CN110532569A - 一种基于中文分词的数据碰撞方法及系统 - Google Patents
一种基于中文分词的数据碰撞方法及系统 Download PDFInfo
- Publication number
- CN110532569A CN110532569A CN201910835288.7A CN201910835288A CN110532569A CN 110532569 A CN110532569 A CN 110532569A CN 201910835288 A CN201910835288 A CN 201910835288A CN 110532569 A CN110532569 A CN 110532569A
- Authority
- CN
- China
- Prior art keywords
- data
- word
- word segmentation
- chinese word
- collision
- 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.)
- Granted
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
- G06F16/33—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于中文分词的数据碰撞方法及系统,属于机器学习领域,本发明要解决的技术问题为如何能够简单高效的处理自然语言文本相似性,满足大数据场景下的时效性需求,采用的技术方案为:①该方法步骤如下:S1、数据预处理,将待碰撞的数据存入内存或HDFS;S2、待碰撞的数据使用Lucene存在内存或者直接用ES存储在分布式计算引擎Spark上遍历待碰撞数据;S3、针对每一条数据,从Lucene或ES预搜索近似数据,针对每一条数据,从Lucene或ES;S4、对待碰撞的数据和搜索得到的结果进行中文分词;S5、计算相似性评分;S6、输出碰撞结果。②该系统包括,存储模块、计算模块、近似数据预搜索模块、中文分词模块、相似性评分模块及碰撞结果输出模块。
Description
技术领域
本发明涉及机器学习领域,具体地说是一种基于中文分词的数据碰撞方法及系统。
背景技术
中文分词是指将一个语句中的汉字序列拆分成多个单独的词语,而分词就是将连续的字序列按照特定的规则重新组合成词序列的过程。
不同部门的数据对同一实体对象的描述往往不同,给部门间的数据流通(交流)造成很大困难。数据量较小的时候可以通过人工标注来解决,但在当今动辄数百万,上千万数据量的情况下,人工标注的方式显然是不可能的。因此建立一种方法,准确、高效地对比实体相似度是非常必要地。
现有的文本相似性依赖自然语言处理的文本相似性计算,对于较长的、有上下文关系的文本相似性比较效果较好,但是对于一二十字以内、拥有较少语义信息的实体名称相似性比较往往不尽如人意。
自然语言处理的文本相似性比较计算复杂度高,效率低,在大数据的场景下难以满足时效性要求。
专利号为CN106970902A的专利文献公开了一种中文分词方法及装置,获取待分词的语句;提取所述语句中与预置数据库中词语匹配的词语;根据自然语句对所述提取词语后的语句进行分词。但是该技术方案不能简单高效的处理自然语言文本相似性,满足大数据场景下的时效性
发明内容
本发明的技术任务是提供一种基于中文分词的数据碰撞方法及系统,来解决如何能够简单高效的处理自然语言文本相似性,满足大数据场景下的时效性需求的问题。
本发明的技术任务是按以下方式实现的,一种基于中文分词的数据碰撞方法,该方法是利用中文分词算法,把要对比的两个实体名称进行中文分词,对比两个实体名称相同的分词个数,根据分词个数计算相似度;具体步骤如下:
S1、数据预处理,将待碰撞的数据存入内存或HDFS;
S2、待碰撞的数据使用Lucene存在内存或者直接用ES存储在分布式计算引擎Spark上遍历待碰撞数据;
S3、针对每一条数据,从Lucene或ES预搜索近似数据,针对每一条数据,从Lucene或ES;
S4、对待碰撞的数据和搜索得到的结果进行中文分词;
S5、计算相似性评分:根据配置的选项,将相似性比较算法和外部规则应用于待碰撞的数据和搜索得到的结果,排除文本中的干扰信息,计算两者的相似性,得到相似性评分;
S6、输出碰撞结果:根据相似性评分及设置的阈值,得出最终的相似性,输出碰撞结果。
作为优选,所述步骤S1中数据预处理具体包括:
去除噪音字符,噪音字符包括空格和括号;
去除预先定义的无需比对的字和词。
作为优选,所述步骤S4中中文分词利用Ansj开源中文分词器,将完整的一句话切割成一个一个的词语的形式。
作为优选,所述步骤S5中配置的选项包括:
无需比对的字和词;
采用的相似性比较算法。
更优地,所述步骤S5中相似性比较算法包括TF-IDF和编辑距离,具体如下:
TF-IDF相似性=词频*逆文档频率;
其中,词频=任一词在所有的数据中出现的次数/所有数据的总次数;
逆文档频率=log(数据总条数/(包含该词的数据条数+1));
编辑距离相似性=(两条数据长度的最大值-两个记录的编辑距离)/两条数据长度的最大值。
作为优选,所述步骤S6中阀值的范围是0-1;根据实际情况,如需要求判别结果尽可能准确,但可能会将同一实体误判为非同一实体,阈值设置尽可能接近1;相反地,阈值设置尽量远离1。
作为优选,所述步骤S6中根据相似性评分及设置的阈值,得出最终的相似性的具体如下:
