CN108280063B - 基于半监督学习的语义分析方法及系统 - Google Patents
基于半监督学习的语义分析方法及系统 Download PDFInfo
- Publication number
- CN108280063B CN108280063B CN201810054918.2A CN201810054918A CN108280063B CN 108280063 B CN108280063 B CN 108280063B CN 201810054918 A CN201810054918 A CN 201810054918A CN 108280063 B CN108280063 B CN 108280063B
- Authority
- CN
- China
- Prior art keywords
- words
- vocabulary
- semantic
- seed
- original
- 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
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- 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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/374—Thesaurus
-
- 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
- G06F40/247—Thesauruses; Synonyms
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Machine Translation (AREA)
Abstract
本发明提供一种基于半监督学习的语义分析方法及系统。所述方法包括:利用实体对共现构建原始词汇;对所述原始词汇进行打分,得到种子词汇;计算种子词汇中的词语与实验语料中的词语之间的语义相似度;根据所述种子词汇及词语之间的语义相似度构建新的词典;根据所述新的词典进行语义分析。本发明能够学习扩展出覆盖度更高的词典,提高语义分析的准确度。
Description
技术领域
本发明涉及自然语言处理技术领域,尤其涉及一种基于半监督学习的语义分析方法及系统。
背景技术
近年来,构建智能信息服务成为工业界和学术界共同的热点,如聊天机器人,问答机器人,高考机器人,助理机器人等等。而实现上述目标,终归需要机器人能够理解人类的语言,包括人类提出的问题,人类做出的命令等等,这就是自然语言理解。而语义分析正是完成自然语言理解的核心技术。
语义分析把自然语言句子解析成机器可执行的形式化表示(如逻辑表达式)。语义分析的能力往往决定于它的词汇的覆盖度和质量,词汇包括词语和谓词,由于自然语言表达的多样性,一个意思通常可以有多种表达,通常会有多个词语都可以同时表达这个谓词所代表的意思,尤其在不同领域,很容易形成词语到本体中的谓词之间不匹配的情况。这就使得一般的语义分析器的词汇往往覆盖度不够,没有足够的词汇量,无法保证语义分析的准确度。
发明内容
本发明提供的基于半监督学习的语义分析方法及系统,能够学习扩展出覆盖度更高的词典,提高语义分析的准确度。
第一方面,本发明提供一种基于半监督学习的语义分析方法,所述方法包括:
利用实体对共现构建原始词汇;
对所述原始词汇进行打分,得到种子词汇;
计算种子词汇中的词语与实验语料中的词语之间的语义相似度;
根据所述种子词汇及词语之间的语义相似度构建新的词典;
根据所述新的词典进行语义分析。
可选地,所述对所述原始词汇进行打分,得到种子词汇包括:
对所述原始词汇进行语料训练;
根据训练结果对所述原始词汇进行加分或减分;
选取分数高的原始词汇作为种子词汇。
可选地,所述计算种子词汇中的词语与实验语料中的词语之间的语义相似度包括:
根据释义语料库中的复述语料计算词语间语义相似度的分数;
根据复述表中的复述对语料计算词语间对齐的分数;
根据词语的向量使用余弦相似度计算词语间的向量语义相似度的分数;
使用加权打分得到词语间最终的语义相似度。
可选地,所述根据所述种子词汇及词语之间的语义相似度构建新的词典包括:以种子词汇为标记节点,按照词语之间的语义相似度进行标签传播,得到新的词典。
第二方面,本发明提供一种基于半监督学习的语义分析系统,所述系统包括:
第一构建单元,用于利用实体对共现构建原始词汇;
获取单元,用于对所述原始词汇进行打分,得到种子词汇;
计算单元,用于计算种子词汇中的词语与实验语料中的词语之间的语义相似度;
第二构建单元,用于根据所述种子词汇及词语之间的语义相似度构建新的词典;
分析单元,用于根据所述新的词典进行语义分析。
可选地,所述获取单元包括:
训练模块,用于对所述原始词汇进行语料训练;
打分模块,用于根据训练结果对所述原始词汇进行加分或减分;
选取模块,用于选取分数高的原始词汇作为种子词汇。
可选地,所述计算单元包括:
第一计算模块,用于根据释义语料库中的复述语料计算词语间语义相似度的分数;
第二计算模块,根据复述表中的复述对语料计算词语间对齐的分数;
第三计算模块,根据词语的向量使用余弦相似度计算词语间的向量语义相似度的分数;
第四计算模块,使用加权打分得到种子词汇中的词语与实验语料中的词语之间最终的语义相似度。
可选地,所述第二构建单元,用于以种子词汇为标记节点,按照词语之间的语义相似度进行标签传播,得到新的词典。
本发明实施例提供的基于半监督学习的语义分析方法及系统,利用实体对共现构建原始词汇,通过对原始词汇打分得到准确度高的种子词汇,计算种子词汇中的词语与实验语料中的词语之间的语义相似度,根据种子词汇及词语之间的语义相似度构建新的词典,将新的词典融合到语义分析器中进行语义分析。与现有技术相比,本发明通过学习种子词汇,能够扩展出覆盖度更高的词典,使得新的语义分析器准确度更高,性能更强。
附图说明
图1为本发明一实施例基于半监督学习的语义分析方法的流程图;
图2为本发明一实施例对原始词汇不进行打分和进行打分的对比图;
图3为本发明一实施例标签传播的图模型构造图;
图4为本发明一实施例基于半监督学习的新词典与语义分析器结合的系统框架图;
图5为本发明一实施例基于半监督学习的语义分析系统的结构示意图。
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,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供一种基于半监督学习的语义分析方法,如图1所示,所述方法包括:
S11、利用实体对共现构建原始词汇;
可选地,利用知识库(如Freebase、Clue web、wiki等)与文本之间的映射,从大量语料及语料中实体对的共现学习出原始词汇。词汇包括词语和谓词,一个谓词不仅仅只有一个词语可以表达,通常会有多个词语都可以同时表达这个谓词所代表的意思,形成多个词汇。例如利用实体对共现可以得到currency到currency_used这个词汇。具体地,谓词“currency_used”在知识库中的若干实体对样例如下:
从文本知识库中选择包含任意上述实体对的句子,如来自文本的句子为:
The RMB is the official currency of China.
The yen is the official currency of Japan.
通过实体对的共现,形成原始词汇:把句子中两个实体之间的词语与谓词进行匹配对齐,如RMB和China,分别可以对齐“currency_used”与“official currency”,这个对齐就是所需要的原始词汇。
S12、对所述原始词汇进行打分,得到种子词汇;
由于词语到本体中的谓词之间容易形成不匹配的情况,通过对原始词汇进行训练,能够得到准确度高的词汇。可选地,所述对所述原始词汇进行打分,得到种子词汇包括:
对所述原始词汇进行语料训练;
根据训练结果对所述原始词汇进行加分或减分;
选取分数高的原始词汇作为种子词汇。
具体地,将原始词汇导入已有语义分析器,利用语义分析器在训练语料上面进行训练,训练完之后,语义分析器对每一个原始词汇都有一个打分,打分的过程包括:初始时每一个词汇的分数是零,在训练一个样本的时候,如果使用到了某一个词汇,并且结果是好的,那么语义分析器会对这个词汇加上一点分,如果使用到了某一个词汇,但是结果是不好的,语义分析器就会对这个词汇减一点分。最终得到的词汇,分数越高的,代表该词汇越准确;分数越低的,代表该词汇越错误。最终选择分数高的作为种子词汇。
对原始词汇不进行打分和进行打分的对比如图2所示,上部分是没有进行打分的结果,下部分是进行了打分的结果,可以看到,进行初始化打分使越错误的词汇分数越低,从而减少传播错误。
S13、计算种子词汇中的词语与实验语料中的词语之间的语义相似度;
词语之间的语义相似度在词语获取上发挥重要的作用,本发明利用PPDB(TheParaphrase Database,释义语料库)中的词汇复述语料、paraphrase table(复述表)中的复述对语料以及wiki所训练得到的词汇向量(word vector)等语义数据资源学习词语之间的语义相似度,综合计算出实验语料中的词语与出现在种子词汇中的词语之间的语义相似度。
可选地,所述计算词语之间的语义相似度包括:
根据释义语料库中的复述语料计算词语间语义相似度的分数;
根据复述表中的复述对语料计算词语间对齐的分数;
根据词语的向量使用余弦相似度计算词语间的向量语义相似度的分数;
使用加权打分得到种子词汇中的词语与实验语料中的词语之间最终的语义相似度。
S14、根据所述种子词汇及词语之间的语义相似度构建新的词典;
可选地,所述根据所述种子词汇及词语之间的语义相似度构建新的词典包括:以种子词汇为标记节点,按照词语之间的语义相似度进行标签传播,得到新的词典。
标签传播充分考虑了文本与文本之间的映射,标签传播的图模型的构造如图3所示,图中的点是词语,点与点之间的权重是词语之间的相似度,图中有三类节点,第一类是标注的点,即出现在种子词汇中的词语;第二类是未标注的词语,这类词语没有出现在种子词汇中,但是出现在实验语料中,这类词语是需要学习相应词汇的;第三类是剩下的词语,充当桥梁的作用,用来连接未标注的词语与标注了的词语。利用标签传播算法以出现在种子词汇中基础,以词语之间的语义相似度为辅助,进行标签传播,学习出新的词汇,得到覆盖度高的词典。
