CN103139310A - 一种基于混合协同过滤的Web服务QoS预测方法 - Google Patents
一种基于混合协同过滤的Web服务QoS预测方法 Download PDFInfo
- Publication number
- CN103139310A CN103139310A CN201310070867XA CN201310070867A CN103139310A CN 103139310 A CN103139310 A CN 103139310A CN 201310070867X A CN201310070867X A CN 201310070867XA CN 201310070867 A CN201310070867 A CN 201310070867A CN 103139310 A CN103139310 A CN 103139310A
- Authority
- CN
- China
- Prior art keywords
- service
- user
- qos
- expression
- class
- 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
Abstract
本发明公开一种基于混合协同过滤的Web服务QoS预测方法,现有的Web服务QoS预测方法的预测精确度不高,特别是在QoS数据稀疏的情况下该情况更为严重,本发明根据用户和服务的相关信息,首先将用户和服务分类,然后根据目标用户和目标服务所属分类的不同使用不同的预测方法计算其QoS预测值,并在计算预测值的过程中使用改进的欧氏距离方法计算用户间和服务间的相似度。与传统方法相比,本发明具有较高的Web服务QoS的预测精度,尤其在历史QoS数据稀疏情况下,其预测精度相比现有方法有明显提高。
Description
技术领域
本发明属于服务选择领域,具体涉及到一种基于混合协同过滤的Web服务QoS预测方法。
背景技术
当前,利用Web服务组合技术有效地组织Internet中的各类服务,开发既满足用户功能性需求、又满足服务质量(Quality of Service,简称QoS)需求的企业级应用,已成为Internet环境下软件开发的重要方式。其中,服务选择是服务组合过程中的关键环节。由于存在大量功能、行为相同或相似而QoS不同的Web服务,进行服务选择时必须考虑它们的QoS属性。
迄今为止,国内外研究者已提出了许多基于QoS的服务选择方法,这些方法大多针对服务的QoS信息较为完整的情况,然而实际情况并非都是如此。服务的QoS信息通常来自于用户调用后得到的数据。但是一个用户一般并不可能调用过所有的服务,这样就需要在众多的候选服务中,在服务QoS信息不完全情况下进行选择。
当前,服务QoS预测已成为Web服务领域的一个热点问题。通过大量实验的验证和比较,基于协同过滤的预测方法是迄今为止整体预测精度最好的方法。但是在QoS数据稀疏的情况下,该类方法的预测精度较其他方法提高并不十分明显。同时,通过分析真实QoS数据,可以发现QoS数据的重要特点正是数据稀疏性。
发明内容
本发明针对现有技术的不足,提出了一种基于混合协同过滤的Web服务QoS预测方法。
本发明一种基于混合协同过滤的Web服务QoS预测方法的具体步骤是:
步骤(1) 获取用户调用Web服务QoS历史记录信息,并将所获取的初始QoS矩阵正规化,具体计算公式为:,其中, 表示用户u调用服务s的QoS,表示与用户u相关的所有QoS记录的平均值,表示用户u调用服务所得QoS数据的标准偏差;
步骤(2) 根据用户和服务的相关信息,将用户分为“普通用户类”和“特殊用户类”,将服务分为“普通服务类”、“特殊服务类”和“区域敏感服务类”;根据定义1确定“特殊用户类”,根据定义2确定“特殊服务类”,根据定义3和定义4确定“区域敏感服务类”,未被划分入以上任意类的用户和服务分别组成“普通用户类”和“普通服务类”;
步骤(3)目标用户属于“特殊用户类”,而目标服务不属于“特殊服务类”,则使用UMEAN方法计算预测值,即将目标用户调用过的QoS记录的均值作为预测值;
步骤(4) 目标服务属于“特殊服务类”,而目标用户不属于“特殊用户类”,则使用IMEAN方法计算预测值,即将目标服务被调用的QoS记录的均值作为预测值;
步骤(5) 目标服务属于“特殊服务类”,且目标用户属于“特殊用户类”,则将使用UMEAN方法和IMEAN方法获得的预测值的均值作为最终的预测值;
步骤(6) 目标服务对于目标用户所属区域敏感,根据定义5,将目标用户所属区域对目标服务的中心作为最终的预测值;
步骤(7) 目标用户和目标服务分别属于“普通用户类”和“普通服务类”,根据定义6和定义7,使用改进欧氏距离计算用户间和服务间的相似度,使用Top-K算法选择目标用户和目标服务的相似邻居,最后根据定义8使用综合预测方法计算最终的预测值。
