CN105608111B - 向终端用户推荐对象的方法及*** - Google Patents
向终端用户推荐对象的方法及*** Download PDFInfo
- Publication number
- CN105608111B CN105608111B CN201510912090.6A CN201510912090A CN105608111B CN 105608111 B CN105608111 B CN 105608111B CN 201510912090 A CN201510912090 A CN 201510912090A CN 105608111 B CN105608111 B CN 105608111B
- Authority
- CN
- China
- Prior art keywords
- associated group
- recommendation
- frequency
- association data
- group
- 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
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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供向终端用户推荐对象的方法,其包括基于N个对象,建立对象关联数据集,该对象关联数据集包括第一时间段内被任意终端用户浏览过的所述N个对象中的所有对象,以及第一时间段内被任意终端用户先后浏览过的N个对象中的两个对象按浏览顺序组成的关联组;确定所述对象关联数据集中各对象在该对象关联数据集中出现的个体频率、对象关联组在该对象关联数据集中出现的关联组频率、基于所述对象关联组中每个对象的个体频率以及该关联组频率计算该所述对象关联组中两个对象的关联度,并基于该关联度以及所确定的种子对象,确定对象中针对某终端用户的对象标定推荐度。
Description
技术领域
本发明涉及网络数据处理,更为具体地涉及向终端用户推荐对象的技术。
背景技术
推荐***是互联网业、电子商务以及零售业等行业在数据挖掘领域最典型并且最重要的应用。
目前,大部分公司的推荐***都基于协同过滤算法实现,虽然协同过滤算法在应用与商品推荐时显示出了较好的表现,但还有可改进的地方。协同过滤算法基于用户之间的消费相似度来构建对用户的评价,从而做出推荐,而用户之间的相似度是通过高维稀疏向量之间的相似度来标识的,这样的评价方法所得到的用户之间的相似度可能是不准确的,从而导致了推荐结果的不准确性,并且随着商户数量的增多,推荐***所计算的向量稀疏程度会增加,这不但降低了推荐的准确度,同时增大了计算的复杂度,降低了推荐***的性能。
发明内容
本文提供一种向终端用户推荐对象的方法,其包括:
a.基于N个对象,建立对象关联数据集,该对象关联数据集包括第一时间段内被任意终端用户浏览过的所述N个对象中所有对象,以及第一时间段内被任意终端用户先后浏览过的N个对象中的两个对象按浏览顺序组成的关联组;
b.确定所述对象关联数据集中各对象在该对象关联数据集中出现的个体频率;
c.确定所述对象关联组在该对象关联数据集中出现的关联组频率;
d.基于所述对象关联组中每个对象的个体频率以及该关联组频率计算该所述对象关联组中两个对象的关联度;
e.确定所述N个对象中被有推荐需求的终端用户浏览过的对象,将其作为种子对象;
f.标定所述种子对象的推荐度;
g.在所述对象关联数据集中查找包括所述种子对象的第一类关联组,并为所述第一类关联组中的尚未被标定的对象标定推荐度;以及
h.在所述对象关联数据集中查找包括所述第一类关联组中的非种子对象的第二类关联组,并为该第二类关联组中的未标定推荐度的对象标定推荐度。
根据本发明的一个方面,该向终端用户推荐对象的方法中,所述步骤d按照如下公式确定所述关联度:
其中fx为对象x的个体频率,fy为对象y的个体频率,fxy为对象x与y组成的关联组xy的组频率,Wxy为关联组xy中对象x与y的关联度。
根据本发明的一个方面,该向终端用户推荐对象的方法中,所述种子对象的推荐度为1,所述推荐度按照如下公式确定:
Ry=min(p·Rx·Wxy,1)
其中,x为关联组xy中的已标定了推荐度的对象,其推荐度为Rx,y为关联组xy中未标定推荐度的对象,Ry表示y的推荐度,p是预定的推荐度传播概率。
根据本发明的示例,还提供向终端用户推荐对象的***,其包括:
第一单元,其用于基于N个对象,建立对象关联数据集,该对象关联数据集包括第一时间段内被任意终端用户浏览过的所述N个对象中的所有对象,以及第一时间段内被任意终端用户先后浏览过的N个对象中的两个对象按浏览顺序组成的关联组;
第二单元,其用于确定所述对象关联数据集中各对象在该对象关联数据集中出现的个体频率;
第三单元,其用于确定所述对象关联组在该对象关联数据集中出现的关联组频率;
第四单元,其用于基于所述对象关联组中每个对象的个体频率以及该关联组频率计算该所述对象关联组中对象间的关联度;
第五单元,其用于确定所述N个对象中被有推荐需求的终端用户浏览过的对象,将其作为种子对象;
第六单元,其用于标定所述种子对象的推荐度;
第七单元,其用于在所述对象关联数据集中查找包括所述种子对象的第一类关联组,并为所述第一类关联组中的非种子对象标定推荐度;以及
第八单元,其用于在所述对象关联数据集中查找包括所述第一类关联组中的非种子对象的第二类关联组,并为该第二类关联组中的未标定推荐度的对象标定推荐度。
根据本发明的一个方面,所提供的向终端用户推荐对象的***中,所述步骤第四单元按照如下公式确定所述关联度:
其中fx为对象x的个体频率,fy为对象y的个体频率,fxy为对象x与y组成的关联组xy的组频率,Wxy为关联组xy中对象x与y的关联度。
根据本发明的一个方面,所提供的向终端用户推荐对象的***中,所述种子对象的推荐度为1,所述推荐度按照如下公式确定:
Ry=min(p·Rx·Wxy,1)
其中,x为关联组xy中的已标定了推荐度的对象,其推荐度为Rx,y为关联组xy中未标定推荐度的对象,Ry表示y的推荐度,p是预定的推荐度传播概率。
附图说明
图1是根据本发明一个示例的向终端用户推荐对象的方法的流程图。
图2是根据本发明一个示例的向终端用户推荐对象的***的结构示意图。
具体实施方式
现在参照附图描述本发明的示意性示例。相同的附图标号表示相同的元件。下文描述的各实施例有助于本领域技术人员透彻理解本发明,且意在示例而非限制。除非另有限定,文中使用的术语(包括科学、技术和行业术语)具有与本发明所属领域的技术人员普遍理解的含义相同的含义。此外,流程图中各步骤的先后顺序也不以图示的顺序为限。
图1是根据本发明一个示例的向终端用户推荐对象的方法的流程图。如图所示,在步骤10,基于N个对象,建立对象关联数据集,该对象关联数据集包括第一时间段内被任意终端用户浏览过的所述N个对象中所有对象,以及第一时间段内被任意终端用户先后浏览过的N个对象中的两个对象按浏览顺序组成的关联组。
通常而言,N是一个较大数据,而第一时间段也是诸如一个月等的时间段,由此,所获得的对象关联数据集是一个数据含量大的数据集。在此,为便于阐述,假设N为4,即,假设有A、B、C、D四个对象,第一时间段为1天。在这一天的时间里,甲用户先浏览了A,再浏览了C,然后再浏览了D,又回头再浏览了A;用户乙先浏览了A,再浏览了D,然后再次回去浏览了A,再去浏览了B;丙用户浏览了B,之后浏览了C;丁用户的浏览顺序为D、B、C、A。由此,该例子中,该第一时间段内被甲、乙、丙、丁浏览过的该N个对象中的所有对象为A、C、D、A、A、D、A、B、B、C、D、B、C、A;第一时间段内被甲用户先后浏览过的N个对象中的两个对象按浏览顺序组成的关联组包括AC、CD、DA,用户乙先后浏览过的N个对象中的两个对象按浏览顺序组成的关联组包括AD、DA、AB,用户丙先后浏览过的N个对象中的两个对象按浏览顺序组成的关联组包括BC,用户丁先后浏览过的N个对象中的两个对象按浏览顺序组成的关联组包括DB、BC、CA。进而,该例子中,基于这4个对象建立对象关联数据集包括A、C、D、A、A、D、A、B、B、C、D、B、C、A、AC、CD、DA、AD、DA、AB、BC、DB、BC、CA。
可见,构建该关联数据集的过程中,如果某个对象被同一终端用户在不同的时间浏览过多次,则该对象应在该关联数据集中出现多次,而该关联组中,关联组中每个组都是按照用户浏览组中两个对象的顺序排列的,而且,如果同一终端用户在不同的时间先后浏览两个对象的情况出现了多次,则该关联组应在该关联数据集中出现多次。比如,上面这个具体的例子,在该一天的上午,用户丙先后浏览过B与C,从而构成这两个对象按浏览顺序组成关联组BC,而用户丙下午再次浏览过B与C,则再次构成关联组BC,相应地,上文给出的对象关联数据集将修改为包括A、C、D、A、A、D、A、B、B、C、D、B、C、A、AC、CD、DA、AD、DA、AB、BC、BC、DB、BC、CA。
