CN108681947B - 基于物品的时间关联度和覆盖度的协同过滤推荐方法 - Google Patents
基于物品的时间关联度和覆盖度的协同过滤推荐方法 Download PDFInfo
- Publication number
- CN108681947B CN108681947B CN201810486705.7A CN201810486705A CN108681947B CN 108681947 B CN108681947 B CN 108681947B CN 201810486705 A CN201810486705 A CN 201810486705A CN 108681947 B CN108681947 B CN 108681947B
- Authority
- CN
- China
- Prior art keywords
- item
- articles
- coverage
- user
- article
- 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
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于物品的时间关联度和覆盖度的协同过滤推荐方法,提出了时间关联函数,并将其应用于物品之间相似度计算,即可以将时间关联函数最大限度地应用于协同过滤算法中,有效地减小被评分已久的物品的权重,能够更加精确地反映物品之间的关系,减少预测评分和实际评分之间的差距,提高预测精度;同时本发明提出了可以度量物品与目标用户爱好之间关系的覆盖度函数,并将其应用于计算物品的预测评分中,使得物品在计算预测评分时,其邻近物品会获得更高的权重,从而使得该物品拥有更高的预测评分,更容易被推荐给目标用户,有效提高了分类精度。
Description
技术领域
本发明涉及推荐技术领域,尤其涉及一种可同时提高预测精度和分类精度的基于物品的时间关联度和覆盖度的协同过滤推荐方法。
背景技术
推荐系统能够通过用户的个人信息智能地感知用户的兴趣或需求,实现信息的高质量推荐,有效地解决了“信息过载”问题。基于物品的协同过滤算法因其具有良好的可扩展性,成为推荐技术领域应用最成功的方法之一,如亚马逊和淘宝。基于物品的协同过滤算法有两个核心步骤:物品相似度计算和物品预测评分。
传统的基于物品的协同过滤算法中,所有物品在两个核心步骤中都具有相同的权重,使得一些具有重要贡献度的物品并没有得到更高的权重,导致推荐结果并不能同时具有良好预测精度和分类精度。
例如:物品1、物品2和物品3被同一个用户给予相同的评分,其中物品1的评分位于一年前,物品2和物品3的评分位于一天前。尽管用户的爱好和评分度量可能随着时间的变化而改变,物品2和物品3应具有更多的相似特点。但是传统的基于物品的协同过滤算法,物品1和物品2的相似度等于物品2和物品3的相似度,物品2和物品3相似度并没有得到更高的权重。
再者,假设物品a和物品b为目标用户的候选推荐商品,物品a的邻近物品具有和目标用户爱好更相近的特点,物品b的邻近物品的特点和目标用户爱好相差很远,因此物品a较之于物品b更可能被目标用户喜爱。但是,传统的基于物品的协同过滤算法在预测评分时,物品a和物品b得到相同的预测评分,并没有具有更高的权重。
发明内容
本发明为了克服现有技术所存在的上述技术问题,提供一种可同时提高预测精度和分类精度的基于物品的时间关联度和覆盖度的协同过滤推荐方法。
本发明的技术方案是:一种基于物品的时间关联度和覆盖度的协同过滤推荐方法,其特征在于依次按照如下步骤进行:
步骤一.统计得到物品被用户评分的二维表:
令U和I分别表示用户集合和物品集合;R∪{*}表示评分集合,其中(*)表示物品未得到用户的评分;T∪{ο}表示物品被用户评分的时间集合,其中(ο)表示评分时间为空;ru,x∈R∪{*}表示用户u对物品x的评分;tu,x∈T∪{ο}表示用户u对物品x的评分时间;表示物品x被用户评分的平均值;
步骤二.构建时间关联函数,计算物品之间的时间关联度:
构建时间关联函数,如公式(1):
式(1)中,f(u,x,y)表示对于目标用户tu而言,物品x和物品y的时间关联函数,λ表示衰减率;用时间关联函数,计算物品集合I中,两两物品的时间关联度;
步骤三.将物品之间的时间关联度结合公式(2)所示的皮尔森相似度量函数,计算两两物品之间的相似度;
步骤四.构建物品覆盖度函数,计算物品之间的覆盖度:
令D为一个论域,C为论域D上的子集的集合;如在C中不存在空集,并且∪C=D,则C成为论域D上的一个覆盖,<D,C>为一个覆盖空间;
令目标物品ti的邻近物品Nti(k)由相似度高的前k个物品组成,对于每一个包含于Nti(k)内的物品p,进一步选取前n个相似度高的物品组成集合Np(n);
令目标用户tu的喜爱物品组成集合Rtu,其定义如式(4):
Rtu={x∈I|rtu,x≥θ} (4)
利用式(3)表示的覆盖度函数,计算集合Np(n)和Rtu之间的覆盖度CD(Np(n),Rtu);
步骤五.将物品之间的覆盖度结合权重和预测评分函数,预测目标用户未评分的物品,如式(5)所示:
式(5)中,Ptu,ti表示目标用户tu对目标物品ti的预测评分;Itu={x∈I|rtu,x≠*}表示目标用户tu评价过的物品集合;Nti(k)表示目标物品ti的邻近物品。
