CN108470136A - 一种拟探索视频特征数据的语义低维特征的获取方法 - Google Patents
一种拟探索视频特征数据的语义低维特征的获取方法 Download PDFInfo
- Publication number
- CN108470136A CN108470136A CN201710580367.9A CN201710580367A CN108470136A CN 108470136 A CN108470136 A CN 108470136A CN 201710580367 A CN201710580367 A CN 201710580367A CN 108470136 A CN108470136 A CN 108470136A
- Authority
- CN
- China
- Prior art keywords
- user
- video
- data
- sequence
- extraction
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种拟探索视频特征数据的语义低维特征的获取方法，包括先进行视频模型构建；包括视频关键帧提取、加密特征提取和交流学习降维；再进行用户模型构建；包括用户行为数据提取、用户行为分析和计算用户偏好模型；最后进行推荐算法实现；包括协同过滤装置、基于内容的推荐和混合推荐算法，本发明通过对用户行为分析，计算用户偏好模型，研究视频推荐中用户建模方法；在完成海量视频的语义低维表示后，研究基于混合推荐的视频推荐算法中的加权和分级策略；从用户反馈角度出发，研究基于隐式相关反馈的视频混合推荐算法，对原有推荐结果进一步修正。
Description
技术领域
本发明涉及信息检索、视频及图像信息处理技术领域，具体为一种拟探索视频特征数据的语义低维特征的获取方法。
背景技术
随着计算机的普及以及互联网的迅猛发展，知识获取的来源、数量和形式也随之发生了根本的变化。目前，在Internet的数据中蕴含了海量的知识，同时也含有大量的垃圾信息，完全人工方式获取知识已经不能满足要求，因此必须研究大规模知识获取的方法，以减少手工知识获取的代价。推荐***与搜索引擎有着类似的功能，将用户真正需要的信息快速过滤并展现出来，不同之处在于推荐***通过挖掘并分析用户行为记录来建立模型，主动为用户推荐其感兴趣的信息。推荐***作为沟通用户和服务之间的桥梁，其作用和价值日益显著。在这一领域，研究人员提出各类推荐算法，主要包括协同过滤[25]和基于内容的过滤算法。协同过滤的原理是根据用户的历史行为记录，挖掘物品或用户本身的关联性，再依据这些关联性来产生推荐。
所以，如何设计一种拟探索视频特征数据的语义低维特征的获取方法，成为我们当前要解决的问题。
发明内容
本发明的目的在于提供一种拟探索视频特征数据的语义低维特征的获取方法，通过对用户行为分析，计算用户偏好模型，研究视频推荐中用户建模方法；在完成海量视频的语义低维表示后，研究基于混合推荐的视频推荐算法中的加权和分级策略；从用户反馈角度出发，研究基于隐式相关反馈的视频混合推荐算法，对原有推荐结果进一步修正，可以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种拟探索视频特征数据的语义低维特征的获取方法，包括如下步骤：
1)先进行视频模型构建；包括视频关键帧提取、加密特征提取和交流学习降维；
2)再进行用户模型构建；包括用户行为数据提取、用户行为分析和计算用户偏好模型；
3)最后进行推荐算法实现；包括协同过滤装置、基于内容的推荐和混合推荐算法。
根据上述技术方案，所述步骤1)中的视频关键帧提取具体为先逐帧读取视频帧，将各视频帧图像转为灰度图，依次计算各视频帧的灰度质心组成灰度质心序列，使用灰度质心序列代表视频帧序列，下面步骤对视频帧序列的操作即为对灰度质心序列的操作；再将视频帧序列划分为多个视觉相似视频帧序列；然后依据设定的最小有效视觉相似视频帧序列长度，从视觉相似视频帧序列中筛选有效视觉相似视频帧序列；最后从有效视觉相似视频帧序列提取视频关键帧。
根据上述技术方案，所述步骤1)中的加密特征提取具体为先确定需要进行数据特征提取的第一会话和第二会话，并从所述第一会话包含的报文中提取第一设定数目的报文信息，以及从所述第二会话包含的报文中提取第二设定数目的报文信息；其中，所述第一会话和第二会话是同一个应用操作在不同时间所产生的，所述报文信息中至少包括报文应用层负载字节序；采用指定的匹配算法，依次根据从第一会话中提取的每一个报文应用层负载字节序构建相应的状态机，每构建一个状态机，将当前构建的状态机与从第二会话中提取的每一个报文应用层负载字节序依次进行匹配，每执行一次匹配，对当前获得的匹配结果进行迭代合并，并根据预设规则计算当前获得的经迭代合并后的匹配结果的权值，直到确定当前获得的权值不小于设定阈值为止，确定匹配成功并停止构建状态机及停止匹配，以及将当前获得的经迭代合并后的匹配结果作为所述应用操作的数据特征。
根据上述技术方案，所述步骤1)中的交流学***面；建立局部线性模型间的最小穿越树MST；遍历流行的全局MST；通过在全局超平面上运行ICA找到低维植入即可。
根据上述技术方案，所述步骤2)中的用户行为数据提取具体为用信息采集模块采集用户行为数据，主要包括用户访问的网站、搜索的关键字、计算机进程、电脑硬件信息、网页收藏夹信息；采集到的数据上传给信息汇总存储模块。
根据上述技术方案，所述步骤2)中的用户行为分析具体为通过信息汇总存储模块汇总并存储采集插件上传的数据，汇总后的数据输出到原始数据库中；然后利用信息挖掘统计模块定期从原始数据库中提取出数据并进行统计、挖掘和分析；包括排名统计、用户行为分类、用户分类、用户聚类；分析结果输出到统计数据库中；最后利用***展现输出模块从统计数据库中获取数据，展示用户行为分析的结果。
根据上述技术方案，所述步骤2)中的计算用户偏好模型具体为用以完成用户聚类和用户历史行为上下文计算；所述数据挖掘子***，进一步包括用户聚类模块和用户历史行为上下文计算模块；其中，所述用户聚类模块，基于用户对移动服务的使用量，通过运用K-Means聚类算法，将所有用户划分到K个不同的聚类中，使得同一聚类中的用户相似度较高，不同聚类中的用户相似度较低，聚类分析结束后，每个用户拥有一个聚类号标记；所述用户历史行为上下文计算模块，用于对用户历史行为上下文进行计算，以求出个体用户对某一方面上下文的兴趣度；用户偏好提取子***，用于根据所述数据挖掘子***的计算结果，提取群组用户偏好和个体用户偏好信息，并输出到所述数据存储与管理子***；以及用户偏好自适应子***，用以完成用户偏好变化/冲突检测、用户偏好修正，并将检测结果或修正的结果保存在数据存储与管理子***中。
根据上述技术方案，所述步骤3)中的推荐算法实现具体为同时通过协同过滤装置和基于内容的推荐，在利用混合推荐算法进行计算，而混合推荐算法包括数据预处理；将预处理的数据分别进行基于加权相似度的协作推荐算法、基于平衡评分预测机制的协作推荐算法、基于评分填充的混合推荐算法、利用评分时间特性的协作推荐算法选择最匹配的算法结果，并将所述算法结果作为推荐内容。
与现有技术相比，本发明的有益效果是：本发明通过对用户行为分析，计算用户偏好模型，研究视频推荐中用户建模方法；在完成海量视频的语义低维表示后，研究基于混合推荐的视频推荐算法中的加权和分级策略；从用户反馈角度出发，研究基于隐式相关反馈的视频混合推荐算法，对原有推荐结果进一步修正。
附图说明
图1是本发明***框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例
请参阅图1，本发明提供一种拟探索视频特征数据的语义低维特征的获取方法，包括如下步骤：
1)先进行视频模型构建；包括视频关键帧提取、加密特征提取和交流学习降维；
2)再进行用户模型构建；包括用户行为数据提取、用户行为分析和计算用户偏好模型；
3)最后进行推荐算法实现；包括协同过滤装置、基于内容的推荐和混合推荐算法。
根据上述技术方案，所述步骤1)中的视频关键帧提取具体为先逐帧读取视频帧，将各视频帧图像转为灰度图，依次计算各视频帧的灰度质心组成灰度质心序列，使用灰度质心序列代表视频帧序列，下面步骤对视频帧序列的操作即为对灰度质心序列的操作；再将视频帧序列划分为多个视觉相似视频帧序列；然后依据设定的最小有效视觉相似视频帧序列长度，从视觉相似视频帧序列中筛选有效视觉相似视频帧序列；最后从有效视觉相似视频帧序列提取视频关键帧。
根据上述技术方案，所述步骤1)中的加密特征提取具体为先确定需要进行数据特征提取的第一会话和第二会话，并从所述第一会话包含的报文中提取第一设定数目的报文信息，以及从所述第二会话包含的报文中提取第二设定数目的报文信息；其中，所述第一会话和第二会话是同一个应用操作在不同时间所产生的，所述报文信息中至少包括报文应用层负载字节序；采用指定的匹配算法，依次根据从第一会话中提取的每一个报文应用层负载字节序构建相应的状态机，每构建一个状态机，将当前构建的状态机与从第二会话中提取的每一个报文应用层负载字节序依次进行匹配，每执行一次匹配，对当前获得的匹配结果进行迭代合并，并根据预设规则计算当前获得的经迭代合并后的匹配结果的权值，直到确定当前获得的权值不小于设定阈值为止，确定匹配成功并停止构建状态机及停止匹配，以及将当前获得的经迭代合并后的匹配结果作为所述应用操作的数据特征。
根据上述技术方案，所述步骤1)中的交流学***面；建立局部线性模型间的最小穿越树MST；遍历流行的全局MST；通过在全局超平面上运行ICA找到低维植入即可。
根据上述技术方案，所述步骤2)中的用户行为数据提取具体为用信息采集模块采集用户行为数据，主要包括用户访问的网站、搜索的关键字、计算机进程、电脑硬件信息、网页收藏夹信息；采集到的数据上传给信息汇总存储模块。
根据上述技术方案，所述步骤2)中的用户行为分析具体为通过信息汇总存储模块汇总并存储采集插件上传的数据，汇总后的数据输出到原始数据库中；然后利用信息挖掘统计模块定期从原始数据库中提取出数据并进行统计、挖掘和分析；包括排名统计、用户行为分类、用户分类、用户聚类；分析结果输出到统计数据库中；最后利用***展现输出模块从统计数据库中获取数据，展示用户行为分析的结果。
根据上述技术方案，所述步骤2)中的计算用户偏好模型具体为用以完成用户聚类和用户历史行为上下文计算；所述数据挖掘子***，进一步包括用户聚类模块和用户历史行为上下文计算模块；其中，所述用户聚类模块，基于用户对移动服务的使用量，通过运用K-Means聚类算法，将所有用户划分到K个不同的聚类中，使得同一聚类中的用户相似度较高，不同聚类中的用户相似度较低，聚类分析结束后，每个用户拥有一个聚类号标记；所述用户历史行为上下文计算模块，用于对用户历史行为上下文进行计算，以求出个体用户对某一方面上下文的兴趣度；用户偏好提取子***，用于根据所述数据挖掘子***的计算结果，提取群组用户偏好和个体用户偏好信息，并输出到所述数据存储与管理子***；以及用户偏好自适应子***，用以完成用户偏好变化/冲突检测、用户偏好修正，并将检测结果或修正的结果保存在数据存储与管理子***中。
根据上述技术方案，所述步骤3)中的推荐算法实现具体为同时通过协同过滤装置和基于内容的推荐，在利用混合推荐算法进行计算，而混合推荐算法包括数据预处理；将预处理的数据分别进行基于加权相似度的协作推荐算法、基于平衡评分预测机制的协作推荐算法、基于评分填充的混合推荐算法、利用评分时间特性的协作推荐算法选择最匹配的算法结果，并将所述算法结果作为推荐内容。
基于上述，本发明的优点在于，本发明通过对用户行为分析，计算用户偏好模型，研究视频推荐中用户建模方法；在完成海量视频的语义低维表示后，研究基于混合推荐的视频推荐算法中的加权和分级策略；从用户反馈角度出发，研究基于隐式相关反馈的视频混合推荐算法，对原有推荐结果进一步修正。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种拟探索视频特征数据的语义低维特征的获取方法，其特征在于：包括如下步骤：
1)先进行视频模型构建；包括视频关键帧提取、加密特征提取和交流学习降维；
2)再进行用户模型构建；包括用户行为数据提取、用户行为分析和计算用户偏好模型；
3)最后进行推荐算法实现；包括协同过滤装置、基于内容的推荐和混合推荐算法。
2.根据权利要求1所述的一种拟探索视频特征数据的语义低维特征的获取方法，其特征在于：所述步骤1)中的视频关键帧提取具体为先逐帧读取视频帧，将各视频帧图像转为灰度图，依次计算各视频帧的灰度质心组成灰度质心序列，使用灰度质心序列代表视频帧序列，下面步骤对视频帧序列的操作即为对灰度质心序列的操作；再将视频帧序列划分为多个视觉相似视频帧序列；然后依据设定的最小有效视觉相似视频帧序列长度，从视觉相似视频帧序列中筛选有效视觉相似视频帧序列；最后从有效视觉相似视频帧序列提取视频关键帧。
3.根据权利要求1所述的一种拟探索视频特征数据的语义低维特征的获取方法，其特征在于：所述步骤1)中的加密特征提取具体为先确定需要进行数据特征提取的第一会话和第二会话，并从所述第一会话包含的报文中提取第一设定数目的报文信息，以及从所述第二会话包含的报文中提取第二设定数目的报文信息；其中，所述第一会话和第二会话是同一个应用操作在不同时间所产生的，所述报文信息中至少包括报文应用层负载字节序；采用指定的匹配算法，依次根据从第一会话中提取的每一个报文应用层负载字节序构建相应的状态机，每构建一个状态机，将当前构建的状态机与从第二会话中提取的每一个报文应用层负载字节序依次进行匹配，每执行一次匹配，对当前获得的匹配结果进行迭代合并，并根据预设规则计算当前获得的经迭代合并后的匹配结果的权值，直到确定当前获得的权值不小于设定阈值为止，确定匹配成功并停止构建状态机及停止匹配，以及将当前获得的经迭代合并后的匹配结果作为所述应用操作的数据特征。
4.根据权利要求1所述的一种拟探索视频特征数据的语义低维特征的获取方法，其特征在于：所述步骤1)中的交流学***面；建立局部线性模型间的最小穿越树MST；遍历流行的全局MST；通过在全局超平面上运行ICA找到低维植入即可。
5.根据权利要求1所述的一种拟探索视频特征数据的语义低维特征的获取方法，其特征在于：所述步骤2)中的用户行为数据提取具体为用信息采集模块采集用户行为数据，主要包括用户访问的网站、搜索的关键字、计算机进程、电脑硬件信息、网页收藏夹信息；采集到的数据上传给信息汇总存储模块。
6.根据权利要求1所述的一种拟探索视频特征数据的语义低维特征的获取方法，其特征在于：所述步骤2)中的用户行为分析具体为通过信息汇总存储模块汇总并存储采集插件上传的数据，汇总后的数据输出到原始数据库中；然后利用信息挖掘统计模块定期从原始数据库中提取出数据并进行统计、挖掘和分析；包括排名统计、用户行为分类、用户分类、用户聚类；分析结果输出到统计数据库中；最后利用***展现输出模块从统计数据库中获取数据，展示用户行为分析的结果。
7.根据权利要求1所述的一种拟探索视频特征数据的语义低维特征的获取方法，其特征在于：所述步骤2)中的计算用户偏好模型具体为用以完成用户聚类和用户历史行为上下文计算；所述数据挖掘子***，进一步包括用户聚类模块和用户历史行为上下文计算模块；其中，所述用户聚类模块，基于用户对移动服务的使用量，通过运用K-Means聚类算法，将所有用户划分到K个不同的聚类中，使得同一聚类中的用户相似度较高，不同聚类中的用户相似度较低，聚类分析结束后，每个用户拥有一个聚类号标记；所述用户历史行为上下文计算模块，用于对用户历史行为上下文进行计算，以求出个体用户对某一方面上下文的兴趣度；用户偏好提取子***，用于根据所述数据挖掘子***的计算结果，提取群组用户偏好和个体用户偏好信息，并输出到所述数据存储与管理子***；以及用户偏好自适应子***，用以完成用户偏好变化/冲突检测、用户偏好修正，并将检测结果或修正的结果保存在数据存储与管理子***中。
8.根据权利要求1所述的一种拟探索视频特征数据的语义低维特征的获取方法，其特征在于：所述步骤3)中的推荐算法实现具体为同时通过协同过滤装置和基于内容的推荐，在利用混合推荐算法进行计算，而混合推荐算法包括数据预处理；将预处理的数据分别进行基于加权相似度的协作推荐算法、基于平衡评分预测机制的协作推荐算法、基于评分填充的混合推荐算法、利用评分时间特性的协作推荐算法选择最匹配的算法结果，并将所述算法结果作为推荐内容。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710580367.9A CN108470136A (zh) | 2017-07-17 | 2017-07-17 | 一种拟探索视频特征数据的语义低维特征的获取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710580367.9A CN108470136A (zh) | 2017-07-17 | 2017-07-17 | 一种拟探索视频特征数据的语义低维特征的获取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108470136A true CN108470136A (zh) | 2018-08-31 |
Family
ID=63266785
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710580367.9A Pending CN108470136A (zh) | 2017-07-17 | 2017-07-17 | 一种拟探索视频特征数据的语义低维特征的获取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108470136A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109977316A (zh) * | 2019-03-29 | 2019-07-05 | 厦门铠甲网络股份有限公司 | 一种并行式文章推荐方法、装置、设备及存储介质 |
| CN110012356A (zh) * | 2019-04-16 | 2019-07-12 | 腾讯科技（深圳）有限公司 | 视频推荐方法、装置和设备及计算机存储介质 |
| CN110413837A (zh) * | 2019-05-30 | 2019-11-05 | 腾讯科技（深圳）有限公司 | 视频推荐方法和装置 |
| CN111078942A (zh) * | 2019-12-18 | 2020-04-28 | 腾讯科技（深圳）有限公司 | 一种推荐视频的方法、装置及存储介质 |
-
2017
- 2017-07-17 CN CN201710580367.9A patent/CN108470136A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109977316A (zh) * | 2019-03-29 | 2019-07-05 | 厦门铠甲网络股份有限公司 | 一种并行式文章推荐方法、装置、设备及存储介质 |
| CN110012356A (zh) * | 2019-04-16 | 2019-07-12 | 腾讯科技（深圳）有限公司 | 视频推荐方法、装置和设备及计算机存储介质 |
| CN110012356B (zh) * | 2019-04-16 | 2020-07-10 | 腾讯科技（深圳）有限公司 | 视频推荐方法、装置和设备及计算机存储介质 |
| CN110413837A (zh) * | 2019-05-30 | 2019-11-05 | 腾讯科技（深圳）有限公司 | 视频推荐方法和装置 |
| CN110413837B (zh) * | 2019-05-30 | 2023-07-25 | 腾讯科技（深圳）有限公司 | 视频推荐方法和装置 |
| CN111078942A (zh) * | 2019-12-18 | 2020-04-28 | 腾讯科技（深圳）有限公司 | 一种推荐视频的方法、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111177575B (zh) | 一种内容推荐方法、装置、电子设备和存储介质 | |
| CN108921221B (zh) | 用户特征的生成方法、装置、设备及存储介质 | |
| CN112765486B (zh) | 一种融合知识图谱的注意力机制的电影推荐方法 | |
| Wang et al. | Effective personalized recommendation based on time-framed navigation clustering and association mining | |
| CN111797321B (zh) | 一种面向不同场景的个性化知识推荐方法及*** | |
| Roy et al. | Towards cross-domain learning for social video popularity prediction | |
| US8332775B2 (en) | Adaptive user feedback window | |
| US7421429B2 (en) | Generate blog context ranking using track-back weight, context weight and, cumulative comment weight | |
| CN111143655B (zh) | 一种新闻热度的计算方法 | |
| CN112052387B (zh) | 一种内容推荐方法、装置和计算机可读存储介质 | |
| CN108470136A (zh) | 一种拟探索视频特征数据的语义低维特征的获取方法 | |
| 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 | |
| CN103177090A (zh) | 一种基于大数据的话题检测方法及装置 | |
| US11853217B2 (en) | Multi-cache based digital output generation | |
| Zhou et al. | Predicting high-risk students using Internet access logs | |
| CN112699295A (zh) | 一种网页内容推荐方法、装置和计算机可读存储介质 | |
| CN112749330B (zh) | 信息推送方法、装置、计算机设备和存储介质 | |
| CN109308324A (zh) | 一种基于手绘风格推荐的图像检索方法及*** | |
| CN108833933A (zh) | 一种使用支持向量机推荐视频流量的方法及*** | |
| Vu et al. | Using deep learning for big spatial data partitioning | |
| CN109885758A (zh) | 一种基于二部图的新型随机游走的推荐方法 | |
| Balasundaram et al. | Unsupervised learning‐based recognition and extraction for intelligent automatic video retrieval | |
| CN110275986A (zh) | 基于协同过滤的视频推荐方法、服务器及计算机存储介质 | |
| CN111523034A (zh) | 一种应用程序的处理方法、装置、设备及介质 | |
| Huang et al. | Video Recommendation Method Based on Deep Learning of Group Evaluation Behavior Sequences |
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 |