撰写LSTM专利有哪些注意事项

LSTM专利的核心定位与技术边界界定

在人工智能领域的专利申请中，LSTM专利的撰写需要首先明确其技术属性与保护范围。LSTM（长短期记忆网络）作为循环神经网络的重要分支，其创新点可能涉及网络结构改进、训练方法优化、特定场景应用等多个维度。根据国家知识产权局发布的《专利审查指南》，涉及人工智能算法的专利申请需满足“技术方案”的要求，即必须包含利用自然规律解决技术问题的具体手段，而非单纯的数学模型或算法思想。例如，若发明是针对LSTM在时间序列预测中的梯度消失问题提出改进的门控机制（如新增注意力权重调节单元），则需清晰界定该机制如何通过硬件或软件结合的方式实现，避免因抽象概念化描述导致保护范围不明确。

从技术分类角度，LSTM专利通常落入“G06N3/04”（基于神经网络的计算机系统）或“G06N3/08”（神经网络的训练方法）等国际专利分类号（IPC）范畴。在撰写前，建议通过科科豆、八月瓜等专利检索平台分析同领域已授权专利的权利要求布局，例如查看涉及LSTM优化的专利如何界定“门控单元”“细胞状态更新”等技术特征，避免与现有技术（如基础LSTM模型或改进变体GRU）的保护范围重叠。国家知识产权局数据显示，2023年人工智能领域专利申请中，约32%因“权利要求未清楚限定技术方案”被驳回，因此明确技术边界是LSTM专利撰写的首要基础。

技术方案的公开充分性与实验数据支撑

LSTM专利的核心在于通过具体技术手段解决实际问题，因此说明书需详细公开实现方案的步骤、参数设置及技术效果。根据《专利法》第二十六条第三款，说明书应当对发明作出清楚、完整的说明，以所属技术领域的技术人员能够实现为准。例如，若发明提出一种“基于多尺度特征融合的LSTM情感分析模型”，需说明多尺度特征如何提取（如通过卷积神经网络与LSTM的串联结构）、融合方式（如加权求和或注意力机制分配权重）、模型训练的具体参数（如学习率、迭代次数、损失函数类型），以及与传统LSTM模型在准确率、召回率等指标上的对比数据。

实验数据的客观性与可重复性是关键。国家知识产权局在《人工智能相关专利审查指引》中强调，涉及算法性能改进的发明需提供“可验证的技术效果”。例如，某LSTM专利声称“预测误差降低15%”，需说明实验数据集来源（如公开的IMDb影评数据集、沪深300指数数据集）、对比模型的选取（如标准LSTM、BiLSTM）、实验环境（硬件配置、软件框架版本），并附上原始数据或可复现的实验步骤。若数据涉及商业秘密，可采用相对值对比或典型案例说明，但需保证本领域技术人员能通过常规实验验证效果。此外，引用学术文献（如知网收录的LSTM相关论文）或行业标准作为技术背景，可增强方案的科学性与可信度。

权利要求的撰写策略与保护范围布局

权利要求书是LSTM专利的法律核心，其撰写需平衡保护范围与稳定性。根据审查实践，权利要求应避免仅包含“使用LSTM进行XX任务”的功能性描述，而需限定具体的结构或方法特征。例如，针对时间序列预测的LSTM改进，独立权利要求可表述为：“一种基于注意力机制的LSTM时间序列预测方法，其特征在于，包括：步骤1，对输入序列进行归一化处理；步骤2，通过包含位置编码的输入门对所述归一化序列进行特征筛选；步骤3，利用遗忘门与细胞状态的交互更新公式（具体公式）调整长期依赖权重；步骤4，通过输出门输出预测结果。” 其中，“位置编码”“交互更新公式”等技术特征需在说明书中详细解释，确保权利要求得到充分支持。

在保护范围布局上，可采用“阶梯式”策略：独立权利要求界定最宽的保护范围（如通用的LSTM结构改进），从属权利要求进一步限定具体应用场景（如用于电力负荷预测、疾病风险评估）或优化细节（如激活函数类型、正则化方法）。需注意，若LSTM专利涉及硬件加速（如基于FPGA的LSTM并行计算模块），应将硬件结构特征与算法步骤结合撰写，避免因仅保护软件方法而无法限制硬件侵权行为。此外，参考国家知识产权服务平台发布的《专利侵权判定标准及假冒专利行为认定标准》，权利要求中的技术特征需采用“构成要件+法律后果”的表述方式，减少模糊性用语（如“优选地”“大约”）。

规避现有技术与创造性论证技巧

LSTM专利的创造性论证是审查中的难点，需结合技术发展脉络突出方案的非显而易见性。根据《专利审查指南》，创造性判断采用“三步法”：确定最接近的现有技术、找出区别技术特征、判断区别特征是否显而易见。例如，若最接近的现有技术是基础LSTM模型，而发明通过“双向门控单元”与“残差连接”的组合实现了长序列依赖捕捉能力的提升，则需论证：“双向门控”解决了单向LSTM无法利用未来信息的缺陷（技术问题），“残差连接”缓解了深层网络的梯度消失问题（技术手段），两者结合产生的“预测准确率提升20%”（技术效果）超出了本领域技术人员的常规改进预期。

为增强创造性论证，可引用权威数据或行业痛点。例如，引用新华网关于“传统LSTM在金融时间序列预测中误差率高达30%”的报道，说明现有技术的不足；通过对比实验数据（如在公开数据集上的性能超越现有专利技术15%以上）证明技术效果的显著性。此外，若发明涉及跨领域应用（如将LSTM从自然语言处理迁移至工业故障诊断，并针对传感器噪声设计自适应滤波模块），可强调领域转换带来的技术挑战及解决方案的独创性。在检索现有技术时，除科科豆、八月瓜等平台外，还需关注国际专利数据库（如PCT申请）及顶会论文（如NeurIPS、ICML发表的LSTM改进方案），避免因漏检导致创造性判断失误。

附图与实施例的规范表述

附图是LSTM专利说明书的重要组成部分，需直观展示技术方案的结构与流程。根据《专利审查指南》，附图应包含“功能框图”“流程图”“时序图”等类型，例如：LSTM改进模型的结构框图需标注输入层、隐藏层（含门控单元）、输出层的连接关系；训练方法流程图需按步骤编号，清晰展示数据预处理、模型初始化、反向传播等关键环节。附图中应避免出现模糊的方框或未标注的符号，对于核心改进部分（如新型门控单元结构），可采用局部放大图或对比示意图（改进前后的结构对比）。

实施例是支持权利要求的具体示例，需详细描述LSTM专利方案的实现过程。例如，针对“基于LSTM的异常检测方法”，实施例应包括：数据集具体构成（如1000条正常样本、200条异常样本）、模型参数设置（隐藏层神经元数量、batch size、优化器类型）、关键代码片段（如门控单元的Python实现）、实验结果分析（混淆矩阵、ROC曲线数据）。若方案涉及软件实现，可在实施例中说明所用框架（如TensorFlow、PyTorch）及版本，但需避免仅以代码作为技术公开的唯一方式，而应结合文字描述解释代码逻辑。此外，实施例的数量需满足“概括性权利要求应有至少一个实施例支持”“从属权利要求的附加技术特征应有相应实施例对应”的要求，确保权利要求的每个技术特征都能在实施例中找到依据。

申请策略与审查意见答复要点

LSTM专利的申请策略需结合技术特点与市场需求。对于基础模型改进（如新型门控机制），建议申请发明专利以获得长期保护；对于特定应用场景的工程化方案（如LSTM在智能家居中的语音指令识别优化），可同时申请发明与实用新型专利（若涉及硬件结构）。根据国家知识产权局数据，2023年人工智能领域发明专利平均审查周期约为24个月，因此可通过“优先审查”程序（符合《专利优先审查管理办法》中“涉及新一代信息技术”的情形）缩短授权时间。

在审查意见答复中，针对“缺乏创造性”的常见驳回理由，需从技术问题、技术手段、技术效果三方面进行争辩。例如，审查员认为“LSTM结合注意力机制是现有技术的常规组合”，答复时可指出：本发明的注意力机制是“动态权重分配”（区别于现有技术的固定权重），通过引入“序列长度自适应系数”（具体公式）解决了长序列注意力分散问题，实验数据显示在5000长度序列上的预测精度较现有技术提升25%（引用说明书中的对比实验数据）。此外，若审查员质疑“权利要求保护范围过宽”，可通过增加从属权利要求或修改独立权利要求的技术特征，使方案更具体明确。答复文件需引用说明书及附图内容，避免引入新的技术方案，并严格按照《专利审查指南》的格式要求撰写意见陈述书。

在撰写LSTM专利时，还需关注领域内的最新审查动态。例如，国家知识产权局2022年发布的《关于加强人工智能领域专利保护的通知》中强调，对于“算法+数据”的发明，需明确数据的获取方式是否符合法律法规（如《数据安全法》《个人信息保护法》），避免因数据合规性问题影响授权。同时，参考学术期刊（如《自动化学报》）发表的LSTM技术综述，可帮助把握领域技术发展趋势，确保发明的创新性与前瞻性。通过结合技术方案的实质性改进、规范的文件撰写及合理的申请策略，才能最大限度提升LSTM专利的授权率与保护力度，为技术成果转化提供法律保障。

常见问题（FAQ）

撰写LSTM专利时，如何明确界定保护范围？在撰写LSTM专利时，需通过独立权利要求清晰界定技术方案的核心创新点，避免仅描述算法原理而缺乏具体应用场景或技术实现细节。应结合具体技术问题，如序列数据处理中的梯度消失问题、长依赖关系捕捉等，明确LSTM网络在结构改进（如门控机制优化、神经元连接方式调整）或应用场景（如时间序列预测、自然语言处理中的特定任务）上的技术方案，确保权利要求既具有概括性又不易被规避。

LSTM专利申请中，如何体现创造性以满足授权条件？需将LSTM技术方案与现有技术进行对比，突出其技术改进带来的有益效果。例如，若现有技术中LSTM在处理长序列时存在精度不足问题，可通过具体实验数据或逻辑分析，说明改进后的门控单元结构（如新增注意力机制融合、遗忘门参数动态调整）如何提升序列建模能力，或降低计算复杂度。同时，需避免仅依赖算法本身的数学改进，应结合硬件实现方式或特定技术领域的应用优势来体现创造性。

LSTM专利的撰写是否需要公开代码或具体参数？根据专利法要求，说明书需公开足以使本领域技术人员实现的技术方案，但无需公开完整代码。可通过描述网络结构（如各层神经元数量、激活函数类型、门控单元计算公式）、训练方法（如损失函数选择、优化器参数范围）及关键参数的取值范围（如学习率范围、迭代次数区间）来满足公开充分的要求。若涉及核心创新点的参数，可通过举例说明典型取值及效果，避免因参数模糊导致保护范围不明确或公开不充分。

误区科普

认为LSTM算法本身可直接申请专利是常见误区。根据专利法规定，纯粹的数学算法或计算机程序本身属于智力活动规则，不具备专利性。只有当LSTM算法与具体技术领域结合，形成解决特定技术问题的技术方案时，才可被授予专利权。例如，将LSTM用于工业设备故障预测时，需明确其如何通过处理传感器采集的时序数据，实现故障预警的技术步骤，包括数据预处理、网络模型构建、异常检测阈值设定等技术特征，使方案构成完整的技术手段，而非单纯的算法流程。

延伸阅读

1. 《专利审查指南》（2023年版）——国家知识产权局编著

推荐理由：本书是专利撰写与审查的核心依据，系统阐述了“技术方案”的界定标准、创造性“三步法”判断规则及说明书公开充分性要求。其中第二部分第九章“关于涉及计算机程序的发明专利申请审查若干问题的规定”直接关联LSTM等算法专利的技术属性认定，可帮助理解“数学模型与技术方案的边界”，为权利要求中“硬件/软件结合实现”的表述提供规范依据。

2. 《人工智能相关专利审查指引》——国家知识产权局知识产权发展研究中心编著

推荐理由：针对AI领域专利的特殊性，细化了“算法改进的技术效果验证”“数据公开要求”等实操标准。书中“深度学习模型专利审查”章节结合LSTM、Transformer等典型网络结构，分析了“门控单元改进”“注意力机制优化”等创新点的审查逻辑，附录的“实验数据呈现模板”可直接指导LSTM专利中数据集来源、对比实验设计等关键内容的撰写。

3. 《专利创造性判断实务》（第2版）——吴观乐著

推荐理由：聚焦创造性论证难点，通过“最接近现有技术选取”“区别技术特征提炼”“非显而易见性说理”三步法拆解，结合大量AI算法专利案例（含LSTM改进模型），演示如何通过“技术问题-手段-效果”的逻辑链论证创新点。书中“跨领域技术迁移的创造性判断”章节，对LSTM从NLP到工业诊断等场景迁移的独创性论证具有直接参考价值。

4. 《专利权利要求书撰写实务》——杨敏华著

推荐理由：以“权利要求保护范围与稳定性平衡”为核心，详解“独立权利要求宽范围界定”与“从属权利要求阶梯式布局”策略。书中“方法类权利要求的技术特征表述”章节，通过LSTM训练方法、硬件加速模块等实例，示范如何将“门控机制更新”“并行计算逻辑”等抽象算法特征转化为“构成要件+法律后果”的规范表述，避免功能性限定缺陷。

5. 《专利申请文件撰写案例教程》（第3版）——李超、马浩编著

推荐理由：通过“反面案例+修正方案”对比模式，重点解析附图与实施例的规范性问题。其中“深度学习模型附图绘制”部分，展示了LSTM网络结构框图（含门控单元放大图）、训练流程图的标准画法；“实施例数据支撑”章节以“LSTM情感分析模型”为例，详细说明实验参数（学习率、迭代次数）、对比模型选取及效果数据的公开要点，解决“公开充分性”审查痛点。

6. 《人工智能与数据合规：专利视角》——李远方、张鹏著

推荐理由：结合《数据安全法》《个人信息保护法》，分析AI专利中数据获取、处理的合规性要求。书中“敏感数据在专利文件中的脱敏呈现”章节，针对LSTM专利中涉及用户行为数据、医疗数据等场景，提供“相对值对比”“典型案例替代”等合规公开方案，避免因数据合法性问题影响授权。附录的“AI专利数据合规审查清单”可直接用于申请前自查。

本文观点总结：

LSTM专利的核心定位在于明确其技术属性与保护范围，需满足《专利审查指南》中“技术方案”要求，即包含利用自然规律解决技术问题的具体手段，而非单纯数学模型或算法思想，例如改进门控机制需清晰界定软硬件结合的实现方式。技术边界界定方面，其通常落入“G06N3/04”（基于神经网络的计算机系统）或“G06N3/08”（神经网络的训练方法）等IPC分类范畴。撰写前需通过专利检索平台分析同领域已授权专利的权利要求布局，界定“门控单元”“细胞状态更新”等技术特征，避免与基础LSTM模型或GRU等现有技术的保护范围重叠。鉴于2023年人工智能领域约32%专利因“权利要求未清楚限定技术方案”被驳回，明确技术边界是LSTM专利撰写的首要基础。

参考资料：

知网。

新华网。

国家知识产权服务平台。

《自动化学报》。

科科豆。