定义4区域敏感服务。若服务s满足 ,则称服务s对区域敏感。其中,表示一个名为的服务;为控制区域敏感服务的阈值,可根据实际情况指定;表示区域中用户调用服务s所得QoS记录的集合的中值,简称区域的中值;表示用户区域集合中各个区域中值所组成的集合的中值;表示用户区域集合中各个区域中值与的差的绝对值所组成的集合的中值,计算公式为。
定义6 用户相似度。本发明中,用户u1和u2的相似度使用改进欧式距离计算,具体公式为:,其中,表示用户u1和u2共同调用过的服务集合,表示用户u1和用户u2共同调用服务的个数,表示服务s被用户调用所得QoS数据的标准偏差,计算公式为:,表示调用服务s的用户集合,表示调用服务s的用户的个数,表示用户ui调用服务s的QoS值,表示与服务s相关的所有QoS记录的平均值。
定义7 服务相似度。本发明中,服务s1和s2的相似度使用改进欧式距离计算,具体公式为:,其中,表示共同调用服务s1和s2的用户集合,表示共同调用服务s1和s2的用户的个数,表示表示用户u调用服务所得QoS数据的标准偏差,计算公式为:,表示用户u调用的服务集合,表示用户u调用服务的个数,表示用户u调用服务s的QoS值,表示与服务u相关的所有QoS记录的平均值。
定义8 综合预测方法。综合预测方法的计算公式为:,其中,表示基于用户的预测结果,计算公式为(表示目标用户u的相似邻居集合,表示用户u1调用服务s的QoS,表示用户u与u1的相似度),表示基于服务的预测结果,计算公式为其中表示目标服务s的相似邻居集合,表示用户u调用服务s1的QoS,表示服务s与服务s1的相似度,和()分别表示基于用户预测结果和基于服务预测结果的权重,计算公式为:,,和分别为调节基于用户和基于服务预测结果权重的固定因子,计算公式为:,,为调节基于用户和基于服务预测结果权重的可变因子,可根据实际情况指定。
有益效果:本发明通过考虑用户和服务的自身特性将用户和服务分类,并且根据目标用户和目标服务所属分类的不同使用不同的预测方法计算其QoS预测值,并利用改进的欧氏距离方法计算用户和服务的相似度,解决了传统相似度计算方法可能存在的对相似度值评估过高的问题,同时通过引入平衡因子整合了相似用户对相同服务QoS的预测结果和相同用户对相似服务QoS的预测结果。与传统方法相比,本发明具有较高的Web服务QoS的预测精度,尤其在历史QoS数据稀疏情况下,其预测精度相比现有方法有明显提高。
附图说明
图1 本发明的主要流程图。
具体实施方式
如图1所示,本发明一种基于混合协同过滤的Web服务QoS预测方法包括以下步骤:
步骤(1) 获取用户调用Web服务QoS历史记录信息,并将所获取的初始QoS矩阵正规化,具体计算公式为:,其中,表示用户u调用服务s的QoS,表示与用户u相关的所有QoS记录的平均值,表示用户u调用服务所得QoS数据的标准偏差;
步骤(2) 根据用户和服务的相关信息,将用户分为“普通用户类”和“特殊用户类”,将服务分为“普通服务类”、“特殊服务类”和“区域敏感服务类”;根据定义1确定“特殊用户类”,根据定义2确定“特殊服务类”,根据定义3和定义4确定“区域敏感服务类”,未被划分入以上任意类的用户和服务分别组成“普通用户类”和“普通服务类”;
步骤(3)目标用户属于“特殊用户类”,而目标服务不属于“特殊服务类”,则使用UMEAN方法计算预测值,即将目标用户调用过的QoS记录的均值作为预测值;
步骤(4) 目标服务属于“特殊服务类”,而目标用户不属于“特殊用户类”,则使用IMEAN方法计算预测值,即将目标服务被调用的QoS记录的均值作为预测值;
步骤(5) 目标服务属于“特殊服务类”,且目标用户属于“特殊用户类”,则将使用UMEAN方法和IMEAN方法获得的预测值的均值作为最终的预测值;
步骤(6) 目标服务对于目标用户所属区域敏感,根据定义5,将目标用户所属区域对目标服务的中心作为最终的预测值;
步骤(7) 目标用户和目标服务分别属于“普通用户类”和“普通服务类”,根据定义6和定义7,使用改进欧氏距离计算用户间和服务间的相似度,使用Top-K算法选择目标用户和目标服务的相似邻居,最后根据定义8使用综合预测方法计算最终的预测值。
定义4区域敏感服务。若服务s满足 ,则称服务s对区域敏感。其中,表示一个名为的服务;为控制区域敏感服务的阈值,可根据实际情况指定;表示区域中用户调用服务s所得QoS记录的集合的中值,简称区域的中值;表示用户区域集合中各个区域中值所组成的集合的中值;表示用户区域集合中各个区域中值与的差的绝对值所组成的集合的中值,计算公式为。
定义6 用户相似度。本发明中,用户u1和u2的相似度使用改进欧式距离计算,具体公式为:,其中,表示用户u1和u2共同调用过的服务集合,表示用户u1和用户u2共同调用服务的个数,表示服务s被用户调用所得QoS数据的标准偏差,计算公式为:,表示调用服务s的用户集合,表示调用服务s的用户的个数,表示用户ui调用服务s的QoS值,表示与服务s相关的所有QoS记录的平均值。