相似性评分越接近1,最终的相似性越大;
任两条数据相似性评分超过阈值,判定该两条数据为同一实体(即完全相似),判定失误的概率等于1减去相似性评分。
一种基于中文分词的数据碰撞系统,该系统包括,
存储模块,用于针对原始数据的预处理,选择将原始数据存于内存、HDFS或者ES;
计算模块,用于将待碰撞的数据使用Lucene存在内存或者直接用ES存储在分布式计算引擎Spark上遍历待碰撞数据;
近似数据预搜索模块,用于针对每一条数据,从Lucene或ES预搜索近似数据,针对每一条数据,从Lucene或ES;
中文分词模块,用于对待碰撞的数据和搜索得到的结果进行中文分词;
相似性评分模块,用于根据配置的选项,将相似性比较算法和外部规则应用于待碰撞的数据和搜索得到的结果,排除文本中的干扰信息,计算两者的相似性,得到相似性评分;
碰撞结果输出模块,用于根据相似性评分及设置的阈值,得出最终的相似性,输出碰撞结果。
作为优选,所述存储模块包括数据预处理模块,数据预处理模块用于去除数据中的噪音字符以及预先定义的无需比对的字和词;噪音字符包括空格和括号。
更优地,所述相似性比较算法包括TF-IDF和编辑距离,具体如下:
TF-IDF相似性=词频*逆文档频率;
其中,词频=任一词在所有的数据中出现的次数/所有数据的总次数;
逆文档频率=log(数据总条数/(包含该词的数据条数+1));
编辑距离相似性=(两条数据长度的最大值-两个记录的编辑距离)/两条数据长度的最大值。
本发明的基于中文分词的数据碰撞方法及系统具有以下优点:
(1)、本发明提出的基于中文分词的数据碰撞方法,思路清晰,可操作性强,特别适合海量数据的数据集之间找相似实体的情况;先把数据读入内存,根据规则先通过搜索算法缩小数据范围,把相似度为0的先排除在外,再根据中文分词算法把剩余的数据进行相似度的比对,最终按相似度从大到小进行排序,显示比对的结果,提高了文本相似度的计算效率;
(2)、本发明利用搜索算法,根据一定规则缩小数据比对的范围;
(3)、本发明利用中文分词算法对要比对的文本进行分词,根据分词出现的频率比对两个文本的相似度;
(4)、本发明引入外部自定义规则,排除文本中的没有信息量的干扰信息
(5)、本发明利用分布式计算提高碰撞效率;
(6)、本发明的相似性比较算法可以选择字符级别相似性或语义级别相似性,也能综合不同结果进行加权处理,提高了文本相似度的准确性。
附图说明
下面结合附图对本发明进一步说明。
附图1为基于中文分词的数据碰撞方法流程框图;
附图2为基于中文分词的数据碰撞系统的结构框图;
附图3为实施例3碰撞结果示意图。
具体实施方式
参照说明书附图和具体实施例对本发明的一种基于中文分词的数据碰撞方法及系统作以下详细地说明。
实施例:
如附图1所示,本发明的基于中文分词的数据碰撞方法,该方法是利用中文分词算法,把要对比的两个实体名称进行中文分词,对比两个实体名称相同的分词个数,根据分词个数计算相似度;具体步骤如下:
S1、数据预处理,将待碰撞的数据存入内存或HDFS;
S2、待碰撞的数据使用Lucene存在内存或者直接用ES存储在分布式计算引擎Spark上遍历待碰撞数据;
S3、针对每一条数据,从Lucene或ES预搜索近似数据,针对每一条数据,从Lucene或ES;
S4、对待碰撞的数据和搜索得到的结果进行中文分词;
S5、计算相似性评分:根据配置的选项,将相似性比较算法和外部规则应用于待碰撞的数据和搜索得到的结果,排除文本中的干扰信息,计算两者的相似性,得到相似性评分;
S6、输出碰撞结果:根据相似性评分及设置的阈值,得出最终的相似性,输出碰撞结果。
其中,步骤S1中数据预处理具体包括:
去除噪音字符,噪音字符包括空格和括号;
去除预先定义的无需比对的字和词。
步骤S4中中文分词利用Ansj开源中文分词器,将完整的一句话切割成一个一个的词语的形式。
步骤S5中配置的选项包括:
无需比对的字和词;
采用的相似性比较算法。
步骤S5中相似性比较算法包括TF-IDF和编辑距离,具体如下:
TF-IDF相似性=词频*逆文档频率;
其中,词频=任一词在所有的数据中出现的次数/所有数据的总次数;
逆文档频率=log(数据总条数/(包含该词的数据条数+1));
编辑距离相似性=(两条数据长度的最大值-两个记录的编辑距离)/两条数据长度的最大值。
步骤S6中阀值的范围是0-1;根据实际情况,如需要求判别结果尽可能准确,但可能会将同一实体误判为非同一实体,阈值设置尽可能接近1;相反地,阈值设置尽量远离1。步骤S6中根据相似性评分及设置的阈值,得出最终的相似性的具体如下:
相似性评分越接近1,最终的相似性越大;
任两条数据相似性评分超过阈值,判定该两条数据为同一实体(即完全相似),判定失误的概率等于1减去相似性评分。
实施例2:
如附图2所示,本发明的基于中文分词的数据碰撞系统,该系统包括,
存储模块,用于针对原始数据的预处理,选择将原始数据存于内存、HDFS或者ES;
计算模块,用于将待碰撞的数据使用Lucene存在内存或者直接用ES存储在分布式计算引擎Spark上遍历待碰撞数据;
近似数据预搜索模块,用于针对每一条数据,从Lucene或ES预搜索近似数据,针对每一条数据,从Lucene或ES;
中文分词模块,用于对待碰撞的数据和搜索得到的结果进行中文分词;
相似性评分模块,用于根据配置的选项,将相似性比较算法和外部规则应用于待碰撞的数据和搜索得到的结果,排除文本中的干扰信息,计算两者的相似性,得到相似性评分;
碰撞结果输出模块,用于根据相似性评分及设置的阈值,得出最终的相似性,输出碰撞结果。
其中,存储模块包括数据预处理模块,数据预处理模块用于去除数据中的噪音字符以及预先定义的无需比对的字和词;噪音字符包括空格和括号。
更优地,所述相似性比较算法包括TF-IDF和编辑距离,具体如下:
TF-IDF相似性=词频*逆文档频率;
其中,词频=任一词在所有的数据中出现的次数/所有数据的总次数;
逆文档频率=log(数据总条数/(包含该词的数据条数+1));
编辑距离相似性=(两条数据长度的最大值-两个记录的编辑距离)/两条数据长度的最大值。
实施例3:
如附图3所示,相同企业标记,在搜索“LG化学(广州)工程塑料有限公司”时,碰撞结果有五个名字相似的公司,相似度评分最高的公司作为第一位输出,后面四个依次为相似度评分越来越低的公司。
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 (10)
1.一种基于中文分词的数据碰撞方法,其特征在于,该方法是利用中文分词算法,把要对比的两个实体名称进行中文分词,对比两个实体名称相同的分词个数,根据分词个数计算相似度;具体步骤如下:
S1、数据预处理,将待碰撞的数据存入内存或HDFS;
S2、待碰撞的数据使用Lucene存在内存或者直接用ES存储在分布式计算引擎Spark上遍历待碰撞数据;
S3、针对每一条数据,从Lucene或ES预搜索近似数据,针对每一条数据,从Lucene或ES;
S4、对待碰撞的数据和搜索得到的结果进行中文分词;
S5、计算相似性评分:根据配置的选项,将相似性比较算法和外部规则应用于待碰撞的数据和搜索得到的结果,排除文本中的干扰信息,计算两者的相似性,得到相似性评分;
S6、输出碰撞结果:根据相似性评分及设置的阈值,得出最终的相似性,输出碰撞结果。
2.根据权利要求1所述的基于中文分词的数据碰撞方法,其特征在于,所述步骤S1中数据预处理具体包括:
去除噪音字符,噪音字符包括空格和括号;
去除预先定义的无需比对的字和词。
3.根据权利要求1所述的基于中文分词的数据碰撞方法,其特征在于,所述步骤S4中中文分词利用Ansj开源中文分词器,将完整的一句话切割成一个一个的词语的形式。
4.根据权利要求1所述的基于中文分词的数据碰撞方法,其特征在于,所述步骤S5中配置的选项包括:
无需比对的字和词;
采用的相似性比较算法。
5.根据权利要求1或4所述的基于中文分词的数据碰撞方法,其特征在于,所述步骤S5中相似性比较算法包括TF-IDF和编辑距离,具体如下:
TF-IDF相似性=词频*逆文档频率;
其中,词频=任一词在所有的数据中出现的次数/所有数据的总次数;
逆文档频率=log(数据总条数/(包含该词的数据条数+1));
编辑距离相似性=(两条数据长度的最大值-两个记录的编辑距离)/两条数据长度的最大值。
6.根据权利要求1所述的基于中文分词的数据碰撞方法,其特征在于,所述步骤S6中阀值的范围是0-1。
7.根据权利要求1所述的基于中文分词的数据碰撞方法,其特征在于,所述步骤S6中根据相似性评分及设置的阈值,得出最终的相似性的具体如下:
相似性评分越接近1,最终的相似性越大;
任两条数据相似性评分超过阈值,判定该两条数据为同一实体,判定失误的概率等于1减去相似性评分。
8.一种基于中文分词的数据碰撞系统,其特征在于,该系统包括,
存储模块,用于针对原始数据的预处理,选择将原始数据存于内存、HDFS或者ES;
计算模块,用于将待碰撞的数据使用Lucene存在内存或者直接用ES存储在分布式计算引擎Spark上遍历待碰撞数据;
近似数据预搜索模块,用于针对每一条数据,从Lucene或ES预搜索近似数据,针对每一条数据,从Lucene或ES;
中文分词模块,用于对待碰撞的数据和搜索得到的结果进行中文分词;
相似性评分模块,用于根据配置的选项,将相似性比较算法和外部规则应用于待碰撞的数据和搜索得到的结果,排除文本中的干扰信息,计算两者的相似性,得到相似性评分;
碰撞结果输出模块,用于根据相似性评分及设置的阈值,得出最终的相似性,输出碰撞结果。
9.根据权利要求8所述的基于中文分词的数据碰撞系统,其特征在于,所述存储模块包括数据预处理模块,数据预处理模块用于去除数据中的噪音字符以及预先定义的无需比对的字和词;噪音字符包括空格和括号。
10.根据权利要求8或9所述的基于中文分词的数据碰撞系统,其特征在于,所述相似性比较算法包括TF-IDF和编辑距离,具体如下:
TF-IDF相似性=词频*逆文档频率;
其中,词频=任一词在所有的数据中出现的次数/所有数据的总次数;
逆文档频率=log(数据总条数/(包含该词的数据条数+1));
编辑距离相似性=(两条数据长度的最大值-两个记录的编辑距离)/两条数据长度的最大值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910835288.7A CN110532569B (zh) | 2019-09-05 | 2019-09-05 | 一种基于中文分词的数据碰撞方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910835288.7A CN110532569B (zh) | 2019-09-05 | 2019-09-05 | 一种基于中文分词的数据碰撞方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110532569A true CN110532569A (zh) | 2019-12-03 |
CN110532569B CN110532569B (zh) | 2023-03-28 |
Family
ID=68667205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910835288.7A Active CN110532569B (zh) | 2019-09-05 | 2019-09-05 | 一种基于中文分词的数据碰撞方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110532569B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111143633A (zh) * | 2019-12-24 | 2020-05-12 | 北京明朝万达科技股份有限公司 | 一种数据解密方法、装置、电子设备及存储介质 |
CN113011174A (zh) * | 2020-12-07 | 2021-06-22 | 红塔烟草(集团)有限责任公司 | 一种基于文本分析的围标串标识别方法 |
CN113033193A (zh) * | 2021-01-20 | 2021-06-25 | 山谷网安科技股份有限公司 | 一种基于c++语言的混合型中文文本分词方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106095737A (zh) * | 2016-06-07 | 2016-11-09 | 杭州凡闻科技有限公司 | 文档相似度计算方法及相似文档全网检索跟踪方法 |
CN107943762A (zh) * | 2017-11-24 | 2018-04-20 | 四川长虹电器股份有限公司 | 一种基于es搜索的文本相似度排序方法 |
CN109241246A (zh) * | 2018-11-01 | 2019-01-18 | 北京京航计算通讯研究所 | 基于质量文本相似性的数据查询系统 |
US20190197129A1 (en) * | 2017-12-26 | 2019-06-27 | Baidu Online Network Technology (Beijing) Co., Ltd . | Text analyzing method and device, server and computer-readable storage medium |
-
2019
- 2019-09-05 CN CN201910835288.7A patent/CN110532569B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106095737A (zh) * | 2016-06-07 | 2016-11-09 | 杭州凡闻科技有限公司 | 文档相似度计算方法及相似文档全网检索跟踪方法 |
CN107943762A (zh) * | 2017-11-24 | 2018-04-20 | 四川长虹电器股份有限公司 | 一种基于es搜索的文本相似度排序方法 |
US20190197129A1 (en) * | 2017-12-26 | 2019-06-27 | Baidu Online Network Technology (Beijing) Co., Ltd . | Text analyzing method and device, server and computer-readable storage medium |
CN109241246A (zh) * | 2018-11-01 | 2019-01-18 | 北京京航计算通讯研究所 | 基于质量文本相似性的数据查询系统 |
Non-Patent Citations (1)
Title |
---|
张俊飞: "改进TF-IDF结合余弦定理计算中文语句相似度", 《现代计算机(专业版)》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111143633A (zh) * | 2019-12-24 | 2020-05-12 | 北京明朝万达科技股份有限公司 | 一种数据解密方法、装置、电子设备及存储介质 |
CN111143633B (zh) * | 2019-12-24 | 2023-09-01 | 北京明朝万达科技股份有限公司 | 一种数据解密方法、装置、电子设备及存储介质 |
CN113011174A (zh) * | 2020-12-07 | 2021-06-22 | 红塔烟草(集团)有限责任公司 | 一种基于文本分析的围标串标识别方法 |
CN113011174B (zh) * | 2020-12-07 | 2023-08-11 | 红塔烟草(集团)有限责任公司 | 一种基于文本分析的围标串标识别方法 |
CN113033193A (zh) * | 2021-01-20 | 2021-06-25 | 山谷网安科技股份有限公司 | 一种基于c++语言的混合型中文文本分词方法 |
CN113033193B (zh) * | 2021-01-20 | 2024-04-16 | 山谷网安科技股份有限公司 | 一种基于c++语言的混合型中文文本分词方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110532569B (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102640564B1 (ko) | 질의 응답 시스템의 훈련 장치 및 그것을 위한 컴퓨터 프로그램 | |
CN105095204B (zh) | 同义词的获取方法及装置 | |
Hadni et al. | Effective Arabic stemmer based hybrid approach for Arabic text categorization | |
CN110532569A (zh) | 一种基于中文分词的数据碰撞方法及系统 | |
CN107291684B (zh) | 语言文本的分词方法和系统 | |
Sánchez et al. | Handwritten text recognition for historical documents in the transcriptorium project | |
US11113470B2 (en) | Preserving and processing ambiguity in natural language | |
Hadni et al. | A new and efficient stemming technique for Arabic Text Categorization | |
CN109829151B (zh) | 一种基于分层狄利克雷模型的文本分割方法 | |
CN110096572B (zh) | 一种样本生成方法、装置及计算机可读介质 | |
Daiber et al. | Splitting compounds by semantic analogy | |
Ljubešić et al. | Language-independent gender prediction on twitter | |
Kübler et al. | Part of speech tagging for Arabic | |
Thuy et al. | Cross-language aspect extraction for opinion mining | |
Wankhede et al. | Data preprocessing for efficient sentimental analysis | |
CN107797986A (zh) | 一种基于lstm‑cnn的混合语料分词方法 | |
Mercier et al. | Senticite: An approach for publication sentiment analysis | |
Mulloni | Automatic prediction of cognate orthography using support vector machines | |
CN110688835B (zh) | 一种基于词语特征值的法律专有领域词发现方法及装置 | |
Gu et al. | Segment-based hidden Markov models for information extraction | |
Ciobanu et al. | A dictionary-based approach for evaluating orthographic methods in cognates identification | |
Zhang et al. | Unsupervised machine learning for augmented data analytics of building codes | |
CN103729350B (zh) | 多维度待译文档的预处理方法 | |
Nawab et al. | External plagiarism detection using information retrieval and sequence alignment | |
Chou et al. | Named entity extraction via automatic labeling and tri-training: comparison of selection methods |
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 | ||
CB02 | Change of applicant information |
Address after: 271000 Langchao science and Technology Park, 527 Dongyue street, Tai'an City, Shandong Province Applicant after: INSPUR SOFTWARE Co.,Ltd. Address before: No. 1036, Shandong high tech Zone wave road, Ji'nan, Shandong Applicant before: INSPUR SOFTWARE Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |