CN108549640A - 一种基于统计学的企业名称相似度计算方法 - Google Patents

一种基于统计学的企业名称相似度计算方法 Download PDF

Info

Publication number
CN108549640A
CN108549640A CN201810373227.9A CN201810373227A CN108549640A CN 108549640 A CN108549640 A CN 108549640A CN 201810373227 A CN201810373227 A CN 201810373227A CN 108549640 A CN108549640 A CN 108549640A
Authority
CN
China
Prior art keywords
word
enterprise name
enterprise
degree
statistical
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
Application number
CN201810373227.9A
Other languages
English (en)
Inventor
吴梁斌
詹进林
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.)
Easy Union (xiamen) Da Data Technology Co Ltd
YLZ INFORMATION TECHNOLOGY Co Ltd
Original Assignee
Easy Union (xiamen) Da Data Technology Co Ltd
YLZ INFORMATION TECHNOLOGY 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 Easy Union (xiamen) Da Data Technology Co Ltd, YLZ INFORMATION TECHNOLOGY Co Ltd filed Critical Easy Union (xiamen) Da Data Technology Co Ltd
Priority to CN201810373227.9A priority Critical patent/CN108549640A/zh
Publication of CN108549640A publication Critical patent/CN108549640A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/216—Parsing using statistical methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供一种基于统计学的企业名称相似度计算方法，包括如下步骤：收集某区域所有的企业名称，并进行分词，计算每个词的凝固度和自由度；将凝固度和自由度满足条件的新词加入ANSJ分词工具词汇库中；利用获得的分词工具对企业名称数据集中的每个企业名称进行分词，获得每个企业名称的词条集合，并对每个企业名称的词条集合中的每个词计算IDF值；根据所获得的每个企业名称的词条集合中的每个词计算IDF值，获得需要对比的不同企业名称分词得到的词汇所对应的IDF值，计算不同企业名称的相似度。本发明提供的基于统计学的企业名称相似度计算方法，较传统的编辑距离，余弦相似度计算等字符串相似度计算方法具有更高的鲁棒性和可信性。

