列的商标中的汉语文字切分为一个分卡，
a4表示按逆序排列的商标中的汉语文字切分为一个分卡，
a5表示按顺序排列的商标中的汉语数字切分为一个分卡，
a6表示按逆序排列的商标中的汉语数字切分为一个分卡，
a7表示商标中每个相对独立的部分分别切分为一个分卡，
a8表示商标文字中完整包含现有汉语文字商标，将该部分切分为一个分卡，
a9表示商标中含有的繁体、异体字转换为简体字后切分为一个分卡，
a10表示商标中每个文字替换为形近字后切分为一个分卡，
a11表示商标中每相邻汉语文字分别切分为一个分卡，
a12表示商标中首尾汉字组合切分为一个分卡，
a13表示商标中每个汉语文字切分为一个分卡；
B、由构成要素为字母、数字、符号的形状特征最小单元多种组合方案所构成的商标分卡标准，包括：分卡标准b1、b2、b3、b4、b5、b6、b7、b8、b9、b10、b11、b12、b13、b14中的至少一种，其中，
b1表示按顺序排列的商标整体所有语种文字及图形要素编码的组合切分为一个分卡，
b2表示按逆序排列的商标整体所有语种文字及图形要素编码的组合切分为一个分卡，
b3表示按顺序排列的商标中的字母组合切分为一个分卡，
b4表示按逆序排列的商标中的字母组合切分为一个分卡，
b5表示按顺序排列的商标中含有的非汉语数字或每一单个的非汉语数字分别切分为一个分卡，
b6表示按逆序排列的商标中含有的非汉语数字或每一单个的非汉语数字分别切分为一个分卡，
b7表示按顺序排列的商标中含有的符号组合切分为一个分卡，
b8表示按逆序排列的商标中含有的符号组合切分为一个分卡，
b9表示商标中每个相对独立部分分别切分为一个分卡，
b10表示商标中每个字母被形近字母替换后切分为一个分卡，
b11表示商标中每相邻字母组合分别切分为一个分卡，
b12表示商标中字母按照不同定序排列后分别切分为一个分卡，
b13表示商标中首尾字母组合切分为一个分卡，
b14表示商标中每个字母或数字或符号分别切分为一个分卡；
C、由构成要素为图形的形状特征最小单元多种组合方案所构成的商标分卡标准，包括：分卡标准c1、c2、c3、c4中的至少一种，其中，
c1表示商标图形要素编码集合整体切分为一个分卡，
c2表示每一商标图形要素编码切分为一个分卡，
c3表示每种图像特征识别方法所产生的商标图像特征描述符整体分别切分为一个分卡，
c4表示每种图像特征识别方法所产生的商标图像特征描述符预设定长分别切分为一个分卡，所述商标图像特征描述符预设定长是指预先设置的商标图像轮廓线上连续相连的像素点的长度，连续相连的像素点以特征字符串集、或数字集表示，取值范围为商标图像特征描述符、或数字集总长度的0.1％-50％；
D、由构成要素为汉语文字的读音特征最小单元多种组合方案所构成的商标分卡标准，包括：分卡标准d1、d2、d3中的至少一种，其中，
d1表示商标中每个汉语文字的拼音音节切分为一个分卡，
d2表示商标中整体汉语文字对应的拼音切分为一个分卡，
d3表示商标中每个汉语文字被替换为形近字后的拼音音节切分为一个分卡；
E、由构成要素为字母、数字、符号的读音特征最小单元多种组合方案所构成的商标分卡标准，包括：分卡标准e1、e2、e3、e4中的至少一种，其中，
e1表示商标中每个英文单词的读音音节切分为一个分卡，
e2表示商标中字母组合被音近字母组合替换后得到的整体字母组合分别切分为一个分卡，
e3表示商标中每个数字的读音音节切分为一个分卡，
e4表示商标中每个符号的读音音节切分为一个分卡；
F、由构成要素为图形的读音特征最小单元多种组合方案所构成的商标分卡标准，包括：分卡标准f1，其中，f1表示商标的图形要素编码所对应的每一事物的名称的拼音切分为一个分卡；
G、由构成要素为汉语文字的含义特征最小单元多种组合方案所构成的商标分卡标准，包括：分卡标准g1、g2、g3、g4中的至少一种，其中，
g1表示商标中完整包含商标服务器中现有汉语文字商标、且商标整体无含义，将含有现有汉语文字商标的部分切分为一个分卡，
g2表示商标中与汉语词典所收录的词汇或商标服务器中现有汉语文字商标的汉字组合全部匹配的，将匹配部分分别切分为一个分卡，
g3表示商标中含有的汉语词汇替换为近义词后分别切分为一个分卡，
g4表示商标整体无含义的，整体汉语文字切分为一个分卡；
H、由构成要素为字母、数字、符号组合的含义特征最小单元多种组合方案所构成的商标分卡标准，包括分卡标准h1、h2、h3、h4、h5、h6、h7、h8、h9中的至少一种，其中，
h1表示商标的整体字母组合由英文词典或其他语种词典所记载的单词组合构成，整体单词组合切分为一个分卡，
h2表示商标中含有英语词典或其他语种词典所收录的单词，每个单词切分为一个分卡，
h3表示商标中含有英语词典或其他语种词典所收录的单词，将每个单词的近义词切分为一个分卡，
h4表示商标的整体字母组合与英文词典或其他语种词典所记载的单词不匹配的，整体字母组合切分为一个分卡，
h5表示商标中被分隔的每一组数字切分为一个分卡，
h6表示商标的整体数字组合切分为一个分卡，
h7表示商标的整体符号组合切分为一个分卡，
h8表示商标的每一符号切分为一个分卡，
h9表示商标完整包含商标服务器现有字母组合商标、且商标整体无含义，将含有现有字母组合商标的部分切分为一个分卡；
I、构成要素为图形的含义特征最小单元多种组合方案所构成的商标分卡标准，包括分卡标准i1、i2中的至少一种，其中，
i1表示商标图形要素编码所对应的每一事物的名称切分为一个分卡，
i2表示商标图像特征描述符对应有商标图形要素编码，商标图形要素编码所对应每个事物名称切分为一个分卡。
Y、构成要素为例外调整文字的最小单元多种组合方案所构成的商标分卡标准，包括分卡标准y1、y2中的至少一种，其中，
y1表示商标中含有例外调整文字，将例外调整文字整体切分为一个分卡；
y2表示商标中含有例外调整文字，将例外调整文字每个文字分别切分为一个分卡。
优选地，所述例外调整文字包括如下预设的一种以上：县级以上行政区域地名，公众知晓的外国地名，通用商品名称，表示商品的质量、主要原料、功能、用途、重量、数量及其他特点的词语，商品服务通用名称，显著性弱的文字。
所述商标查询结果近似度评价和排序方法，其中，步骤S120所述“输入商标分卡信息”包括：U0、β1、V0、β2、M0、Y0，其中，U0表示输入商标基于商标分卡标准a13、b14、c2、c4或其组合所得的分卡数；β1表示输入商标中含有的例外调整文字的基于分卡标准a13、b14、c2、c4所得分卡数或文字数；V0表示输入商标基于商标分卡标准d1、d2、d3、e1、e2、e3、e4或其组合所得的分卡数；β2表示输入商标中含有的例外调整文字的基于分卡标准d1、d2、d3、e1、e2、e3、e4所得分卡数或音节数；M0表示输入商标去除例外调整文字后基于商标分卡标准g1、g2、g3、g4所得的分卡数；Y0表示输入商标基于商标分卡标准y1或y2所得的分卡数；
步骤S130所述“结果商标的分卡信息及分卡匹配信息”包括Ya、Ua、Ub、Uc、Va、Vb、Vc、M1、M2、M3、M4、Ji、n、ki、r、Ti，其中，Ya表示结果商标基于商标分卡标准y1或y2所得的分卡数；Ua表示结果商标去除例外调整文字后与输入商标基于商标分卡标准a13、b14、c2、c4或其组合所得分卡中相匹配的分卡数；Ub表示结果商标去除例外调整文字后与输入商标基于商标分卡标准a10、b10或其组合所得分卡中相匹配的分卡数；Uc表示结果商标与输入商标基于商标分卡标准a13、b14、c2、c4或其组合和a10、b10或其组合所得相匹配的分卡中间插入不匹配分卡的处数；Va表示结果商标去除例外调整文字后与输入商标基于商标分卡标准d1、d2、e1、e3、e4或其组合所得分卡中相匹配的分卡数；Vb表示结果商标去除例外调整文字后与输入商标基于商标分卡标准d3、e2或其组合所得分卡中相匹配的分卡数；Vc表示结果商标与输入商标基于商标分卡标准d1、d2、e1、e3、e4或其组合和d3、e2或其组合所得相匹配的分卡中间插入不匹配分卡的处数；M1表示比较的结果商标去除例外调整文字后与输入商标基于商标分卡标准g1的匹配分卡数；M2表示比较的结果商标去除例外调整文字后与输入商标基于商标分卡标准g2的匹配分卡数；M3表示比较的结果商标去除例外调整文字后与输入商标基于商标分卡标准g3的匹配分卡数，M4表示比较的结果商标去除例外调整文字后与输入商标基于商标分卡标准g4的匹配分卡数；Ji表示结果商标与输入商标相匹配的第i个分卡所对应的商标分卡标准的预设近似度评价分值；n表示结果商标与输入商标相匹配的分卡项目数；ki表示结果商标与输入商标在第i特征类型相匹配的各分卡所对应的商标分卡标准的预设近似度评价分值的平均分值，r表示结果商标与输入商标相匹配的特征类型数；Ti表示结果商标与输入商标在第i特征类型相匹配的各分卡所对应的商标分卡标准的预设近似度的评价分值中的最高分值；
所述特征类型是通过预设的分类标准对商标分卡信息进行分类所得到的分卡类别。
所述特征类型，按形音义划分包括：形状特征类型、读音特征类型、含义特征类型；按构成要素内容划分包括：汉语文字特征类型、字母文字特征类型、数字文字特征类型、符号文字特征类型、图形要素编码图形特征类型、图像特征描述符图形特征类型。
优选地，所述商标查询结果近似度评价和排序方法，其中，步骤S140所述预设的商标形近率、商标义近率、商标音近率和检索关键词匹配得分率计算公式包括：
1)商标形近率计算公式包括：
Wunit＝Ua/(U0-β1)+[Ub/(U0-β1)]×λ1–[Uc/(U0-β1)]×λ2，
其中，Wunit表示商标形近率，λ1、λ2为预设的调整权数，λ1和λ2的取值范围均在10％至300％之间；
2)商标音近率计算公式包括：
Ssound＝Va/(V0-β2)+[Vb/(V0-β2)]×μ1–[Vc/(V0-β2)]×μ2，
其中，Ssound表示商标音近率，μ1、μ2为预设的调整权数，取值范围均在10％至300％之间；
3)商标义近率计算公式包括：
Smeaning＝[(M1+M2×α1+M3×α2+M4×α3)/M0]-θ，
其中，Smeaning表示商标义近率，α1、α2、α3分别表示对M2、M3、M4的调整参数，取值规则：当出现M1、M2、M3、M4中二个及以上参数同时不为0时，在M1、M2、M3、M4中排列最前参数为有效参数，其余为无效参数，当M1不为0时，α1、α2、α3的值为0；当M1为0且M2不为0时，α1为1，α2、α3的值为0；当M1、M2为0且M3不为0时，α2为1，α3为0；当M1、M2、M3为0且M4不为0时，α3为1；θ表示输入商标与比较的结果商标文字数不相同的调整参数，取值范围在1％至90％之间；
4)检索关键词匹配得分率计算公式包括如下至少一项：检索关键词匹配综合平均得分率，检索关键词匹配分类平均得分率，检索关键词匹配分类最高得分率，检索关键词匹配分类加权最高得分率，即：
Skeywork＝S1或Skeywork＝S2或Skeywork＝S3或Skeywork＝S4，
其中，Skeywork表示检索关键词匹配得分率，S1表示检索关键词匹配综合平均得分率，S2表示检索关键词匹配分类平均得分率，S3表示检索关键词匹配分类最高得分率，S4表示检索关键词匹配分类加权最高得分率；
其计算公式分别为：
S1＝(J1+J2+J3+……+Jn)÷n
S2＝(k1+k2+k3+…+kr)÷r
S3＝(T1+T2+T3+…+Tr)÷r
S4＝T1×ω1+T2×ω2+T3×ω3+…+Tr×ωr
其中，ω1、ω2、ω3、……ωi分别表示结果商标与输入商标在第1特征类型、第2特征类型、第3特征类型、……、第i特征类型相匹配的各分卡所对应的分卡标准的预设近似度评价分值中的最高分值的计算权数，ω1、ω2、ω3、……ωi的取值范围在1％至80％之间，全部计算权数的合计为100％。
进一步优选地，所述商标查询结果近似度评价和排序方法，其中，步骤S150所述商标近似度综合量化值的计算公式包括：
TMnear＝Wunit×Q1+Ssound×Q2+Smeaning×Q3+Skeywork×Q4，
其中，TMnear表示商标近似度综合量化值，Wunit表示商标形近率，Ssound表示商标音近率，Smeaning表示商标义近率，Skeywork表示检索关键词匹配得分率，Q1、Q2、Q3、Q4分别表示商标形近率、商标音近率、商标义近率和检索关键词匹配得分率的权重数，Q1、Q2、Q3、Q4取值范围在5％至95％之间，全部计算权数的合计为100％。
另一方面，本发明还提供一种商标查询结果近似度评价和排序处理的装置，包括：
样本商标分卡预处理模块：用于对样本商标图像及内容按预设的商标分卡标准进行商标分卡处理，具体处理过程包括：(1)、建立由预设的形状特征最小单元多种组合方案、读音特征最小单元多种组合方案和含义特征最小单元多种组合方案所构成的商标分卡标准，(2)、对样本商标是否有汉语文字、图形、字母、数字或符号构成要素进行识别，获取构成要素的内容，(3)、提取样本商标各构成要素的形状特征最小单元、读音特征最小单元和含义特征最小单元；(4)、根据已建立的商标分卡标准，提取每一组合方案所生成或转换得到的各种文字、图形的切分信息，将这些切分信息作为样本商标分卡信息，并设定每一预设的商标分卡标准的近似度评价分值；
输入商标分卡处理模块：用于对输入商标图像及内容按预设的商标分卡标准进行商标分卡处理，具体处理过程包括：(1)、建立由预设的形状特征最小单元多种组合方案、读音特征最小单元多种组合方案和含义特征最小单元多种组合方案所构成的商标分卡标准，(2)、对输入商标是否有汉语文字，图形，字母、数字或符号构成要素进行识别，获取构成要素的内容；(3)、提取输入商标各构成要素的形状特征最小单元、读音特征最小单元和含义特征最小单元；(4)、根据已建立的商标分卡标准，提取每一组合方案所生成或转换得到的各种文字、图形的切分信息，将这些切分信息作为输入商标分卡信息；
商标检索模块：以输入商标分卡信息集合作为检索关键词对存储于商标存储器的样本商标分卡信息进行检索，获取相关的结果商标的分卡信息及分卡匹配信息；
商标形近率计算模块：用于按照预设的商标形近率计算公式，计算输入商标与结果商标之间的商标形近率；
商标义近率计算模块：用于按照预设的商标义近率计算公式，计算输入商标与结果商标之间的商标义近率；
商标音近率计算模块：用于按照预设的商标音近率计算公式，计算输入商标与结果商标之间的商标音近率；
检索关键词匹配得分率计算模块：用于按照预设的检索关键词匹配得分率计算公式，计算输入商标与结果商标之间的检索关键词匹配得分率；
商标近似度综合量化值的计算模块：用于按照预设的商标近似度综合量化值的计算公式，计算获取商标近似度综合量化值，然后利用商标近似度综合量化值的大小对结果商标进行排序。
有益效果：本发明利用预设的商标分卡标准分别从不同角度对输入商标进行切分获取形状特征、读音特征和含义特征最小单元及其组合，并计算结果商标与输入商标之间的检索关键词匹配得分率、形近率、音近率和义近率，获取商标近似度综合量化值并按照近似度综合量化值的大小进行排序，能全面反映商标的形、音、义的综合特征近似程度，提升商标相同或近似判断的准确性和查全率；采用商标近似度综合量化值，有效地将商标图像抽象的视觉结果进行量化，大幅提高商标近似度的数量化评价水平；提高了商标相同或近似判断的标准化水平，缩小了商标查询结果近似度排序结果与审查人员预期的《商标法》意义上的商标相同或近似的排序结果的差异，实现输入商标与样本商标是否构成商标相同或近似的较好评价，加速商标审查工作的进步。且本发明只需将待检索的商标一次性输入系统即可得到最佳的综合排序结果，克服现有商标检索系统需要不断地进行人机交互，以获取不同的排序和显示结果，或利用人工筛选而造成的检索结果主观性太强的缺陷。
