CN108460080B - 基于特征二维信息增益加权的朴素贝叶斯文本分类方法 - Google Patents

基于特征二维信息增益加权的朴素贝叶斯文本分类方法 Download PDF

Info

Publication number
CN108460080B
CN108460080B CN201810019705.6A CN201810019705A CN108460080B CN 108460080 B CN108460080 B CN 108460080B CN 201810019705 A CN201810019705 A CN 201810019705A CN 108460080 B CN108460080 B CN 108460080B
Authority
CN
China
Prior art keywords
characteristic
naive bayes
feature
probability
information gain
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
Application number
CN201810019705.6A
Other languages
English (en)
Other versions
CN108460080A (zh
Inventor
张昀
于舒娟
何伟
朱文峰
金海红
董茜茜
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.)
Nanjing University Of Posts And Telecommunications Institute At Nantong Co ltd
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University Of Posts And Telecommunications Institute At Nantong Co ltd
Nanjing University of Posts and Telecommunications
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 Nanjing University Of Posts And Telecommunications Institute At Nantong Co ltd, Nanjing University of Posts and Telecommunications filed Critical Nanjing University Of Posts And Telecommunications Institute At Nantong Co ltd
Priority to CN201810019705.6A priority Critical patent/CN108460080B/zh
Publication of CN108460080A publication Critical patent/CN108460080A/zh
Application granted granted Critical
Publication of CN108460080B publication Critical patent/CN108460080B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供基于特征二维信息增益加权的朴素贝叶斯文本分类方法。所述方法获取文档的特征词，根据不同的特征词出现的类别数和文档数，得到相应的特征类别概率和特征文档概率，进而得到特征的二维信息增益；由于信息增益具有反应特征对分类效果提升大小的作用，信息增益越大说明该特征越能表达该类的信息，把特征的二维信息相结合，提高了朴素贝叶斯文本分类器的性能；并且与TFIDF加权朴素贝叶斯文本分类算法、TFIDF*IGC文本分类算法相比，基于特征二维信息增益加权的朴素贝叶斯文本分类方法具有更好的鲁棒性，使其对所有类别的分类效果都能保持很好；在同等条件下，本发明的分类性能要优于传统改进的朴素贝叶斯文本分类方法。

