CN114170002A - 一种访问频次的预测方法及装置 - Google Patents
一种访问频次的预测方法及装置 Download PDFInfo
- Publication number
- CN114170002A CN114170002A CN202111509654.3A CN202111509654A CN114170002A CN 114170002 A CN114170002 A CN 114170002A CN 202111509654 A CN202111509654 A CN 202111509654A CN 114170002 A CN114170002 A CN 114170002A
- Authority
- CN
- China
- Prior art keywords
- target object
- access frequency
- access
- attribute information
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000009826 distribution Methods 0.000 claims description 19
- 238000012216 screening Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims 1
- 238000012417 linear regression Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000013459 approach Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Technology Law (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种访问频次的预测方法及装置,包括:获取采集数据,采集数据包括:各目标对象的重复访问频次、各目标对象第一次访问距离最近一次访问的时间间隔以及各目标对象第一次访问距离当前时间的时间间隔;将采集数据输入至参数预测模型,获取各目标对象在预设时间段内访问频次的中间值;基于目标对象的属性信息以及各中间值进行线性拟合,确定各目标对象在预设时间段内的访问频次。该方式在确定目标对象在预设时间段内的访问频次时,通过对目标对象的属性信息以及中间值线性拟合后确定,通过该方式可以保证访问频次的预测的准确度,确定访问频次更加可靠。
Description
技术领域
本发明涉及金融科技(Fintech)领域,尤其涉及一种访问频次的预测方法及装置。
背景技术
随着计算机技术的发展,越来越多的技术应用在金融领域,传统金融业正在逐步向金融科技(Finteh)转变,大数据技术也不例外,但由于金融行业的安全性、实时性要求,也对技术提出的更高的要求。
在银行等金融行业,企业客户对某些产品,如贷款产品的需求在一段时间内频次不会很高,且会有自身的需求周期。比如有些企业在某些月份对贷款需求就会明显高于其他月份,某些特定行业的企业又会和其他行业展现出完全不同的频次表现等等,这些因素都会对准确预测用户的流失概率造成挑战。
通常可通过计算每个用户最近3,7,15,30天的活跃天数,留存率等,预测用户的流失概率,但是该方法对用户的贷款习惯信息的收集往往是有限的,受限于时间窗口的限制,预测效率不高。考虑企业的行业性质以及与银行历史交易的情况,人为定出一些规则或者结合决策树模型来划分客户群体,但是人为定义的规则可能也需要时常修改,变量一旦多少起来,计算统计的效率也会变低。
发明内容
本申请提供一种访问频次的预测方法及装置,用以预测银行客户的访问频次,并提高访问频次的预测精确度以及效率。
第一方面,本申请提供一种访问频次的预测方法,该方法可应用于计算设备,例如,中央处理器(central processing unit,CPU)、图形处理器(graphics processingunit,GPU)、服务器等,本申请在此不具体限定。在此仅以服务器为例来说明,其中,服务器可获取采集数据,采集数据包括:各目标对象的重复访问频次、各目标对象第一次访问距离最近一次访问的时间间隔以及各目标对象第一次访问距离当前时间的时间间隔;之后将采集数据输入至参数预测模型,获取各目标对象在预设时间段内访问频次的中间值;基于目标对象的属性信息以及各中间值进行线性拟合,确定各目标对象在预设时间段内的访问频次。
需要说明的是,目标对象可以理解为银行的客户、超市的消费者、线上服务平台的消费者等,该目标对象可能是个人也可能是企业,本申请在此不具体限定。在此以银行的客户为例进行说明,目标对象的重复访问频次可以理解为银行的客户线下(去银行的实体店办理业务)或线上(通过银行的软件应用办理业务或者电话咨询银行服务人员办理业务)访问银行的总次数减去1。为了清楚说明目标对象第一次访问距离最近一次访问的时间间隔可通过下述示例来说明,假定银行的客户A第一次访问银行(线上或线下)的时间为2020年11月11日10:05:56,客户A最近一次访问银行的时间为2021年11月12日10:06:57,那么目标对象第一次访问距离最近一次访问的时间间隔则为366天1分1秒。为了清楚说明目标对象第一次访问距离当前时间的时间间隔可通过下述示例来说明,假定银行的客户A第一次访问银行(线上或线下)的时间为2020年11月11日10:05:56,当前时间为2021年11月12日10:24:56,那么目标对象第一次访问距离最近一次访问的时间间隔则为366天19分。
通过参数预测模型对各目标对象的采集数据进行预测确定各目标对象在预设时间段内访问频次的中间值,基于该中间值预测的各目标对象的访问频次,还不够准确,精确度不够,本申请引入目标对象的属性信息,该属性信息可以为目标对象所述的行业、经营状况等,本申请在此不具体限定。本申请将目标对象的属性信息与中间值进行拟合,确定目标对象在预设时间段内的访问频次,该方式可以避免直接基于中间值确定目标对象在预设时间段内的访问频次时预测不准确的问题,可以提高数据确定的准确度。
在一种可选的方式中,目标对象的属性信息包括M个;服务器可对第i个目标对象的属性信息进行分类处理,得到Xi个子属性值;i取遍1~M;Xi为整数;将M个目标对象的属性信息的子属性值进行排列组合,得到个组合;确定每个组合对应的中间值的均值;基于中间值的均值进行参数拟合,确定线性拟合模型的参数值。
通过对目标对象的属性信息进行分类处理,可以保证服务器更好地拟合中间值,提高访问频次的预测的准确度,且可以提高访问频次的预测的效率。
在一种可选的方式中,任一目标对象的属性信息的子属性值对应的目标对象的数量服从均匀分布。
通过该方式对目标对象的属性信息进行分类可以保证访问频次的预测的效率,且可以提高访问频次的预测的效率。
在一种可选的方式中,服务器可将各目标对象的中间值输入至线性拟合模型,确定各目标对象在预设时间段内的访问频次。
该方式可提高访问频次的预测的准确度,且可以提高访问频次的预测的效率。
在一种可选的方式中,服务器可构建任一目标对象的重复访问频次、第一次访问距离最近一次访问的时间间隔以及第一次访问距离当前时间的时间间隔的三元组;将各目标对象的三元组输入至参数预测模型,获取各目标对象在预设时间段内访问频次的中间值;参数预设模型为贝塔几何–负二项分布(betageometric–negative binomialdistribution,BG-NBD)模型。
在一种可选的方式中,BG-NBD模型基于各目标对象访问的时间间隔的分布情况、各目标对象不访问的概率的分布情况以及各目标对象的三元组进行预测,确定各目标对象在预设时间段内访问频次的中间值。
在一种可选的方式中,线性拟合模型的参数可通过如下方式确定:
服务器将j个目标对象的属性信息输入至预训练的线性拟合模型中,确定1组线性拟合模型的参数预设值;j取变1~M;基于筛选规则对多组线性拟合模型的参数预设值进行筛选,确定线性模型的参数。
在一种可选的方式中,筛选规则通过如下公式确定:
在一种可选的方式中,目标对象的属性信息包括以下中的一种或多种:目标对象所属的行业信息、目标对象的成立年限、目标对象的注册资本、目标对象的变更情况、目标对象的财务情况。
在一种可选的方式中,线性拟合模型为线性回归(linear regression,LR)模型。
第二方面,本申请提供一种访问频次的预测装置,其中,获取单元,用于获取采集数据,采集数据包括:各目标对象的重复访问频次、各目标对象第一次访问距离最近一次访问的时间间隔以及各目标对象第一次访问距离当前时间的时间间隔;预测单元,用于将采集数据输入至参数预测模型,获取各目标对象在预设时间段内访问频次的中间值;确定单元,用于基于目标对象的属性信息以及各中间值进行线性拟合,确定各目标对象在预设时间段内的访问频次。
在一种可选的方式中,目标对象的属性信息包括M个;服务器可对第i个目标对象的属性信息进行分类处理,得到Xi个子属性值;i取遍1~M;Xi为整数;将M个目标对象的属性信息的子属性值进行排列组合,得到个组合;确定每个组合对应的中间值的均值;基于中间值的均值进行参数拟合,确定线性拟合模型的参数值。
在一种可选的方式中,任一目标对象的属性信息的子属性值对应的目标对象的数量分布均匀。
在一种可选的方式中,服务器可将各目标对象的中间值输入至线性拟合模型,确定各目标对象在预设时间段内的访问频次。
在一种可选的方式中,预测单元可构建任一目标对象的重复访问频次、第一次访问距离最近一次访问的时间间隔以及第一次访问距离当前时间的时间间隔的三元组;将各目标对象的三元组输入至参数预测模型,获取各目标对象在预设时间段内访问频次的中间值;参数预设模型为BG-NBD模型。
在一种可选的方式中,BG-NBD模型基于各目标对象访问的时间间隔的分布情况、各目标对象不访问的概率的分布情况以及各目标对象的三元组进行预测,确定各目标对象在预设时间段内访问频次的中间值。
在一种可选的方式中,线性拟合模型的参数可通过如下方式确定:
确定单元将j个目标对象的属性信息输入至预训练的线性拟合模型中,确定1组线性拟合模型的参数预设值;j取变1~M;基于筛选规则对多组线性拟合模型的参数预设值进行筛选,确定线性模型的参数。
在一种可选的方式中,筛选规则通过如下公式确定:
在一种可选的方式中,目标对象的属性信息包括以下中的一种或多种:目标对象所属的行业信息、目标对象的成立年限、目标对象的注册资本、目标对象的变更情况、目标对象的财务情况。
在一种可选的方式中,线性拟合模型为LR模型。
第三方面,本申请提供一种计算装置,包括:存储器以及处理器;存储器,用于存储程序指令;处理器,用于调用所述存储器中存储的程序指令,按照获得的程序执行第一方面所述的方法。
第四方面,本申请提供一种计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令用于执行如第一方面所述的方法。
上述第二方面至第四方面可以达到的技术效果,请参照上述第一方面中相应可能设计方案可以达到的技术效果说明,本申请这里不再重复赘述。
本申请的其它特征和优点将在随后的说明书中阐述,并且部分地从说明书中变得显而易见,或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,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,对于本领域的普通技术人员来讲,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为本申请实施例提供的一种访问频次的预测的应用场景示意图;
图2为本申请实施例提供的一种访问频次的预测方法的流程示意图;
图3示出了本申请实施例提供的一种属性信息分组示意图;
图4示出了本申请实施例提供的一种访问频次的预测方法的流程示意图;
图5为本申请实施例提供的一种访问频次的预测装置的结构示意图;
图6为本申请实施例提供的一种计算设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
需要说明的是,本申请中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应所述理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
如背景技术所述,计算每个用户最近3,7,15,30天的活跃天数,留存率等,对用户的贷款***面的线性划分,人为定义的规则可能也需要时常修改,变量一旦变多,各规则的排列组合也会使计算统计变得低效;上述划分客户群体的方式,最终输出流失预测结果往往将划分在同一群体的所有个体用同一个值表示,预测值不准确,稍微将预测时间拉长则会出现较大的误差。此外,还有基于统计假设的模型BG-NBD模型来预测用户的流失概率,该方法基于客户的购买频次和天数,能给出当前的活跃概率和未来给定时间客户的再购买次数。但是其考虑的因子过于单一,没有结合客户本身的属性以及业务属性特征,准确度较低。
下面具体介绍访问频次的预测过程。本申请下述实施例中,“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B的情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。单数表达形式“一个”、“一种”、“所述”、“上述”、“该”和“这一”旨在也包括例如“一个或多个”这种表达形式,除非其上下文中明确地有相反指示。以及,除非有相反的说明,本申请实施例提及“第一”、“第二”等序数词是用于对多个对象进行区分,不用于限定多个对象的顺序、时序、优先级或者重要程度。例如,第一任务执行设备和第二任务执行设备,只是为了区分不同的任务执行设备,而并不是表示这两种任务执行设备的优先级或者重要程度等的不同。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
本申请一种访问频次的预测场景如图1所示,包括服务器、N个目标对象,N为正整数,在实际应用时,目标对象的数量不作具体限定,在此仅作示例性说明。目标对象可以理解为银行的客户、超市的消费者、线上服务平台的消费者等,该目标对象可能是个人也可能是企业,本申请在此不具体限定。采集目标对象的数据(例如访问次数、浏览次数、够买次数等)后,将采集到的目标对象的数据传输至服务器,通过服务器进行访问频次的预测。
图2为本申请实施例提供的一种访问频次的预测方法,该方法可应用于计算设备,例如,CPU、GPU、服务器等,本申请在此不具体限定。在此仅以服务器为例来说明,具体可执行如下:
步骤201,服务器可获取采集数据,采集数据包括:各目标对象的重复访问频次、各目标对象第一次访问距离最近一次访问的时间间隔以及各目标对象第一次访问距离当前时间的时间间隔。
需要说明的是,服务器获取的采集数据可能是来自于线下也可能来自于线上,还可能是其他设备传输的或者是历史存储的,本申请在此不具体限定。在此以目标对象为银行的客户为例进行说明,目标对象的重复访问频次可以理解为银行的客户线下(去银行的实体店办理业务)或线上(通过银行的软件应用办理业务或者电话咨询银行服务人员办理业务)访问银行的总次数减去1。为了清楚说明目标对象第一次访问距离最近一次访问的时间间隔可通过下述示例来说明,假定银行的客户A第一次访问银行(线上或线下)的时间为2020年11月11日10:05:56,客户A最近一次访问银行的时间为2021年11月12日10:06:57,那么目标对象第一次访问距离最近一次访问的时间间隔则为366天1分1秒。为了清楚说明目标对象第一次访问距离当前时间的时间间隔可通过下述示例来说明,假定银行的客户A第一次访问银行(线上或线下)的时间为2020年11月11日10:05:56,当前时间为2021年11月12日10:24:56,那么目标对象第一次访问距离最近一次访问的时间间隔则为366天19分。
假定目标对象的重复访问频次通过F指示、目标对象第一次访问距离最近一次访问的时间间隔通过R指示、目标对象第一次访问距离当前时间的时间间隔通过T指示。针对各目标对象可构建(F,R,T)的三元组,并将每个目标对象的三元组存储到一张数据表中,在改表格中可通过索引指示目标对象,如0001指示目标对象1。
步骤202,服务器将采集数据输入至参数预测模型,获取各目标对象在预设时间段内访问频次的中间值。
需要说明的是,参数预测模型可通过机器学习确定,还可通过数据统计算法等确定,本申请在此不具体限定,在一种可选的实施例中,参数预测模型可以为BG-NBD模型。服务器可构建任一目标对象的重复访问频次、第一次访问距离最近一次访问的时间间隔以及第一次访问距离当前时间的时间间隔的三元组;将各目标对象的三元组输入至参数预测模型,获取各目标对象在预设时间段内访问频次的中间值。
在一种可选的方式中,BG-NBD模型可基于各目标对象访问的时间间隔的分布情况、各目标对象不访问的概率的分布情况以及各目标对象的三元组进行预测,确定各目标对象在预设时间段内访问频次的中间值。具体如下:
在采用BG-NBD模型处理数据时,可遵循下述访问频次的预测规则:
1、每个目标对象对银行访问的时间间隔Δ服从参数为λ的指数分布(Δ~指数分布(Exp(λ));
2、每个目标对象之间的访问时间间隔分布也各不相同,λ服从参数为r,α的Gamma分布(λ~Gamma(r,α));
3、每一次访问完,目标对象完全不再访问的概率服从参数为p的几何分布(P~geometric/negative binomial(p));
4、每个目标对象完全不再访问的概率也各不相同,p服从参数为a,b的Beta分布(p~Beta(a,b));参数λ和p相互独立。
根据以上假设,可以借助BG-NBD模型的结果,目标对象i未来12个月的访问次数也即中间值f-pre。
其中,2F1为高斯超几何方程,a,b,α,r为上述假设的参数估计值,Fi,Ti,Ri为上述定义的三元组。
步骤203,服务器基于目标对象的属性信息以及各中间值进行线性拟合,确定各目标对象在预设时间段内的访问频次。
通过参数预测模型对各目标对象的采集数据进行预测确定各目标对象在预设时间段内访问频次的中间值,基于该中间值预测的各目标对象的访问频次,还不够准确,精确度不够,本申请引入目标对象的属性信息,该属性信息可以为目标对象所述的行业、经营状况等,本申请在此不具体限定。本申请将目标对象的属性信息与中间值进行拟合,确定目标对象在预设时间段内的访问频次,该方式可以避免直接基于中间值确定目标对象在预设时间段内的访问频次时预测不准确的问题,可以提高数据确定的准确度。
在一种可选的实施例中,目标对象的属性信息包括以下中的一种或多种:目标对象所属的行业信息、目标对象的成立年限、目标对象的注册资本、目标对象的变更情况、目标对象的财务情况。在实际应用时,目标对象的属性信息还可包括:目标对象的法人年龄、持有银行产品数量、核额额度、贷款金额以及贷款频次等,本申请在此不具体限定。
假定目标对象的属性信息包括M个;服务器可对第i个目标对象的属性信息进行分类处理,得到Xi个子属性值;i取遍1~M;Xi为整数;由于目标对象的属性信息可能包括多个,可将各属性信息进行量化处理,如将V1定义为企业的法人年龄,将法人年龄属于[17,29]区间的分为一组,且属于这组的所有目标对象的年龄都重新设为1。假设属性信息V1是企业的法人年龄,可将法人年龄属于[17,29]区间的分为一组,且属于这组的所有目标对象的年龄都重新设为1;将法人年龄属于(29,34]区间的分为一组,且属于这组的所有目标对象的年龄都重新设为2;将法人年龄属于(34,40]区间的分为一组,且属于这组的所有目标对象的年龄都重新设为3;将法人年龄属于(40,50]区间的分为一组,且属于这组的所有目标对象的年龄都重新设为4。这样分组,可保证分组与每组目标对象的中间值有较强的线性相关性;使任一目标对象的属性信息的子属性值对应的目标对象的数量分布均匀,即保证各组内的人数尽量均匀,这样不至于目标对象在某一组内大量堆积,避免分组得到的子属性值没有任何区分。图3中,横轴数值为分组后,各组的子属性值;折线为每组内中间值的第一个四分位值(例如,子属性值为1时,将在该子属性值下的所有目标对象对应的中间值按照从小到大的顺序依次排序,将在1/4处的目标对象对应的中间值作为第一个四分位值)(对应右纵坐标),其中,折线呈正相关;柱状图为每组目标对象占全部目标对象的比例(对应左纵坐标),各组的目标对象较为均衡。
下述表1示出了目标对象在属于不同的组合时对应的中间值,例如,M为4,分别用V1、V2、V3、V4指示各个属性信息,目标对象0001在V1下对应的子属性值为1,在V2下对应的子属性值为2,在V3下对应的子属性值为2,在V4下对应的子属性值为4,在此不一一说明。
表1
索引 | V1 | V2 | V3 | V4 | 中间值 |
00001 | 1 | 2 | 2 | 4 | 26 |
00002 | 2 | 3 | 1 | 1 | 20 |
00003 | 2 | 3 | 1 | 1 | 15 |
00004 | 2 | 1 | 2 | 1 | 0 |
00005 | 2 | 3 | 1 | 1 | 8 |
… | … | … | … | … | … |
之后可将M个目标对象的属性信息的子属性值进行排列组合,得到个组合;确定每个组合对应的中间值的均值;基于中间值的均值进行参数拟合,确定线性拟合模型的参数值。例如,目标对象的属性信息包括4个,服务器可对第1个目标对象的属性信息进行分类处理,得到3个子属性值,对第2个目标对象的属性信息进行分类处理,得到4个子属性值,对第3个目标对象的属性信息进行分类处理,得到2个子属性值,对第4个目标对象的属性信息进行分类处理,得到3个子属性值,经过排列组合可以得到72个组合(3*4*2*3)。
接续上述示例假定存在4个属性信息,假设V1分了4组,V2分了3组,V3分了3组,V4分了4组,参照下述表2,第1组中V1为1,V2为1,V3为1,V4为1,中间值均y为Y1(将在V1下对应的子属性值为1,在V2下对应的子属性值为1,在V3下对应的子属性值为1,在V4下对应的子属性值为1的所有目标对象的中间值进行加和取平均确定Y1),在此仅示意性说明,不一一说明。
表2
组合号 | V1 | V2 | V3 | V4 | y |
1 | 1 | 1 | 1 | 1 | Y1 |
2 | 1 | 2 | 1 | 1 | Y2 |
3 | 1 | 2 | 1 | 2 | Y3 |
… | … | … | … | … | Y4 |
144 | 4 | 3 | 3 | 4 | Y144 |
在确定各个组合对应的中间值的均值后,可将该值作为线性拟合模型的输出结果,通过最小二乘等确定线性拟合模型的参数值,该线性拟合模型可以为LR模型,也可以为其他模型,本申请在此不具体限定。例如可通过如下公式1确定LR模型的参数。
其中,M指示目标对象的属性信息的数量,βi为模型参数,Vi为属性信息,M的数量为多少个,对应的LR模型的参数则为多少个。
在一种可选的方式中,线性拟合模型的参数可通过如下方式确定:服务器将j个目标对象的属性信息输入至预训练的线性拟合模型中,确定1组线性拟合模型的参数预设值;j取变1~M;基于筛选规则对多组线性拟合模型的参数预设值进行筛选,确定线性模型的参数。此外,在确定线性拟合模型的参数预设值时,可将属性信息全部代入预训练的线性拟合模型确定,也可代入部分的属性信息确定,例如,属性信息包括3个,可将3个属性信息全部代入到预训练的线性拟合模型确定1组线性拟合模型的参数的预设值,也可仅代入1组属性信息(在此不限定具体代入哪组属性信息,代入不同的属性信息可得到不同的线性拟合模型的参数的预测值,分别代入3个属性信息可得到3组线性拟合模型的参数的预设值)确定1组线性拟合模型的参数的预设值。
在实际应用时,服务器也可在确定线性拟合模型的参数的预设值时,依次减少一个属性信息拟合LR模型;如属性信息包括3个,可将3个属性信息全都输入到预训练的线性拟合模型中确定一组模型参数的预设值后,减少1个属性信息,将2个属性信息输入到预训练的线性拟合模型中确定一组模型参数的预设值,之后可再减少1个属性信息,将1个属性信息输入到预训练的线性拟合模型中确定一组模型参数的预设值。或者根据经验,选定有用的变量,拟合LR模型,记录每次拟合的分组规则和模型参数β。
服务器选取最优模型,即最优的子属性信息组合、最佳的分组和模型参数βopt,可采用adjusted R2指标,充分考虑模型变量个数,即自由度对模型的影响;adjusted R2指标数值越高,模型越优;在筛选最优模型时筛选规则可通过如下公式确定,具体如下:
服务器可将各目标对象的中间值输入至线性拟合参数,确定各目标对象在预设时间段内的访问频次。根据adjusted R2指标选出最优模型,即确定属性信息、系数βopt和分组规则,将采集数据以及目标对象的属性信息输入至LR模型后的进行计算,得到目标对象j在预设时间段内的访问频次yj:
其中N为决定最优模型的变量个数。对于新的目标对象而言,也能根据其属性特征和业务特征确定预设时间段内的访问频次。
综上,可知,本申请提供的访问频次的预测流程可如图4所示,软件应用、小程序采集目标对象数据,客服通话采集目标对象数据,业务网点采集目标对象数据,根据采集的数据创建目标对象索引以及与目标对象对应的三元表,之后根据BG-NBD模型确定各目标对象的中间值,结合目标对象的属性信息训练LR模型,确定LR模型的参数,经过计算确定目标对象在预设时间段内的访问频次。
基于同样的构思,本申请实施例提供一种访问频次的预测装置,如图5所示,包括:获取单元51、预测单元52以及确定单元53。
其中,获取单元51,用于获取采集数据,采集数据包括:各目标对象的重复访问频次、各目标对象第一次访问距离最近一次访问的时间间隔以及各目标对象第一次访问距离当前时间的时间间隔;预测单元52,用于将采集数据输入至参数预测模型,获取各目标对象在预设时间段内访问频次的中间值;确定单元53,用于基于目标对象的属性信息以及各中间值进行线性拟合,确定各目标对象在预设时间段内的访问频次。
通过参数预测模型对各目标对象的采集数据进行预测确定各目标对象在预设时间段内访问频次的中间值,基于该中间值预测的各目标对象的访问频次,还不够准确,精确度不够,本申请引入目标对象的属性信息,该属性信息可以为目标对象所述的行业、经营状况等,本申请在此不具体限定。本申请将目标对象的属性信息与中间值进行拟合,确定目标对象在预设时间段内的访问频次,该方式可以避免直接基于中间值确定目标对象在预设时间段内的访问频次时预测不准确的问题,可以提高数据确定的准确度。
在一种可选的方式中,目标对象的属性信息包括M个;确定单元53可对第i个目标对象的属性信息进行分类处理,得到Xi个子属性值;i取遍1~M;Xi为整数;将M个目标对象的属性信息的子属性值进行排列组合,得到个组合;确定每个组合对应的中间值的均值;基于中间值的均值进行参数拟合,确定线性拟合模型的参数值。
通过对目标对象的属性信息进行分类处理,可以保证服务器更好地拟合中间值,提高访问频次的预测的准确度,且可以提高访问频次的预测的效率。
在一种可选的方式中,任一目标对象的属性信息的子属性值对应的目标对象的数量服从均匀分布。
通过该方式对目标对象的属性信息进行分类可以保证访问频次的预测的效率,且可以提高访问频次的预测的效率。
在一种可选的方式中,确定单元53可将各目标对象的中间值输入至线性拟合模型,确定各目标对象在预设时间段内的访问频次。该方式可提高访问频次的预测的准确度,且可以提高访问频次的预测的效率。
在一种可选的方式中,预测单元52可构建任一目标对象的重复访问频次、第一次访问距离最近一次访问的时间间隔以及第一次访问距离当前时间的时间间隔的三元组;将各目标对象的三元组输入至参数预测模型,获取各目标对象在预设时间段内访问频次的中间值;参数预设模型为BG-NBD模型。
在一种可选的方式中,BG-NBD模型基于各目标对象访问的时间间隔的分布情况、各目标对象不访问的概率的分布情况以及各目标对象的三元组进行预测,确定各目标对象在预设时间段内访问频次的中间值。
在一种可选的方式中,线性拟合模型的参数可通过如下方式确定:
确定单元53将j个目标对象的属性信息输入至预训练的线性拟合模型中,确定1组线性拟合模型的参数预设值;j取变1~M;基于筛选规则对多组线性拟合模型的参数预设值进行筛选,确定线性模型的参数。
在一种可选的方式中,筛选规则通过如下公式确定:
在一种可选的方式中,目标对象的属性信息包括以下中的一种或多种:目标对象所属的行业信息、目标对象的成立年限、目标对象的注册资本、目标对象的变更情况、目标对象的财务情况。
在一种可选的方式中,线性拟合模型为LR模型。
在介绍了本申请示例性实施方式中的访问频次的预测方法、装置之后,接下来,介绍本申请的另一示例性实施方式的计算设备。
所属技术领域的技术人员能够理解,本申请的各个方面可以实现为***、方法或程序产品。因此,本申请的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“***”。
在一些可能的实施方式中,根据本申请的计算设备可以至少包括至少一个处理器、以及至少一个存储器。其中,存储器存储有计算机程序,当计算机程序被处理器执行时,使得处理器执行本说明书上述描述的根据本申请各种示例性实施方式的访问频次的预测方法中的步骤。例如,处理器可以执行如图2中所示的步骤201-步骤203。
下面参照图6来描述根据本申请的这种实施方式的计算设备130。图6显示的计算设备130仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。如图6所示,计算设备130以通用智能终端的形式表现。计算设备130的组件可以包括但不限于:上述至少一个处理器131、上述至少一个存储器132、连接不同***组件(包括存储器132和处理器131)的总线133。
总线133表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器、***总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。存储器132可以包括易失性存储器形式的可读介质,例如随机存取存储器(RAM)1321和/或高速缓存存储器1322,还可以进一步包括只读存储器(ROM)1323。存储器132还可以包括具有一组(至少一个)程序模块1324的程序/实用工具1325,这样的程序模块1324包括但不限于:操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
计算设备130也可以与一个或多个外部设备134(例如键盘、指向设备等)通信,和/或与使得该计算设备130能与一个或多个其它智能终端进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口135进行。并且,计算设备130还可以通过网络适配器136与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器136通过总线133与用于计算设备130的其它模块通信。应当理解,尽管图中未示出,可以结合计算设备130使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
在一些可能的实施方式中,本申请提供的交易数据备份方法的各个方面还可以实现为一种程序产品的形式,其包括计算机程序,当程序产品在计算机设备上运行时,计算机程序用于使计算机设备执行本说明书上述描述的根据本申请各种示例性实施方式的访问频次的预测方法中的步骤。例如,处理器可以执行如图2中所示的步骤201-步骤203。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本申请的实施方式的用于三维视觉重定位的程序产品可采用便携式紧凑盘只读存储器(CD-ROM)并包括计算机程序,并可在智能终端上运行。但本申请的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可被指令执行***、装置或者器件使用或者与其结合使用。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读计算机程序。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
应当注意,尽管在上文详细描述中提及了装置的若干单元或子单元,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之,上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外,尽管在附图中以特定顺序描述了本申请方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程访问频次的预测设备的处理器以产生一个机器,使得通过计算机或其他可编程访问频次的预测设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程访问频次的预测设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程访问频次的预测设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (11)
1.一种访问频次的预测方法,其特征在于,包括:
获取采集数据,所述采集数据包括:各目标对象的重复访问频次、各所述目标对象第一次访问距离最近一次访问的时间间隔以及各所述目标对象第一次访问距离当前时间的时间间隔;
将所述采集数据输入至参数预测模型,获取各所述目标对象在预设时间段内访问频次的中间值;
基于所述目标对象的属性信息以及各所述中间值进行线性拟合,确定各所述目标对象在预设时间段内的访问频次。
3.根据权利要求2所述的方法,其特征在于,任一目标对象的属性信息的子属性值对应的目标对象的数量分布均匀。
4.根据权利要求2或3所述的方法,其特征在于,所述基于所述目标对象的属性信息以及各所述中间值进行线性拟合,确定各所述目标对象在预设时间段内的访问频次,包括:
将各目标对象的中间值输入至所述线性拟合模型,确定各所述目标对象在预设时间段内的访问频次。
5.根据权利要求1所述的方法,其特征在于,所述将所述采集数据输入至参数预测模型,获取各所述目标对象在预设时间段内访问频次的中间值,包括:
构建任一目标对象的重复访问频次、第一次访问距离最近一次访问的时间间隔以及第一次访问距离当前时间的时间间隔的三元组;
将各目标对象的所述三元组输入至参数预测模型,获取各所述目标对象在预设时间段内访问频次的中间值;所述参数预设模型为贝塔几何BG-负二项分布NBD模型。
6.根据权利要求5所述的方法,其特征在于,所述BG-NBD模型基于各目标对象访问的时间间隔的分布情况、各目标对象不访问的概率的分布情况以及所述各目标对象的三元组进行预测,确定各所述目标对象在预设时间段内访问频次的中间值。
7.根据权利要求4所述的方法,其特征在于,所述线性拟合模型的参数通过如下方式确定:
将j个所述目标对象的属性信息输入至预训练的所述线性拟合模型中,确定1组线性拟合模型的参数预设值;所述j取变1~M;
基于筛选规则对多组线性拟合模型的参数预设值进行筛选,确定所述线性模型的参数。
9.一种访问频次的预测装置,其特征在于,包括:
获取单元,用于获取采集数据,所述采集数据包括:各目标对象的重复访问频次、各所述目标对象第一次访问距离最近一次访问的时间间隔以及各所述目标对象第一次访问距离当前时间的时间间隔;
预测单元,用于将所述采集数据输入至参数预测模型,获取各所述目标对象在预设时间段内访问频次的中间值;
确定单元,用于基于所述目标对象的属性信息以及各所述中间值进行线性拟合,确定各所述目标对象在预设时间段内的访问频次。
10.一种计算装置,其特征在于,包括:存储器以及处理器;
存储器,用于存储程序指令;
处理器,用于调用所述存储器中存储的程序指令,按照获得的程序执行权利要求1-8中任一项所述的方法。
11.一种计算机存储介质,存储有计算机可执行指令,其特征在于,所述计算机可执行指令用于执行如权利要求1-8中任一权利要求所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111509654.3A CN114170002A (zh) | 2021-12-10 | 2021-12-10 | 一种访问频次的预测方法及装置 |
PCT/CN2022/120519 WO2023103527A1 (zh) | 2021-12-10 | 2022-09-22 | 一种访问频次的预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111509654.3A CN114170002A (zh) | 2021-12-10 | 2021-12-10 | 一种访问频次的预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114170002A true CN114170002A (zh) | 2022-03-11 |
Family
ID=80485558
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111509654.3A Pending CN114170002A (zh) | 2021-12-10 | 2021-12-10 | 一种访问频次的预测方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114170002A (zh) |
WO (1) | WO2023103527A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023103527A1 (zh) * | 2021-12-10 | 2023-06-15 | 深圳前海微众银行股份有限公司 | 一种访问频次的预测方法及装置 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117478600B (zh) * | 2023-12-28 | 2024-03-08 | 彩讯科技股份有限公司 | 服务于高并发多中心业务中台的流量控制方法与*** |
CN117650950B (zh) * | 2024-01-30 | 2024-04-19 | 浙江省电子信息产品检验研究院(浙江省信息化和工业化融合促进中心) | 安全通信方法与装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7877346B2 (en) * | 2007-06-06 | 2011-01-25 | Affinova, Inc. | Method and system for predicting personal preferences |
CN106709755A (zh) * | 2016-11-28 | 2017-05-24 | 加和(北京)信息科技有限公司 | 一种预测用户频次的方法及装置 |
CN110415002A (zh) * | 2019-07-31 | 2019-11-05 | 中国工商银行股份有限公司 | 客户行为预测方法及*** |
CN112633573B (zh) * | 2020-12-21 | 2022-04-01 | 北京达佳互联信息技术有限公司 | 活跃状态的预测方法以及活跃度阈值的确定方法 |
CN112819258A (zh) * | 2021-03-24 | 2021-05-18 | 中国工商银行股份有限公司 | 银行网点到店客户数量预测方法及装置 |
CN114170002A (zh) * | 2021-12-10 | 2022-03-11 | 深圳前海微众银行股份有限公司 | 一种访问频次的预测方法及装置 |
-
2021
- 2021-12-10 CN CN202111509654.3A patent/CN114170002A/zh active Pending
-
2022
- 2022-09-22 WO PCT/CN2022/120519 patent/WO2023103527A1/zh unknown
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023103527A1 (zh) * | 2021-12-10 | 2023-06-15 | 深圳前海微众银行股份有限公司 | 一种访问频次的预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2023103527A1 (zh) | 2023-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7308262B2 (ja) | 機械学習モデルのための動的なデータ選択 | |
CN114170002A (zh) | 一种访问频次的预测方法及装置 | |
CN107590688A (zh) | 目标客户的识别方法及终端设备 | |
CN107705149A (zh) | 数据实时监控方法、装置、终端设备及存储介质 | |
US20150324325A1 (en) | Techniques to perform data reduction for statistical tests | |
US11854022B2 (en) | Proactively predicting transaction dates based on sparse transaction data | |
US20050197889A1 (en) | Method and apparatus for comparison over time of prediction model characteristics | |
KR102410777B1 (ko) | 상품 추천 방식 개선 방법 및 장치 | |
CN111080360B (zh) | 行为预测方法、模型训练方法、装置、服务器及存储介质 | |
US11657302B2 (en) | Model selection in a forecasting pipeline to optimize tradeoff between forecast accuracy and computational cost | |
CN113283671B (zh) | 一种预测补货量的方法、装置、计算机设备及存储介质 | |
CN112085615A (zh) | 图神经网络的训练方法及装置 | |
CN114584601A (zh) | 用户流失识别及干预方法、***、终端及介质 | |
CN112766536A (zh) | 计算公路工程人工单价的模型训练方法、装置及终端 | |
CN113835947A (zh) | 一种基于异常识别结果确定异常原因的方法和*** | |
CN116823468A (zh) | 一种基于sac的高频量化交易控制方法、***及存储介质 | |
CN116167646A (zh) | 基于交易算法的评价方法、装置、设备及存储介质 | |
CN113869992B (zh) | 基于人工智能的产品推荐方法、装置、电子设备及介质 | |
CN117011063B (zh) | 客户交易风险预测处理方法及装置 | |
CN117992241B (zh) | 基于大数据的科技型中小企业银企对接服务***及方法 | |
CN118364972A (zh) | 用户行为预测方法、装置、计算机设备、存储介质和产品 | |
CN116911902A (zh) | 目标推荐方法及装置 | |
CN117131965A (zh) | 数据预测方法及装置、计算机存储介质、电子设备 | |
WO2023278935A1 (en) | Artificial intelligence based hotel demand model | |
CN116542706A (zh) | 一种营销活动结果预测方法及装置 |
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 |