附图说明
图1是本发明实施例1的商标查询结果近似度评价和排序方法流程示意图。
图2是本发明实施例1的示例性商标原图。
图3是图2n苹果图形商标采用10×10坐标系标准获取商标图像轮廓线上像素点的图像特征描述符图。
图4是图2n苹果图形商标采用20×20坐标系标准获取商标图像轮廓线上像素点的图像特征描述符图。
图5是本发明实施例1中采用商标近似度综合量化值排序的前24件结果商标报告界面截图。
图6是本发明实施例1的商标查询结果近似度评价和排序装置结构示意图。
图7是本发明实施例2的商标查询结果近似度评价和排序方法流程示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，一下参照附图并和具体实施例对本发明进一步详细说明。
实施例一
如图1所示，一种商标查询结果近似度评价和排序方法，包括以下步骤：
步骤S110：对样本商标图像及内容按预设的商标分卡标准进行商标分卡处理，具体处理过程包括：(1)、建立由预设的形状特征最小单元多种组合方案、读音特征最小单元多种组合方案和含义特征最小单元多种组合方案所构成的商标分卡标准，(2)、对样本商标是否有汉语文字、图形、字母、数字或符号构成要素进行识别，获取构成要素的内容，(3)、提取样本商标各构成要素的形状特征最小单元、读音特征最小单元和含义特征最小单元；(4)、根据已建立的商标分卡标准，提取每一组合方案所生成或转换得到的各种文字、图形的切分信息，将这些切分信息作为样本商标分卡信息，并设定每一预设的商标分卡标准的近似度评价分值；
步骤S120：对输入商标图像及内容按预设的商标分卡标准进行商标分卡处理，具体处理过程包括：(1)、建立由预设的形状特征最小单元多种组合方案、读音特征最小单元多种组合方案和含义特征最小单元多种组合方案所构成的商标分卡标准，(2)、对输入商标是否有汉语文字、图形、字母、数字或符号构成要素进行识别，获取构成要素的内容；(3)、提取输入商标各构成要素的形状特征最小单元、读音特征最小单元和含义特征最小单元；(4)、根据已建立的商标分卡标准，提取每一组合方案所生成或转换得到的各种文字、图形的切分信息，将这些切分信息作为输入商标分卡信息；
步骤S130：以输入商标分卡信息集合作为检索关键词对存储于商标存储器的样本商标分卡信息进行检索，获取相关的结果商标的分卡信息及分卡匹配信息；
步骤S140：按照预设的商标形近率、商标义近率、商标音近率和检索关键词匹配得分率计算公式，分别计算输入商标与结果商标之间的商标形近率、商标义近率、商标音近率和检索关键词匹配得分率；
步骤S150：按照预设的商标近似度综合量化值的计算公式，计算获取商标近似度综合量化值，然后利用商标近似度综合量化值的大小对结果商标进行排序。
以下基于具体实施例对上述各步骤进行具体说明，需要强调的是，本实施例为了便于理解，设置了第一、第二、第三、第四、第五步骤，实际应用中，可以根据需要对各个步骤之间的顺序进行调整。
第一，步骤S110：对样本商标图像及内容按预设的商标分卡标准进行商标分卡处理，具体处理过程包括(1)、建立由预设的形状特征最小单元多种组合方案、读音特征最小单元多种组合方案和含义特征最小单元多种组合方案所构成的商标分卡标准，(2)、对样本商标是否有汉语文字、图形、字母、数字或符号构成要素进行识别，获取构成要素的内容，(3)、提取样本商标各构成要素的形状特征最小单元、读音特征最小单元和含义特征最小单元；(4)、根据已建立的商标分卡标准，提取每一组合方案所生成或转换得到的各种文字、图形的切分信息，将这些切分信息作为样本商标分卡信息，并设定每一预设的商标分卡标准的近似度评价分值。
(1)、建立由预设的形状特征最小单元多种组合方案、读音特征最小单元多种组合方案和含义特征最小单元多种组合方案所构成的商标分卡标准：
两商标是否构成近似，一般可从两商标是否在形状、含义、读音方面是否存在共同性进行判断，如何找出两商标的共同性及共同成份的比例是本发明实施例需要解决的技术问题。因此，本发明实施例通过对商标在形状、含义、读音方面最小的构成单元进行细分及最小单元的组合建立商标分卡标准，可以在商标查询结果近似评价和排序过程中获得有益的技术效果。
对商标在形状、含义、读音方面最小的构成单元进行细分，包括：
1)形状特征最小单元包括：
构成要素为汉语文字的形状特征最小单元，选如下之一：每一汉语文字，每一汉语文字的每一笔划；
构成要素为图形的形状特征最小单元，选如下之一：商标图形要素编码，预设定长的商标图像轮廓线上像素点集；
构成要素为字母的形状特征最小单元，选如下之一：每一语种的单词，每一个字母；
构成要素为汉语数字的形状特征最小单元，选如下之一：汉语数字的组合，每一单个的汉语数字；
构成要素为阿拉伯数字的形状特征最小单元，选如下之一：阿拉伯数字的组合，每一单个的阿拉伯数字；
构成要素为其他语种数字的形状特征最小单元，选如下之一：其他语种数字的组合，每一单个的其他语种数字；
构成要素为符号的形状特征最小单元：为每一单个的符号。
2)含义特征最小单元包括：
构成要素为汉语文字的含义特征最小单元：商标的整体汉语文字组合由汉语词典所记载的词语组合构成时，每个词语为含义特征最小单元，否则，商标的整体汉语文字组合为含义特征最小单元；
构成要素为图形的含义特征最小单元：商标图形要素编码所对应的每一事物的名称；
构成要素为字母的含义特征最小单元：商标的整体字母组合由英文词典所记载的单词组合构成，或其他语种词典所记载的单词组合构成时，每个单词为含义特征最小单元，否则，商标的整体字母组合为含义特征最小单元；
构成要素为汉语数字的含义特征最小单元，选如下之一：商标中被分隔的每一组汉语数字所对应的预设基准语种数字，商标中每一单个汉语数字所对应的预设基准语种数字，其中，所述预设基准语种数字为任何语种数字；
构成要素为阿拉伯数字的含义特征最小单元，选如下之一：商标中被分隔的每一组阿拉伯数字所对应的预设基准语种数字，商标中每一单个阿拉伯数字所对应的预设基准语种数字，其中，所述预设基准语种数字为任何语种数字；
构成要素为其他语种数字的含义特征最小单元，选如下之一：商标中被分隔的每一组其他语种数字所对应的预设基准语种数字，商标中每一单个的其它语种数字所对应的预设基准语种数字，所述预设基准语种数字为任何语种数字；
构成要素为符号的含义特征最小单元：商标中每一符号所对应的符号名称。
3)读音特征最小单元包括：
构成要素为汉语文字的读音特征最小单元，为每一汉语文字的拼音；
构成要素为图形的读音特征最小单元，为商标图形要素编码所对应的每一事物的名称的拼音；
构成要素为字母的读音特征最小单元，选如下之一：每一字母组合的读音、每一个字母的读音；
构成要素为数字或符号的读音特征最小单元，选如下之一：商标中被分隔的每一组数字的读音，每一单个数字的读音，商标中被分隔的每一组符号的读音，每一单个符号的读音。
由预设的形状特征、读音特征和含义特征最小单元及其多种组合方案所构成的商标分卡标准包括：
A、由构成要素为汉语文字的形状特征最小单元多种组合方案所构成的商标分卡标准，包括：分卡标准a1、a2、a3、a4、a5、a6、a7、a8、a9、a10、a11、a12、a13中的至少一种，其中，
a1表示按顺序排列的商标整体所有语种文字及图形要素编码的组合切分为一个分卡，
a2表示按逆序排列的商标整体所有语种文字及图形要素编码的组合切分为一个分卡，
a3表示按顺序排列的商标中的汉语文字切分为一个分卡，
a4表示按逆序排列的商标中的汉语文字切分为一个分卡，
a5表示按顺序排列的商标中的汉语数字切分为一个分卡，
a6表示按逆序排列的商标中的汉语数字切分为一个分卡，
a7表示商标中每个相对独立的部分分别切分为一个分卡，
a8表示商标文字中完整包含现有汉语文字商标，将该部分切分为一个分卡，
a9表示商标中含有的繁体、异体字转换为简体字后切分为一个分卡，
a10表示商标中每个文字替换为形近字后切分为一个分卡，
a11表示商标中每相邻汉语文字分别切分为一个分卡，
a12表示商标中首尾汉字组合切分为一个分卡，
a13表示商标中每个汉语文字切分为一个分卡。
如下结合图2中各种商标图样说明本商标分卡规则的处理方法：
a1表示按顺序排列的商标整体所有语种文字及图形要素编码的组合切分为一个分卡。即商标含有的全部文字及图形要素编码，不管是汉语汉字或其他语种的文字、字母组合、数字组合、符号或其他要素之间的组合，也不管其是否能构成一个有常用含义的词汇，均将商标整体所有语种文字及图形要素编码的组合按顺序排列视为一个分卡。以图2a为示例，按照本商标分卡规则切分为：“格力GREE+26.1.10”分卡，以图2c为示例，按照本商标分卡标准切分为：“美秀·诗美MEIXIUSHIMEI”分卡。
a2表示按逆序排列的商标整体所有语种文字及图形要素编码的组合切分为一个分卡。即商标含有的全部文字，不管是汉语汉字或其他语种的文字、字母组合、数字组合、符号或其他要素之间的组合，也不管其是否能构成一个有常用含义的词汇，均将商标整体所有语种文字及图形要素编码的组合逆序排列视为一个分卡。以图2a为示例，按照本商标分卡标准切分为：“26.1.10+EERG力格”分卡，以图2c为示例，按照本商标分卡标准切分为：“IEMIHSUIXIEM美诗·秀美”分卡。其中：文字的最小单元为单个文字，多文字可换序；字母、数字、符号的最小单元为单个字母、数字、符号，多个字母、数字、符号组合可换序；图形要素编码“26.1.10”整体为图形形状特征最小单元，不可将其数字再换序，但多个图形要素编码之间可换序(下同)。
a3表示按顺序排列的商标中的汉语文字切分为一个分卡。即商标含有的汉语汉字将其整体顺序排列视为一个分卡。以图2c为示例，按照本商标分卡标准切分为：“美秀诗美”分卡。
a4表示按逆序排列的商标中的汉语文字切分为一个分卡。即商标含有的汉语汉字将其整体逆序排列视为一个分卡。以图2c为示例，按照本商标分卡标准切分为：“美诗秀美”分卡。
a5表示按顺序排列的商标中的汉语数字切分为一个分卡。即商标含有的汉语数字，将其汉语数字和对应的阿伯数字整体顺序排列分别视为一个分卡。以图2b为示例，按照本商标分卡标准切分为：“壹贰叁”、“123”分卡。
a6表示按逆序排列的商标中的汉语数字切分为一个分卡。即商标含有的汉语数字，将其汉语数字和对应的阿伯数字整体逆序排列分别视为一个分卡。以图2b为示例，按照本商标分卡标准切分为：“叁贰壹”、“321”分卡。
a7表示商标中每个相对独立的部分分别切分为一个分卡。即商标含有的相对独立部分将其相对独立部分分别视为一个分卡。以图2c为示例，按照本商标分卡标准切分为：“美秀”、“诗美”、“MEIXIU SHIMEI”分卡。其中：相对独立部分的区分规则包括：不同语种区分为不同的相对独立部分，用符号或空格分隔开的同一语种文字组合为不同的相对独立部分，不同的颜色的同一语种文字组合为不同的相对独立部分。
a8表示商标文字中完整包含现有汉语文字商标，将该部分切分为一个分卡。即商标含有在先的他人汉语文字商标，将该在先的他人商标的该部分视为一个分卡。以图2d为示例，假设在先的他人商标有：“四通”、“欧普”，按照本商标分卡标准切分为：“四通”、“欧普”分卡。
a9表示商标中含有繁体、异体字转换为简体字后切分为一个分卡。即商标含有繁体、异体字,将该繁体、异体字转换为简体字后视为一个分卡。以图2e、图2f为示例，按照本商标分卡标准分别将商标中的“匯”、“滙”字切分为：“汇”分卡。
a10表示商标中每个文字替换为形近字后切分为一个分卡。即商标含有形近字，将该形近字的组合文字视为一个分卡。以图2h为示例，按照本商标分卡标准分别切分为：“格刀”、“格刃”、“烙力”、“洛力”、“络力”、“恪刀”、“恪力”、“辂力”等分卡。
a11表示商标中每相邻汉语文字分别切分为一个分卡。即当商标汉字字数在三个及以上时，将商标中相邻的每两个汉字视为一个分卡。以图2d为示例，按照本商标分卡标准分别切分为：“四通”、“通欧”、“欧普”分卡。
a12表示商标中首尾汉字组合切分为一个分卡。即当商标汉字字数在三个及以上时，将商标中首尾汉字视为一个分卡。以图2d为示例，按照本商标分卡标准分别切分为：“四普”分卡。
a13表示商标中每个汉语文字切分为一个分卡。即将商标中每一个汉字视为一个分卡。以图2d为示例，按照本商标分卡标准分别切分为：“四”、“通”、“欧”、“普”分卡。
B、由构成要素为字母、数字、符号的形状特征最小单元多种组合方案所构成的商标分卡标准，包括分卡标准b1、b2、b3、b4、b5、b6、b7、b8、b9、b10、b11、b12、b13、b14中的至少一种，其中，
b1表示按顺序排列的商标整体所有语种文字及图形要素编码的组合切分为一个分卡，
b2表示按逆序排列的商标整体所有语种文字及图形要素编码的组合切分为一个分卡，
b3表示按顺序排列的商标中的字母组合切分为一个分卡，
b4表示按逆序排列的商标中的字母组合切分为一个分卡，
b5表示按顺序排列的商标中含有的非汉语数字或每一单个的非汉语数字分别切分为一个分卡，
b6表示按逆序排列的商标中含有的非汉语数字或每一单个的非汉语数字分别切分为一个分卡，
b7表示按顺序排列的商标中含有的符号组合切分为一个分卡，
b8表示按逆序排列的商标中含有的符号组合切分为一个分卡，
b9表示商标中每个相对独立部分分别切分为一个分卡，
b10表示商标中每个字母被形近字母替换后切分为一个分卡，
b11表示商标中每相邻字母组合分别切分为一个分卡，
b12表示商标中字母按照不同定序排列后分别切分为一个分卡，
b13表示商标中首尾字母组合切分为一个分卡，
b14表示商标中每个字母或数字或符号分别切分为一个分卡。
如下结合图2中各种商标图样说明本商标分卡规则的处理方法：
b1表示按顺序排列的商标整体所有语种文字及图形要素编码的组合切分为一个分卡。即商标含有的全部文字及图形要素编码，不管是汉语汉字或其他语种的文字、字母组合、数字组合、符号或其他要素之间的组合，也不管其是否能构成一个有常用含义的词汇，均将商标整体所有语种文字及图形要素编码的组合按顺序排列视为一个分卡。以图2a为示例，按照本商标分卡标准切分为：“格力GREE+26.1.10”分卡，以图2c为示例，按照本商标分卡标准切分为：“美秀·诗美MEIXIUSHIMEI”分卡。
b2表示按逆序排列的商标整体所有语种文字及图形要素编码的组合切分为一个分卡。即商标含有的全部文字，不管是汉语汉字或其他语种的文字、字母组合、数字组合、符号或其他要素之间的组合，也不管其是否能构成一个有常用含义的词汇，均将商标整体所有语种文字及图形要素编码的组合逆序排列视为一个分卡。以图2a为示例，按照本商标分卡标准切分为：“26.1.10+EERG力格”分卡，以图2c为示例，按照本商标分卡标准切分为：“IEMIHSUIXIEM美诗·秀美”分卡。
b3表示按顺序排列的商标中的字母组合切分为一个分卡。即商标含有的字母组合文字将其整体字母顺序排列视为一个分卡。以图2c为示例，按照本商标分卡标准切分为：“MEIXIUSHIMEI”分卡。
b4表示按逆序排列的商标中的字母组合切分为一个分卡。即商标含有的字母组合文字将其整体字母逆序排列视为一个分卡。以图2c为示例，按照本商标分卡标准切分为：“IEMIHSUIXIEM”分卡。
b5表示按顺序排列的商标中含有的非汉语数字或每一单个的非汉语数字分别切分为一个分卡。即商标含有的非汉语数字将其非汉语数字和对应的阿伯数字整体顺序排列分别视为一个分卡。以图2i为示例，按照本商标分卡标准切分为：“one two three”、“123”分卡。