Description

基于特征二维信息增益加权的朴素贝叶斯文本分类方法
技术领域
本发明属于机器学习及自然语言处理领域，尤其是涉及基于特征二维信息增益加权的朴素贝叶斯文本分类方法。
背景技术
随着互联网不断发展，文本信息及其多样化的不断增加，对于文本分类任务(TextClassification)也提出了更高的要求。朴素贝叶斯算法就是在贝叶斯理论的基础上增加一个特征独立性假设，即所有特征之间相互独立，对于文本分类效果互不影响。在已知文本所含特征之后，根据特征的条件概率和类别的先验概率得到特征所属类别的后验概率，通过比较后验概率的大小从而达到分类的效果。由于传统朴素贝叶斯的特征独立性假设，导致各特征的权重其实是相同的，为了削弱传统朴素贝叶斯算法特征独立性假设，许多文献开始采用加权朴素贝叶斯文本分类算法。由于不同的特征对于分类效果的影响也是不同的，通过对不同的特征采用加权算法赋予不同的权值，从而达到削弱特征独立性假设的效果。文献[Salton G,Buckley C.Term-weighting approaches in automatic textretrieval[M].Pergamon Press,Inc.1988.]中首次提出了TFIDF算法，并论证了TFIDF算法在文本分类中的有效性。文献[张玉芳,陈小莉,熊忠阳.基于信息增益的特征词权重调整算法研究[J].计算机工程与应用,2007,43(35):159-161.]通过把TFIDF算法与特征信息增益IGC相结合得到了TFIDF*IGC算法，削弱了特征与类别之间的无关性，一定程度上提高了文本分类精度。文献[李学明,李海瑞,薛亮,等.基于信息增益与信息熵的TFIDF算法[J].计算机工程,2012,38(8):37-40.]将特征的信息增益和信息熵共同融合在TFIDF算法中，进一步削弱了特征与类别之间的无关性，说明了特征加权算法在文本分类中的有效性。文献[武建军,李昌兵.基于互信息的加权朴素贝叶斯文本分类算法[J].计算机系统应用,2017,26(7):178-182.]使用互信息对不同类别中的特征项进行分别赋值，一定程度上削弱了假设对分类效果的影响。然而这些改进只是针对一个方面，忽略了特征的属性是二维的。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷和不足，提供基于特征二维信息增益加权的朴素贝叶斯文本分类方法。本发明方法是在传统朴素贝叶斯算法的基础上增加特征提取优化算法，使传统朴素贝叶斯算法的特征独立性假设得到抑制，进而提升文本分类性能。该方法旨在为传统朴素贝叶斯算法提供一种削弱独立性假设的方法，为文本分类任务提供准确和快速的分类方法。
为解决上述技术问题，本发明所采用的技术方案是：
基于特征二维信息增益加权的朴素贝叶斯文本分类方法，所述方法包括如下步骤：
步骤A，根据贝叶斯定理计算得到后验概率P(Cj|Di)：
Figure GDA0002723765130000021
式中，P(Cj)表示类别Cj出现的概率，Cj表示第j个类别；
Di＝{t1,t2...tm}表示文档Di所包含的特征词，m表示特征词数量，i为自然数；
P(Di)＝P(t1,t2...tm)表示各特征词的联合分布概率，是一个常数；
P(Di|Cj)为文档Di属于类别Cj的概率；
所述朴素贝叶斯文本分类就是求解P(Cj|Di)最大值，根据特征独立性假设，求解转化为：
Figure GDA0002723765130000022
式中，tk∈{t1,t2...tm}表示文档Di包含的特征词，1≤k≤m；
Figure GDA0002723765130000023
表示求表达式的最大值；
C＝{C1,C2,...,Cj,...,CV}，j表示自然数，V表示总的类别数；
Figure GDA0002723765130000024
表示最终的分类结果，其值等于P(Cj|Di)的最大值；
Figure GDA0002723765130000025
表示对表达式求积；
P(tk|Cj)表示特征词tk属于类别Cj的概率；
步骤B，计算特征类别概率：
Figure GDA0002723765130000026
tf(tk,Cj)表示特征词tk在Cj类中的出现的频数；
L＝0.01为平滑因子；
步骤C，计算特征文档概率：
Figure GDA0002723765130000027
因为特征词tk会在多篇文档中出现，所以式中，
Figure GDA0002723765130000031
表示含有特征词tk的文档；
Figure GDA0002723765130000032
表示含有特征词tk的文档在类别Cj中出现的篇数；
L＝0.01为平滑因子，V表示总的类别数；
步骤D，特征类别信息增益:
Figure GDA0002723765130000033
步骤E，特征文档信息增益：
Figure GDA0002723765130000034
其中，lb(·)表示以2为底的对数；
E(Cj)为类别Cj的信息熵；
E(Cj|tk)表示特征词tk的类别条件信息熵；
Figure GDA0002723765130000035
表示特征词tk的文档条件信息熵；
P(tk,Cj)，
Figure GDA0002723765130000036
分别为上文求出的特征类别概率和特征文档概率；
步骤F，进行线性归一化处理，得到特征二维信息增益：
Figure GDA0002723765130000037
其中max(·)表示求表达式的最大值；
min(·)表示求表达式的最小值；
IGD，IGC分别为上文所求出的特征类别信息增益和特征文档信息增益；
步骤G，对朴素贝叶斯模型进行加权，得到加权朴素贝叶斯模型：
Figure GDA0002723765130000038
其中，Wk表示对应特征词tk的加权值，作为条件概率的幂次方；由于大多数的概率都很小，为了避免出现下溢，对决策规则取对数：
Figure GDA0002723765130000039
其中ln表示自然对数；
步骤H，将特征二维信息增益与加权朴素贝叶斯模型结合，得到基于特征二维信息增益加权的朴素贝叶斯文本分类方法的模型：
Figure GDA00027237651300000310
本发明的有益效果是：本发明提供基于特征二维信息增益加权的朴素贝叶斯文本分类方法。所述方法获取文档的特征词，根据不同的特征词出现的类别数和文档数得到相应的特征类别概率和特征文档概率，进而得到特征的二维信息增益；由于信息增益具有反应特征对分类效果提升大小的作用，信息增益越大说明该特征越能表达该类的信息，把特征的二维信息相结合，本发明继承了信息增益的这一优点，提高了朴素贝叶斯文本分类器的性能；并且与TFIDF加权朴素贝叶斯文本分类算法，TFIDF*IGC文本分类算法相比，基于特征二维信息增益加权的朴素贝叶斯文本分类方法具有更好的鲁棒性，使其对所有类别的分类效果都能保持很好；在同等条件下，本发明的分类性能要优于传统改进的朴素贝叶斯文本分类方法。
具体实施方式
下面结合仿真结果，对本发明提出的基于特征二维信息增益加权的朴素贝叶斯文本分类方法进行详细说明：
基于特征二维信息增益加权的朴素贝叶斯文本分类方法，其实施过程如下：
根据贝叶斯定理计算得到后验概率：
Figure GDA0002723765130000041
式中，P(Cj)表示类别Cj出现的概率；
Di＝{t1,t2...tm}表示文档Di所包含的特征词，m表示特征数量，i为自然数；
P(Di)＝P(t1,t2...tm)表示各特征词的联合分布概率，是一个常数；
P(Di|Cj)为文档Di属于Cj类的概率；
P(Cj|Di)为所求的后验概率，其中，Cj表示第j个类别；
所述朴素贝叶斯文本分类就是求解P(Cj|Di)最大值，根据特征独立性假设，求解转化为：
Figure GDA0002723765130000042
式中，tk∈{t1,t2...tm}表示文档Di包含的特征词，1≤k≤m；
Figure GDA0002723765130000043
表示求表达式的最大值；
C＝{C1,C2,...,Cj,...,CV}，j表示自然数，V表示总的类别数；
Figure GDA0002723765130000044
表示最终的分类结果，其值等于P(Cj|Di)的最大值；
Figure GDA0002723765130000051
表示对表达式求积；
P(tk|Cj)表示特征词tk属于类别Cj的概率；
计算特征类别概率：
Figure GDA0002723765130000052
其中，tk表示文档中出现过的特征词；
tf(tk,Cj)表示特征词tk在Cj类中的出现的频数；
L＝0.01为平滑因子，V表示总的类别数。
计算特征文档概率：
Figure GDA0002723765130000053
式中，
Figure GDA00027237651300000510
表示含有特征词tk的文档；
Figure GDA0002723765130000054
表示含有特征词tk的文档在类别Cj中出现的篇数；
L＝0.01为平滑因子，V表示总的类别数；
特征类别信息增益:
Figure GDA0002723765130000055
特征文档信息增益：
Figure GDA0002723765130000056
其中，lb(·)表示以2为底的对数；
P(Cj)表示类别Cj出现的概率；E(Cj)为类别Cj的信息熵；
E(Cj|tk)表示特征词tk的类别条件信息熵；
Figure GDA0002723765130000057
表示特征词tk的文档条件信息熵；
P(tk,Cj)，
Figure GDA0002723765130000058
分别为上文求出的特征类别概率和特征文档概率；进行线性归一化处理得到特征二维信息增益：
Figure GDA0002723765130000059
其中max(·)表示求表达式的最大值；
min(·)表示求表达式的最小值；
IGD，IGC分别为上文所求出的特征类别信息增益和特征文档信息增益；对朴素贝叶斯模型进行加权，得到加权朴素贝叶斯模型：
Figure GDA0002723765130000061
其中Wk表示对应特征词tk的加权值，作为条件概率的幂次方；
由于大多数的概率都很小，为了避免出现下溢，对决策规则取对数：
Figure GDA0002723765130000062
其中ln表示自然对数。
将特征二维信息增益与加权朴素贝叶斯模型结合得到基于特征二维信息增益加权的朴素贝叶斯文本分类方法的模型：
Figure GDA0002723765130000063
其中，P(Cj)，P(tk|Cj)，WIGDC分别为上文求出的类别Cj出现的概率，特征词tk属于类别Cj的概率，特征二维信息增益。
结合仿真结果：
表1为各特征词分布情况。
表2为本发明基于特征二维信息增益加权算法与TFIDF算法以及TFIDF*IGC算法的加权结果比较，TFIDF为传统的词频反文档频率加权算法，TFIDF*IGC为基于类别信息增益的词频反文档频率加权算法，IGDC(Information of Documents and Categories)为基于特征二维信息增益加权算法。
表1特征词分布
Figure GDA0002723765130000064
表2特征加权算法结果比较
Figure GDA0002723765130000065
根据表1中给出的特征词的分布情况计算得到表2中的数据。从表2的计算结果看出，由于TFIDF算法因为针对的是整个训练集中的特征，所以词频越大的特征被分配的权重越大，导致结果与实际情况截然相反。TFIDF*IGC算法考虑了特征词与类别间的关系，所以权重分配合理，但因为仍然与反文档频率相结合导致t1与t3的权重拉不开差距，这种时候会影响到分类效果，相比之下IGDC算法不仅让没有分类能力的特征词t2权重消零，而且让t1与t3的权重拉开了差距，因此让每个特征起到决定分类的作用，说明了本发明基于特征二维信息增益加权的朴素贝叶斯文本分类方法的优越性，同时与朴素贝叶斯分类算法相结合应用于文本分类中，经过仿真得到表3的数据。
表3文本分类算法测试结果比较
Figure GDA0002723765130000071
表3为基于特征二维信息增益加权的朴素贝叶斯文本分类方法与基于传统的TFIDF特征加的权朴素贝叶斯文本分类方法和基于TFIDF*IGC特征加权的朴素贝叶斯文本分类方法的查准率(P)，召回率(R)，F1值的三个指标的结果对比。
当特征数量取500时，与TFIDF*IGC特征加权的朴素贝叶斯文本分类方法相比，三个指标都提高2％到3％；与TFIDF特征加权的朴素贝叶斯文本分类方法相比三个指标都提高3％到5％，这充分证明了基于特征二维信息增益加权的朴素贝叶斯文本分类方法的有效性。实验同时验证了当特征数量从500增加到1000时，基于特征二维信息增益加权的朴素贝叶斯分类方法在进行文本分类时的宏F1值都高于其他两个方法。

Claims (1)

1.基于特征二维信息增益加权的朴素贝叶斯文本分类方法，其特征在于，所述方法包括如下步骤：
步骤A，根据贝叶斯定理计算得到后验概率P(Cj|Di)：
Figure FDA0002723765120000011
式中，P(Cj)表示类别Cj出现的概率，Cj表示第j个类别；
Di＝{t1,t2...tm}表示文档Di所包含的特征词，m表示特征词数量，i为自然数；
P(Di)＝P(t1,t2...tm)表示各特征词的联合分布概率，是一个常数；
P(Di|Cj)为文档Di属于类别Cj的概率；
所述朴素贝叶斯文本分类就是求解P(Cj|Di)最大值，根据特征独立性假设，求解转化为：
Figure FDA0002723765120000012
式中，tk∈{t1,t2...tm}表示文档Di包含的特征词，1≤k≤m；
Figure FDA0002723765120000013
表示求表达式的最大值；
C＝{C1,C2,...,Cj,...,CV}，j表示自然数，V表示总的类别数；
Figure FDA0002723765120000014
表示最终的分类结果，其值等于P(Cj|Di)的最大值；
Figure FDA0002723765120000015
表示对表达式求积；
P(tk|Cj)表示特征词tk属于类别Cj的概率；
步骤B，计算特征类别概率P(tk,Cj)：
Figure FDA0002723765120000016
tf(tk,Cj)表示特征词tk在Cj类中的出现的频数；
L＝0.01为平滑因子；
步骤C，计算特征文档概率：
Figure FDA0002723765120000021
其中，
Figure FDA0002723765120000022
表示含有特征词tk的文档；
Figure FDA0002723765120000023
表示含有特征词tk的文档在类别Cj中出现的篇数；
L＝0.01为平滑因子，V表示总的类别数；
步骤D，计算特征类别信息增益IGC:
Figure FDA0002723765120000024
步骤E，计算特征文档信息增益IGD：
Figure FDA0002723765120000025
其中，lb(·)表示以2为底的对数；
E(Cj)为类别Cj的信息熵；
E(Cj|tk)表示特征词tk的类别条件信息熵；
Figure FDA0002723765120000026
表示特征词tk的文档条件信息熵；
P(tk,Cj)，
Figure FDA0002723765120000027
分别为上文求出的特征类别概率和特征文档概率；
步骤F，进行线性归一化处理，得到特征二维信息增益：
Figure FDA0002723765120000028
其中，
max(·)表示求表达式的最大值；
min(·)表示求表达式的最小值；
步骤G，对朴素贝叶斯模型进行加权，得到加权朴素贝叶斯模型：
Figure FDA0002723765120000029
其中，Wk表示对应特征词tk的加权值，作为条件概率的幂次方；由于大多数的概率都很小，为了避免出现下溢，对决策规则取对数：
Figure FDA00027237651200000210
其中ln表示自然对数；
步骤H，将特征二维信息增益与加权朴素贝叶斯模型结合，得到基于特征二维信息增益加权的朴素贝叶斯文本分类方法的模型：
Figure FDA0002723765120000031
CN201810019705.6A 2018-01-09 2018-01-09 基于特征二维信息增益加权的朴素贝叶斯文本分类方法 Active CN108460080B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810019705.6A CN108460080B (zh) 2018-01-09 2018-01-09 基于特征二维信息增益加权的朴素贝叶斯文本分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810019705.6A CN108460080B (zh) 2018-01-09 2018-01-09 基于特征二维信息增益加权的朴素贝叶斯文本分类方法

Publications (2)

Publication Number Publication Date
CN108460080A CN108460080A (zh) 2018-08-28
CN108460080B true CN108460080B (zh) 2020-12-08

Family

ID=63221368

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810019705.6A Active CN108460080B (zh) 2018-01-09 2018-01-09 基于特征二维信息增益加权的朴素贝叶斯文本分类方法

Country Status (1)

Country Link
CN (1) CN108460080B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110442709A (zh) * 2019-06-24 2019-11-12 厦门美域中央信息科技有限公司 一种基于朴素贝叶斯模型的文本分类方法
CN111259155B (zh) * 2020-02-18 2023-04-07 中国地质大学（武汉） 一种基于特异性的词频加权方法及文本分类方法
CN112686026B (zh) * 2021-03-17 2021-06-18 平安科技（深圳）有限公司 基于信息熵的关键词提取方法、装置、设备及介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104809233A (zh) * 2015-05-12 2015-07-29 中国地质大学（武汉） 一种基于信息增益率的属性加权方法及文本分类方法
CN106095845A (zh) * 2016-06-02 2016-11-09 腾讯科技（深圳）有限公司 文本分类方法和装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9910847B2 (en) * 2014-09-30 2018-03-06 Accenture Global Services Limited Language identification

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104809233A (zh) * 2015-05-12 2015-07-29 中国地质大学（武汉） 一种基于信息增益率的属性加权方法及文本分类方法
CN106095845A (zh) * 2016-06-02 2016-11-09 腾讯科技（深圳）有限公司 文本分类方法和装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于互信息的加权朴素贝叶斯文本分类算法;武建军等;《计算机系统应用》;20171231;第26卷(第71期);第178-182页 *
基于信息增益的中文特征提取算法研究;陈小莉;《中国优秀硕士学位论文全文数据库信息科技辑》;20090615(第6期);I138-1153 *
基于信息增益的特征词权重调整算法研究;张玉芳等;《计算机工程与应用》;20071231;第43卷(第35期);第159-161页 *

Also Published As

Publication number Publication date
CN108460080A (zh) 2018-08-28

Similar Documents

Publication Publication Date Title
Guo et al. Research and improvement of feature words weight based on TFIDF algorithm
CN108460080B (zh) 基于特征二维信息增益加权的朴素贝叶斯文本分类方法
US10346257B2 (en) Method and device for deduplicating web page
CN107145560B (zh) 一种文本分类方法及装置
CN106528642A (zh) 一种基于tf‑idf特征提取的短文本分类方法
CN107633000B (zh) 基于tfidf算法和相关词权重修正的文本分类方法
CN109508374B (zh) 基于遗传算法的文本数据半监督聚类方法
Li-guo et al. A new naive Bayes text classification algorithm
CN106980900A (zh) 一种特征数据处理方法及设备
CN115686432B (zh) 一种用于检索排序的文献评价方法、存储介质及终端
WO2023050652A1 (zh) 基于文本识别的区域内esg指数确定方法及相关产品
CN108153899A (zh) 一种智能化文本分类方法
CN108647259B (zh) 基于改进深度特征加权的朴素贝叶斯文本分类方法
CN109325511A (zh) 一种改进特征选择的算法
CN113190648B (zh) 基于上下文语义的微博短文本的情感分析方法
CN107491424B (zh) 一种基于多权重体系的中文文档基因匹配方法
CN114913028A (zh) 一种基于知识图谱提取倾向性的群组推荐方法
Wang et al. Classification of news texts based on Bayes algorithm
CN110825967B (zh) 一种提高推荐系统多样性的推荐列表重排名方法
Zhang et al. Research on TFIDF Algorithm Based on Weighting of Distribution Factors
Paramita Feature selection technique using principal component analysis for improving fuzzy C-mean internet traffic classification
CN113378015A (zh) 搜索方法、装置、电子设备、存储介质和程序产品
Bae et al. An effective category classification method based on a language model for question category recommendation on a cQA service
CN110941963A (zh) 一种基于句子情感属性的文本属性生成观点摘要方法与系统
Rukmi et al. Study of parameters of the nearest neighbour shared algorithm on clustering documents

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
CB02 Change of applicant information

Address after: No. 9 Wenyuan Road, Yadong New District, Nanjing, Jiangsu Province, 210012

Applicant after: Nanjing Post & Telecommunication Univ.

Applicant after: Nanjing University of Posts and Telecommunications Nantong Institute Limited

Address before: 210044 No. 9 Wenyuan Road, Qixia District, Nanjing, Jiangsu Province

Applicant before: Nanjing Post & Telecommunication Univ.

Applicant before: Nanjing University of Posts and Telecommunications Nantong Institute Limited

CB02 Change of applicant information
CB02 Change of applicant information

Address after: Room 8319, building 11, Xingfu new town, Gangzha District, Nantong City, Jiangsu Province

Applicant after: NANJING University OF POSTS AND TELECOMMUNICATIONS

Applicant after: NANJING UNIVERSITY OF POSTS AND TELECOMMUNICATIONS INSTITUTE AT NANTONG Co.,Ltd.

Address before: 210012 9 Wen Yuan Road, Ya Dong new town, Nanjing, Jiangsu.

Applicant before: NANJING University OF POSTS AND TELECOMMUNICATIONS

Applicant before: NANJING UNIVERSITY OF POSTS AND TELECOMMUNICATIONS INSTITUTE AT NANTONG Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant