CN103514288A - 客户端类别识别方法和系统 - Google Patents

客户端类别识别方法和系统 Download PDF

Info

Publication number
CN103514288A
CN103514288A CN201310461792.8A CN201310461792A CN103514288A CN 103514288 A CN103514288 A CN 103514288A CN 201310461792 A CN201310461792 A CN 201310461792A CN 103514288 A CN103514288 A CN 103514288A
Authority
CN
China
Prior art keywords
client
class
feedback
classification
object type
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
Application number
CN201310461792.8A
Other languages
English (en)
Other versions
CN103514288B (zh
Inventor
郑梓力
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Pinwei Software Co Ltd
Original Assignee
Guangzhou Pinwei Software Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Pinwei Software Co Ltd filed Critical Guangzhou Pinwei Software Co Ltd
Priority to CN201310461792.8A priority Critical patent/CN103514288B/zh
Publication of CN103514288A publication Critical patent/CN103514288A/zh
Application granted granted Critical
Publication of CN103514288B publication Critical patent/CN103514288B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Finance (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)
  • Complex Calculations (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种客户端类别识别方法，包括步骤：获取目标客户端的信息；与检验数据库进行比对，确定反馈类别；对已知类别的客户端进行抽样，建立训练集，确定对象类别的第一属性权重值和反馈类别的第二属性权重值，不同反馈类别中各种客户端类别的出现概率，以及不同客户端类别中各种对象类别的出现概率；构建数学模型；对数学模型进行加权，确定客户端的类别。本发明还提供了一种客户端类别识别系统。操作过程中避免人为主观的筛选和评价，客观地对客户端类别进行识别，同时引入反馈信息对客户端类别体现的作用，更加全面，提高了客户端类别识别的准确性。

