CN107515893A - 基于soar模型的网络舆情预测方法 - Google Patents
基于soar模型的网络舆情预测方法 Download PDFInfo
- Publication number
- CN107515893A CN107515893A CN201710550872.9A CN201710550872A CN107515893A CN 107515893 A CN107515893 A CN 107515893A CN 201710550872 A CN201710550872 A CN 201710550872A CN 107515893 A CN107515893 A CN 107515893A
- Authority
- CN
- China
- Prior art keywords
- netizen
- network public
- rule
- opinion
- data
- 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
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
- G06F16/35—Clustering; Classification
-
- 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
- G06F16/951—Indexing; Web crawling 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)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于SOAR模型的网络舆情预测方法,首先获取典型舆情突发事件的微博数据,然后对数据进行清洗和加工,构建长期记忆规则库,接着获取网民群体工作记忆,将工作记忆与长期记忆规则进行匹配、决策得到每个网民的群体行为,最后统计所有网民的群体行为预测网民的总体情感倾向。本发明将政府应急管理宏观理论与微观网民行为研究相结合,能够根据不同网络舆情阶段、不同政府应急响应措施预测网民总体情感倾向。
Description
技术领域
本发明涉及一种网络舆情的预测技术,具体涉及一种基于SOAR模型的突发事件中微博网络舆情的预测方法。
背景技术
随着Web2.0技术的发展,人们可以自由的在网络上发表自己的言论和看法,网络已经深入介入各种社会事件产生、发展和变化的过程中。微博等新媒体已经成为网络舆情的重要舆论场。网络舆情对于社会公共事件的发展有着重要的影响,网民群体的负面情感是网络舆情的重要特征之一,一个负面信息的发表会导致更多负面信息产生(发表、转发和评论),负面情感将会在整个网络中蔓延,使舆情事件往不利于社会稳定的方向发展。研究有效的网络舆情预测方法以帮助政府决策和维护社会稳定具有重要的意义。Banerjee等人基于物理学粒子交互视角提出 Krause-Hegselmann模型,采用简单且固定的交互模式,模拟网络舆情演变过程中的微观现象。但是该方法缺乏与实际管理需求相结合的综合研究,缺乏对网民负面情感行为决策的研究,尤其缺少结合政府应急管理对网民群体行为决策的建模与仿真研究。
发明内容
本发明的目的在于提供一种基于SOAR模型的网络舆情预测方法,预测不同网络舆情阶段、不同政府应急响应措施下对网民行为的影响。
实现本发明目的的技术解决方案为:基于SOAR模型的网络舆情预测方法,包括以下步骤:
步骤1、采集多个典型网络舆情突发事件的微博数据,存储到数据库中;
步骤2、对数据进行清洗和整理,剔除媒体、官微发布的微博数据,得到普通网民发布的微博数据;
步骤3、对普通网民发布的微博数据进行加工,包括:对网民进行分类;对网民群体行为进行情感标注,得到微博数据的非负面情感或负面情感;按日统计微博数量,划分网络舆情演变阶段;归纳不同阶段政府采取的应急管理措施;统计政府采取措施前后不同类别网民的总体情感倾向,以及对应的偏好值;
步骤4、根据加工数据构建长期记忆规则库:用网络舆情演变阶段、在该阶段政府采取的应急响应措施、网民总体情感倾向表示条件,用网民群体行为表示动作,用条件和动作之间的关联表示规则,用规则相应的偏好值表示规则的偏好,用规则和其相应的偏好分别构建不同类型网民的长期记忆规则库;
步骤5、获取网民群体的工作记忆:采集待预测的网络舆情突发事件的微博数据,采用步骤2和步骤3方法进行加工,得到网民种类、对应的网络舆情演变阶段、在该阶段政府采取的应急响应措施、网络舆情演变阶段开始时的网民总体情感倾向构建初始工作记忆;
步骤6、根据获取的工作记忆元素与长期记忆规则进行匹配:选择任一网民,其工作记忆元素为当前状态下网民群体工作记忆,每一条规则的条件用来和工作记忆元素匹配,如果匹配成功,则将匹配成功的规则条件加入候选集,否则,采用降低匹配精度的方法生成新规则加入长期记忆规则库再次进行匹配;