在步骤12,确定所述对象关联数据集中各对象在该对象关联数据集中出现的个体频率。对象A在步骤10所建立的对象关联数据集中出现的次数便是A的个体频率fA,对象B出现的次数变为B的个体频率fB,依次类推。
在步骤14,确定所述对象关联组在该对象关联数据集中出现的关联组频率。对象关联组的频率指的是以相同顺序包含两个对象的关联组在整个对象关联数据集中出现的次数。例如,关联组AB的关联组频率表示为fAB。
在步骤16,基于所述对象关联组中每个对象的个体频率以及该关联组频率计算该所述对象关联组中对象间的关联度。如果要计算关联组AB中对象A与对象B的关联度,则根据对象A的个体频率fA、对象B的个体频率fB、以及关联组AB的关联组频率fAB来根据如下的等式(1)来计算:
其中,fx为对象x的个体频率,fy为对象y的个体频率,fxy为对象x与y组成的关联组xy的组频率,Wxy为关联组xy中对象x与y的关联度。
如果对象x为对象A,而对象y为对象B,则按照等式(1):A与B的关联度计算如下:
在步骤18,确定所述N个对象中被有推荐需求的终端用户浏览过的对象,将其作为种子对象。结合上文给出的例子,假设有推荐需求的的终端用户为丙,则首先从N个对象中确定出丙曾经浏览过的对象,如在步骤10所描述过的,丙曾经浏览过B与C,因此,对于有推荐需求的的终端用户丙对象B与C都被确定为种子对象。
在步骤20,标定所述种子对象的推荐度。根据本发明的一个示例,可将种子对象的推荐度标定为1。
在步骤22,在所述对象关联数据集中查找包括该种子对象的第一类关联组,并为查找的该第一类关联组中的尚未被标定的对象标定推荐度。
根据本发明的示例,如果查找到的关联组中的对象已经标定过,则无需进一步标定,只需要对那些没有标定过的对象进行标定,其中,查找到的一个或多个关联组中每个关联组中未标定对象的推荐度按照如下的等式(2)来确定:
Ry=min(p·Rx·Wxy,1) (2)
其中,x代表关联组xy中的已被标定了推荐度的对象,其推荐度为Rx,y则为关联组xy中未标定推荐度的对象,Ry表示y的推荐度,p是预定的推荐度传播概率,Wxy为关联组xy中对象x与y的关联度。
依然参照上文给出的示例,在步骤22中,先查找出包括B的关联组,分别有AB、BC、DB。其中,C也为种子对象,其推荐度将被标定为1,由此,按照等式(2)确定A与D的推荐度:
RA=min(p·RB·WAB,1)
其中,RB的值为1,WAB则按照等式(1)计算获得,由此,可将p·RB·WAB以及1中的最小值确定为RA。
在步骤24,在所述对象关联数据集中查找包括所述第一类关联组中的非种子对象的第二类关联组,并为该第二类关联组中未标定推荐度的对象标定推荐度。如在步骤22确定的包括B的关联组,分别有AB、BC、DB,则可确定涉及的非种子对象包括A与D,如上已根据等式(2)确定了A与D的推荐度。首先找出包括A与D的关联组,在按照等式(2)确定各关联组中未被标定推荐度的对象的推荐度,如果所找到的关联组中的两个对象均已经标定了推荐度,则不再重复计算。例如找到关联AB与BA,DB,DC或CD等则可略过。
一直执行步骤24,直到没有更多的对象可以被标定。
根据本发明的一个具体示例,对象可以是商户,而终端用户则为消费用户,由此,根据本发明的终端用户浏览过的对象例如指的是消费用户消费过的商户,该消费数据可从商家的交易记录获取。而可选地,终端用户浏览过的对象也可以指的是用户浏览过的电商的网店,浏览记录可通过商户网点的浏览记录以及终端用户的IP或昵称等获取。
根据本发明各示例的向终端用户推荐对象的***可通过软件实现,但也可通过硬件实现,或通过软件与硬件的结合实现。采用根据本发明所示的向终端用户推荐对象的方法,通过独立级联模型,增加了商户关联推荐的有效候选商户数,提高了推荐的精准度。
本发明还提供向终端用户推荐对象的***,图2是该***的结构示意图。如图所示,该向终端用户推荐对象的***包括第一单元40、第二单元42、第三单元44、第四单元46、第五单元48、第六单元50、第七单元52以及第八单元54。