Description

一种基于统计学的企业名称相似度计算方法
技术领域
本发明涉及数据服务技术领域，特别涉及一种基于统计学的企业名称相似度计算方法。
背景技术
大数据时代，信息的融合共享成为了新的潮流，但是随之而来的是隐私泄露的问题。许多企业或政府对外提供数据服务的方式主要包括两种，一种以校验的方式进行提供，其不会泄露个人真实的信息；另外一种就是在取得个人授权的情况下，向第三方提供个人信息。但是，校验的方式会存在许多问题，例如，当资源服务提供方以校验的方式向第三方提供个人所在的企业校验服务时，就会遇到第三方提供的企业名称与数据服务方获得的企业名称在存在简写的情况下，如何判断两个企业名称的相似度问题。
传统的编辑距离，余弦相似度计算等字符串相似度计算方法并没有考虑到企业名称中关键词的权重，容易造成两家企业本不相关，但由于不关键词汇的影响而得到较高的相似度问题，或者由于简写的存在，而造成本是一家或相关的两个企业名称其得到的相似度低的问题。
发明内容
为解决上述问题，本发明提供一种基于统计学的企业名称相似度计算方法，包括如下步骤：
S100：建立分词工具：收集某区域所有的企业名称，并对所获取的企业名称进行分词，计算每个词的凝固度和自由度；将凝固度和自由度满足条件的新词加入ANSJ分词工具词汇库中；
S200：获取IDF值表：利用S100获得的分词工具对企业名称数据集中的每个企业名称进行分词，获得每个企业名称的词条集合，并对每个企业名称的词条集合中的每个词计算IDF值；
S300：计算不同企业名称的相似度：根据S200所获得的每个企业名称的词条集合中的每个词计算IDF值，获得需要对比的不同企业名称分词得到的词汇所对应的IDF值，计算不同企业名称的相似度。
进一步地，S100的具体步骤如下：
S110：收集某区域所有的企业名称，得到企业名称数据集；对企业名称数据集进行分词，并统计每个词、每个词的左邻字和每个词的右邻字的数量；
S120：通过S110中获得的企业名称数据集中的每个词、每个词的左邻字和每个词的右邻字的数量，计算企业名称数据集中的每个词的凝固度和自由度，根据所计算的结果，判断企业名称数据集中的每个词是否成词；
S130：将S120中所确定的词与ANSJ分词工具词汇库中的词进行对比，如果从企业名称数据集中提取的词在ANSJ分词工具词汇库中并不存在，则将不存在于ANSJ分词工具词汇库中的词加入ANSJ分词工具词汇库中。
进一步地，S120中企业名称数据集中的每个词的凝固度和自由度计算方法如下：
凝固度：
左邻字自由度：
右邻字自由度：
其中：第i个词出现的数量用xi表示，第i个词出现的左邻字集合为 为第i个词中出现的第m个左邻字的数量，第i个词出现的右邻字集合为 为第i个词中出现的第k个右邻字的数量；表示每个词出现的数量总和，第i个词由集合C(xi)＝{xi1,xi2,L,xij}组成，xij表示第i个词中第j个组成词的数量。
进一步地，如果某个词凝固度大于100，并且左右自由度大于1.3，则认为这个词能够成词。
进一步地，S200中IDF值的计算方法具体如下：
其中，D为企业名称数据集中企业数量，{j:tk∈dj}表示词k在所有企业中出现的次数。
进一步地，S300中，两个不同企业名称的相似度计算方法如下：
根据S100获得的分词工具获取两个不同企业名称词条集合，则两个企业名称相似度的计算公式如下：
其中，相同的词表示为S＝{s1,L,sp}，为相同词的IDF值之和，为数据服务提供方获得的企业名称词条集合中每个词的IDF值之和。
进一步地，S400中获取不同企业名称词条集合中每个词的IDF值时，对原IDF值表中的值进行f(x)＝x4处理，获得计算相似度时所需的IDF值。
本发明提供的基于统计学的企业名称相似度计算方法，较传统的编辑距离，余弦相似度计算等字符串相似度计算方法具有更高的鲁棒性和可信性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的基于统计学的企业名称相似度计算方法流程图。
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作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。
本发明实施例提供一种基于统计学的企业名称相似度计算方法，包括如下步骤：
S100：建立分词工具：收集某区域所有的企业名称，并对所获取的企业名称进行分词，计算每个词的凝固度和自由度；将凝固度和自由度满足条件的新词加入ANSJ分词工具词汇库中；
S100的具体步骤如下：
S110：收集某区域所有的企业名称，得到原始企业名称数据集；对原始企业名称数据集进行分词，并统计每个词左邻字和右邻字的数量；
S120：计算S110获得的原始企业名称数据集中的每个词的凝固度和自由度，根据所计算的结果，判断原始企业名称数据集中的每个词是否成词；
S130：将S120中所确定的词与ANSJ分词工具词汇库中的词进行对比，如果从原始企业名称数据集中提取的词在ANSJ分词工具词汇库中并不存在，则将ANSJ分词工具词汇库中不存在的提取词加入ANSJ分词工具词汇库中。
具体地，第i个词出现的数量用xi表示，第i个词出现的左邻字集合为 为第i个词中出现的第m个左邻字的数量，第i个词出现的右邻字集合为 为第i个词中出现的第k个右邻字的数量。
例如：企业名称为“易联众信息技术股份有限公司”，通过特定步长来进行分词，如果词的字符数最小为2，最大为3，步长为1，则得到的分词结果为：“易联”、“易联众”、“联众”、“联众信”、“众信”、“众信息”、“信息”、“信息技”、“息技”、“息技术”、“技术”、“技术股”、“术股”、“术股份”、“股份”、“股份有”、“份有”、“份有限”、“有限”、“有限公”、“限公”、“限公司”。其中“信息”的左邻字为“众”，右邻字为“技”；研究中使用的最小字符数为2，最大字符数为4，步长为1；
优选地，S120中原始企业名称数据集中的每个词的凝固度和自由度计算方法如下：
凝固度：
左邻字自由度：
右邻字自由度：
其中：第i个词出现的数量用xi表示，第i个词出现的左邻字集合为 为第i个词中出现的第m个左邻字的数量，第i个词出现的右邻字集合为 为第i个词中出现的第k个右邻字的数量；表示每个词出现的数量总和，第i个词由集合C(xi)＝{xi1,xi2,L,xij}组成，xij表示第i个词中第j个组成词的数量；
凝固度是指一个新词单独出现的频次很高，远高于其组合词的概率之和。例如一个新词由AB两个词组成，如果AB两个词是独立分布的话，则其概率为P(AB)≈P(A)P(B)；如果不是独立分布的，则AB两个词同时出现的概率远远大于A词和B词各自出现概率的乘积，用P(AB)＞＞P(A)P(B)表示，说明AB可能为一个新词；
自由度是判断一个词是否成词的重要标准。如果一个文本片段能够算作一个词的话，它应该能够灵活地出现在各种不同的环境中，具有非常丰富的左邻字集合和右邻字集合；
优选地，通过多次测试，如果某个词凝固度大于100，并且左右自由度大于1.3，则认为这个词能够成词，并将分词过程中所获得的新词加入ANSJ分词工具词汇库中；
举例说明：例如词“股份”其在所有企业名称中出现了1000次，语料库中获取总共出现词次数1000000，则P(股份)＝1000/1000000＝0.001,而“股”出现了2000次，“份”出现了2000次，则P(股)＝2000/100000＝0.002，P(份)＝2000/100000＝0.002，则Unite(股份)＝0.001/(0.002*0.002)＝250，而“股份”的左邻接字出现“限，术，科”，“限”出现10次，“术”出现5次，“科”出现30次，则LeftEntropy(股份)＝-(10/45)log(10/45)-(5/45)log(5/45)-(30/45)log(30/45)＝0.8486,同理，“股份”的右邻字自由度计算方式与左邻字自由度计算方式一致。
S200：获取IDF值表：利用S100获得的分词工具对企业名称数据集中的每个企业名称进行分词，获得每个企业名称的词条集合，并对每个企业名称的词条集合中的每个词计算IDF值；
优选地，S200中IDF值的计算方法具体如下：
其中，D为数据集中企业数量，{j:tk∈dj}表示词k在所有企业中出现的次数；
举例说明：企业名称“易联众信息技术股份有限公司”通过分词之后，变为“易联众”、“信息”、“技术”、“股份”、“有限公司”，词“易联众”在其他企业名称中出现10次，总共企业数量有100000家，则IDF(“易联众”)＝log(100000/20)＝9.21034。
S300：计算不同企业名称的相似度：根据S200所获得的每个企业名称的词条集合中的每个词计算IDF值，获得需要对比的不同企业名称分词得到的词汇所对应的IDF值，计算不同企业名称的相似度；
优选地，S300中，两个不同企业名称的相似度计算方法如下：
根据S100获得的分词工具获取两个不同企业名称词条集合，假定用户输入的企业名称为company1，数据服务提供方获得的企业名称为company2，通过步骤1获得的分词工具对两个名称进行分词，得到词集合company1＝{x1,L,xn}，company2＝{y1,L,ym}；
将企业名称词集合中的词与IDF值表进行比对，获取每个词的IDF值，由于IDF是log计算，其会影响词的区分度，因此，在获取IDF值时，会对原IDF值表中的值进行f(x)＝x4处理，从而拉开词的区分度，获得最终的IDF值；
两个企业名称相似度的计算公式如下：
其中，相同的词表示为S＝{s1,L,sp}，为相同词的IDF值之和，为数据服务提供方获得的企业名称词条集合中每个词的IDF值之和。此相似度是为了杜绝用户输入的企业名称，其企业名称主体与目标企业名称主体一致，但用户输入的企业名称中存在过多影响词，从而用传统的余弦相似度计算其相似度偏低的问题。例如：用户输入的是“易联众信息技术股份有限公司福建自贸试验区福州分公司”，其目标企业为“易联众信息技术股份有限公司”，由于“自贸”、“试验区”等词的IDF值较高，如果用余弦相似度计算，其相似度值为0.158，但是用此方法其相似度为0.8577，比较贴合检索实际。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (7)

