CN109213852B - 一种旅游目的地图片推荐方法 - Google Patents
一种旅游目的地图片推荐方法 Download PDFInfo
- Publication number
- CN109213852B CN109213852B CN201810772310.3A CN201810772310A CN109213852B CN 109213852 B CN109213852 B CN 109213852B CN 201810772310 A CN201810772310 A CN 201810772310A CN 109213852 B CN109213852 B CN 109213852B
- Authority
- CN
- China
- Prior art keywords
- picture
- emotion
- adjectives
- corpus
- pictures
- 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
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种旅游目的地图片推荐方法,该方法通过读图者情感主题特征语料库和发图者主题特征语料库的建立,并通过二者的关联模型计算每幅图片所传递的主题与其预测得到的读图者情感之间的契合度,从而为目的地图片推荐素材的选择提供了一套可量化的大数据推荐框架,可以从受众的视角,推荐最能打动受众的图片内容进行目的地图片推荐,能够大大提高营销质量,并对不同客源地进行差异化精准图片推荐。
Description
技术领域
本发明涉及图片处理技术领域及信息推荐领域,更具体的说是涉及一种旅游目的地图片推荐方法。
背景技术
目前,旅游行业发展迅速,旅游业市场竞争也日渐激烈,旅游目的地推广成为竞争过程中的重要手段,现有的推广主体主要是目的地营销组织(DMO,Destination MarketingOrganization),但是,DMO主要通过旅游图片推荐的方式进行目的地推广,图片推荐的方式缺乏可量化的手段和方法,更多的是依据DMO自身的主观判断,缺乏对于受众(潜在游客)的认知和分析,容易导致图片传播的目的地形象出现偏差和失真的现象。一种较为常见的情况是,对于同一张图片,DMO与读图者往往存在认知方面的不一致,这样便导致DMO进行图片推荐后起到的旅游目的地推广作用微乎其微。
因此,如何提供一种可量化、推荐效率高的旅游目的地图片推荐方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种可量化、推荐效率高的旅游目的地图片推荐方法。
为了实现上述目的,本发明采用如下技术方案:
一种旅游目的地图片推荐方法,该方法包括以下步骤:
1)在图片网站上获取以目的地为关键字的多张图片及每张图片对应的图片评论内容;
2)采用情感分析工具对步骤1)获取的每张图片对应的图片评论内容分别进行分析,获取其中表征情感倾向性的形容词,根据表征情感倾向性的形容词得到图片的情感倾向性分值,并进一步统计图片评论内容中正面情绪的形容词出现的频率;
3)选取情感倾向性分值最高及图片评论内容中正面情绪的形容词出现的频率最高的图片作为有效图片,并将有效图片对应的图片评论内容中正面情绪的形容词进行存储,得到实际的读图者情感主题特征语料库;
4)对图片网站上图片的自定义信息进行词频分析,提取图片的自定义信息中出现的高频名词,并将高频名词进行存储,得到发图者主题特征语料库;
5)读图者情感通过预设的读图者情感主题特征语料库中正面情绪的形容词表示,发图者情感通过发图者主题特征语料库中高频名词表示,预设读图者情感主题特征语料库中正面情绪的形容词,则发图者主题特征语料库中高频名词出现的概率为:
其中,vj为预设的读图者情感主题特征语料库中正面情绪的形容词,pk为发图者主题特征语料库中高频名词,Bik表示在图片di中是否出现发图者主题特征语料库中高频名词pk,若出现则为1,否则为0;P(vj|di)表示在图片di的评论中vj出现的次数,θ表示目的地图片数据集;
6)在得到P(pk|vj;θ)的前提下,每张图片的发图者主题特征语料库中高频名词与预设的读图者情感主题特征语料库中正面情绪的形容词之间的最大似然估计值为:
其中,A是发图者主题特征语料库集合,P(pk|di)是图片di通过计算得到的关于发图者主题特征语料库中高频名词pk的概率;
7)根据每张图片计算得到的P(di|vj;θ)对多张图片进行排序,并选取P(di|vj;θ)的值较高的图片进行发布。根据每张图片计算得到的P(di|vj;θ),P(di|vj;θ)为读图者情感vj下每幅图片所传递的主题与其预测得到的读图者情感之间的契合度,数值越大,则说明该图片越能激发读图者产生情感vj,由此对多张图片进行排序并发布。
本发明的有益效果是:通过读图者情感主题特征语料库和发图者主题特征语料库的建立,并通过二者的关联模型计算每幅图片所传递的主题与其预测得到的读图者情感之间的契合度,从而为目的地图片推荐素材的选择提供了一套可量化的大数据推荐框架,可以从受众的视角,推荐最能打动受众的图片内容进行目的地图片推荐,能够大大提高营销质量,并对不同客源地进行差异化精准图片推荐。
