CN109359137B - 基于特征筛选与半监督学习的用户成长性画像构建方法 - Google Patents
基于特征筛选与半监督学习的用户成长性画像构建方法 Download PDFInfo
- Publication number
- CN109359137B CN109359137B CN201811199944.0A CN201811199944A CN109359137B CN 109359137 B CN109359137 B CN 109359137B CN 201811199944 A CN201811199944 A CN 201811199944A CN 109359137 B CN109359137 B CN 109359137B
- Authority
- CN
- China
- Prior art keywords
- user
- training
- model
- time
- behavior
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种用户成长性画像构建方法,一种基于特征筛选与半监督学习的用户成长性画像构建方法,包括以下步骤:(1)对原始用户数据进行预处理,(2)根据用户的行为数据,提取用户的行为特征和时间特征,(3)在行为特征和时间特征上进行特征筛选,(4)使用半监督学习扩大训练集,(5)训练一级模型,(6)模型融合,(7)用户成长值的预测。本发明除了关注用户的行为特征,还关注了用户的时间特征,并且使用特征筛选的方法选出其中区分度明显的特征,结合半监督方法扩充训练集,最后使用模型融合的方法,提高模型最终的准确率和稳定性。
Description
技术领域
本发明涉及一种用户成长性画像构建方法,更具体地说,涉及一种基于特征筛选与半监督学习的用户成长性画像构建方法。
背景技术
随着互联网行业发展的越来越成熟,现在各大互联网公司都开始加大力度进行用户资源的争夺,而其中重要的一环就是用户的精准营销服务。另一方面,用户画像在大数据的基础上,为每个用户贴上标签,因此可以看出,用户画像是实现精准营销的一大助力。而用户的成长性画像又是用户画像中十分重要的一环。用户的成长值反映了用在社交媒体平台,如博客、微博等的潜在活跃力。如果可以预测某一话题领域的用户成长值,那么将有助于前期产品的设计。用户的成长值预测对于公司产品的设计,用户运营,精准营销有很大助力,也因此成为当今国内外研究的重点方向。
目前,对于用户成长值预测的研究主要是对特征工程的探索。特征工程主要包括用户的一些基本特征,包括被关注数,被转发数,被提及数等。这些基本特征都被验证能较好地对用户进行分类从而实现精准营销。此外,还可以根据这些基本特征衍生出新的特征,比如说将关注数,被转发次数和被提及次数计算成排名来形成新的特征。除了这些基本特征,还有一些用户的行为特征,比如说登录次数、关注转发数量、点赞或点踩数量等,也可以有效地反映出用户的活跃度等属性。
目前的研究在提取用户特征时更多关注的是用户的行为特征,并且行为特征以‘次数’为主要挖掘对象。而在本发明中,不仅以‘行为次数’为主提取用户行为特征,还挖掘了时间特征。时间特征可以更全面地反映用户的回访率和用户粘性。相比于多变的行为特征,时间特征更稳定也更有利于模型的稳定性。
在采用监督学习的用户成长值预测中普遍存在的问题是标注数据不足,标注数据往往需要大量的专家知识,耗费大量的时间才能完成,所以高质量的标注数据往往十分的珍贵,大量的标注数据通常意味着很大的成本。因此本发明采用了半监督学习的方法来解决标注数据不足的问题。
发明内容
为了克服现有技术中存在的不足,本发明目的是提供一种基于特征筛选与半监督学习的用户成长性画像构建方法。该方法除了关注用户的行为特征,还关注了用户的时间特征,并且使用特征筛选的方法选出其中区分度明显的特征,结合半监督方法扩充训练集,最后使用模型融合的方法,提高模型最终的准确率和稳定性。
为了实现上述发明目的,解决已有技术中所存在的问题,本发明采取的技术方案是:一种基于特征筛选与半监督学习的用户成长性画像构建方法,包括以下步骤:
步骤1、对原始用户数据进行预处理,选择2017全国社会媒体处理大会SMPCUP评测任务CSDN用户画像数据集,并对其进行预处理,具体包括以下子步骤:
(a)把9个文件中的用户数据,包括用户浏览记录、用户发文记录、用户评论记录、用户点赞记录、用户点踩记录、用户点喜欢记录、用户关注记录、用户私信记录以及标注的用户成长值,通过用户ID进行整合;
(b)根据用户的各个行为的时间记录,统计用户各个行为的次数,然后对整合、统计之后的用户数据表的空值进行填充,其中,行为次数的空值使用0填充,时间记录的空值使用-1填充;
步骤2、根据用户的行为数据,提取用户的行为特征和时间特征,具体包括以下子步骤:
(a)提取统计得到的用户浏览次数、用户发文次数、用户评论次数、用户点赞次数、用户点踩次数、用户点喜欢次数、用户关注次数和用户私信次数作为用户的八个行为特征;
(b)抽取用户一年的活跃天数作为一个时间特征,另外,根据用户的所有活动时间记录,统计用户的活跃月份数,然后加上用户最开始的活跃月份,作为修正的活跃月数特征,最后提取用户的最后活跃时间,把用户最后活跃时间与用户所有行为次数之和分别归一化后相加,作为修正的用户最后活跃时间特征,一共形成三个用户时间特征,即用户一年的活跃天数,修正的活跃月数,修正的用户最后活跃时间三用户时间特征;
步骤3、在行为特征和时间特征上进行特征筛选,具体包括以下子步骤:
(a)通过L1范数进行特征筛选,使用支持向量机回归SVR模型,设置惩罚项为L1,使用的目标函数通过公式(1)进行描述,
其中,表示SVR原有的成本项,w表示特征的权重,||w||1表示w的L1范数,由于L1范数非0,所以添加L1正则项之后会迫使不重要特征的权重趋于0,之后筛选掉特征权重小于预先设定的阈值10-5的特征;
(b)通过树模型进行特征筛选,使用梯度提升树GBT训练模型,然后计算每个特征在所有树中的重要度平均值,把权重低于平均值的特征筛选掉;
步骤4、使用半监督学习扩大训练集,采用SVR训练样本预测未标注数据的成长值,然后使用基于协同训练的半监督回归算法COREG来扩大训练集,具体操作是使用公式(2)来计算预测的未标注样本成长值的置信度Δxu,
其中,xi表示已标注的样本,h表示用已标注的样本学习得到的SVR模型,Ω表示每一个待测样本的k个邻近结点组成的集合,这里k取7,yi表示已标注样本的真实值,H表示将未标注样本点(xu,yu)加入训练集后训练得到的SVR模型,最后取Δxu值最大的前1/8个未标注样本和其预测结果,将其当作已标注数据,来达到扩充训练样本的目的;
步骤5、训练一级模型,共有如下5个一级模型:
(a)使用全部的行为特征训练GBT模型;
(b)使用基于树模型筛选后的用户行为特征和时间特征,训练SVR模型;
(c)使用基于树模型筛选后的用户行为特征和时间特征,再结合半监督学习,训练随机森林RF回归模型;
(d)使用基于树模型筛选后的用户行为特征和时间特征,再结合半监督学习,训练k邻近KNN回归模型;
(e)使用基于树模型筛选后的用户行为特征和时间特征,再结合半监督学习,训练更多树回归ETR模型;
步骤6、模型融合,使用stacking方法融合上述5个一级模型,将上述5个一级模型的输出结果输入GBT模型进行融合;
步骤7、用户成长值的预测,利用步骤6得到的模型,在未标注数据上进行预测,得到未标注用户的成长值。
本发明有益效果是:一种基于特征筛选与半监督学习的用户成长性画像构建方法,包括以下步骤:(1)对原始用户数据进行预处理,(2)根据用户的行为数据,提取用户的行为特征和时间特征,(3)在行为特征和时间特征上进行特征筛选,(4)使用半监督学习扩大训练集,(5)训练一级模型,(6)模型融合,(7)用户成长值的预测。与已有技术相比,本发明除了关注用户的行为特征,还关注了用户的时间特征,并且使用特征筛选的方法选出其中区分度明显的特征,结合半监督方法扩充训练集,最后使用模型融合的方法,提高模型最终的准确率和稳定性。
附图说明
图1是本发明方法步骤流程图。
图2是本发明模型框架图。
具体实施方式
下面结合附图对本发明作进一步说明。
如图1所示,一种基于特征筛选与半监督学习的用户成长性画像构建方法,包括以下步骤:
步骤1、对原始用户数据进行预处理,选择2017全国社会媒体处理大会SMPCUP评测任务CSDN用户画像数据集,并对其进行预处理,具体包括以下子步骤:
(a)把9个文件中的用户数据,包括用户浏览记录、用户发文记录、用户评论记录、用户点赞记录、用户点踩记录、用户点喜欢记录、用户关注记录、用户私信记录以及标注的用户成长值,通过用户ID进行整合;
(b)根据用户的各个行为的时间记录,统计用户各个行为的次数,然后对整合、统计之后的用户数据表的空值进行填充,其中,行为次数的空值使用0填充,时间记录的空值使用-1填充;
步骤2、根据用户的行为数据,提取用户的行为特征和时间特征,具体包括以下子步骤:
(a)提取统计得到的用户浏览次数、用户发文次数、用户评论次数、用户点赞次数、用户点踩次数、用户点喜欢次数、用户关注次数和用户私信次数作为用户的八个行为特征;
(b)抽取用户一年的活跃天数作为一个时间特征,另外,根据用户的所有活动时间记录,统计用户的活跃月份数,然后加上用户最开始的活跃月份,作为修正的活跃月数特征,最后提取用户的最后活跃时间,把用户最后活跃时间与用户所有行为次数之和分别归一化后相加,作为修正的用户最后活跃时间特征,一共形成三个用户时间特征,即用户一年的活跃天数,修正的活跃月数,修正的用户最后活跃时间三用户时间特征;
步骤3、在行为特征和时间特征上进行特征筛选,具体包括以下子步骤:
(a)通过L1范数进行特征筛选,使用支持向量机回归SVR模型,设置惩罚项为L1,使用的目标函数通过公式(1)进行描述,
其中,表示SVR原有的成本项,w表示特征的权重,||w||1表示w的L1范数,由于L1范数非0,所以添加L1正则项之后会迫使不重要特征的权重趋于0,之后筛选掉特征权重小于预先设定的阈值10-5的特征;
(b)通过树模型进行特征筛选,使用梯度提升树GBT训练模型,然后计算每个特征在所有树中的重要度平均值,把权重低于平均值的特征筛选掉;
步骤4、使用半监督学习扩大训练集,采用SVR训练样本预测未标注数据的成长值,然后使用基于协同训练的半监督回归算法COREG来扩大训练集,具体操作是使用公式(2)来计算预测的未标注样本成长值的置信度Δxu,
其中,xi表示已标注的样本,h表示用已标注的样本学习得到的SVR模型,Ω表示每一个待测样本的k个邻近结点组成的集合,这里k取7,yi表示已标注样本的真实值,H表示将未标注样本点(xu,yu)加入训练集后训练得到的SVR模型,最后取Δxu值最大的前1/8个未标注样本和其预测结果,将其当作已标注数据,来达到扩充训练样本的目的;
步骤5、训练一级模型,共有如下5个一级模型:
(a)使用全部的行为特征训练GBT模型;
(b)使用基于树模型筛选后的用户行为特征和时间特征,训练SVR模型;
(c)使用基于树模型筛选后的用户行为特征和时间特征,再结合半监督学习,训练随机森林RF回归模型;
(d)使用基于树模型筛选后的用户行为特征和时间特征,再结合半监督学习,训练k邻近KNN回归模型;
(e)使用基于树模型筛选后的用户行为特征和时间特征,再结合半监督学习,训练更多树回归ETR模型;
步骤6、模型融合:使用stacking方法融合上述5个一级模型,将上述5个一级模型的输出结果输入GBT模型进行融合;
步骤7、用户成长值的预测,利用步骤6得到的模型,在未标注数据上进行预测,得到未标注用户的成长值。
为了检验本发明的有效性,本发明在CSDN数据上采取了实验,实验数据包括800条已标注的数据作为训练集,215条已标注数据作为测试集,4000个未标注的数据。本发明使用的准确率由预测的用户成长值与给定的用户真实成长值之间的相对误差来计算,即准确率为,
表1
其中,WB表示全部的行为特征,L1B表示L1正则筛选后的行为特征,TreeB为使用树模型筛选后的行为特征,WT表示全部的时间特征,TreeT为使用树模型筛选后的时间特征,hkNN表示使用kNN算法进行半监督学习扩充训练集,hSVM表示使用SVM算法进行半监督学习扩充训练集。
本发明的优点在于:一种基于特征筛选与半监督学习的用户成长性画像构建方法,除了关注用户的行为特征,还关注了用户的时间特征,并且使用特征筛选的方法选出其中区分度明显的特征,结合半监督方法扩充训练集,最后使用模型融合的方法,提高模型最终的准确率和稳定性。
Claims (1)
1.一种基于特征筛选与半监督学习的用户成长性画像构建方法,其特征在于包括以下步骤:
步骤1、对原始用户数据进行预处理,选择2017全国社会媒体处理大会SMP CUP评测任务CSDN用户画像数据集,并对其进行预处理,具体包括以下子步骤:
(a)把用户画像数据集中的用户数据,包括用户浏览记录、用户发文记录、用户评论记录、用户点赞记录、用户点踩记录、用户点喜欢记录、用户关注记录、用户私信记录以及标注的用户成长值,通过用户ID进行整合;
(b)根据用户的各个行为的时间记录,统计用户各个行为的次数,然后对整合、统计之后的用户数据表的空值进行填充,其中,行为次数的空值使用0填充,时间记录的空值使用-1填充;
步骤2、根据用户的行为数据,提取用户的行为特征和时间特征,具体包括以下子步骤:
(a)提取统计得到的用户浏览次数、用户发文次数、用户评论次数、用户点赞次数、用户点踩次数、用户点喜欢次数、用户关注次数和用户私信次数作为用户的八个行为特征;
(b)抽取用户一年的活跃天数作为一个时间特征,另外,根据用户的所有活动时间记录,统计用户的活跃月份数,然后加上用户最开始的活跃月份,作为修正的活跃月数特征,最后提取用户的最后活跃时间,把用户最后活跃时间与用户所有行为次数之和分别归一化后相加,作为修正的用户最后活跃时间特征,一共形成三个用户时间特征,即用户一年的活跃天数,修正的活跃月数,修正的用户最后活跃时间三用户时间特征;
步骤3、在行为特征和时间特征上进行特征筛选,具体包括以下子步骤:
(a)通过L1范数进行特征筛选,使用支持向量机回归SVR模型,设置惩罚项为L1,使用的目标函数通过公式(1)进行描述,
其中,表示SVR原有的成本项,w表示特征的权重,||w||1表示w的L1范数,由于L1范数非0,所以添加L1正则项之后会迫使不重要特征的权重趋于0,之后筛选掉特征权重小于预先设定的阈值10-5的特征;
(b)通过树模型进行特征筛选,使用梯度提升树GBT训练模型,然后计算每个特征在所有树中的重要度平均值,把权重低于平均值的特征筛选掉;
步骤4、使用半监督学习扩大训练集,采用SVR训练样本预测未标注数据的成长值,然后使用基于协同训练的半监督回归算法COREG来扩大训练集,具体操作是使用公式(2)来计算预测的未标注样本成长值的置信度Δxu,
其中,xi表示已标注的样本,h表示用已标注的样本学习得到的SVR模型,Ω表示每一个待测样本的k个邻近结点组成的集合,这里k取7,yi表示已标注样本的真实值,H表示将未标注样本点(xu,yu)加入训练集后训练得到的SVR模型,最后取Δxu值最大的前1/8个未标注样本和其预测结果,将其当作已标注数据,来达到扩充训练样本的目的;
步骤5、训练一级模型,共有如下5个一级模型:
(a)使用全部的行为特征训练GBT模型;
(b)使用基于树模型筛选后的用户行为特征和时间特征,训练SVR模型;
(c)使用基于树模型筛选后的用户行为特征和时间特征,再结合半监督学习,训练随机森林RF回归模型;
(d)使用基于树模型筛选后的用户行为特征和时间特征,再结合半监督学习,训练k邻近KNN回归模型;
(e)使用基于树模型筛选后的用户行为特征和时间特征,再结合半监督学习,训练更多树回归ETR模型;
步骤6、模型融合,使用stacking方法融合上述5个一级模型,将上述5个一级模型的输出结果输入GBT模型进行融合;
步骤7、用户成长值的预测,利用步骤6得到的模型,在未标注数据上进行预测,得到未标注用户的成长值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811199944.0A CN109359137B (zh) | 2018-10-16 | 2018-10-16 | 基于特征筛选与半监督学习的用户成长性画像构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811199944.0A CN109359137B (zh) | 2018-10-16 | 2018-10-16 | 基于特征筛选与半监督学习的用户成长性画像构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109359137A CN109359137A (zh) | 2019-02-19 |
CN109359137B true CN109359137B (zh) | 2021-03-26 |
Family
ID=65349477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811199944.0A Active CN109359137B (zh) | 2018-10-16 | 2018-10-16 | 基于特征筛选与半监督学习的用户成长性画像构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109359137B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109903840B (zh) * | 2019-02-28 | 2021-05-11 | 数坤(北京)网络科技有限公司 | 一种模型整合方法及设备 |
CN110674178B (zh) * | 2019-08-30 | 2023-09-05 | 创新先进技术有限公司 | 构建用户画像标签的方法及其*** |
CN111177538B (zh) * | 2019-12-13 | 2023-05-05 | 杭州顺网科技股份有限公司 | 一种基于无监督权值计算的用户兴趣标签构建方法 |
CN113496172A (zh) * | 2020-04-03 | 2021-10-12 | 深圳爱根斯通科技有限公司 | 指纹异物检测的方法、装置、电子设备及存储介质 |
CN111667374B (zh) * | 2020-06-10 | 2023-07-18 | 创新奇智(上海)科技有限公司 | 一种构建用户画像的方法、装置、存储介质和电子设备 |
CN113128597B (zh) * | 2021-04-21 | 2021-10-08 | 浙江大学 | 一种用户行为特征的提取和分类预测的方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107423442A (zh) * | 2017-08-07 | 2017-12-01 | 火烈鸟网络(广州)股份有限公司 | 基于用户画像行为分析的应用推荐方法及***,储存介质及计算机设备 |
CN107633036A (zh) * | 2017-09-08 | 2018-01-26 | 广州汪汪信息技术有限公司 | 一种微博用户画像方法、电子设备、存储介质、*** |
CN108629633A (zh) * | 2018-05-09 | 2018-10-09 | 浪潮软件股份有限公司 | 一种基于大数据建立用户画像的方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9015795B2 (en) * | 2012-09-10 | 2015-04-21 | Oracle International Corporation | Reputation-based auditing of enterprise application authorization models |
-
2018
- 2018-10-16 CN CN201811199944.0A patent/CN109359137B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107423442A (zh) * | 2017-08-07 | 2017-12-01 | 火烈鸟网络(广州)股份有限公司 | 基于用户画像行为分析的应用推荐方法及***,储存介质及计算机设备 |
CN107633036A (zh) * | 2017-09-08 | 2018-01-26 | 广州汪汪信息技术有限公司 | 一种微博用户画像方法、电子设备、存储介质、*** |
CN108629633A (zh) * | 2018-05-09 | 2018-10-09 | 浪潮软件股份有限公司 | 一种基于大数据建立用户画像的方法及*** |
Non-Patent Citations (4)
Title |
---|
Collective Semi-Supervised Learning for User Profiling in Social Media;Richard J. Oentaryo等;《https://arxiv.org/pdf/1606.07707.pdf》;20160624;第1-14页 * |
Semi-supervised regression with co-training;ZHOU Zhihua等;《International Joint Conference on Artificial Intelligence》;20051231;第908-913页 * |
基于模型堆叠的上网行为日志用户画像方法;王乐等;《CNKI》;20180914;第70-78页 * |
用户画像构建中知识表示与模型融合研究;李恒超;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180415;第I138-3913页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109359137A (zh) | 2019-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109359137B (zh) | 基于特征筛选与半监督学习的用户成长性画像构建方法 | |
CN112199608B (zh) | 基于网络信息传播图建模的社交媒体谣言检测方法 | |
CN103795613B (zh) | 一种在线社交网络中朋友关系预测的方法 | |
CN103823890B (zh) | 一种针对特定群体的微博热点话题检测方法及装置 | |
CN106372072A (zh) | 一种基于位置的移动社会网络用户关系的识别方法 | |
CN107679183A (zh) | 分类器用训练数据获取方法和装置、服务器及存储介质 | |
CN104866557B (zh) | 一种基于建构学习理论的个性化即时学习支持***与方法 | |
CN104915397A (zh) | 一种微博传播趋势预测方法及装置 | |
CN110457404A (zh) | 基于复杂异质网络的社交媒体账户分类方法 | |
CN108052625A (zh) | 一种实体精细分类方法 | |
CN108470022A (zh) | 一种基于运维管理的智能工单质检方法 | |
CN107423820A (zh) | 结合实体层次类别的知识图谱表示学习方法 | |
CN108446885A (zh) | 一种评审意见自动归集方法 | |
CN108647800A (zh) | 一种基于节点嵌入的在线社交网络用户缺失属性预测方法 | |
CN108241867A (zh) | 一种分类方法及装置 | |
Gu et al. | [Retracted] Application of Fuzzy Decision Tree Algorithm Based on Mobile Computing in Sports Fitness Member Management | |
CN108960488A (zh) | 一种基于深度学习与多源信息融合的饱和负荷空间分布精准预测方法 | |
CN109472030A (zh) | 一种***回复质量的评价方法及装置 | |
CN104850868A (zh) | 一种基于k-means和神经网络聚类的客户细分方法 | |
CN112819024B (zh) | 模型处理方法、用户数据处理方法及装置、计算机设备 | |
CN108647729A (zh) | 一种用户画像获取方法 | |
CN114584406B (zh) | 一种联邦学习的工业大数据隐私保护***及方法 | |
CN104598648A (zh) | 一种微博用户交互式性别识别方法及装置 | |
CN109949175B (zh) | 一种基于协同过滤和相似性度量的用户属性推断方法 | |
CN111460796B (zh) | 一种基于词网络的偶发敏感词发现方法 |
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 |