定义7 服务相似度。本发明中,服务s1和s2的相似度使用改进欧式距离计算,具体公式为:,其中,表示共同调用服务s1和s2的用户集合,表示共同调用服务s1和s2的用户的个数,表示表示用户u调用服务所得QoS数据的标准偏差,计算公式为:,表示用户u调用的服务集合,表示用户u调用服务的个数,表示用户u调用服务s的QoS值,表示与服务u相关的所有QoS记录的平均值。
Claims (1)
1.一种基于混合协同过滤的Web服务QoS预测方法,
定义4区域敏感服务;若服务s满足 ,则称服务s对区域敏感;其中,表示一个名为的服务;为控制区域敏感服务的阈值,可根据实际情况指定;表示区域中用户调用服务s所得QoS记录的集合的中值,简称区域的中值;表示用户区域集合中各个区域中值所组成的集合的中值;表示用户区域集合中各个区域中值与的差的绝对值所组成的集合的中值,计算公式为;
定义6 用户相似度;本发明中,用户u1和u2的相似度使用改进欧式距离计算,具体公式为:,其中,表示用户u1和u2共同调用过的服务集合,表示用户u1和用户u2共同调用服务的个数,表示服务s被用户调用所得QoS数据的标准偏差,计算公式为:,表示调用服务s的用户集合,表示调用服务s的用户的个数,表示用户ui调用服务s的QoS值,表示与服务s相关的所有QoS记录的平均值;
定义7 服务相似度;本发明中,服务s1和s2的相似度使用改进欧式距离计算,具体公式为:,其中,表示共同调用服务s1和s2的用户集合,表示共同调用服务s1和s2的用户的个数,表示表示用户u调用服务所得QoS数据的标准偏差,计算公式为:,表示用户u调用的服务集合,表示用户u调用服务的个数,表示用户u调用服务s的QoS值,表示与服务u相关的所有QoS记录的平均值;
定义8 综合预测方法;综合预测方法的计算公式为:,其中,表示基于用户的预测结果,计算公式为(表示目标用户u的相似邻居集合,表示用户u1调用服务s的QoS,表示用户u与u1的相似度),表示基于服务的预测结果,计算公式为其中表示目标服务s的相似邻居集合,表示用户u调用服务s1的QoS,表示服务s与服务s1的相似度,和()分别表示基于用户预测结果和基于服务预测结果的权重,计算公式为:,,和分别为调节基于用户和基于服务预测结果权重的固定因子,计算公式为:,,为调节基于用户和基于服务预测结果权重的可变因子,可根据实际情况指定;
其特征在于该方法包括以下步骤:
步骤(1) 获取用户调用Web服务QoS历史记录信息,并将所获取的初始QoS矩阵正规化,具体计算公式为:,其中,表示用户u调用服务s的QoS,表示与用户u相关的所有QoS记录的平均值,表示用户u调用服务所得QoS数据的标准偏差;
步骤(2) 根据用户和服务的相关信息,将用户分为“普通用户类”和“特殊用户类”,将服务分为“普通服务类”、“特殊服务类”和“区域敏感服务类”;根据定义1确定“特殊用户类”,根据定义2确定“特殊服务类”,根据定义3和定义4确定“区域敏感服务类”,未被划分入以上任意类的用户和服务分别组成“普通用户类”和“普通服务类”;
步骤(3)目标用户属于“特殊用户类”,而目标服务不属于“特殊服务类”,则使用UMEAN方法计算预测值,即将目标用户调用过的QoS记录的均值作为预测值;
步骤(4) 目标服务属于“特殊服务类”,而目标用户不属于“特殊用户类”,则使用IMEAN方法计算预测值,即将目标服务被调用的QoS记录的均值作为预测值;
步骤(5) 目标服务属于“特殊服务类”,且目标用户属于“特殊用户类”,则将使用UMEAN方法和IMEAN方法获得的预测值的均值作为最终的预测值;
步骤(6) 目标服务对于目标用户所属区域敏感,根据定义5,将目标用户所属区域对目标服务的中心作为最终的预测值;
步骤(7) 目标用户和目标服务分别属于“普通用户类”和“普通服务类”,根据定义6和定义7,使用改进欧氏距离计算用户间和服务间的相似度,使用Top-K算法选择目标用户和目标服务的相似邻居,最后根据定义8使用综合预测方法计算最终的预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310070867.XA CN103139310B (zh) | 2013-03-06 | 2013-03-06 | 一种基于混合协同过滤的Web服务QoS预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310070867.XA CN103139310B (zh) | 2013-03-06 | 2013-03-06 | 一种基于混合协同过滤的Web服务QoS预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103139310A true CN103139310A (zh) | 2013-06-05 |
