CN110942376A - 一种音频类产品的实时多召回策略的融合方法 - Google Patents
一种音频类产品的实时多召回策略的融合方法 Download PDFInfo
- Publication number
- CN110942376A CN110942376A CN201911211991.7A CN201911211991A CN110942376A CN 110942376 A CN110942376 A CN 110942376A CN 201911211991 A CN201911211991 A CN 201911211991A CN 110942376 A CN110942376 A CN 110942376A
- Authority
- CN
- China
- Prior art keywords
- recall
- real
- time
- strategy
- album
- 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.)
- Granted
Links
Images
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]
- G06Q30/0631—Item recommendations
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本发明公开了召回策略技术领域的一种音频类产品的实时多召回策略的融合方法,包括如下步骤:S1:实时触发推荐,S2:确定召回策略,S3:多策略融合;本发明在音频类产品的独特的推荐场景下,开发多个高效的召回策略进行融合,然后得到覆盖率高,多样性好,效果精准的推荐结果,能够从从几百万甚至上千万的商品中基于用户的兴趣类型从中过滤出几千到几百个商品,方便用户的使用。
Description
技术领域
本发明涉及召回策略技术领域,具体为一种音频类产品的实时多召回策略的融合方法。
背景技术
在当今的互联网产品中,推荐***越来越成为标配,例如电商平台推荐商品,新闻APP推荐新闻等,在音频领域中,为用户进行个性化推荐的最小的单位是专辑,专辑下又划分各个小的节目,有的音频产品专辑数是远远小于自己的用户数,如何在这种独特的场景下,开发性能稳定而且效果精准的个性化在线推荐***,是一个难度颇高且需要不断探索的难题。
基于此,本发明设计了一种音频类产品的实时多召回策略的融合方法,以解决上述问题。
发明内容
本发明的目的在于提供一种音频类产品的实时多召回策略的融合方法,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:一种音频类产品的实时多召回策略的融合方法,包括如下步骤:
S1:实时触发推荐
需要制定相应的实时触发条件,基于用户发生实时有效收听行为或实时搜索点击行为进行触发,有效收听标准是用户收听专辑超过60s或者用户收听专辑时长是该专辑的所有节目平均时长的一半以上,搜索点击行为指的是用户通过搜索框搜索关键词后,得到搜索列表后,点击专辑,则触发推荐;
S2:确定召回策略
由步骤S1中的触发推荐根据相关度实时召回策略A,根据播放热度实时召回策略B,根据Embedding实时召回策略C,根据新鲜度实时召回策略D,根据ALS离线召回策略E;
S3:多策略融合
对步骤S2中的相关度实时召回策略A、播放热度实时召回策略B、Embedding实时召回策略C、新鲜度实时召回策略D、ALS离线召回策略E进行ABtest,制定覆盖率、PTR(播放率)指标,得到各个召回策略效果的优劣,根据结果优劣得到各个召回策略的优先级,对于优先级高的召回策略召回的专辑,排在前面,目标数量设定偏大,优先级次之的召回策略的专辑排在后面,目前数量偏小,并且需要和之前优先级高的召回专辑进行去重,依次类推得到最终的融合召回集。
优选的,所述相关度实时召回策略A主要是通过四块内容进行结合得到的结果:协同过滤、专辑标签相似度、专家意见、主播相似度;这四块内容可以根据实际情况,动态调整各个部分的权重,根据实际效果,得到最优权重结果,得到触发推荐的专辑后,可以将该专辑相关度从大到小的前k个专辑作为实时召回集。
优选的,所述播放热度实时召回策略B通过音频产品的线上专辑在几万左右,可以人为设定几十个一级类目,几百个二级类目,则平均每个类目对应几十到几百的专辑,通过计算每日活跃用户最近90天的播放专辑次数分类目进行统计,可以获得每个类目按照播放次数从大到小排序的专辑列表,得到实时触发专辑的类目后,可以获取该二级类目的播放热度较高的专辑列表,作为实时召回集。
优选的,所述Embedding实时召回策略C通过获得用户最近半年的播放专辑序列,调用Word2Vec的模型,得到专辑向量,从而得到每个专辑的相关专辑列表,得到触发推荐的专辑后,可以将该专辑最相似的前k个专辑作为实时召回集。
优选的,所述Embedding实质是一种映射,从语义空间到向量空间的映射,同时尽可能在向量空间保持原样本在语义空间的关系,所述Word2Vec模型是一群用来产生词向量的相关模型,在word2vec中词袋模型假设下,词的顺序是不重要的,训练完成之后,word2vec模型可用来映射每个词到一个向量,可用来表示词对词之间的关系。
优选的,所述新鲜度实时召回策略D通过Bandit算法得到用户对各个类目的偏好,获得属于该用户偏好类目的新上线专辑作为实时召回集。
优选的,所述Bandit算法通过赋予音频类产品一个Beta分布,而不是单一的值,每次排序时通过采样随机获得一个排序值,通过这种随机性来加大商品排序的变动性,同时Beta分布的均值会跟着商品的表现而改变,这样就能对商品进行区分,让表现好的商品有更大的概率获得高排序值,而不会像均匀分布那样每个商品的曝光机率永远保持不变。
优选的,所述Beta分布是一个作为伯努利分布和二项式分布的共轭先验分布的密度函数。
优选的,所述ALS离线召回策略E通过获取每天活跃用户最近90天的播放日志,得到用户的Implicit-score-data格式,即1喜欢该专辑或者0不喜欢该专辑,通过ALS模型,预测用户可能喜欢的专辑列表,每天定时更新,补全的召回策略。
与现有技术相比,本发明的有益效果是:本发明在音频类产品的独特的推荐场景下,开发多个高效的召回策略进行融合,然后得到覆盖率高,多样性好,效果精准的推荐结果,能够从从几百万甚至上千万的商品中基于用户的兴趣类型从中过滤出几千到几百个商品,方便用户的使用。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明多召回策略的融合流程图。
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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1,本发明提供一种技术方案:一种音频类产品的实时多召回策略的融合方法,包括如下步骤:
S1:实时触发推荐
需要制定相应的实时触发条件,基于用户发生实时有效收听行为或实时搜索点击行为进行触发,有效收听标准是用户收听专辑超过60s或者用户收听专辑时长是该专辑的所有节目平均时长的一半以上,搜索点击行为指的是用户通过搜索框搜索关键词后,得到搜索列表后,点击专辑,则触发推荐;
S2:确定召回策略
由步骤S1中的触发推荐根据相关度实时召回策略A,相关度实时召回策略A主要是通过四块内容进行结合得到的结果:协同过滤、专辑标签相似度、专家意见、主播相似度;这四块内容可以根据实际情况,动态调整各个部分的权重,根据实际效果,得到最优权重结果,得到触发推荐的专辑后,可以将该专辑相关度从大到小的前k个专辑作为实时召回集;根据播放热度实时召回策略B,播放热度实时召回策略B通过音频产品的线上专辑在几万左右,可以人为设定几十个一级类目,几百个二级类目,则平均每个类目对应几十到几百的专辑,通过计算每日活跃用户最近90天的播放专辑次数分类目进行统计,可以获得每个类目按照播放次数从大到小排序的专辑列表,得到实时触发专辑的类目后,可以获取该二级类目的播放热度较高的专辑列表,作为实时召回集;根据Embedding实时召回策略C,Embedding实时召回策略C通过获得用户最近半年的播放专辑序列,调用Word2Vec的模型,得到专辑向量,从而得到每个专辑的相关专辑列表,得到触发推荐的专辑后,可以将该专辑最相似的前k个专辑作为实时召回集;根据新鲜度实时召回策略D,新鲜度实时召回策略D通过Bandit算法得到用户对各个类目的偏好,获得属于该用户偏好类目的新上线专辑作为实时召回集;根据ALS离线召回策略E,ALS离线召回策略E通过获取每天活跃用户最近90天的播放日志,得到用户的Implicit-score-data格式,即1喜欢该专辑或者0不喜欢该专辑,通过ALS模型,预测用户可能喜欢的专辑列表,每天定时更新,补全的召回策略;
S3:多策略融合
对步骤S2中的相关度实时召回策略A、播放热度实时召回策略B、Embedding实时召回策略C、新鲜度实时召回策略D、ALS离线召回策略E进行ABtest,制定覆盖率、PTR(播放率)指标,得到各个召回策略效果的优劣,根据结果优劣得到各个召回策略的优先级,对于优先级高的召回策略召回的专辑,排在前面,目标数量设定偏大,优先级次之的召回策略的专辑排在后面,目前数量偏小,并且需要和之前优先级高的召回专辑进行去重,依次类推得到最终的融合召回集。
其中,Embedding实质是一种映射,从语义空间到向量空间的映射,同时尽可能在向量空间保持原样本在语义空间的关系,Word2Vec模型是一群用来产生词向量的相关模型,在word2vec中词袋模型假设下,词的顺序是不重要的,训练完成之后,word2vec模型可用来映射每个词到一个向量,可用来表示词对词之间的关系。
其中,Bandit算法通过赋予音频类产品一个Beta分布,而不是单一的值,每次排序时通过采样随机获得一个排序值,通过这种随机性来加大商品排序的变动性,同时Beta分布的均值会跟着商品的表现而改变,这样就能对商品进行区分,让表现好的商品有更大的概率获得高排序值,而不会像均匀分布那样每个商品的曝光机率永远保持不变。
其中,Beta分布是一个作为伯努利分布和二项式分布的共轭先验分布的密度函数。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (9)
1.一种音频类产品的实时多召回策略的融合方法,其特征在于:包括如下步骤:
S1:实时触发推荐
需要制定相应的实时触发条件,基于用户发生实时有效收听行为或实时搜索点击行为进行触发,有效收听标准是用户收听专辑超过60s或者用户收听专辑时长是该专辑的所有节目平均时长的一半以上,搜索点击行为指的是用户通过搜索框搜索关键词后,得到搜索列表后,点击专辑,则触发推荐;
S2:确定召回策略
由步骤S1中的触发推荐根据相关度实时召回策略A,根据播放热度实时召回策略B,根据Embedding实时召回策略C,根据新鲜度实时召回策略D,根据ALS离线召回策略E;
S3:多策略融合
对步骤S2中的相关度实时召回策略A、播放热度实时召回策略B、Embedding实时召回策略C、新鲜度实时召回策略D、ALS离线召回策略E进行ABtest,制定覆盖率、PTR(播放率)指标,得到各个召回策略效果的优劣,根据结果优劣得到各个召回策略的优先级,对于优先级高的召回策略召回的专辑,排在前面,目标数量设定偏大,优先级次之的召回策略的专辑排在后面,目前数量偏小,并且需要和之前优先级高的召回专辑进行去重,依次类推得到最终的融合召回集。
2.根据权利要求1所述的一种音频类产品的实时多召回策略的融合方法,其特征在于:所述相关度实时召回策略A主要是通过四块内容进行结合得到的结果:协同过滤、专辑标签相似度、专家意见、主播相似度。
3.根据权利要求1所述的一种音频类产品的实时多召回策略的融合方法,其特征在于:所述播放热度实时召回策略B通过计算每日活跃用户最近90天的播放专辑次数分类目进行统计,可以获得每个类目按照播放次数从大到小排序的专辑列表。
4.根据权利要求1所述的一种音频类产品的实时多召回策略的融合方法,其特征在于:所述Embedding实时召回策略C通过获得用户最近半年的播放专辑序列,调用Word2Vec的模型,得到专辑向量,从而得到每个专辑的相关专辑列表。
5.根据权利要求4所述的一种音频类产品的实时多召回策略的融合方法,其特征在于:所述Embedding实质是一种映射,从语义空间到向量空间的映射,同时尽可能在向量空间保持原样本在语义空间的关系,所述Word2Vec模型是一群用来产生词向量的相关模型。
6.根据权利要求1所述的一种音频类产品的实时多召回策略的融合方法,其特征在于:所述新鲜度实时召回策略D通过Bandit算法得到用户对各个类目的偏好,获得属于该用户偏好类目的新上线专辑作为实时召回集。
7.根据权利要求6所述的一种音频类产品的实时多召回策略的融合方法,其特征在于:所述Bandit算法通过赋予音频类产品一个Beta分布,而不是单一的值,每次排序时通过采样随机获得一个排序值。
8.根据权利要求7所述的一种音频类产品的实时多召回策略的融合方法,其特征在于:所述Beta分布是一个作为伯努利分布和二项式分布的共轭先验分布的密度函数。
9.根据权利要求1所述的一种音频类产品的实时多召回策略的融合方法,其特征在于:所述ALS离线召回策略E通过获取每天活跃用户最近90天的播放日志,得到用户的Implicit-score-data格式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911211991.7A CN110942376B (zh) | 2019-12-02 | 2019-12-02 | 一种音频类产品的实时多召回策略的融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911211991.7A CN110942376B (zh) | 2019-12-02 | 2019-12-02 | 一种音频类产品的实时多召回策略的融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110942376A true CN110942376A (zh) | 2020-03-31 |
CN110942376B CN110942376B (zh) | 2023-09-01 |
Family
ID=69908716
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911211991.7A Active CN110942376B (zh) | 2019-12-02 | 2019-12-02 | 一种音频类产品的实时多召回策略的融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110942376B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111552831A (zh) * | 2020-04-21 | 2020-08-18 | 腾讯音乐娱乐科技(深圳)有限公司 | 一种音乐推荐的方法及服务器 |
CN112765241A (zh) * | 2021-02-04 | 2021-05-07 | 腾讯科技(深圳)有限公司 | 召回数据确定方法、装置及存储介质 |
CN112836085A (zh) * | 2021-02-08 | 2021-05-25 | 深圳市欢太科技有限公司 | 一种权重调整方法及装置、存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8260656B1 (en) * | 2001-04-19 | 2012-09-04 | Amazon.Com, Inc. | Mining of user-generated playlists for data regarding relationships between digital works |
US20160071182A1 (en) * | 2014-09-10 | 2016-03-10 | Microsoft Corporation | Multimedia recommendation based on artist similarity |
CN106095900A (zh) * | 2016-06-07 | 2016-11-09 | 网易无尾熊(杭州)科技有限公司 | 一种搜索结果提供方法和装置 |
CN106610968A (zh) * | 2015-10-21 | 2017-05-03 | 广州酷狗计算机科技有限公司 | 一种歌单列表确定方法、装置及电子设备 |
US20180240030A1 (en) * | 2016-03-18 | 2018-08-23 | Youku Internet Technology (Beijing) Co., Ltd. | Content recommendation method, apparatus and system |
CN108509534A (zh) * | 2018-03-15 | 2018-09-07 | 华南理工大学 | 基于深度学习的个性化音乐推荐***及其实现方法 |
CN109190043A (zh) * | 2018-09-07 | 2019-01-11 | 北京三快在线科技有限公司 | 推荐方法及装置,存储介质,电子设备及推荐*** |
EP3506124A1 (en) * | 2017-12-29 | 2019-07-03 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method for processing fusion data and information recommendation system |
-
2019
- 2019-12-02 CN CN201911211991.7A patent/CN110942376B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8260656B1 (en) * | 2001-04-19 | 2012-09-04 | Amazon.Com, Inc. | Mining of user-generated playlists for data regarding relationships between digital works |
US20160071182A1 (en) * | 2014-09-10 | 2016-03-10 | Microsoft Corporation | Multimedia recommendation based on artist similarity |
CN106610968A (zh) * | 2015-10-21 | 2017-05-03 | 广州酷狗计算机科技有限公司 | 一种歌单列表确定方法、装置及电子设备 |
US20180240030A1 (en) * | 2016-03-18 | 2018-08-23 | Youku Internet Technology (Beijing) Co., Ltd. | Content recommendation method, apparatus and system |
CN106095900A (zh) * | 2016-06-07 | 2016-11-09 | 网易无尾熊(杭州)科技有限公司 | 一种搜索结果提供方法和装置 |
EP3506124A1 (en) * | 2017-12-29 | 2019-07-03 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method for processing fusion data and information recommendation system |
CN108509534A (zh) * | 2018-03-15 | 2018-09-07 | 华南理工大学 | 基于深度学习的个性化音乐推荐***及其实现方法 |
CN109190043A (zh) * | 2018-09-07 | 2019-01-11 | 北京三快在线科技有限公司 | 推荐方法及装置,存储介质,电子设备及推荐*** |
Non-Patent Citations (1)
Title |
---|
薛董敏;赵志华;: "融合Fisher判别分析与波动序列的音乐推荐方法" * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111552831A (zh) * | 2020-04-21 | 2020-08-18 | 腾讯音乐娱乐科技(深圳)有限公司 | 一种音乐推荐的方法及服务器 |
CN111552831B (zh) * | 2020-04-21 | 2024-03-26 | 腾讯音乐娱乐科技(深圳)有限公司 | 一种音乐推荐的方法及服务器 |
CN112765241A (zh) * | 2021-02-04 | 2021-05-07 | 腾讯科技(深圳)有限公司 | 召回数据确定方法、装置及存储介质 |
CN112765241B (zh) * | 2021-02-04 | 2024-06-11 | 腾讯科技(深圳)有限公司 | 召回数据确定方法、装置及存储介质 |
CN112836085A (zh) * | 2021-02-08 | 2021-05-25 | 深圳市欢太科技有限公司 | 一种权重调整方法及装置、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110942376B (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110543598B (zh) | 信息推荐方法、装置及终端 | |
CN110704739B (zh) | 资源推荐方法、装置及计算机存储介质 | |
TWI591556B (zh) | Search engine results sorting method and system | |
CN102332006B (zh) | 一种信息推送控制方法及装置 | |
CN110442790A (zh) | 推荐多媒体数据的方法、装置、服务器和存储介质 | |
CN104331459B (zh) | 一种基于在线学习的网络资源推荐方法及装置 | |
JP2022508163A (ja) | ユーザタグ生成方法並びにその、装置、コンピュータプログラム及びコンピュータ機器 | |
CN110942376A (zh) | 一种音频类产品的实时多召回策略的融合方法 | |
CN110046952A (zh) | 一种推荐模型的训练方法及装置、一种推荐方法及装置 | |
US8893012B1 (en) | Visual indicator based on relative rating of content item | |
CN110033342A (zh) | 一种推荐模型的训练方法及装置、一种推荐方法及装置 | |
CN106326351A (zh) | 一种基于用户反馈的推荐***冷启动解决方法 | |
CN110175895B (zh) | 一种物品推荐方法及装置 | |
CN111461841A (zh) | 物品推荐方法、装置、服务器及存储介质 | |
CN112749330B (zh) | 信息推送方法、装置、计算机设备和存储介质 | |
US20100318427A1 (en) | Enhancing database management by search, personal search, advertising, and databases analysis efficiently using core-set implementations | |
CN108595493A (zh) | 媒体内容的推送方法和装置、存储介质、电子装置 | |
CN112801760A (zh) | 一种内容个性化推荐***的排序优化方法及*** | |
CN110941762A (zh) | 一种个性化推荐***排序结果的改进方法 | |
CN110825974B (zh) | 推荐***内容排序方法及装置 | |
CN113761347A (zh) | 一种商品推荐方法、装置、存储介质及*** | |
CN111046224B (zh) | 一种音频产品的实时召回方法 | |
WO2023087933A1 (zh) | 内容推荐方法、装置、设备、存储介质及程序产品 | |
CN115374348A (zh) | 一种信息推荐方法、信息推荐装置和可读存储介质 | |
Regi et al. | A survey on recommendation techniques in E-Commerce |
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 |