CN108415987B - 一种电影推荐的冷启动解决方法 - Google Patents
一种电影推荐的冷启动解决方法 Download PDFInfo
- Publication number
- CN108415987B CN108415987B CN201810144391.2A CN201810144391A CN108415987B CN 108415987 B CN108415987 B CN 108415987B CN 201810144391 A CN201810144391 A CN 201810144391A CN 108415987 B CN108415987 B CN 108415987B
- Authority
- CN
- China
- Prior art keywords
- movie
- user
- cold
- film
- calculating
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 24
- 238000012360 testing method Methods 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000007418 data mining Methods 0.000 abstract description 3
- 238000001914 filtration Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
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
-
- 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
- G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/7867—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, title and artist information, manually generated time, location and usage information, user ratings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Library & Information Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于数据挖掘技术领域,设计了一种电影推荐的冷启动解决方法。该方法区别于已有方法的特色在于,将电影的各类属性信息结合到推荐过程中,并根据可靠性赋予相应权重,该方法能够有效的解决电影推荐过程中未评价电影的推荐问题,提高电影推荐的准确率与覆盖率。该方法通过非冷启动电影的评分数据来训练各类电影标签信息的可信度权重,然后通过训练后的结果再结合冷启动电影标签信息来计算冷启动电影的预测评分。该方法可以有效解决冷启动电影的评分预测问题,提高推荐结果的准确度。
Description
技术领域
本发明属于数据挖掘技术领域,设计了一种电影推荐过程中冷启动问题的解决方法。该方法区别于已有方法的特色在于,将电影的各类属性信息结合到推荐过程中,并根据可靠性赋予相应权重,该方法能够有效的解决电影推荐过程中未评价电影的推荐问题,提高电影推荐的准确率与覆盖率。
背景技术
电影推荐是数据挖掘领域一个重要应用,而在电影推荐领域应用范围最广的技术是协同过滤技术。协同过滤技术的基本核心思想是利用群体智慧,认为相似用户的喜好也是相似的,目前主要分为以下几类:基于用户(或项目)的协调过滤算法、基于模型的协同过滤算法、以及混合过滤算法等。协同过滤算法的基本过程是构建用户-项目评分矩阵,寻找用户相似邻居群体,根据邻居群体的对此用户未评价的项目的做出预测,然后根据结果对用户做出相应的推荐。目前协同过滤算法存在着冷启动、数据稀疏、推荐精度低等问题。
其中冷启动问题在电影推荐过程中显得尤为突出,对于一些新上映的电影,由于没有评分记录,也就无法使用协同过滤算法寻找相似群体,进而无法进行推荐。
发明内容
本发明提出了一种电影推荐过程中冷启动问题的解决方法。目的在于解决没有评分记录电影的推荐问题。
本发明的技术方案:
一种电影推荐的冷启动解决方法,步骤如下:
步骤1.构建评分矩阵的用户集合是U={u1,u2,...um};评分矩阵的电影集合I={i1,i2,...,in};电影类型标签集合T={t1,t2,t3...tx};电影导演标签集合D={d1,d2,d3...dy};电影演员标签集合A={a1,a2,a3...az};用户评分矩阵R(m×n),其中,m代表用户数,n代表电影个数;
步骤2.计算非冷启动电影集合I(H)与冷启动电影集合I(C);
其中,Scold(I)是电影集合中,电影评分记录数为0的电影集合;
步骤3.计算非冷启动电影评分矩阵R'
R'={rk,j|ij∈I(H),rk,j∈R};
其中rk,j是用户uk对电影ij的评分;
步骤4.将非冷启动电影评分矩阵R'按照训练集R'train是验证集R'testβ倍随机划分;
步骤5.计算基于电影类型信息预测的预测平均绝对偏差值MAE(type);
5.1)计算用户-电影类型评分矩阵Rtype(m×x)
其中, 是用户us对电影类型标签tw的评分;T'train是训练集中电影的类型标签集合;U'train是训练集中用户集合;I(tw)是训练集中电影类型为tw的电影集合;I(us)是训练集中用户us评分过的电影集合;是训练集中R'train用户us对电影ib的评分;
5.2)计算根据电影类型信息预测的预测绝对偏差值MAE(type)
5.2.1)计算用户之间的相似度
其中,simt(p,q)是用户up与用户uq在用户-电影类型评分矩阵Rtype(m×x)中的相似度;用户up∈U'train;用户uq∈U'train;T(p,q)是用户up与用户uq的共同评价过的电影类型标签集合。
5.2.1)计算每个用户相似邻居集合S(uo)
其中,S(uo)是与用户uo相似度最高的N1个用户组成的集合;用户uo∈U'train;
5.2.2)计算验证集R'test的预测评分矩阵R1
其中,U'test是测试集中的用户集合;ug∈U'test;uh∈U'train;S(ug)是用户ug的相似邻居集合;是训练集R'train中用户uh对电影if的评分,是基于电影类别标签信息用户ug对电影if的预测评分;
5.2.3)计算根据电影类型信息预测的预测绝对偏差值MAE(type)
步骤6.计算基于电影导演信息预测的预测绝对偏差值MAE(director),计算过程与步骤5一样;
步骤7.计算基于电影演员信息预测的预测平均绝对偏差值MAE(actor),计算过程与步骤5一样。
步骤8.计算电影类型信息权重αtype,电影导演信息权重αdirector,电影主演信息权重αactor
8.1)计算三类电影信息偏差值的平均值
8.2)计算三类电影信息偏差值的和
sum(MAE)=MAE(type)+MAE(director)+MAE(actor)
8.3)计算电影类型信息权重αtype,电影导演信息权重αdirector,电影主演信息权重αactor
步骤9.计算冷启动电影的相似邻居集合
9.1)计算冷启动电影的与非冷启动电影之间的相似度
9.1.1)计算冷启动电影的与非冷启动电影之间的电影类别标签相似度
9.1.2)计算冷启动电影的与非冷启动电影之间的电影导演标签相似度
9.1.3)计算冷启动电影的与非冷启动电影之间的电影演员标签相似度
9.1.4)计算冷启动电影的与非冷启动电影之间的相似度
步骤10.计算冷启动电影的预测评分
本发明的有益效果:该方法通过非冷启动电影的评分数据来训练各类电影标签信息(例如电影类型标签、电影演员标签、电影导演标签)的可信度权重,然后通过训练后的结果再结合冷启动电影标签信息来计算冷启动电影的预测评分。该方法可以有效解决冷启动电影的评分预测问题,提高推荐结果的准确度。
附图说明
图1是本发明所提出的电影推荐的冷启动解决方法的具体实施的程序流程图。
具体实施方法
下面结合附图对本发明的实施方式进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
步骤1.构建评分矩阵的用户集合是U={u1,u2,...um};评分矩阵的电影集合I={i1,i2,...,in};电影类型标签集合T={t1,t2,t3...tx};电影导演标签集合D={d1,d2,d3...dy};电影演员标签集合A={a1,a2,a3...az};用户评分矩阵R(m×n),其中,m代表用户数,n代表电影个数;
步骤2.计算非冷启动电影集合I(H)与冷启动电影集合I(C);
其中,Scold(I)是电影集合中,电影评分记录数为0的电影集合;
步骤3.计算非冷启动电影评分矩阵R'
R'={rk,j|ij∈I(H),rk,j∈R};
其中,rk,j是用户uk对电影ij的评分;
步骤4.将非冷启动电影评分矩阵R'按照训练集R'train是验证集R'testβ倍随机划分,β=4;
步骤5.计算基于电影类型信息预测的预测平均绝对偏差值MAE(type);
5.1)计算用户-电影类型评分矩阵Rtype(m×x)
其中, 是用户us对电影类型标签tw的评分;T'train是训练集中电影的类型标签集合;U'train是训练集中用户集合;I(tw)是训练集中电影类型为tw的电影集合;I(us)是训练集中用户us评分过的电影集合;是训练集中R'train用户us对电影ib的评分;
5.2)计算根据电影类型信息预测的预测绝对偏差值MAE(type)
5.2.1)计算用户之间的相似度
其中,simt(p,q)是用户up与用户uq在用户-电影类型评分矩阵Rtype(m×x)中的相似度;用户up∈U'train;用户uq∈U'train;T(p,q)是用户up与用户uq的共同评价过的电影类型标签集合。
5.2.1)计算每个用户相似邻居集合S(uo)
其中,S(uo)是与用户uo相似度最高的N1个用户组成的集合,N1=15;用户uo∈U'train;
5.2.2)计算验证集R'test的预测评分矩阵R1
5.2.3)计算根据电影类型信息预测的预测绝对偏差值MAE(type)
步骤6.计算基于电影导演信息预测的预测绝对偏差值MAE(director),计算过程与步骤5一样;
步骤7.计算基于电影演员信息预测的预测平均绝对偏差值MAE(actor),计算过程与步骤5一样。
步骤8.计算电影类型信息权重αtype,电影导演信息权重αdirector,电影主演信息权重αactor
8.1)计算三类电影信息偏差值的平均值
8.2)计算三类电影信息偏差值的和