例如计算出两个词语如“currency”和“money”的语义相似度为0.86,利用实体对共现可以得到currency到currency_used这个词汇,而加上“currency”和“money”词语之间的相似度以及图模型算法,可以得到新的词汇:money到currency_used。
利用上述图模型算法进行词汇的半监督学习,最终新学习到的部分词汇如下:
Predicate | Lexeme | Seed | Score |
currency-used | money | currency | 4.91 |
education | school | education | 4.75 |
religion | believe | religion | 2.30 |
profession | who | professional | 2.30 |
新学习的词汇在开始并没有出现,使用了半监督词汇学习方法以后,学习到了像这些词汇一样的新词汇,也意味着扩展后的词汇的覆盖度更广,使得语义分析器不但能够面向单个领域,并且面对开放域的使用环境成为可能。
S15、根据所述新的词典进行语义分析。
词汇的覆盖度与准确度直接决定了语义分析器的覆盖度和准确度,利用上述覆盖度高的词典,融合到已有语义分析器,使得新的语义分析器的覆盖度更大,性能更强。
语义分析器与新词典的结合如图4所示,为基于半监督词汇学习的面向开放域的语义分析系统的框架图。首先利用实体对共现,从Freebase语料和Clueweb语料中学习初始词汇(coarse lexicon),再利用PPDB,paraphrase语料等资源学习词语之间的相似性度量,并利用图模型算法进行词汇的半监督学习(graph-based semi-supervised learning),最后把扩展后的词典融合到语义分析器(semantic parser)中,使得新的语义分析器覆盖度更大,准确度更高。
本发明实施例提供的基于半监督学习的语义分析方法,利用实体对共现构建原始词汇,通过对原始词汇打分得到准确度高的种子词汇,计算种子词汇中的词语与实验语料中的词语之间的语义相似度,根据种子词汇及词语之间的语义相似度构建新的词典,将新的词典融合到语义分析器中进行语义分析。与现有技术相比,本发明通过学习种子词汇,能够扩展出覆盖度更高的词典,使得新的语义分析器准确度更高,性能更强。
本发明实施例还提供一种基于半监督学习的语义分析系统,如图5所示,所述系统包括:
第一构建单元11,用于利用实体对共现构建原始词汇;
获取单元12,用于对所述原始词汇进行打分,得到种子词汇;
计算单元13,用于计算种子词汇中的词语与实验语料中的词语之间的语义相似度;
第二构建单元14,用于根据所述种子词汇及词语之间的语义相似度构建新的词典;
分析单元15,用于根据所述新的词典进行语义分析。
可选地,所述获取单元12包括:
训练模块,用于对所述原始词汇进行语料训练;
打分模块,用于根据训练结果对所述原始词汇进行加分或减分;
选取模块,用于选取分数高的原始词汇作为种子词汇。
可选地,所述计算单元13包括:
第一计算模块,用于根据释义语料库中的复述语料计算词语间语义相似度的分数;
第二计算模块,根据复述表中的复述对语料计算词语间对齐的分数;
第三计算模块,根据词语的向量使用余弦相似度计算词语间的向量语义相似度的分数;
第四计算模块,使用加权打分得到种子词汇中的词语与实验语料中的词语之间最终的语义相似度。
可选地,所述第二构建单元14,用于以种子词汇为标记节点,按照词语之间的语义相似度进行标签传播,得到新的词典。
本发明实施例提供的基于半监督学习的语义分析系统,利用实体对共现构建原始词汇,通过对原始词汇打分得到准确度高的种子词汇,计算种子词汇中的词语与实验语料中的词语之间的语义相似度,根据种子词汇及词语之间的语义相似度构建新的词典,将新的词典融合到语义分析器中进行语义分析。与现有技术相比,本发明通过学习种子词汇,能够扩展出覆盖度更高的词典,使得新的语义分析器准确度更高,性能更强。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (8)
1.一种基于半监督学习的语义分析方法,其特征在于,所述方法包括:
利用实体对共现,把句子中两个实体之间的词语与谓词进行匹配对齐,以构建原始词汇;
对所述原始词汇进行打分,得到种子词汇;
计算种子词汇中的词语与实验语料中的词语之间的语义相似度;
根据所述种子词汇及词语之间的语义相似度构建新的词典;
根据所述新的词典进行语义分析。
2.根据权利要求1所述的方法,其特征在于,所述对所述原始词汇进行打分,得到种子词汇包括:
对所述原始词汇进行语料训练;
根据训练结果对所述原始词汇进行加分或减分;
选取分数高的原始词汇作为种子词汇。
3.根据权利要求1所述的方法,其特征在于,所述计算种子词汇中的词语与实验语料中的词语之间的语义相似度包括:
根据释义语料库中的复述语料计算词语间语义相似度的分数;
根据复述表中的复述对语料计算词语间对齐的分数;
根据词语的向量使用余弦相似度计算词语间的向量语义相似度的分数;
使用加权打分得到种子词汇中的词语与实验语料中的词语之间最终的语义相似度。
4.根据权利要求1所述的方法,其特征在于,所述根据所述种子词汇及词语之间的语义相似度构建新的词典包括:以种子词汇为标记节点,按照词语之间的语义相似度进行标签传播,得到新的词典。
5.一种基于半监督学习的语义分析系统,其特征在于,所述系统包括:
第一构建单元,用于利用实体对共现,把句子中两个实体之间的词语与谓词进行匹配对齐,以构建原始词汇;
获取单元,用于对所述原始词汇进行打分,得到种子词汇;
计算单元,用于计算种子词汇中的词语与实验语料中的词语之间的语义相似度;
第二构建单元,用于根据所述种子词汇及词语之间的语义相似度构建新的词典;
分析单元,用于根据所述新的词典进行语义分析。
6.根据权利要求5所述系统,其特征在于,所述获取单元包括:
训练模块,用于对所述原始词汇进行语料训练;
打分模块,用于根据训练结果对所述原始词汇进行加分或减分;
选取模块,用于选取分数高的原始词汇作为种子词汇。
7.根据权利要求5所述系统,其特征在于,所述计算单元包括:
第一计算模块,用于根据释义语料库中的复述语料计算词语间语义相似度的分数;
第二计算模块,根据复述表中的复述对语料计算词语间对齐的分数;
第三计算模块,根据词语的向量使用余弦相似度计算词语间的向量语义相似度的分数;
第四计算模块,使用加权打分得到种子词汇中的词语与实验语料中的词语之间最终的语义相似度。
8.根据权利要求5所述系统,其特征在于,所述第二构建单元,用于以种子词汇为标记节点,按照词语之间的语义相似度进行标签传播,得到新的词典。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810054918.2A CN108280063B (zh) | 2018-01-19 | 2018-01-19 | 基于半监督学习的语义分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810054918.2A CN108280063B (zh) | 2018-01-19 | 2018-01-19 | 基于半监督学习的语义分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108280063A CN108280063A (zh) | 2018-07-13 |
CN108280063B true CN108280063B (zh) | 2021-04-20 |
Family
ID=62804320
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810054918.2A Active CN108280063B (zh) | 2018-01-19 | 2018-01-19 | 基于半监督学习的语义分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108280063B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325224B (zh) * | 2018-08-06 | 2022-03-11 | 中国地质大学(武汉) | 一种基于语义元语的词向量表征学习方法及系统 |
CN110969024A (zh) * | 2018-09-30 | 2020-04-07 | 北京奇虎科技有限公司 | 一种查询语句的改写方法及装置 |
CN111832307A (zh) * | 2020-07-09 | 2020-10-27 | 北京工业大学 | 一种基于知识增强的实体关系抽取方法及系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101908042B (zh) * | 2010-08-09 | 2016-04-13 | 中国科学院自动化研究所 | 一种双语联合语义角色的标注方法 |
CN103678316B (zh) * | 2012-08-31 | 2017-03-01 | 富士通株式会社 | 实体关系分类装置和实体关系分类方法 |
CN103544246A (zh) * | 2013-10-10 | 2014-01-29 | 清华大学 | 互联网多种情感词典构建方法及系统 |
CN106874272B (zh) * | 2015-12-10 | 2020-02-14 | 华为技术有限公司 | 一种分布式连接方法及系统 |
JP6675474B2 (ja) * | 2016-03-23 | 2020-04-01 | 株式会社野村総合研究所 | 文章解析システム及びプログラム |
CN106372056A (zh) * | 2016-08-25 | 2017-02-01 | 久远谦长(北京)技术服务有限公司 | 一种基于自然语言的主题与关键词的提取方法和系统 |
CN106528537A (zh) * | 2016-11-22 | 2017-03-22 | 中国科学院软件研究所 | 基于句子重写的语义分析方法及装置 |
-
2018
- 2018-01-19 CN CN201810054918.2A patent/CN108280063B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108280063A (zh) | 2018-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110825881B (zh) | 一种建立电力知识图谱的方法 | |
CN107122416B (zh) | 一种中文事件抽取方法 | |
Gomaa et al. | Short answer grading using string similarity and corpus-based similarity | |
Saha et al. | Sentence level or token level features for automatic short answer grading?: Use both | |
Sukkarieh et al. | Automarking: using computational linguistics to score short ‚free− text responses | |
CN102662931B (zh) | 一种基于协同神经网络的语义角色标注方法 | |
CN107301163B (zh) | 包含公式的文本语义解析方法及装置 | |
CN108280063B (zh) | 基于半监督学习的语义分析方法及系统 | |
TW201403354A (zh) | 以資料降維法及非線性算則建構中文文本可讀性數學模型之系統及其方法 | |
Lertpiya et al. | A preliminary study on fundamental Thai NLP tasks for user-generated web content | |
CN112101039A (zh) | 一种面向在线学习社区的学习兴趣发现方法 | |
Riza et al. | Question generator system of sentence completion in TOEFL using NLP and k-nearest neighbor | |
Rahman et al. | NLP-based automatic answer script evaluation | |
Oka et al. | Fully automated short answer scoring of the trial tests for common entrance examinations for Japanese university | |
Kafle et al. | RIT Digital Institutional Repositor y | |
NEAMAH et al. | QUESTION ANSWERING SYSTEM SUPPORTING VECTOR MACHINE METHOD FOR HADITH DOMAIN. | |
Lhasiw et al. | A bidirectional LSTM model for classifying Chatbot messages | |
Chang et al. | Automated Chinese essay scoring based on multilevel linguistic features | |
Rahman et al. | An automated approach for answer script evaluation using natural language processing | |
Hao et al. | SCESS: a WFSA-based automated simplified chinese essay scoring system with incremental latent semantic analysis | |
CN107783958B (zh) | 一种目标语句识别方法及装置 | |
Riza et al. | Natural language processing and levenshtein distance for generating error identification typed questions on TOEFL | |
CN116562280A (zh) | 一种基于通用信息抽取的文献分析系统及方法 | |
Alobed et al. | A comparative analysis of Euclidean, Jaccard and Cosine similarity measure and arabic wordnet for automated arabic essay scoring | |
Selvarasa et al. | Short Tamil sentence similarity calculation using knowledge-based and corpus-based similarity measures |
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 |