b6表示按逆序排列的商标中含有的非汉语数字或每一单个的非汉语数字分别切分为一个分卡。即商标含有的非汉语数字将其非汉语数字和对应的阿伯数字整体逆序排列分别视为一个分卡。以图2i为示例，按照本商标分卡标准切分为：“three two one”、“321”分卡。
b7表示按顺序排列的商标中含有的符号组合切分为一个分卡。即商标含有的符号组合文字将其符号组合文字整体顺序排列分别视为一个分卡。以图2p为示例，按照本商标分卡标准切分为：“@”分卡。
b8表示按逆序排列的商标中含有的符号组合切分为一个分卡。即商标含有的符号组合文字将其符号组合文字整体逆序排列分别视为一个分卡。以图2p为示例，按照本商标分卡标准切分为：“@”分卡。
b9表示商标中每个相对独立部分分别切分为一个分卡。即商标含有的相对独立部分将其相对独立部分分别视为一个分卡。以图2c为示例，按照本商标分卡标准切分为：“美秀”、“诗美”、“MEIXIU SHIMEI”分卡。其中：相对独立部分的区分规则包括：不同语种区分为不同的相对独立部分，用符号或空格分隔开的同一语种文字组合为不同的相对独立部分，不同的颜色的同一语种文字组合为不同的相对独立部分。
b10表示商标中每个字母被形近字母替换后切分为一个分卡。即商标含有形近字母，将该形近字母组合视为一个分卡。以图2l为示例，按照本商标分卡标准分别切分为：“DC”、“DG”、“DO”、“OC”、“OO”、“OG”等分卡。
b11表示商标中每相邻字母组合分别切分为一个分卡。即当商标字母字数在四个及以上时，将商标整段字母、数字、符号的每n个相邻的字母或数字或符号按原序和定序再加首字母算视为一个分卡。其中n的取值范围在大于2小于总字母数的50％的范围，当最后1个余数少于预设的n值字母数的1半时，与前一分卡合并为一分卡，等于或大于1半时，独立为1个分卡。以图2k为示例，n的取值为2时，按照本商标分卡标准分别切分为：“CA”、“CAT”、“CTA”、“CAN”、“CNA”分卡。
b12表示商标中字母按照不同定序排列后分别切分为一个分卡。即商标整体字母组合按整体、单词和26个字母的固定顺序排序规则所分别形成的字母组合作为1个分卡和再添加首字母作为1个分卡，但商标整体字母组合整体无含义且按字母定序所形成的分卡应去除重复字母。以图2k为示例，按照本商标分卡标准分别切分为：“catana”、“acnt”、“cacnt”分卡。
b13表示商标中首尾字母组合切分为一个分卡。即当商标含有字母、数字、符号及组合词汇时，将商标中首尾字母或数字或符号视为一个分卡。以图2k为示例，按照本商标分卡标准分别切分为：“ca”分卡。
b14表示商标中每个字母或数字或符号分别切分为一个分卡。即当商标含有字母、数字、符号及组合词汇时，将商标中每一个字母或数字或符号视为一个分卡。以图2k为示例，按照本商标分卡标准分别切分为：“c”、“a”、“t”、“n”分卡。
C、由构成要素为图形的形状特征最小单元多种组合方案所构成的商标分卡标准，包括：分卡标准c1、c2、c3、c4中的至少一种，其中，
c1表示商标图形要素编码集合整体切分为一个分卡，
c2表示每一商标图形要素编码切分为一个分卡，
c3表示每种图像特征识别方法所产生的商标图像特征描述符整体分别切分为一个分卡，
c4表示每种图像特征识别方法所产生的商标图像特征描述符预设定长分别切分为一个分卡，
所述商标图像特征描述符预设定长是指预先设置的商标图像轮廓线上连续相连的像素点的长度，连续相连的像素点以特征字符串集、或数字集表示，取值范围为商标图像特征描述符、或数字集总长度的0.1％-50％。
如下结合图2中各种商标图样说明本商标分卡标准的处理方法：
c1表示商标图形要素编码集合整体切分为一个分卡。即：目前在商标行业内一般采用维也纳分类标准的商标图形要素编码表示商标图形的特征。将商标所有图形要素编码整体视为一个分卡。以图2m为示例，经检索查询获得的商标图形要素编码是：26.1.12a、26.2.5、29.1.12，按照本商标分卡标准切分为：“26.1.12a，26.2.5，29.1.12”分卡。
c2表示每一商标图形要素编码切分为一个分卡。即：将商标每一个图形要素编码视为一个分卡。以图2m为示例，经检索查询获得的商标图形要素编码是：26.1.12a、26.2.5、29.1.12，按照本商标分卡标准分别切分为：“26.1.12a”、“26.2.5”、“29.1.12”分卡。
c3表示每种图像特征识别方法所产生的商标图像特征描述符整体分别切分为一个分卡。即将商标采用每一种图像特征识别方法所产生的商标图像特征描述符的整体视为一个分卡。以图2n为示例，采用图像特征识别方法一(基于10×10的坐标系标准提取图像轮廓线上像素点数字集的方法)所提取的商标图像特征描述符如图3所示，其中，定序(自小至大)商标图像特征描述符的值如下：
6，7，15，16，17，25，26，27，
22，23，24，25，26，27，28，29，31，32，39，41，48，49，51，58，61，68，69，71，79，80，81，82，89，92，93，94，95，96，97，98，99。
顺序(沿轮廓线顺时针方向逐个相邻点的顺序)商标图像特征描述符的值如下：
6，7，17，27，26，25，15，16，
22，23，24，25，26，27，28，29，39，49，48，58，68，69，79，80，79，89，99，98，97，96，95，94，93，92，82，81，71，61，51，41，31，32。
按照本分卡标准分别切分为如下2个分卡：
“6，7，15，16，17，25，26，27；22，23，24，25，26，27，28，29，31，32，39，41，48，49，51，58，61，68，69，71，79，80，81，82，89，92，93，94，95，96，97，98，99”；
“6，7，17，27，26，25，15，16；22，23，24，25，26，27，28，29，39，49，48，58，68，69，79，80，79，89，99，98，97，96，95，94，93，92，82，81，71，61，51，41，31，32”。
再以图2n为示例，采用图像特征识别方法二(基于20×20的坐标系标准提取图像轮廓线上像素点数字集的方法)所提取的图像特征描述符如图4所示，其中，定序(自小至大)商标图像特征描述符的值如下：
12，13，14，31，32，34，50，51，53，54，70，73，90，91，92，93，110，111；
85，86，87，88，93，94，95，96，103，104，105，108，109，110，111，112，113，116，117，122，123，137，138，141，142，156，157，161，176，181，196，201，216，221，236，241，256，257，261，277，278，281，282，298，302，318，322，323，337，338，343，357，363，364，369，370，375，376，384，385，386，387，388，390，391，392，393，394，395。
顺序(沿轮廓线顺时针方向逐个相邻点的顺序)商标图像特征描述符的值如下：
12，13，14，34，54，53，73，93，92，91，111，110，90，70，50，51，31，32；
85，86，87，88，108，109，110，111，112，113，93，94，95，116，117，137，138，157，156，176，196，216，236，256，257，277，278，298，318，338，337，357，376，375，395，394，393，392，391，390，370，369，388，387，386，385，384，364，363，344，343，323，322，302，282，281，261，241，221，201，181，161，141，142，122，123，103，104，105。
按照本分卡标准分别切分为如下2个分卡：
“12，13，14，31，32，34，50，51，53，54，70，73，90，91，92，93，110，111；85，86，87，88，93，94，95，96，103，104，105，108，109，110，111，112，113，116，117，122，123，137，138，141，142，156，157，161，176，181，196，201，216，221，236，241，256，257，261，277，278，281，282，298，302，318，322，323，337，338，343，357，363，364，369，370，375，376，384，385，386，387，388，390，391，392，393，394，395”；
“12，13，14，34，54，53，73，93，92，91，111，110，90，70，50，51，31，32；85，86，87，88，108，109，110，111，112，113，93，94，95，116，117，137，138，157，156，176，196，216，236，256，257，277，278，298，318，338，337，357，376，375，395，394，393，392，391，390，370，369，388，387，386，385，384，364，363，344，343，323，322，302，282，281，261，241，221，201，181，161，141，142，122，123，103，104，105”。
c4表示每种图像特征识别方法所产生的商标图像特征描述符预设定长分别切分为一个分卡。即将商标采用每一种图像特征识别方法所产生的商标图像特征描述符(或商标图像特征信息)的每一预设定长商标图像特征字符串视为一个分卡。
所述商标图像特征描述符(或商标图像特征信息)预设定长是按预设规则设置的一定长度范围的连续的局部商标图像特征描述符，表现为连续的局部数字或字符集，取值范围在图像特征描述符总长度的0.1％至50％。本实施例中，所述图像特征描述符按如下具体规则切分为n个图像特征要素单元，每个图像特征要素单元为一个图像特征描述符预设定长：
1)按获取图像特征描述符的不同坐标系标准分别预设的切分长度，预设的切分长度的取值范围在10至100字符之间；
2)当图像特征描述符的总数小于等于预设的切分长度时，不切分，整体视为一个图像特征要素单元；
3)图像特征描述符总数大于预设的切分长度时，以预设的切分长度为标准将图像特征描述符切分为若干个分组，每一分组视为一个图像特征要素单元；
4)具体连通域特征的图像特征描述符的一部分视为一个图像特征要素单元；
5)以上切分的最后一组不足预设的切分长度的50％的，与上组合并为一个图像特征要素单元，等于或超过50％的，将剩余的字符分为一组，视为一个图像特征要素单元。
再以图2n为示例，假如预设定长的值取5组数字，采用图像特征识别方法一(基于10×10的坐标系标准提取图像轮廓线上像素点数字集的方法)提取定序(自小至大)图像轮廓线上像素点数字集的方法所提取的商标图像特征描述符如图3所示，按照本分卡标准分别切分为如下11个分卡：
“6，7，15，16，17，25，26，27”、“22，23，24，25，26，27，28，29，31，32，39，41，48，49，51，58，61，68，69，71，79，80，81，82，89，92，93，94，95，96，97，98，99”；
“6，7，15，16，17”、“25，26，27”、“22，23，24，25，26”、“27，28，29，31，32”、“39，41，48，49，51”、“58，61，68，69，71”、“79，80，81，82，89”、“92，93，94，95，96”、“97，98，99”。
再以图2n为示例，假如预设定长的值取5组数字，采用图像特征识别方法一(基于20×20的坐标系标准提取图像轮廓线上像素点数字集的方法)提取顺序(沿轮廓线顺时针方向逐个相邻点的顺序)图像轮廓线上像素点数字集的方法所提取的商标图像特征描述符如图4所示，按照本分卡标准分别切分为如下11个分卡：
“6，7，17，27，26，25，15，16”、“22，23，24，25，26，27，28，29，39，49，48，58，68，69，79，80，79，89，99，98，97，96，95，94，93，92，82，81，71，61，51，41，31，32”；
“6，7，17，27，26”、“25，15，16”、“22，23，24，25，26”、“27，28，29，39，49”、“48，58，68，69，79”、“80，79，89，99，98”、“97，96，95，94，93”、“92，82，81，71，61”、“51，41，31，32”。
D、由构成要素为汉语文字的读音特征最小单元多种组合方案所构成的商标分卡标准，包括：分卡标准d1、d2、d3中的至少一种，其中，
d1表示商标中每个汉语文字的拼音音节切分为一个分卡，
d2表示商标中整体汉语文字对应的拼音切分为一个分卡，
d3表示商标中每个汉语文字被替换为形近字后的拼音音节切分为一个分卡。
如下结合图2中各种商标图样说明本商标分卡标准的处理方法：
d1表示商标中每个汉语文字的拼音音节切分为一个分卡。即将商标每个汉字的拼音音节视为一个分卡。以图2h为示例，“格”和“力”的拼音音节分别为“ge”和“li”，按照本商标分卡标准分别切分为：“ge”、“li”分卡。
d2表示商标中整体汉语文字对应的拼音切分为一个分卡。即将商标整体汉字的拼音音节视为一个分卡。以图2h为示例，“格”和“力”的拼音音节分别为“ge”和“li”，按照本商标分卡标准分别切分为：“geli”分卡。
d3表示商标中每个汉语文字被替换为形近字后的拼音音节切分为一个分卡。以图2h为示例，“格”文字被替换为“挌”形近字，“力”文字被替换为“刀”形近字，“挌刀”的拼音音节分别为“ge”和“dao”，按照本商标分卡标准分别切分为：“ge dao”分卡。
E、由构成要素为字母、数字、符号的读音特征最小单元多种组合方案所构成的商标分卡标准，包括：分卡标准e1、e2、e3、e4中的至少一种，其中，
e1表示商标中每个英文单词的读音音节切分为一个分卡，
e2表示商标中字母组合被音近字母组合替换后得到的整体字母组合分别切分为一个分卡，
e3表示商标中每个数字的读音音节切分为一个分卡，
e4表示商标中每个符号的读音音节切分为一个分卡。
如下结合图2中各种商标图样说明本商标分卡标准的处理方法：
e1表示商标中每个英文单词的读音音节切分为一个分卡。即将商标每个英文单词的读音音节视为一个分卡。以图2i为示例，“one”、“two”、“three”单词的读音音节分别为“[wΛn]”、“[tu]”、“[θri]”，按照本商标分卡标准分别切分为：“[wΛn]”、“[tu:]”、“[θri:]”分卡。
e2表示商标中字母组合被音近字母组合替换后得到的整体字母组合分别切分为一个分卡。即商标含有音近字母组合,将该音近字母组合视为一个分卡。以图2k为示例，其中“CA”与“KA”读音相同或相近，按照本商标分卡标准切分为：“CATANA”、“KATANA”等分卡。
e3表示商标中每个数字的读音音节切分为一个分卡。即将商标每个数字的读音音节视为一个分卡。以图2i为示例，“one”、“two”、“three”为英文数字单词的读音音节分别为“[wΛn]”、“[tu]”、“[θri]”，按照本商标分卡标准分别切分为：“[wΛn]”、“[tu:]”、“[θri:]”分卡。