CN103139310B CN103139310B (zh) | 2016-04-27 |
Family
ID=48498607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310070867.XA Active CN103139310B (zh) | 2013-03-06 | 2013-03-06 | 一种基于混合协同过滤的Web服务QoS预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103139310B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103684850A (zh) * | 2013-11-25 | 2014-03-26 | 浙江大学 | 基于服务邻域的Web Service服务质量预测方法 |
CN103840985A (zh) * | 2014-02-28 | 2014-06-04 | 浙江大学 | 基于用户邻域的Web Service服务质量预测方法及装置 |
CN104601385A (zh) * | 2013-10-31 | 2015-05-06 | 浙江大学 | 基于地理位置的WebService服务质量预测方法 |
CN104753718A (zh) * | 2015-02-25 | 2015-07-01 | 重庆大学 | 基于非负聚合的缺失服务吞吐率补足方法和装置 |
CN105430099A (zh) * | 2015-12-22 | 2016-03-23 | 湖南科技大学 | 一种基于位置聚类的协同式Web服务性能预测方法 |
CN106055665A (zh) * | 2016-06-02 | 2016-10-26 | 兰州大学 | 基于异常值剔除的情境感知Web服务推荐方法和系统 |
CN107133268A (zh) * | 2017-04-01 | 2017-09-05 | 南京邮电大学 | 一种用于Web服务推荐的协同过滤算法 |
CN107480250A (zh) * | 2017-08-11 | 2017-12-15 | 安徽大学 | 一种基于Spark平台Web服务个性化推荐方法及系统 |
CN107852771A (zh) * | 2015-07-28 | 2018-03-27 | 华为技术有限公司 | 基于自适应滤波的网络异常检测 |
CN108563660A (zh) * | 2017-12-29 | 2018-09-21 | 温州大学 | 服务推荐方法、系统及服务器 |
CN110232151A (zh) * | 2019-05-22 | 2019-09-13 | 温州大学 | 一种混合概率分布检测的QoS预测模型的构建方法 |
CN112328912A (zh) * | 2020-11-03 | 2021-02-05 | 重庆大学 | 一种利用地点感知的QoS预测方法 |
CN113905070A (zh) * | 2021-09-29 | 2022-01-07 | 上海兴容信息技术有限公司 | 一种服务提供方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060101116A1 (en) * | 2004-10-28 | 2006-05-11 | Danny Rittman | Multifunctional telephone, walkie talkie, instant messenger, video-phone computer, based on WiFi (Wireless Fidelity) and WiMax technology, for establishing global wireless communication, network and video conferencing via the internet |
US20120158631A1 (en) * | 2010-12-15 | 2012-06-21 | Scientific Conservation, Inc. | Analyzing inputs to an artificial neural network |
CN102882657A (zh) * | 2011-07-15 | 2013-01-16 | 瑞典爱立信有限公司 | 用于上行链路秩自适应的方法、设备和系统 |
-
2013
- 2013-03-06 CN CN201310070867.XA patent/CN103139310B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060101116A1 (en) * | 2004-10-28 | 2006-05-11 | Danny Rittman | Multifunctional telephone, walkie talkie, instant messenger, video-phone computer, based on WiFi (Wireless Fidelity) and WiMax technology, for establishing global wireless communication, network and video conferencing via the internet |
US20120158631A1 (en) * | 2010-12-15 | 2012-06-21 | Scientific Conservation, Inc. | Analyzing inputs to an artificial neural network |
CN102882657A (zh) * | 2011-07-15 | 2013-01-16 | 瑞典爱立信有限公司 | 用于上行链路秩自适应的方法、设备和系统 |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104601385A (zh) * | 2013-10-31 | 2015-05-06 | 浙江大学 | 基于地理位置的WebService服务质量预测方法 |
CN103684850B (zh) * | 2013-11-25 | 2017-02-22 | 浙江大学 | 基于服务邻域的Web Service服务质量预测方法 |
CN103684850A (zh) * | 2013-11-25 | 2014-03-26 | 浙江大学 | 基于服务邻域的Web Service服务质量预测方法 |
CN103840985A (zh) * | 2014-02-28 | 2014-06-04 | 浙江大学 | 基于用户邻域的Web Service服务质量预测方法及装置 |
CN104753718A (zh) * | 2015-02-25 | 2015-07-01 | 重庆大学 | 基于非负聚合的缺失服务吞吐率补足方法和装置 |
CN104753718B (zh) * | 2015-02-25 | 2018-02-13 | 重庆大学 | 基于非负聚合的缺失服务吞吐率补足方法和装置 |
CN107852771B (zh) * | 2015-07-28 | 2020-06-02 | 华为技术有限公司 | 基于自适应滤波的网络异常检测 |
CN107852771A (zh) * | 2015-07-28 | 2018-03-27 | 华为技术有限公司 | 基于自适应滤波的网络异常检测 |
CN105430099A (zh) * | 2015-12-22 | 2016-03-23 | 湖南科技大学 | 一种基于位置聚类的协同式Web服务性能预测方法 |
CN105430099B (zh) * | 2015-12-22 | 2018-09-28 | 湖南科技大学 | 一种基于位置聚类的协同式Web服务性能预测方法 |
CN106055665A (zh) * | 2016-06-02 | 2016-10-26 | 兰州大学 | 基于异常值剔除的情境感知Web服务推荐方法和系统 |
CN106055665B (zh) * | 2016-06-02 | 2020-03-17 | 兰州大学 | 基于异常值剔除的情境感知Web服务推荐方法和系统 |
CN107133268A (zh) * | 2017-04-01 | 2017-09-05 | 南京邮电大学 | 一种用于Web服务推荐的协同过滤算法 |
CN107133268B (zh) * | 2017-04-01 | 2020-03-31 | 南京邮电大学 | 一种用于Web服务推荐的协同过滤方法 |
CN107480250B (zh) * | 2017-08-11 | 2018-09-21 | 安徽大学 | 一种基于Spark平台Web服务个性化推荐方法及系统 |
CN107480250A (zh) * | 2017-08-11 | 2017-12-15 | 安徽大学 | 一种基于Spark平台Web服务个性化推荐方法及系统 |
CN108563660A (zh) * | 2017-12-29 | 2018-09-21 | 温州大学 | 服务推荐方法、系统及服务器 |
CN108563660B (zh) * | 2017-12-29 | 2022-02-01 | 温州大学 | 服务推荐方法、系统及服务器 |
CN110232151A (zh) * | 2019-05-22 | 2019-09-13 | 温州大学 | 一种混合概率分布检测的QoS预测模型的构建方法 |
CN110232151B (zh) * | 2019-05-22 | 2022-07-15 | 温州大学 | 一种混合概率分布检测的QoS预测模型的构建方法 |
CN112328912A (zh) * | 2020-11-03 | 2021-02-05 | 重庆大学 | 一种利用地点感知的QoS预测方法 |
CN112328912B (zh) * | 2020-11-03 | 2023-05-19 | 重庆大学 | 一种利用地点感知的QoS预测方法 |
CN113905070A (zh) * | 2021-09-29 | 2022-01-07 | 上海兴容信息技术有限公司 | 一种服务提供方法和系统 |
CN113905070B (zh) * | 2021-09-29 | 2023-12-01 | 兴容(上海)信息技术股份有限公司 | 一种服务提供方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103139310B (zh) | 2016-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103139310A (zh) | 一种基于混合协同过滤的Web服务QoS预测方法 | |
TWI745623B (zh) | 模型整合方法及裝置 | |
CN105491599B (zh) | 预测lte网络性能指标的新型回归系统 | |
CN107622326B (zh) | 用户分类、可用资源预测方法、装置及设备 | |
Liu et al. | HAP: a hybrid QoS prediction approach in cloud manufacturing combining local collaborative filtering and global case-based reasoning | |
CN114143326A (zh) | 负载调节方法、管理节点以及存储介质 | |
Li et al. | Temporal influences-aware collaborative filtering for QoS-based service recommendation | |
CN102955894A (zh) | 一种基于用户细分的流失率预测的控制方法 | |
US20190080113A1 (en) | Apparatus for recommending user's privacy control and method for the same | |
CN105320887A (zh) | 一种基于静态特征提取和选择的Android恶意应用检测方法 | |
CN103793505A (zh) | 基于用户-服务特征的网络服务协同过滤方法 | |
CN106027317A (zh) | 信任感知的Web服务质量预测系统及方法 | |
CN110445726A (zh) | 一种基于信息熵的自适应网络流概念漂移检测方法 | |
CN107784511A (zh) | 一种用户流失预测方法及装置 | |
CN114266473A (zh) | 一种基于数据分析的供应链需求预测系统及方法 | |
Dong et al. | Inference of gene regulatory networks from genetic perturbations with linear regression model | |
CN103957537B (zh) | 基于信道聚类的频谱感知方法及装置 | |
CN109327334A (zh) | 一种针对于设备性能的告警方法、装置及设备 | |
CN106056137B (zh) | 一种基于数据挖掘多分类算法的电信集团业务推荐方法 | |
Jin et al. | Incentive mechanisms for strategic classification and regression problems | |
CN110147305A (zh) | 一种基于大数据的测试模型构建方法及系统 | |
Zhou et al. | Intelligent service recommendation for cold-start problems in edge computing | |
Wang et al. | A Comparative Study on Contract Recommendation Model: Using Macao Mobile Phone Datasets | |
CN112767027B (zh) | 一种基于业务感知的云成本预测方法和系统 | |
CN109767031A (zh) | 模型分类器建立方法、装置、计算机设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |