CN107818183B - 一种基于特征相似性度量的三阶段组合党建视频推荐方法 - Google Patents
一种基于特征相似性度量的三阶段组合党建视频推荐方法 Download PDFInfo
- Publication number
- CN107818183B CN107818183B CN201711266644.5A CN201711266644A CN107818183B CN 107818183 B CN107818183 B CN 107818183B CN 201711266644 A CN201711266644 A CN 201711266644A CN 107818183 B CN107818183 B CN 107818183B
- Authority
- CN
- China
- Prior art keywords
- user
- party
- video
- preference
- content
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/73—Querying
- G06F16/735—Filtering based on additional data, e.g. user or group profiles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本发明公开一种应用于党建视频推送的三阶段组合特征相似性度量的推荐方法,第一阶段,设计了基于内容的方法,目的是提取党建视频集中的目标特征;并根据训练用户集的偏好,历史行为特征对测试用户集推送党建视频。第二阶段,设计了基于用户的协同过滤方法,以用户属性特征及兴趣相似度为依据,对相似用户集进行有效的聚类划分。第三阶段,将党建视频推送至相似用户集,并计算不同职业属性的党员群体与相似用户子集间的隶属度,将已推送至各相似用户子集的视频逐一匹配推送至党员群体中。本发明考虑到党建信息化工作中,以党员的职业性质与视频源的用户相似度为根据,更有效的将来自社会媒体中的党建视频精准的推送到党员群体中。
Description
技术领域
本发明属于数据挖掘技术领域,特别涉及一种个性化的推荐技术。基于党建视频源观看人群的历史行为记录,用户属性特征,偏好特征,向具有不同职业背景的党员群体推送领域相关的党建视频。
技术背景
随着大数据科学,人工智能等领域的稳步发展,信息化和智能化成为党建工作随时代潮流兴起的必然趋势。网络媒体中各种党建相关的视频,其中的内容非常丰富。应该将这些网民关注度高,点击量大,制作精良的党建视频推送到党员群体队伍中。这对于党员群体在各自的职业工作中,能够及时接收并认真学习到有关理论方法,作风建设,组织建设及反腐倡廉等主题的优秀党建视频提供了推送途径。90年代中期产生的推荐***,目前在各种商业,科学研究,工业技术等领域急速发展。针对于推荐介质上,比如:文本,视频,音频等非结构化数据。目前,在推荐技术上主要包括:基于用户的协同过滤算法(UserCF),基于物品的协同过滤算法(ItemCF)以及基于内容特征的推荐算法等。这三种推荐算法广泛运用于推荐***的设计之中,各自的优缺点也较为突出,本发明结合了基于用户的协同过滤算法,基于内容特征的推荐算法以及文本分析相关算法,意在分成三个阶段,处理推送过程中独立模块的研究内容,具体到第一个阶段:运用基于内容的推荐算法将党建视频推送到单一用户个体层面。第二阶段则是将用户群体的属性特征与偏好相似度作为依据,以此来做聚类分析。结合第一阶段具体到每一用户上的推荐,生成相似用户群体各自独立的党建视频推送***。最后的阶段,主要是结合党员群体中不同职业属性,运用文本挖掘的相关算法将相似用户群体已推荐的党建视频匹配到不同职业的党员群体中去。本发明的实质是对特定内容范围的视频,通过基于内容,基于用户协同过滤的推荐技术与文本挖掘方法的改进与组合,将特定内容范围的视频推送至特定的,具有不同属性值的人群之中。
尹子都等提出了“一种Web 文本个性化推荐方法”(2017年8月11日授权公告,授权公告为:CN104615779A),通过用户行为的历史数据来获得用户偏好,向用户推荐感兴趣和潜在兴趣的Web文本;胡勋等提出的“一种融合项目特征和移动用户信任关系的推荐算法”(<软件学报>,2014年)提出了一种基于移动用户间信任度的评分预测算法;付畅俭等提出了“挖掘视频层次结构,改善视频管理”(<计算机应用研究>,2007年)对视频数据挖掘的理论,结构,语法,语义上面探讨了数据挖掘的方法及应用;金亮等提出了“基于聚类层次模型的视频推荐算法”(<计算机应用>,2017年)详细阐述了在视频推荐***中运用聚类层次模型构建推荐算法。
然而,现有的视频推荐技术基本都是在待推荐***上针对用户偏好、历史行为记录,在该***上对意向用户进行推荐,并未从不同源视频地址,挖掘出对应用户偏好行为,属性特征;并分析此类特征匹配的人群,以此推广至拟推送的特定人群之中。因此,本专利的特点在于丰富了党建信息化精准推送领域;针对广大不同职业背景的党员群体,将最相关公共媒体视频推送至此类人群中;本专利中涉及的算法创新之处在于:主要依据党建视频内容特征,用户群体属性特征与偏好特征,提出了用户属性匹配度与偏好相似度的加权组合计算;并分阶段运用两种不同的推荐算法,提取以内容特征为依据的个体用户内容推荐推广到以用户集相似度为依据的用户子集关联推荐,而后,融合文本挖掘算法计算用户子集与党员群体的隶属度,精准地匹配最相关内容特征的党建视频推送至此类特定群体。
发明内容