sum(MAE)=MAE(type)+MAE(director)+MAE(actor)
8.3)计算电影类型信息权重αtype,电影导演信息权重αdirector,电影主演信息权重αactor
其中λ=3;
步骤9.计算冷启动电影的相似电影集合
9.1)计算冷启动电影的与非冷启动电影之间的相似度
9.1.1)计算冷启动电影的与非冷启动电影之间的电影类别标签相似度
9.1.2)计算冷启动电影的与非冷启动电影之间的电影导演标签相似度
9.1.3)计算冷启动电影的与非冷启动电影之间的电影演员标签相似度
9.1.4)计算冷启动电影的与非冷启动电影之间的相似度
步骤10.计算冷启动电影的预测评分
Claims (1)
1.一种电影推荐的冷启动解决方法,其特征在于,步骤如下:
步骤1.构建评分矩阵的用户集合是U={u1,u2,...um};评分矩阵的电影集合I={i1,i2,...,in};电影类型标签集合T={t1,t2,t3...tx};电影导演标签集合D={d1,d2,d3...dy};电影演员标签集合A={a1,a2,a3...az};用户评分矩阵R(m×n),其中,m代表用户数,n代表电影个数;
步骤2.计算非冷启动电影集合I(H)与冷启动电影集合I(C);
其中,Scold(I)是电影集合中,电影评分记录数为0的电影集合;
步骤3.计算非冷启动电影评分矩阵R'
R'={rk,j|ij∈I(H),rk,j∈R};
其中rk,j是用户uk对电影ij的评分;
步骤4.将非冷启动电影评分矩阵R'按照训练集R′train是验证集R′testβ倍随机划分;
步骤5.计算基于电影类型信息预测的预测平均绝对偏差值MAE(type);
5.1)计算用户-电影类型评分矩阵Rtype(m×x)
其中, 是用户us对电影类型标签tw的评分;T′train是训练集中电影的类型标签集合;U′train是训练集中用户集合;I(tw)是训练集中电影类型为tw的电影集合;I(us)是训练集中用户us评分过的电影集合;是训练集中R′train用户us对电影ib的评分;
5.2)计算根据电影类型信息预测的预测绝对偏差值MAE(type)
5.2.1)计算用户之间的相似度
其中,simt(p,q)是用户up与用户uq在用户-电影类型评分矩阵Rtype(m×x)中的相似度;用户up∈U′train;用户uq∈U′train;T(p,q)是用户up与用户uq的共同评价过的电影类型标签集合;
5.2.1)计算每个用户相似邻居集合S(uo)
其中,S(uo)是与用户uo相似度最高的N1个用户组成的集合;用户uo∈U′train;
5.2.2)计算验证集R′test的预测评分矩阵R1
其中,U′test是测试集中的用户集合;ug∈U′test;uh∈U′train;S(ug)是用户ug的相似邻居集合;是训练集R′train中用户uh对电影if的评分,是基于电影类别标签信息用户ug对电影if的预测评分;
5.2.3)计算根据电影类型信息预测的预测绝对偏差值MAE(type)
步骤6.计算基于电影导演信息预测的预测绝对偏差值MAE(director),计算过程与步骤5一样;
步骤7.计算基于电影演员信息预测的预测平均绝对偏差值MAE(actor),计算过程与步骤5一样;
步骤8.计算电影类型信息权重αtype,电影导演信息权重αdirector,电影主演信息权重αactor
8.1)计算三类电影信息偏差值的平均值
8.2)计算三类电影信息偏差值的和
sum(MAE)=MAE(type)+MAE(director)+MAE(actor)
8.3)计算电影类型信息权重αtype,电影导演信息权重αdirector,电影主演信息权重αactor
步骤9.计算冷启动电影的相似邻居集合
9.1)计算冷启动电影的与非冷启动电影之间的相似度
9.1.1)计算冷启动电影的与非冷启动电影之间的电影类别标签相似度
9.1.2)计算冷启动电影的与非冷启动电影之间的电影导演标签相似度
9.1.3)计算冷启动电影的与非冷启动电影之间的电影演员标签相似度
9.1.4)计算冷启动电影的与非冷启动电影之间的相似度
步骤10.计算冷启动电影的预测评分
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810144391.2A CN108415987B (zh) | 2018-02-12 | 2018-02-12 | 一种电影推荐的冷启动解决方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810144391.2A CN108415987B (zh) | 2018-02-12 | 2018-02-12 | 一种电影推荐的冷启动解决方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108415987A CN108415987A (zh) | 2018-08-17 |
CN108415987B true CN108415987B (zh) | 2021-05-11 |
Family
