CN113449210A - 基于时空特征的个性化推荐方法、装置、电子设备及存储介质 - Google Patents
基于时空特征的个性化推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113449210A CN113449210A CN202110747365.0A CN202110747365A CN113449210A CN 113449210 A CN113449210 A CN 113449210A CN 202110747365 A CN202110747365 A CN 202110747365A CN 113449210 A CN113449210 A CN 113449210A
- Authority
- CN
- China
- Prior art keywords
- information
- matrix
- implicit
- browsing
- browsed
- 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
- 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
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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
- 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
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例提供一种基于时空特征的个性化推荐方法,方法包括:获取目标用户的在浏览信息时的时空矩阵,时空矩阵包括浏览时间、浏览地点以及浏览标签,不同浏览标签对应于不同类型的信息内容;获取所有信息的评分矩阵,评分矩阵包括信息标签、用户信息以及评分值,不同信息标签对应于不同类型的信息内容;将评分矩阵进行隐式因子分解,得到基于信息标签的隐式信息矩阵,隐式信息矩阵包括信息标签以及第一隐式评分;基于隐式信息矩阵与时空矩阵,得到目标用户的个性化推荐矩阵;根据个性化推荐矩阵对目标用户进行个性化推荐。本发明能够考虑到用户何时何地对何种信息进行感兴趣,从而充分挖掘用户的浏览个性,从而提高推荐准确率。
Description
技术领域
本发明涉及智能推荐领域,尤其涉及一种基于时空特征的个性化推荐方法、装置、电子设备及存储介质。
背景技术
信息推送是给用户推荐一些特定的信息,以减少用户对于信息的搜索成本,随着互联网的发展和大数据的发展,信息推送可以根据用户的兴趣来搜索用户可能感兴趣的信息和过滤用户可能不感兴趣的信息,并将用户感兴趣的信息推给用户,帮助用户高效率地浏览自己感兴趣的信息。
现有的推荐方法主要是通过信息相似度或者用户群体进行推荐,基于信息相似度的推荐指的是,当用户对某条信息内容感兴趣时,则会为用户推荐相同类别的信息内容,基于用户群体的推荐指的是,对用户进行聚类,同一类型的用户推荐相同类别的信息内容。然而,无论是基于信息相似度的推荐还是基于用户群体的推荐,都存在推荐信息固化的问题,会向用户长期推荐同质化的信息内容,当用户处理不同时间和不同位置时,其所需要的信息内容是会发生变化的,使得现有推荐方法无法及时感知用户的需求变化,进而使得推荐准确率较低。
发明内容
本发明实施例提供一种基于时空特征的个性化推荐方法,能够在信息评分的基础上,根据用户在时间上和空间上的信息来对用户进行信息推荐,由于考虑到用户何时何地对何种信息进行感兴趣,从而充分挖掘用户的浏览个性,从而提高推荐准确率。
第一方面,本发明实施例提供一种基于时空特征的个性化推荐方法,所述方法包括:
获取目标用户在浏览信息时的时空矩阵,所述时空矩阵包括浏览时间、浏览地点以及浏览标签,不同浏览标签对应于不同类型的信息内容;
获取所有信息的评分矩阵,所述评分矩阵包括信息标签、用户信息以及评分值,不同信息标签对应于不同类型的信息内容;
将所述评分矩阵进行隐式因子分解,得到基于信息标签的隐式信息矩阵,所述隐式信息矩阵包括信息标签以及第一隐式评分;
基于所述隐式信息矩阵与所述时空矩阵,得到所述目标用户的个性化推荐矩阵;
根据所述个性化推荐矩阵对所述目标用户进行个性化推荐。
可选的,所述获取所有信息的评分矩阵,包括:
获取平台的历史浏览信息,所述历史浏览信息包括被浏览信息的信息标签、被浏览次数、正面评价次数、负面评价次数以及被浏览信息对应的用户信息;
通过所述被浏览信息的所述被浏览次数、所述正面评价次数以及所述负面评价次数,计算所述被浏览信息的评分值;
根据所述被浏览信息的信息标签、所述被浏览信息的评分值以及被浏览信息对应的用户信息,构建所述评分矩阵。
可选的,所述基于所述隐式信息矩阵与所述时空矩阵,得到所述目标用户的个性化推荐矩阵,包括:
将所述时空矩阵进行掩码,得到所述时空矩阵的掩码矩阵,在所述掩码矩阵中,一个掩码值对应一个浏览标签;
基于所述隐式信息矩阵与所述掩码矩阵,得到所述目标用户的个性化推荐矩阵。
可选的,在所述基于所述隐式信息矩阵与所述掩码矩阵,得到所述目标用户的个性化推荐矩阵之前,所述基于所述隐式信息矩阵与所述时空矩阵,得到所述目标用户的个性化推荐矩阵,还包括:
对所述掩码矩阵进行维数变化,以使所述掩码矩阵的维数与所述隐式信息矩阵相同。
可选的,所述对所述掩码矩阵进行维数变化,包括:
通过预设的全卷积网络对所述掩码矩阵进行维数变化,所述全卷积网络的输出维数根据所述隐式信息矩阵的维数相同。
可选的,所述将所述时空矩阵进行掩码,得到所述时空矩阵的掩码矩阵,包括:
将所述评分矩阵进行隐式因子分解,得到基于用户信息的隐式用户矩阵,所述隐式用户矩阵包括用户信息以及第二隐式评分;
根据所述第二隐式评分,计算所述目标用户的掩码系数;
根据所述掩码系数,对所述掩码矩阵进行掩码计算。
第二方面,本发明实施例提供一种基于时空特征的个性化推荐装置,所述装置包括:
第一获取模块,用于获取目标用户的在浏览信息时的时空矩阵,所述时空矩阵包括浏览时间、浏览地点以及浏览标签,不同浏览标签对应于不同类型的信息内容;
第二获取模块,用于获取所有信息的评分矩阵,所述评分矩阵包括信息标签、用户信息以及评分值,不同信息标签对应于不同类型的信息内容;
分解模块,用于将所述评分矩阵进行隐式因子分解,得到基于信息标签的隐式信息矩阵,所述隐式信息矩阵包括信息标签以及第一隐式评分;
处理模块,用于基于所述隐式信息矩阵与所述时空矩阵,得到所述目标用户的个性化推荐矩阵;
推荐模块,用于根据所述个性化推荐矩阵对所述目标用户进行个性化推荐。
可选的,所述第二获取模块包括:
获取子模块,用于获取平台的历史浏览信息,所述历史浏览信息包括被浏览信息的信息标签、被浏览次数、正面评价次数、负面评价次数以及被浏览信息对应的用户信息;
计算子模块,用于通过所述被浏览信息的所述被浏览次数、所述正面评价次数以及所述负面评价次数,计算所述被浏览信息的评分值;
构建子模块,用于根据所述被浏览信息的信息标签、所述被浏览信息的评分值以及被浏览信息对应的用户信息,构建所述评分矩阵。
第三方面,本发明实施例提供一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明实施例提供的基于时空特征的个性化推荐方法中的步骤。
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现发明实施例提供的基于时空特征的个性化推荐方法中的步骤。
本发明实施例中,获取目标用户的在浏览信息时的时空矩阵,所述时空矩阵包括浏览时间、浏览地点以及浏览标签,不同浏览标签对应于不同类型的信息内容;获取所有信息的评分矩阵,所述评分矩阵包括信息标签、用户信息以及评分值,不同信息标签对应于不同类型的信息内容;将所述评分矩阵进行隐式因子分解,得到基于信息标签的隐式信息矩阵,所述隐式信息矩阵包括信息标签以及第一隐式评分;基于所述隐式信息矩阵与所述时空矩阵,得到所述目标用户的个性化推荐矩阵;根据所述个性化推荐矩阵对所述目标用户进行个性化推荐。本发明能够在信息评分的基础上,根据用户在时间上和空间上的信息来对用户进行信息推荐,由于考虑到用户何时何地对何种信息进行感兴趣,从而充分挖掘用户的浏览个性,从而提高推荐准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中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是本发明实施例提供的一种基于时空特征的个性化推荐方法的流程图;
图2是本发明实施例提供的一种评分矩阵获取的流程图;
图3是本发明实施例提供的一种基于时空特征的个性化推荐装置的结构示意图;
图4是本发明实施例提供的一种第二获取模块的结构示意图;
图5是本发明实施例提供的一种处理模块的结构示意图;
图6是本发明实施例提供的另一种处理模块的结构示意图;
图7是本发明实施例提供的一种掩码子模块的结构示意图;
图8是本发明实施例提供的一种电子设备的结构示意图。
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他实施例,都属于本发明保护的范围。
请参见图1,图1是本发明实施例提供的一种基于时空特征的个性化推荐方法的流程图,如图1所示,包括以下步骤:
101、获取目标用户在浏览信息时的时空矩阵。
在本发明实施例中,上述时空矩阵包括浏览时间、浏览地点以及浏览标签,不同浏览标签对应于不同类型的信息内容。
进一步的,上述目标用户所浏览的信息可以是本平台信息,也可以是跨平台信息,上述浏览时间指的是目标用户浏览信息时的时间点,上述浏览地点指的是目标用户浏览信息时所处的位置,上述浏览时间和浏览地点可以通过目标用户的终端设备进行获取,比如可以通过终端设备内置的时间,在目标用户浏览信息时,记录对应的浏览时间,可以通过终端设备内置的定位***,在目标用户浏览信息时,记录对应的浏览位置。
在本发明实施例中,上述本平台的是搭载本发明实施例中基于时空特征的个性化推荐方法的平台,上述跨平台指的是除本平台外还包括有其他平台,其他平台可以不是搭载本发明实施例中基于时空特征的个性化推荐方法的平台。在本平台的情景下,可以根据目标用户的浏览信息直接获取预先为该浏览信息分配的浏览标签。在跨平台的情景下,可以根据目标用户的浏览信息来获取对应的浏览标签,比如,获取目标用户的浏览信息,对目标用户的浏览信息进行语义识别,进而根据语义识别结果为目标用户的浏览信息进行分类,分类标准按本平台的分类标准进行,之后根据分类结果为目标用户的浏览信息打上浏览标签。这样,可以得到与本平台分类标准相同类型的标签来作为浏览标签。
在一种可能的实施例中,上述时空矩阵中对应的浏览信息可以是非推荐信息和/或推荐信息中的正面反馈信息,上述正面反馈信息指的是目标用户对该推荐信息给出正面评价。
具体的,上述时空矩阵可以如下述表1所示:
表1
在表1中,Dl为浏览时间(以分钟或秒钟为单位),Tl为浏览地点,l为总浏览次数。可以看出,上述时空矩阵为对角矩阵,方便进行任意形式的变换。
在一种可能的实施例中,上述时空矩阵为目标用户近一段时间的时空矩阵,比如是用户昨天的时空矩阵。
102、获取所有信息的评分矩阵。
在本发明实施例中,上述评分矩阵包括信息标签、用户信息以及评分值,不同信息标签对应于不同类型的信息内容。上述所有信息包括本平台的所有信息,或者上述所有信息包括跨平台的所有信息。
上述本平台的是搭载本发明实施例中基于时空特征的个性化推荐方法的平台,上述跨平台指的是除本平台外还包括有其他平台,其他平台可以不是搭载本发明实施例中基于时空特征的个性化推荐方法的平台。在本平台的情景下,可以直接获取预先为所有信息分配的信息标签。在跨平台的情景下,可以根据各个平台的所有信息进行汇集,对汇集到的被浏览信息进行分类,进而获取对应的信息标签,比如,获取各个平台的所有被浏览过的信息,对所有被浏览过的信息进行语义识别,进而根据语义识别结果为所有被浏览过的信息进行分类,分类标准按本平台的分类标准进行,之后根据分类结果为所有被浏览过的信息打上对应的信息标签。这样,可以得到与本平台分类标准相同类型的标签来作为信息标签。
需要说明的是,上述浏览标签针对的是目标用户,上述信息标签针对的是信息本身,浏览标签属于信息标签。
具体的,上述评分矩阵可以如下述表2所示:
表2
在表1中,User n为用户,mac m为信息的类型,n为总用户数量,m为总信息类型数量,上述矩阵单元中的数值为对应用户对该类型信息的平均评分。
可选的,请参见图2,图2是本发明实施例提供的一种评分矩阵获取的流程图,如图2所示,包括以下步骤:
201、获取平台的历史浏览信息。
在本发明实施例中,上述历史浏览信息包括被浏览信息的信息标签、被浏览次数、正面评价次数、负面评价次数以及被浏览信息对应的用户信息。上述平台可以是本平台也可以是跨平台。上述历史浏览信息指的是每个用户的浏览信息。
上述被浏览信息的信息标签是基于本平台来进行分类后得到的标签;上述被浏览次数指的是一个类型信息或者一个信息被浏览的总次数;上述正面评价指的是对一个类型信息或者一个信息,用户做出点赞、赞同投票、正向留言(比如出现喜欢、深度、好、不错等词),上述正面评价次数指的是用户做出点赞、赞同投票、正向留言等的次数;上述负面评价指的是对一个类型信息或者一个信息,用户做出点踩、反对投票、负面留言(比如出现不喜欢、不好、低俗等词),上述负面评价次数指的是用户做出点踩、反对投票、负面留言等的次数。
202、通过被浏览信息的所述被浏览次数、正面评价次数以及负面评价次数,计算被浏览信息的评分值。
在本发明实施例中,被浏览信息的评分值以某一类类型的评分来进行计算,具体可以通过下述式子进行被浏览信息的评分值的计算:
在上述式子中,Pi,j为用户i对信息类型为j的评分值,上述ai,j为用户i对信息类型为j的正面评价次数,bi,j为用户i对信息类型为j的负面评价次数,Vi,j为信息类型为j相应于用户i的被浏览次数。
203、根据被浏览信息的信息标签、被浏览信息的评分值以及被浏览信息对应的用户信息,构建评分矩阵。
在本发明实施例中,可以通过上述被浏览信息的信息标签、被浏览信息的评分值以及被浏览信息对应的用户信息,构建如表2所示的评分矩阵。
103、将评分矩阵进行隐式因子分解,得到基于信息标签的隐式信息矩阵。
在本发明实施例中,上述隐式信息矩阵包括信息标签以及第一隐式评分。
具体的,将评分矩阵进行隐式因子分解,可以得到基于信息标签的隐式信息矩阵和基于用户信息的隐式用户矩阵,隐式用户矩阵包括用户信息以及第二隐式评分。
具体的,上述基于信息标签的隐式信息矩阵如下述表3所示:
表3
U1 | U 2 | … | U k-1 | U k | |
mac1 | u1,1 | u1,2 | … | u1,k-1 | u1,k |
mac2 | u2,1 | u2,2 | … | u2,k-1 | u2,k |
… | … | … | … | … | … |
macm-1 | u m-1,1 | u m-1,2 | … | u m-1,k-1 | u m-1,k |
macm | um,1 | um,2 | … | u1,k-1 | um,k |
在上述表3中,U为信息标签的隐式因子。
上述第一时间因子矩阵如下述表4所示:
表4
User1 | User2 | … | Usern-1 | Usern | |
V1 | v1,1 | v1,1 | … | v1,n-1 | v1,n |
V2 | v2,1 | v2,1 | … | v2,n-1 | v2,n |
… | … | … | … | … | … |
Vk-1 | v k-1,1 | v k-1,1 | … | v k-1,n-1 | Vk-1,n |
Vk | vk,1 | vv,1 | … | vk,n-1 | vk,n |
在上述表4中,用户信息的隐式因子。
在本发明实施例中,上述表2中的评分矩阵可以由表3中的基于信息标签的隐式信息矩阵和表4中的基于用户信息的隐式用户矩阵相乘得到。具体的,可以如下述式子所示:
P=UVT
式中,R为评分矩阵,U为基于信息标签的隐式信息矩阵,V为基于用户信息的隐式用户矩阵。
104、基于隐式信息矩阵与时空矩阵,得到目标用户的个性化推荐矩阵。
在本发明实施例中,隐式信息矩阵为基于信息标签的隐式信息矩阵,是一个对信息标签进行隐性打分的矩阵。而上述时空矩阵中记载了近一段时间目标用户在不同时间和不同位置的信息浏览情况,通过时空矩阵与隐式信息矩阵的结合,相当于对第一隐式评分进行加权,使得第一隐式评分能反映目标用户近一段时间感兴趣的信息。另外,由于隐式信息矩阵中不包含用户信息,可以使得隐式信息矩阵可以更好的与时空矩阵进行结合,避免产生过拟合。上述隐式信息矩阵与时空矩阵进行结合可以是通过矩阵乘法进行结合。
进一步的,由于上述时空矩阵的矩阵单元中的值为浏览标签,不是一个数值,因此,需要对上述时空矩阵中的浏览标签进行数值化。上述的数值化可以是为根据各个信息类型在本平台或跨平台上的热度来进行设定,热度越高,则该个信息类型对应的数值越高。
在本发明实施例中,可以将上述时空矩阵进行掩码,得到上述时空矩阵的掩码矩阵,在上述掩码矩阵中,一个掩码值对应一个浏览标签;基于上述隐式信息矩阵与上述掩码矩阵,得到上述目标用户的个性化推荐矩阵。上述掩码值则为上述根据各个信息类型在本平台或跨平台上的热度来进行设定的数值。对上述时空矩阵进行掩码后,可以得到时空矩阵的掩码矩阵。
这样,就可以对上述隐式信息矩阵与时空矩阵进行相乘,进而得到目标用户的个性化推荐矩阵。
进一步的,在所述基于所述隐式信息矩阵与所述掩码矩阵,得到所述目标用户的个性化推荐矩阵之前,对所述掩码矩阵进行维数变化,以使所述掩码矩阵的维数与所述隐式信息矩阵相同。上述隐式信息矩阵的维度为m×k,上述掩码矩阵(与时空矩阵的维度相同)的维度为l×l,因此,上述掩码矩阵需要将维度变换为k×z,上述z可以是任意正整数。通过隐式信息矩阵与掩码矩阵进行矩阵相乘,使得(m×k)×(k×z)=m×z。
在一种可能的实施例中,上述z可以等于k。
进一步的,上述时空矩阵的维度变换可以是根据l和k的大小进行变换,当l>k时,则可以截取k个最近的时间点和位置。当k>l时,则可以将l进行填充,填充的值为0,填充的行数为k-l行,填充到最远的时间点和位置如下述表5所示:
表5
D1 | D2 | … | Dk-1 | Dk | |
T1 | 0.80 | … | |||
T2 | 0.75 | … | |||
… | … | … | … | … | … |
Tk-1 | … | 0.32 | |||
Tk | … | 0.00 |
这样,可以得到的目标用户的个性化推荐矩阵,上述个性化推荐矩阵包括k个时间点或位置对应的推荐分数。
在一种可能的实施例中,可以通过预设的全卷积网络对上述掩码矩阵进行维数变化,上述全卷积网络的输出维数根据上述隐式信息矩阵的维数相同。具体的,掩码矩阵可以看成一张图来作为全卷积网络的输入,通过全卷积网络的参数对掩码矩阵进行计算,重构掩码矩阵的维度为k×z,此时,通过全卷积网络的变换,上述z可以等于l,而且重构后的掩码矩阵也不再是对角矩阵,而是将时间和空间在k×l的矩阵中进行全局分布,隐式信息矩阵与掩码矩阵进行矩阵相乘,使得(m×k)×(k×l)=m×l。这样,上述个性化推荐矩阵就保留了l个时间点或位置对应的推荐分值。
上述目标用户的个性化推荐矩阵可以是基于时间点或基于位置的个性化推荐矩阵,具体可以取决于用户的选择,用户可以在交互界面选择对应的时间模式或位置模式,上述时间模式对应于基于时间点的个性化推荐矩阵,上述位置模式对应于基于位置的个性化推荐矩阵。
进一步的,上述基于时间点的个性化推荐矩阵,可以是隐式信息矩阵(m×k)×掩码矩阵(k×l)得到,上述基于位置的个性化推荐矩阵,可以是隐式信息矩阵(m×k)×掩码矩阵(l×k)T得到,掩码矩阵(k×l)表示保留l个时间点,掩码矩阵(l×k)表示保留l个位置。
具体的,上述目标用户的基于时间点的个性化推荐矩阵如下述表6所示:
表6
具体的,上述目标用户的基于位置的个性化推荐矩阵如下述表7所示:
表7
T 1 | T 2 | … | T l-1 | Tl | |
mac1 | x1,1 | x 1,2 | … | x 1,l-1 | x 1,l |
mac2 | x 2,1 | x 2,2 | … | x 2,l-1 | x 2,l |
… | … | … | … | … | … |
macm-1 | x m-1,1 | x m-1,2 | … | x m-1,l-1 | x m-1,l |
macm | x m,1 | x m,2 | … | x 1,l-1 | x m,l |
在一种可能的实施例中,可将上述评分矩阵进行隐式因子分解,得到基于用户信息的隐式用户矩阵,上述隐式用户矩阵包括用户信息以及第二隐式评分;根据上述第二隐式评分,计算上述目标用户的掩码系数;根据上述掩码系数,对上述掩码矩阵进行掩码计算。
上述隐式用户矩阵如表4所示,需要说明的是,上述隐式矩阵中包括目标用户的第二隐式评分,第二隐式评分可以直接作为掩码系数与上述掩码矩阵,增加目标用户作为个体用户的个性影响力。上述第二隐匿评分也可以进行加权计算后,得到目标用户的掩码系数,加权计算的权重为目标用户前一天(昨天)浏览信息时长与24小时的量化比值,用户前一天浏览信息的时长越长,则权重越高,权重最高为0.9(比如用户前一天浏览信息的时长为24小时,则最化比值为0.9),最小为0.1(比如用户前一天浏览信息的时长为0小时,则最化比值为0.1)。
此时,目标用户的个性化推荐矩阵则为(m×k)×λ(k×l)=λ(m×l)得到。其中,上述λ为掩码系数。
105、根据个性化推荐矩阵对所述目标用户进行个性化推荐。
在本发明实施例中,可以根据不同的时间点或位置点,选择个性化推荐矩阵中信息类型分数最高的TOP-K个信息类型进行推荐,再在TOP-K个信息类型中选择该信息中信息评分值最高的TOP-N个信息进行推荐。
本发明实施例中,获取目标用户的在浏览信息时的时空矩阵,所述时空矩阵包括浏览时间、浏览地点以及浏览标签,不同浏览标签对应于不同类型的信息内容;获取所有信息的评分矩阵,所述评分矩阵包括信息标签、用户信息以及评分值,不同信息标签对应于不同类型的信息内容;将所述评分矩阵进行隐式因子分解,得到基于信息标签的隐式信息矩阵,所述隐式信息矩阵包括信息标签以及第一隐式评分;基于所述隐式信息矩阵与所述时空矩阵,得到所述目标用户的个性化推荐矩阵;根据所述个性化推荐矩阵对所述目标用户进行个性化推荐。本发明能够在信息评分的基础上,根据用户在时间上和空间上的信息来对用户进行信息推荐,由于考虑到用户何时何地对何种信息进行感兴趣,从而充分挖掘用户的浏览个性,从而提高推荐准确率。
需要说明的是,本发明实施例提供的基于时空特征的个性化推荐方法可以应用于可以进行基于时空特征的个性化推荐的手机、计算机、服务器等设备。
第二方面,请参数图3,图3是本发明实施例提供的一种基于时空特征的个性化推荐装置,所述装置包括:
第一获取模块301,用于获取目标用户在浏览信息时的时空矩阵,所述时空矩阵包括浏览时间、浏览地点以及浏览标签,不同浏览标签对应于不同类型的信息内容;
第二获取模块302,用于获取所有信息的评分矩阵,所述评分矩阵包括信息标签、用户信息以及评分值,不同信息标签对应于不同类型的信息内容;
分解模块303,用于将所述评分矩阵进行隐式因子分解,得到基于信息标签的隐式信息矩阵,所述隐式信息矩阵包括信息标签以及第一隐式评分;
处理模块304,用于基于所述隐式信息矩阵与所述时空矩阵,得到所述目标用户的个性化推荐矩阵;
推荐模块305,用于根据所述个性化推荐矩阵对所述目标用户进行个性化推荐。
可选的,如图4所示,所述第二获取模块302包括:
获取子模块3021,用于获取平台的历史浏览信息,所述历史浏览信息包括被浏览信息的信息标签、被浏览次数、正面评价次数、负面评价次数以及被浏览信息对应的用户信息;
计算子模块3022,用于通过所述被浏览信息的所述被浏览次数、所述正面评价次数以及所述负面评价次数,计算所述被浏览信息的评分值;
构建子模块3023,用于根据所述被浏览信息的信息标签、所述被浏览信息的评分值以及被浏览信息对应的用户信息,构建所述评分矩阵。
可选的,如图5所示,所述处理模块304包括:
掩码子模块3041,用于将所述时空矩阵进行掩码,得到所述时空矩阵的掩码矩阵,在所述掩码矩阵中,一个掩码值对应一个浏览标签;
处理子模块3042,用于基于所述隐式信息矩阵与所述掩码矩阵,得到所述目标用户的个性化推荐矩阵。
可选的,如图6所示,所述处理模块304还包括:
转换子模块3043,用于对所述掩码矩阵进行维数变化,以使所述掩码矩阵的维数与所述隐式信息矩阵相同。
可选的,所述转换子模块3043还用于通过预设的全卷积网络对所述掩码矩阵进行维数变化,所述全卷积网络的输出维数根据所述隐式信息矩阵的维数相同。
可选的,如图7所示,所述掩码子模块3041,包括:
分解单元30411,用于将所述评分矩阵进行隐式因子分解,得到基于用户信息的隐式用户矩阵,所述隐式用户矩阵包括用户信息以及第二隐式评分;
计算单元30412,用于根据所述第二隐式评分,计算所述目标用户的掩码系数;
掩码单元30413,用于根据所述掩码系数,对所述掩码矩阵进行掩码计算。
需要说明的是,本发明实施例提供的基于时空特征的个性化推荐装置可以应用于可以进行基于时空特征的个性化推荐的手机、计算机、服务器等设备。
本发明实施例提供的基于时空特征的个性化推荐装置能够实现上述方法实施例中基于时空特征的个性化推荐方法实现的各个过程,且可以达到相同的有益效果。为避免重复,这里不再赘述。
参见图8,图8是本发明实施例提供的一种电子设备的结构示意图,如图8所示,包括:存储器802、处理器801及存储在所述存储器802上并可在所述处理器801上运行的计算机程序,其中:
处理器801用于调用存储器802存储的计算机程序,执行如下步骤:
获取目标用户在浏览信息时的时空矩阵,所述时空矩阵包括浏览时间、浏览地点以及浏览标签,不同浏览标签对应于不同类型的信息内容;
获取所有信息的评分矩阵,所述评分矩阵包括信息标签、用户信息以及评分值,不同信息标签对应于不同类型的信息内容;
将所述评分矩阵进行隐式因子分解,得到基于信息标签的隐式信息矩阵,所述隐式信息矩阵包括信息标签以及第一隐式评分;
基于所述隐式信息矩阵与所述时空矩阵,得到所述目标用户的个性化推荐矩阵;
根据所述个性化推荐矩阵对所述目标用户进行个性化推荐。
可选的,处理器801执行的所述获取所有信息的评分矩阵,包括:
获取平台的历史浏览信息,所述历史浏览信息包括被浏览信息的信息标签、被浏览次数、正面评价次数、负面评价次数以及被浏览信息对应的用户信息;
通过所述被浏览信息的所述被浏览次数、所述正面评价次数以及所述负面评价次数,计算所述被浏览信息的评分值;
根据所述被浏览信息的信息标签、所述被浏览信息的评分值以及被浏览信息对应的用户信息,构建所述评分矩阵。
可选的,处理器801执行的所述基于所述隐式信息矩阵与所述时空矩阵,得到所述目标用户的个性化推荐矩阵,包括:
将所述时空矩阵进行掩码,得到所述时空矩阵的掩码矩阵,在所述掩码矩阵中,一个掩码值对应一个浏览标签;
基于所述隐式信息矩阵与所述掩码矩阵,得到所述目标用户的个性化推荐矩阵。
可选的,在所述基于所述隐式信息矩阵与所述掩码矩阵,得到所述目标用户的个性化推荐矩阵之前,处理器801执行的所述基于所述隐式信息矩阵与所述时空矩阵,得到所述目标用户的个性化推荐矩阵,还包括:
对所述掩码矩阵进行维数变化,以使所述掩码矩阵的维数与所述隐式信息矩阵相同。
可选的,处理器801执行的所述对所述掩码矩阵进行维数变化,包括:
通过预设的全卷积网络对所述掩码矩阵进行维数变化,所述全卷积网络的输出维数根据所述隐式信息矩阵的维数相同。
可选的,处理器801执行的所述将所述时空矩阵进行掩码,得到所述时空矩阵的掩码矩阵,包括:
将所述评分矩阵进行隐式因子分解,得到基于用户信息的隐式用户矩阵,所述隐式用户矩阵包括用户信息以及第二隐式评分;
根据所述第二隐式评分,计算所述目标用户的掩码系数;
根据所述掩码系数,对所述掩码矩阵进行掩码计算。
需要说明的是,上述电子设备可以是可以应用于可以进行基于时空特征的个性化推荐的手机、计算机、服务器等设备。
本发明实施例提供的电子设备能够实现上述方法实施例中基于时空特征的个性化推荐方法实现的各个过程,且可以达到相同的有益效果,为避免重复,这里不再赘述。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现本发明实施例提供的基于时空特征的个性化推荐方法的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存取存储器(Random AccessMemory,简称RAM)等。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (10)
1.一种基于时空特征的个性化推荐方法,其特征在于,包括以下步骤:
获取目标用户在浏览信息时的时空矩阵,所述时空矩阵包括浏览时间、浏览地点以及浏览标签,不同浏览标签对应于不同类型的信息内容;
获取所有信息的评分矩阵,所述评分矩阵包括信息标签、用户信息以及评分值,不同信息标签对应于不同类型的信息内容;
将所述评分矩阵进行隐式因子分解,得到基于信息标签的隐式信息矩阵,所述隐式信息矩阵包括信息标签以及第一隐式评分;
基于所述隐式信息矩阵与所述时空矩阵,得到所述目标用户的个性化推荐矩阵;
根据所述个性化推荐矩阵对所述目标用户进行个性化推荐。
2.如权利要求1所述的方法,其特征在于,所述获取所有信息的评分矩阵,包括:
获取平台的历史浏览信息,所述历史浏览信息包括被浏览信息的信息标签、被浏览次数、正面评价次数、负面评价次数以及被浏览信息对应的用户信息;
通过所述被浏览信息的所述被浏览次数、所述正面评价次数以及所述负面评价次数,计算所述被浏览信息的评分值;
根据所述被浏览信息的信息标签、所述被浏览信息的评分值以及被浏览信息对应的用户信息,构建所述评分矩阵。
3.如权利要求2所述的方法,其特征在于,所述基于所述隐式信息矩阵与所述时空矩阵,得到所述目标用户的个性化推荐矩阵,包括:
将所述时空矩阵进行掩码,得到所述时空矩阵的掩码矩阵,在所述掩码矩阵中,一个掩码值对应一个浏览标签;
基于所述隐式信息矩阵与所述掩码矩阵,得到所述目标用户的个性化推荐矩阵。
4.如权利要求3所述的方法,其特征在于,在所述基于所述隐式信息矩阵与所述掩码矩阵,得到所述目标用户的个性化推荐矩阵之前,所述基于所述隐式信息矩阵与所述时空矩阵,得到所述目标用户的个性化推荐矩阵,还包括:
对所述掩码矩阵进行维数变化,以使所述掩码矩阵的维数与所述隐式信息矩阵相同。
5.如权利要求4所述的方法,其特征在于,所述对所述掩码矩阵进行维数变化,包括:
通过预设的全卷积网络对所述掩码矩阵进行维数变化,所述全卷积网络的输出维数根据所述隐式信息矩阵的维数相同。
6.如权利要求3所述的方法,其特征在于,所述将所述时空矩阵进行掩码,得到所述时空矩阵的掩码矩阵,包括:
将所述评分矩阵进行隐式因子分解,得到基于用户信息的隐式用户矩阵,所述隐式用户矩阵包括用户信息以及第二隐式评分;
根据所述第二隐式评分,计算所述目标用户的掩码系数;
根据所述掩码系数,对所述掩码矩阵进行掩码计算。
7.一种基于时空特征的个性化推荐装置,其特征在于,所述装置包括:
第一获取模块,用于获取目标用户在浏览信息时的时空矩阵,所述时空矩阵包括浏览时间、浏览地点以及浏览标签,不同浏览标签对应于不同类型的信息内容;
第二获取模块,用于获取所有信息的评分矩阵,所述评分矩阵包括信息标签、用户信息以及评分值,不同信息标签对应于不同类型的信息内容;
分解模块,用于将所述评分矩阵进行隐式因子分解,得到基于信息标签的隐式信息矩阵,所述隐式信息矩阵包括信息标签以及第一隐式评分;
处理模块,用于基于所述隐式信息矩阵与所述时空矩阵,得到所述目标用户的个性化推荐矩阵;
推荐模块,用于根据所述个性化推荐矩阵对所述目标用户进行个性化推荐。
8.如权利要求7所述的装置,其特征在于,所述第二获取模块包括:
获取子模块,用于获取平台的历史浏览信息,所述历史浏览信息包括被浏览信息的信息标签、被浏览次数、正面评价次数、负面评价次数以及被浏览信息对应的用户信息;
计算子模块,用于通过所述被浏览信息的所述被浏览次数、所述正面评价次数以及所述负面评价次数,计算所述被浏览信息的评分值;
构建子模块,用于根据所述被浏览信息的信息标签、所述被浏览信息的评分值以及被浏览信息对应的用户信息,构建所述评分矩阵。
9.一种电子设备,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的基于时空特征的个性化推荐方法中的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的基于时空特征的个性化推荐方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110747365.0A CN113449210B (zh) | 2021-07-01 | 2021-07-01 | 基于时空特征的个性化推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110747365.0A CN113449210B (zh) | 2021-07-01 | 2021-07-01 | 基于时空特征的个性化推荐方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113449210A true CN113449210A (zh) | 2021-09-28 |
CN113449210B CN113449210B (zh) | 2023-01-31 |
Family
ID=77814745
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110747365.0A Active CN113449210B (zh) | 2021-07-01 | 2021-07-01 | 基于时空特征的个性化推荐方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113449210B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117556131A (zh) * | 2023-10-30 | 2024-02-13 | 广州圈量网络信息科技有限公司 | 基于多素材的用户标签触发方法、装置、设备以及介质 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011257955A (ja) * | 2010-06-08 | 2011-12-22 | Nippon Telegr & Teleph Corp <Ntt> | 推薦アイテムフィルタリング方法及び推薦アイテムフィルタリングプログラム |
US20120023051A1 (en) * | 2010-07-22 | 2012-01-26 | Ramin Pishehvar | Signal coding with adaptive neural network |
US20120191640A1 (en) * | 2011-01-21 | 2012-07-26 | International Business Machines Corporation | Mining temporal patterns in longitudinal event data using discrete event matrices and sparse coding |
US20150193548A1 (en) * | 2014-01-08 | 2015-07-09 | Rovi Technologies Corporation | Recommendation System With Metric Transformation |
CN105025091A (zh) * | 2015-06-26 | 2015-11-04 | 南京邮电大学 | 一种基于移动用户位置的商铺推荐方法 |
CN105808680A (zh) * | 2016-03-02 | 2016-07-27 | 西安电子科技大学 | 基于张量分解进行上下文相关的位置推荐方法 |
CN106296337A (zh) * | 2016-07-13 | 2017-01-04 | 扬州大学 | 基于非负矩阵分解的动态推荐方法 |
CN106779867A (zh) * | 2016-12-30 | 2017-05-31 | 中国民航信息网络股份有限公司 | 基于上下文感知的支持向量回归推荐方法及*** |
CN107391582A (zh) * | 2017-06-21 | 2017-11-24 | 浙江工商大学 | 基于上下文本体树计算用户偏好相似度的信息推荐方法 |
US20180048530A1 (en) * | 2015-10-23 | 2018-02-15 | Nec Europe Ltd. | Method and system for supporting detection of irregularities in a network |
US20180075353A1 (en) * | 2016-09-13 | 2018-03-15 | Sap Se | Method and system for cold start video recommendation |
CN108921670A (zh) * | 2018-07-04 | 2018-11-30 | 重庆大学 | 一种融合用户潜在兴趣、时空数据和类别流行度的药品交易推荐方法 |
CN109670909A (zh) * | 2018-12-13 | 2019-04-23 | 南京财经大学 | 一种基于概率矩阵分解和特征融合的旅游产品推荐方法 |
CN110069713A (zh) * | 2019-04-24 | 2019-07-30 | 南京邮电大学 | 一种基于用户上下文感知的个性化推荐方法 |
CN110705996A (zh) * | 2019-10-17 | 2020-01-17 | 支付宝(杭州)信息技术有限公司 | 基于特征掩码的用户行为识别方法、***、及装置 |
CN111125517A (zh) * | 2019-12-06 | 2020-05-08 | 陕西师范大学 | 一种基于差分隐私和时间感知的隐式矩阵分解推荐方法 |
CN111144765A (zh) * | 2019-12-27 | 2020-05-12 | 深圳集智数字科技有限公司 | 一种特定地点间关联关系的确定方法及装置 |
CN111737427A (zh) * | 2020-05-11 | 2020-10-02 | 华南理工大学 | 融合论坛互动行为与用户阅读偏好的慕课论坛帖推荐方法 |
CN112818216A (zh) * | 2021-01-13 | 2021-05-18 | 平安科技(深圳)有限公司 | 客户推荐方法、装置、电子设备及存储介质 |
-
2021
- 2021-07-01 CN CN202110747365.0A patent/CN113449210B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011257955A (ja) * | 2010-06-08 | 2011-12-22 | Nippon Telegr & Teleph Corp <Ntt> | 推薦アイテムフィルタリング方法及び推薦アイテムフィルタリングプログラム |
US20120023051A1 (en) * | 2010-07-22 | 2012-01-26 | Ramin Pishehvar | Signal coding with adaptive neural network |
US20120191640A1 (en) * | 2011-01-21 | 2012-07-26 | International Business Machines Corporation | Mining temporal patterns in longitudinal event data using discrete event matrices and sparse coding |
US20150193548A1 (en) * | 2014-01-08 | 2015-07-09 | Rovi Technologies Corporation | Recommendation System With Metric Transformation |
CN105025091A (zh) * | 2015-06-26 | 2015-11-04 | 南京邮电大学 | 一种基于移动用户位置的商铺推荐方法 |
US20180048530A1 (en) * | 2015-10-23 | 2018-02-15 | Nec Europe Ltd. | Method and system for supporting detection of irregularities in a network |
CN105808680A (zh) * | 2016-03-02 | 2016-07-27 | 西安电子科技大学 | 基于张量分解进行上下文相关的位置推荐方法 |
CN106296337A (zh) * | 2016-07-13 | 2017-01-04 | 扬州大学 | 基于非负矩阵分解的动态推荐方法 |
US20180075353A1 (en) * | 2016-09-13 | 2018-03-15 | Sap Se | Method and system for cold start video recommendation |
CN106779867A (zh) * | 2016-12-30 | 2017-05-31 | 中国民航信息网络股份有限公司 | 基于上下文感知的支持向量回归推荐方法及*** |
CN107391582A (zh) * | 2017-06-21 | 2017-11-24 | 浙江工商大学 | 基于上下文本体树计算用户偏好相似度的信息推荐方法 |
CN108921670A (zh) * | 2018-07-04 | 2018-11-30 | 重庆大学 | 一种融合用户潜在兴趣、时空数据和类别流行度的药品交易推荐方法 |
CN109670909A (zh) * | 2018-12-13 | 2019-04-23 | 南京财经大学 | 一种基于概率矩阵分解和特征融合的旅游产品推荐方法 |
CN110069713A (zh) * | 2019-04-24 | 2019-07-30 | 南京邮电大学 | 一种基于用户上下文感知的个性化推荐方法 |
CN110705996A (zh) * | 2019-10-17 | 2020-01-17 | 支付宝(杭州)信息技术有限公司 | 基于特征掩码的用户行为识别方法、***、及装置 |
CN111125517A (zh) * | 2019-12-06 | 2020-05-08 | 陕西师范大学 | 一种基于差分隐私和时间感知的隐式矩阵分解推荐方法 |
CN111144765A (zh) * | 2019-12-27 | 2020-05-12 | 深圳集智数字科技有限公司 | 一种特定地点间关联关系的确定方法及装置 |
CN111737427A (zh) * | 2020-05-11 | 2020-10-02 | 华南理工大学 | 融合论坛互动行为与用户阅读偏好的慕课论坛帖推荐方法 |
CN112818216A (zh) * | 2021-01-13 | 2021-05-18 | 平安科技(深圳)有限公司 | 客户推荐方法、装置、电子设备及存储介质 |
Non-Patent Citations (7)
Title |
---|
彭鹏等: "基于用户信任和兴趣的概率矩阵分解推荐方法", 《计算机***应用》 * |
李春春等: "基于ASVD的协同过滤推荐算法", 《小型微型计算机***》 * |
秦晓晖: "基于协同过滤的个性化微博推荐算法研究", 《软件工程》 * |
程盼: "面向移动流媒体的缓存预取技术研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
郑麟等: "基于属性提升与局部采样的推荐评分预测", 《计算机学报》 * |
顾军华等: "融合标签信息的卷积矩阵分解推荐算法", 《计算机应用与软件》 * |
黄立威等: "基于深度学习的推荐***研究综述", 《计算机学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117556131A (zh) * | 2023-10-30 | 2024-02-13 | 广州圈量网络信息科技有限公司 | 基于多素材的用户标签触发方法、装置、设备以及介质 |
CN117556131B (zh) * | 2023-10-30 | 2024-04-19 | 广州圈量网络信息科技有限公司 | 基于多素材的用户标签触发方法、装置、设备以及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113449210B (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20170329856A1 (en) | Method and device for selecting data content to be pushed to terminal, and non-transitory computer storage medium | |
CN110058989B (zh) | 用户行为意图预测方法和装置 | |
CN114091472B (zh) | 多标签分类模型的训练方法 | |
CN110413888A (zh) | 一种书籍推荐方法及装置 | |
CN111177559A (zh) | 文旅服务推荐方法、装置、电子设备及存储介质 | |
CN110866042A (zh) | 表格智能查询方法、装置及计算机可读存储介质 | |
CN112070550A (zh) | 基于搜索平台的关键词确定方法、装置、设备及存储介质 | |
CN113449210B (zh) | 基于时空特征的个性化推荐方法、装置、电子设备及存储介质 | |
CN108154288A (zh) | 新用户补贴策略的计算方法、装置、电子设备及存储介质 | |
CN112765450A (zh) | 推荐内容确定方法、装置及存储介质 | |
CN110162689A (zh) | 信息推送方法、装置、计算机设备和存储介质 | |
CN115730217A (zh) | 模型的训练方法、物料的召回方法及装置 | |
CN115545121A (zh) | 一种模型训练方法及装置 | |
CN110263134B (zh) | 智能化情感问答方法、装置及计算机可读存储介质 | |
CN114648379A (zh) | 推荐商品确定方法及装置、电子设备及可读存储介质 | |
CN114373068A (zh) | 一种行业场景化的ocr模型实现***、方法及设备 | |
CN109739848B (zh) | 一种数据提取方法 | |
CN116911304B (zh) | 一种文本推荐方法及装置 | |
CN112559856B (zh) | 应用排序方法和装置 | |
CN111291263B (zh) | 数据推送方法、装置、***及存储介质 | |
CN116777529B (zh) | 一种对象推荐的方法、装置、设备、存储介质及程序产品 | |
CN117648497B (zh) | 一种基于大数据实现用户信息智能采集方法及*** | |
CN108734549B (zh) | 物品推荐方法和装置 | |
CN113297501B (zh) | 门户平台的内容推荐方法、装置、电子设备及存储介质 | |
CN115953255A (zh) | 一种基于用户障碍的业务开展方法、装置和设备 |
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 |