步骤7、使用偏好知识对候选集的元素进行评估:若候选集元素唯一,则根据长期记忆规则输出对应的行为,否则,根据偏好值对候选元素进行排序,选择偏好值最大的候选元素,根据长期记忆规则输出对应的行为;
步骤8、更新网民群体工作记忆:统计当前状态下网民群体负面情感比例,得出新的网民总体情感倾向,以当前状态的网络舆情演变阶段,在该阶段政府采取的应急响应措施和网民总体情感倾向更新网民群体工作记忆;
步骤9、预测对应网络舆情演变阶段的网民总体情感倾向:重复步骤6、步骤7和步骤8,计算对应网络舆情演变阶段中每个网民的情感倾向,实时统计对应网络舆情演变阶段的负面情感比例,预测最终的网民总体情感倾向。
本发明与现有技术相比,其显著优点是:本发明将政府应急管理宏观理论与微观网民行为研究相结合,能够根据不同网络舆情阶段、不同政府应急响应措施预测网民总体情感倾向。
附图说明
图1是SOAR Agent模型总体框架图。
图2是网络舆情演变过程图。
图3是长期记忆形成过程图。
图4是网民群体工作记忆示意图。
图5是本发明的算法流程图。
具体实施方式
下面结合附图和具体实施例进一步阐述本发明方案。
基于SOAR模型的网络舆情预测方法,具体步骤如下:
步骤1、采集食品安全、公共安全、社会生活3个领域的多个典型网络舆情突发事件的微博数据,存储到数据库中,所述微博数据包括微博原文数据、与其相关的评论数据和转发数据;
步骤2、对数据进行清洗和整理,剔除媒体、官微发布的微博数据,得到普通网民发布的微博数据;
步骤3、对普通网民发布的微博数据进行加工,包括:
(1)对网民进行分类:根据微博原文数据及其相应的评论数据和转发数据中的网民ID,把只发表微博,不转发和评论他人微博的网民划为Me-former类,把既发表微博,也评论或转发他人微博的网民划为In-former类。
(2)对网民群体行为进行情感标注,得到微博数据为非负面情感或负面情感;此处的网民群体行为是网民所发微博数据,网民群体行为分为两类:发负面微博和发非负面微博。
(3)按日统计微博数量,构建事件发展曲线图,根据曲线拐点划分网络舆情演变阶段,如图2所示,网络舆情演变阶段包括产生、爆发、成熟和衰退四个阶段;
(4)归纳不同阶段政府采取的应急管理措施,对政府应急管理措施进行归类,本申请根据Commbs,Yan等人的研究将政府在网络舆情演变的不同阶段采取的应急策略分为:Deny(否认)、Diminish(减弱),Rebuild(修复)、Reinforce(加强),具体细节参照表1;
表1.政府应急管理措施归纳
(5)统计政府采取措施前后网民总体情感倾向,即统计各阶段各类网民负面情感比例与正面情感比例,负面情感比例大于正面情感比例时,网民总体情感倾向为负面,否则为非负面,对应的比例值为相应的偏好值,偏好值计算公式如下:
步骤4、根据加工数据构建长期记忆规则库:用网络舆情演变阶段、在该阶段政府采取的应急响应措施、网民总体情感倾向表示条件,用网民群体行为表示动作,用条件和动作之间的关联表示规则,用相应的偏好值作为规则的偏好,用规则和其相应的偏好分别构建不同类型网民的长期记忆规则库,长期记忆形成过程如图3所示。
长期记忆规则库是储存成果的区域,主要负责控制行为。长期记忆知识用 if-then形式表示一组条件(即规则的“if”部分)和一组动作(即规则的“then”部分)之间的关联。偏好知识表示网民有多大意愿选择这种动作,它决定了之后匹配得到的候选集中的候选元素的选择。
步骤5、获取网民群体的工作记忆:采集待预测的网络舆情突发事件的微博数据,采用步骤2和步骤3方法进行加工,得到网民种类、对应的网络舆情演变阶段、在该阶段政府采取的应急响应措施、网络舆情演变阶段开始时的网民总体情感倾向构建初始工作记忆;
在SOAR模型中,工作记忆存储了与当前状态有关的知识,工作记忆由工作记忆元素组成,每个工作记忆元素用三元组表示,此方法中某个状态的工作记忆可以表示如图4。网民群体从外部网络环境中感知信息存储到工作记忆中,包括感知到的网络舆情演变阶段、在该阶段政府采取的应急响应措施和网络环境中网民总体情感倾向,然后在工作记忆中对信息进行编码,与长期记忆规则匹配,选择合适的行为输出。外部影响因素和可能的行为做为工作记忆的输入和输出,如表2所示。
表2.工作记忆的输入与输出
步骤6、根据获取的工作记忆元素与长期记忆规则进行匹配:选择任一网民,其工作记忆元素为当前网民群体工作记忆,每一条规则的条件用来和工作记忆元素匹配,如果匹配成功,则将匹配成功的规则条件加入候选集,否则,采用降低匹配精度的方法生成新规则加入长期记忆规则库再次进行匹配,此处匹配精度是规则的条件与工作记忆元素匹配的比例,降低匹配精度即减少规则的条件。
步骤7、使用偏好知识对候选集的元素进行评估:若候选集元素唯一,则直接根据长期记忆规则输出对应的行为,否则,根据偏好值对候选元素进行排序,选择偏好值最大的候选元素,根据长期记忆规则输出对应的行为。
步骤8、更新网民群体工作记忆:统计当前状态下网民群体负面情感比例,得出新的网民总体情感倾向,以当前状态的网络舆情演变阶段,在该阶段政府采取的应急响应措施和网民总体情感倾向更新网民群体工作记忆。