Description

客户端类别识别方法和系统
技术领域
本发明涉及互联网技术领域，特别是涉及一种客户端类别识别方法和系统。
背景技术
在网站运营的时候，需要对客户端的类别进行分类管理，以便制定有效的运营策略。一般的网站运营者会通过引导客户端注册的方式收集资料。出于个人隐私保护，大部分客户端的资料都是不真实和不齐全的。因此，需要通过其他的方式收集客户端的资料并识别出客户端类别。
传统的客户端类别识别方法为，搜集客户端操作的对象的类别和次数，构建数学模型，得出客户端在不同类别的倾向值，从而判断客户端的类别。这种方法虽然能通过客户端的操作的对象客观地判断客户端的类别，但是在具体操作的时候需要根据操作的对象进行主观上的评价和筛选，导致其准确性低。
发明内容
基于此，有必要针对现有技术准确性低的问题，提供一种客户端类别识别方法和系统。
一种客户端类别识别方法，包括步骤：
获取目标客户端的信息，包括操作的对象类别，与操作的对象相匹配的操作次数和反馈信息中的文字信息；
将所获取的文字信息与检验数据库进行比对，确定反馈信息中所指向的客户端的反馈类别；
对已知类别的客户端进行抽样，建立关于对象类别、操作次数和反馈类别的训练集，确定对象类别的第一属性权重值，反馈类别的第二属性权重值，不同反馈类别中各种客户端类别的出现概率，以及不同客户端类别中各种对象类别的出现概率；
根据目标客户端的信息中的对象类别、操作次数、反馈类别，以及从训练集中确定的不同反馈类别中各种客户端类别的出现概率和不同客户端类别中各种对象类别的出现概率构建数学模型；
然后利用第一属性权重值和第二属性权重值对数学模型进行加权，确定客户端在各种类别中的倾向值，根据倾向值确定客户端的类别。
一种客户端类别识别系统，包括：
信息获取模块：获取目标客户端的信息，包括操作的对象类别，与操作的对象相匹配的操作次数和反馈信息中的文字信息；
文字比对模块：将所获取的文字信息与检验数据库进行比对，确定反馈信息中所指向的客户端的反馈类别；
参数计算模块：对已知类别的客户端进行抽样，建立关于对象类别、操作次数和反馈类别的训练集，确定对象类别的第一属性权重值，反馈类别的第二属性权重值，不同反馈类别中各种客户端类别的出现概率，以及不同客户端类别中各种对象类别的出现概率；
建模模块：根据目标客户端的信息中的对象类别、操作次数、反馈类别，以及从训练集中确定的不同反馈类别中各种客户端类别的出现概率和不同客户端类别中各种对象类别的出现概率构建数学模型；
加权模块：利用第一属性权重值和第二属性权重值对数学模型进行加权，确定客户端在各种类别中的倾向值，根据倾向值确定客户端的类别。
本发明的有益效果：
对已知类别的客户端进行抽样，建立训练集，确认客观反映操作的对象类别与客户端类别的关联性的第一属性权重值，以及反馈类别与客户端类别的关联性的第二属性权重值。以目标客户端操作对象的类别及操作次数作为主要特征建立数学模型，然后利用第一属性权重值和第二属性权重值对数学模型进行加权。操作过程中避免人为主观的筛选和评价，客观地对客户端类别进行识别，同时引入反馈信息对客户端类别体现的作用，更加全面，提高了客户端类别识别的准确性。
附图说明
图1为本发明一个实施例的客户端类别识别方法的流程示意图；
图2为本发明一个实施例中确定反馈类别的流程示意图；
图3为本发明一个实施例的客户端类别识别系统的结构示意图。
具体实施方式
下面结合附图对本发明的实施例做详细的说明。
首先是对本发明的一种客户端类别识别方法的介绍：
参考图1，一种客户端类别识别方法，包括步骤：
S110：获取目标客户端的信息，包括操作的对象类别，与操作的对象相匹配的操作次数和反馈信息中的文字信息。针对目标客户端进行信息采集，包括目标客户端操作的对象类别、操作次数，以及目标客户端在操作完成后反馈回来的文字信息。
S120：将所获取的文字信息与检验数据库进行比对，确定反馈信息中所指向的客户端的反馈类别。目标客户端所反馈回来的信息会在一定程度上反映了客户端类别。将采集到的目标客户端的反馈信息中的文字信息与检验数据库进行一一比对，就可以得到目标客户端在不同类别中的倾向值，借此确定目标客户端的反馈类别。
S130：对已知类别的客户端进行抽样，建立关于对象类别、操作次数和反馈类别的训练集，确定对象类别的第一属性权重值，反馈类别的第二属性权重值，不同反馈类别中各种客户端类别的出现概率，以及不同客户端类别中各种对象类别的出现概率。对已知类别的客户端进行抽样，在数据分析的基础上确定体现对象类别与客户端类别之间关联性的第一属性权重值，体现反馈类别与客户端类别之间关联性的第二属性权重值，另外还有一些在后续数学建模用到的参数值，包括不同反馈类别中各种客户端类别的出现概率，以及不同客户端类别中各种对象类别的出现概率。
S140：根据目标客户端的信息中的对象类别、操作次数、反馈类别，以及从训练集中确定的不同反馈类别中各种客户端类别的出现概率和不同客户端类别中各种对象类别的出现概率构建数学模型，如朴素贝叶斯数学模型。
S150：利用第一属性权重值和第二属性权重值对数学模型进行加权，确定客户端在各种类别中的倾向值，根据倾向值确定客户端的类别。
上述客户端类别识别方法，对已知类别的客户端进行抽样，建立训练集，确认客观反映操作的对象类别与客户端类别的关联性的第一属性权重值，以及反馈类别与客户端类别的关联性的第二属性权重值。以目标客户端操作对象的类别及操作次数作为主要特征建立数学模型，然后利用第一属性权重值和第二属性权重值对数学模型进行加权。操作过程中避免人为主观的筛选和评价，客观地对客户端类别进行识别，同时引入反馈信息对客户端类别体现的作用，考虑更加全面，提高了客户端类别识别的准确性。
参考图2，在其中一个实施例中，在S120中，将所获取的文字信息与检验数据库进行比对，确定反馈信息中所指向的客户端的反馈类别，包括步骤：
S121：截取文字信息的部分字段。
S122：将所截取的字段与检验数据库中相同的字段进行匹配。
S123：获取检验数据库中相同的字段在不同客户端类别中的倾向值。
S124：将倾向值较大的客户端类别判定为客户端的反馈类别。
通过与检验数据库中相同字段的匹配，快速找出反馈信息中指向的反馈类别。
在其中一个实施例中，在S130中，所述确定对象类别的第一属性权重值，反馈类别的第二属性权重值，包括步骤：
获取对象的各种类别和对应的次数。
根据各种类别的次数确定对应的对象类别的第一属性权重值、反馈类别的第二属性权重值。
为了方便理解，假设客户端类型包括类型f和类型m，则：
第一属性权重值的具体计算方法为：
chi ( ct ) = ( m 1 × f 0 - f 1 × m 0 ) 2 ( m 1 + f 1 ) × ( m 0 + f 0 ) × ( m 1 + m 0 ) × ( f 1 + f 0 ) ,
其中chi(ct)为对象类别的第一属性权重值，f1为操作过对象类别ct的f类客户端的数量，m1为操作过对象类别ct的m类客户端的数量，f0为没有没有操作过对象类别ct的f类客户端的数量，m0为没有操作过品类ct的m类客户端的数量。
第二属性权重值的具体计算方法为：
chi ( b ) = ( m b 1 × f b 0 - f b 1 × m b 0 ) 2 ( m b 1 + f b 1 ) × ( m b 0 + f b 0 ) × ( m b 1 + m b 0 ) × ( f b 1 + f b 0 ) ,
其中chi(b)为反馈类别的第二属性权重值，fb1为反馈类别为m类的f类客户端的数量，mb1为反馈类别为m类的m类客户端的数量，fb0为反馈类别为f类的f类客户端的数量，mb0为反馈类别为f类的m类客户端的数量。
在其中一个实施例中，在S130中，所述确定不同反馈类别中各种客户端类别的出现概率，以及不同客户端类别中各种对象类别的出现概率，包括步骤：
获取训练集中的对象类别、操作次数和反馈类别。
确定各种客户端类别的操作次数在所有反馈类别的总操作次数中的出现概率。
确定各种对象类别的操作次数在所有客户端类别的总操作次数中的出现概率。
在其中一个实施例中，在S150中，所述根据倾向值确定客户端的类别，包括步骤：
比较各种客户端类别的倾向值的大小。
选取倾向值较大的类别作为客户端类别。
接着是对本发明的一种客户端类别识别系统的介绍：
参考图3，一种客户端类别识别系统，包括：
信息获取模块110：用于获取目标客户端的信息，包括操作的对象类别，与操作的对象相匹配的操作次数和反馈信息中的文字信息。
文字比对模块120：用于将所获取的文字信息与检验数据库进行比对，确定反馈信息中所指向的客户端的反馈类别。
参数计算模块130：用于对已知类别的客户端进行抽样，建立关于对象类别、操作次数和反馈类别的训练集，确定对象类别的第一属性权重值，反馈类别的第二属性权重值，不同反馈类别中各种客户端类别的出现概率，以及不同客户端类别中各种对象类别的出现概率。
建模模块140：用于根据目标客户端的信息中的对象类别、操作次数、反馈类别，以及从训练集中确定的不同反馈类别中各种客户端类别的出现概率和不同客户端类别中各种对象类别的出现概率构建数学模型。
加权模块150：用于利用第一属性权重值和第二属性权重值对数学模型进行加权，确定客户端在各种类别中的倾向值，根据倾向值确定客户端的类别。
上述客户端类别识别系统，对已知类别的客户端进行抽样，建立训练集，确认客观反映操作的对象类别与客户端类别的关联性的第一属性权重值，以及反馈类别与客户端类别的关联性的第二属性权重值。以目标客户端操作对象的类别及操作次数作为主要特征建立数学模型，然后利用第一属性权重值和第二属性权重值对数学模型进行加权。操作过程中避免人为主观的筛选和评价，客观地对客户端类别进行识别，同时引入反馈信息对客户端类别体现的作用，考虑更加全面，提高了客户端类别识别的准确性。
在其中一个实施例中，所述文字比对模块120的运算过程中，进一步用于：
截取文字信息的部分字段。
将所截取的字段与检验数据库中相同的字段进行匹配。
获取检验数据库中相同的字段在不同客户端类别中的倾向值。
将倾向值较大的客户端类别判定为客户端的反馈类别。
在其中一个实施例中，所述参数计算模块130确定对象类别的第一属性权重值，反馈类别的第二属性权重值过程中，进一步用于：
获取对象的各种类别和对应的次数。
根据各种类别的次数确定对应的对象类别的第一属性权重值、反馈类别的第二属性权重值。
在其中一个实施例中，所述参数计算模块130确定不同反馈类别中各种客户端类别的出现概率，以及不同客户端类别中各种对象类别的出现概率，包括步骤：
获取训练集中的对象类别、操作次数和反馈类别。
确定各种客户端类别的操作次数在所有反馈类别的总操作次数中的出现概率。
确定各种对象类别的操作次数在所有客户端类别的总操作次数中的出现概率。
在其中一个实施例中，所述加权模块150根据倾向值确定客户端的类别过程中，进一步用于：
比较各种客户端类别的倾向值的大小。
选取倾向值较大的类别作为客户端类别。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种客户端类别识别方法，其特征在于，包括步骤：
获取目标客户端的信息，包括操作的对象类别，与操作的对象相匹配的操作次数和反馈信息中的文字信息；
将所获取的文字信息与检验数据库进行比对，确定反馈信息中所指向的客户端的反馈类别；
对已知类别的客户端进行抽样，建立关于对象类别、操作次数和反馈类别的训练集，确定对象类别的第一属性权重值，反馈类别的第二属性权重值，不同反馈类别中各种客户端类别的出现概率，以及不同客户端类别中各种对象类别的出现概率；
根据目标客户端的信息中的对象类别、操作次数、反馈类别，以及从训练集中确定的不同反馈类别中各种客户端类别的出现概率和不同客户端类别中各种对象类别的出现概率构建数学模型；
利用第一属性权重值和第二属性权重值对数学模型进行加权，确定客户端在各种类别中的倾向值，根据倾向值确定客户端的类别。
2.根据权利要求1所述的客户端类别识别方法，其特征在于，所述将所获取的文字信息与检验数据库进行比对，确定反馈信息中所指向的客户端的反馈类别，包括步骤：
截取文字信息的部分字段；
将所截取的字段与检验数据库中相同的字段进行匹配；
获取检验数据库中相同的字段在不同客户端类别中的倾向值；
将倾向值较大的客户端类别判定为客户端的反馈类别。
3.根据权利要求1所述的客户端类别识别方法，其特征在于，所述确定对象类别的第一属性权重值，反馈类别的第二属性权重值，包括步骤：
获取对象的各种类别和对应的次数；
根据各种类别的次数确定对应的对象类别的第一属性权重值、反馈类别的第二属性权重值。
4.根据权利要求1所述的客户端类别识别方法，其特征在于，所述确定不同反馈类别中各种客户端类别的出现概率，以及不同客户端类别中各种对象类别的出现概率，包括步骤：
获取训练集中的对象类别、操作次数和反馈类别；
确定各种客户端类别的操作次数在所有反馈类别的总操作次数中的出现概率；
确定各种对象类别的操作次数在所有客户端类别的总操作次数中的出现概率。
5.根据权利要求1所述的客户端类别识别方法，其特征在于，所述根据倾向值确定客户端的类别，包括步骤：
比较各种客户端类别的倾向值的大小；
选取倾向值较大的类别作为客户端类别。
6.一种客户端类别识别系统，其特征在于，包括：
信息获取模块：用于获取目标客户端的信息，包括操作的对象类别，与操作的对象相匹配的操作次数和反馈信息中的文字信息；
文字比对模块：用于将所获取的文字信息与检验数据库进行比对，确定反馈信息中所指向的客户端的反馈类别；
参数计算模块：用于对已知类别的客户端进行抽样，建立关于对象类别、操作次数和反馈类别的训练集，确定对象类别的第一属性权重值，反馈类别的第二属性权重值，不同反馈类别中各种客户端类别的出现概率，以及不同客户端类别中各种对象类别的出现概率；
建模模块：用于根据目标客户端的信息中的对象类别、操作次数、反馈类别，以及从训练集中确定的不同反馈类别中各种客户端类别的出现概率和不同客户端类别中各种对象类别的出现概率构建数学模型；
加权模块：用于利用第一属性权重值和第二属性权重值对数学模型进行加权，确定客户端在各种类别中的倾向值，根据倾向值确定客户端的类别。
7.根据权利要求6所述的客户端类别识别系统，其特征在于，所述文字比对模块进一步用于：
截取文字信息的部分字段；
将所截取的字段与检验数据库中相同的字段进行匹配；
获取检验数据库中相同的字段在不同客户端类别中的倾向值；
将倾向值较大的客户端类别判定为客户端的反馈类别。
8.根据权利要求6所述的客户端类别识别系统，其特征在于，所述参数计算模块进一步用于：
获取对象的各种类别和对应的次数；
根据各种类别的次数确定对应的对象类别的第一属性权重值、反馈类别的第二属性权重值。
9.根据权利要求6所述的客户端类别识别系统，其特征在于，所述参数计算模块进一步用于：
获取训练集中的对象类别、操作次数和反馈类别；
确定各种客户端类别的操作次数在所有反馈类别的总操作次数中的出现概率；
确定各种对象类别的操作次数在所有客户端类别的总操作次数中的出现概率。
10.根据权利要求6所述的客户端类别识别系统，其特征在于，所述加权模块进一步用于：
比较各种客户端类别的倾向值的大小；
选取倾向值较大的类别作为客户端类别。
CN201310461792.8A 2013-09-30 2013-09-30 客户端类别识别方法和系统 Active CN103514288B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310461792.8A CN103514288B (zh) 2013-09-30 2013-09-30 客户端类别识别方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310461792.8A CN103514288B (zh) 2013-09-30 2013-09-30 客户端类别识别方法和系统

Publications (2)

Publication Number Publication Date
CN103514288A true CN103514288A (zh) 2014-01-15
CN103514288B CN103514288B (zh) 2016-08-24

Family

ID=49897012

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310461792.8A Active CN103514288B (zh) 2013-09-30 2013-09-30 客户端类别识别方法和系统

Country Status (1)

Country Link
CN (1) CN103514288B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016101818A1 (zh) * 2014-12-25 2016-06-30 阿里巴巴集团控股有限公司 一种数据处理方法、装置及系统
CN107958270A (zh) * 2017-12-05 2018-04-24 北京小度信息科技有限公司 类别识别方法、装置、电子设备及计算机可读存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102521248A (zh) * 2011-11-14 2012-06-27 北京亿赞普网络技术有限公司 一种网络用户分类方法及其装置
US8229873B1 (en) * 2009-09-18 2012-07-24 Google Inc. News topic-interest-based recommendations twiddling
CN103123634A (zh) * 2011-11-21 2013-05-29 北京百度网讯科技有限公司 一种版权资源识别方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8229873B1 (en) * 2009-09-18 2012-07-24 Google Inc. News topic-interest-based recommendations twiddling
CN102521248A (zh) * 2011-11-14 2012-06-27 北京亿赞普网络技术有限公司 一种网络用户分类方法及其装置
CN103123634A (zh) * 2011-11-21 2013-05-29 北京百度网讯科技有限公司 一种版权资源识别方法及装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016101818A1 (zh) * 2014-12-25 2016-06-30 阿里巴巴集团控股有限公司 一种数据处理方法、装置及系统
CN107958270A (zh) * 2017-12-05 2018-04-24 北京小度信息科技有限公司 类别识别方法、装置、电子设备及计算机可读存储介质
CN107958270B (zh) * 2017-12-05 2020-07-31 北京小度信息科技有限公司 类别识别方法、装置、电子设备及计算机可读存储介质

Also Published As

Publication number Publication date
CN103514288B (zh) 2016-08-24

Similar Documents

Publication Publication Date Title
CN108154134B (zh) 基于深度卷积神经网络的互联网直播色情图像检测方法
CN108846835B (zh) 基于深度可分离卷积网络的图像变化检测方法
CN106845579A (zh) 提高产品质量检验正确性的信息化控制方法及控制系统
CN110619479B (zh) 光伏组件的故障判别模型建模方法及故障判别方法
CN101902470A (zh) 一种基于表单特征的Web安全漏洞动态检测方法
CN112990330B (zh) 用户用能异常数据检测方法及设备
Huang et al. Predictive performance of ensemble hydroclimatic forecasts: Verification metrics, diagnostic plots and forecast attributes
CN101819585A (zh) 一种论坛事件传播图的构建装置及构建方法
CN101826090A (zh) 基于最优模型的web舆情趋势预测方法
WO2024067387A1 (zh) 基于特征变量评分的用户画像生成方法，设备、汽车及存储介质
CN111709244A (zh) 一种用于矛盾纠纷事件因果关系识别的深度学习方法
CN109459399A (zh) 一种光谱水质cod、浊度检测方法
CN104063459B (zh) 一种基于流感病毒刺激的细胞差异基因数据分类系统
CN106453256A (zh) 具有自动学习功能的密码特征库系统及其学习方法
Spruce et al. Social sensing of high-impact rainfall events worldwide: A benchmark comparison against manually curated impact observations
CN103514288A (zh) 客户端类别识别方法和系统
Casleton et al. A local structure model for network analysis
CN106611530A (zh) 一种信息处理方法及系统
CN106685926A (zh) 信息系统安全等级测评方法和系统
CN115081485B (zh) 一种基于ai的漏磁内检测数据自动分析方法
CN107590384A (zh) 一种用于异常检测的否定选择方法
CN114118166A (zh) 一种基于智能频谱监测的变压器故障诊断系统及方法
CN103226470A (zh) 一种确定基于bvs的检查项权重值的方法及装置
CN106530199A (zh) 基于窗口式假设检验的多媒体综合隐写分析方法
CN104111965A (zh) 基于差别矩阵的ogc地理信息服务描述词汇约简方法

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