1.一种基于统计学的企业名称相似度计算方法，其特征在于，包括如下步骤：
S100：建立分词工具：收集某区域所有的企业名称，并对所获取的企业名称进行分词，计算每个词的凝固度和自由度；将凝固度和自由度满足条件的新词加入ANSJ分词工具词汇库中；
S200：获取IDF值表：利用S100获得的分词工具对企业名称数据集中的每个企业名称进行分词，获得每个企业名称的词条集合，并对每个企业名称的词条集合中的每个词计算IDF值；
S300：计算不同企业名称的相似度：根据S200所获得的每个企业名称的词条集合中的每个词计算IDF值，获得需要对比的不同企业名称分词得到的词汇所对应的IDF值，计算不同企业名称的相似度。
2.根据权利要求1所述的基于统计学的企业名称相似度计算方法，其特征在于：
S100的具体步骤如下：
S110：收集某区域所有的企业名称，得到企业名称数据集；对企业名称数据集进行分词，并统计每个词、每个词的左邻字和每个词的右邻字的数量；
S120：通过S110中获得的企业名称数据集中的每个词、每个词的左邻字和每个词的右邻字的数量，计算企业名称数据集中的每个词的凝固度和自由度，根据所计算的结果，判断企业名称数据集中的每个词是否成词；
S130：将S120中所确定的词与ANSJ分词工具词汇库中的词进行对比，如果从企业名称数据集中提取的词在ANSJ分词工具词汇库中并不存在，则将不存在于ANSJ分词工具词汇库中的词加入ANSJ分词工具词汇库中。
3.根据权利要求2所述的基于统计学的企业名称相似度计算方法，其特征在于：
S120中企业名称数据集中的每个词的凝固度和自由度计算方法如下：
凝固度：
左邻字自由度：
右邻字自由度：
其中：第i个词出现的数量用xi表示，第i个词出现的左邻字集合为 为第i个词中出现的第m个左邻字的数量，第i个词出现的右邻字集合为 为第i个词中出现的第k个右邻字的数量；表示每个词出现的数量总和，第i个词由集合C(xi)＝{xi1,xi2,L,xij}组成，xij表示第i个词中第j个组成词的数量。
4.根据权利要求2所述的基于统计学的企业名称相似度计算方法，其特征在于：如果某个词凝固度大于100，并且左右自由度大于1.3，则认为这个词能够成词。
5.根据权利要求1所述的基于统计学的企业名称相似度计算方法，其特征在于：S200中IDF值的计算方法具体如下：
其中，D为企业名称数据集中企业数量，{j:tk∈dj}表示词k在所有企业中出现的次数。
6.根据权利要求1所述的基于统计学的企业名称相似度计算方法，其特征在于：
S300中，两个不同企业名称的相似度计算方法如下：
根据S100获得的分词工具获取两个不同企业名称词条集合，则两个企业名称相似度的计算公式如下：
其中，相同的词表示为S＝{s1,L,sp}，为相同词的IDF值之和，为数据服务提供方获得的企业名称词条集合中每个词的IDF值之和。
7.根据权利要求5所述的基于统计学的企业名称相似度计算方法，其特征在于：S400中获取不同企业名称词条集合中每个词的IDF值时，对原IDF值表中的值进行f(x)＝x4处理，获得计算相似度时所需的IDF值。
CN201810373227.9A 2018-04-24 2018-04-24 一种基于统计学的企业名称相似度计算方法 Pending CN108549640A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810373227.9A CN108549640A (zh) 2018-04-24 2018-04-24 一种基于统计学的企业名称相似度计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810373227.9A CN108549640A (zh) 2018-04-24 2018-04-24 一种基于统计学的企业名称相似度计算方法

Publications (1)

Publication Number Publication Date
CN108549640A true CN108549640A (zh) 2018-09-18

Family

ID=63512241

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810373227.9A Pending CN108549640A (zh) 2018-04-24 2018-04-24 一种基于统计学的企业名称相似度计算方法

Country Status (1)

Country Link
CN (1) CN108549640A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110232187A (zh) * 2019-05-20 2019-09-13 平安科技（深圳）有限公司 企业名称相似度识别方法、装置、计算机设备和存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104102626A (zh) * 2014-07-07 2014-10-15 厦门推特信息科技有限公司 一种用于短文本语义相似度计算的方法
CN104199972A (zh) * 2013-09-22 2014-12-10 中科嘉速(北京)并行软件有限公司 一种基于深度学习的命名实体关系抽取与构建方法
CN104216875A (zh) * 2014-09-26 2014-12-17 中国科学院自动化研究所 基于非监督关键二元词串提取的微博文本自动摘要方法
CN104424613A (zh) * 2013-09-04 2015-03-18 航天信息股份有限公司 一种增值税发票的监控方法及其系统
CN104462061A (zh) * 2014-12-05 2015-03-25 北京国双科技有限公司 词语提取方法及提取装置
CN106547738A (zh) * 2016-11-02 2017-03-29 北京亿美软通科技有限公司 一种基于文本挖掘的金融类逾期短信智能判别方法
CN107194617A (zh) * 2017-07-06 2017-09-22 北京航空航天大学 一种app软件工程师软技能分类系统及方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104424613A (zh) * 2013-09-04 2015-03-18 航天信息股份有限公司 一种增值税发票的监控方法及其系统
CN104199972A (zh) * 2013-09-22 2014-12-10 中科嘉速(北京)并行软件有限公司 一种基于深度学习的命名实体关系抽取与构建方法
CN104102626A (zh) * 2014-07-07 2014-10-15 厦门推特信息科技有限公司 一种用于短文本语义相似度计算的方法
CN104216875A (zh) * 2014-09-26 2014-12-17 中国科学院自动化研究所 基于非监督关键二元词串提取的微博文本自动摘要方法
CN104462061A (zh) * 2014-12-05 2015-03-25 北京国双科技有限公司 词语提取方法及提取装置
CN106547738A (zh) * 2016-11-02 2017-03-29 北京亿美软通科技有限公司 一种基于文本挖掘的金融类逾期短信智能判别方法
CN107194617A (zh) * 2017-07-06 2017-09-22 北京航空航天大学 一种app软件工程师软技能分类系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
汪龙庆等: "基于未登录词识别的微博评价短语抽取方法", 《计算机应用与软件》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110232187A (zh) * 2019-05-20 2019-09-13 平安科技（深圳）有限公司 企业名称相似度识别方法、装置、计算机设备和存储介质
CN110232187B (zh) * 2019-05-20 2022-06-07 平安科技（深圳）有限公司 企业名称相似度识别方法、装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
Elghazaly et al. Political sentiment analysis using twitter data
Ajjour et al. Modeling frames in argumentation
Froud et al. Arabic text summarization based on latent semantic analysis to enhance arabic documents clustering
Ferguson et al. Semi-supervised event extraction with paraphrase clusters
CN107609052A (zh) 一种基于语义三角的领域知识图谱的生成方法及装置
CN108573045A (zh) 一种基于多阶指纹的比对矩阵相似度检索方法
Li et al. Detection and characterization of human trafficking networks using unsupervised scalable text template matching
CN103699525A (zh) 一种基于文本多维度特征自动生成摘要的方法和装置
CN110781679B (zh) 一种基于关联语义链网络的新闻事件关键词挖掘方法
US20140280014A1 (en) Apparatus and method for automatic assignment of industry classification codes
US8090720B2 (en) Method for merging document clusters
US20220019739A1 (en) Item Recall Method and System, Electronic Device and Readable Storage Medium
CN102662936A (zh) 融合Web挖掘、多特征与有监督学习的汉英未登录词翻译方法
Pan et al. An improved TextRank keywords extraction algorithm
Mager et al. Subword-level language identification for intra-word code-switching
Murray et al. Using the omega index for evaluating abstractive community detection
Tandel et al. Multi-document text summarization-a survey
CN104391852B (zh) 一种建立关键词词库的方法和装置
Perez-Tellez et al. On the difficulty of clustering microblog texts for online reputation management
CN112487306B (zh) 基于知识图谱的自动化事件标记与分类方法
CN109213869B (zh) 基于多源数据的热点技术预测方法
Owoeye et al. Classification of extremist text on the web using sentiment analysis approach
CN108549640A (zh) 一种基于统计学的企业名称相似度计算方法
CN112287218A (zh) 一种基于知识图谱的非煤矿山文献关联推荐方法
Endo et al. What's hot in the theme: Query dependent emerging topic extraction from social streams

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: 361008 Room 502, No.18, guanri Road, phase II, software park, Xiamen City, Fujian Province

Applicant after: YLZ INFORMATION TECHNOLOGY Co.,Ltd.

Applicant after: Yilianzhong Zhiding (Xiamen) Technology Co.,Ltd.

Address before: 361008 Room 502, No.18, guanri Road, phase II, software park, Xiamen City, Fujian Province

Applicant before: YLZ INFORMATION TECHNOLOGY Co.,Ltd.

Applicant before: YILIANZHONG (XIAMEN) BIG DATA TECHNOLOGY CO.,LTD.

CB02 Change of applicant information
RJ01 Rejection of invention patent application after publication

Application publication date: 20180918

RJ01 Rejection of invention patent application after publication