e4表示商标中每个符号的读音音节切分为一个分卡。即商标含有符号,将该符号的读音视为一个分卡。以图2d为示例，其中“@”为符号，其读音为“at”或按照本商标分卡标准切分为：“at”或分卡。
F、由构成要素为图形的读音特征最小单元多种组合方案所构成的商标分卡标准，包括：分卡标准f1，其中，f1表示商标的图形要素编码所对应的每一事物的名称的拼音切分为一个分卡。
以图2n为示例，经检索查询获得的商标图形要素编码是：5.7.13，该图形要素编码所对应的反映描述每一事物的名称是“苹果”或“柿子”，其拼音分别为：“pingguo”或“shizi”，按照本商标分卡标准切分为：“pingguo”或“shizi”分卡。
G、由构成要素为汉语文字的含义特征最小单元多种组合方案所构成的商标分卡标准，包括：分卡标准g1、g2、g3、g4中的至少一种，其中，
g1表示商标中完整包含商标服务器中现有汉语文字商标、且商标整体无含义，将含有现有汉语文字商标的部分切分为一个分卡，
g2表示商标中与汉语词典所收录的词汇或商标服务器中现有汉语文字商标的汉字组合全部匹配的，将匹配部分分别切分为一个分卡，
g3表示商标中含有的汉语词汇替换为近义词后分别切分为一个分卡，
g4表示商标整体无含义的，整体汉语文字切分为一个分卡。
如下结合图2中各种商标图样说明本商标分卡规则的处理方法：
g1表示商标中完整包含商标服务器中现有汉语文字商标且商标整体无含义(整体文字不能与汉语词典所收录的词汇相匹配)，将含有现有汉语文字商标的部分切分为一个分卡。该现有汉语文字商标已形成其特有的含义，可视其为一个特有的名词，将该名词视为一个分卡。以图2d为示例，“四通欧普”整体无含义，假设现有汉语文字商标中有：“欧普”，按照本商标分卡标准切分为：“欧普”分卡。
g2表示商标中与汉语词典所收录的词汇或商标服务器中现有汉语文字商标的汉字组合全部匹配的，将匹配部分分别切分为一个分卡。以图2g为示例，按照本商标分卡标准分别切分为：“电脑”分卡。
g3表示商标中含有的汉语词汇替换为近义词后分别切分为一个分卡。即商标含有汉语词汇，将该汉语词汇的近义词视为一个分卡。以图2g为示例，“电脑”与“计算机”等为近义词，按照本商标分卡标准分别切分为：“计算机”等分卡。
g4表示商标整体无含义的，整体汉语文字切分为一个分卡。即商标整体汉语无含义，将商标整体汉语文字视为一个分卡。以图2d为示例，“四通欧普”整体汉语无含义，按照本商标分卡标准切分为：“四通欧普”分卡。
H、由构成要素为字母、数字、符号组合的含义特征最小单元多种组合方案所构成的商标分卡标准，包括：分卡标准h1、h2、h3、h4、h5、h6、h7、h8、h9中的至少一种，其中，
h1表示商标的整体字母组合由英文词典或其他语种词典所记载的单词组合构成，整体单词组合切分为一个分卡，
h2表示商标中含有英语词典或其他语种词典所收录的单词，每个单词切分为一个分卡，
h3表示商标中含有英语词典或其他语种词典所收录的单词，将每个单词的近义词切分为一个分卡，
h4表示商标的整体字母组合与英文词典或其他语种词典所记载的单词不匹配的，整体字母组合切分为一个分卡，
h5表示商标中被分隔的每一组数字切分为一个分卡，
h6表示商标的整体数字组合切分为一个分卡，
h7表示商标的整体符号组合切分为一个分卡，
h8表示商标的每一符号切分为一个分卡，
h9表示商标完整包含商标服务器现有字母组合商标、且商标整体无含义，将含有现有字母组合商标的部分切分为一个分卡。
如下结合图2中各种商标图样说明本商标分卡标准的处理方法：
h1表示商标的整体字母组合由英文词典或其他语种词典所记载的单词组合构成，整体单词组合切分为一个分卡。以图2i为示例，该商标的整体字母组合有英文单词构成的，将所有的单词组合在一起切分为一个分卡，按照本商标分卡标准切分为：“one two three”分卡。
h2表示商标中含有英语词典或其他语种词典所收录的单词，每个单词切分为一个分卡。即商标含有英语单词，将每个英语单词分别视为一个分卡。以图2i为示例，按照本商标分卡标准分别切分为：“one”、“two”、“three”分卡。
h3表示商标中含有英语词典或其他语种词典所收录的单词，将每个单词的近义词切分为一个分卡。即商标含有英语近义词，将该英语近义词视为一个分卡。以图2j为示例，“ability”与“capacity”、“capability”、“genius”、“talent”、“competence”、“faculty”、“gift”、“aptitude”等均具有表示人的“能力，才能”之意，按照本商标分卡标准切分为：“ability”、“capacity”、“capability”、“genius”、“talent”、“competence”、“faculty”、“gift”、“aptitude”等分卡。
h4表示商标的整体字母组合与英文词典或其他语种词典所记载的单词不匹配的，整体字母组合切分为一个分卡，即该商标的整体字母组合不是英文词典或其他语种词典所记载的单词。以图2a为例，“GREE”不是英文词典或其他语种词典所记载的单词，按照本商标分卡标准切分为：“GREE”分卡。
h5表示商标中被分隔的每一组数字切分为一个分卡，即：商标中的数字被分隔为二组或以上组数字时，每一组数字切分为一个分卡。其中，数字被分隔是指商标中的数字之间被文字、符号、字母、图片、空格等分开。
h6表示商标的整体数字组合切分为一个分卡，即：将商标中含有的数字整体组合后切分为一个分卡。
h7表示商标的整体符号组合切分为一个分卡，即：将商标中含有的符号整体组合后切分为一个分卡。
h8表示商标的每一符号切分为一个分卡，即：将商标中含有的每一符号分别切分为一个分卡。
h9表示商标完整包含商标服务器现有字母组合商标、且商标整体无含义，将含有现有字母组合商标的部分切分为一个分卡。即：商标完整包含商标服务器现有字母组合商标且商标整体无含义，将含有现有字母组合商标的部分切分为一个分卡。以图2a为例，假设该商标完整包含商标服务器现有字母组合商标“GREE”，且“GREE”不是英文词典或其他语种词典所记载的单词，商标整体无含义，按照本商标分卡标准切分为：“GREE”分卡。
I、由构成要素为图形的含义特征最小单元多种组合方案所构成的商标分卡标准，包括：分卡标准i1、i2中的至少一种，其中，
i1表示商标图形要素编码所对应的每一事物的名称切分为一个分卡，
i2表示商标图像特征描述符对应有商标图形要素编码，商标图形要素编码所对应每个事物名称切分为一个分卡。
如下结合图2中各种商标图样说明本商标分卡标准的处理方法：
i1表示商标图形要素编码所对应的每一事物的名称切分为一个分卡。处理方法：首先，通过建立事物名称词典文件，记录商标图形要素编码与该商标图形要素编码所描述事物名称的对应关系，以输入商标的图形要素编码为检索条件找出事物词典文件匹配的事物名称，该事物名称视为商标图像特征描述符所描述事物名称，该事物名称视为一个分卡。以图2n为示例，经检索查询获得的商标图形要素编码是：5.7.13，该商标图形要素编码所描述事物是“苹果”和或“柿子”，该图形所描述的事物名称“苹果”和或“柿子”视为一个分卡，图形要素编码“5.7.13”所对应每个事物名称按照本分卡标准分别切分为：“苹果”、“柿子”分卡。
i2表示商标图像特征描述符对应有商标图形要素编码，商标图形要素编码所对应每个事物名称切分为一个分卡。
商标图像特征描述符所对应的商标图形要素编码并由商标图形要素编码所对应每个事物名称通过如下方法获取：
首先，以输入商标的商标图像特征描述符作为检索关键词获取检索匹配率最高的一个结果商标之后，将该结果商标运用现有技术已标记的商标图形要素编码视为输入商标的图形要素编码；然后，通过建立事物词典文件，记录商标图形要素编码与该商标图形要素编码所描述事物名称的对应关系；最后，以输入商标的图形要素编码为检索条件找出事物词典文件匹配的事物名称，该事物名称视为商标图像特征描述符所描述事物名称，该事物名称视为一个分卡。以图2n为示例，经商标图像特征描述符(或商标图像特征信息)检索查询获得的商标图形要素编码是：“5.7.13”，对应的“事物名称”是“苹果”和“柿子”，该商标图像特征描述符按照本分卡标准分别切分为：“苹果”、“柿子”分卡。
Y、由构成要素为例外调整文字的最小单元多种组合方案所构成的商标分卡标准，包括：分卡标准y1、y2中的至少一种，其中，
y1表示商标中含有例外调整文字，将例外调整文字整体切分为一个分卡；
y2表示商标中含有例外调整文字，将例外调整文字每个文字分别切分为一个分卡。
所述例外调整文字包括如下预设的一种以上：县级以上行政区域地名，公众知晓的外国地名，通用商品名称，表示商品的质量、主要原料、功能、用途、重量、数量及其他特点的词语，商品服务通用名称，显著性弱的文字。所述显著性弱的文字是指自定义的一些不具备商标显著性特征的文字。本实施例中，将例外调整文字记录于基础名称词典库，包括：世界国家和地区字典表、县以上行政区域名称字典表、国外城市名称字典表、禁用词语文字词典表等。
以图2o为示例，商标文字“格力电器”中“电器”是通用商品名称，按照y1分卡标准切分为：“电器”分卡，按照y2分卡标准切分为：“电”、“器”分卡。
(2)、对样本商标是否由汉语文字、图形、字母、数字或符号构成要素进行识别，获取构成要素的内容。
商标构成要素的内容，汉语文字包括：商标中含有的汉语文字及其组合，图形包括：商标图样图片及图片的像素信息，字母包括：商标中含有的字母及其组合，数字或符号包括：商标中含有的汉语数字、阿拉伯数字和其他语种数字、或各种符号。
图2a至图2p所示为随机给出的示例性商标原图，这些商标图像可能包括商标构成要素的内容有：汉语文字、字母、数字、符号、图形等，输入商标的构成要素的内容一般通过在商标检索的检索入口录入而识别获取，也可通过图像识别或OCR文字识别获取，样本商标的构成要素的内容一般从现有的商标数据库中的各种商标名称数据记录和商标图形要素编码数据记录中识别获取。
以图2a为例，识别获取该商标构成要素的内容是：汉语文字：格力，字母：GREE，图形：商标的图像，商标图形要素编码：26.1.10(注：从现有的商标数据库中已标记的信息识别获取)。
(3)、提取样本商标各构成要素的形状特征最小单元、读音特征最小单元和含义特征最小单元。
在本发明的实施例中，商标分卡的目是为商标近似度评价提供数据支持，这些数据由各种特征的最小单元数据及其组合构成，最小单元数据及其组合方案构成了商标分卡标准，各种特征的最小单元包括：
形状特征最小单元包括：
构成要素为汉语文字的形状特征最小单元可选如下之一：每一汉语文字，或每一汉语文字的每一笔划。以图2a为例，商标为汉语文字的形状特征最小单元是：商标中含有的每一汉语文字，即：“格”和“力”；
构成要素为图形的形状特征最小单元可选如下之一：商标图形要素编码，预设定长的商标图像轮廓线上像素点集。以图2a为例，商标为图形的形状特征最小单元是：商标图形要素编码，即：“26.1.10”；
构成要素为字母的形状特征最小单元可选如下之一：每一字母组合的单词，或每一个字母。以图2a为例，商标为字母形状特征的最小单元是：选“每一字母组合的单词”时为“GREE”，或选“每一个字母”时为：“G”、“R”、“E”、“E”；
构成要素为汉语数字的形状特征最小单元，选如下之一：汉语数字的组合，每一单个的汉语数字。以图2b为例，商标为汉语数字的形状特征最小单元是：选“汉语数字的组合”时为“壹贰叁”，选“每一单个的汉语数字”时为：“壹”、“贰”、“叁”；
构成要素为阿拉伯数字的形状特征最小单元，选如下之一：阿拉伯数字的组合，每一单个的阿拉伯数字；
构成要素为其他语种数字的形状特征最小单元，选如下之一：其他语种数字的组合，每一单个的其他语种数字；
构成要素为符号的形状特征最小单元：为每一单个的符号。
含义特征最小单元包括：
构成要素为汉语文字的含义特征最小单元：商标的整体汉语文字组合由汉语词典所记载的词语组合构成时，每个词语为含义特征最小单元，否则，商标的整体汉语文字组合为含义特征最小单元；
构成要素为图形的含义特征最小单元：商标图形要素编码所对应的每一事物的名称；
构成要素为字母的含义特征最小单元：商标的整体字母组合由英文词典所记载的单词组合构成，或其他语种词典所记载的单词组合构成时，每个单词为含义特征最小单元，否则，商标的整体字母组合为含义特征最小单元；
构成要素为汉语数字的含义特征最小单元，选如下之一：商标中被分隔的每一组汉语数字所对应的预设基准语种数字，商标中每一单个汉语数字所对应的预设基准语种数字，其中，所述预设基准语种数字为任何语种数字；
构成要素为阿拉伯数字的含义特征最小单元，选如下之一：商标中被分隔的每一组阿拉伯数字所对应的预设基准语种数字，商标中每一单个阿拉伯数字所对应的预设基准语种数字，其中，所述预设基准语种数字为任何语种数字；
构成要素为其他语种数字的含义特征最小单元，选如下之一：商标中被分隔的每一组其他语种数字所对应的预设基准语种数字，商标中每一单个的其它语种数字所对应的预设基准语种数字，所述预设基准语种数字为任何语种数字；
构成要素为符号的含义特征最小单元：商标中每一符号所对应的符号名称。
读音特征最小单元包括：
构成要素为汉语文字的读音特征最小单元，为每一汉语文字的拼音；
构成要素为图形的读音特征最小单元，为商标图形要素编码所对应的每一事物的名称的拼音；
构成要素为字母的读音特征最小单元，选如下之一：每一字母组合的读音、每一个字母的读音；
构成要素为数字或符号的读音特征最小单元，选如下之一：商标中被分隔的每一组数字的读音，每一单个数字的读音，商标中被分隔的每一组符号的读音，每一单个符号的读音。
(4)、根据已建立的商标分卡标准，提取每一组合方案所生成或转换得到的各种文字、图形的切分信息，将这些切分信息作为样本商标分卡信息，并设定每一预设的商标分卡标准的近似度评价分值。
根据前述已建立的商标分卡标准，获取样本商标由汉语文字、图形、字母、数字或符号等构成要素的内容，提取样本商标的各构成要素的形状特征的最小单元、读音特征的最小单元和含义特征的最小单元，可以将每一最小单元的组合方案所生成或转换得到的各种文字、图形的切分信息，将这些切分信息作为样本商标分卡信息，并建立每一预设的商标分卡标准预设近似度评价分值。
所述的预设近似度评价分值如表1所示，其中，t1、t2、t3、t4、……t56分别表示各个分卡标准对应的预设近似度评价分值，在本实施例中，所述对预设的商标分卡标准预设近似度评价分值，是由有一定商标审查专业经验的人员针对每一商标分卡标准对商标近似程度影响排列高低而预设近似度评价分值，取值范围在0.1％至100％之间。
表1：各个分卡标准的预设近似度评价分值
按照前述方法得到各种的商标分卡信息，将这些分卡信息作为商标在形、音、义方面的商标近似度评价的基础数据，为解决商标检索的结果商标与输入商标的近似度评价提供有效的数据支持。
第二，步骤S120：对输入商标图像及内容按预设的商标分卡标准进行商标分卡处理，具体处理过程包：括(1)、建立由预设的形状特征、读音特征和含义特征最小单元多种组合方案所构成的商标分卡标准，(2)、对输入商标是否由汉语文字、图形、字母、数字或符号构成要素进行识别，获取构成要素的内容；(3)、提取输入商标各构成要素的形状特征最小单元、读音特征最小单元和含义特征最小单元；(4)、根据已建立的商标分卡标准，提取每一组合方案所生成或转换得到的各种文字、图形的切分信息，将这些切分信息作为输入商标分卡信息。
在本发明实施例中，参照前述“对样本商标图像及内容按预设的商标分卡标准进行商标分卡处理”的处理过程，以输入商标为处理对象，对输入商标提取每一组合方案所生成或转换得到的各种文字、图形的切分信息。
将这些切分信息作为输入商标分卡信息。
所述的输入商标分卡信息包括：商品类别范围和查询内容，所述的“查询内容”是由输入商标经商标分卡处理而获得的商标分卡信息，包括分卡类型，分卡内容，分卡数，采用的分卡标准，该分卡标准的预设分值等。作为优选的实施方式，所述输入商标分卡信息包括：U0、β1、V0、β2、M0、Y0，其中，U0表示输入商标基于商标分卡标准a13、b14、c2、c4或其组合所得的分卡数；β1表示输入商标中含有的例外调整文字的基于分卡标准a13、b14、c2、c4所得分卡数或文字数；V0表示输入商标基于商标分卡标准d1、d2、d3、e1、e2、e3、e4或其组合所得的分卡数；β2表示输入商标中含有的例外调整文字的基于分卡标准d1、d2、d3、e1、e2、e3、e4所得分卡数或音节数；M0表示输入商标去除例外调整文字后与结果商标基于商标分卡标准g1、g2、g3、g4所得分卡中相匹配的分卡数；Y0表示输入商标基于商标分卡标准y1或y2所得的分卡数。
第三，步骤S130：以输入商标分卡信息集合作为检索关键词对存储于商标存储器的样本商标分卡信息进行检索，获取相关的结果商标的分卡信息及分卡匹配信息。
在本实施例中，所述输入商标分卡信息集合作为检索关键词，包括根据前述的各种文字、图形的切分信息，作为反映商标的形状特征、读音特征和含义特征的商标分卡的信息。
所述结果商标的分卡信息及分卡匹配信息包括：结果商标的注册号及商品类别、分卡类型，分卡内容，分卡数，采用的分卡标准，该分卡标准的预设分值等。本实施例中，所述结果商标的分卡信息及分卡匹配信息包括Ya、Ua、Ub、Uc、Va、Vb、Vc、M1、M2、M3、M4、Ji、n、ki、r、Ti，其中，Ya表示结果商标基于商标分卡标准y1或y2所得的分卡数；Ua表示结果商标去除例外调整文字后与输入商标基于商标分卡标准a13、b14、c2、c4或其组合所得分卡中相匹配的分卡数；Ub表示结果商标去除例外调整文字后与输入商标基于商标分卡标准a10、b10或其组合所得分卡中相匹配的分卡数；Uc表示结果商标与输入商标基于商标分卡标准a13、b14、c2、c4或其组合和a10、b10或其组合所得相匹配的分卡中间插入不匹配分卡的处数；Va表示结果商标去除例外调整文字后与输入商标基于商标分卡标准d1、d2、e1、e3、e4或其组合所得分卡中相匹配的分卡数；Vb表示结果商标去除例外调整文字后与输入商标基于商标分卡标准d3、e2或其组合所得分卡中相匹配的分卡数；Vc表示结果商标与输入商标基于商标分卡标准d1、d2、e1、e3、e4或其组合和d3、e2或其组合所得相匹配的分卡中间插入不匹配分卡的处数；M1表示比较的结果商标去除例外调整文字后与输入商标基于商标分卡标准g1的匹配分卡数；M2表示比较的结果商标去除例外调整文字后与输入商标基于商标分卡标准g2的匹配分卡数；M3表示比较的结果商标去除例外调整文字后与输入商标基于商标分卡标准g3的匹配分卡数，M4表示比较的结果商标去除例外调整文字后与输入商标基于商标分卡标准g4的匹配分卡数；Ji表示结果商标与输入商标相匹配的第i个分卡所对应的商标分卡标准的预设近似度评价分值；n表示结果商标与输入商标相匹配的分卡项目数；ki表示结果商标与输入商标在第i特征类型相匹配的各分卡所对应的商标分卡标准的预设近似度评价分值的平均分值，r表示结果商标与输入商标相匹配的特征类型数；Ti表示结果商标与输入商标在第i特征类型相匹配的各分卡所对应的商标分卡标准的预设近似度的评价分值中的最高分值。
第四，步骤S140：按照预设的商标形近率、商标义近率、商标音近率和检索关键词匹配得分率计算公式，分别计算输入商标与结果商标之间的商标形近率、商标义近率、商标音近率和检索关键词匹配得分率。
结合具体实施例对计算公式及计算方法说明如下：
(1)商标形近率计算公式为：Wunit＝Ua/(U0-β1)+[Ub/(U0-β1)]×λ1–[Uc/(U0-β1)]×λ2，
其中，Wunit表示商标形近率，U0表示输入商标基于商标分卡标准a13、b14、c2、c4或其组合所得的分卡数；Ua表示结果商标去除例外调整文字后与输入商标基于商标分卡标准a13、b14、c2、c4或其组合所得分卡中相匹配的分卡数；Ub表示结果商标去除例外调整文字后与输入商标基于商标分卡标准a10、b10或其组合所得分卡中相匹配的分卡数；Uc表示结果商标与输入商标基于商标分卡标准a13、b14、c2、c4或其组合和a10、b10或其组合所得相匹配的分卡中间插入不匹配分卡的处数；β1表示输入商标中含有的例外调整文字的基于分卡标准a13、b14、c2、c4所得分卡数或文字数；λ1、λ2为预设的调整权数，λ1和λ2的取值范围均在10％至300％之间。
例如：输入商标是图2h所示的“格力”，输入商标的多种特征类型的分卡集合中包括“和力”、“格刀”、“恪刀”、“格”、“力”、“恪”、“刀”，并以此作为检索关键词对商标数据库进行检索，获取相关的查询结果商标是“格力”“格刀”、“恪刀”，并假设λ1的取值为90％，λ2的取值为150％，输入商标与结果商标中均不含商标例外调整文字，β1为0，按照所述商标形近率的计算公式计算各个结果商标与输入商标的形近率：
1)输入商标“格力”与结果商标“格力”的商标形近率为：
Wunit＝Ua/(U0-β1)+[Ub/(U0-β1)]×λ1–[Uc/(U0-β1)]×λ2＝2/(2-0)+[0/(2-0)]×90％–[0/(2-0)]×150％＝1＝100％。
2)输入商标“格力”与结果商标“格刀”的商标形近率为：
Wunit＝Ua/(U0-β1)+[Ub/(U0-β1)]×λ1–[Uc/(U0-β1)]×λ2＝1/(2-0)+[1/(2-0)]×90％–[0/(2-0)]×150％＝95％。
3)输入商标“格力”与结果商标“恪刀”的商标形近率为：
Wunit＝Ua/(U0-β1)+[Ub/(U0-β1)]×λ1–[Uc/(U0-β1)]×λ2＝0/(2-0)+[2/(2-0)]×90％–[0/(2-0)]×150％＝90％。
(2)商标音近率计算公式为：Ssound＝Va/(V0-β2)+[Vb/(V0-β2)]×μ1–[Vc/(V0-β2)]×μ2，
其中，Ssound表示商标音近率，V0表示输入商标基于商标分卡标准d1、d2、d3、e1、e2、e3、e4或其组合所得的分卡数，Va表示结果商标去除例外调整文字后与输入商标基于商标分卡标准d1、d2、e1、e3、e4或其组合所得分卡中相匹配的分卡数；Vb表示结果商标去除例外调整文字后与输入商标基于商标分卡标准d3、e2或其组合所得分卡中相匹配的分卡数；Vc表示结果商标与输入商标基于商标分卡标准d1、d2、e1、e3、e4或其组合和d3、e2或其组合所得相匹配的分卡中间插入不匹配分卡的处数；β2表示输入商标中含有的例外调整文字的基于分卡标准d1、d2、d3、e1、e2、e3、e4所得分卡数或音节数，μ1、μ2为预设的调整权数，取值范围均在10％至300％之间。
例如：输入商标是图2h所示的“格力”，以输入商标的多种特征类型的分卡集合为检索关键词对商标存储器进行检索，获取相关的查询结果商标是“格力”“格刀”、“挌历”，其对应文字的音节分别是“ge”、“li”、“dao”，并假设μ1的取值为90％，μ2的取值为150％，输入商标与结果商标中均不含商标例外调整文字，β2为0，按照所述商标音近率的计算公式计算各个结果商标与输入商标的音近率：
1)输入商标“格力”(“ge”、“li”)与结果商标“格力”(“ge”、“li”)的商标音近率为：
Ssound＝Va/(V0-β2)+[Vb/(V0-β2)]×μ1–[Vc/(V0-β2)]×μ2＝2/(2-0)+[0(2-0)]×90％–[0/(2-0)]×150％＝100％。
2)输入商标“格力”(“ge”、“li”)与结果商标“格刀”(“ge”、“dao”)的商标音近率为：
Ssound＝Va/(V0-β2)+[Vb/(V0-β2)]×μ1–[Vc/(V0-β2)]×μ2＝1/(2-0)+[0/(2-0)]×90％–[0/(2-0)]×150％＝50％。
3)输入商标“格力”(“ge”、“li”)与结果商标“挌历”(“ge”、“li”)的商标音近率为：
Ssound＝Va/(V0-β2)+[Vb/(V0-β2)]×μ1–[Vc/(V0-β2)]×μ2＝0/(2-0)+[2/(2-0)]×90％–[0/(2-0)]×150％＝90％。
(3)商标义近率计算公式为：Smeaning＝(M1+M2×α1+M3×α2+M4×α3)/(M0)-θ，
其中，Smeaning表示商标义近率，M0表示输入商标去除例外调整文字后与结果商标基于商标分卡标准g1、g2、g3、g4所得分卡中相匹配的分卡数，M1表示比较的结果商标去除例外调整文字后与输入商标基于商标分卡标准g1的匹配分卡数；M2表示比较的结果商标去除例外调整文字后与输入商标基于商标分卡标准g2的匹配分卡数；M3表示比较的结果商标去除例外调整文字后与输入商标基于商标分卡标准g3的匹配分卡数，M4表示比较的结果商标去除例外调整文字后与输入商标基于商标分卡标准g4的匹配分卡数，α1、α2、α3分别表示对M2、M3、M4的调整参数，取值规则为：当出现M1、M2、M3、M4中二个及以上参数同时不为0时，在M1、M2、M3、M4中排列最前参数为有效参数，其余为无效参数，当M1不为0时，α1、α2、α3的值为0；当M1为0且M2不为0时，α1为1，α2、α3的值为0；当M1、M2为0且M3不为0时，α2为1，α3为0；当M1、M2、M3为0且M4不为0时，α3为1；θ表示输入商标与比较的结果商标文字数不相同的调整参数，取值范围在1％至90％之间。
例如：输入商标是图2c所示的“四通欧普”，假设以输入商标的多种特征类型的分卡集合作为检索关键词对商标存储器进行检索，商标存储器中存储有在先商标的“欧普”和“四通”数据，获取相关的查询结果商标是“欧普”和“四通”，假设θ的取值为10％，按照所述商标义近率的计算公式计算各个结果商标与输入商标的义近率：
1)输入商标“四通欧普”与结果商标“欧普”的商标义近率：
输入商标中没有“例外调整文字”，输入商标“四通欧普”与结果商标“欧普”基于商标分卡标准g1的分卡数为1，M0和M1值均为1，输入商标“四通欧普”与商标分卡标准g2、g3、g4不适用，M2、M3、M4值均为0，输入商标“四通欧普”与比较的结果商标“欧普”基于商标分卡标准g4的分卡数为1，M4值均为1，假设θ的取值为10％，计算结果如下：
Smeaning＝[(M1+M2×α1+M3×α2+M4×α3)/M0]-θ＝[(1+0+0+1×0)/1]-10％＝90％。
2)输入商标“四通欧普”与比较的结果商标“四通”的商标义近率：
输入商标没有“例外调整文字”，输入商标“四通欧普”与比较的结果商标“四通”基于商标分卡标准g1的分卡数为1，M0和M1值均为1，输入商标“四通欧普”与商标分卡标准g2、g3、g4不适用，M2、M3、M4值均为0，输入商标“四通欧普”与比较的结果商标“四通”基于商标分卡标准g4的分卡数为1，M4值均为1，假设θ的取值为10％，计算结果如下：
Smeaning＝[(M1+M2×α1+M3×α2+M4×α3)/M0]-θ＝[(1+0+0+1×0)/1]-10％＝90％。
例如：输入商标是图2o所示的“格力电器”，假设以输入商标的多种特征类型的分卡集合作为检索关键词对商标存储器进行检索，商标存储器中存储有在先商标的“格力”数据，获取相关的查询结果商标是“格力”，假设θ的取值为10％，按照所述商标义近率的计算公式计算结果商标与输入商标的义近率的过程如下：
输入商标中的“电器”是“商品服务通用名称”，属“例外调整文字”，计算时应予去除；
输入商标“格力电器”与比较的结果商标“格力”基于商标分卡标准g1的分卡数为1，M0和M1值均为1，输入商标“格力电器”与商标分卡标准g2、g3、不适用，M2、M3值均为0，输入商标“格力电器”与比较的结果商标“格力”基于商标分卡标准g4的分卡数为1，M4值为1，θ的取值为10％，计算结果如下：
Smeaning＝[(M1+M2×α1+M3×α2+M4×α3)/M0]-θ＝[(1+0+0+1×0)/1]-10％＝90％。
(4)检索关键词匹配得分率包括如下至少一项：检索关键词匹配综合平均得分率，检索关键词匹配分类平均得分率，检索关键词匹配分类最高得分率，检索关键词匹配分类加权最高得分率，即：Skeywork＝S1或Skeywork＝S2或Skeywork＝S3或Skeywork＝S4
其中，Skeywork表示检索关键词匹配得分率，S1表示检索关键词匹配综合平均得分率，S2表示检索关键词匹配分类平均得分率，S3表示检索关键词匹配分类最高得分率，S4表示检索关键词匹配分类加权最高得分率。
各项检索关键词匹配得分率计算方法如下：
检索关键词匹配综合平均得分率S1的计算公式为：S1＝(J1+J2+J3+……+Jn)÷n
其中，S1表示检索关键词匹配综合平均得分率，J1、J2、J3……Jn分别表示结果商标与输入商标相匹配的每一分卡所对应的商标分卡标准的预设近似度评价分值，n表示结果商标与输入商标相匹配的分卡数。
2)检索关键词匹配分类平均得分率S2的计算公式为：S2＝(k1+k2+k3+…+kr)÷r
其中，S2表示检索关键词匹配分类平均得分率，k1表示结果商标与输入商标在第1特征类型相匹配的各分卡所对应的商标分卡标准的预设近似度评价分值的平均分值，k2表示结果商标与输入商标在第2特征类型相匹配的各分卡所对应的商标分卡标准的预设近似度评价分值的平均分值，k3表示结果商标与输入商标在第3特征类型相匹配的各分卡所对应的商标分卡标准的预设近似度评价分值的平均分值，kr表示结果商标与输入商标在第r特征类型相匹配的各分卡所对应的商标分卡标准的预设近似度评价分值的平均分值，r表示相匹配的特征类型数。
3)检索关键词匹配分类最高得分率S3的计算公式为：S3＝(T1+T2+T3+…+Tr)÷r
其中，S3表示检索关键词匹配分类最高得分率，T1表示结果商标与输入商标在第1特征类型相匹配的各分卡所对应的商标分卡标准的预设近似度的评价分值中的最高分值，T2表示结果商标与输入商标在第2特征类型相匹配的各分卡所对应的商标分卡标准的预设近似度的评价分值中的最高分值，T3表示结果商标与输入商标在第3特征类型相匹配的各分卡所对应的商标分卡标准的预设近似度的评价分值中的最高分值，Tr表示结果商标与输入商标在第r特征类型相匹配的各分卡所对应的商标分卡标准的预设近似度的评价分值中的最高分值，r表示相匹配的特征类型数。
4)检索关键词匹配分类加权最高得分率S4的计算公式为：S4＝T1×ω1+T2×ω2+T3×ω3+…+Tr×ωr
其中，S4表示检索关键词匹配分类加权最高得分率，T1表示结果商标与输入商标在第1特征类型相匹配的各分卡所对应的商标分卡标准的预设近似度评价分值中的最高分值，T2表示结果商标与输入商标在第2特征类型相匹配的各分卡所对应的商标分卡标准的预设近似度评价分值中的最高分值，T3表示结果商标与输入商标在第3特征类型相匹配的各分卡所对应的商标分卡标准的预设近似度评价分值中的最高分值，Tr表示结果商标与输入商标在第r特征类型相匹配的各分卡所对应的商标分卡标准的预设近似度评价分值中的最高分值，r表示相匹配的特征类型数，ω1、ω2、ω3、……ωr分别表示结果商标与输入商标在第1特征类型、第2特征类型、第3特征类型、……、第r特征类型相匹配的各分卡所对应的商标分卡标准的预设近似度评价分值中的最高分值的计算权数，ω1、ω2、ω3、……ωr的取值范围在1％至80％之间，全部计算权数的合计为100％。
在一些实施例中，所述特征类型按形音义划分包括：形状特征类型(T1)，读音特征类型(T2)，含义特征类型(T3)；按构成要素内容划分包括：汉语文字特征类型(T1)、字母文字特征类型(T2)、数字文字特征类型(T3)、符号文字特征类型(T4)、图形要素编码图形特征类型(T5)、图像特征描述符图形特征类型(T6)。
例如：输入商标是图2d所示的“四通欧普”，以输入商标的多种特征类型的分卡集合作为检索关键词对商标存储器进行检索，获取相关的查询结果商标是“欧普”和“四通”，检索关键词所匹配的分卡包括根据a11、a12、a13、e1、g1商标分卡标准切分所得到的分卡，并假定a11、a12、a13、e1、g1、j1每一商标分卡标准的预设近似度评价分值分别为50％、60％、40％、40％、100％，形状特征类型(T1)、读音征类型(T2)、含义特征类型(T3)的计算权数分别为：ω1＝50％，ω2＝20％，ω3＝30％，按照本实施例中检索关键词匹配得分率的计算公式计算结果如下：
1)检索关键词匹配综合平均得分率为：
S1＝(J1+J2+J3+……+Jn)÷n＝(50％+60％+40％+40％+100％)÷5＝58％。
2)检索关键词匹配分类平均得分率为：
按照形音义对商标分卡进行划分时，所述特征类型包括形状特征类型、读音特征类型和含义特征类型三种特征类型。则本实施例中，根据a11、a12、a13商标分卡标准得到的分卡属于形状特征类型，根据e1商标分卡标准得到的分卡属于读音特征类型，根据g1商标分卡标准得到的分卡属于含义特征类型，相匹配的特征类型数r为3。
检索关键词匹配分类平均得分率为：S2＝(k1+k2+k3+…+kr)÷r其中，
r＝3，
k1＝(50％+60％+40％)÷3＝50％，
K2＝40％÷1＝40％，
K3＝100％÷1＝100％，
因此，S2＝(50％+40％+100％)÷3＝63.33％。
3)检索关键词匹配分类最高得分率
本实施例中，检索关键词形状特征类型中最高得分的商标分卡标准是a12商标分卡标准，得分为60％，检索关键词读音特征类型中最高得分的商标分卡标准是e1商标分卡标准，得分为40％，检索关键词含义特征类型中最高得分的商标分卡标准是g1商标分卡标准，得分为100％，相匹配的特征类型数r为3。
检索关键词匹配分类最高得分率为：S3＝(T1+T2+T3+…+Tr)÷r，其中，
r＝3
T1＝60％
T2＝40％
T3＝100％。
因此，S3＝(60％+40％+100％)÷3＝66.67％。
4)检索关键词匹配分类加权最高得分率
计算公式为：S4＝T1×ω1+T2×ω2+T3×ω3+…+Tr×ωr＝60％×50％+40％×20％+100％×30％＝30％+8％+30％＝68％。
第五，步骤S150：按照预设的商标近似度综合量化值的计算公式，计算获取商标近似度综合量化值，然后利用商标近似度综合量化值的大小对结果商标进行排序。
本实施例中，通过以下公式计算商标近似度综合量化值：
TMnear＝Wunit×Q1+Ssound×Q2+Smeaning×Q3+Skeywork×Q4
其中，TMnear表示商标近似度综合量化值，Wunit表示商标形近率，Ssound表示商标音近率，Smeaning表示商标义近率，Skeywork表示检索关键词匹配得分率，Q1、Q2、Q3、Q4分别表示商标形近率、商标音近率、商标义近率和检索关键词匹配得分率的权重数，Q1、Q2、Q3、Q4取值范围在5％至95％之间，但全部计算权数的合计为100％。
以下结合一些具体的商标原图实例，对以上商标近似度综合量化值的计算方法进行说明：
假设输入商标是图2o所示的“格力电器”，所获取的结果商标是“格力”、“挌历”，其中，输入商标的“电器”是“商品服务通用名称”，属于商标例外调整文字，经计算获取的检索关键词所匹配的分卡包括根据a8、a11、a12、a13、d2、e1、g1分卡标准所切分卡，并设定a8、a11、a12、a13、d2、e1、g1对应的预设近似度评价分值分别为90％、50％、60％、40％、60％、40％、100％，λ1的取值为90％，λ2的取值为80％，μ1的取值为90％，μ2的取值为80％，其中，预设的商标形近率、商标音近率、商标义近率和检索关键词匹配得分率的权重数取值分别为40％、15％、30％、15％，本实施例按照形音义对商标分卡进行划分，所述特征类型包括形状特征类型、读音特征类型和含义特征类型三种特征类型。取检索关键词匹配分类最高得分率作为检索关键词匹配得分率，“电器”是“商品服务通用名称”，属于商标例外调整参数，商标近似度综合量化值的计算过程及结果如下：
1、输入商标“格力电器”与结果商标“格力”的商标
首先，分别计算输入商标“格力电器”与结果商标的商标形近率、商标音近率、商标义近率和检索关键词匹配得分率：
1)商标形近率的计算结果：
Wunit＝Ua/(U0-β1)+[Ub/(U0-β1)]×λ1–[Uc/(U0-β1)]×λ2＝2/(2-0)+0/(2-0)×90％–0/(2-0)×80％＝100％。
2)商标音近率的计算结果：
输入商标“格力电器”的读音为“ge”、“li”、“dian”、“qi”，结果商标“格力”的读音为“ge”、“li”
Ssound＝Va/(V0-β2)+[Vb/(V0-β2)]×μ1–[Vc/(V0-β2)]×μ2＝2/(2-0)+0/(2-0)×90％–0/(2-0)×80％＝100％。
3)商标义近率的计算结果：
“电器”属例外调整文字，输入商标“格力电器”去除例外调整文字后是“格力”，输入商标“格力电器”去除例外调整文字后的“格力”与比较的结果商标“格力”相匹配，属输入商标去除例外调整文字后与结果商标基于商标分卡标准g1相匹配的分卡，M0、M1均为1。本实施行中，M2、M3均为0，“格力”在汉语词典中没有记载，属无含义的组合，故M4为1。输入商标与结果商标文字数不相同，符合θ的调整参数特征，θ为10％，则：
Smeaning＝[(M1+M2×α1+M3×α2+M4×α3)/M0]-θ＝[(1+0+0+1×0)/1]-10％＝90％。
4)检索关键词匹配得分率：本实施例取检索关键词匹配分类最高得分率的计算过程如下：
检索关键词形状特征类型中最高得分T1是商标分卡标准a8的商标分卡标准，得分为90％，检索关键词读音特征类型中最高得分T2是商标分卡标准e1的商标分卡标准，得分为40％，检索关键词含义特征类型中最高得分T3是商标分卡标准g1的商标分卡标准，得分为100％，相匹配的特征类型数r为3。
因此，Skeywork＝(T1+T2+T3+…+Tr)÷r＝(90％+40％+100％)÷3＝76.67％。
然后，根据输入商标“格力电器”与结果商标的商标形近率、商标音近率、商标义近率和检索关键词匹配得分率计算其商标近似度综合量化值：
TMnear＝Wunit×Q1+Ssound×Q2+Smeaning×Q3+Skeywork×Q4
＝100％×40％+100％×15％+90％×30％+76.67％×15％
＝40％+15％+27％+11.5％＝93.5％。
2、输入商标“格力电器”与结果商标“挌历”的商标
首先，分别计算输入商标“格力电器”与结果商标的商标形近率、商标音近率、商标义近率和检索关键词匹配得分率：
1)商标形近率的计算结果：
Wunit＝Ua/(U0-β1)+[Ub/(U0-β1)]×λ1–[Uc/(U0-β1)]×λ2＝0/(2-0)+2/(2-0)×90％–0/(2-0)×80％＝90％。
2)商标音近率的计算结果：
输入商标“格力电器”的读音为“ge”、“li”、“dian”、“qi”，与结果商标“挌历”的读音为“ge”、“li”Ssound＝Va/(V0-β2)+[Vb/(V0-β2)]×μ1–[Vc/(V0-β2)]×μ2＝0/(2-0)+[2/(2-0)]×90％–[0/(2-0)]×80％＝90％。
3)商标义近率的计算结果：
“电器”属例外调整文字，输入商标“格力电器”去除例外调整文字后是“格力”，输入商标“格力电器”去除例外调整文字后的“格力”与比较的结果商标“挌历”相匹配，属输入商标去除例外调整文字后与结果商标的商标基于分卡标准g2相匹配的分卡，M0、M2均为1，M1、M3分卡数均为0，“格力”在汉语词典中没有记载，属无含义的组合，故M4为1。输入商标与结果商标文字数不相同，符合θ的调整参数特征，θ为10％，则：
Smeaning＝[(M1+M2×α1+M3×α2+M4×α3)/M0]-θ＝[(0+1×1+0+1×0)/1]-10％＝90％。
4)检索关键词匹配得分率，本实施例取检索关键词匹配分类最高得分率的计算过程如下：
检索关键词形状特征类型中最高得分T1是商标分卡标准a8的商标分卡标准，得分为90％，检索关键词读音特征类型中最高得分T2是商标分卡标准e1的商标分卡标准，得分为40％，检索关键词含义特征类型中最高得分T3是商标分卡标准g1的商标分卡标准，得分为100％，相匹配的特征类型数r为3。
因此，Skeywork＝(T1+T2+T3+…+Tr)÷r＝(90％+40％+100％)÷3＝76.67％。
然后，根据输入商标“格力电器”与结果商标的商标形近率、商标音近率、商标义近率和检索关键词匹配得分率计算其商标近似度综合量化值：
TMnear＝Wunit×Q1+Ssound×Q2+Smeaning×Q3+Skeywork×Q4
＝100％×40％+100％×15％+100％×30％+76.67％×15％
＝40％+15％+30％+11.5％＝96.5％。
最后利用商标近似度综合量化值的大小对结果商标进行排序，即可清晰展示进一步符合《商标法》意义上的商标相同或近似的要求的结果商标检索列表。
图5示出了采用商标近似度综合量化值排序的前24件结果商标报告界面截图。该实施例以图2n所示的图形为输入商标，商品范围是尼斯分类的第42类，注册国是中国，结果商标经本发明前述方法的商标近似度综合量化值计算获取后所得前24件商标报告界面截图。
本发明所述的商标查询结果近似度评价和排序方法，可以有效克服传统的商标查询结果单一特征排序方法造成的排序结果片面或漏检的缺陷和弊端，能全面反映商标的形、音、义相结合的综合特征，提升商标相同或近似判断的准确性和查全率。采用商标近似度综合量化值，有效地将商标图像抽象的视觉结果进行量化，大幅提高商标近似度的数量化评价水平。本发明提高了商标相同或近似判断的标准化水平，缩小了商标查询结果近似度排序结果与审查人员预期的《商标法》意义上的商标相同或近似的排序结果的差异，实现输入商标与样本商标是否构成商标相同或近似的较好评价，加速商标审查工作的进步。本发明只需将待检索的商标一次性输入系统即可得到最佳的综合排序结果，克服现有商标检索系统需要不断地进行人机交互以获取不同的排序和显示结果，或利用人工筛选而造成的检索结果主观性太强的缺陷。
在本发明的实施例中，还涉及一种商标查询结果近似度评价和排序的装置，图6是本发明实施例中的商标查询结果近似度评价和排序装置的结构示意图，一种商标查询结果近似度评价和排序装置包括：
样本商标分卡预处理模块：用于对样本商标图像及内容按预设的商标分卡标准进行商标分卡处理，具体处理过程包括：(1)、建立由预设的形状特征最小单元多种组合方案、读音特征最小单元多种组合方案和含义特征最小单元多种组合方案所构成的商标分卡标准，(2)、对样本商标是否有汉语文字、图形、字母、数字或符号构成要素进行识别，获取构成要素的内容，(3)、提取样本商标各构成要素的形状特征最小单元、读音特征最小单元和含义特征最小单元；(4)、根据已建立的商标分卡标准，提取每一组合方案所生成或转换得到的各种文字、图形的切分信息，将这些切分信息作为样本商标分卡信息，并设定每一预设的商标分卡标准的近似度评价分值；
输入商标分卡处理模块：用于对输入商标图像及内容按预设的商标分卡标准进行商标分卡处理，具体处理过程包括：(1)、建立由预设的形状特征最小单元多种组合方案、读音特征最小单元多种组合方案和含义特征最小单元多种组合方案所构成的商标分卡标准，(2)、对输入商标是否有汉语文字，图形，字母、数字或符号构成要素进行识别，获取构成要素的内容；(3)、提取输入商标各构成要素的形状特征最小单元、读音特征最小单元和含义特征最小单元；(4)、根据已建立的商标分卡标准，提取每一组合方案所生成或转换得到的各种文字、图形的切分信息，将这些切分信息作为输入商标分卡信息；
商标检索模块：以输入商标分卡信息集合作为检索关键词对存储于商标存储器的样本商标分卡信息进行检索，获取相关的结果商标的分卡信息及分卡匹配信息；
商标形近率计算模块：用于按照预设的商标形近率计算公式，计算输入商标与结果商标之间的商标形近率；
商标义近率计算模块：用于按照预设的商标义近率计算公式，计算输入商标与结果商标之间的商标义近率；
商标音近率计算模块：用于按照预设的商标音近率计算公式，计算输入商标与结果商标之间的商标音近率；
检索关键词匹配得分率计算模块：用于按照预设的检索关键词匹配得分率计算公式，计算输入商标与结果商标之间的检索关键词匹配得分率；
商标近似度综合量化值的计算模块：用于按照预设的商标近似度综合量化值的计算公式，计算获取商标近似度综合量化值，然后利用商标近似度综合量化值的大小对结果商标进行排序。
实施例二：
本实施例提供一种商标查询结果近似度评价和排序方法，与实施例一的区别仅在于：所述商标查询结果近似度评价和排序方法中的前两个步骤的顺序不同，本实施例具体包括以下步骤：
步骤S210:对输入商标图像及内容按预设的商标分卡标准进行商标分卡处理，具体处理过程包括：(1)、建立由预设的形状特征最小单元多种组合方案、读音特征最小单元多种组合方案和含义特征最小单元多种组合方案所构成的商标分卡标准，(2)、对输入商标是否有汉语文字、图形、字母、数字或符号构成要素进行识别，获取构成要素的内容；(3)、提取输入商标各构成要素的形状特征最小单元、读音特征最小单元和含义特征最小单元；(4)、根据已建立的商标分卡标准，提取每一组合方案所生成或转换得到的各种文字、图形的切分信息，将这些切分信息作为输入商标分卡信息；
步骤S220:对样本商标图像及内容按预设的商标分卡标准进行商标分卡处理，具体处理过程包括：(1)、建立由预设的形状特征最小单元多种组合方案、读音特征最小单元多种组合方案和含义特征最小单元多种组合方案所构成的商标分卡标准，(2)、对样本商标是否有汉语文字、图形、字母、数字或符号构成要素进行识别，获取构成要素的内容，(3)、提取样本商标各构成要素的形状特征最小单元、读音特征最小单元和含义特征最小单元；(4)、根据已建立的商标分卡标准，提取每一组合方案所生成或转换得到的各种文字、图形的切分信息，将这些切分信息作为样本商标分卡信息，并设定每一预设的商标分卡标准的近似度评价分值；
步骤S230：以输入商标分卡信息集合作为检索关键词对存储于商标存储器的样本商标分卡信息进行检索，获取相关的结果商标的分卡信息及分卡匹配信息；
步骤S240：按照预设的商标形近率、商标义近率、商标音近率和检索关键词匹配得分率计算公式，分别计算输入商标与结果商标之间的商标形近率、商标义近率、商标音近率和检索关键词匹配得分率；
步骤S250：按照预设的商标近似度综合量化值的计算公式，计算获取商标近似度综合量化值，然后利用商标近似度综合量化值的大小对结果商标进行排序。
以上，结合具体的实施例对本发明的技术方案进行了详细介绍，所描述的具体实施例用于帮助理解本发明的思想，但并不能因此而理解为对本发明保护范围的限制。应当指出，本领域技术人员在本发明实施例的基础上做出的变形、推导、变换，也都应属于本发明保护范围之内。

Claims (7)

1.一种商标查询结果近似度评价和排序方法，其特征在于，包括以下步骤：
步骤S110：对样本商标图像及内容按预设的商标分卡标准进行商标分卡处理，具体处理过程包括：(1)、建立由预设的形状特征最小单元多种组合方案、读音特征最小单元多种组合方案和含义特征最小单元多种组合方案所构成的商标分卡标准，(2)、对样本商标是否有汉语文字、图形、字母、数字或符号构成要素进行识别，获取构成要素的内容，(3)、提取样本商标各构成要素的形状特征最小单元、读音特征最小单元和含义特征最小单元；(4)、根据已建立的商标分卡标准，提取每一组合方案所生成或转换得到的各种文字、图形的切分信息，将这些切分信息作为样本商标分卡信息，并设定每一预设的商标分卡标准的近似度评价分值；
步骤S120：对输入商标图像及内容按预设的商标分卡标准进行商标分卡处理，具体处理过程包括：(1)、建立由预设的形状特征最小单元多种组合方案、读音特征最小单元多种组合方案和含义特征最小单元多种组合方案所构成的商标分卡标准，(2)、对输入商标是否有汉语文字、图形、字母、数字或符号构成要素进行识别，获取构成要素的内容；(3)、提取输入商标各构成要素的形状特征最小单元、读音特征最小单元和含义特征最小单元；(4)、根据已建立的商标分卡标准，提取每一组合方案所生成或转换得到的各种文字、图形的切分信息，将这些切分信息作为输入商标分卡信息；
步骤S130：以输入商标分卡信息集合作为检索关键词对存储于商标存储器的样本商标分卡信息进行检索，获取相关的结果商标的分卡信息及分卡匹配信息；
步骤S140：按照预设的商标形近率、商标义近率、商标音近率和检索关键词匹配得分率计算公式，分别计算输入商标与结果商标之间的商标形近率、商标义近率、商标音近率和检索关键词匹配得分率；
步骤S150：按照预设的商标近似度综合量化值的计算公式，计算获取商标近似度综合量化值，然后利用商标近似度综合量化值的大小对结果商标进行排序。
2.根据权利要求1所述商标查询结果近似度评价和排序方法，其特征在于，步骤S110和步骤S120所述“形状特征最小单元、读音特征最小单元、含义特征最小单元”和“商标分卡标准”包括：
1)形状特征最小单元包括：
构成要素为汉语文字的形状特征最小单元，选如下之一：每一汉语文字，每一汉语文字的每一笔划；
构成要素为图形的形状特征最小单元，选如下之一：商标图形要素编码，预设定长的商标图像轮廓线上像素点集；
构成要素为字母的形状特征最小单元，选如下之一：每一语种的单词，每一个字母；
构成要素为汉语数字的形状特征最小单元，选如下之一：汉语数字的组合，每一单个的汉语数字；
构成要素为阿拉伯数字的形状特征最小单元，选如下之一：阿拉伯数字的组合，每一单个的阿拉伯数字；
构成要素为其他语种数字的形状特征最小单元，选如下之一：其他语种数字的组合，每一单个的其他语种数字；
构成要素为符号的形状特征最小单元：为每一单个的符号；
2)含义特征最小单元包括：
构成要素为汉语文字的含义特征最小单元：商标的整体汉语文字组合由汉语词典所记载的词语组合构成时，每个词语为含义特征最小单元，否则，商标的整体汉语文字组合为含义特征最小单元；
构成要素为图形的含义特征最小单元：商标图形要素编码所对应的每一事物的名称；
构成要素为字母的含义特征最小单元：商标的整体字母组合由英文词典所记载的单词组合构成，或其他语种词典所记载的单词组合构成时，每个单词为含义特征最小单元，否则，商标的整体字母组合为含义特征最小单元；
构成要素为汉语数字的含义特征最小单元，选如下之一：商标中被分隔的每一组汉语数字所对应的预设基准语种数字，商标中每一单个汉语数字所对应的预设基准语种数字，其中，所述预设基准语种数字为任何语种数字；
构成要素为阿拉伯数字的含义特征最小单元，选如下之一：商标中被分隔的每一组阿拉伯数字所对应的预设基准语种数字，商标中每一单个阿拉伯数字所对应的预设基准语种数字，其中，所述预设基准语种数字为任何语种数字；
构成要素为其他语种数字的含义特征最小单元，选如下之一：商标中被分隔的每一组其他语种数字所对应的预设基准语种数字，商标中每一单个的其它语种数字所对应的预设基准语种数字，所述预设基准语种数字为任何语种数字；
构成要素为符号的含义特征最小单元：商标中每一符号所对应的符号名称；
3)读音特征最小单元包括：
构成要素为汉语文字的读音特征最小单元，为每一汉语文字的拼音；
构成要素为图形的读音特征最小单元，为商标图形要素编码所对应的每一事物的名称的拼音；
构成要素为字母的读音特征最小单元，选如下之一：每一字母组合的读音、每一个字母的读音；
构成要素为数字或符号的读音特征最小单元，选如下之一：商标中被分隔的每一组数字的读音，每一单个数字的读音，商标中被分隔的每一组符号的读音，每一单个符号的读音；
4)商标分卡标准包括：
A、由构成要素为汉语文字的形状特征最小单元多种组合方案所构成的商标分卡标准，包括：分卡标准a1、a2、a3、a4、a5、a6、a7、a8、a9、a10、a11、a12、a13中的至少一种，其中，
a1表示按顺序排列的商标整体所有语种文字及图形要素编码的组合切分为一个分卡，
a2表示按逆序排列的商标整体所有语种文字及图形要素编码的组合切分为一个分卡，
a3表示按顺序排列的商标中的汉语文字切分为一个分卡，
a4表示按逆序排列的商标中的汉语文字切分为一个分卡，
a5表示按顺序排列的商标中的汉语数字切分为一个分卡，
a6表示按逆序排列的商标中的汉语数字切分为一个分卡，
a7表示商标中每个相对独立的部分分别切分为一个分卡，
a8表示商标文字中完整包含现有汉语文字商标，将该部分切分为一个分卡，
a9表示商标中含有的繁体、异体字转换为简体字后切分为一个分卡，
a10表示商标中每个文字替换为形近字后切分为一个分卡，
a11表示商标中每相邻汉语文字分别切分为一个分卡，
a12表示商标中首尾汉字组合切分为一个分卡，
a13表示商标中每个汉语文字切分为一个分卡；
B、由构成要素为字母、数字、符号的形状特征最小单元多种组合方案所构成的商标分卡标准，包括：分卡标准b1、b2、b3、b4、b5、b6、b7、b8、b9、b10、b11、b12、b13、b14中的至少一种，其中，
b1表示按顺序排列的商标整体所有语种文字及图形要素编码的组合切分为一个分卡，
b2表示按逆序排列的商标整体所有语种文字及图形要素编码的组合切分为一个分卡，
b3表示按顺序排列的商标中的字母组合切分为一个分卡，
b4表示按逆序排列的商标中的字母组合切分为一个分卡，
b5表示按顺序排列的商标中含有的非汉语数字或每一单个的非汉语数字分别切分为一个分卡，
b6表示按逆序排列的商标中含有的非汉语数字或每一单个的非汉语数字分别切分为一个分卡，
b7表示按顺序排列的商标中含有的符号组合切分为一个分卡，
b8表示按逆序排列的商标中含有的符号组合切分为一个分卡，
b9表示商标中每个相对独立部分分别切分为一个分卡，
b10表示商标中每个字母被形近字母替换后切分为一个分卡，
b11表示商标中每相邻字母组合分别切分为一个分卡，
b12表示商标中字母按照不同定序排列后分别切分为一个分卡，
b13表示商标中首尾字母组合切分为一个分卡，
b14表示商标中每个字母或数字或符号分别切分为一个分卡；
C、由构成要素为图形的形状特征最小单元多种组合方案所构成的商标分卡标准，包括：分卡标准c1、c2、c3、c4中的至少一种，其中，
c1表示商标图形要素编码集合整体切分为一个分卡，
c2表示每一商标图形要素编码切分为一个分卡，
c3表示每种图像特征识别方法所产生的商标图像特征描述符整体分别切分为一个分卡，
c4表示每种图像特征识别方法所产生的商标图像特征描述符预设定长分别切分为一个分卡，所述商标图像特征描述符预设定长是指预先设置的商标图像轮廓线上连续相连的像素点的长度，连续相连的像素点以特征字符串集、或数字集表示，取值范围为商标图像特征描述符、或数字集总长度的0.1％-50％；
D、由构成要素为汉语文字的读音特征最小单元多种组合方案所构成的商标分卡标准，包括：分卡标准d1、d2、d3中的至少一种，其中，
d1表示商标中每个汉语文字的拼音音节切分为一个分卡，
d2表示商标中整体汉语文字对应的拼音切分为一个分卡，
d3表示商标中每个汉语文字被替换为形近字后的拼音音节切分为一个分卡；
E、由构成要素为字母、数字、符号的读音特征最小单元多种组合方案所构成的商标分卡标准，包括：分卡标准e1、e2、e3、e4中的至少一种，其中，
e1表示商标中每个英文单词的读音音节切分为一个分卡，
e2表示商标中字母组合被音近字母组合替换后得到的整体字母组合分别切分为一个分卡，
e3表示商标中每个数字的读音音节切分为一个分卡，
e4表示商标中每个符号的读音音节切分为一个分卡；
F、由构成要素为图形的读音特征最小单元多种组合方案所构成的商标分卡标准，包括：分卡标准f1，其中，f1表示商标的图形要素编码所对应的每一事物的名称的拼音切分为一个分卡；
G、由构成要素为汉语文字的含义特征最小单元多种组合方案所构成的商标分卡标准，包括：分卡标准g1、g2、g3、g4中的至少一种，其中，
g1表示商标中完整包含商标服务器中现有汉语文字商标、且商标整体无含义，将含有现有汉语文字商标的部分切分为一个分卡，
g2表示商标中与汉语词典所收录的词汇或商标服务器中现有汉语文字商标的汉字组合全部匹配的，将匹配部分分别切分为一个分卡，
g3表示商标中含有的汉语词汇替换为近义词后分别切分为一个分卡，
g4表示商标整体无含义的，整体汉语文字切分为一个分卡；
H、由构成要素为字母、数字、符号组合的含义特征最小单元多种组合方案所构成的商标分卡标准，包括：分卡标准h1、h2、h3、h4、h5、h6、h7、h8、h9中的至少一种，其中，
h1表示商标的整体字母组合由英文词典或其他语种词典所记载的单词组合构成，整体单词组合切分为一个分卡，
h2表示商标中含有英语词典或其他语种词典所收录的单词，每个单词切分为一个分卡，
h3表示商标中含有英语词典或其他语种词典所收录的单词，将每个单词的近义词切分为一个分卡，
h4表示商标的整体字母组合与英文词典或其他语种词典所记载的单词不匹配的，整体字母组合切分为一个分卡，
h5表示商标中被分隔的每一组数字切分为一个分卡，
h6表示商标的整体数字组合切分为一个分卡，
h7表示商标的整体符号组合切分为一个分卡，
h8表示商标的每一符号切分为一个分卡，
h9表示商标完整包含商标服务器现有字母组合商标、且商标整体无含义，将含有现有字母组合商标的部分切分为一个分卡；
I、由构成要素为图形的含义特征最小单元多种组合方案所构成的商标分卡标准，包括：分卡标准i1、i2中的至少一种，其中，
i1表示商标图形要素编码所对应的每一事物的名称切分为一个分卡，
i2表示商标图像特征描述符对应有商标图形要素编码，商标图形要素编码所对应每个事物名称切分为一个分卡；
Y、由构成要素为例外调整文字的最小单元多种组合方案所构成的商标分卡标准，包括：分卡标准y1、y2中的至少一种，其中，
y1表示商标中含有例外调整文字，将例外调整文字整体切分为一个分卡；
y2表示商标中含有例外调整文字，将例外调整文字每个文字分别切分为一个分卡，
所述例外调整文字包括如下的一种以上的文字：县级以上行政区域地名，公众知晓的外国地名，通用商品名称，表示商品的质量、主要原料、功能、用途、重量、数量及其他特点的词语，商品服务通用名称，显著性弱的文字，所述显著性弱的文字指自定义的不具备商标显著性特征的文字。
3.根据权利要求2所述商标查询结果近似度评价和排序方法，其特征在于，步骤S120所述“输入商标分卡信息”包括：U0、β1、V0、β2、M0、Y0，其中，U0表示输入商标基于商标分卡标准a13、b14、c2、c4或其组合所得的分卡数；β1表示输入商标中含有的例外调整文字的基于分卡标准a13、b14、c2、c4所得分卡数或文字数；V0表示输入商标基于商标分卡标准d1、d2、d3、e1、e2、e3、e4或其组合所得的分卡数；β2表示输入商标中含有的例外调整文字的基于分卡标准d1、d2、d3、e1、e2、e3、e4所得分卡数或音节数；M0表示输入商标去除例外调整文字后与结果商标基于商标分卡标准g1、g2、g3、g4所得分卡中相匹配的分卡数；Y0表示输入商标基于商标分卡标准y1或y2所得的分卡数；
步骤S130所述“结果商标的分卡信息及分卡匹配信息”包括Ya、Ua、Ub、Uc、Va、Vb、Vc、M1、M2、M3、M4、Ji、n、ki、r、Ti，其中，Ya表示结果商标基于商标分卡标准y1或y2所得的分卡数；Ua表示结果商标去除例外调整文字后与输入商标基于商标分卡标准a13、b14、c2、c4或其组合所得分卡中相匹配的分卡数；Ub表示结果商标去除例外调整文字后与输入商标基于商标分卡标准a10、b10或其组合所得分卡中相匹配的分卡数；Uc表示结果商标与输入商标基于商标分卡标准a13、b14、c2、c4或其组合和a10、b10或其组合所得相匹配的分卡中间插入不匹配分卡的处数；Va表示结果商标去除例外调整文字后与输入商标基于商标分卡标准d1、d2、e1、e3、e4或其组合所得分卡中相匹配的分卡数；Vb表示结果商标去除例外调整文字后与输入商标基于商标分卡标准d3、e2或其组合所得分卡中相匹配的分卡数；Vc表示结果商标与输入商标基于商标分卡标准d1、d2、e1、e3、e4或其组合和d3、e2或其组合所得相匹配的分卡中间插入不匹配分卡的处数；M1表示结果商标去除例外调整文字后与输入商标基于商标分卡标准g1的匹配分卡数；M2表示结果商标去除例外调整文字后与输入商标基于商标分卡标准g2的匹配分卡数；M3表示结果商标去除例外调整文字后与输入商标基于商标分卡标准g3的匹配分卡数，M4表示结果商标去除例外调整文字后与输入商标基于商标分卡标准g4的匹配分卡数；Ji表示结果商标与输入商标相匹配的第i个分卡所对应的商标分卡标准的预设近似度评价分值；n表示结果商标与输入商标相匹配的分卡项目数；ki表示结果商标与输入商标在第i特征类型相匹配的各分卡所对应的商标分卡标准的预设近似度评价分值的平均分值，r表示结果商标与输入商标相匹配的特征类型数；Ti表示结果商标与输入商标在第i特征类型相匹配的各分卡所对应的商标分卡标准的预设近似度评价分值中的最高分值；
所述特征类型是通过预设的分类标准对商标分卡信息进行分类所得到的分卡类别。
4.根据权利要求3所述商标查询结果近似度评价和排序方法，其特征在于，其中，所述特征类型，按形音义划分包括：形状特征类型、读音特征类型、含义特征类型；按构成要素内容划分包括：汉语文字特征类型、字母文字特征类型、数字文字特征类型、符号文字特征类型、图形要素编码图形特征类型、图像特征描述符图形特征类型。
5.根据权利要求3所述商标查询结果近似度评价和排序方法，其特征在于，其中，步骤S140所述“预设的商标形近率、商标义近率、商标音近率和检索关键词匹配得分率计算公式”，包括：
1)商标形近率计算公式包括：
Wunit＝Ua/(U0-β1)+[Ub/(U0-β1)]×λ1–[Uc/(U0-β1)]×λ2
其中，Wunit表示商标形近率，λ1、λ2为预设的调整权数，λ1和λ2的取值范围均在10％至300％之间；
2)商标音近率计算公式包括：
Ssound＝Va/(V0-β2)+[Vb/(V0-β2)]×μ1–[Vc/(V0-β2)]×μ2
其中，Ssound表示商标音近率，μ1、μ2为预设的调整权数，取值范围均在10％至300％之间；
3)商标义近率计算公式包括：
Smeaning＝[(M1+M2×α1+M3×α2+M4×α3)/M0]-θ
其中，Smeaning表示商标义近率，α1、α2、α3分别表示对M2、M3、M4的调整参数，取值规则：当出现M1、M2、M3、M4中二个及以上参数同时不为0时，在M1、M2、M3、M4中排列最前参数为有效参数，其余为无效参数，当M1不为0时，α1、α2、α3的值为0；当M1为0且M2不为0时，α1为1，α2、α3的值为0；当M1、M2为0且M3不为0时，α2为1，α3为0；当M1、M2、M3为0且M4不为0时，α3为1；θ表示输入商标与结果商标文字数不相同的调整参数，取值范围在1％至90％之间；
4)检索关键词匹配得分率计算公式包括如下至少一项：检索关键词匹配综合平均得分率，检索关键词匹配分类平均得分率，检索关键词匹配分类最高得分率，检索关键词匹配分类加权最高得分率，即：
Skeywork＝S1或Skeywork＝S2或Skeywork＝S3或Skeywork＝S4
其中，Skeywork表示检索关键词匹配得分率，S1表示检索关键词匹配综合平均得分率，S2表示检索关键词匹配分类平均得分率，S3表示检索关键词匹配分类最高得分率，S4表示检索关键词匹配分类加权最高得分率；
其计算公式分别为：
S1＝(J1+J2+J3+……+Jn)÷n
S2＝(k1+k2+k3+…+kr)÷r
S3＝(T1+T2+T3+…+Tr)÷r
S4＝T1×ω1+T2×ω2+T3×ω3+…+Tr×ωr
其中，ω1、ω2、ω3、……ωr分别表示结果商标与输入商标在第1特征类型、第2特征类型、第3特征类型、……、第r特征类型相匹配的各分卡所对应的分卡标准的预设近似度评价分值中的最高分值的计算权数，ω1、ω2、ω3、……ωr的取值范围在1％至80％之间，全部计算权数的合计为100％。
6.根据权利要求5所述商标查询结果近似度评价和排序方法，其特征在于，其中，步骤S150所述“商标近似度综合量化值的计算公式”包括：
TMnear＝Wunit×Q1+Ssound×Q2+Smeaning×Q3+Skeywork×Q4
其中，TMnear表示商标近似度综合量化值，Wunit表示商标形近率，Ssound表示商标音近率，Smeaning表示商标义近率，Skeywork表示检索关键词匹配得分率，Q1、Q2、Q3、Q4分别表示商标形近率、商标音近率、商标义近率和检索关键词匹配得分率的权重数，Q1、Q2、Q3、Q4取值范围在5％至95％之间，全部权重数合计为100％。
7.一种商标查询结果近似度评价和排序装置，其特征在于，包括：
样本商标分卡预处理模块：用于对样本商标图像及内容按预设的商标分卡标准进行商标分卡处理，具体处理过程包括：(1)、建立由预设的形状特征最小单元多种组合方案、读音特征最小单元多种组合方案和含义特征最小单元多种组合方案所构成的商标分卡标准，(2)、对样本商标是否有汉语文字、图形、字母、数字或符号构成要素进行识别，获取构成要素的内容，(3)、提取样本商标各构成要素的形状特征最小单元、读音特征最小单元和含义特征最小单元；(4)、根据已建立的商标分卡标准，提取每一组合方案所生成或转换得到的各种文字、图形的切分信息，将这些切分信息作为样本商标分卡信息，并设定每一预设的商标分卡标准的近似度评价分值；
输入商标分卡处理模块：用于对输入商标图像及内容按预设的商标分卡标准进行商标分卡处理，具体处理过程包括：(1)、建立由预设的形状特征最小单元多种组合方案、读音特征最小单元多种组合方案和含义特征最小单元多种组合方案所构成的商标分卡标准，(2)、对输入商标是否有汉语文字，图形，字母、数字或符号构成要素进行识别，获取构成要素的内容；(3)、提取输入商标各构成要素的形状特征最小单元、读音特征最小单元和含义特征最小单元；(4)、根据已建立的商标分卡标准，提取每一组合方案所生成或转换得到的各种文字、图形的切分信息，将这些切分信息作为输入商标分卡信息；
商标检索模块：以输入商标分卡信息集合作为检索关键词对存储于商标存储器的样本商标分卡信息进行检索，获取相关的结果商标的分卡信息及分卡匹配信息；
商标形近率计算模块：用于按照预设的商标形近率计算公式，计算输入商标与结果商标之间的商标形近率；
商标义近率计算模块：用于按照预设的商标义近率计算公式，计算输入商标与结果商标之间的商标义近率；
商标音近率计算模块：用于按照预设的商标音近率计算公式，计算输入商标与结果商标之间的商标音近率；
检索关键词匹配得分率计算模块：用于按照预设的检索关键词匹配得分率计算公式，计算输入商标与结果商标之间的检索关键词匹配得分率；
商标近似度综合量化值的计算模块：用于按照预设的商标近似度综合量化值的计算公式，计算获取商标近似度综合量化值，然后利用商标近似度综合量化值的大小对结果商标进行排序。
CN201710553009.9A 2016-12-30 2017-07-07 一种商标查询结果近似度评价和排序方法、装置 Active CN107330109B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/CN2017/100187 WO2018120899A1 (zh) 2016-12-30 2017-09-01 一种商标查询结果近似度评价和排序方法、装置
US16/475,333 US20200387543A1 (en) 2016-12-30 2017-09-01 Trademark inquiry result proximity evaluating and sorting method and device

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2016112573126 2016-12-30
CN201611257312.6A CN106649851A (zh) 2016-12-30 2016-12-30 近似商标查询结果排序方法、装置及其商标服务器

Publications (2)

Publication Number Publication Date
CN107330109A CN107330109A (zh) 2017-11-07
CN107330109B true CN107330109B (zh) 2018-04-17

Family

ID=58837704

Family Applications (5)

Application Number Title Priority Date Filing Date
CN201611257312.6A Pending CN106649851A (zh) 2016-12-30 2016-12-30 近似商标查询结果排序方法、装置及其商标服务器
CN201710553009.9A Active CN107330109B (zh) 2016-12-30 2017-07-07 一种商标查询结果近似度评价和排序方法、装置
CN201710553007.XA Active CN107330438B (zh) 2016-12-30 2017-07-07 一种图像轮廓线描述符的获取方法、装置
CN201710553047.4A Active CN107301244B (zh) 2016-12-30 2017-07-07 一种商标分卡处理的方法、装置、系统及商标存储器
CN201711444394.XA Pending CN108052653A (zh) 2016-12-30 2017-12-27 图像特征描述符的获取方法、装置、存储介质、终端及图像检索方法

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN201611257312.6A Pending CN106649851A (zh) 2016-12-30 2016-12-30 近似商标查询结果排序方法、装置及其商标服务器

Family Applications After (3)

Application Number Title Priority Date Filing Date
CN201710553007.XA Active CN107330438B (zh) 2016-12-30 2017-07-07 一种图像轮廓线描述符的获取方法、装置
CN201710553047.4A Active CN107301244B (zh) 2016-12-30 2017-07-07 一种商标分卡处理的方法、装置、系统及商标存储器
CN201711444394.XA Pending CN108052653A (zh) 2016-12-30 2017-12-27 图像特征描述符的获取方法、装置、存储介质、终端及图像检索方法

Country Status (3)

Country Link
US (1) US20200387543A1 (zh)
CN (5) CN106649851A (zh)
WO (1) WO2018120899A1 (zh)

Families Citing this family (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106649851A (zh) * 2016-12-30 2017-05-10 徐庆 近似商标查询结果排序方法、装置及其商标服务器
CN107273535A (zh) * 2017-06-29 2017-10-20 朱峰 一种商标智能分析系统
WO2019028618A1 (zh) * 2017-08-07 2019-02-14 深圳益强信息科技有限公司 基于大数据的商标价值评估的方法及系统
CN107609057B (zh) * 2017-08-25 2020-12-22 百度在线网络技术（北京）有限公司 一种获取商标图像的文字数据的方法与装置
CN108664945B (zh) * 2018-05-18 2021-08-10 徐庆 图像文本及形音义特征识别方法和装置
CN108763380B (zh) * 2018-05-18 2022-03-08 徐庆 商标识别检索方法、装置、计算机设备和存储介质
CN110580666A (zh) * 2018-06-08 2019-12-17 成都市卓睿科技有限公司 商标监控与预警方法及系统
CN110647639B (zh) * 2018-06-08 2020-11-10 成都市卓睿科技有限公司 一种商标近似检索结果排序方法
CN108897722A (zh) * 2018-06-26 2018-11-27 重庆智荟数创科技有限公司 基于笔顺算法的商标近似评估、监控系统及方法
CN108984649A (zh) * 2018-06-27 2018-12-11 广州朝舜网络科技有限公司 一种近似商标智能判断方法、装置、终端及存储介质
CN109033370A (zh) * 2018-07-27 2018-12-18 阿里巴巴集团控股有限公司 一种查找相似店铺的方法及装置、店铺接入的方法及装置
CN109063197B (zh) * 2018-09-06 2021-07-02 徐庆 图像检索方法、装置、计算机设备和存储介质
CN110895555B (zh) * 2018-09-13 2022-06-14 北京蓝灯鱼智能科技有限公司 数据检索方法和装置、存储介质及电子装置
CN109345454B (zh) * 2018-09-18 2023-01-06 徐庆 位图图像矢量化的方法、存储介质及系统
CN109656954A (zh) * 2018-11-28 2019-04-19 苏州中知联信息科技有限公司 商标查询方法、装置及计算机设备
CN109800340B (zh) * 2019-01-24 2021-03-19 北京梦知网科技有限公司 商标注册推荐方法及系统
CN110059159A (zh) * 2019-04-15 2019-07-26 重庆天蓬网络有限公司 一种近似商标实时监控系统
CN110069554A (zh) * 2019-05-06 2019-07-30 重庆天蓬网络有限公司 一种基于商标注册信息的处理方法
CN110069555A (zh) * 2019-05-06 2019-07-30 重庆天蓬网络有限公司 一种商标注册成功率的确定方法
CN110288264A (zh) * 2019-07-03 2019-09-27 深圳智高点知识产权运营有限公司 一种企业商标监控分析系统和方法
CN110717874B (zh) * 2019-10-10 2022-11-04 徐庆 一种图像轮廓线平滑处理方法
CN110929084B (zh) * 2019-12-17 2023-04-11 徐庆 一种图像形状特征描述符的获取方法及装置
CN111125160A (zh) * 2019-12-26 2020-05-08 广东知得失网络科技有限公司 一种基于商标近似分析的数据预处理方法、系统及终端
CN111782851A (zh) * 2020-05-19 2020-10-16 知昇(上海)人工智能科技有限公司 一种基于多相似度特征计算的中文商标名称相似判别方法
CN111882462B (zh) * 2020-08-03 2023-05-09 安徽大学 一种面向多要素审查标准的中文商标近似检测方法
CN113377906B (zh) * 2021-06-08 2022-11-01 四川大学 一种相似法条智能搜索系统及方法
CN113553463B (zh) * 2021-07-30 2024-06-25 徐庆 一种商标识别查询方法、系统、数据存储器及存储介质
CN113553980B (zh) * 2021-07-30 2024-07-19 徐庆 一种图片的商标图形要素编码生成方法、系统及装置
CN113554639A (zh) * 2021-07-30 2021-10-26 徐庆 一种图像特征提取及描述符获取方法、装置及存储介质
CN114581196B (zh) * 2022-03-10 2024-10-18 广州华多网络科技有限公司 商品排序处理方法及其装置、设备、介质、产品
CN115100665B (zh) * 2022-07-22 2024-10-01 贵州中烟工业有限责任公司 近似商标筛选方法、模型构建方法及计算机可读存储介质
CN115774548B (zh) * 2023-02-10 2023-04-11 北京一平方科技有限公司 基于人工智能的代码自动生成方法

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5548507A (en) * 1994-03-14 1996-08-20 International Business Machines Corporation Language identification process using coded language words
US5790126A (en) * 1995-01-03 1998-08-04 Microsoft Corporation Method for rendering a spline for scan conversion of a glyph
US5864639A (en) * 1995-03-27 1999-01-26 Digital Processing Systems, Inc. Method and apparatus of rendering a video image
CN101013420A (zh) * 2006-12-31 2007-08-08 中国科学院计算技术研究所 一种识别中文文本编码形式的方法
CN101551859B (zh) * 2008-03-31 2012-01-04 夏普株式会社 图像辨别装置及图像检索装置
CN101567048B (zh) * 2008-04-21 2012-06-06 夏普株式会社 图像辨别装置及图像检索装置
CN101359367B (zh) * 2008-09-11 2010-09-29 西安理工大学 一种基于四边形骨架结构的静态手势特征描述方法
US20120144499A1 (en) * 2010-12-02 2012-06-07 Sky Castle Global Limited System to inform about trademarks similar to provided input
CN103020596B (zh) * 2012-12-05 2016-06-22 华北电力大学 一种基于块模型的电力生产中异常人体行为识别方法
CN103258037A (zh) * 2013-05-16 2013-08-21 西安工业大学 一种针对多组合内容的商标识别检索方法
CN104809142B (zh) * 2014-01-29 2018-03-23 北京瑞天科技有限公司 商标查询系统和方法
CN104462380A (zh) * 2014-12-11 2015-03-25 北京中细软移动互联科技有限公司 商标检索方法
CN105426530B (zh) * 2015-12-15 2017-05-10 徐庆 一种商标检索方法、装置和系统
CN105574533B (zh) * 2015-12-15 2018-01-12 徐庆 一种图像特征提取方法和装置
CN105574161B (zh) * 2015-12-15 2017-09-26 徐庆 一种商标图形要素识别方法、装置和系统
CN105740872B (zh) * 2016-01-29 2020-05-19 徐庆 图像特征提取方法及其装置
CN105809138B (zh) * 2016-03-15 2019-01-04 武汉大学 一种基于分块识别的道路警告标志检测与识别方法
CN105913067A (zh) * 2016-04-18 2016-08-31 徐庆 图像轮廓特征的提取方法及其装置
CN106295656B (zh) * 2016-08-03 2017-09-15 徐庆 基于图像色块内容的图像轮廓特征提取方法和装置
CN106649851A (zh) * 2016-12-30 2017-05-10 徐庆 近似商标查询结果排序方法、装置及其商标服务器

Also Published As

Publication number Publication date
CN108052653A (zh) 2018-05-18
CN107330438A (zh) 2017-11-07
CN107330109A (zh) 2017-11-07
WO2018120899A1 (zh) 2018-07-05
CN107301244B (zh) 2018-06-15
US20200387543A1 (en) 2020-12-10
CN107301244A (zh) 2017-10-27
CN107330438B (zh) 2018-04-17
CN106649851A (zh) 2017-05-10

Similar Documents

Publication Publication Date Title
CN107330109B (zh) 一种商标查询结果近似度评价和排序方法、装置
CN107729312B (zh) 基于序列标注建模的多粒度分词方法及系统
US11573957B2 (en) Natural language processing engine for translating questions into executable database queries
CN108920720A (zh) 基于深度哈希和gpu加速的大规模图像检索方法
CN111694946A (zh) 文本关键词可视化显示方法、装置及计算机设备
US11645447B2 (en) Encoding textual information for text analysis
CN112000801A (zh) 基于机器学习的政务文本分类、热点问题挖掘方法及系统
CN109993216B (zh) 一种基于k最近邻knn的文本分类方法及其设备
CN108108468A (zh) 一种基于概念和文本情感的短文本情感分析方法和装置
CN103092966A (zh) 一种挖掘词汇的方法及装置
CN110110087A (zh) 一种基于二分类器的用于法律文本分类的特征工程方法
CN112989058A (zh) 信息分类方法、试题分类方法、设备、服务器和存储介质
CN112182275A (zh) 一种基于多维度特征融合的商标近似检索系统和方法
CN114662586A (zh) 一种基于共注意的多模态融合机制检测虚假信息的方法
Inunganbi et al. Recognition of handwritten Meitei Mayek script based on texture feature
CN114444613A (zh) 一种基于3d点云信息的物体分类与物体分割方法
Lamghari et al. Template matching for recognition of handwritten Arabic characters using structural characteristics and Freeman code
CN111191029B (zh) 基于监督学习和文本分类的ac构建方法
CN116629258A (zh) 基于复杂信息项数据的司法文书的结构化分析方法及系统
CN111581377A (zh) 文本分类方法、装置、存储介质及计算机设备
CN116932736A (zh) 一种基于用户需求结合倒排表的专利推荐方法
CN116227486A (zh) 一种基于检索和对比学习的情感分析方法
CN113282746B (zh) 一种网络媒体平台变体评论对抗文本生成方法
Zouidine et al. A comparative study of pre-trained word embeddings for Arabic sentiment analysis
An et al. Clustering and network analysis for the embedding spaces of sentences and sub-sentences

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder

Address after: 528000 room 2002, block A, 33 Jihua five road, Chancheng District, Foshan, Guangdong.

Co-patentee after: Foshan country trademark services Co., Ltd.

Patentee after: Xu Qing

Co-patentee after: Foshan national trademark Identification Technology Co., Ltd.

Address before: 528000 room 2002, block A, 33 Jihua five road, Chancheng District, Foshan, Guangdong.

Co-patentee before: Foshan country trademark services Co., Ltd.

Patentee before: Xu Qing

Co-patentee before: Foshan City, China side trademark Software Co., Ltd.

CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 528000 room 2002, block A, 33 Jihua five road, Chancheng District, Foshan, Guangdong.

Patentee after: Xu Qing

Patentee after: Foshan Guofang Identification Technology Co.,Ltd.

Patentee after: Foshan Guofang Software Technology Co.,Ltd.

Address before: 528000 room 2002, block A, 33 Jihua five road, Chancheng District, Foshan, Guangdong.

Patentee before: Xu Qing

Patentee before: FOSHAN GUOFANG TRADEMARK SERVICE Co.,Ltd.

Patentee before: FOSHAN GUOFANG TRADEMARK IDENTIFICATION TECHNOLOGY Co.,Ltd.

CP01 Change in the name or title of a patent holder