ID=63128396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810144391.2A Expired - Fee Related CN108415987B (zh) | 2018-02-12 | 2018-02-12 | 一种电影推荐的冷启动解决方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108415987B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110569374B (zh) * | 2019-08-20 | 2022-03-18 | 成都信息工程大学 | 一种基于改进协同过滤算法的电影推荐方法 |
CN111708946B (zh) * | 2020-06-18 | 2023-08-01 | 卓尔智联(武汉)研究院有限公司 | 一种个性化电影的推荐方法、装置及电子设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104834710A (zh) * | 2015-04-30 | 2015-08-12 | 广东工业大学 | 一种电影推荐评分***的冷启动处理方法 |
CN104935963A (zh) * | 2015-05-29 | 2015-09-23 | 中国科学院信息工程研究所 | 一种基于时序数据挖掘的视频推荐方法 |
CN105760544A (zh) * | 2016-03-16 | 2016-07-13 | 合网络技术(北京)有限公司 | 视频推荐方法和装置 |
CN106202328A (zh) * | 2016-07-01 | 2016-12-07 | 中国传媒大学 | 一种用于新项目冷启动的推荐方法 |
KR101708254B1 (ko) * | 2015-09-25 | 2017-02-21 | 인하대학교 산학협력단 | 협업적 필터링과 캐릭터 넷을 이용한 스토리 기반의 영화 추전 시스템 및 방법. |
CN106802956A (zh) * | 2017-01-19 | 2017-06-06 | 山东大学 | 一种基于加权异构信息网络的电影推荐方法 |
CN107220365A (zh) * | 2017-06-07 | 2017-09-29 | 四川大学 | 基于协同过滤与关联规则并行处理的精准推荐***及方法 |
CN107608990A (zh) * | 2016-07-12 | 2018-01-19 | 上海视畅信息科技有限公司 | 一种直播个性化推荐方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102207972B (zh) * | 2011-06-15 | 2013-03-27 | 中山大学 | 一种数字电视的影视节目推荐方法及其装置 |
WO2014046649A1 (en) * | 2012-09-19 | 2014-03-27 | Thomson Licensing | Initial recommendation system seeding |
CN104063481B (zh) * | 2014-07-02 | 2017-11-14 | 山东大学 | 一种基于用户实时兴趣向量的电影个性化推荐方法 |
CN107608988A (zh) * | 2016-07-12 | 2018-01-19 | 上海视畅信息科技有限公司 | 一种混合个性化推荐方法 |
CN106651461A (zh) * | 2016-12-30 | 2017-05-10 | 重庆邮电大学 | 基于灰理论的电影个性化推荐方法 |
CN107391713B (zh) * | 2017-07-29 | 2020-04-28 | 内蒙古工业大学 | 一种解决协同过滤推荐技术中冷启动问题的方法及*** |
CN107506459A (zh) * | 2017-08-29 | 2017-12-22 | 环球智达科技(北京)有限公司 | 一种基于影片相似度的影片推荐方法 |
-
2018
- 2018-02-12 CN CN201810144391.2A patent/CN108415987B/zh not_active Expired - Fee Related
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104834710A (zh) * | 2015-04-30 | 2015-08-12 | 广东工业大学 | 一种电影推荐评分***的冷启动处理方法 |
CN104935963A (zh) * | 2015-05-29 | 2015-09-23 | 中国科学院信息工程研究所 | 一种基于时序数据挖掘的视频推荐方法 |
KR101708254B1 (ko) * | 2015-09-25 | 2017-02-21 | 인하대학교 산학협력단 | 협업적 필터링과 캐릭터 넷을 이용한 스토리 기반의 영화 추전 시스템 및 방법. |
CN105760544A (zh) * | 2016-03-16 | 2016-07-13 | 合网络技术(北京)有限公司 | 视频推荐方法和装置 |
CN106202328A (zh) * | 2016-07-01 | 2016-12-07 | 中国传媒大学 | 一种用于新项目冷启动的推荐方法 |
CN107608990A (zh) * | 2016-07-12 | 2018-01-19 | 上海视畅信息科技有限公司 | 一种直播个性化推荐方法 |
CN106802956A (zh) * | 2017-01-19 | 2017-06-06 | 山东大学 | 一种基于加权异构信息网络的电影推荐方法 |
CN107220365A (zh) * | 2017-06-07 | 2017-09-29 | 四川大学 | 基于协同过滤与关联规则并行处理的精准推荐***及方法 |
Non-Patent Citations (2)
Title |
---|
Recommendation Algorithm Based on Dynamic Label Preference Trust Probability Matrix Decomposition Model;Yang Yadong等;《Computer Engineering》;20171015;第43卷(第10期);全文 * |
电影推荐***的设计与实现;尤方圆;《中国优秀硕士学位论文全文数据库信息科技辑》;20140615;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108415987A (zh) | 2018-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiang et al. | Fast and accurate content-based semantic search in 100m internet videos | |
US20180357211A1 (en) | Constructing a Narrative Based on a Collection of Images | |
CN104935963B (zh) | 一种基于时序数据挖掘的视频推荐方法 | |
CN104462383B (zh) | 一种基于用户多种行为反馈的电影推荐方法 | |
Gao et al. | CI-GNN: Building a category-instance graph for zero-shot video classification | |
CN107220365A (zh) | 基于协同过滤与关联规则并行处理的精准推荐***及方法 | |
CN109947987B (zh) | 一种交叉协同过滤推荐方法 | |
CN110059222B (zh) | 一种基于协同过滤的视频标签添加方法 | |
CN106778686A (zh) | 一种基于深度学习和图论的拷贝视频检测方法和*** | |
Baltescu et al. | Itemsage: Learning product embeddings for shopping recommendations at pinterest | |
US20220188366A1 (en) | Combined Wide And Deep Machine Learning Models For Automated Database Element Processing Systems, Methods And Apparatuses | |
CN111125540A (zh) | 一种融合知识图谱表示学习和偏置矩阵分解的推荐方法 | |
Stanescu et al. | A hybrid recommender system: User profiling from keywords and ratings | |
CN108415987B (zh) | 一种电影推荐的冷启动解决方法 | |
CN103761286B (zh) | 一种基于用户兴趣的服务资源检索方法 | |
CN106204103B (zh) | 一种移动广告平台寻找相似用户的方法 | |
Dong et al. | Feature re-learning with data augmentation for video relevance prediction | |
Mazaheri et al. | Learning a multi-concept video retrieval model with multiple latent variables | |
He et al. | UP-TreeRec: building dynamic user profiles tree for news recommendation | |
CN112231579A (zh) | 基于隐式社群发现的社会化视频推荐***与方法 | |
Firmino et al. | Automatic and semi-automatic annotation of people in photography using shared events | |
CN113360784B (zh) | 一种用于设备运维方案推荐的知识图谱优化的协同过滤算法 | |
CN113688281B (zh) | 一种基于深度学习行为序列的视频推荐方法及*** | |
Vieira et al. | Towards the effective linking of social media contents to products in E-commerce catalogs | |
Vrochidis et al. | Utilizing implicit user feedback to improve interactive video retrieval |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210511 |