第一单元40用于基于N个对象,建立对象关联数据集,该对象关联数据集包括第一时间段内被任意终端用户浏览过的所述N个对象中的所有对象,以及第一时间段内被任意终端用户先后浏览过的N个对象中的两个对象按浏览顺序组成的关联组。其中,建立对象关联数据集的过程与上文结合步骤10介绍的基本一致,不再赘述。
第二单元42用于确定所述对象关联数据集中各对象在该对象关联数据集中出现的个体频率。第三单元44用于确定所述对象关联组在该对象关联数据集中出现的关联组频率。第四单元46用于基于所述对象关联组中每个对象的个体频率以及该关联组频率计算该所述对象关联组中对象间的关联度。个体频率、关联组频率以及关联组频率的确定如上文结合步骤12、14与16所介绍的那样,且关联组中对象间关联度的确定根据等式(1)进行。
第五单元48用于确定所述N个对象中被有推荐需求的终端用户浏览过的对象,将其作为种子对象。第六单元50用于标定所述种子对象的推荐度。如上文结合步骤18与20所介绍的,种子对象的推荐度标定为1。
第七单元52用于在所述对象关联数据集中查找包括所述种子对象的第一类关联组,并为所述第一类关联组中的非种子对象标定推荐度。第八单元54用于在所述对象关联数据集中查找包括所述第一类关联组中的非种子对象的第二类关联组,并为该第二类关联组中的未标定推荐度的对象标定推荐度。第一类关联组与第二类关联组的可参考上文结合步骤22与24所介绍的,且未标定推荐度的对象的推荐度的确定可由等式(2)确定。
根据本发明示例的向终端用户推荐对象的***可通过软件实现,也可通过硬件实现,或通过软件与硬件的结合实现。
尽管已结合上文描述了本发明,但应理解,文中的各示例可相互结合。在不背离本发明公开的范围与精神的情况下,对示例中各步骤或部件、单元的修改也应落入本申请所附的权利要求书的范围内。
Claims (6)
1.一种向终端用户推荐对象的方法,其包括:
a.基于N个对象,建立对象关联数据集,该对象关联数据集包括第一时间段内被任意终端用户浏览过的所述N个对象中的所有对象,以及第一时间段内被任意终端用户先后浏览过的N个对象中的两个对象按浏览顺序组成的关联组;
b.确定所述对象关联数据集中各对象在该对象关联数据集中出现的个体频率;
c.确定所述对象关联组在该对象关联数据集中出现的关联组频率;
d.基于所述对象关联组中每个对象的个体频率以及该关联组频率确定该所述对象关联组中两个对象的关联度;
e.确定所述N个对象中被有推荐需求的终端用户浏览过的对象,将其作为种子对象;
f.标定所述种子对象的推荐度;
g.在所述对象关联数据集中查找包括所述种子对象的第一类关联组,并为所述第一类关联组中的尚未被标定的对象标定推荐度;以及
h.在所述对象关联数据集中查找包括所述第一类关联组中的非种子对象的第二类关联组,并为该第二类关联组中的未标定推荐度的对象标定推荐度。
2.如权利要求1所述的方法,其中,所述步骤d按照如下公式确定所述关联度:
其中fx为对象x的个体频率,fy为对象y的个体频率,fxy为对象x与y组成的关联组xy的组频率,Wxy为关联组xy中对象x与y的关联度。
3.如权利要求2所述的方法,其中,所述种子对象的推荐度为1,所述推荐度按照如下公式确定:
Ry=min(p·Rx·Wxy,1)
其中,x为关联组xy中的已标定了推荐度的对象,其推荐度为Rx,y为关联组xy中未标定推荐度的对象,Ry表示y的推荐度,p是预定的推荐度传播概率。
4.一种向终端用户推荐对象的***,其包括:
第一单元,其用于基于N个对象,建立对象关联数据集,该对象关联数据集包括第一时间段内被任意终端用户浏览过的所述N个对象中的所有对象,以及第一时间段内被任意终端用户先后浏览过的N个对象中的两个对象按浏览顺序组成的关联组;
第二单元,其用于确定所述对象关联数据集中各对象在该对象关联数据集中出现的个体频率;
第三单元,其用于确定所述对象关联组在该对象关联数据集中出现的关联组频率;
第四单元,其用于基于所述对象关联组中每个对象的个体频率以及该关联组频率计算该所述对象关联组中对象间的关联度;
第五单元,其用于确定所述N个对象中被有推荐需求的终端用户浏览过的对象,将其作为种子对象;
第六单元,其用于标定所述种子对象的推荐度;
第七单元,其用于在所述对象关联数据集中查找包括所述种子对象的第一类关联组,并为所述第一类关联组中的非种子对象标定推荐度;以及
第八单元,其用于在所述对象关联数据集中查找包括所述第一类关联组中的非种子对象的第二类关联组,并为该第二类关联组中的未标定推荐度的对象标定推荐度。
5.如权利要求4所述的***,其中,所述第四单元按照如下公式确定所述关联度:
其中fx为对象x的个体频率,fy为对象y的个体频率,fxy为对象x与y组成的关联组xy的组频率,Wxy为关联组xy中对象x与y的关联度。
6.如权利要求5所述的***,其中,所述种子对象的推荐度为1,所述推荐度按照如下公式确定:
Ry=min(p·Rx·Wxy,1)
其中,x为关联组xy中的已标定了推荐度的对象,其推荐度为Rx,y为关联组xy中未标定推荐度的对象,Ry表示y的推荐度,p是预定的推荐度传播概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510912090.6A CN105608111B (zh) | 2015-12-11 | 2015-12-11 | 向终端用户推荐对象的方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510912090.6A CN105608111B (zh) | 2015-12-11 | 2015-12-11 | 向终端用户推荐对象的方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105608111A CN105608111A (zh) | 2016-05-25 |
CN105608111B true CN105608111B (zh) | 2019-02-15 |
Family
ID=55988051
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510912090.6A Active CN105608111B (zh) | 2015-12-11 | 2015-12-11 | 向终端用户推荐对象的方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105608111B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107885774B (zh) * | 2017-09-29 | 2020-11-20 | 北京京东尚科信息技术有限公司 | 数据处理方法和*** |
CN109460519B (zh) * | 2018-12-28 | 2021-07-06 | 上海晶赞融宣科技有限公司 | 浏览对象推荐方法及装置、存储介质、服务器 |
CN111507768B (zh) * | 2020-04-17 | 2023-04-07 | 腾讯科技(深圳)有限公司 | 一种***的确定方法及相关装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521420A (zh) * | 2012-01-04 | 2012-06-27 | 西安电子科技大学 | 基于偏好模型的社会化过滤方法 |
CN102789462A (zh) * | 2011-05-18 | 2012-11-21 | 阿里巴巴集团控股有限公司 | 一种项目推荐方法及*** |
CN103177093A (zh) * | 2013-03-13 | 2013-06-26 | 北京开心人信息技术有限公司 | 一种基于对象标签的通用推荐方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8386406B2 (en) * | 2009-07-08 | 2013-02-26 | Ebay Inc. | Systems and methods for making contextual recommendations |
-
2015
- 2015-12-11 CN CN201510912090.6A patent/CN105608111B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102789462A (zh) * | 2011-05-18 | 2012-11-21 | 阿里巴巴集团控股有限公司 | 一种项目推荐方法及*** |
CN102521420A (zh) * | 2012-01-04 | 2012-06-27 | 西安电子科技大学 | 基于偏好模型的社会化过滤方法 |
CN103177093A (zh) * | 2013-03-13 | 2013-06-26 | 北京开心人信息技术有限公司 | 一种基于对象标签的通用推荐方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN105608111A (zh) | 2016-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
De Koning et al. | Models of co-creation | |
CN109559208A (zh) | 一种信息推荐方法、服务器及计算机可读介质 | |
CN105608111B (zh) | 向终端用户推荐对象的方法及*** | |
EP2645324A1 (en) | Method for recommending items and recommendation system | |
TW201248435A (en) | Method and apparatus of providing suggested terms | |
CN105023178B (zh) | 一种基于本体的电子商务推荐方法 | |
WO2007127296A3 (en) | System and method to work with multiple pair-wise related entities | |
CN103970761A (zh) | 一种商品数据搜索方法及装置 | |
CN110111167A (zh) | 一种确定推荐对象的方法和装置 | |
Nair et al. | Streaming big data analysis for real-time sentiment based targeted advertising | |
CN103942193B (zh) | 一种信息推送的方法及装置 | |
US20140280209A1 (en) | Method, A System and a Computer Program Product for Scoring a Profile in Social Networking System | |
CN106959949B (zh) | 一种用于推荐***的数据结构化处理方法 | |
CN106354855A (zh) | 一种推荐方法及*** | |
CN109101563A (zh) | 一种对象推荐方法、装置、介质以及设备 | |
Almaghrabi et al. | A deep learning based collaborative neural network framework for recommender system | |
CN111104606A (zh) | 一种基于权重的条件游走图推荐方法 | |
CN104331490B (zh) | 网络数据处理方法及装置 | |
CN109615466A (zh) | 面向移动订餐***的内容推荐和协同过滤推荐的混合方法 | |
CN104199843B (zh) | 一种基于社会网络交互数据的服务排序及推荐方法与*** | |
CN109447722A (zh) | 一种电商平台的商品定价方法 | |
Arablooye Moghaddam et al. | Identifying and Investigating Types of Consumer Relationships with Brand Communities on Instagram | |
CN106599074A (zh) | 协同过滤推荐***中的用户时间相关相似度的计算方法 | |
Sayyed et al. | Generating recommendations for stock market using collaborative filtering | |
US9330360B1 (en) | Recommendation engine rationalization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |