CN106095746A - 文字情感辨识***及方法 - Google Patents

文字情感辨识***及方法 Download PDF

Info

Publication number
CN106095746A
CN106095746A CN201610382003.5A CN201610382003A CN106095746A CN 106095746 A CN106095746 A CN 106095746A CN 201610382003 A CN201610382003 A CN 201610382003A CN 106095746 A CN106095746 A CN 106095746A
Authority
CN
China
Prior art keywords
word
data
linear
layer
abstract
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.)
Granted
Application number
CN201610382003.5A
Other languages
English (en)
Other versions
CN106095746B (zh
Inventor
谢维容
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.)
Intelligent Technology (shanghai) Co Ltd
Original Assignee
Intelligent Technology (shanghai) 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 Intelligent Technology (shanghai) Co Ltd filed Critical Intelligent Technology (shanghai) Co Ltd
Priority to CN201610382003.5A priority Critical patent/CN106095746B/zh
Publication of CN106095746A publication Critical patent/CN106095746A/zh
Application granted granted Critical
Publication of CN106095746B publication Critical patent/CN106095746B/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
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Machine Translation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种文字情感辨识***及方法，其中，***包括：文字接收装置，用于接收被测文字，并将被测文字转换为文字向量；神经网络层，用于对文字向量进行处理，以获得文字抽象表征数据；线性层，用于对文字抽象表征数据进行线性化，以获得线性数据；情感分析装置，用于根据线性数据计算被测文字所对应的情感标签数据，并通过情感标签数据对被测文字进行情感辨识。本发明提供的文字情感辨识***及方法，能够使得当被测文字中不包含有情感关键词时，依旧可以对被测文字进行情感辨识。

Description

文字情感辨识***及方法
技术领域
本发明涉及机器学习领域，尤其涉及一种文字情感辨识***及方法。
背景技术
随着计算机技术的不断发展，情感辨识已然成为人机交互领域的重要研究内容。目前，文字情感辨识***通常是通过先提取被测的某段文字中的情感关键词，然后再对所提取的情感关键词进行情感匹配，进而对该段文字的情感进行辨识。但是，现有的文字情感辨识***的缺点在于，当被测的某段文字中不包含有情感关键词时，则无法判断出该段文字所呈现的情感。
发明内容
本发明要解决的技术问题是提供一种文字情感辨识***及方法，使得当被测文字中不包含有情感关键词时，依旧可以对被测文字进行情感辨识。
为解决上述技术问题，本发明的技术方案是，
一方面，本发明提供一种文字情感辨识***，包括：文字接收装置，用于接收被测文字，并将被测文字转换为文字向量；神经网络层，用于对文字向量进行处理，以获得文字抽象表征数据；线性层，用于对文字抽象表征数据进行线性化，以获得线性数据；情感分析装置，用于根据线性数据计算被测文字所对应的情感标签数据，并通过情感标签数据对被测文字进行情感辨识。
进一步地，神经网络层包括依次连接的第一层神经网络和第二层神经网络；第一层神经网络，接收文字向量，并对文字向量进行抽象表征，以获得第一文字抽象表征数据；第二层神经网络，接收第一文字抽象表征数据，并对第一文字抽象表征数据进行进一步抽象表征，以获得文字抽象表征数据。
进一步地，第一层神经网络为长短期记忆人工神经网络；第二层神经网络为细胞式类神经网络。
进一步地，***采用文字抽象表征数据进行自学习。
进一步地，线性层至少有一层。
进一步地，线性层有三层，分别为第一线性层，第二线性层和第三线性层；第一线性层，接收文字抽象表征数据，并对文字抽象表征数据进行线性化处理，以获得第一线性数据；第二线性层，接收第一线性数据，并对第一线性数据进行线性化处理，以获得第二线性数据；第三线性层，接收第二线性数据，并对第二线性数据进行线性化处理，以获得线性数据。
另一方面，本发明提供一种文字情感辨识方法，包括：文字接收装置接收被测文字，并将被测文字转换为文字向量；神经网络层对文字向量进行处理，以获得文字抽象表征数据；线性层对文字抽象表征数据进行线性化，以获得线性数据；情感分析装置根据线性数据计算被测文字所对应的情感标签数据，并通过情感标签数据对被测文字进行情感辨识。
进一步地，神经网络层包括依次连接的第一层神经网络和第二层神经网络；第一层神经网络，接收文字向量，并对文字向量进行抽象表征，以获得第一文字抽象表征数据；第二层神经网络，接收第一文字抽象表征数据，并对第一文字抽象表征数据进行进一步抽象表征，以获得文字抽象表征数据。
进一步地，第一层神经网络为长短期记忆人工神经网络；第二层神经网络为细胞式类神经网络。
本发明提供的文字情感辨识***及方法，在接收到被测文字之后，先将该被测文字转换成文字向量，再将该文字向量输入到神经网络层中进行处理以获得对应于被测文字的文字抽象表征数据，之后再将文字抽象表征数据输入到线性层中，通过线性层对文字抽象表征数据进行线性化以降低文字抽象表征数据的维度，从而获得线性数据；最后再根据线性数据计算出对应于被测文字的情感标签数据，并通过该情感标签数据与预设的情感数据进行匹配，从而实现对被测文字进行情感辨识。
本发明的文字情感辨识***及方法，采用神经网络层和线性层对被测文字进行情感辨识，其中，神经网络层使用神经网络算法对文字向量进行处理，获得可有助于进行机器自学习的文字抽象表征数据；线性层则是对文字抽象表征数据进行线性化处理，以降低数据维度，从而降低计算复杂度。在神经网络层和线性层的共同作用下，本发明的文字情感辨识***及方法，利用神经网络的自学习功能，无论被测文字中是否包含有情感关键词，都可以对被测文字进行情感辨识。
附图说明
图1是本发明实施例提供的一种文字情感辨识***的框图；
图2是本发明实施例提供的一种文字情感辨识方法的流程图。
具体实施方式
下面通过具体的实施例进一步说明本发明，但是，应当理解为，这些实施例仅仅是用于更详细具体地说明之用，而不应理解为用于以任何形式限制本发明。
实施例一
结合图1，本实施例提供的文字情感辨识***，包括：
文字接收装置1：用于接收被测文字，并将被测文字转换为文字向量；
神经网络层2：用于对文字向量进行处理，以获得文字抽象表征数据；
线性层3：用于对文字抽象表征数据进行线性化，以获得线性数据；
情感分析装置4：用于根据线性数据计算被测文字所对应的情感标签数据，并通过情感标签数据对被测文字进行情感辨识。
本发明实施例提供的文字情感辨识***，在接收到被测文字之后，先将该被测文字转换成文字向量，再将该文字向量输入到神经网络层2中进行处理以获得对应于被测文字的文字抽象表征数据，之后再将文字抽象表征数据输入到线性层3中，通过线性层3对文字抽象表征数据进行线性化以降低文字抽象表征数据的维度，从而获得线性数据；最后再根据线性数据计算出对应于被测文字的情感标签数据，并通过该情感标签数据与预设的情感数据进行匹配，从而实现对被测文字进行情感辨识。
本发明实施例的文字情感辨识***，采用神经网络层2和线性层3对被测文字进行情感辨识，其中，神经网络层2使用神经网络算法对文字向量进行处理，获得可有助于进行机器自学习的文字抽象表征数据；线性层3则是对文字抽象表征数据进行线性化处理，以降低数据维度，从而降低计算复杂度。在神经网络层2和线性层3的共同作用下，本发明实施例的文字情感辨识***，利用神经网络算法的自学习功能，无论被测文字中是否包含有情感关键词，都可以对被测文字进行情感辨识。
优选地，神经网络层2包括依次连接的第一层神经网络和第二层神经网络；第一层神经网络，接收文字向量，并对文字向量进行抽象表征，以获得第一文字抽象表征数据；第二层神经网络，接收第一文字抽象表征数据，并对第一文字抽象表征数据进行进一步抽象表征，以获得文字抽象表征数据。
进一步优选地，第一层神经网络为长短期记忆人工神经网络(Long-Short TermMemory，LSTM)；第二层神经网络为细胞式类神经网络(Cellular neural network，CNN)。长短期记忆人工神经网络是机器学习架构的一种，其作用在于，将文字向量转换成抽象的表征；细胞式类神经网络也是属于机器学习架构的一种，其作用在于，将通过长短期记忆人工神经网络所获得的抽象的表征再更进一步地转换成更抽象的表征。本实施采用第一层神经网络和第二层神经网络共同作用，能够更加准确地对被测文字的情感进行辨识。
优选地，***采用文字抽象表征数据进行自学习。本实施例的***，在对被测文字的情感进行辨识的同时，也是在进行自学习，本实施例采用长短期记忆人工神经网络获得的第一文字抽象表征数据进行自学习，同时再采用细胞式类神经网络获得的更抽象的文字抽象表征数据进行进一步的自学习，通过双重的自学习之后，能够提高整个网络层的机器自学习能力，也就是说，通过不断地对***进行测试之后，整个***能够准确地对被测文字的情感进行辨识。
进一步地，线性层3至少有一层。线性层3的作用在于对获得的庞大数据进行线性化，从而降低数据维度，从而降低计算复杂度。本实施例中，线性层3至少有一层，线性层3的数量越多可以将数据的维度降得更低，但是越多的线性层3则意味着在对数据进行线性化的过程具有比较大的计算量。
优选地，线性层3有三层，分别为第一线性层，第二线性层和第三线性层；第一线性层，接收文字抽象表征数据，并对文字抽象表征数据进行线性化处理，以获得第一线性数据；第二线性层，接收第一线性数据，并对第一线性数据进行线性化处理，以获得第二线性数据；第三线性层，接收第二线性数据，并对第二线性数据进行线性化处理，以获得线性数据。三个线性层既能够将数据维度降低到***需要的维度上，又能够不因为线性化而增加过多的计算量。
实施例二
结合图1，本实施例提供的文字情感辨识方法，包括：
步骤S1：文字接收装置1接收被测文字，并将被测文字转换为文字向量；
步骤S2：神经网络层2对文字向量进行处理，以获得文字抽象表征数据；
步骤S3：线性层3对文字抽象表征数据进行线性化，以获得线性数据；
步骤S4：情感分析装置4根据线性数据计算被测文字所对应的情感标签数据，并通过情感标签数据对被测文字进行情感辨识。
本发明实施例提供的文字情感辨识方法，在接收到被测文字之后，先将该被测文字转换成文字向量，再将该文字向量输入到神经网络层2中进行处理以获得对应于被测文字的文字抽象表征数据，之后再将文字抽象表征数据输入到线性层3中，通过线性层3对文字抽象表征数据进行线性化以降低文字抽象表征数据的维度，从而获得线性数据；最后再根据线性数据计算出对应于被测文字的情感标签数据，并通过该情感标签数据与预设的情感数据进行匹配，从而实现对被测文字进行情感辨识。
本发明实施例的文字情感辨识方法，采用神经网络层2和线性层3对被测文字进行情感辨识，其中，神经网络层2使用神经网络算法对文字向量进行处理，获得可有助于进行机器自学习的文字抽象表征数据；线性层3则是对文字抽象表征数据进行线性化处理，以降低数据维度，从而降低计算复杂度。在神经网络层2和线性层3的共同作用下，本发明实施例的文字情感辨识方法，利用神经网络算法的自学习功能，无论被测文字中是否包含有情感关键词，都可以对被测文字进行情感辨识。
优选地，神经网络层2包括依次连接的第一层神经网络和第二层神经网络；第一层神经网络，接收文字向量，并对文字向量进行抽象表征，以获得第一文字抽象表征数据；第二层神经网络，接收第一文字抽象表征数据，并对第一文字抽象表征数据进行进一步抽象表征，以获得文字抽象表征数据。
进一步优选地，第一层神经网络为长短期记忆人工神经网络(Long-Short TermMemory，LSTM)；第二层神经网络为细胞式类神经网络(Cellular neural network，CNN)。长短期记忆人工神经网络是机器学习架构的一种，其作用在于，将文字向量转换成抽象的表征；细胞式类神经网络也是属于机器学习架构的一种，其作用在于，将通过长短期记忆人工神经网络所获得的抽象的表征再更进一步地转换成更抽象的表征。本实施采用第一层神经网络和第二层神经网络共同作用，能够更加准确地对被测文字的情感进行辨识。
优选地，采用文字抽象表征数据进行自学习。本实施例在对被测文字的情感进行辨识的同时，也是在进行自学习，本实施例采用长短期记忆人工神经网络获得的第一文字抽象表征数据进行自学习，同时再采用细胞式类神经网络获得的更抽象的文字抽象表征数据进行进一步的自学习，通过双重的自学习之后，能够提高整个网络层的机器自学习能力，也就是说，通过不断地进行测试之后，本实施例的方法能够准确地对被测文字的情感进行辨识。
进一步地，线性层3至少有一层。线性层3的作用在于对获得的庞大数据进行线性化，从而降低数据维度，从而降低计算复杂度。本实施例中，线性层3至少有一层，线性层3的数量越多可以将数据的维度降得更低，但是越多的线性层3则意味着在对数据进行线性化的过程具有比较大的计算量。
优选地，线性层3有三层，分别为第一线性层，第二线性层和第三线性层；第一线性层，接收文字抽象表征数据，并对文字抽象表征数据进行线性化处理，以获得第一线性数据；第二线性层，接收第一线性数据，并对第一线性数据进行线性化处理，以获得第二线性数据；第三线性层，接收第二线性数据，并对第二线性数据进行线性化处理，以获得线性数据。三个线性层既能够将数据维度降低到需要的维度上，又能够不因为线性化而增加过多的计算量。
尽管本发明已进行了一定程度的描述，明显地，在不脱离本发明的精神和范围的条件下，可进行各个条件的适当变化。可以理解，本发明不限于所述实施方案，而归于权利要求的范围，其包括所述每个因素的等同替换。

Claims (9)

1.一种文字情感辨识***，其特征在于，包括：
文字接收装置：用于接收被测文字，并将所述被测文字转换为文字向量；
神经网络层：用于对所述文字向量进行处理，以获得文字抽象表征数据；
线性层：用于对所述文字抽象表征数据进行线性化，以获得线性数据；
情感分析装置：用于根据所述线性数据计算所述被测文字所对应的情感标签数据，并通过所述情感标签数据对所述被测文字进行情感辨识。
2.根据权利要求1所述的文字情感辨识***，其特征在于，所述神经网络层包括依次连接的第一层神经网络和第二层神经网络；
所述第一层神经网络，接收所述文字向量，并对所述文字向量进行抽象表征，以获得第一文字抽象表征数据；
所述第二层神经网络，接收所述第一文字抽象表征数据，并对所述第一文字抽象表征数据进行进一步抽象表征，以获得所述文字抽象表征数据。
3.根据权利要求2所述的文字情感辨识***，其特征在于，
所述第一层神经网络为长短期记忆人工神经网络；
所述第二层神经网络为细胞式类神经网络。
4.根据权利要求1所述的文字情感辨识***，其特征在于，所述***采用所述文字抽象表征数据进行自学习。
5.根据权利要求1所述的文字情感辨识***，其特征在于，所述线性层至少有一层。
6.根据权利要求5所述的文字情感辨识***，其特征在于，所述线性层有三层，分别为第一线性层，第二线性层和第三线性层；
所述第一线性层，接收所述文字抽象表征数据，并对所述文字抽象表征数据进行线性化处理，以获得第一线性数据；
所述第二线性层，接收所述第一线性数据，并对所述第一线性数据进行线性化处理，以获得第二线性数据；
所述第三线性层，接收所述第二线性数据，并对所述第二线性数据进行线性化处理，以获得所述线性数据。
7.一种文字情感辨识方法，其特征在于，包括：
步骤S1：文字接收装置接收被测文字，并将所述被测文字转换为文字向量；
步骤S2：神经网络层对所述文字向量进行处理，以获得文字抽象表征数据；
步骤S3：线性层对所述文字抽象表征数据进行线性化，以获得线性数据；
步骤S4：情感分析装置根据所述线性数据计算所述被测文字所对应的情感标签数据，并通过所述情感标签数据对所述被测文字进行情感辨识。
8.根据权利要求7所述的文字情感辨识方法，其特征在于，所述神经网络层包括依次连接的第一层神经网络和第二层神经网络；
所述第一层神经网络，接收所述文字向量，并对所述文字向量进行抽象表征，以获得第一文字抽象表征数据；
所述第二层神经网络，接收所述第一文字抽象表征数据，并对所述第一文字抽象表征数据进行进一步抽象表征，以获得所述文字抽象表征数据。
9.根据权利要求8所述的文字情感辨识***，其特征在于，
所述第一层神经网络为长短期记忆人工神经网络；
所述第二层神经网络为细胞式类神经网络。
CN201610382003.5A 2016-06-01 2016-06-01 文字情感辨识***及方法 Active CN106095746B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610382003.5A CN106095746B (zh) 2016-06-01 2016-06-01 文字情感辨识***及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610382003.5A CN106095746B (zh) 2016-06-01 2016-06-01 文字情感辨识***及方法

Publications (2)

Publication Number Publication Date
CN106095746A true CN106095746A (zh) 2016-11-09
CN106095746B CN106095746B (zh) 2019-05-10

Family

ID=57446908

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610382003.5A Active CN106095746B (zh) 2016-06-01 2016-06-01 文字情感辨识***及方法

Country Status (1)

Country Link
CN (1) CN106095746B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106779817A (zh) * 2016-11-29 2017-05-31 竹间智能科技（上海）有限公司 基于多维度信息的意图识别方法及***
CN108763216A (zh) * 2018-06-01 2018-11-06 河南理工大学 一种基于中文数据集的文本情感分析方法
US10460731B2 (en) 2017-11-30 2019-10-29 Institute For Information Industry Apparatus, method, and non-transitory computer readable storage medium thereof for generating control instructions based on text

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7627475B2 (en) * 1999-08-31 2009-12-01 Accenture Llp Detecting emotions using voice signal analysis
CN102289514A (zh) * 2011-09-07 2011-12-21 中国科学院计算技术研究所 社会标签自动标注的方法以及社会标签自动标注器
CN102831184A (zh) * 2012-08-01 2012-12-19 中国科学院自动化研究所 根据对社会事件的文字描述来预测社会情感的方法及***
US20140058735A1 (en) * 2012-08-21 2014-02-27 David A. Sharp Artificial Neural Network Based System for Classification of the Emotional Content of Digital Music
CN103729459A (zh) * 2014-01-10 2014-04-16 北京邮电大学 一种构建情感分类模型的方法
CN104573046A (zh) * 2015-01-20 2015-04-29 成都品果科技有限公司 一种基于词向量的评论分析方法及***
CN105512687A (zh) * 2015-12-15 2016-04-20 北京锐安科技有限公司 训练情感分类模型和文本情感极性分析的方法及***
CN105740349A (zh) * 2016-01-25 2016-07-06 重庆邮电大学 一种结合Doc2vec和卷积神经网络的情感分类方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7627475B2 (en) * 1999-08-31 2009-12-01 Accenture Llp Detecting emotions using voice signal analysis
CN102289514A (zh) * 2011-09-07 2011-12-21 中国科学院计算技术研究所 社会标签自动标注的方法以及社会标签自动标注器
CN102831184A (zh) * 2012-08-01 2012-12-19 中国科学院自动化研究所 根据对社会事件的文字描述来预测社会情感的方法及***
US20140058735A1 (en) * 2012-08-21 2014-02-27 David A. Sharp Artificial Neural Network Based System for Classification of the Emotional Content of Digital Music
CN103729459A (zh) * 2014-01-10 2014-04-16 北京邮电大学 一种构建情感分类模型的方法
CN104573046A (zh) * 2015-01-20 2015-04-29 成都品果科技有限公司 一种基于词向量的评论分析方法及***
CN105512687A (zh) * 2015-12-15 2016-04-20 北京锐安科技有限公司 训练情感分类模型和文本情感极性分析的方法及***
CN105740349A (zh) * 2016-01-25 2016-07-06 重庆邮电大学 一种结合Doc2vec和卷积神经网络的情感分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吴晓婷 等: "数据降维方法分析与研究", 《计算机应用研究》 *
孙艳 等: "基于主题情感混合模型的无监督文本情感分析", 《北京大学学报(自然科学版)》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106779817A (zh) * 2016-11-29 2017-05-31 竹间智能科技（上海）有限公司 基于多维度信息的意图识别方法及***
US10460731B2 (en) 2017-11-30 2019-10-29 Institute For Information Industry Apparatus, method, and non-transitory computer readable storage medium thereof for generating control instructions based on text
CN108763216A (zh) * 2018-06-01 2018-11-06 河南理工大学 一种基于中文数据集的文本情感分析方法

Also Published As

Publication number Publication date
CN106095746B (zh) 2019-05-10

Similar Documents

Publication Publication Date Title
CN112037912A (zh) 基于医疗知识图谱的分诊模型训练方法、装置及设备
CN103514255B (zh) 一种基于项目层次类别的协同过滤推荐方法
Lu et al. Selective transfer learning for cross domain recommendation
CN105068993B (zh) 一种评估文本难度的方法
Ho et al. Testing the neutral hypothesis of phenotypic evolution
CN104978878A (zh) 微课教学***及方法
CN106095746A (zh) 文字情感辨识***及方法
Kurtz et al. Disentangling microbial associations from hidden environmental and technical factors via latent graphical models
CN106778278A (zh) 一种恶意文档检测方法及装置
Dai et al. Spatio-temporal modelling of dam deformation using independent component analysis
Huang et al. A quantitative analysis model of grid cyber physical systems
Li et al. Asymptotic analysis for blow-up solutions in parabolic equations involving variable exponents
Zhao et al. Mobile query recommendation via tensor function learning
CN113761185A (zh) 主键提取方法、设备及存储介质
CN104834958B (zh) 一种对答案的步骤进行评判的方法和装置
Xu et al. Fault diagnosis of complex industrial process using KICA and sparse SVM
CN103716234B (zh) 一种定位报文内存泄露的方法
CN104112147B (zh) 一种基于最近特征线的人脸特征提取方法
CN116701935A (zh) 敏感度预测模型训练方法、敏感信息处理方法及装置
CN102955715A (zh) 一种故障树的建立方法
CN104750692B (zh) 一种信息处理方法、信息检索方法及其对应的装置
Li et al. Fault isolation for nonlinear dynamic systems based on parameter intervals
CN105912727B (zh) 一种在线社交网络标注***中的快速推荐方法
CN106991024A (zh) 一种硬盘背板的检测方法和***
Rodríguez‐Girondo et al. Testing Markovianity in the three‐state progressive model via future‐past association

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