CN106157114A - 基于用户用餐行为建模的首页推荐算法 - Google Patents
基于用户用餐行为建模的首页推荐算法 Download PDFInfo
- Publication number
- CN106157114A CN106157114A CN201610525045.XA CN201610525045A CN106157114A CN 106157114 A CN106157114 A CN 106157114A CN 201610525045 A CN201610525045 A CN 201610525045A CN 106157114 A CN106157114 A CN 106157114A
- Authority
- CN
- China
- Prior art keywords
- user
- homepage
- behavior
- data
- proposed algorithm
- 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.)
- Pending
Links
Classifications
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0641—Shopping interfaces
-
- 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
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
- G06Q30/0271—Personalized advertisement
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0277—Online advertisement
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0282—Rating or review of business operators or products
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于用户用餐行为建模的首页推荐算法,其包括:步骤1,利用应用端埋点的方法获取用户所有应用操作行为数据;步骤2,使用SVM对所有用户数据进行聚类分析,形成一个预分类;步骤3,假设预分类中每一分类用户行为相近,再对每一分类的用户进行建模,然后对每一分类中的用户行为模型使用神经网络对此分类中所有用户数据进行学习,反复迭代后获得最优的解;步骤4,利用所得到的模型,代入用户最近的行为数据,实时得到此用户的推荐信息。本发明解决了现行方法中相对固化、无法提高推荐转化率的困难,通过SVM预分类确定分类用户模型,并通过实时的算法模型动态推荐,降低了维护成本,提高了首页的推荐转化率。
Description
技术领域
本发明涉及个性化推荐技术,尤其是涉及一种基于用户用餐行为建模的首页推荐算法。
背景技术
当前各种类型的用餐平台、应用层出不穷,如何更好地向目标用户主动推送合适的餐厅,并诱使其进行订餐消费,对餐饮相关的应用来说,是一个重要的命题。
以下以订餐应用为例,通常在应用的首页,会有专门的版块用于展示向用户推荐的餐厅。常用的方法主要是从以下几方面切入:
一、出于企业自身的利润率考虑,会将企业自身能够获得高利润的餐厅放在首页推荐;
二、出于用户消费行为热点考虑,将用户热点消费的餐厅置于首页;
三、出于活动、企业合作的需要,将相关的餐厅置于首页推荐;
四、基于用户间消费行为的相关性分析,将一用户曾经的消费商户推荐于另一用户的首页;
五、基于大量用户消费数据的大数据分析推荐。
对于企业消费订餐来说,当前现行的若干种首页推荐算法仅仅是可以做到推荐,但对于用户消费转化仍存在一定的缺失。无论是出于企业自身角度考虑的推荐行为,还是基于用户已有消费结果的推荐行为,都会受限于用户当前消费行为,同所推荐餐厅并不吻合。即使是通过大量数据的分析,仍有很大可能,由于用户间行为差异过大,分析模型过拟合,导致最终的推荐南辕北辙。另外一方面,上述各种推荐方法大都需要通过后台设置,仅在一定时间内有效,需要人力不断的更新,丧失了时效性。最终用户通过推荐餐厅的转化率并不能显著提升,并且还需要人力不断的维护相应的推荐功能。很难对用户提供真正的价值,更难为企业提高用户转化率及收益。
发明内容
本发明的目的在于提供一种基于用户用餐行为建模的首页推荐算法,其作为动态的、基于用户行为建模的实时推荐算法,通过采集用户的消费行为、应用的操作行为、对过往消费的评价,以及用户实际消费转化的行为,建立用户的实时消费行为模型,通过对大量用户的数据收集,对消费模型进行学习改进,使用模型动态地在用户首页,实时推荐给用户一些符合其消费行为,当前消费兴趣的餐厅,最终提高用户的推荐订餐转化率。
为解决上述技术问题,本发明的实施方式提供了一种基于用户用餐行为建模的首页推荐算法,其包括:
步骤1,利用应用端埋点的方法获取用户所有应用操作行为数据;
步骤2,使用SVM对所有用户数据进行聚类分析,形成一个预分类;
步骤3,假设预分类中每一分类用户行为相近,再对每一分类的用户进行建模,然后对每一分类中的用户行为模型使用神经网络对此分类中所有用户数据进行学习,反复迭代后获得最优的解;
步骤4,利用所得到的模型,代入用户最近的行为数据,实时得到此用户的推荐信息;
其中,步骤3通过不断的迭代更新而保证模型的实时性。
步骤1中,所采集的用户数据包括搜索条件、点选餐厅、消费数据、评价数据、功能停留时间。
步骤3中,所述神经网络为多隐层BP神经网络。
步骤3中,所述神经网络是53个输入节点、5个输出节点的神经网络。
步骤3中,迭代目标为用户最多消费前5的餐厅。
本发明解决了现行方法中相对固化、无法提高推荐转化率的困难,通过SVM预分类确定分类用户模型,并通过实时的算法模型动态推荐,也不再需要专人对推荐餐厅进行维护,降低了一定的维护成本,提高了首页的推荐转化率。
附图说明
图1为本发明基于用户用餐行为建模的首页推荐算法中预分类训练流程图;
图2为本发明基于用户用餐行为建模的首页推荐算法中神经网络结构图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施例,进一步阐述本发明。
本发明实施例所提供的一种基于用户用餐行为建模的首页推荐算法旨在通过采集用户的消费行为、应用的操作行为、对过往消费的评价,以及用户实际消费转化的行为,建立用户的实时消费行为模型;通过对大量用户的数据收集,对消费模型进行学习改进,使用模型动态地在用户首页,实时推荐给用户一些符合其消费行为,当前消费兴趣的餐厅,最终提高用户的推荐订餐转化率。
就本发明所提供的基于用户用餐行为建模的首页推荐算法具有以下步骤:
第一步,利用应用端埋点的方法获取用户所有应用操作行为数据,在用户的客户端采用埋点程序进行数据采集属于现有技术,在此不加以赘述,而针对该步骤中进行数据采集需要作出如下说明:在数据采集过程中,使用客户端应用的日志模块,对用户的所有操作行为进行“打点”记录,并回传服务器,再收集该用户的消费行为数据,综合其历史评价数据等,形成每个用户独立的用户行为数据库,当前已有11770名用户数据,去除过低活跃度用户,共有11329份用户数据可使用,采集到的部分用户数据示例参见表1,该表格以源数据用户ID为1234进行相应说明,在表1中,具有用户ID字段、用户相关字段、订单相关字段、餐厅相关字段、医院相关字段、操作相关字段,而用户相关字段进一步细分为用户性别、平均客单价,订单相关字段进一步细分为订单数量、下单时间分布、用餐时间分布,餐厅相关字段进一步细分为用餐餐厅记录、餐厅点击记录、餐厅搜索记录、餐厅人均、菜系,医院相关字段进一步细分为医院点击、医院位置,而操作相关进一步细分为订单入口点击,在表1中,包括源数据、预处理后的学习用数据以及归一化后数据,餐厅相关字段为例,其餐厅搜索记录中源数据为:俏江南,外卖,川菜;预处理后的学习用数据为:俏江南,外卖,川菜;归一化后数据为:俏江南,外卖,川菜。表1中上述数据具有原始数据之外,进一步囊括了第二步中对于数据的处理内容。
第二步,采集到原始数据之后则需要使用SVM对所有用户数据进行聚类分析,形成一个预分类,此步骤是针对获取的数据进行SVM的训练,而本发明是使用SVM进行聚类,具体的预分类训练流程图参见图1所示,在针对采集到的数据进行归一化处理时,仅数值类数据进行归一化,具体的数据信息参见表1,考虑凌晨用户不再活跃,则通过每天凌晨对所有用户行为数据进行SVC预分类,确定用户所属的细分用户群体,由于SVC属于无监督非参数的聚类算法,可以很好的处理大量的用户特征数据,而无需制定初始的聚类核,将11329名用户当天最新的用户数据预处理后得到每个用户不同的画像数据(53维)导入SVC进行分类,得到的结果参见表2。
表2
分类 | I | II | III | IV | V | VI |
每类用户数量 | 3277 | 2546 | 2344 | 1995 | 1043 | 124 |
需要说明的是,预分类的结果作为自然形成的数据,无需明确进行界定,本发明只需知晓具体有几类即可,例如表2所示的六类,例如I类用户数量为3277,II类用户数量为2546,III类用户数量为2344,IV类用户数量为1995,V类用户数量为1043,VI类用户数量为124。
第三步,假设预分类中每一分类用户行为相近,再对每一分类的用户进行建模,然后对每一分类中的用户行为模型使用神经网络对此分类中所有用户数据进行学习,反复迭代后获得最优的解,具体地将,完成预分类后,对所得到的分类内用户使用多隐层BP神经网络(基于LM进行收敛计算),进行用户行为模型的学习优化,使用所有类内用户数据,使用多隐层的神经网络结构可以将复杂的用户行为更为精确的建模,神经网络结构参见图2所示,神经网络结构参数如下:使用53个输入节点,3隐层,5输出节点(以用户最多消费前5的餐厅作为迭代目标)神经网络,使用Sigmod激励函数,以I类用户为例,进行学习迭代后,大致于80次迭代时收敛于0.12误差。
第四步,学习所得到的各分类的模型后,每10分钟,使用最新的用户行为数据,对用户的推荐餐厅进行更新,以保证用户得到实时的餐厅推荐,推荐信息参见表3。
表3
用户ID | 原推荐餐厅 | 现推荐餐厅 |
1234 | 1829,2854,2287,11938,22354 | 22354,22842,1892,11938,2584 |
全文略去了对于公知技术的描述。
Claims (5)
1.一种基于用户用餐行为建模的首页推荐算法,其特征在于,包括:
步骤1,利用应用端埋点的方法获取用户所有应用操作行为数据;
步骤2,使用SVM对所有用户数据进行聚类分析,形成一个预分类;
步骤3,假设预分类中每一分类用户行为相近,再对每一分类的用户进行建模,然后对每一分类中的用户行为模型使用神经网络对此分类中所有用户数据进行学习,反复迭代后获得最优的解;
步骤4,利用所得到的模型,代入用户最近的行为数据,实时得到此用户的推荐信息;
其中,步骤3通过不断的迭代更新而保证模型的实时性。
2.根据权利要求1所述的基于用户用餐行为建模的首页推荐算法,其特征在于,步骤1中,所采集的用户数据包括搜索条件、点选餐厅、消费数据、评价数据、功能停留时间。
3.根据权利要求1所述的基于用户用餐行为建模的首页推荐算法,其特征在于,步骤3中,所述神经网络为多隐层BP神经网络。
4.根据权利要求1或3所述的基于用户用餐行为建模的首页推荐算法,其特征在于,步骤3中,所述神经网络是53个输入节点、5个输出节点的神经网络。
5.根据权利要求1所述的基于用户用餐行为建模的首页推荐算法,其特征在于,步骤3中,迭代目标为用户最多消费前5的餐厅。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610525045.XA CN106157114A (zh) | 2016-07-06 | 2016-07-06 | 基于用户用餐行为建模的首页推荐算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610525045.XA CN106157114A (zh) | 2016-07-06 | 2016-07-06 | 基于用户用餐行为建模的首页推荐算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106157114A true CN106157114A (zh) | 2016-11-23 |
Family
ID=58061140
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610525045.XA Pending CN106157114A (zh) | 2016-07-06 | 2016-07-06 | 基于用户用餐行为建模的首页推荐算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106157114A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107196788A (zh) * | 2017-05-02 | 2017-09-22 | 阿里巴巴集团控股有限公司 | 一种埋点数据的处理方法、装置、服务器及客户端 |
CN107239978A (zh) * | 2017-06-23 | 2017-10-10 | 北京好豆网络科技有限公司 | 美食内容的分析方法和装置 |
CN107453946A (zh) * | 2017-07-20 | 2017-12-08 | 阿里巴巴集团控股有限公司 | 字段管理方法及装置和电子设备 |
CN108319542A (zh) * | 2017-01-17 | 2018-07-24 | 百度在线网络技术(北京)有限公司 | 信息处理方法、装置及*** |
CN108364067A (zh) * | 2018-01-05 | 2018-08-03 | 华南师范大学 | 基于数据分割的深度学习方法以及机器人*** |
CN108921673A (zh) * | 2018-07-16 | 2018-11-30 | 广州友米科技有限公司 | 基于大数据的商品推荐方法 |
CN114240518A (zh) * | 2022-02-17 | 2022-03-25 | 檀沐信息科技(深圳)有限公司 | 一种基于大数据的用户管理分析方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040172267A1 (en) * | 2002-08-19 | 2004-09-02 | Jayendu Patel | Statistical personalized recommendation system |
CN104615608A (zh) * | 2014-04-28 | 2015-05-13 | 腾讯科技(深圳)有限公司 | 一种数据挖掘处理***及方法 |
US20160048537A1 (en) * | 2014-08-15 | 2016-02-18 | Hungry-For-More Enterprises, L.L.C. | System and computer method for visually guiding a user to a current interest |
-
2016
- 2016-07-06 CN CN201610525045.XA patent/CN106157114A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040172267A1 (en) * | 2002-08-19 | 2004-09-02 | Jayendu Patel | Statistical personalized recommendation system |
CN104615608A (zh) * | 2014-04-28 | 2015-05-13 | 腾讯科技(深圳)有限公司 | 一种数据挖掘处理***及方法 |
US20160048537A1 (en) * | 2014-08-15 | 2016-02-18 | Hungry-For-More Enterprises, L.L.C. | System and computer method for visually guiding a user to a current interest |
Non-Patent Citations (1)
Title |
---|
王国霞等: ""个性化推荐***综述"", 《计算机工程与应用》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108319542A (zh) * | 2017-01-17 | 2018-07-24 | 百度在线网络技术(北京)有限公司 | 信息处理方法、装置及*** |
CN107196788A (zh) * | 2017-05-02 | 2017-09-22 | 阿里巴巴集团控股有限公司 | 一种埋点数据的处理方法、装置、服务器及客户端 |
CN107239978A (zh) * | 2017-06-23 | 2017-10-10 | 北京好豆网络科技有限公司 | 美食内容的分析方法和装置 |
CN107453946A (zh) * | 2017-07-20 | 2017-12-08 | 阿里巴巴集团控股有限公司 | 字段管理方法及装置和电子设备 |
CN107453946B (zh) * | 2017-07-20 | 2020-07-17 | 阿里巴巴集团控股有限公司 | 字段管理方法及装置和电子设备 |
CN108364067A (zh) * | 2018-01-05 | 2018-08-03 | 华南师范大学 | 基于数据分割的深度学习方法以及机器人*** |
CN108364067B (zh) * | 2018-01-05 | 2023-11-03 | 华南师范大学 | 基于数据分割的深度学习方法以及机器人*** |
CN108921673A (zh) * | 2018-07-16 | 2018-11-30 | 广州友米科技有限公司 | 基于大数据的商品推荐方法 |
CN108921673B (zh) * | 2018-07-16 | 2021-06-01 | 广州天高软件科技有限公司 | 基于大数据的商品推荐方法 |
CN114240518A (zh) * | 2022-02-17 | 2022-03-25 | 檀沐信息科技(深圳)有限公司 | 一种基于大数据的用户管理分析方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106157114A (zh) | 基于用户用餐行为建模的首页推荐算法 | |
López-Robles et al. | Understanding the intellectual structure and evolution of Competitive Intelligence: A bibliometric analysis from 1984 to 2017 | |
Evans et al. | A dynamic model of household decision-making and parcel level landcover change in the eastern Amazon | |
Ha et al. | Application of data mining tools to hotel data mart on the Intranet for database marketing | |
CN108256119A (zh) | 一种资源推荐模型的构建方法及基于该模型的资源推荐方法 | |
VanWey et al. | Theories underlying the study of human-environment interactions | |
Karali et al. | The effect of farmer attitudes and objectives on the heterogeneity of farm attributes and management in Switzerland | |
Brown et al. | Integration of social spatial data to assess conservation opportunities and priorities | |
Nohuddin et al. | Finding “interesting” trends in social networks using frequent pattern mining and self organizing maps | |
van Leeuwen et al. | Determinants of off-farm income and its local patterns: A spatial microsimulation of Dutch farmers | |
Dossche et al. | Detecting people’s and landscape’s identity in a changing mountain landscape. An example from the northern Apennines | |
CN107885857B (zh) | 一种搜索结果页用户行为模式挖掘方法、装置及*** | |
CN108897778A (zh) | 一种基于多源大数据分析的图像标注方法 | |
CN109934615A (zh) | 基于深度稀疏网络的产品营销方法 | |
CN107729377A (zh) | 基于数据挖掘的顾客分类方法与*** | |
CN108959580A (zh) | 一种标签数据的优化方法及*** | |
Whitsed et al. | A hybrid genetic algorithm with local optimiser improves calibration of a vegetation change cellular automata model | |
CN110109902A (zh) | 一种基于集成学***台推荐*** | |
Kobayashi et al. | Aesthetic design based on the analysis of questionnaire results using deep learning techniques | |
CN110489665B (zh) | 一种基于情景建模和卷积神经网络的微博个性化推荐方法 | |
CN107220321A (zh) | 一种文景转换中实体三维具体化的方法及其*** | |
Chouhan et al. | A survey and analysis of various agricultural crops classification techniques | |
Ferguson | Permaculture as farming practice and international grassroots network: a multidisciplinary study | |
CN110264311A (zh) | 一种基于深度学习的商业推广信息精准推荐方法及*** | |
CN107967338A (zh) | 一种个人日常行为数据的多维分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161123 |
|
RJ01 | Rejection of invention patent application after publication |