步骤六.从预测评分列表中选取预测评分高的前N个物品作为推荐结果。
本发明提出了时间关联函数,并将其应用于物品之间相似度计算,即可以将时间关联函数最大限度地应用于协同过滤算法中,有效地减小被评分已久的物品的权重,能够更加精确地反映物品之间的关系,减少预测评分和实际评分之间的差距,提高预测精度;同时本发明提出了可以度量物品与目标用户爱好之间关系的覆盖度函数,并将其应用于计算物品的预测评分中,使得物品在计算预测评分时,其邻近物品会获得更高的权重,从而使得该物品拥有更高的预测评分,更容易被推荐给目标用户,有效提高了分类精度。
附图说明
图1为本发明实施例的流程示意图。
图2为本发明实施例与现有技术MAE度量实验结果示意图。
图3为本发明实施例与现有技术RMSE度量实验结果示意图。
图4为本发明实施例与现有技术Precise度量实验结果示意图。
图5为本发明实施例与现有技术Recall度量实验结果示意图。
图6为本发明实施例与现有技术F1度量实验结果示意图。
具体实施方式
本发明提供基于物品的时间关联度和覆盖度的协同过滤推荐方法,如图1所示,依次按照如下步骤进行:
步骤一.统计得到物品被用户评分的二维表:
令U和I分别表示用户集合和物品集合;R∪{*}表示评分集合,其中(*)表示物品未得到用户的评分;T∪{ο}表示物品被用户评分的时间集合,其中(ο)表示评分时间为空;ru,x∈R∪{*}表示用户u对物品x的评分;tu,x∈T∪{ο}表示用户u对物品x的评分时间;表示物品x被用户评分的平均值;
具体如用户集合U={用户1,用户2,用户3,目标用户},物品集合I={物品1,物品2,物品3,物品4,物品5,目标物品1,目标物品2},评分R的取值范围为[1,5],评分时间T的取值范围为从2016年6月到2017年6月,ο表示评分时间为空。如表1所示:
表1
步骤二.构建时间关联函数,计算物品之间的时间关联度:
基于用在较短时间内,其兴趣爱好不会发生大幅度的变化,构建时间关联函数,如公式(1):
式(1)中,f(u,x,y)表示对于目标用户tu而言,物品x和物品y的时间关联函数,λ表示衰减率,例如令如果T0=30天,表示时间关联函数以月为单位进行衰减;用时间关联函数,计算物品集合I中,两两物品的时间关联度;
则如表2所示:
表2
物品1 | 物品2 | 物品3 | 物品4 | 物品5 | 目标物品1 | 目标物品2 | |
物品1 | 1 | 0.367 | 1 | 0.367 | 0.841 | 0.789 | 0.578 |
物品2 | 0.367 | 1 | 0.367 | 1 | 0.525 | 0.578 | 0.789 |
物品3 | 1 | 0.367 | 1 | 0.367 | 0.841 | 0.789 | 0.578 |
物品4 | 0.367 | 1 | 0.367 | 1 | 0.525 | 0.578 | 0.789 |
物品5 | 0.841 | 0.525 | 0.841 | 0.525 | 1 | 0.789 | 0.578 |
目标物品1 | 0.789 | 0.578 | 0.789 | 0.578 | 0.789 | 1 | 0.367 |
目标物品2 | 0.578 | 0.789 | 0.578 | 0.789 | 0.578 | 0.367 | 1 |
步骤三.将物品之间的时间关联度结合公式(2)所示的皮尔森相似度量函数,计算两两物品之间的相似度;
表3
物品1 | 物品2 | 物品3 | 物品4 | 物品5 | 目标物品1 | 目标物品2 | |
物品1 | 1 | 0.367 | 0 | -0.183 | -0.841 | 0.789 | 0.385 |
物品2 | 0.367 | 1 | 0 | -0.5 | -0.525 | 0.578 | 0.526 |
物品3 | 0 | 0 | 1 | 0.183 | 0 | -0.263 | -0.385 |
物品4 | -0.183 | -0.5 | 0.183 | 1 | 0.262 | -0.578 | -0.526 |
物品5 | -0.841 | -0.525 | 0 | 0.262 | 1 | -0.789 | -0.385 |
目标物品1 | 0.789 | 0.578 | -0.263 | -0.578 | -0.789 | 1 | 0.245 |
目标物品2 | 0.385 | 0.526 | -0.385 | -0.526 | -0.385 | 0.245 | 1 |
步骤四.构建物品覆盖度函数,计算物品之间的覆盖度:
令D为一个论域,C为论域D上的子集的集合;如在C中不存在空集,并且∪C=D,则C成为论域D上的一个覆盖,<D,C>为一个覆盖空间;
令目标物品ti的邻近物品Nti(k)由相似度高的前k个物品组成,对于每一个包含于Nti(k)内的物品p,进一步选取前n个相似度高的物品组成集合Np(n);
令目标用户tu的喜爱物品组成集合Rtu,其定义如式(4):
Rtu={x∈I|rtu,x≥θ} (4)
利用式(3)表示的覆盖度函数,计算集合Np(n)和Rtu之间的覆盖度CD(Np(n),Rtu);
具体如物品的邻近物品数量设定为3,则目标物品对应的邻近物品为:
N目标物品1(3)={物品1,物品2,目标物品2}
N目标物品2(3)={物品2,物品1,目标物品1}
N物品1(3)={目标物品1,目标物品2,物品2}
N物品2(3)={目标物品1,目标物品2,物品1}
N物品3(3)={物品4,物品1,物品2}
N物品4(3)={物品5,物品3,物品1}
N物品5(3)={物品4,目标物品2,物品2}
令评分大于等于3的物品为用户的爱好物品,则目标用户的爱好物品集合Rtu={物品2,物品3,物品5},计算得到物品之间的覆盖度,如表4所示:
表4
步骤五.将物品之间的覆盖度结合权重和预测评分函数,预测目标用户未评分的物品,如式(5)所示:
式(5)中,Ptu,ti表示目标用户tu对目标物品ti的预测评分;Itu={x∈I|rtu,x≠*}表示目标用户tu评价过的物品集合;Nti(k)表示目标物品ti的邻近物品,则:
P目标用户,目标物品1=2.4
P目标用户,目标物品2=3
步骤六.选取预测评分最高的一个物品作为推荐结果,则目标物品2将作为推荐结果提供给目标用户。
实验:
1)使用公开数据集
本发明使用推荐系统领域经常用来测试推荐系统性能的公开数据集MovieLens。该数据集包含943个用户,1682个电影和100000个评分,评分值分布为{1,2,3,4,5},每个用户至少对20个电影进行了评分。其中,对于每一个物品而言,20%的评分当作测试数据,剩下的80%的数据作为训练数据。
2)评价度量
本发明采用平均绝对误差MAE和均方根误差RMSE来度量预测精度,MAE和RMSE都是通过计算用户的实际评分和预测评分之间的偏差来度量推荐结果的精确度,因此,MAE和RMSE越小,推荐精度越高:
式(6)和(7)中,Ou={x∈I|pu,x≠*∧ru,x≠*}表示被用户u评价过,并且具有预测评分的物品集合。
利用Precision、Recall和F1来度量分类精度。Precision表示推荐物品中,用户喜欢的物品占所有推荐物品的比例,因此其值越高,分类精确度越高。Recall表示推荐物品中,用户喜欢的物品占所有用户喜爱物品的比例,因此其值越高,分类精确度越高。F1是结合Precision和Recall的一个综合度量。
式(8)、(9)和(10)中,Ns表示为目标用户提供的推荐物品的数量,Nrs表示在推荐物品中,目标用户喜欢的物品的数量,Nr表示目标用户喜爱物品的总数量。
3)参数设置
对于时间衰减周期,由于MovieLens数据集是通过7个月收集而成,因此实验中采用一周(7天)作为时间衰减周期;而Netflix数据集是通过85周收集而成,因此实验中采用一个月(30天)作为时间衰减周对于每一个目标物品的邻近物品的相似物品集合,设定为30。为了表示度量函数随着目标物品的邻近物品大小的变化,目标物品的邻近物品的大小设为{10,20,30,40,50}。
本实验设定评分大于等于3的物品作为目标用户的喜爱物品。将推荐物品的数量设定为{2,4,6,8,10,12}。
4)实验结果对比与分析
本发明提出的一种基于物品的时间关联度和覆盖度的协同过滤推荐方法用TCIBCF表示,传统的基于物品的协同过滤算法用IBCF表示,由Ding Yi等人提出的重要相关方法:基于时间权重的协同过滤算法用TWIBCF表示。图2和3表示预测精度度量MAE和RMSE的实验结果,通过结果可知,随着邻近物品数量的增加,TCIBCF的MAE和RMSE结果比IBCF和TCIBCF的结果低。由于MAE和RMSE的值越低,预测精度越高,因此表明,对比IBCF和TWIBCF,TCIBCF可以有效地提高推进结果的预测精度。
图4、5和6表示分类精度度量Precision、Recall和F1的实验结果。由结果可知,随着邻近物品数量的增加,IBCF和TWIBCF拥有相近的Precision、Recall和F1的实验结果,然而TCIBCF的实验结果明显高于IBCF和TWIBCF。由于Precision、Recall和F1的值越高,分类精度越高,因此,对比IBCF和TWIBCF,TCIBCF可以有效地提高推荐结果的分类精度。
Claims (1)
1.一种基于物品的时间关联度和覆盖度的协同过滤推荐方法,其特征在于依次按照如下步骤进行:
步骤一.统计得到物品被用户评分的二维表:
令U和I分别表示用户集合和物品集合;R∪{*}表示评分集合,其中(*)表示物品未得到用户的评分;T∪{ο}表示物品被用户评分的时间集合,其中(ο)表示评分时间为空;ru,x∈R∪{*}表示用户u对物品x的评分;tu,x∈T∪{ο}表示用户u对物品x的评分时间;表示物品x被用户评分的平均值;
步骤二.构建时间关联函数,计算物品之间的时间关联度:
构建时间关联函数,如公式(1):
步骤三.将物品之间的时间关联度结合公式(2)所示的皮尔森相似度量函数,计算两两物品之间的相似度;
步骤四.构建物品覆盖度函数,计算物品之间的覆盖度:
令D为一个论域,C为论域D上的子集的集合;如在C中不存在空集,并且∪C=D,则C成为论域D上的一个覆盖,<D,C>为一个覆盖空间;
在覆盖空间<D,C>上,对于集合X⊆D,并且K∈C,覆盖度函数定义如式(3):
令目标用户tu的喜爱物品组成集合Rtu,其定义如式(4):
步骤五.将物品之间的覆盖度结合权重和预测评分函数,预测目标用户未评分的物品,如式(5)所示:
步骤六.从预测评分列表中选取预测评分高的前N个物品作为推荐结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810486705.7A CN108681947B (zh) | 2018-05-21 | 2018-05-21 | 基于物品的时间关联度和覆盖度的协同过滤推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810486705.7A CN108681947B (zh) | 2018-05-21 | 2018-05-21 | 基于物品的时间关联度和覆盖度的协同过滤推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108681947A CN108681947A (zh) | 2018-10-19 |
CN108681947B true CN108681947B (zh) | 2021-09-24 |
Family
ID=63805129
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810486705.7A Active CN108681947B (zh) | 2018-05-21 | 2018-05-21 | 基于物品的时间关联度和覆盖度的协同过滤推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108681947B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110570267B (zh) * | 2019-07-22 | 2022-04-08 | 浙江工业大学 | 一种协同过滤物品推荐方法 |
CN111724197B (zh) * | 2020-05-25 | 2024-03-26 | 口碑(上海)信息技术有限公司 | 信息处理方法、装置、系统、存储介质及计算机设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104572962A (zh) * | 2014-12-31 | 2015-04-29 | 浙江大学 | 一种app推荐的方法和系统 |
CN104572880A (zh) * | 2014-12-22 | 2015-04-29 | 中国科学院信息工程研究所 | 基于用户的协同过滤的并行实现方法及系统 |
CN105976161A (zh) * | 2016-04-29 | 2016-09-28 | 随身云(北京)信息技术有限公司 | 一种基于时间轴上的智能推荐日历及基于用户的呈现方法 |
CN106570090A (zh) * | 2016-10-20 | 2017-04-19 | 杭州电子科技大学 | 基于兴趣变化和信任关系的协同过滤推荐方法 |
CN106599074A (zh) * | 2016-11-09 | 2017-04-26 | 天津大学 | 协同过滤推荐系统中的用户时间相关相似度的计算方法 |
CN107133836A (zh) * | 2017-03-22 | 2017-09-05 | 无锡中科富农物联科技有限公司 | 一种自适应权重组合推荐算法 |
CN107391670A (zh) * | 2017-07-21 | 2017-11-24 | 云南电网有限责任公司教育培训评价中心 | 一种融合协同过滤和用户属性过滤的混合推荐方法 |
US9910898B2 (en) * | 2015-09-17 | 2018-03-06 | Yahoo Holdings, Inc. | Smart exploration methods for mitigating item cold-start problem in collaborative filtering recommendation systems |
-
2018
- 2018-05-21 CN CN201810486705.7A patent/CN108681947B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104572880A (zh) * | 2014-12-22 | 2015-04-29 | 中国科学院信息工程研究所 | 基于用户的协同过滤的并行实现方法及系统 |
CN104572962A (zh) * | 2014-12-31 | 2015-04-29 | 浙江大学 | 一种app推荐的方法和系统 |
US9910898B2 (en) * | 2015-09-17 | 2018-03-06 | Yahoo Holdings, Inc. | Smart exploration methods for mitigating item cold-start problem in collaborative filtering recommendation systems |
CN105976161A (zh) * | 2016-04-29 | 2016-09-28 | 随身云(北京)信息技术有限公司 | 一种基于时间轴上的智能推荐日历及基于用户的呈现方法 |
CN106570090A (zh) * | 2016-10-20 | 2017-04-19 | 杭州电子科技大学 | 基于兴趣变化和信任关系的协同过滤推荐方法 |
CN106599074A (zh) * | 2016-11-09 | 2017-04-26 | 天津大学 | 协同过滤推荐系统中的用户时间相关相似度的计算方法 |
CN107133836A (zh) * | 2017-03-22 | 2017-09-05 | 无锡中科富农物联科技有限公司 | 一种自适应权重组合推荐算法 |
CN107391670A (zh) * | 2017-07-21 | 2017-11-24 | 云南电网有限责任公司教育培训评价中心 | 一种融合协同过滤和用户属性过滤的混合推荐方法 |
Non-Patent Citations (2)
Title |
---|
Recommendation of Points of Interest from User Generated Data Collection;Karol Wage等;《8th International Conference on Collaborative Computing:Networking,Applications and Worksharing》;20130207;第550-555页 * |
基于时序行为的协同过滤推荐算法;孙光福 等;《软件学报》;20131115;第24卷(第11期);第2721-2733页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108681947A (zh) | 2018-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Prediction uncertainty in collaborative filtering: Enhancing personalized online product ranking | |
EP2960849A1 (en) | Method and system for recommending an item to a user | |
CN103927347A (zh) | 一种基于用户行为模型和蚁群聚类的协同过滤推荐算法 | |
CN109740924B (zh) | 融合属性信息网络和矩阵分解的物品评分预测方法 | |
WO2020168992A1 (zh) | 一种商品推荐方法、装置、设备以及存储介质 | |
CN107256241B (zh) | 基于网格与差异替换改进多目标遗传算法的电影推荐方法 | |
CN110209946B (zh) | 基于社交和社群的产品推荐方法、系统和存储介质 | |
CN107025311A (zh) | 一种基于k近邻的贝叶斯个性化推荐方法及装置 | |
CN116541607B (zh) | 基于商品检索数据分析的智能推荐方法 | |
CN108681947B (zh) | 基于物品的时间关联度和覆盖度的协同过滤推荐方法 | |
CN104899321A (zh) | 一种基于项目属性评分均值的协同过滤推荐方法 | |
CN104008193B (zh) | 一种基于典型用户群组发现技术的信息推荐方法 | |
CN104751353A (zh) | 基于聚类和Slope One预测的协同过滤方法 | |
CN110059257B (zh) | 基于评分修正的项目推荐方法 | |
CN113239266B (zh) | 基于局部矩阵分解的个性化推荐方法及系统 | |
CN106651461A (zh) | 基于灰理论的电影个性化推荐方法 | |
Puraram et al. | Thai food recommendation system using hybrid of particle swarm optimization and K-means algorithm | |
CN106096029B (zh) | 一种基于用户双向关系的推荐方法 | |
CN108763515B (zh) | 一种基于概率矩阵分解的时间敏感个性化推荐方法 | |
CN109636509B (zh) | 一种基于非对称距离构建子矩阵的评分预测方法 | |
Insuwan et al. | Improving missing values imputation in collaborative filtering with user-preference genre and singular value decomposition | |
CN116523597A (zh) | 大数据云熵挖掘的电子商务定制化推荐方法 | |
Yu | Collaborative filtering recommendation algorithm based on both user and item | |
CN110968793A (zh) | 基于协同过滤混合填充的用户冷启动推荐算法 | |
CN108549729B (zh) | 基于覆盖约简的个性化用户协同过滤推荐方法 |
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 |