JP7037788B1 - 情報処理装置、学習済みモデルの作成方法、情報処理方法及び情報処理プログラム - Google Patents

Abstract

【課題】簡便に精度良く商標の識別力を判断できる情報処理装置を提供する。【解決手段】文字を含む商標と、商品又は役務を受け付ける受付部１１と、前記商標に含まれる文字及び前記商品又は役務を学習済みモデルに入力して、前記商標に含まれる文字が前記商品又は役務に使用されたときの識別力の度合いを算出し、前記商標の識別力の有無を判断する識別力判断部１２と、前記識別力判断部の判断の結果を出力する出力部１３と、を有する情報処理装置であって、前記学習済みモデルは、ある商標に含まれる文字及びある商品又は役務を入力としたときに、前記ある商標に含まれる文字が前記ある商品又は役務に使用されたときの識別力の度合いを出力するよう機械学習が行われて得られたものである。【選択図】図１

Description

本発明は、情報処理装置、学習済みモデルの作成方法、情報処理方法及び情報処理プログラムに関する。

近年、知的財産の重要度がますます高まっており、例えば商標については、ブランド戦略等の観点から重要度がますます高まっている。ブランド戦略を実現していくためには、商標登録出願を適時行って商標権を取得していく必要がある。

一方、商標権を取得するための商標登録出願が増えるにつれ、それに伴う商標調査にかかる労力が増大している。商標調査としては、例えば商標登録しようとする商標に識別力があるかを調べることが挙げられる。専門家や専門知識を有するユーザーであれば、このような商標調査を行うことが可能であるが、複数の商標に対して同様の検討を行うことが多く、手間がかかるため、コンピュータによって専門家と同様の処理を行うことができる技術が強く求められている。

特許文献１では、商標の文字情報と、その商標を使用する商品又は役務の属する類似群コードとを入力し、商標の登録性を判断し、その結果を出力する自動判断システムが開示されている。
特許文献１では、商標出願され拒絶された拒絶例を格納する拒絶データベースと、商標出願され登録された登録例を格納する登録データベースと、前記拒絶データベースに格納されている拒絶例及び前記登録データベースに格納されている登録例に基づいて商標を構成する語又は語の結合の識別力を点数化し、類似群コード毎に格納する識別力データベースとを有する記憶手段が開示されており、前記識別力データベースに格納された商標を構成する語又は語の結合の識別力の点数に基づいて商標の登録性を判断することが開示されている。
特許文献１によれば、商標登録性の自動判断において、経験則のような恣意的ではない客観的で専門家並みの判断を行うことができるとしている。

特許文献２では、商標文字列のＷＥＢ検索を行い、商標文字列の称呼の情報を用いて類似検索を行う情報処理装置が開示されており、更に、商標文字列が識別力のない商標が格納された識別力無し辞書等にあるか検索することが開示されている。特許文献２では、辞書格納部に格納されている識別力無し辞書を検索し、受け付けた商標文字列が識別力無し辞書に格納された商標と一致した場合、例えば、商標法第３条第１項第６号に該当する可能性がある旨の出力を行う。特許文献２によれば、商標の総合的な登録性の判断材料となる情報を提供することができるとしている。

特開２０１７－１０３７３号公報 特開２０１２－５８９８０号公報

しかしながら、特許文献１における識別力データベースでは、拒絶例と登録例に基づいて商標を構成する語又は語の結合の識別力を点数化し、類似群コード毎に格納されているとしているが、識別力データベースを作成するのは非常に手間がかかる。特許文献１では、商標出願され拒絶された拒絶例と商標出願され登録された登録例を調べ、登録データベースと拒絶データベースを作成する必要があるが、拒絶例や登録例は非常に多く、人間が行うのは現実的ではない。また、識別力データベースを作成するには、商標を構成する語又は語の結合の識別力を点数化し、これを類似群コード毎に格納する必要があるが、これらを行うには多大な労力が必要になる。

更に特許文献１では、商標の識別力を点数化する数式の例が開示されているものの、広く一般的に用いられる数式とまでは言い難い。また、開示されている数式では、他人の登録商標に結合して登録になった登録例の総数を調べる必要があるが、これを調べるには多大な労力が必要になる。このため、商標の識別力を点数化したデータベースを作成するのは実際のところ難しく、実際にシステムを構築することは難しい。このようなことから、精度良く商標の識別力を判断できない。

特許文献２では、辞書格納部に格納されている識別力無し辞書を検索し、受け付けた商標文字列が識別力無し辞書に格納された商標と一致した場合、例えば、商標法第３条第１項第６号に該当する可能性がある旨の出力を行う。また、辞書格納部は、識別力無し辞書の他にも、普通名称辞書、慣用商標辞書、産地・販売地等辞書、ありふれた名称辞書、簡単名称辞書が格納されており、例えば、受け付けた商標文字列が簡単名称辞書に格納された商標と一致した場合、商標法第３条第１項第５号に該当する可能性がある旨の出力を行う。

しかし、特許文献２では、普通名称辞書、慣用商標辞書、産地・販売地等辞書、ありふれた名称辞書、簡単名称辞書、識別力無し辞書を作成する必要があるが、例えば普通名称や慣用商標などは数が多いことに加え、辞書に格納する対象の商標が普通名称や慣用商標に該当するのかを調べることは非常に手間がかかる。また、産地・販売地やありふれた名称などについても同様に数が多く、辞書に格納する対象の商標が産地・販売地やありふれた名称に該当するのかを調べることは非常に手間がかかる。そのため、商標の総合的な登録性の判断材料となる情報を提供する精度を向上させようとすると、辞書の品質を高める必要があり、システム作成に多大な労力が必要になる。このようなことから、実際にシステムを構築することは難しく、精度を向上させることは更に難しい。

そこで、本発明は、簡便に精度良く商標の識別力を判断できる情報処理装置を提供することを目的とする。

上記課題を解決するために、本発明の情報処理装置は、
文字を含む商標と、商品又は役務とを受け付ける受付部と、
前記商標に含まれる文字を学習済みモデルに入力して、該学習済みモデルが出力した数値が閾値を超えたかどうかを判定することにより前記商標の識別力を判断する識別力判断部と、
前記識別力判断部の判断の結果を出力する出力部と、を有する情報処理装置であって、
前記学習済みモデルは、複数の商品及び／又は役務が属するグループにおいて、ある商標に含まれる文字を入力としたときに、前記ある商標に含まれる文字があるグループに属する商品又は役務に使用されたときの識別力の度合いを出力するよう機械学習が行われて得られたものであるとともに、前記グループ間で共通のモデルとなる共通モデルであるか、又は、前記グループ１つにつき１つのモデルとなる複数の個別モデルであり、
前記識別力判断部は、受け付けた前記商品又は役務が属するグループ（１）を取得し、
（ｉ）前記共通モデルを使用する場合、前記商標に含まれる文字及び前記グループ（１）を前記共通モデルに入力し、
（ii）前記個別モデルを使用する場合、前記グループ（１）に対応する前記個別モデルを選択し、該選択された個別モデルに前記商標に含まれる文字を入力する
ことを特徴とする。

本発明によれば、簡便に精度良く商標の識別力を判断できる情報処理装置を提供することができる。

本発明の情報処理装置の一例を示す図である。 入力画面の一例を示す図である。 出力画面の一例を示す図である。 出力画面の他の例を示す図である。 入力画面の他の例を示す図である。 出力画面の他の例を示す図である。 入力画面の他の例を示す図である。 出力画面の他の例を示す図である。 入力画面の他の例を示す図である。 出力画面の他の例を示す図である。

以下、本発明に係る情報処理装置、学習済みモデルの作成方法、情報処理方法及び情報処理プログラムについて図面を参照しながら説明する。なお、本発明は以下に示す実施形態に限定されるものではなく、他の実施形態、追加、修正、削除など、当業者が想到することができる範囲内で変更することができ、いずれの態様においても本発明の作用・効果を奏する限り、本発明の範囲に含まれるものである。

（基本構成）
まず、本発明に係る情報処理装置の基本構成の一例について説明する。
図１は、本実施形態の情報処理装置を説明するための図である。図中、情報処理装置１０、記憶手段３１、ユーザー４０、端末４１が図示されている。なお、図中の矢印はデータの流れや指示等を模式的に示している。また、図１は本実施形態の情報処理装置を説明するための図であるが、本実施形態のシステムを説明するための図と称してもよい。本発明よれば、商標の識別力の有無を判断できる装置だけでなく、商標の識別力の有無を判断できるシステムも提供可能である。

ユーザー４０としては、特に制限されるものではなく、例えば法人、個人、団体など適宜使用が可能であり、国、企業、特許事務所、その他の事務所等が挙げられる。ユーザーとしているが、使用者、管理者、利用者、対象者などと称してもよい。また、端末４１としては、ＰＣ、スマートフォン、タブレット等が挙げられる。

本実施形態の情報処理装置を使用するユーザー４０の数は、特に制限はなく、少数であってもよいし、多数であってもよい。多数のユーザー４０が使用する場合、ユーザー４０としては不特定多数であってもよいし、特定された多数であってもよい。例えば、システムにログインする方式を用いた場合に、ユーザー４０としては、ログインしたユーザーであってもよいし、ログインしていないユーザーであってもよい。本実施形態の情報処理装置やシステムは、多数のユーザー４０が同時に使用することができる。

本実施形態の情報処理装置１０は、受付部１１、識別力判断部１２、出力部１３を有し、必要に応じて、抽出部１４等を有していてもよい。本実施形態の情報処理装置１０は、このような構成に限られるものではなく、適宜変更することができるものである。図示する例は、本実施形態以外のその他の実施形態を含む例である。

本実施形態の情報処理装置１０は、例えばＣＰＵ、ＲＡＭ、ＲＯＭ、ＨＤＤ、ＩＦ等を有し、必要に応じてＧＰＵ等のその他の部品等を有する。

受付部１１は、文字を含む商標を受け付ける。必要に応じて、商品又は役務を受け付けてもよい。受け付ける商標は、テキストデータでもよいし、画像データでもよい。基本的にはユーザー４０から商標を受け付けるが、これに限られるものではない。

識別力判断部１２は、前記商標に含まれる文字を学習済みモデルに入力して、前記商標に含まれる文字が前記商品又は役務に使用されたときの識別力の度合いを算出し、前記商標の識別力の有無を判断する。必要に応じて、前記商標に含まれる文字とともに、受け付けた商品又は役務を学習済みモデルに入力してもよい。

前記学習済みモデルは、ある商標に含まれる文字を入力としたときに、前記ある商標に含まれる文字がある商品又は役務に使用されたときの識別力の度合いを出力するよう機械学習が行われて得られたものである。機械学習は、情報処理装置１０が行ってもよいし、その他の装置が行ってもよい。換言すると、学習済みモデルは、情報処理装置１０により作成されてもよいし、その他の装置により作成されてもよい。

識別力判断部１２が判断を行う際に学習済みモデルに入力する項目としては、商標に含まれる文字を必須とし、必要に応じて、商品又は役務を入力してもよく、グループを入力してもよい。これらについては後述する。

出力部１３は、識別力判断部１２の判断の結果を出力する。
出力の方法としては、適宜選択することができる。例えば、ユーザー４０の端末４１に検索結果が表示されるようにしてもよい。その他にも、ユーザー４０の端末４１にメッセージを送信するようにしてもよいし、ＡＰＩ（アプリケーションインターフェース）に送信してもよい。例えば、端末４１の画面に表示するようにしてもよいし、ｐｕｓｈ通知を行うようにしてもよい。

また、情報処理装置１０が他の装置に出力を行い、他の装置を介してユーザー４０が判断結果を取得するようにしてもよい。この場合、他の装置から端末４１にデータを送信する場合に限られず、端末４１が起因となって他の装置からデータを取得するようにしてもよい。なお、本実施形態において、他の装置に判断結果を送信することは、出力部１３が判断結果を出力することに含まれる。

受付商標は文字を含んでいればよいため、受け付ける商標は画像であってもよい。受け付けた商標が画像である場合、抽出部１４は、受付商標に含まれる文字を抽出し、識別力判断部１２は、抽出部１４によって抽出された文字について識別力の有無を判断する。
画像から文字を抽出する方法としては、特に制限されるものではなく、例えば公知の画像認識の技術を用いることができる。

（第１の実施形態）
次に、本発明に係る一実施形態について説明する。
本実施形態の情報処理装置は、
文字を含む商標と、商品又は役務を受け付ける受付部と、
前記商標に含まれる文字及び前記商品又は役務を学習済みモデルに入力して、前記商標に含まれる文字が前記商品又は役務に使用されたときの識別力の度合いを算出し、前記商標の識別力の有無を判断する識別力判断部と、
前記識別力判断部の判断の結果を出力する出力部と、を有する情報処理装置であって、
前記学習済みモデルは、ある商標に含まれる文字及びある商品又は役務を入力としたときに、前記ある商標に含まれる文字が前記ある商品又は役務に使用されたときの識別力の度合いを出力するよう機械学習が行われて得られたものである
ことを特徴とする。

以下の説明において、以下のように称する（後述の実施形態も同様）。
識別力判断部１２が識別力の度合いを算出すること、又は、識別力判断部１２が識別力の度合いを算出し、商標の識別力を判断することを「推定」と称する。もしくは「推論」と称してもよい。
機械学習を行うこと、又は、機械学習を行い、学習済みモデルを作成することを「学習」と称する。
受付部１１が受け付けた商標を「受付商標」と称し、受付部１１が受け付けた商品及び役務を「受付商品役務」と称する。
また、学習済みモデルを単に「モデル」と称することがある。
また、受付商標に含まれる文字が受付商品役務に使用されたときの識別力の度合いを単に「識別力の度合い」と称することがある。

まず本実施形態の概要及び後述の実施形態との相違の概要を説明する。
本実施形態では、商品又は役務（受付商品役務）を受け付け、学習済みモデルに商標と受付商品役務を入力する。すなわち、商標と受付商品役務を用いて推定を行う。そのため、本実施形態では、このような推定が行えるように学習を行い、学習済みモデルを作成しておく。以下の説明では、どのように学習を行うか、学習によって得られたモデルを用いて、どのように推定を行うかを説明する。

一方、後述の実施形態は、本実施形態で行う推定と異なる。詳細には例えば、学習済みモデルに入力するデータが異なり、商品や役務を学習済みモデルに入力しない。後述の実施形態では、「グループ」の考え方を用い、グループを用いて学習や推定を行う。

＜学習＞
まず説明の観点から、本実施形態における学習について、推定より先に説明する。
本実施形態における学習用データは、ある商標に含まれる文字と、ある商品又は役務と、前記ある商標に含まれる文字が前記ある商品又は役務に使用されたときの識別力の有無と、をセットにしたものである。

以下、このようなデータを
［商標、商品役務、識別力の有無］
とも表記する。
上記データにおける「商標」は文字データであり、「商品役務」は任意の商品又は任意の役務を表す。また、「識別力の有無」は、ある商標に含まれる文字がある商品又は役務に使用されたときの識別力の有無である。「識別力の有無」は、単に０か１でもよいし、その他にも「あり」か「なし」でもよいし、「識別力あり」か「識別力なし」でもよいし、その他であってもよい。

本実施形態における学習用データの具体例を示す。
＜＜学習用データの具体例（１）＞＞
［ＡＢＣ、被服、識別力なし］
［大阪ソックス、靴下、識別力なし］
［東京スカート、洋服、識別力なし］
［東京スカート、せっけん、識別力あり］

このようなデータは、適宜作成することができるが、例えば、特許庁の審査の結果や審判の結果などに基づいて作成してもよい。例えば、本実施形態における機械学習の学習用データは、日本国又は外国の特許庁でなされた過去の審査の結果、日本国又は外国の特許庁でなされた過去の審判の結果、及び、日本国又は外国の特許庁で定められている審査又は審判の基準から選ばれた１つ以上の結果又は基準に基づいて作成されたものであることが好ましい。これらの場合、学習の精度を向上させることができ、より精度の高いモデルを作成することができる。

上記の結果又は基準に基づいて学習用データを作成する場合、時期を考慮することが好ましく、所定の時期になされたものを用いることが好ましい。商標を取り巻く環境や状況の変化により、どのような場合に識別力があるといえるのか等の判断が年々変化する。そのため、商標を取り巻く環境や状況等を考慮して、適した判断結果がなされた結果もしくは基準を学習用データに用いることが好ましい。

所定の時期としては、特に制限されるものではなく、適宜選択することができ、例えば直近５年、直近１０年などとすることができる。過去の判断の傾向は現在と判断の傾向と異なる場合があるため、例えば現在から５年前までのもの、現在から１０年前までのもの等の判断結果を用いるようにしてもよい。

上記のような結果もしくは基準以外にも、独自に学習用データを作成してもよい。

また、必要に応じて学習用データにおける商標を複数の単語に分解して学習用データを生成してもよい。例えば、
［大阪ソックス、靴下、識別力なし］
という学習用データにおいて、商標を２つの単語に分解し、
［大阪、靴下、識別力なし］
［ソックス、靴下、識別力なし］
というように学習用データを生成してもよい。このように学習用データを生成することで、学習用データの数が増え、より精度の高いモデルを作成することができる。

機械学習の方法としては、特に制限されるものではなく、例えば、ニューラルネットワーク、ＳＶＭ（サポートベクターマシン）等を用いることができる。

上記のような学習用データを用いて機械学習を行うことにより、本実施形態における学習済みモデルを作成することができる。

＜推定＞
次に、本実施形態における推定について説明する。
本実施形態では、識別力を判断したい商標（受付商標）と、商品又は役務（受付商品役務）とを受け付け、これらを学習済みモデルに入力する。これにより、受付商標に含まれる文字が受付商品役務に使用されたときの識別力の度合いを算出し、受付商標の識別力の有無を判断する。

本実施形態において、学習済みモデルの入力としては、上述のように受付商標と受付商品役務である。このようなデータを
［商標、商品役務］
とも表記する。例えば、
［大阪アパレルシャツ、洋服］
などのデータを学習済みモデルに入力する。

学習済みモデルの出力としては、例えば数値が出力され、例えば、識別力ありとする数値が８０％、識別力なしとする数値が２０％といった例が挙げられる。例として％で表記しているが、これに限られず、０．８や０．２といった数値であってもよい。学習済みモデルの出力としては、このような数値が想定されることから、本実施形態では「識別力の度合い」と表記している。

ただし、学習済みモデルの出力は上記に限られず、単に「識別力あり」や「識別力なし」といった出力等であってもよい。この場合であっても、識別力の度合いを算出することに含まれる。

識別力判断部１２は、学習済みモデルを用いて識別力の度合いを算出し、受付商標の識別力の有無を判断する。「受付商標の識別力の有無を判断する」については、適宜選択することができ、例えば、算出された識別力の度合いが閾値を超えた場合を「識別力あり」と判断してもよい。この場合、算出された識別力の度合いが閾値以下である場合を「識別力なし」と判断してもよい。

この他にも、識別力判断部１２が識別力の度合いを算出し、出力部１３が算出された結果を出力する場合も、識別力判断部１２が受付商標の識別力の有無を判断することに含まれるものとする。

上記の他にも、算出した識別力の度合いに応じてランク付けを行ってもよい。例えば、識別力の度合いに応じて、Ａ（識別力：高）、Ｂ（識別力：中）、Ｃ（識別力：低）の３つのランクに分けてもよく、このようにランク付けした結果をユーザーに通知してもよい。このようにランク付けを行うことで、ユーザーが識別力の判断結果を理解しやすくなるという利点がある。ランク付けは、適宜選択することができ、上記の他にも例えば５段階でランク付けしてもよい。

本実施形態における推定では、受付商標に含まれる文字を単語に分解し、各単語及び／又は各単語の組合せについて識別力の度合いを算出してもよい。この場合、受付商標の識別力の有無の判断における精度を高めることができる。

例えば受付商標が「大阪アパレルシャツ」である場合に、「大阪」、「アパレル」、「シャツ」に分解して、各単語又は各単語の組合せについて識別力の度合いを算出するようにしてもよい。なお、各単語の組合せとしては、例えば「大阪アパレル」、「大阪シャツ」、「アパレルシャツ」等が挙げられる。

上記の場合、受付商標の識別力の判断としては、各単語と各単語の組合せのそれぞれについて判断結果を示してもよいし、これらを総合して判断結果を示してもよい。特に制限されるものではないが、各単語と各単語の組合せ全てにおいて識別力がなければ、全体として識別力がないと判断してもよい。この他にも、各単語と各単語の組合せのうち、１つでも識別力があれば、全体として識別力があると判断してもよい。この他にも、各単語と各単語の組合せについて算出した識別力の度合いを平均して全体として判断してもよい。

受付商標を単語に分解する方法としては、例えば、公知の形態素解析の技術を用いる方法が挙げられる。なお、識別力判断部１２が単語分解してもよいし、その他が単語分解してもよい。

上記のように、本実施形態においては、学習済みモデルを用いることで識別力の度合いを算出することができる。本実施形態によれば、受付商標が受付商品役務に使用されたときの識別力の度合いを算出することができ、換言すると、受付商品役務との関係における受付商標の識別力の度合いを算出することができる。商標によっては、特定の商品又は役務に使用されたときには識別力はないものの、別の商品又は役務に使用されたときには識別力があるものがある。本実施形態によれば、このように商品や役務との関係における識別力の有無を判断でき、また精度良く判断することができる。

また、識別力の判断に機械学習により得られた学習済みモデルを用いることで、精度良く判断を行うことできる。更に、識別力の判断の精度を向上させる場合、学習用データを追加したり、調整したりして再度、機械学習を行えばよいため、精度向上のための労力が増大することを防止できる。

本実施形態によれば、ユーザーは識別力の判断を行いたい商標と、商品又は役務とを入力するだけでよく、簡便に精度良く商標の識別力を判断できる。また、本実施形態では、商標の識別力を判断可能な装置やシステムを構築する際の労力を低減できる。

次に、推定における画面の一例を説明する。
図２は、入力画面の一例であり、図示される入力画面５０の商標入力欄５１に商標を入力し、商品役務入力欄５２に商品又は役務を入力する。次いで、実行ボタン５３を押下することで、受付部１１が受付商標と受付商品役務を受け付ける。

図３は、出力画面の一例であり、図２の出力結果の例である。図示される出力画面６０では、識別力の度合い（この例では８０％）が図示され、識別力の度合いに応じたランク付け（この例ではＡ～ＣにおけるＡ）が図示されている。この例は、識別力があると判断された例である。また、必要に応じて、そのように判断した理由を表示してもよい。

図４は、出力画面の他の例であり、識別力がないと判断した場合の例である。図示される出力画面６０では、識別力の度合い（この例では２０％）、識別力の度合いに応じたランク付け（この例ではＡ～ＣにおけるＣ）が図示されている。

＜学習済みモデルの作成方法、情報処理方法、情報処理プログラム＞
本実施形態によれば、上述のように、学習済みモデルの作成方法が提供される。
本実施形態の学習済みモデルの作成方法は、ある商標に含まれる文字を入力としたときに、前記ある商標に含まれる文字がある商品又は役務に使用されたときの識別力の度合いを出力するよう機械学習を行い、学習済みモデルを作成する
ことを特徴とする。

本実施形態によれば、上述のように、コンピュータが行う情報処理方法が提供される。
本実施形態の情報処理方法は、
コンピュータが行う情報処理方法であって、
文字を含む商標と、商品又は役務を受け付ける受付工程と、
前記商標に含まれる文字及び前記商品又は役務を学習済みモデルに入力して、前記商標に含まれる文字が前記商品又は役務に使用されたときの識別力の度合いを算出し、前記商標の識別力の有無を判断する識別力判断工程と、
前記識別力判断工程の判断の結果を出力する出力工程と、を含み、
前記学習済みモデルは、ある商標に含まれる文字及びある商品又は役務を入力としたときに、前記ある商標に含まれる文字が前記ある商品又は役務に使用されたときの識別力の度合いを出力するよう機械学習が行われて得られたものである
ことを特徴とする。

本実施形態によれば、上述のように、情報処理プログラムが提供される。
本実施形態の情報処理プログラムは、コンピュータに情報処理を実行させる情報処理プログラムであって、
文字を含む商標と、商品又は役務を受け付ける受付処理と、
前記商標に含まれる文字及び前記商品又は役務を学習済みモデルに入力して、前記商標に含まれる文字が前記商品又は役務に使用されたときの識別力の度合いを算出し、前記商標の識別力の有無を判断する識別力判断処理と、
前記識別力判断処理の判断の結果を出力する出力処理と、を含み、
前記学習済みモデルは、ある商標に含まれる文字及びある商品又は役務を入力としたときに、前記ある商標に含まれる文字が前記ある商品又は役務に使用されたときの識別力の度合いを出力するよう機械学習が行われて得られたものである
ことを特徴とする。

（第２の実施形態）
次に、本発明に係る他の実施形態について説明する。上記実施形態と同様の事項や本実施形態でも適用可能な構成については説明を省略する。

上記実施形態では、商品又は役務（受付商品役務）を受け付け、学習済みモデルに受付商標と受付商品役務を入力している。すなわち、商標と受付商品役務を用いて推定を行うものであった。
一方、本実施形態では、学習済みモデルに入力するデータが異なり、商品や役務を学習済みモデルに入力しない。本実施形態では、「グループ」の考え方を用い、グループを用いて学習や推定を行う。

なお、上記実施形態でも述べたように、以下のように称する。
識別力判断部１２が識別力の度合いを算出すること、又は、識別力判断部１２が識別力の度合いを算出し、商標の識別力を判断することを「推定」と称する。もしくは「推論」と称してもよい。
機械学習を行うこと、又は、機械学習を行い、学習済みモデルを作成することを「学習」と称する。
受付部１１が受け付けた商標を「受付商標」と称する。
また、学習済みモデルを単に「モデル」と称することがある。
また、商標に含まれる文字の識別力の度合いを単に「識別力の度合い」と称することがある。

本実施形態の情報処理装置は、文字を含む商標を受け付ける受付部と、
前記商標に含まれる文字を学習済みモデルに入力して、前記商標に含まれる文字の識別力の度合いを算出し、前記商標の識別力の有無を判断する識別力判断部と、
前記識別力判断部の判断の結果を出力する出力部と、を有する情報処理装置であって、
前記学習済みモデルは、複数の商品及び／又は役務が属するグループにおいて、ある商標に含まれる文字を入力としたときに、前記ある商標に含まれる文字があるグループに属する商品又は役務に使用されたときの識別力の度合いを出力するよう機械学習が行われて得られたものである
ことを特徴とする。

本実施形態における学習済みモデルは、グループ間で共通のモデルとなる共通モデルとしてもよいし、グループ１つにつき１つのモデルとなる複数の個別モデルとしてもよい。識別力判断部１２は、前記共通モデル又は前記個別モデルを使用し、前記共通モデル又は前記個別モデルに前記商標に含まれる文字を入力する。

以下、共通モデルとする場合と、個別モデルとする場合とに分けて説明を行う。また、それぞれ、上記実施形態と同様に学習と推定とに分けて説明を行う。
以下の説明では、共通モデルを使用する場合を「方式１」と称し、個別モデルを使用する場合を「方式２」と称する。

本実施形態では、推定を行う対象のグループを所定の方法で取得し、共通モデルに受付商標と取得したグループを入力する（方式１）。また、本実施形態ではこの他にも、推定を行う対象のグループを所定の方法で取得し、取得したグループに対応する個別モデルを選択し、選択した個別モデルに受付商標を入力する（方式２）。

＜方式１の学習（１）＞
まず、方式１の学習について説明する。
方式１における学習用データは、前記ある商標に含まれる文字と、前記ある商品又は役務が属するグループと、前記ある商標に含まれる文字が前記ある商品又は役務に使用されたときの識別力の有無と、をセットにしたものである。

以下、このようなデータを
［商標、グループ、識別力の有無］
とも表記する。上記データにおける「商標」は文字データであり、「グループ」は任意の商品又は任意の役務が属するグループの名称である。また、「識別力の有無」は、ある商標に含まれる文字が任意の商品又は任意の役務に使用されたときの識別力の有無である。

本実施形態では「グループ」と称しているが、これに限られるものではなく、他にも「ジャンル」などと称してもよい。この他にも、複数の商品や役務が属するまとまり、といった意味合いの用語を用いることができる。

前記グループは、適宜選択することができ、例えば、区分、類似群コード、外国の特許庁でなされた分類、日本国もしくは外国の特許庁でなされた分類とは異なる独自の分類などが挙げられる。これらはそれぞれ利点を有している。

グループの種類として区分や類似群コードを用いる場合、区分や類似群コードでは商品や役務が良く整理されているため、学習の精度を向上させやすいという利点がある。

グループの種類として独自の分類を用いる場合、システムを変更しやすいという利点がある。例えば、ある商品や役務において識別力の判断の精度が低下した場合に、その商品や役務が属するグループを変更し、再度学習を行うことで精度を向上させることができる。独自の分類を用いる場合、商品や役務の分類を変更しやすいという利点がある。また、区分や類似群コードの場合、知識のないユーザーは理解しにくいが、独自の分類を用いる場合、グループ名をユーザーが理解しやすい名称にすることができる。

方式１における学習用データの具体例をいくつか示す。ここでは、グループが独自の分類による場合の例を示す。グループの例は「アパレル」、「ＩＴ」、「楽器」とした。

＜＜学習用データの具体例（２）＞＞
［大阪スカート、アパレル、識別力なし］
［大阪ＡＢＣ、アパレル、識別力なし］
［東京サンダル、アパレル、識別力なし］
［東京ＣＤＥ、アパレル、識別力あり］
［東京ＰＣ、ＩＴ、識別力なし］
［東京マウス、ＩＴ、識別力なし］
［ＰＣＡＢＣ、ＩＴ、識別力あり］
［大阪フルート、楽器、識別力なし］
［ピアノＣＤＥ、楽器、識別力あり］

グループを独自の分類とした場合、グループの名称としては、適宜選択することができる。グループ名としては、特に制限されるものではないが、例えば、「アパレル」、「化粧用具」、「せっけん」、「金属材料」、「洗浄装置」、「楽器」、「空気清浄」、「糸」等が挙げられる。これらは１つ又は複数の名詞からなるものである。グループ名は、複数の単語、複数の品詞、読点、カンマ、ピリオド、中点、空白等を含んでいてもよく、例えば、「貴金属、宝飾品、アクセサリー、時計」、「かばん類、袋物、皮革」、「家具、クッション、枕」、「調味料、香辛料」、「歌と楽器」、「機械要素（陸上の乗物用のものを除く）」、「サプリメントや栄養補助食品」、「小売・卸売サービス」、「デザインの考案」、「はさみ・刃物などの手動利器」等であってもよい。また、複数の名詞からなる場合、例えば、「電子書籍・電子出版物」や「電子書籍、電子出版物」のように記号などで名詞同士を分けてもよいし、「電子書籍電子出版物」などのように連結して表記してもよい。また、グループ名には英数字が含まれていてもよく、例えば、「アパレル（２５類）」、「アパレル（２５類、１８類）」等であってもよい。

グループを独自の分類とした場合、商品や役務をどのようにグループ分けするかは、特に制限されるものではなく、適宜選択することができる。区分や類似群コード等を参考にしてもよい。例えば、１８類に分類される商品や役務と、２５類に分類される商品や役務とをグループ「アパレル」に分類（グループ分け）するといった例が挙げられる。

上述したように、グループとしては、特許庁でなされた商品や役務の分類分けである区分や類似群コードを用いてもよい。下記に、方式１における学習用データの具体例の他の例を示す。

＜＜学習用データの具体例（３）＞＞
［大阪スカート、２５類、識別力なし］
［大阪ＡＢＣ、２５類、識別力なし］
［東京サンダル、２５類、識別力なし］
［東京ＣＤＥ、２５類、識別力あり］
［東京ＰＣ、９類、識別力なし］
［東京マウス、９類、識別力なし］
［ＰＣＡＢＣ、９類、識別力あり］
［大阪フルート、１５類、識別力なし］
［ピアノＣＤＥ、１５類、識別力あり］

＜＜学習用データの具体例（４）＞＞
［大阪スカート、１７Ａ０１、識別力なし］
［大阪ＡＢＣ、１７Ａ０１、識別力なし］
［東京サンダル、２２Ａ０１、識別力なし］
［東京ＣＤＥ、１７Ａ０１、識別力あり］
［東京ＰＣ、１１Ｂ０１、識別力なし］
［東京マウス、１１Ｃ０１、識別力なし］
［ＰＣＡＢＣ、１１Ｂ０１、識別力あり］
［大阪フルート、２４Ｅ０１、識別力なし］
［ピアノＣＤＥ、２４Ｅ０１、識別力あり］

上述のように、方式１における学習用データは、
［商標、グループ、識別力の有無］
としている。ここで識別力の有無とあるのは、グループに属する商品又は役務に対して商標が使用されたときの識別力の有無である。例えば、
［大阪スカート、アパレル、識別力なし］
というデータは、例えば、アパレルグループに属する商品「洋服」に商標「大阪スカート」が使用されたときに、識別力がないと判断されたデータにより作成される。

上記のような学習用データを用いて機械学習を行うことにより、本実施形態における共通モデルを作成することができる。
方式１の利点、すなわち共通モデルを作成及び使用する利点としては、例えば、モデルが１つですむため、管理しやすいことが挙げられる。また、１つのモデルであるため、学習の手間が低減されることや、推定の際にモデルを選択する処理を省けることも利点となる。

また、本実施形態ではグループの考え方を用いており、このような考え方を用いることで得られる利点がある。識別力の性質として、同じように判断する商品や役務がある。例えば、商品「洋服」と商品「ネクタイ」について、商標「メンズ」を使用したときの識別力の判断は、同様の判断がなされる。本実施形態においては、グループの考え方を用いることで学習用データが多く取得できるため、精度が上がりやすくなる。

学習用データが多く取得できることについて、１つ例を挙げて説明する。例えば、
［商標、商品役務、識別力の有無］
というデータについて、
［東京アパレル、洋服、識別力なし］
［メンズアパレル、洋服、識別力なし］
［大阪ソックス、靴下、識別力なし］
［ＡＢＣ靴下、靴下、識別力あり］
というデータを例に挙げる。このようなデータの例において、商品や役務ごとに学習するという考え方の場合、商品「洋服」では２つのデータとなり、商品「靴下」では２つのデータとなる。この場合でも学習を行うことはできるが、１つの商品におけるデータ数は多い方が好ましい。

一方、グループの考え方を適用して、
［商標、グループ、識別力の有無］
というデータとした場合について説明する。上記のデータの例では、
［東京アパレル、アパレル、識別力なし］
［メンズアパレル、アパレル、識別力なし］
［大阪ソックス、アパレル、識別力なし］
［ＡＢＣ靴下、アパレル、識別力あり］
といった具合にグループに関するデータにできる。このように、異なる商品が１つのグループにまとめられ、アパレルグループでは４つのデータとなる。このため、１つのグループにおけるデータ数を上記よりも多く確保することができる。

なお、機械学習を行う際には、グループの種類が混在する学習用データを用いてもよいが、グループの種類は混在していないことが好ましい。すなわち、グループの種類を１種類として機械学習を行うことが好ましい。例えば、グループとして区分を用いた学習用データと類似群コードを用いた学習用データとを同時に用いて学習しない方が好ましい。例えば、学習用データの具体例（２）～（４）では、別々に機械学習を行ってそれぞれ別の共通モデルを作成することが好ましい。このように、グループの種類を１種類として機械学習を行うことで、精度を向上させることができる。

また、方式１においても上記第１の実施形態と同様に、必要に応じて学習用データにおける商標を複数の単語に分解してもよい。例えば、
［大阪ソックス、アパレル、識別力なし］
という学習用データにおいて、商標を２つの単語に分解し、
［大阪、アパレル、識別力なし］
［ソックス、アパレル、識別力なし］
というように学習用データを生成してもよい。このように学習用データを生成することで、学習用データの数が増え、より精度の高いモデルを作成することができる。

＜方式１の学習（２）＞
ここでは、方式１の学習の変形例を説明する。
上述のように、方式１における学習用データは、前記ある商標に含まれる文字と、前記ある商品又は役務が属するグループと、前記ある商標に含まれる文字が前記ある商品又は役務に使用されたときの識別力の有無と、をセットにしたものである。

このようなデータを
［商標、グループ、識別力の有無］
と表記した。

一方、本実施形態では本例のように、商標とグループを１つの項目として扱うこともできる。このようなデータを
［グループ＋商標、識別力の有無］
と表記する。「グループ＋商標」は、換言すると、グループの名称と商標に含まれる文字を組み合わせたものである。
下記に、本例における学習用データの具体例を示す。

＜＜学習用データの具体例（５）＞＞
［アパレル大阪スカート、識別力なし］
［アパレル大阪ＡＢＣ、識別力なし］
［アパレル東京サンダル、識別力なし］
［アパレル東京ＣＤＥ、識別力あり］
［ＩＴ東京ＰＣ、識別力なし］
［ＩＴ東京マウス、識別力なし］
［ＩＴＰＣＡＢＣ、識別力あり］
［楽器大阪フルート、識別力なし］
［楽器ピアノＣＤＥ、識別力あり］

より詳細には、例えば
［”アパレル、大阪スカート”、識別力なし］
といったような形式にすることができる。この場合、データの項目が２つであるといえる。

その他については、上記の方式１の学習（１）と同様であり、上記と同様にして共通モデルを作成することができる。

＜方式１の推定＞
次に、方式１における推定について説明する。
方式１では、用いる学習済みモデルは１つであり、すなわち共通モデルを用いる。共通モデルには受付商標とグループを入力する必要があるが、入力するグループを取得する方法は複数ある。例えば下記の（Ａ）～（Ｃ）が挙げられるが、これに限られるものではない。

（Ａ）商品又は役務（受付商品役務）を受け付け、受付商品役務が属するグループを取得する方法
（Ｂ）グループを受け付ける方法
（Ｃ）グループごとにサイトを設ける方法

上記の方法を例えば方式１（Ａ）、方式１（Ｂ）、方式１（Ｃ）と称する。

方式１（Ａ）を行うためには、例えば受付部１１が商品又は役務（受付商品役務）を受け付けるようにする。次いで、識別力判断部１２もしくはその他が、受付商品役務が属するグループ（１）を取得する。

なお、「グループ（１）」と表記しているのは、その他の方法と区別するために便宜的に表記するものである。

受付商品役務が属するグループ（１）を取得する方法としては、適宜選択することができ、例えば記憶手段３１を用いる方法が挙げられる。記憶手段３１に、商品や役務と、それに対応するグループ名を記憶させておき、受付商品役務を用いて検索する。これにより、受付商品役務が属するグループ（１）を取得することができる。

このようにして取得したグループ（１）と受付商標を共通モデルに入力し、識別力の度合いを算出する。

方式１（Ａ）においては、上記の他にも、受付商品役務が属する区分や類似群コードを取得し、取得した区分や類似群コードに属するグループを取得するようにしてもよい。この場合、記憶手段３１に区分や類似群コードを記憶させてもよい。この場合、例えば商品や役務が区分や類似群に紐づき、区分や類似群は独自の分類がなされたグループに紐づいている。

方式１（Ｂ）を行うためには、例えば受付部１１がグループ（２）を受け付けるようにする。このようにして受け付けたグループ（２）と受付商標を共通モデルに入力し、識別力の度合いを算出する。

方式１（Ｃ）においては、グループごとにサイトを設ける。この場合の詳細例は後述の図９、図１０を用いて説明する。概要を説明しておくと、グループごとにサイトを設けることで、そのグループについての識別力を判断することができ、ユーザーは商品や役務、グループを入力する必要がなくなる。

方式１において、学習済みモデルの入力としては、上述のように受付商標とグループである。このようなデータを
［商標、グループ］
とも表記する。例えば、
［大阪アパレルシャツ、アパレル］
［東京ＰＣ、ＩＴ］
［東京ピアノ、楽器］
［大阪アパレルシャツ、２５類］
［大阪アパレルシャツ、１７Ａ０１］
などのデータを共通モデルに入力する。

方式１の推定では、グループによらずに１つのモデル、すなわち共通モデルを用いるため、モデルを選択する等の処理の手間を省くことができる。

また、上記第１の実施形態と同様に、受付商標に含まれる文字を複数の単語に分解し、各単語及び／又は各単語の組合せを共通モデルに入力してもよい。

共通モデルの出力は、上記第１の実施形態と同様に識別力の度合いが出力される。グループの考え方を用いた方式１では、共通モデルは、商標に含まれる文字があるグループに属する商品又は役務に使用されたときの識別力の度合いを出力する。この度合いに基づいて識別力の有無が判断される。例えば、
［大阪アパレルシャツ、アパレル］
を入力したときに、識別力の度合いが算出され、「識別力なし」と判断されたとする。この場合、グループであるアパレルに属する商品や役務に受付商標「大阪アパレルシャツ」が使用されたときに識別力がないと判断されたことになる。例えばアパレルグループに商品「洋服」、商品「靴」が属しているとした場合、受付商標「大阪アパレルシャツ」が商品「洋服」に使用されたときに識別力がないと判断されたことになり、また、受付商標「大阪アパレルシャツ」が商品「靴」に使用されたときに識別力がないと判断されたことになる。

本実施形態によれば、グループという考え方を用いることにより、上述したように上記実施形態よりも学習用データを多くすることができ学習精度を向上させることができる。その他にも、グループ単位で識別力の判断を行うことができるため、商品や役務を１つ１つ入力して出力結果を検討するといった手間を省くことができる。

なお、本実施形態においても、上記第１の実施形態と同様に、算出した前記識別力の度合いに応じてランク付けを行うようにしてもよい。

＜方式２の学習＞
次に、方式２の学習について説明する。方式１の学習と同様の事項や好適に適用される事項等は説明を省略する。

方式２における学習用データは、前記ある商標に含まれる文字と、前記ある商標に含まれる文字が前記ある商品又は役務に使用されたときの識別力の有無と、をセットにしたものである。

以下、このようなデータを
［商標、識別力の有無］
とも表記する。

方式２における学習用データの具体例をいくつか以下に示す。
なお、かっこ内はグループを表す。

＜＜学習用データの具体例（５）＞＞
［大阪スカート、識別力なし］ （アパレル）
［大阪ＡＢＣ、識別力なし］ （アパレル）
［東京サンダル、識別力なし］ （アパレル）
［東京ＣＤＥ、アパレル、識別力あり］ （アパレル）
［東京ＰＣ、識別力なし］ （ＩＴ）
［東京マウス、識別力なし］ （ＩＴ）
［ＰＣＡＢＣ、識別力あり］ （ＩＴ）
［大阪フルート、識別力なし］ （楽器）
［ピアノＣＤＥ、識別力あり］ （楽器）

方式２では、学習用データにグループの項目がないが、どのグループの学習を行っているかを把握した上で学習を行う。方式２では、グループごとに学習を行い、グループごとに学習済みモデルを作成する。グループごとに作成された学習済みモデルが個別モデルとなる。すなわち、１つのグループで１つの学習済みモデル（個別モデル）が得られることになる。

例えば、上記の学習用データ具体例（５）において、上から４つのデータを用いてアパレルグループの学習を行う。これにより、アパレルグループの学習済みモデル（個別モデル）が得られる。同様に、その他のグループ、例えばＩＴグループや楽器グループについても学習を行うことにより、ＩＴグループの個別モデルと楽器グループの個別モデルが得られる。

方式２では、学習用データにグループ（グループ名）がないため、グループ名の影響を受けにくく、学習の精度を向上させることができる。学習用データにグループ（グループ名）がある場合、グループの名称をどのようにするかによって、学習の結果に違いが生じる場合があるが、方式２ではこのような違いが生じにくくなる。

上述のように、方式２における学習用データは、
［商標、識別力の有無］
としている。ただし、どのグループで学習を行っているかを把握しておく必要がある。ここで識別力の有無とあるのは、グループに属する商品又は役務に対して商標が使用されたときの識別力の有無である。例えば、
［大阪スカート、識別力なし］ （アパレル）
というデータは、例えば、アパレルグループに属する商品「洋服」に商標「大阪スカート」が使用されたときに、識別力がないと判断されたデータにより作成される。

方式２においても、方式１と同様に、グループの種類を適宜選択することができる。例えば、学習用データの具体例（５）では独自の分類を用いたが、この他にも例えば区分や類似群コード等を用いてもよい。この場合、例えば、区分ごとに個別モデルを作成してもよいし、類似群コードごとに個別モデルを作成してもよい。

また、方式２においても上記の方式１と同様に、必要に応じて学習用データにおける商標を複数の単語に分解してもよい。これにより、学習用データを生成することができ、学習の精度を向上させることができる。

＜方式２の推定＞
次に、方式２における推定について説明する。
方式２では、用いる学習済みモデルはグループごとに異なり、すなわちグループごとに作成された個別モデルを選択して使用する。まずグループを把握して、それに対応する個別モデルを選択し、個別モデルに受付商標を入力する。グループを把握する方法は複数ある。例えば上記の方式１と同様に下記の（Ａ）～（Ｃ）が挙げられるが、これに限られるものではない。

（Ａ）商品又は役務（受付商品役務）を受け付け、受付商品役務が属するグループを取得する方法
（Ｂ）グループを受け付ける方法
（Ｃ）グループごとにサイトを設ける方法

上記の方法を例えば方式２（Ａ）、方式２（Ｂ）、方式２（Ｃ）と称する。
方式２（Ａ）～（Ｃ）は、上記の方式１（Ａ）～（Ｃ）と同様にすることができるため、ここでは説明を省略する。

例えば上記の方式２（Ａ）～（Ｃ）のようにしてグループを把握した後、それに対応する個別モデルを選択する。次いで、選択した個別モデルに受付商標を入力する。このようなデータを
［商標］
とも表記する。例えば、
［大阪アパレルシャツ］ （アパレル）
［東京ＰＣ］ （ＩＴ）
［東京ピアノ］ （楽器）
［大阪アパレルシャツ］ （２５類）
［大阪アパレルシャツ］ （１７Ａ０１）
などのデータを個別モデルに入力する。

なお、上記のかっこはグループを示し、選択された個別モデルのグループを意味する。このため、入力データにグループは含まれていない。

方式２の推定では、グループに対応する個別モデルを選択する処理が必要になるが、学習用のデータにグループが不要になるため、精度のよい推定を行うことができる。

また、上記の方式１と同様に、方式２においても、受付商標に含まれる文字を複数の単語に分解し、各単語及び／又は各単語の組合せを共通モデルに入力してもよい。また、上記の方式１と同様に、方式２においても、算出した前記識別力の度合いに応じてランク付けを行うようにしてもよい。

方式２における個別モデルの出力は、上記方式１における共通モデルと同様に識別力の度合いが出力される。グループの考え方を用いた方式２においても、上記方式１と同様に、商標に含まれる文字があるグループに属する商品又は役務に使用されたときの識別力の度合いを出力する。この度合いに基づいて識別力の有無が判断される。

＜方式１及び方式２の実行例＞
以下、本実施形態における方式１及び方式２の実行例を説明する。ここでは、上記方式１（Ａ）～（Ｃ）及び上記方式２（Ａ）～（Ｃ）について画面の一例を用いて説明する。

まず、上記方式１（Ａ）及び上記方式２（Ａ）の一例について、図５及び図６を用いて説明する。
図５は、入力画面の一例を示す図である。例えば、入力画面５０の商標入力欄５１に商標を入力し、商品役務入力欄５２に商品又は役務を入力して実行ボタン５３を押下する。
図６は、出力画面の一例を示す図であり、図５の判断結果を示す図である。出力画面６０には、識別力の度合い（ここでは８０％）が図示され、ランク（ここではＡ～ＣのうちのＣ）が図示されている。また、出力画面６０には、受付商品役務が属するグループにおいて受付商標に識別力があると判断したことが表示されている。

上記の例において、入力画面５０の実行ボタン５３を押下すると、受付部１１は商品役務入力欄５２に入力された商品又は役務を受付商品役務として受け付ける。次いで、識別力判断部１２又はその他が、受付商品役務が属するグループを取得する。上記の例では、商品「洋服」はアパレルグループに属しているため、グループとして「アパレル」が取得される。
なお、グループの取得方法としては、適宜選択することができ、例えば記憶手段３１を用いる方法等が挙げられる。

次いで、上記方式１（Ａ）において、識別力判断部１２は受付商標（ここでは「トレル」）と取得したグループ（ここでは「アパレル」）を共通モデルに入力して受付商標の識別力の度合いを算出する。
上記方式２（Ａ）においては、識別力判断部１２は取得したグループの個別モデルを選択し、選択した個別モデルに受付商標を入力して受付商標の識別力の度合いを算出する。
次いで、上記方式１（Ａ）及び上記方式２（Ａ）において、算出した識別力の度合いに基づいて受付商標の識別力の有無を判断する。

次に、上記方式１（Ｂ）及び上記方式２（Ｂ）の一例について、図７及び図８を用いて説明する。
図７は、入力画面の一例を示す図である。例えば、入力画面５０の商標入力欄５１に商標を入力し、グループ入力欄５４に商品又は役務を入力して実行ボタン５３を押下する。
図８は、出力画面の一例を示す図であり、図７の判断結果を示す図である。出力画面６０には、識別力の度合い（ここでは８０％）が図示され、ランク（ここではＡ～ＣのうちのＣ）が図示されている。また、出力画面６０には、入力したグループにおいて受付商標に識別力があると判断したことが表示されている。

上記の例において、入力画面５０の実行ボタン５３を押下すると、受付部１１はグループ入力欄５４に入力されたグループを受け付ける。
次いで、上記方式１（Ｂ）において、識別力判断部１２は受付商標（ここでは「トレル」）と受け付けたグループ（ここでは「アパレル」）を共通モデルに入力して受付商標の識別力の度合いを算出する。
上記方式２（Ｂ）においては、識別力判断部１２は受け付けたグループの個別モデルを選択し、選択した個別モデルに受付商標を入力して受付商標の識別力の度合いを算出する。
次いで、上記方式１（Ｂ）及び上記方式２（Ｂ）において、算出した識別力の度合いに基づいて受付商標の識別力の有無を判断する。

次に、上記方式１（Ｃ）及び上記方式２（Ｃ）の一例について、グループごとにサイトを設ける方法の例について図９、図１０を用いて説明する。
図９は、入力画面の一例であり、ここでは例えばアパレルグループのサイトの例を示す。入力画面７２には、アパレル分野（アパレルグループ）について識別力を判定する旨が表示されている。商標入力欄７３に商標を入力して実行ボタン７４を押下すると、入力した商標の識別力が判断され、出力画面７５が表示される（図１０）。出力画面では、識別力を判断した理由を表示してもよい。理由を表示することでユーザーがより理解しやすくなる。また、ランク付けした結果（この例ではＡ～ＣのうちのＣ）を表示してもよい。

このように、方式１（Ｃ）及び方式２（Ｃ）では、ユーザーは商品や役務、グループについて入力する必要がなく、入力の手間を省くことができる。ここではアパレルグループを例に挙げたが、この他にも例えばＩＴグループのサイトや楽器グループのサイト等を設けるようにしてもよい。

＜学習済みモデルの作成方法、情報処理方法、情報処理プログラム＞
本実施形態によれば、上述のように、学習済みモデルの作成方法が提供される。
本実施形態の学習済みモデルの作成方法は、ある商標に含まれる文字を入力としたときに、前記ある商標に含まれる文字があるグループに属する商品又は役務に使用されたときの識別力の度合いを出力するよう機械学習を行い、学習済みモデルを作成する
ことを特徴とする。

本実施形態によれば、上述のように、コンピュータが行う情報処理方法が提供される。
本実施形態の情報処理方法は、コンピュータが行う情報処理方法であって、
文字を含む商標を受け付ける受付工程と、
前記商標に含まれる文字を学習済みモデルに入力して、前記商標に含まれる文字があるグループに属する商品又は役務に使用されたときの識別力の度合いを算出し、前記商標の識別力の有無を判断する識別力判断工程と、
前記識別力判断工程の判断の結果を出力する出力工程と、を含み、
前記学習済みモデルは、複数の商品及び／又は役務が属するグループにおいて、ある商標に含まれる文字を入力としたときに、前記ある商標に含まれる文字があるグループに属する商品又は役務に使用されたときの識別力の度合いを出力するよう機械学習が行われて得られたものである
ことを特徴とする。

本実施形態によれば、上述のように、情報処理プログラムが提供される。
本実施形態の情報処理プログラムは、コンピュータに情報処理を実行させる情報処理プログラムであって、
文字を含む商標を受け付ける受付処理と、
前記商標に含まれる文字を学習済みモデルに入力して、前記商標に含まれる文字があるグループに属する商品又は役務に使用されたときの識別力の度合いを算出し、前記商標の識別力の有無を判断する識別力判断処理と、
前記識別力判断処理の判断の結果を出力する出力処理と、を含み、
前記学習済みモデルは、複数の商品及び／又は役務が属するグループにおいて、ある商標に含まれる文字を入力としたときに、前記ある商標に含まれる文字があるグループに属する商品又は役務に使用されたときの識別力の度合いを出力するよう機械学習が行われて得られたものである
ことを特徴とする。

１０ 情報処理装置
１１ 受付部
１２ 識別力判断部
１３ 出力部
１４ 抽出部
３１ 記憶手段
４０ ユーザー
４１ 端末
５０ 入力画面
５１ 商標入力欄
５２ 商品役務入力欄
５３ 実行ボタン
５４ グループ入力欄
６０ 出力画面
７２ 入力画面
７３ 商標入力欄
７４ 実行ボタン
７５ 出力画面

Claims (10)

1. 文字を含む商標と、商品又は役務とを受け付ける受付部と、
   前記商標に含まれる文字を学習済みモデルに入力して、該学習済みモデルが出力した数値が閾値を超えたかどうかを判定することにより前記商標の識別力の有無を判断する識別力判断部と、
   前記識別力判断部の判断の結果を出力する出力部と、を有する情報処理装置であって、
   前記学習済みモデルは、複数の商品及び／又は役務が属するグループにおいて、ある商標に含まれる文字を入力としたときに、前記ある商標に含まれる文字があるグループに属する商品又は役務に使用されたときの識別力の度合いを出力するよう機械学習が行われて得られたものであるとともに、前記グループ間で共通のモデルとなる共通モデルであるか、又は、前記グループ１つにつき１つのモデルとなる複数の個別モデルであり、
   前記識別力判断部は、受け付けた前記商品又は役務が属するグループ（１）を取得し、
   （ｉ）前記共通モデルを使用する場合、前記商標に含まれる文字及び前記グループ（１）を前記共通モデルに入力し、
   （ii）前記個別モデルを使用する場合、前記グループ（１）に対応する前記個別モデルを選択し、該選択された個別モデルに前記商標に含まれる文字を入力する
   ことを特徴とする情報処理装置。
2. 文字を含む商標と、グループ（２）とを受け付ける受付部と、
   前記商標に含まれる文字を学習済みモデルに入力して、該学習済みモデルが出力した数値が閾値を超えたかどうかを判定することにより前記商標の識別力の有無を判断する識別力判断部と、
   前記識別力判断部の判断の結果を出力する出力部と、を有する情報処理装置であって、
   前記学習済みモデルは、複数の商品及び／又は役務が属するグループにおいて、ある商標に含まれる文字を入力としたときに、前記ある商標に含まれる文字があるグループに属する商品又は役務に使用されたときの識別力の度合いを出力するよう機械学習が行われて得られたものであるとともに、前記グループ間で共通のモデルとなる共通モデルであるか、又は、前記グループ１つにつき１つのモデルとなる複数の個別モデルであり、
   前記識別力判断部は、
   （ｉ）前記共通モデルを使用する場合、前記商標に含まれる文字及び前記グループ（２）を前記共通モデルに入力し、
   （ii）前記個別モデルを使用する場合、前記グループ（２）に対応する前記個別モデルを選択し、該選択された個別モデルに前記商標に含まれる文字を入力する
   ことを特徴とする情報処理装置。
3. （ｉ）前記共通モデルは、
   前記ある商標に含まれる文字と、
   前記ある商品又は役務が属するグループと、
   前記ある商標に含まれる文字が前記ある商品又は役務に使用されたときの識別力の有無と、をセットにした学習用データにより機械学習が行われて得られたものである、
   又は、
   （ii）前記個別モデルは、
   前記ある商標に含まれる文字と、
   前記ある商標に含まれる文字がある商品又は役務に使用されたときの識別力の有無と、をセットにした学習用データにより、前記ある商品又は役務が属するグループごとに機械学習が行われて得られたものである
   ことを特徴とする請求項１又は２に記載の情報処理装置。
4. 前記グループは、区分、類似群コード、外国の特許庁でなされた分類、又は、日本国もしくは外国の特許庁でなされた分類とは異なる独自の分類である
   ことを特徴とする請求項１～３のいずれかに記載の情報処理装置。
5. 前記機械学習の学習用データは、日本国又は外国の特許庁でなされた過去の審査の結果、日本国又は外国の特許庁でなされた過去の審判の結果、及び、日本国又は外国の特許庁で定められている審査又は審判の基準から選ばれた１つ以上の結果又は基準に基づいて作成されたものである
   ことを特徴とする請求項１～４のいずれかに記載の情報処理装置。
6. 前記識別力判断部は、前記商標に含まれる文字が単語に分解され、各単語及び／又は各単語の組合せについて識別力の度合いを算出する
   ことを特徴とする請求項１～５のいずれかに記載の情報処理装置。
7. 前記識別力判断部は、算出した前記識別力の度合いに応じてランク付けを行う
   ことを特徴とする請求項１～６のいずれかに記載の情報処理装置。
8. 前記商標は画像であり、
   前記画像に含まれる文字を抽出する抽出部を更に有し、
   前記識別力判断部は、前記抽出部によって抽出された文字について前記商標の識別力を判断する
   ことを特徴とする請求項１～７のいずれかに記載の情報処理装置。
9. コンピュータが行う情報処理方法であって、
   文字を含む商標と、商品又は役務とを受け付ける受付工程と、
   前記商標に含まれる文字を学習済みモデルに入力して、該学習済みモデルが出力した数値が閾値を超えたかどうかを判定することにより前記商標の識別力の有無を判断する識別力判断工程と、
   前記識別力判断工程の判断の結果を出力する出力工程と、を含み、
   前記学習済みモデルは、複数の商品及び／又は役務が属するグループにおいて、ある商標に含まれる文字を入力としたときに、前記ある商標に含まれる文字があるグループに属する商品又は役務に使用されたときの識別力の度合いを出力するよう機械学習が行われて得られたものであるとともに、前記グループ間で共通のモデルとなる共通モデルであるか、又は、前記グループ１つにつき１つのモデルとなる複数の個別モデルであり、
   前記識別力判断工程は、受け付けた前記商品又は役務が属するグループ（１）を取得し、
   （ｉ）前記共通モデルを使用する場合、前記商標に含まれる文字及び前記グループ（１）を前記共通モデルに入力し、
   （ii）前記個別モデルを使用する場合、前記グループ（１）に対応する前記個別モデルを選択し、該選択された個別モデルに前記商標に含まれる文字を入力する
   ことを特徴とする情報処理方法。
10. コンピュータに情報処理を実行させる情報処理プログラムであって、
    文字を含む商標と、商品又は役務とを受け付ける受付処理と、
    前記商標に含まれる文字を学習済みモデルに入力して、該学習済みモデルが出力した数値が閾値を超えたかどうかを判定することにより前記商標の識別力の有無を判断する識別力判断処理と、
    前記識別力判断処理の判断の結果を出力する出力処理と、を含み、
    前記学習済みモデルは、複数の商品及び／又は役務が属するグループにおいて、ある商標に含まれる文字を入力としたときに、前記ある商標に含まれる文字があるグループに属する商品又は役務に使用されたときの識別力の度合いを出力するよう機械学習が行われて得られたものであるとともに、前記グループ間で共通のモデルとなる共通モデルであるか、又は、前記グループ１つにつき１つのモデルとなる複数の個別モデルであり、
    前記識別力判断処理は、受け付けた前記商品又は役務が属するグループ（１）を取得し、
    （ｉ）前記共通モデルを使用する場合、前記商標に含まれる文字及び前記グループ（１）を前記共通モデルに入力し、
    （ii）前記個別モデルを使用する場合、前記グループ（１）に対応する前記個別モデルを選択し、該選択された個別モデルに前記商標に含まれる文字を入力する
    ことを特徴とする情報処理プログラム。
    

Images