针对现有技术中存在的不足,本发明的目的在于提出一种针对特定内容推荐至特定人群中的推荐方法:基于三阶段组合推荐技术的党建视频推送方法。具体来说,本发明的具体技术方案包括:
第一阶段:基于视频内容的方法:提取党建视频集中的目标特征并根据训练用户集的偏好,历史行为特征对测试用户集推送党建视频;
步骤1:对党建视频集进行初始定义,其中表示第个源视频。每个源视频都具有的相关属性:标题,内容,点击量及时长。针对党建视频观看的用户集进行初始定义,其中表示已观看党建视频某一个用户,为提取的视频集关联的所有用户。党建视频推送的最终对象:党员群体,是已知不同职业范围的特定人群,其中表示已知某职业属性的一个党员;
步骤2.1:对于网络中存储的海量党建视频,首先应对其进行相关特征的筛选;筛选的相关特征包括:目标年限,字幕,时长;
步骤3.4:遍历所有训练用户集,找出对应于用户测试集中每一用户拟推荐的党建视频;
步骤4:根据用户在党建视频内容特征中历史行为记录的变化来生成反馈偏好特征,重新将此类偏好特征加入偏好特征学习过程中。跳转步骤3并更新偏好特征;
步骤4.5:重复上述步骤4.4,直到提取出用户集中每一用户的反馈特征;
第二阶段:基于用户的协同过滤方法:以用户性质特征及兴趣相似度为依据,对相似用户集进行有效的聚类划分;
步骤5:对用户集属性与偏好进行特征筛选与提取;提取用户集中相同党建视频重复点击量及视频跳跃观看时长,以此作为用户属性特征;计算属性特征的匹配度: ;其中,表示与用户有相同用户特征信息的用户子集;为权重阈值;遍历用户集并计算用户间的特征信息匹配度。而后,计算用户集中每一用户的偏好相似度。设定用户,浏览党建视频的集合。用户,浏览党建视频的集合,其偏好相似度的计算为:;遍历用户集并计算用户间的偏好相似度;
步骤6:根据用户属性特征的匹配度与用户的偏好相似度,设置阈值权重:;运用k-means算法对相似特征的用户群体:进行有效聚类划分;并对离群用户进行相关处理;离群用户与其他用户属性特征不同,根据测量值超出拟定阈值,即认定为离群用户;将离群用户视为噪声点删除后更新相似属性特征的用户群体;
第三阶段:将党建视频推送至相似用户集,并计算不同职业属性的党员群体与相似用户子集间的隶属度,将已推送至各相似用户子集的视频逐一匹配推送至党员群体中;
步骤7:结合步骤3生成的单一用户拟推送视频与步骤5用户偏好相似度生成的相似用户群体,重新聚类生成对相似用户集推送的党建视频;而后,提取党建视频标题中的关键词,将这些关键词运用余弦相似度度量算法来匹配不同职业党员群体的属性值,以此作为不同职业党员群体的属性标识符;
步骤7.1:对党员群体以职业性质进行有效划分;
步骤7.2:针对以职业性质划分完成的党员子集,建立各子集对应的职业关键词词典,将词典中的每一个关键词赋予唯一标识符;
步骤7.3:将拟推荐视频的标题关键词提取出来,并记录每个标题关键词所属的党建视频,分别为这些标题关键词分配唯一的标识符;
步骤7.4:统计标题关键词与词典中关键词相同的词及对应的词频;
步骤7.6:重复上述步骤,计算所有视频标题关键词与各子集职业关键词的相似度;记录相似度最大值的标题关键词与词典对应元组;
步骤7.7:将视频标题所属的党建视频归属为党员子集的属性标识符;
步骤8:结合步骤7相似用户集推荐视频的标题关键词与已生成的党员群体属性标签标识符,计算两者的相似度,最终将党建视频推送至目标群体:具有不同职业身份的党员群体中;
附图说明
图1为本发明的具体实施方式流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
实施例:
图1为本发明实施例提供的方法流程图,如图1所示,该方法可以包括以下步骤:首先将待处理特征对象进行命名,以便后续步骤使用;党建视频集的初始定义,其中表示第个源视频。每个源视频都具有的相关属性:标题,内容,点击量及时长。针对党建视频观看的用户集进行初始定义,其中表示某一个用户;党建视频推送的最终对象:党员群体,是已知不同职业的特定人群,其中表示某职业属性的一个党员;
第二步,对党建视频内容进行特征筛选与提取,内容特征表示为,其中表示为第个党建视频内容提取出来的条特征表达。这些从党建视频中提取出来的内容特征包括三大方面:学习性质内容:其中的内容重点为:领导人讲话,部门党建工作总结,个人学习成果与思想汇报;地区性质内容:可分为:国家层面,省市层面,部门及单位层面:理论与技能观点;内容特征提取包括:党的理论知识,专业技能知识,党政科普;
步骤2.1:网络中存储了海量的党建视频,首先应对其进行筛选,主要的筛选特征包括:目标年限,字幕,时长;
步骤2.3:将抽取出的每个字幕内容文本,逐一分割成句子,去除文本中的格式,标点,停用词等;遍历所有字幕内容文本生成内容特征:;将内容特征数据进行结构化处理;数据结构化处理主要是为了提高数据存储效率及索引化后快速搜索目标特征的能力,而后,生成党建视频目标内容特征,其中为第个党建视频目标内容特征;
步骤3:根据单一用户对党建视频的历史偏好记录学习偏好特征;遍历至用户集的偏好记录,提取用户集的偏好特征表达。假设某用户的历史偏好中发现对领导人讲话此类视频内容特征观看数量及时长较高,则将此类学习性质内容偏好设置为学习特征序列组中;对已提取出的用户集偏好特征,运用Rocchio算法生成对应每一用户拟推荐的党建视频;
步骤3.4:遍历所有用户,找出对应每一用户拟推荐的党建视频;