进一步,所述图片的自定义信息包括图片标题、图片标识和图片描述信息。
进一步,图片的所述情感倾向性分值的得出包括以下步骤:
(1)在图片评论内容中表征情感倾向性的形容词中,选取情感极性绝对值大于0.1的形容词作为情感倾向形容词;
(2)分析每个情感倾向形容词的正面或负面强度,并将其量化为[-1,+1]区间内的分值;
(3)将每个情感倾向形容词所得分值进行累加,得到图片的情感倾向性分值。
采用上述进一步技术方案的有益效果是:情感极性指在社交网络环境下,抽取观点持有者对评价对象的情感倾向性,一般用三元分类(如正面、中立、负面)或数值评分进行表示,本发明中采用情感倾向性分值表示读图者的情感倾向性,将图片评论中表征情感倾向性的形容词提取出并进行统计,从而得到该图片的情感倾向性分值,从而将读图者对于图片的情感量化为具体参数,便于后续图片推荐过程中的准确、定向化分析。
进一步,图片评论内容中所述正面情绪的形容词为情感极性值大于0.1的情感倾向形容词。
进一步,所述情感分析工具为开源情感分析工具SentiWordNet。SentiWordNet是一种用于意见挖掘的词汇资源,SentiWordNet可以根据情感分数将分析内容划分为三类:积极性、消极性和客观性。
进一步,所述图片网站为设有发图者图片编辑区和读图者图片评论区的图片分享网站。
进一步,所述预设的读图者情感主题特征语料库中正面情绪的形容词为从实际的读图者情感主题特征语料库中抽取的部分或者全部正面情绪的形容词。
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简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明提供的一种旅游目的地图片推荐方法的方法流程图
图2为本发明提供的一种旅游目的地图片推荐方法中情感倾向性分值得出的流程图。
具体实施方式
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。
参见附图1,本发明实施例公开了一种旅游目的地图片推荐方法,该方法包括以下步骤:
S1:在图片网站上获取以目的地为关键字的多张图片及每张图片对应的图片评论内容;
S2:采用情感分析工具对步骤S1获取的每张图片对应的图片评论内容分别进行分析,获取其中表征情感倾向性的形容词,根据表征情感倾向性的形容词得到图片的情感倾向性分值,并进一步统计图片评论内容中正面情绪的形容词出现的频率;
S3:选取情感倾向性分值最高及图片评论内容中正面情绪的形容词出现的频率最高的图片作为有效图片,并将有效图片对应的图片评论内容中正面情绪的形容词进行存储,得到实际的读图者情感主题特征语料库;
S4:对图片网站上图片的自定义信息进行词频分析,提取图片的自定义信息中出现的高频名词,并将高频名词进行存储,得到发图者主题特征语料库;
S5:预设读图者情感主题特征语料库中正面情绪的形容词,则发图者主题特征语料库中高频名词出现的概率为:
其中,vj为预设的读图者情感主题特征语料库中正面情绪的形容词,pk为发图者主题特征语料库中高频名词,Bik表示在图片di中是否出现发图者主题特征语料库中高频名词pk,若出现则为1,否则为0;P(vj|di)表示在图片di的评论中vj出现的次数,θ表示目的地图片数据集;
S6:在得到P(pk|vj;θ)的前提下,每张图片的发图者主题特征语料库中高频名词与预设的读图者情感主题特征语料库中正面情绪的形容词之间的最大似然估计值为:
其中,A是发图者主题特征语料库集合,P(pk|di)是图片di通过计算得到的关于发图者主题特征语料库中高频名词pk的概率;
S7:根据每张图片计算得到的P(di|vj;θ)对多张图片进行排序,并选取P(di|vj;θ)的值较高的图片进行发布。根据每张图片计算得到的P(di|vj;θ),P(di|vj;θ)为读图者情感vj下每幅图片所传递的主题与其预测得到的读图者情感之间的契合度,数值越大,则说明该图片越能激发读图者产生情感vj,由此对多张图片进行排序并发布。
具体地,上述实施例中图片的自定义信息包括图片标题、图片标识和图片描述信息。
参见附图2,本实施例中图片的情感倾向性分值的得出包括以下步骤:
a、在图片评论内容中表征情感倾向性的形容词中,选取情感极性绝对值大于0.1的形容词作为情感倾向形容词;
b、分析每个情感倾向形容词的正面或负面强度,并将其量化为[-1,+1]区间内的分值;
c、将每个情感倾向形容词所得分值进行累加,得到图片的情感倾向性分值。
具体地,上述实施例中图片评论内容中正面情绪的形容词为情感极性值大于0.1的情感倾向形容词。
具体地,情感分析工具为开源情感分析工具SentiWordNet。SentiWordNet是一种用于意见挖掘的词汇资源,SentiWordNet可以根据情感分数将分析内容划分为三类:积极性、消极性和客观性。
具体地,图片网站为设有发图者图片编辑区和读图者图片评论区的图片分享网站。本实施例中提到的图片网站为雅虎旗下图片分享网站Flickr,Flickr可以为用户提供全面的、一流的、高效的图片服务,包括图片的上传与存放、分类、加标签、图片搜索功能。
具体地,预设的读图者情感主题特征语料库中正面情绪的形容词为从实际的读图者情感主题特征语料库中抽取的部分或者全部正面情绪的形容词。
下面对本实施例提供的方法在实际应用中的过程及效果做具体描述。
本实施例以北京市为旅游目的地城市,用量化分析的方法为北京市目的地图片推荐给出建议。通过文本分析,一共摘取出42个发图者主题特征语料库中的高频名词,包括forbidden、palace、summer、temple等。因为高频词只能是单个的单词,所以会出现两个高频词其实是某地英文名中的不同单词的现象。通过分析,42个高频名词实际为关键地点的英文名的不同组成部分,这些地点包括紫禁城(故宫)、颐和园、长城、奥林匹克公园等。
另外,通过文本分析摘取出了10个读图者主题特征语料库中正面情绪的形容词,其中包括great、beautiful、wonderful等,但囿于篇幅限制仅选择其中7个进行图片排序结果展示。以关键词为条件对任意7组图片进行了排序,每组图片有十张,某些组中的个别图片可能重复,但并不影响整体排序以及分析。在此我们将会分析哪些图片分别与这些读图者主题特征语料库中正面情绪的形容词相关度最高,以及第一张图片比最后一张图片排序靠前的原因,最后综合各个VAC关键词的分析对北京市目的地营销内容选择给出建议。
Amazing组的图片,出现频率最高的建筑类照片,一共6张,其次是人物类照片2张,剩下分别为文化类和景观类照片。排序靠前的图片内容有古建筑、长城、国家大剧院、市民生活等。使观众感到amazing的主要有两种风格,一是展现北京市光鲜的美,二是展现市民的真实生活。排序第一的图片主题为工作到深夜的普通劳动者,相比排序最后一名的静态景观,更能用真实打动人。建筑类的图片内容大部分选择了北京地标式建筑,说明外国游客对地标建筑的认可度很高。
Awesome组的图片和amazing组的图片大同小异,出现频率最高的依旧是建筑类图片,累计出现7张,出镜率最高的为长城和鸟巢,其次是市井街道。剩下的图片内容包括文化类和其他类。排序第一的图片内容为长城,和排序最后的北京市厕所运动相比,毫无疑问要更“awesome”,这再一次印证了本文的图片推荐算法是可行、可信的。
Excellent组的图片延续了前两个正面情绪的形容词的统计结果,依旧是建筑类图片占大多数。排名第二(水袖)、第六(奔奔车)的图片内容均为国外所没有的“中国特色”,比最后三张图片(内容都是传统建筑)rank值要高,这说明具有鲜明中国特色的事物是外国游客的爽点,较为普通的、没有高辨识度的事物并不能激起外国游客的兴趣。
Fantastic、impressive所显示的结果与amazing、awesome、excellent类似,从这些词的英文原意看,它们的意思也是相近的,都表达了赞美、惊叹等情感。在这两组图片中,长城依旧是出现频率最高的,且排名都很靠前,表明长城作为中华民族的象征,在外国游客心中是最能代表中国的景观,也是最受欢迎的景观之一。同时,展现北京市现代化建设的图片也被外国游客所喜爱,在fantastic组中,排序第一、第二的图片内容均为现代化的北京,而在impressive组中,排序第五的图片展示了鸟巢。历史文化类的图片虽然出现次数比如建筑类,但是排序值较高。
与前五个VAC的结果相比,interesting所反映出来的图片内容要更多元、更贴近生活。在这一组图片中,尽排序第四和最后的两张图片内容是传统建筑,其他均为人物类、生活类图片,内容跨度很大。
最后,尽管北京市周边具有不错的自然旅游资源,在本次研究中却鲜少发现拍摄北京市自然风光的照片,仅有的两张出现在wonderful组。Wonderful组出现最多的是建筑类图片和人物类图片。这说明外国游客对北京的定位不是一个自然观光游的目的地,而是文化旅游目的地。
综合本次实施例选取的7个读图者主题特征语料库中正面情绪的形容词,amazing、awesome、excellent、fantastic、impressive、interesting和wonderful,能引起外国游客兴趣的图片大致可以分为三类:建筑类,包括传统古建筑和现代化地标建筑,长城、故宫、鸟巢和国家大剧院是较受欢迎的几个选项;文化类,包括文物、文化活动、传统工艺等;生活类,主要为北京市民日常生活。这7组图片中排序靠前的图片具有的共同点就是它们的拍摄效果都很优秀,说明照片拍摄技术也是决定图片吸引力的重要因素之一。
本实施例针对现有图片选择较为主观,缺乏对受众认知的分析等缺点,采用了一种可量化的旅游目的地图片推荐方法,通过读图者情感主题特征语料库和发图者主题特征语料库的建立,并通过二者的关联模型计算每幅图片所传递的主题与其预测得到的读图者情感之间的契合度,从而给出一套图片排序结果供DMO营销参考,为目的地图片推荐素材的选择提供了一套可量化的大数据推荐框架,可以从受众的视角,推荐最能打动受众的图片内容进行目的地图片推荐,能够大大提高营销质量,并对不同客源地进行差异化精准图片推荐。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种旅游目的地图片推荐方法,其特征在于,包括以下步骤:
1)在图片网站上获取以目的地为关键字的多张图片及每张图片对应的图片评论内容;
2)采用情感分析工具对步骤1)获取的每张图片对应的图片评论内容分别进行分析,获取其中表征情感倾向性的形容词,根据表征情感倾向性的形容词得到图片的情感倾向性分值,并进一步统计图片评论内容中正面情绪的形容词出现的频率;
3)选取情感倾向性分值最高及图片评论内容中正面情绪的形容词出现的频率最高的图片作为有效图片,并将有效图片对应的图片评论内容中正面情绪的形容词进行存储,得到实际的读图者情感主题特征语料库;
4)对图片网站上图片的自定义信息进行词频分析,提取图片的自定义信息中出现的高频名词,并将高频名词进行存储,得到发图者主题特征语料库;
5)预设读图者情感主题特征语料库中正面情绪的形容词,得到发图者主题特征语料库中高频名词出现的概率;
6)在得到发图者主题特征语料库中高频名词出现的概率的前提下,计算每张图片的发图者主题特征语料库中高频名词与预设的读图者情感主题特征语料库中正面情绪的形容词之间的最大似然估计值;
7)根据每张图片计算得到最大似然估计值,对多张图片进行排序,并选取最大似然估计值较高的图片进行发布。
2.根据权利要求1所述的一种旅游目的地图片推荐方法,其特征在于,所述图片的自定义信息包括发图者编辑的图片标题、图片标识和图片描述信息。
3.根据权利要求1所述的一种旅游目的地图片推荐方法,其特征在于,图片的所述情感倾向性分值的得出包括以下步骤:
(1)在图片评论内容中表征情感倾向性的形容词中,选取情感极性绝对值大于0.1的形容词作为情感倾向形容词;
(2)分析每个情感倾向形容词的正面或负面强度,并将其量化为[-1,+1]区间内的分值;
(3)将每个情感倾向形容词所得分值进行累加,得到图片的情感倾向性分值。
4.根据权利要求3所述的一种旅游目的地图片推荐方法,其特征在于,图片评论内容中所述正面情绪的形容词为情感极性值大于0.1的情感倾向形容词。
5.根据权利要求1所述的一种旅游目的地图片推荐方法,其特征在于,所述情感分析工具为开源情感分析工具SentiWordNet。
6.根据权利要求1所述的一种旅游目的地图片推荐方法,其特征在于,所述图片网站为设有发图者图片编辑区和读图者图片评论区的图片分享网站。
7.根据权利要求1所述的一种旅游目的地图片推荐方法,其特征在于,所述预设的读图者情感主题特征语料库中正面情绪的形容词为从实际的读图者情感主题特征语料库中抽取的部分或者全部正面情绪的形容词。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810772310.3A CN109213852B (zh) | 2018-07-13 | 2018-07-13 | 一种旅游目的地图片推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810772310.3A CN109213852B (zh) | 2018-07-13 | 2018-07-13 | 一种旅游目的地图片推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109213852A CN109213852A (zh) | 2019-01-15 |
CN109213852B true CN109213852B (zh) | 2021-10-22 |
Family
ID=64990049
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810772310.3A Active CN109213852B (zh) | 2018-07-13 | 2018-07-13 | 一种旅游目的地图片推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109213852B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110083726B (zh) * | 2019-03-11 | 2021-10-22 | 北京比速信息科技有限公司 | 一种基于ugc图片数据的目的地形象感知方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020116A (zh) * | 2012-11-13 | 2013-04-03 | 中国科学院自动化研究所 | 在社交媒体网络上自动筛选有影响力用户的方法 |
CN105512326A (zh) * | 2015-12-23 | 2016-04-20 | 成都品果科技有限公司 | 一种图片推荐的方法及系统 |
CN106202252A (zh) * | 2016-06-29 | 2016-12-07 | 厦门趣处网络科技有限公司 | 一种基于用户情绪分析的出行推荐方法、系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013257696A (ja) * | 2012-06-12 | 2013-12-26 | Sony Corp | 情報処理装置、情報処理方法、及び、プログラム |
-
2018
- 2018-07-13 CN CN201810772310.3A patent/CN109213852B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020116A (zh) * | 2012-11-13 | 2013-04-03 | 中国科学院自动化研究所 | 在社交媒体网络上自动筛选有影响力用户的方法 |
CN105512326A (zh) * | 2015-12-23 | 2016-04-20 | 成都品果科技有限公司 | 一种图片推荐的方法及系统 |
CN106202252A (zh) * | 2016-06-29 | 2016-12-07 | 厦门趣处网络科技有限公司 | 一种基于用户情绪分析的出行推荐方法、系统 |
Non-Patent Citations (1)
Title |
---|
一种面向旅游研究的海量图片元数据分析系统——以罗马为例;邓宁;《旅游导刊》;20171231;第34-47页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109213852A (zh) | 2019-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104933113B (zh) | 一种基于语义理解的表情输入方法和装置 | |
TWI543007B (zh) | 將詞彙知識併入支援向量機學習以改良情緒分類 | |
CN109933664B (zh) | 一种基于情感词嵌入的细粒度情绪分析改进方法 | |
WO2020253591A1 (zh) | 运用标签知识网络的搜索方法及装置 | |
CN107180045B (zh) | 一种互联网文本蕴含地理实体关系的抽取方法 | |
WO2017041370A1 (zh) | 基于人工智能的人机聊天方法和装置 | |
CN109902912B (zh) | 一种基于性格特征的个性化图像美学评价方法 | |
Rudinac et al. | Learning crowdsourced user preferences for visual summarization of image collections | |
Peng et al. | Perceiving Beijing’s “city image” across different groups based on geotagged social media data | |
CN104537028B (zh) | 一种网页信息处理方法及装置 | |
CN1372669A (zh) | 对普通声频可视数据信号描述的基本实体关系模型 | |
CN108829661A (zh) | 一种基于模糊匹配的新闻主体名称提取方法 | |
CN109492168A (zh) | 一种基于旅游照片的可视化旅游兴趣推荐信息生成方法 | |
Maybury | Multimedia information extraction: Advances in video, audio, and imagery analysis for search, data mining, surveillance and authoring | |
CN112084401A (zh) | 一种旅游路线定制装置及方法 | |
CN109408726A (zh) | 问答网站中问题回答者推荐方法 | |
KR101543680B1 (ko) | 인터넷을 활용한 개체 검색과 이를 위한 하이브리드 기반의 의견분석 시스템 및 그 방법 | |
CN109213852B (zh) | 一种旅游目的地图片推荐方法 | |
Kisilevich et al. | “Beautiful picture of an ugly place”. Exploring photo collections using opinion and sentiment analysis of user comments | |
CN110781300A (zh) | 基于百度百科知识图谱的旅游资源文化特色评分算法 | |
CN110958472A (zh) | 视频点击量评级预测方法、装置、电子设备及存储介质 | |
CN113298367A (zh) | 一种主题公园感知价值评估方法 | |
Vu et al. | Abroad-at-Home: Identifying domestic tourism locations for overseas-like travel experiences by leveraging concept modeling | |
CN110083726B (zh) | 一种基于ugc图片数据的目的地形象感知方法 | |
CN109446399A (zh) | 一种影视实体搜索方法 |
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 |