步骤9、预测对应网络舆情演变阶段的网民总体情感倾向:重复步骤6、步骤7和步骤8,计算对应网络舆情演变阶段中每个网民的情感倾向,实时统计对应网络舆情演变阶段的负面情感比例,预测最终的网民总体情感倾向。
实施例1:
步骤1、从新浪微博上采集包括食品安全事件、社会类事件,公共安全类事件的微博数据,整理后保存到数据库,总计7个事件,114768个微博用户,139060 条微博数据。
步骤2、对舆情事件实际数据统计分析得到长期记忆规则:首先根据网民特征属性将网民分为Me-formers与In-formers类,通过真实数据对每类网民工作记忆中的输入属性和输出属性进行描述,输入属性包括网络舆情发展阶段、政府应急管理措施、网民总体情感倾向,输出属性即网民群体行为,输入属性与输出属性的组合被归纳出来形成规则,相应的偏好值,即网民有多大意愿选择这种行为,作为规则的偏好。
Me-former类初始化长期记忆规则如表3所示,In-former类初始化长期记忆规则如表4所示,其中OP表示为网络舆情发展阶段(Network Public Opinion DevelopmentPhase),OP的值和编码为:产生/爆发/成熟/衰退(1/2/3/4);GR表示政府应急管理措施(Government Response),GR的值和编码为:否认/减少/ 重建/加强(1/2/3/4);ET表示网民总体情感倾向(Emotion Tendency),ET的值和编码为:负面/非负面(1/2);AC表示网民群体行为(Action),AC的值和编码为:发布负面信息/发布非负面信息(1/2)。以R111为例,条件OP(1)and GR(1)and ET(2),行为AC(1),偏好O.79,表示对于Me—formers类型网民,在舆情事件在产生阶段,政府采取Deny策略,当前网民总体情感倾向为非负面的情况下,采取发表负面信息的行为的偏好为0.79。注:规则编号无任何实际含义。
表3.Me-formers类网民长期记忆初始规则
表4.In-formers类网民长期记忆初始规则
步骤3、获取网民群体的工作记忆:采集“某某被打事件”的微博数据,获取网民的种类、对应的网络舆情演变阶段、在该阶段政府采取的应急响应措施、网络舆情演变阶段开始时的网民总体情感倾向构建初始工作记忆;
步骤4、首先在NetLogo仿真平台上进行步骤6根据获取的工作记忆元素与长期记忆规则进行匹配,使用偏好知识对候选集的元素进行评估输出相应的行为,然后更新网民群体工作记忆,最后统计对应网络舆情演变阶段每个网民的情感倾向,预测最终的网民群体情感倾向。
具体仿真涉及的变量和函数如表5所示:
表5.仿真中的变量与函数
仿真过程如图5所示,根据真实数据统计的每个阶段开始时不同类别网民比例及其情感比例设置仿真初始值,结合归纳总结得到的长期记忆规则,使用建立的仿真平台进行仿真,得到不同阶段仿真下的网民负面情感比例,根据实验得到实际数据负面情感比例与仿真结果情感比例比较如表6所示,可以看出,实际数据与仿真结果之间的偏差较小,当仿真实验收敛后,不同阶段不同类别网民负面情感比例与实际数据统计结果基本相似。上面的数据和分析表明,本方法中长期记忆规则符合中国网络舆情演变过程中网民负面情感行为转换的规律,使用 SOAR Agent模型的决策机制可以反映网民在政府不同的应急管理措施下的实际行为转换过程,这说明此方法的有效性。
表6.实际数据负面情感比例与仿真结果负面情感比例比较
Claims (6)
1.基于SOAR模型的网络舆情预测方法,其特征在于,包括以下步骤:
步骤1、采集多个典型网络舆情突发事件的微博数据,存储到数据库中;
步骤2、对数据进行清洗和整理,剔除媒体、官微发布的微博数据,得到普通网民发布的微博数据;
步骤3、对普通网民发布的微博数据进行加工,包括:对网民进行分类;对网民群体行为进行情感标注,得到微博数据的非负面情感或负面情感;按日统计微博数量,划分网络舆情演变阶段;归纳不同阶段政府采取的应急管理措施;统计政府采取措施前后不同类别网民的总体情感倾向,以及对应的偏好值;
步骤4、根据加工数据构建长期记忆规则库:用网络舆情演变阶段、在该阶段政府采取的应急响应措施、网民总体情感倾向表示条件,用网民群体行为表示动作,用条件和动作之间的关联表示规则,用偏好值表示对规则的偏好,用规则和其相应的偏好分别构建不同类型网民的长期记忆规则库;
步骤5、获取网民群体的工作记忆:采集待预测的网络舆情突发事件的微博数据,采用步骤2和步骤3方法进行加工,得到网民种类、对应的网络舆情演变阶段、在该阶段政府采取的应急响应措施、网络舆情演变阶段开始时的网民总体情感倾向构建初始工作记忆;
步骤6、根据获取的工作记忆元素与长期记忆规则进行匹配:选择任一网民,其工作记忆元素为当前状态下网民群体工作记忆,每一条规则的条件用来和工作记忆元素匹配,如果匹配成功,则将匹配成功的规则条件加入候选集,否则,采用降低匹配精度的方法生成新规则加入长期记忆规则库再次进行匹配;
步骤7、使用偏好知识对候选集的元素进行评估:若候选集元素唯一,则根据长期记忆规则输出对应的行为,否则,根据偏好值对候选元素进行排序,选择偏好值最大的候选元素,根据长期记忆规则输出对应的行为;
步骤8、更新网民群体工作记忆:统计当前状态下网民群体负面情感比例,得出新的网民总体情感倾向,以当前状态的网络舆情演变阶段,在该阶段政府采取的应急响应措施和网民总体情感倾向更新网民群体工作记忆;
步骤9、预测对应网络舆情演变阶段的网民总体情感倾向:重复步骤6、步骤7和步骤8,计算对应网络舆情演变阶段中每个网民的情感倾向,实时统计对应网络舆情演变阶段的负面情感比例,预测最终的网民总体情感倾向。
2.根据权利要求1所述的基于SOAR模型的网络舆情预测方法,其特征在于,步骤1采集了食品安全、公共安全、社会生活3个领域的网络舆情突发事件的微博数据,包括微博原文数据、与其相关的评论数据和转发数据。
3.根据权利要求1所述的基于SOAR模型的网络舆情预测方法,其特征在于,步骤3根据微博原文数据及其相应的评论数据和转发数据中的网民ID,把只发表微博,不转发和评论他人微博的网民划为Me-former类,把既发表微博,也评论或转发他人微博的网民划为In-former类。
4.根据权利要求1所述的基于SOAR模型的网络舆情预测方法,其特征在于,步骤3按日统计微博数量得到事件发展曲线图,根据曲线图的拐点将事件发展过程划分为产生、爆发、成熟、衰退四个阶段。
5.根据权利要求1所述的基于SOAR模型的网络舆情预测方法,其特征在于,步骤4规则偏好通过对舆情事件片段进行统计得到,计算公式如下:
6.根据权利要求1所述的基于SOAR模型的网络舆情预测方法,其特征在于,步骤6在降低匹配精度的方法中,匹配精度是规则的条件与工作记忆元素匹配的比例,降低匹配精度即减少规则的条件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710550872.9A CN107515893A (zh) | 2017-07-07 | 2017-07-07 | 基于soar模型的网络舆情预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710550872.9A CN107515893A (zh) | 2017-07-07 | 2017-07-07 | 基于soar模型的网络舆情预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107515893A true CN107515893A (zh) | 2017-12-26 |
Family
ID=60721747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710550872.9A Pending CN107515893A (zh) | 2017-07-07 | 2017-07-07 | 基于soar模型的网络舆情预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107515893A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113128217A (zh) * | 2021-03-26 | 2021-07-16 | 航天科工智能运筹与信息安全研究院(武汉)有限公司 | 一种基于网络孪生空间的舆情处置决策方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101394311A (zh) * | 2008-11-12 | 2009-03-25 | 北京交通大学 | 一种基于时间序列的网络舆情预测方法 |
CN101853261A (zh) * | 2009-11-23 | 2010-10-06 | 电子科技大学 | 一种基于社会网络的网络舆情行为分析方法 |
CN107239489A (zh) * | 2017-04-21 | 2017-10-10 | 南京理工大学 | 基于soar模型的突发事件中网络舆情的预测与仿真方法 |
-
2017
- 2017-07-07 CN CN201710550872.9A patent/CN107515893A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101394311A (zh) * | 2008-11-12 | 2009-03-25 | 北京交通大学 | 一种基于时间序列的网络舆情预测方法 |
CN101853261A (zh) * | 2009-11-23 | 2010-10-06 | 电子科技大学 | 一种基于社会网络的网络舆情行为分析方法 |
CN107239489A (zh) * | 2017-04-21 | 2017-10-10 | 南京理工大学 | 基于soar模型的突发事件中网络舆情的预测与仿真方法 |
Non-Patent Citations (1)
Title |
---|
高庆宁: "基于SOAR模型的网络舆情演变过程中群体行为分析与仿真", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113128217A (zh) * | 2021-03-26 | 2021-07-16 | 航天科工智能运筹与信息安全研究院(武汉)有限公司 | 一种基于网络孪生空间的舆情处置决策方法 |
CN113128217B (zh) * | 2021-03-26 | 2024-04-02 | 航天科工智能运筹与信息安全研究院(武汉)有限公司 | 一种基于网络孪生空间的舆情处置决策方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hong et al. | A job recommender system based on user clustering. | |
Eshtehardian et al. | Time–cost optimization: using GA and fuzzy sets theory for uncertainties in cost | |
CN107239489A (zh) | 基于soar模型的突发事件中网络舆情的预测与仿真方法 | |
DE112021004163T5 (de) | Zuschneiden eines kommunikationsinhalts | |
CN110069607A (zh) | 用于客户服务的方法、装置、电子设备、计算机可读存储介质 | |
Zhang et al. | A fuzzy control model for restraint of bullwhip effect in uncertain closed-loop supply chain with hybrid recycling channels | |
CN110825948A (zh) | 基于促谣-辟谣消息和表示学习的谣言传播控制方法 | |
CN104468413A (zh) | 一种网络服务方法及系统 | |
CN108710609A (zh) | 一种基于多特征融合的社交平台用户信息的分析方法 | |
CN107832421A (zh) | 一种自适应的组合数据挖掘模型系统及方法 | |
Nearchou | Scheduling with controllable processing times and compression costs using population-based heuristics | |
CN116307940A (zh) | 一种企业经营管理系统及方法 | |
CN109635869B (zh) | 在线学习干预系统 | |
CN107515893A (zh) | 基于soar模型的网络舆情预测方法 | |
Peng et al. | Research on the random multi-attribute decision-making methods with trapezoidal fuzzy probability based on prospect theory | |
CN117575858A (zh) | 一种智能排课系统的管理方法、系统及存储介质 | |
Wang | Comparisons on Scrum Team Pairing Strategies: A Multi-agent Simulation | |
CN106447302A (zh) | 一种智能分单方法 | |
CN115185606A (zh) | 业务配置参数的获得方法、装置、设备及存储介质 | |
Jong et al. | Applying ant colony system algorithm in the navigation process for plastic injection mould manufacturing scheduling optimisation | |
Elmas et al. | Artificial Intelligence Techniques Used in Project Management | |
Ormazábal et al. | Influence of money distribution on civil violence model | |
CN113886676A (zh) | 信息流推荐策略处理方法、装置、设备及计算机存储介质 | |
Zhu et al. | A methodology for quantitative analysis of non-determinacy relationships using fuzzy logic in Bayesian networks | |
Deodhar et al. | Falling from digital grace: participation in online software contests following loss of status |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171226 |