步骤4:用户在党建视频内容特征中历史行为记录的变化生成反馈偏好特征,重新将此类偏好特征加入偏好特征学习过程中。跳转步骤3并更新偏好特征;假设用户观看另外党建视频中涉及到的内容特征表现为理论知识的学习,则此类特征计数后加入学习特征序列,知道遍历此用户观看所有的党建视频;
步骤5:对用户集属性进行特征筛选与提取;提取用户集中相同党建视频重复点击量及视频跳跃观看时长,以此作为用户特征信息;计算特征信息匹配度: 其中,表示与用户有相同用户特征信息的用户子集;为权重阈值;遍历用户集并计算用户间的特征信息匹配度。而后,计算用户集中每一用户的偏好相似度。设定用户,浏览党建视频的集合。用户,浏览党建视频的集合,其偏好相似度的计算为:;遍历用户集并计算用户间的偏好相似度。
步骤6:根据用户属性特征的匹配度与用户的偏好相似度,设置阈值权重:;运用k-means算法对相似属性用户群体:进行有效聚类分析。并对离群用户进行相关处理。离群用户与其他用户属性特征不同,即测量值超出拟定阈值,认定为离群用户;将离群用户视为噪声点删除后更新相似用户群体;
步骤7:结合步骤3生成的单一用户拟推送视频与步骤5以用户属性相似度生成的相似用户群体,重新聚类生成对相似用户集推送的党建视频;提取党建视频标题中的关键词,并将这些关键词分配到不同职业党员群体的属性值中,以此来作为不同职业党员群体的属性标识符;
步骤7.1:对党员群体以职业性质进行有效划分;
步骤7.2:针对以职业性质划分完成的党员子集,建立各子集对应的职业关键词词典,将词典中的每一个关键词赋予唯一标识符;
步骤7.3:将拟推荐视频的标题关键词提取出来,并记录每个标题关键词所属的党建视频,分别为这些标题关键词分配唯一的标识符;
步骤7.4:统计标题关键词与词典中关键词相同的词及对应的词频;
步骤7.6:重复上述步骤,计算所有视频标题关键词与各子集职业关键词的相似度。记录相似度最大值的标题关键词与词典对应元组;
步骤7.7:将视频标题所属的党建视频归属为党员子集的属性标识符;
步骤8:结合步骤7生成的党员群体属性标签与相似用户集推荐视频的标题关键词,计算两者的相似度,此时的相似度测量对象是步骤7中推荐视频关键词与归属不同职业人群(目标党员的职业属性:如学生党员,工人党员,教师党员),最终将党建视频推送至目标群体:具有不同职业身份的党员群体中。
以上所述仅为本发明的实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (1)
1.一种基于特征相似性度量的三阶段组合党建视频推荐方法,其特征在于包括以下步骤:
步骤1:对党建视频内容进行特征筛选与提取,并对内容特征数据进行结构化处理;
步骤1.1:对党建视频集进行初始定义,其中表示第个源视频,每个源视频都具有的相关属性:标题,内容,点击量与时长,针对党建视频观看的用户集进行初始定义,其中表示某一个用户,提取视频关联的用户总数为,党建视频推送的最终对象:党员群体,是已知具有不同职业的特定人群,其中表示某职业属性的某个党员;
步骤1.2:对于网络中存储的海量党建视频,对其进行筛选,主要筛选的特征包括:目标年限,字幕,时长;
步骤2.4:遍历所有用户,得到对应每一用户拟推荐的党建视频;
步骤3:将用户在党建视频内容特征中历史行为记录的变化转化为反馈偏好特征,重新将此类偏好特征加入偏好特征学习过程中;跳转步骤2并更新偏好特征;
步骤3.5:重复上述步骤3.4,直到提取出用户集中所有用户的反馈特征;
步骤4:对用户属性与偏好进行特征提取;提取用户集中相同党建视频重复点击量及视频跳跃观看时长,以此作为用户属性特征;计算属性特征的匹配度: ;其中,表示与用户有相同用户特征信息的用户子集;为权重阈值;遍历用户集并计算用户间的特征信息匹配度;而后,计算用户集中每一用户的偏好相似度;设定用户,浏览党建视频的集合;用户,浏览党建视频的集合,其偏好相似度的计算为:;遍历用户集并计算用户间的偏好相似度;
步骤6:结合步骤2生成的对应每一用户拟推荐的党建视频和步骤4中的用户间的偏好相似度,重新聚类生成对相似用户集推送的党建视频;提取党建视频标题中的关键词,将关键词运用余弦相似度度量算法来匹配不同职业党员群体的属性值,以此作为不同职业党员群体的属性标识符;
步骤6.1:以职业属性划分党员群体;
步骤6.2:针对以职业性质划分完成的党员子集,建立各子集对应的职业关键词词典,并将词典中的每一个关键词赋予唯一标识符;
步骤6.3:将拟推荐视频的标题关键词提取出来,并记录每个标题关键词所属的党建视频,分别为这些标题关键词分配唯一的标识符;
步骤6.4:统计标题关键词与词典中关键词相同的词及对应的词频;
步骤6.6:重复上述步骤6.5,计算所有视频标题关键词与各子集职业关键词的相似度;记录相似度最大值的标题关键词与词典对应元组;
步骤6.7:将视频标题所属的党建视频归属为党员子集的属性标识符;
步骤7:计算相似用户集拟推荐视频的标题关键词与已生成的党员群体属性标签标识符的相似度,最终将党建视频推送至目标群体:具有不同职业身份的党员群体中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711266644.5A CN107818183B (zh) | 2017-12-05 | 2017-12-05 | 一种基于特征相似性度量的三阶段组合党建视频推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711266644.5A CN107818183B (zh) | 2017-12-05 | 2017-12-05 | 一种基于特征相似性度量的三阶段组合党建视频推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107818183A CN107818183A (zh) | 2018-03-20 |
CN107818183B true CN107818183B (zh) | 2021-07-13 |
Family
ID=61605103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711266644.5A Active CN107818183B (zh) | 2017-12-05 | 2017-12-05 | 一种基于特征相似性度量的三阶段组合党建视频推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107818183B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647334B (zh) * | 2018-05-11 | 2021-10-19 | 电子科技大学 | 一种spark平台下的视频社交网络同源性分析方法 |
CN109831684B (zh) * | 2019-03-11 | 2022-08-19 | 深圳前海微众银行股份有限公司 | 视频优化推荐方法、装置及可读存储介质 |
CN112256916B (zh) * | 2020-11-12 | 2021-06-18 | 中国计量大学 | 一种基于图胶囊网络的短视频点击率预测方法 |
CN115037791A (zh) * | 2022-04-13 | 2022-09-09 | 中国电信股份有限公司 | 事件推送方法、装置、***、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105045866A (zh) * | 2015-07-14 | 2015-11-11 | 深圳市云宙多媒体技术有限公司 | 一种基于短url查询的cdn节点跳转方法及*** |
US9262470B1 (en) * | 2013-06-25 | 2016-02-16 | Amazon Technologies, Inc. | Application recommendations based on application and lifestyle fingerprinting |
CN105376648A (zh) * | 2015-11-13 | 2016-03-02 | 云南大学 | 一种用于推荐技术的用户配置文件更新方法 |
CN105915949A (zh) * | 2015-12-23 | 2016-08-31 | 乐视网信息技术(北京)股份有限公司 | 一种视频内容推荐方法、设备和*** |
CN106294783A (zh) * | 2016-08-12 | 2017-01-04 | 乐视控股(北京)有限公司 | 一种视频推荐方法及装置 |
CN106960030A (zh) * | 2017-03-21 | 2017-07-18 | 北京百度网讯科技有限公司 | 基于人工智能的推送信息方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101519879B1 (ko) * | 2013-07-22 | 2015-05-14 | 광주과학기술원 | 계층적 컨텍스트 모델을 이용하여 컨텐츠를 추천하기 위한 장치 및 그 방법 |
US20160253325A1 (en) * | 2014-12-30 | 2016-09-01 | Socialtopias, Llc | Method and apparatus for programmatically adjusting the relative importance of content data as behavioral data changes |
-
2017
- 2017-12-05 CN CN201711266644.5A patent/CN107818183B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9262470B1 (en) * | 2013-06-25 | 2016-02-16 | Amazon Technologies, Inc. | Application recommendations based on application and lifestyle fingerprinting |
CN105045866A (zh) * | 2015-07-14 | 2015-11-11 | 深圳市云宙多媒体技术有限公司 | 一种基于短url查询的cdn节点跳转方法及*** |
CN105376648A (zh) * | 2015-11-13 | 2016-03-02 | 云南大学 | 一种用于推荐技术的用户配置文件更新方法 |
CN105915949A (zh) * | 2015-12-23 | 2016-08-31 | 乐视网信息技术(北京)股份有限公司 | 一种视频内容推荐方法、设备和*** |
CN106294783A (zh) * | 2016-08-12 | 2017-01-04 | 乐视控股(北京)有限公司 | 一种视频推荐方法及装置 |
CN106960030A (zh) * | 2017-03-21 | 2017-07-18 | 北京百度网讯科技有限公司 | 基于人工智能的推送信息方法及装置 |
Non-Patent Citations (2)
Title |
---|
《基于主题与用户偏好分析的查询推荐研究》;陆伟;《情报学报》;20130129;全文 * |
《基于党建领域社交网络的协同主题回归推荐方法研究》;赵婧;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170215;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN107818183A (zh) | 2018-03-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10417576B2 (en) | Information processing apparatus and method, and program thereof | |
CN107818183B (zh) | 一种基于特征相似性度量的三阶段组合党建视频推荐方法 | |
CN111680173A (zh) | 统一检索跨媒体信息的cmr模型 | |
Gupta et al. | An overview of social tagging and applications | |
CN106126605B (zh) | 一种基于用户画像的短文本分类方法 | |
CN110750995A (zh) | 一种基于自定义图谱的文件管理方法 | |
Lubis et al. | A framework of utilizing big data of social media to find out the habits of users using keyword | |
US11841914B2 (en) | System and method for topological representation of commentary | |
Xiaomei et al. | Sentiment-based and hashtag-based Chinese online bursty event detection | |
CN114328799A (zh) | 数据处理方法、装置以及计算机可读存储介质 | |
Liu et al. | Identifying experts in community question answering website based on graph convolutional neural network | |
Sebe et al. | Personalized multimedia retrieval: the new trend? | |
Cui et al. | A barrage sentiment analysis scheme based on expression and tone | |
Neamah et al. | Design and evaluation of a course recommender system using content-based approach | |
Taheri et al. | DeepMovRS: a unified framework for deep learning-based movie recommender systems | |
Matsumoto et al. | Music video recommendation based on link prediction considering local and global structures of a network | |
WO2017135889A1 (en) | Ontology determination methods and ontology determination devices | |
Nosshi et al. | Hybrid recommender system via personalized users’ context | |
Ibrahim et al. | Large-scale text-based video classification using contextual features | |
Chai | Statistical issues in quantifying text mining performance | |
Poornima et al. | Automatic Annotation of Educational Videos for Enhancing Information Retrieval. | |
Advani et al. | A novel method for music recommendation using social media tags | |
Oiva et al. | A framework for the analysis of historical newsreels | |
Gao et al. | Recommendation system based on deep learning | |
Nazari et al. | MoGaL: Novel Movie Graph Construction by Applying LDA on Subtitle |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |