CN111522910B - 一种基于文物知识图谱的智能语义检索方法 - Google Patents
一种基于文物知识图谱的智能语义检索方法 Download PDFInfo
- Publication number
- CN111522910B CN111522910B CN202010290760.6A CN202010290760A CN111522910B CN 111522910 B CN111522910 B CN 111522910B CN 202010290760 A CN202010290760 A CN 202010290760A CN 111522910 B CN111522910 B CN 111522910B
- Authority
- CN
- China
- Prior art keywords
- entity
- knowledge graph
- cultural relic
- retrieval
- mapping
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/237—Lexical tools
- G06F40/242—Dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于文物知识图谱的智能语义检索方法,包括以下步骤:(1)检索语句的实体映射:利用实体识别模型识别用户检索语句的识别实体,并通过同义词典对识别实体进行描述归一化后,在文物知识图谱中对识别实体进行定位,即确定在文物知识图谱中与识别实体对应的对应实体;(2)检索语句的关系映射:根据对应实体的实体类型,采用与该实体类型对应的关系映射模型对对应实体进行用户检索意图的知识图谱关系映射,确定映射关系;(3)根据所述对应实体和所述映射关系生成满足知识图谱查询模式语句,并用此查询模式语句来进行文物知识图谱的检索。该智能语义检索方法相比于关键字匹配检索,能更加满足用户检索需求。
Description
技术领域
本发明涉及自然语言处理、语义解析和信息抽取等技术领域,具体来说涉及一种基于文物知识图谱的智能语义检索方法。
背景技术
随着信息技术的飞速发展,互联网中的信息量也呈爆炸指数的增长。互联网中充斥着的海量数据,为大数据分析提供了一个天然的数据基础,也为用户提供了一个丰富广泛的信息查询源。在大量的数据中,人们往往需要借助搜索引擎的帮助来检索自己需要的信息,然而目前搜索引擎的检索效果并不好,会返回给用户大量的相关结果,用户仍需在查询结果中进行进一步的筛选,无法满足用户日益提高的标准和智能化检索的请求。而对于文物这类面向专业知识的检索更是如此,由于文物领域的专业性和特殊性,搜索引擎往往无法给出用户满意的检索结果,因此研究一种满足用户要需求的智能检索方法迫在眉睫。
如百度、Google等传统搜索引擎仍以关键字匹配、PageRank和倒排索引等经典方法作为其检索依据,即在网络文档中进行关键词匹配,以关键词共同命中数作为倒排索引的依据返回给用户。已有的一些优化主要针对用户输入端,即对用户输入的检索语句进行分词等自然语言处理方法,将一条文本语句解析成多个用户查询意图关键词,再进行联合查询。这样的解析方法主要为浅层语义解析,去除了用户输入中的停用词等无用查询内容,增加了用户查询的准确率。但这样的方法并没有对用户输入的检索语句进行深层的语义分析,无法理解用户的查询意图,查询方法也较为刻板。
在智能语义检索的研究领域中,知识图谱其中一种解决方法。知识图谱是一种适用于进行智能语义检索的信息组织形式,它表现为一个特殊的语义网络,用图的形式来描述现实世界中实体以及实体之间的关系,图中的节点表示一个实体,节点之间的边表示两个实体之间的关系。知识图谱用<实体,实体,关系>这样的三元组形式将大量的、离散的信息用结构化的方式组织起来,将自然语言表达的信息映射到具有一定规则模式的知识图谱中,让文物与文物、文物知识与其他补充描述性知识信息进行关联,使得文物不再是一个个信息孤岛,为用户在文物方面的智能语义检索提供了数据结构基础和查询途径。智能语义检索不再拘泥于用户检索请求的字面本身,不再严格地执行关键字匹配操作,而是结合自然语言处理领域中的命名实体识别和关系检测技术,使用深度学习方法,理解用户的搜索意图,从而准备、全面地返回给用户最符合其心理要求的检索结果。
发明内容
针对上述问题,本发明提供了一种基于文物知识图谱的智能语义检索方法,通过实体映射过程,识别出用户检索请求文本中的文物领域信息实体,将实体连接至文物知识图谱中,再通过关系映射,预测出检索文本在知识图谱中所对应的关系,完成文物知识的智能语义检索。
本发明的技术方案为:
一种基于文物知识图谱的智能语义检索方法,包括以下步骤:
(1)检索语句的实体映射:利用实体识别模型识别用户检索语句的识别实体,并通过同义词典对识别实体进行描述归一化后,在文物知识图谱中对识别实体进行定位,即确定在文物知识图谱中与识别实体对应的对应实体;
(2)检索语句的关系映射:根据对应实体的实体类型,采用与该实体类型对应的关系映射模型对对应实体进行用户检索意图的知识图谱关系映射,确定映射关系;
(3)根据所述对应实体和所述映射关系生成满足知识图谱查询模式语句,并用此查询模式语句来进行文物知识图谱的检索。
与现有技术相比,本发明具有的有益效果为:
(1)构建了实体同义词典,可以对经过实体识别后的实体进行实体描述归一化,将用户检索语句中表达不准确、不规范的实体描述进行统一的、规范化的描述,防止出现因实体描述不规范而无法正确映射到知识图谱中的实体节点中去的情况,增加了实体映射步骤的容错性和鲁棒性。
(2)针对传统方法中只有一个CNN网络模型完成关系映射任务存在的预测误差较大的情况,本发明针对不同类型的实体,根据其特点准备了不同的训练数据,训练了不同的关系映射网络模型。每个实体有自己对应的网络模型来进行关系映射任务,对关系的预测结果进行了一定范围内的约束,提高关系映射的准确率。
(3)本发明通过实体和关系映射对检索语句进行语义解析,快速准确地理解用户查询意图,并返回更加明确的检索结果,提交检索的准确率与覆盖率,相比于关键字匹配检索,能更加满足用户检索需求。
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做简单地介绍,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前提下,还可以根据这些附图获得其他附图。
图1为实施例提供的基于文物知识图谱的智能语义检索方法的总体流程图;
图2为实施例提供的检索语句的实体映射整体架构图;
图3为实施例提供的候选关系预测模块整体架构图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不限定本发明的保护范围。
图1为实施例提供的基于文物知识图谱的智能语义检索方法的总体流程图。如图1所示,实施例提供的基于文物知识图谱的智能语义检索方法,包括以下步骤:
步骤1,检索语句的实体映射:利用实体识别模型识别用户检索语句的识别实体,并通过同义词典对识别实体进行描述归一化后,在文物知识图谱中对识别实体进行定位,即确定在文物知识图谱中与识别实体对应的对应实体。
所述用户检索语句被输入所述实体识别模型之前,需要对所述用户检索语句进行向量化表示,即将所述用户检索语句文本转换为空间向量。本发明中,同时采用分词特征和词性特征对用户检索语句进行向量化表示。具体地,采用jieba工具获取分词特征,采用Stanford CoreNLP工具对用户检索语句进行标注,获取词性特征。并使用word2vec将上述特征转换为词向量模式。
一个实施方式中,所述实体识别模型采用Encoder-Decoder模式进行实体识别任务。其中,所述实体识别模型的Encoder端,采用双向LSTM进行编码任务;所述实体识别模型的Decoder端,采用条件随机场进行解码任务。
针对实体识别模型的Encoder端,使用双向LSTM(BiLSTM)来进行编码任务,即对输入的特征向量进行上下文及句子结构信息的捕捉和抽取。前向LSTM能提取该输入在上文中的历史信息,后向LSTM能提取该输入在后文中的未来信息,两者结合能充分挖掘该输入在上下文相关文本中的特征,使得向量表示更为准确。LSTM的详细单元结构如图3所示。输入的检索语句向量表示形式为x=(x1,x2,…,xn),经过Encoder端后得到两个方向相反的输出序列,一个是前向LSTM的输出结果 另一个是后向LSTM的输出结果将两个方向LSTM层计算得到的向量输出进行拼接得到即得到最终的句子中每个字词的上下文向量表示。
针对实体识别模型的Decoder端,使用CRF(条件随机场)来进行解码任务,对BiLSTM的上下文语义表示输出进行序列标注,输出实体的边界范围和实体类别标签。在给定输入检索语句X=(x1,x2,…,xn)的情况下,通过下述公式计算最优标注序列y=(y1,y2,…,yn):
其中P为输出矩阵,即Encoder端BiLSTM网络的输出概率;yi为第i个位置输出为yi的概率,A为转移矩阵,Ai,j表示从标签i转移到标签j的分数。
由于存在用户检索语句表达不规范的情况,上述过程中识别出的实体可能无法正确映射到知识图谱中的对应节点上,因此本发明构建实体的同义词典,用于将用户检索请求中表达不规范的实体进行统一的描述转换,使其成为能够与知识图谱中实体名称相对应。
步骤2,检索语句的关系映射:根据对应实体的实体类型,采用与该实体类型对应的关系映射模型对对应实体进行用户检索意图的知识图谱关系映射,确定映射关系。
由于不同类型的实体在文物知识图谱中所连接的关系种类不同,因此,在进行关系映射前,对对应实体类别进行判断,根据对应实体类型选择与对应实体类型对应的关系映射模型进行关系映射。因此,本发明对不同类型的实体训练了不同的网络模型,以此来对实体的关系映射进行一定的约束。
在一个实施方式中,所述关系映射模型采用神经卷积网络进行关系映射任务。具体地,所述关系映射模型的网络结构为:
卷积层:对输入向量使用卷积计算操作来获取其中的特征矩阵,具体采用unigram(1*1)、bigram(2*2)、trigram(3*3)三组卷积核,即每次卷积操作分别覆盖一个词、两个词和三个词,每组卷积核20个;卷积运算如下,根据已有的参数矩阵对输入向量矩阵进行点积运算,并加上常数参数作为最终的卷积运算结果:
C=f(W·T+b)
其中,W为卷积核中的参数,T为输入向量,b为偏置,f(·)为非线性激活函数ReLU,f(x)=max(0,x);
池化层:对卷积后的特征向量再次进行筛选,提取出主要特征,减少矩阵运算的计算量,采用平均池化方式,以最大程度保留特征;假设输入向量长度为L,卷积核长度为h,池化操作如下,即对每一维度的特征取平均值后,作为最终特征向量的组成部分:
C=avg_Pool[c1,c2,…,cL-h+1]
全连接层:对多个池化结果进行连接,得到最终特征向量表示C′;该最终特征向量C′被输入到最后的softmax层得到相应类别的概率序列;
softmax层:对输入的最终特征向量进行计算得到相应类别的概率序列。假设步骤(1)中映射到知识图谱中的目标实体具有的关系类型数量为M,c)中的特征向量经过softmax层后输出具有M个概率值的序列P=[p1,p2,…,pM],其中判断用户检索语句映射到知识图谱中每种关系的概率如下,每一类关系的计算结果占该实体所连接的所有关系计算结果的比值:
通过上述关系映射模型计算,可以得到检索语句意图中目标实体所连接的所有关系的概率,本发明将按照概率大小对所有的关系进行排序。
步骤3,根据所述对应实体和所述映射关系生成满足知识图谱查询模式语句,并用此查询模式语句来进行文物知识图谱的检。
具体实验例
本实施例对用户输入的检索语句进行实体映射,如图2所示,用户输入检索语句,如“青城坐雨图收藏在哪个地方”,本实施例首先对其进行分词和词性特征表示,如“青城/ns坐/v雨/n图/n收藏/v在/p哪个/r地方/n”,通过word2vec转换为向量表示后输入进训练好的实体识别模型上进行预测。
在预测无误的情况下实体识别模型的输出为“青/B-CUL城/I-CUL坐/I-CUL雨/I-CUL图/E-CUL收/O藏/O在/O哪/O个/O地/O方/O”,其中BIOE表示该实体边界,B为实体的开始字符,I为实体的中间字符,E为实体的结束字符,O为实体之外的字符,WOK表示预测的实体类别,在本实施例中为文物类型。
从模型的输出中得到文物类型的实体名称(如“青城坐雨图”)后,需要通过同义词典对该实体进行归一化描述,通过查询词典将其转换为可以正确映射到知识图谱中节点名称的规范化描述形式(如“近代黄宾虹青城坐雨图轴”)。
本实施例对用户输入的检索语句进行关系映射,如图3所示,本实施例从步骤(1)中获取检索语句中目标实体的类型,如“近代黄宾虹青城坐雨图轴”的实体类型为CUL(文物),因此选择在以文物为检索内容的语句上训练出的CNN网络作为此次关系映射任务的具体关系映射模型,关系映射模型输出为预测知识图谱中该实体所连接的所有关系与检索语句表达含义一致的概率(如collected_in:0.84,excavated_in:0.07,create_time:0.03),并按照预测概率大小进行排序。预测概率最大的实体关系则认为是用户检索语句的查询意图,在本实施例中,“青城坐雨图收藏在哪个地方”所预测概率最大的关系则为collected_in(收藏地点)。
本实施例检索语句映射到知识图谱中的实体和关系进行构建知识图谱查询语句的操作。根据步骤(1)与(2),“青城坐雨图收藏在哪个地方”检索语句映射到知识图谱中的实体和关系为“近代黄宾虹青城坐雨图轴”和“收藏地点”,因此可以构建出数据库查询语句“MATCH(n:CUL{name:`近代黄宾虹青城坐雨图轴`})-[r:collected_in]->(m)returnm.name”,通过在知识图谱存储数据库中运行该条语句,可以得出检索结果“浙江省博物馆”。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的最优选实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于文物知识图谱的智能语义检索方法,其特征在于,包括以下步骤:
(1)检索语句的实体映射:采用分词特征和词性特征对用户检索语句进行向量化表示,利用实体识别模型识别向量化表示的用户检索语句的识别实体,并通过同义词典对识别实体进行描述归一化后,在文物知识图谱中对识别实体进行定位,即确定在文物知识图谱中与识别实体对应的对应实体;其中,实体识别模型采用Encoder-Decoder模式进行实体识别任务,Encoder端采用双向LSTM进行编码任务,Decoder端采用条件随机场进行解码任务;
(2)检索语句的关系映射:根据对应实体的实体类型,采用与该实体类型对应的关系映射模型对对应实体进行用户检索意图的知识图谱关系映射,确定映射关系;其中,关系映射模型采用神经卷积网络进行关系映射任务,具体网络结构包括:卷积层:对输入向量使用卷积计算操作来获取其中的特征矩阵,具体采用unigram(1*1)、bigram(2*2)、trigram(3*3)三组卷积核,即每次卷积操作分别覆盖一个词、两个词和三个词,每组卷积核20个;池化层:对卷积后的特征向量再次进行筛选,提取出主要特征,减少矩阵运算的计算量,采用平均池化方式,以最大程度保留特征;全连接层:对多个池化结果进行连接,得到最终特征向量表示;softmax层:对输入的最终特征向量进行计算得到相应类别的概率序列;
(3)根据所述对应实体和所述映射关系生成满足知识图谱查询模式语句,并用此查询模式语句来进行文物知识图谱的检索。
2.如权利要求1所述的基于文物知识图谱的智能语义检索方法,其特征在于,采用jieba工具获取分词特征,采用Stanford CoreNLP工具对用户检索语句进行标注,获取词性特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010290760.6A CN111522910B (zh) | 2020-04-14 | 2020-04-14 | 一种基于文物知识图谱的智能语义检索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010290760.6A CN111522910B (zh) | 2020-04-14 | 2020-04-14 | 一种基于文物知识图谱的智能语义检索方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111522910A CN111522910A (zh) | 2020-08-11 |
CN111522910B true CN111522910B (zh) | 2022-05-31 |
Family
ID=71910674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010290760.6A Active CN111522910B (zh) | 2020-04-14 | 2020-04-14 | 一种基于文物知识图谱的智能语义检索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111522910B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111967761B (zh) * | 2020-08-14 | 2024-04-02 | 国网数字科技控股有限公司 | 一种基于知识图谱的监控预警方法、装置及电子设备 |
CN112035635A (zh) * | 2020-08-28 | 2020-12-04 | 康键信息技术(深圳)有限公司 | 医疗领域意图识别方法、装置、设备及存储介质 |
CN112182239A (zh) * | 2020-09-22 | 2021-01-05 | 中国建设银行股份有限公司 | 信息检索方法和装置 |
CN112735475B (zh) * | 2020-12-25 | 2023-02-21 | 北京博瑞彤芸科技股份有限公司 | 一种通过语音搜索疾病知识的方法和系统 |
CN112860866B (zh) * | 2021-02-09 | 2023-09-19 | 北京百度网讯科技有限公司 | 语义检索方法、装置、设备以及存储介质 |
CN113449066B (zh) * | 2021-08-31 | 2021-12-07 | 北京泽云瑞弘信息技术有限公司 | 利用知识图谱来存储文物数据的方法、处理器及存储介质 |
CN114064820B (zh) * | 2021-11-29 | 2023-11-24 | 上证所信息网络有限公司 | 一种基于混合架构的表格语义查询粗排方法 |
CN114141384A (zh) * | 2022-01-30 | 2022-03-04 | 北京欧应信息技术有限公司 | 用于检索医学数据的方法、设备和介质 |
CN115271683B (zh) * | 2022-09-26 | 2023-01-13 | 西南交通大学 | 基于标准知识图谱元结构的bim自动标准审查系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160063106A1 (en) * | 2012-08-08 | 2016-03-03 | Google Inc. | Related Entity Search |
KR101446154B1 (ko) * | 2013-01-11 | 2014-10-01 | 한남대학교 산학협력단 | 사용자 질의 확장 기법을 이용한 시맨틱 콘텐츠 검색 시스템 및 방법 |
CN105868313B (zh) * | 2016-03-25 | 2019-02-12 | 浙江大学 | 一种基于模板匹配技术的知识图谱问答系统及方法 |
CN108804521B (zh) * | 2018-04-27 | 2021-05-14 | 南京柯基数据科技有限公司 | 一种基于知识图谱的问答方法及农业百科问答系统 |
CN109033374B (zh) * | 2018-07-27 | 2022-03-15 | 四川长虹电器股份有限公司 | 基于贝叶斯分类器的知识图谱检索方法 |
-
2020
- 2020-04-14 CN CN202010290760.6A patent/CN111522910B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111522910A (zh) | 2020-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111522910B (zh) | 一种基于文物知识图谱的智能语义检索方法 | |
CN110399457B (zh) | 一种智能问答方法和系统 | |
CN111353030B (zh) | 基于旅游领域知识图谱的知识问答检索方法及装置 | |
CN111931506B (zh) | 一种基于图信息增强的实体关系抽取方法 | |
CN110309268B (zh) | 一种基于概念图的跨语言信息检索方法 | |
CN112035730B (zh) | 一种语义检索方法、装置及电子设备 | |
CN110674252A (zh) | 一种面向司法领域的高精度语义搜索系统 | |
CN113010693A (zh) | 融合指针生成网络的知识图谱智能问答方法 | |
CN110765277B (zh) | 一种基于知识图谱的移动端的在线设备故障诊断方法 | |
CN112307182B (zh) | 一种基于问答系统的伪相关反馈的扩展查询方法 | |
CN111324691A (zh) | 一种基于知识图谱的少数民族领域智能问答方法 | |
CN115599902B (zh) | 一种基于知识图谱的油气百科问答方法及系统 | |
CN113806563A (zh) | 面向多源异构建筑人文史料的建筑师知识图谱构建方法 | |
CN103646112A (zh) | 利用了网络搜索的依存句法的领域自适应方法 | |
CN113282711B (zh) | 一种车联网文本匹配方法、装置、电子设备及存储介质 | |
CN114912449B (zh) | 基于代码描述文本的技术特征关键词抽取方法与系统 | |
CN112328800A (zh) | 自动生成编程规范问题答案的系统及方法 | |
CN116127095A (zh) | 一种序列模型与知识图谱结合的问答方法 | |
CN113486667A (zh) | 一种基于实体类型信息的医疗实体关系联合抽取方法 | |
CN112214335A (zh) | 基于知识图谱和相似度网络的Web服务发现方法 | |
CN112632250A (zh) | 一种多文档场景下问答方法及系统 | |
CN111639165A (zh) | 基于自然语言处理和深度学习的智能问答优化方法 | |
CN114818717A (zh) | 融合词汇和句法信息的中文命名实体识别方法及系统 | |
CN113761890A (zh) | 一种基于bert上下文感知的多层级语义信息检索方法 | |
CN112036178A (zh) | 一种配网实体相关的语义搜索方法 |
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 |