CN109919459B - 一种面向社交网络对象间影响力度量的方法 - Google Patents

一种面向社交网络对象间影响力度量的方法 Download PDF

Info

Publication number
CN109919459B
CN109919459B CN201910128289.8A CN201910128289A CN109919459B CN 109919459 B CN109919459 B CN 109919459B CN 201910128289 A CN201910128289 A CN 201910128289A CN 109919459 B CN109919459 B CN 109919459B
Authority
CN
China
Prior art keywords
influence
node
path
sum
network
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
CN201910128289.8A
Other languages
English (en)
Other versions
CN109919459A (zh
Inventor
胡瑞敏
潘翔
李登实
胡文怡
詹泽行
王晓晨
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN201910128289.8A priority Critical patent/CN109919459B/zh
Publication of CN109919459A publication Critical patent/CN109919459A/zh
Application granted granted Critical
Publication of CN109919459B publication Critical patent/CN109919459B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种面向社交网络对象间影响力度量的方法，首选对两节点的所有路径(M，K)paths进行枚举，然后再对每一条路径找出所有的子路径RF并计算子路径上的路径影响因子RIF(in→in+1)，其中路径影响力因子RIF(in→in+1)为子路径上的节点属性影响力IN(in→in+1)与边属性影响力IE(in→in+1)之和，而节点属性影响力为影响力起始节点的影响力向量
Figure DDA0001974329850000011
与终止节点的被影响力向量
Figure DDA0001974329850000012
转置的乘积，边属性影响力为节点之间的相似度S(in，in+1)与边权重W(in，in+1)的e指数之积，表示为：
Figure DDA0001974329850000013
计算路径上的影响力In_Fpath(M→K)为该路径上所有的路径影响因子之积，最后找出影响力最大的那条路径Pathmax(M→K)的影响力表征为节点之间的影响力In_F(M→K)，其中该路径Pathmax(M→K)为从M到K影响力最大的路径。

Description

一种面向社交网络对象间影响力度量的方法
技术领域
本发明属于计算机网络技术领域，涉及一种面向社交网络对象间影响力度量的方法，适用于大规模网络中度量任意两节点之间的影响力。
背景技术
随着社交网络的飞速发展，越来越多的人开始在提供社交服务的网站与应用(Facebook，Twitter，Weibo和微信)上进行相关社交活动，丰富的社交活动让用户之间的交流变得频繁起来，并产生了海量的用户数据，使得社交网络影响力分析有了数据基础。社交网络影响力分析一直是网络科学技术领域的一大热门研究方向，从最早的六度分离理论到现在的个性化用户影响力分析，社会影响力分析在许多领域都有丰富的应用，比如市场营销，病毒预防扩散，舆论监督，防暴反恐等。目前已经有许多相关的研究项目与成果。然而这些研究有一大部分是针对全局影响力进行研究的，少部分是基于某种特定行为或主题分析并度量网络中所有连边的影响力方向与大小，不能计算跨节点用户之间的影响力。本发明提出了一种新的方法去度量任意用户(包括相邻节点与非相邻节点)之间的影响力。
分析并找出对特定用户K影响力最大的朋友和朋友集合，意义重大，并且可以应用于很多领域，比如在个性化的广告营销中，本发明针对我们感兴趣的目标用户推荐与该用户有可能感兴趣的商品或者地点，然而有些时候，因为某种原因，用户并没有见到或者受到这些广告或者本身就天性排斥这些广告，这样就会导致广告的推销效率变得低下甚至为零。因此，本发明考虑一种新的方案，首先找出对该用户影响力最大的朋友用户集合(比如前十个)，再将相关广告推销到这些具有影响力的朋友用户上，那么朋友用户就可能会将这些信息推荐给目标用户，基于朋友之间的信任关系，目标用户会更愿意相信他的朋友，于是便能提高个性化广告的推销效率。
发明内容
针对传统研究领域不能计算跨节点用户计算节点之间的影响力，本发明提出一种能够在全网络中计算相邻与非相邻节点之间的影响力的方法，该方法不需要基于某种行为或主题，不需要丰富的语义数据，数据源要求简单，算法简单，计算复杂度低且准确度较高。
本发明所采用的技术方案是：一种面向社交网络对象间影响力度量的方法，其特征在于，包括以下步骤：
步骤1：提取目标用户K的朋友圈，记目标用户K为目标节点K；
步骤2：制作目标节点K的三阶友谊网络，记为K-Three-ego-network；
步骤3：在K-Three-ego-network中，以某节点用户为起始节点M，搜寻从起始节点M到目标节点K所有三阶以内可达有向路径valid_paths，若没有三阶路径，则起始节点M对目标节点K的影响力为0；
步骤4：对valid_paths中的每一条可达有向路径，计算该路径上的影响力值；
步骤5：计算起始节点M到目标节点K的影响力，选择起始节点M到目标节点K的所有路径中影响力最大的路径的影响力作为起始节点M到目标节点K的影响力；
步骤6：重复回转执行步骤3，选择其他节点作为影响力的起始节点，直到所有节点都计算完毕。
本发明的核心思想在于首次引入了影响力与被影响力的概念，通过构造影响力节点in的影响力向量与邻接被影响节点in+1的被影响力向量，两者的乘积表示为节点属性层级影响力，充分利用和表达了节点的各个维度的中心性；并加入节点之间的相似度与权重的指数积表征为节点之间边属性的影响力，充分表达了节点之间实际互动程度，这种方式相对于传统的直接利用中心性指标表达相邻节点之间影响力的方法更加合理准确且全面。
为了计算跨节点之间的影响力，本发明首先引入了路径影响因子的概念，为相邻节点之间的节点属性层级影响力与边属性层级影响力，并采用一种路径影响的方法，具体而言就是找出起始节点M到终止目标节点K路径影响力最大的那条路径，也称为影响力最大路径，单条路径的影响力计算方法为路径上所有路径影响因子之积。路径影响方案更符合现实生活中人群之间信息的传播方式，也符合影响力的传播方式，而目前计算跨节点影响力的研究基本属于空白，本发明填补了这一空白。
在应用实例中，本发明依据“三度影响力”原理(也即一个特定的人的影响力只能传递到其朋友的朋友的朋友)，本发明在大网络中以目标节点K为中心提取其三阶子网，相对于传统的方法(直接在全网中搜寻)大大降低了网络的规模，使得计算更加高效快速。
附图说明
图1为本发明实施例的流程图；
图2为本发明实施例目标用户K的朋友圈提取过程示意图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
本发明为度量社交网络中任意节点之间的影响力，一是在社交网络中找到针对目标节点K影响力最大的节点Mmax和节点集合Mtop-k，也就是针对目标节点K的个性化影响力最大化。二是针对目标节点在找到影响力最大节点后，找到一条从Mmax到目标节点K的最大影响路径Pathmax。
请见图1，本发明提供的一种面向社交网络对象间影响力度量的方法，包括以下步骤：
步骤1：提取目标用户K的朋友圈，记目标用户K为目标节点K；
请见图2，输入社交网络(比如Facebook)与目标节点K，首先找出网络中所有的极大团，其中节点数高于3的团为极大团；以目标节点K为起点，先找出目标节点K的临近团，再以该临近团基于团渗透算法(CPM)中的连通性规则向外拓展找团，最后直到这些团不能再扩展，最终连通在一起的就是目标节点K的朋友圈。
步骤2：制作目标节点K的三阶友谊网络，记为K-Three-ego-network；
以目标节点K为中心，找出目标节点K的邻居朋友，搜集连边，再以这些邻居朋友为中心，找出这些邻居朋友的邻居朋友，并搜集连边，再以这些邻居朋友的邻居朋友为中心，找出邻居朋友的邻居朋友的邻居朋友，并搜集连边，制作目标节点K的三阶友谊网络。
步骤3：在K-Three-ego-network中，以某节点用户为起始节点M，搜寻从起始节点M到目标节点K所有三阶以内可达有向路径valid_paths，若没有三阶路径，则起始节点M对目标节点K的影响力为0；
步骤4：对valid_paths中的每一条可达有向路径，计算该路径上的影响力值；
具体实现包括以下子步骤：
步骤4.1：找出有向路径中的所有子路径，称为路径因子，记作RF；
步骤4.2：计算所有子路径中的相邻节点(in,in+1)的影响力
Figure BDA0001974329830000041
与被影响力
Figure BDA0001974329830000042
其中，在节点属性影响力中，初节点in的影响力表示为节点中心性指标：度D、加权度WD、网页排名中心性Pr(PageRank_centrality)、紧密度中心性Cl、中介中心性Be、向量中心性Ei这六个维度所组成的向量并归一化，表示为：
Figure BDA0001974329830000043
其中，|v|为K-Three-ego-network中所有节点，
Figure BDA0001974329830000044
表示为影响力节点in的度，Dm表示为三阶子网中其他节点的度，其他指标依次类推；运算符|V|表示为三阶子网中的所有节点组成的集合，运算符[]表示为向量。
而末节点in+1的被影响力
Figure BDA0001974329830000045
表示为：
Figure BDA0001974329830000046
其中，N(k)表示k的邻居节点；
假设in+1的所有邻居中在中心性的各个指标的和分别为：
dsum,wsum,psum,csum,bsum,esum；
而K-Three-ego-network网络中邻居在各个指标的和最大值分别为：
dsum_max,wsum_max,psum_max,csum_max,bsum_max,esum_max；
则in+1的被影响力表示为：
Figure BDA0001974329830000047
步骤4.3：计算节点属性影响力IN(in→in+1)与节点关系强度影响力IE(in→in+1)；
Figure BDA0001974329830000051
Figure BDA0001974329830000052
dsum,wsum,psum,csum,bsum,esum分别为被影响节点in+1的所有邻居的度D、加权度WD、网页排名中心性Pr(PageRank_centrality)、紧密度中心性Cl、中介中心性Be、向量中心性Ei的和；
Figure BDA00019743298300000510
为节点对(in,in+1)之间的相似度；
Figure BDA0001974329830000053
其中N(in)与N(in+1)分别为初节点in与末节点in+1的邻居节点的集合，符号||表示集合的数目。
在这里，本实施例计算相似度采用simrank方法(由MIT实验室的Glen Jeh和Jennifer Widom教授在2002年首先提出，不仅可以计算相邻节点的相似度还能计算非相邻节点的相似度)，具体迭代计算方法为：
Figure BDA0001974329830000054
Figure BDA0001974329830000055
其中，节点a,b为网络中任意节点，
Figure BDA0001974329830000056
表示初始化状态，C为定常数，N(a)与N(b)分别为初节点a与末节点b的邻居节点，|N(a)|表示为节点a的邻居节点的个数，|N(b)|表示为节点b的邻居节点的个数。
Figure BDA0001974329830000057
为节点对(in,in+1)之间的权重值。
假设(in,in+1)的相似度为S，权重为W，三阶子网中相邻节点对的乘积最大值为(s*ew)max，那么关系强度影响力为：
Figure BDA0001974329830000058
步骤4.4：计算子路径的路径影响力因子；
Figure BDA0001974329830000059
步骤4.5：计算valid_paths中每一条路径path的影响力分数In_Fpath(M1→K)；
Figure BDA0001974329830000061
其中，M1为起始节点M；In_Fpath(M1→K)为可达路径上的所有子路径的路径影响因子RIF之积。
步骤5：计算起始节点M到目标节点K的影响力，选择起始节点M到目标节点K的所有路径中影响力最大的路径的影响力作为起始节点M到目标节点K的影响力；
起始节点M到目标节点K的影响力为：
Figure BDA0001974329830000062
步骤6：重复回转执行步骤3，选择其他节点作为影响力的起始节点，直到所有节点都计算完毕。
待所有节点计算完毕后，找到影响力最大的节点Usermax与排名前h个用户Usertop_h。
Figure BDA0001974329830000063
Figure BDA0001974329830000064
其中，|v|表示K-Three-ego-network网络中的所有节点。
计算影响力最大的节点Usermax到目标节点K的最大影响力路径Pathmax为：
Figure BDA0001974329830000065
其中，path属于Usermax到K的所有可达三阶有向路径。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (7)

1.一种面向社交网络对象间影响力度量的方法，其特征在于，包括以下步骤：
步骤1：提取目标用户K的朋友圈，记目标用户K为目标节点K；
步骤2：制作目标节点K的三阶友谊网络，记为K-Three-ego-network；
步骤3：在K-Three-ego-network中，以某节点用户为起始节点M，搜寻从起始节点M到目标节点K所有三阶以内可达有向路径valid_paths，若没有三阶路径，则起始节点M对目标节点K的影响力为0；
步骤4：对valid_paths中的每一条可达有向路径，计算该路径上的影响力值；
步骤4的具体实现包括以下子步骤：
步骤4.1：找出有向路径中的所有子路径，称为路径因子，记作RF；
步骤4.2：计算所有子路径中的相邻节点(in，in+1)的影响力
Figure FDA0003579367930000011
与被影响力
Figure FDA0003579367930000012
其中，在节点属性影响力中，初节点in的影响力表示为节点中心性指标：度D、加权度WD、网页排名中心性Pr、紧密度中心性Cl、中介中心性Be、向量中心性Ei这六个维度所组成的向量并归一化，表示为：
Figure FDA0003579367930000013
其中，|v|为K-Three-ego-network中所有节点，
Figure FDA0003579367930000016
表示为影响力节点in的度，Dm表示为三阶子网中其他节点的度，其他指标依次类推；运算符|V|表示为三阶子网中的所有节点组成的集合，运算符[]表示为向量；
而末节点in+1的被影响力向量
Figure FDA0003579367930000014
友示为：
Figure FDA0003579367930000015
其中，N(k)表示k的邻居节点；
假设in+1的所有邻居中在中心性的各个指标的和分别为：
dsum，wsum，psum，csum，bsum，esum；
而K-Three-ego-network网络中邻居在各个指标的和最大值分别为：
dsum_max，wsum_max，psum_max，csum_max，bsum_max，esum_max；
则in+1的被影响力表示为：
Figure FDA0003579367930000021
步骤4.3：计算节点属性影响力IN(in→in+1)与节点关系强度影响力IE(in→in+1)；
Figure FDA0003579367930000022
Figure FDA0003579367930000023
其中，dsum，wsum，psum，csum，bsum，esum分别为被影响节点in+1的所有邻居的度D、加权度WD、网页排名中心性Pr、紧密度中心性Cl、中介中心性Be、向量中心性Ei的和；
Figure FDA0003579367930000024
为节点对(in，in+1)之间的相似度；
Figure FDA0003579367930000025
其中N(in)与N(in+1)分别为初节点in与末节点in+1的邻居节点的集合，符号||表示集合的数目；
Figure FDA0003579367930000026
为节点对(in，in+1)之间的权重值；
假设(in，in+1)的相似度为S，权重为W，三阶子网中相邻节点对的乘积最大值为(s*ew)max，那么关系强度影响力为：
Figure FDA0003579367930000027
步骤4.4：计算子路径的路径影响力因子；
Figure FDA0003579367930000028
步骤4.5：计算valid_paths中每一条路径path的影响力分数In_Fpath(M1→K)；
Figure FDA0003579367930000029
其中，M1为起始节点；In_Fpath(M1→K)为可达路径上的所有子路径的路径影响因子RIF之积；
步骤5：计算起始节点M到目标节点K的影响力，选择起始节点M到目标节点K的所有路径中影响力最大的路径的影响力作为起始节点M到目标节点K的影响力；
步骤6：重复回转执行步骤3，选择其他节点作为影响力的起始节点，直到所有节点都计算完毕。
2.根据权利要求1所述的面向社交网络对象间影响力度量的方法，其特征在于，步骤1的具体实现过程是：输入社交网络与目标节点K，首先找出网络中所有的极大团，其中节点数高于3的团为极大团；以目标节点K为起点，先找出目标节点K的临近团，再以该临近团基于团渗透算法中的连通性规则向外拓展找团，最后直到这些团不能再扩展，最终连通在一起的就是目标节点K的朋友圈。
3.根据权利要求1所述的面向社交网络对象间影响力度量的方法，其特征在于，步骤2的具体实现过程是：以目标节点K为中心，找出目标节点K的邻居朋友，搜集连边，再以这些邻居朋友为中心，找出这些邻居朋友的邻居朋友，并搜集连边，再以这些邻居朋友的邻居朋友为中心，找出邻居朋友的邻居朋友的邻居朋友，并搜集连边，制作目标节点K的三阶友谊网络。
4.根据权利要求1所述的面向社交网络对象间影响力度量的方法，其特征在于，步骤5中起始节点M到目标节点K的影响力为：
Figure FDA0003579367930000031
5.根据权利要求4所述的面向社交网络对象间影响力度量的方法，其特征在于：步骤7中，
Figure FDA0003579367930000032
Figure FDA0003579367930000033
其中，|v|表示K-Three-ego-network网络中的所有节点。
6.根据权利要求1-5任意一项所述的面向社交网络对象间影响力度量的方法，其特征在于：待所有节点计算完毕后，找到影响力最大的节点Usermax与排名前h个用户Usertop_h。
7.根据权利要求6所述的面向社交网络对象间影响力度量的方法，其特征在于：影响力最大的节点Usermax到目标节点K的最大影响力路径Pathmax为：
Figure FDA0003579367930000041
其中，path属于Usermax到K的所有可达三阶有向路径。
CN201910128289.8A 2019-02-21 2019-02-21 一种面向社交网络对象间影响力度量的方法 Active CN109919459B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910128289.8A CN109919459B (zh) 2019-02-21 2019-02-21 一种面向社交网络对象间影响力度量的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910128289.8A CN109919459B (zh) 2019-02-21 2019-02-21 一种面向社交网络对象间影响力度量的方法

Publications (2)

Publication Number Publication Date
CN109919459A CN109919459A (zh) 2019-06-21
CN109919459B true CN109919459B (zh) 2022-05-13

Family

ID=66961914

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910128289.8A Active CN109919459B (zh) 2019-02-21 2019-02-21 一种面向社交网络对象间影响力度量的方法

Country Status (1)

Country Link
CN (1) CN109919459B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110417594B (zh) * 2019-07-29 2020-10-27 吉林大学 网络构建方法、装置、存储介质及电子设备
CN111782963B (zh) * 2020-06-15 2024-03-19 中国铁塔股份有限公司 一种基于sns的社交网络数据挖掘方法及系统、服务设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102346766A (zh) * 2011-09-20 2012-02-08 北京邮电大学 基于极大团发现的网络热点话题检测方法及装置
CN103914493A (zh) * 2013-01-09 2014-07-09 北大方正集团有限公司 一种微博用户群体结构发现分析方法及系统
CN105869054A (zh) * 2016-03-23 2016-08-17 哈尔滨工程大学 基于三度影响力原则的社会网络影响力最大化的方法
CN106878174A (zh) * 2017-03-21 2017-06-20 哈尔滨工程大学 基于中介中心性的网络传播节点影响力发现方法
CN109005055A (zh) * 2018-07-16 2018-12-14 西安交通大学 基于多尺度拓扑空间的复杂网络信息节点重要度评价方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140310058A1 (en) * 2011-11-07 2014-10-16 New York University Identifying Influential and Susceptible Members of Social Networks

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102346766A (zh) * 2011-09-20 2012-02-08 北京邮电大学 基于极大团发现的网络热点话题检测方法及装置
CN103914493A (zh) * 2013-01-09 2014-07-09 北大方正集团有限公司 一种微博用户群体结构发现分析方法及系统
CN105869054A (zh) * 2016-03-23 2016-08-17 哈尔滨工程大学 基于三度影响力原则的社会网络影响力最大化的方法
CN106878174A (zh) * 2017-03-21 2017-06-20 哈尔滨工程大学 基于中介中心性的网络传播节点影响力发现方法
CN109005055A (zh) * 2018-07-16 2018-12-14 西安交通大学 基于多尺度拓扑空间的复杂网络信息节点重要度评价方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Social influence maximization under empirical;Sinan Aral;《nature human behaviour》;20180630;全文 *
基于影响路径的个性化影响最大化算法;杨书新等;《计算机工程与科学》;20160615(第06期);全文 *
异构社会网络中基于节点影响力传播的可重叠社团发现;赵玉蓉等;《小型微型计算机系统》;20151015(第10期);第1129-1132页 *
社会影响力分析综述;张静等;《中国科学:信息科学》;20170820(第08期);全文 *

Also Published As

Publication number Publication date
CN109919459A (zh) 2019-06-21

Similar Documents

Publication Publication Date Title
CN110532436B (zh) 基于社区结构的跨社交网络用户身份识别方法
CN103577549B (zh) 一种基于微博标签的人群画像系统和方法
Li et al. Privacy leakage via de-anonymization and aggregation in heterogeneous social networks
Li et al. Exploiting similarities of user friendship networks across social networks for user identification
US11514063B2 (en) Method and apparatus of recommending information based on fused relationship network, and device and medium
CN107169873B (zh) 一种多特征融合的微博用户权威度评价方法
CN101916256A (zh) 综合行动者兴趣与网络拓扑的社区发现方法
CN107562947A (zh) 一种移动时空感知下动态即时推荐服务模型建立方法
Dhelim et al. ComPath: User interest mining in heterogeneous signed social networks for Internet of people
KR101356948B1 (ko) Ｓｎｓ에서 사회적 이웃의 관심사와 사회적 활동의 토픽을 통해 사용자 관심사를 추론하는 방법 및 그 시스템
CN109919459B (zh) 一种面向社交网络对象间影响力度量的方法
CN112000763B (zh) 兴趣点竞争关系确定方法、装置、设备和介质
Ju et al. Relationship strength estimation based on Wechat Friends Circle
Xing et al. A survey of across social networks user identification
CN105447193A (zh) 一种基于机器学习和协同过滤的音乐推荐系统
Zhenzhen et al. Cross-domain item recommendation based on user similarity
Chen et al. Understanding the user behavior of foursquare: A data-driven study on a global scale
CN103744933A (zh) 一种基于并行化模块度优化的社区发现方法
He et al. A binary-search-based locality-sensitive hashing method for cross-site user identification
Zhang et al. Self-supervised contrastive learning on heterogeneous graphs with mutual constraints of structure and feature
KR101910424B1 (ko) 태그의 감성 분석을 이용한 영화 평점 예측 방법, 이를 수행하기 위한 기록 매체 및 장치
Zhu et al. Roles of degree, H-index and coreness in link prediction of complex networks
CN112035545B (zh) 一种考虑非活跃节点和社区边界的竞争影响力最大化方法
Bok et al. Recommending similar users using moving patterns in mobile social networks
Qin et al. A two-stagse approach for social identity linkage based on an enhanced weighted graph model

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