CN110532572A - 基于tan树形朴素贝叶斯的拼写检查方法 - Google Patents

基于tan树形朴素贝叶斯的拼写检查方法 Download PDF

Info

Publication number
CN110532572A
CN110532572A CN201910862764.4A CN201910862764A CN110532572A CN 110532572 A CN110532572 A CN 110532572A CN 201910862764 A CN201910862764 A CN 201910862764A CN 110532572 A CN110532572 A CN 110532572A
Authority
CN
China
Prior art keywords
word
correct
factor
association relationship
probability
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
CN201910862764.4A
Other languages
English (en)
Inventor
周柯旭
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.)
Sichuan Changhong Electric Co Ltd
Original Assignee
Sichuan Changhong Electric 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 Sichuan Changhong Electric Co Ltd filed Critical Sichuan Changhong Electric Co Ltd
Priority to CN201910862764.4A priority Critical patent/CN110532572A/zh
Publication of CN110532572A publication Critical patent/CN110532572A/zh
Pending legal-status Critical Current

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
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/951—Indexing; Web crawling techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Machine Translation (AREA)
  • Document Processing Apparatus (AREA)

Abstract

本发明涉及计算机软件技术领域，公开了一种基于TAN树形朴素贝叶斯的拼写检查方法，用以根据语义对错误拼写的单词进行纠正修改。本发明利用已有语料库，计算每个库中正确单词的出现概率，以及正确单词与前、后一位单词之间的互信息值，同时定义一个用于表示正确单词与错误单词的相似度的因子以及其计算方法，再根据得到的先验概率、互信息值以及因子构建一个TAN树形朴素贝叶斯网络模型；当拼写检查的文件中出现错误单词后时，通过贝叶斯网络模型可快速得到错误单词的预正确单词集对应的先验概率、因子值及与前后一位单词的互信息值，系统再通过求乘积值，就能准确的判断出与输入的错误单词匹配度高的单词。本发明适用于拼写检查。

Description

基于TAN树形朴素贝叶斯的拼写检查方法
技术领域
本发明涉及计算机软件技术领域，特别涉及基于TAN树形朴素贝叶斯的拼写检查方法。
背景技术
随着信息时代的大步跨越，不管是平时上网聊天，还是工作、办公，亦或是开发设计等等，人们都会使用自然语言去交流和描述。这就少不了使用输入法进行单词拼写。然而在打字的过程中，人们或多或少会有误触，或者是记错拼写顺序等情况的发生，导致最后拼写出来的单词与预想有所偏差。这样句子就会出现语义错误或者语法错误。
因此通过对大量词库数据的统计计算做出一个好的拼写检查方法非常的重要。这样就可以减少人们修改拼写的时间，人们在使用检查器得到自动纠正后，办公效率会得到提高，也不需要人为的从头到尾的检查文档的拼写。符合人们习惯的错误单词也会的到自动校正，大大提高了人们的拼写体验。
目前来说，国内外对拼写检查器的研究主要分为：
基于字典的单词拼写检查：同时也被称为暴力破解，缺点很明显，这样做需要耗费大量的时间与字典里所有单词进行比较，检索效率低。同时，模糊查询出来的正确单词准确率不高
基于单词查找树的单词拼写检查器：这种方法节省了一部分的检索匹配的时间，缺点是不能根据实际情况给出符合情况单词，不能解决当两个猜测单词输与同一级别的时候，给出用户想要的结果，所以精确度有待提高。
基于哈希表的单词拼写检查器：。其局限在于需要花费大量时间去建立一组好的索引去优化，才能达到想要的效果。
基于Bloom Filter的单词拼写检查：这种方法的缺点是哈希方程会产生冲突，这些情况的发生就造成了精确度下降。
发明内容
本发明要解决的技术问题是：提供一种基于TAN树形朴素贝叶斯的拼写检查方法，用以根据语义对错误拼写的单词进行纠正修改。
为解决上述问题，本发明采用的技术方案是：基于TAN树形朴素贝叶斯的拼写检查方法，包括如下步骤：
步骤1：准备词料库；
步骤2：读取词料库中的数据，统计词料库中已有正确单词出现的次数，计算它在已有正确单词中出现的概率，该出现的概率即先验概率；统计每个正确单词它在实际文章中，出现在它前一位的单词preWord，统计不同preWord出现的次数N1，并基于次数N1计算各preWord与正确单词之间的互信息值；统计每个正确单词它在实际文章中，出现在它后一位的单词nextWord，统计不同nextWord出现的次数N2，并基于次数N2计算各nextWord与正确单词之间的互信息值；
步骤3：定义一个用于表示正确单词与错误单词的相似度的因子以及因子的计算方法；
步骤4：根据步骤2和3得到的先验概率、互信息值以及因子，构建一个TAN树形朴素贝叶斯网络模型；
步骤5：将待拼写检查文件中每一个单词分离出来，并依次作为目标单词进行拼写检查；拼写检查时，判断目标单词在词料库中出现的概率，如果概率大于0，则不做处理，如果概率等于0，则将目标单词判定为错误目标单词；
步骤6：设置因子的取值范围，并根据因子的取值范围、错误目标单词以及步骤3定义的因子的计算方法得到预正确单词集；利用步骤4构建的贝叶斯网络模型求出预正确单词集中各个预正确单词的先验概率Pa、因子值Pb、与错误目标单词的前一位单词的互信息值Pc、与错误目标单词的后一位单词的互信息值Pd；
步骤7：计算每一个预正确单词的权值Pi，Pi＝Pai*Pbi*Pci*Pdi,其中，Pi为第i个预正确单词的权值，Pai为第i个预正确单词的先验概率，Pbi为第i个预正确单词的因子值P，Pbi为第i个预正确单词与错误目标单词的前一位单词的互信息值，Pci为第i个预正确单词与错误目标单词的后一位单词的互信息值；权值最大的预正确单词即为拼写检查后给出的正确单词。
进一步的，步骤1具体可包括：
步骤11：利用网络爬虫从互联网上爬取数据训练集；
步骤12：对爬取到的数据集进行标准化处理，将处理好的数据存入词料库，以供训练模型时使用。
进一步的，步骤12中的标准化处理进可包括：利用正则表达式匹配去除掉数据集中的冗余内容。
进一步的，步骤3定义的因子可以为编辑距离。
本发明的有益效果是：本发明充分利用了已有语料库的正确单词出现次数，计算了语料库中每个正确单词的出现概率，以及正确单词与前、后一位单词之间的互信息值，同时定义一个用于表示正确单词与错误单词的相似度的因子以及因子的计算方法，并根据得到的先验概率、互信息值以及因子，构建一个TAN树形朴素贝叶斯网络模型。在此基础上，当拼写检查的文件中出现错误单词后时，设置一个因子的取值范围即可通过贝叶斯网络模型可快速得到错误单词的预正确单词集，以及预正确单词集中各个预正确单词的先验概率Pa、因子值Pb、与错误目标单词的前一位单词的互信息值Pc、与错误目标单词的后一位单词的互信息值Pd，系统通过计算Pa*Pb*Pc*Pd的乘积值，就能准确的判断出与输入的错误单词匹配度高的单词，相比于基于字典的拼写检查、单词查找树(Trie)的单词拼写检查以及基于Bloom Filter的单词拼写检查，效率和精确度更高，更具有学习能力，能录入语料库中没有且新产生的单词。基于TAN树形朴素贝叶斯算法的单词拼写检查器，更符合大数据时代的特点，更好的使用了数据。
附图说明
图1为实施例实现拼写检查的流程图。
具体实施方式
为了能够根据语义对错误拼写的单词进行纠正修改，本发明提供了了一种基于TAN树形朴素贝叶斯的拼写检查方法，具体步骤如下：
步骤1：利用网络爬虫爬取数据训练集，在全球新闻网站(www.gloabletimes.com)上，爬取上面所有除广告外的所有新闻内容，全球新闻网站是一个外网，且新闻类别覆盖面广，单词量巨大，实时更新，可以根据具体情况去手动的选择时间点更新下载自己的语料库。
步骤2：对爬取到的数据集进行标准化处理，利用自定义的正则表达式regular，匹配去除掉数据集中的冗余内容，如HTML标签、特殊字符、二进制代码等。然后将处理好的数据存入数据库，以供训练模型时使用。这样前两个步骤就完成了本方法的数据准备工作。
步骤3：开始训练模型，这是本发明最重要的一步。读取词料库中的数据，统计词料库中已有正确单词出现的次数，计算它在已有正确单词中出现的概率，该出现的概率即先验概率；统计每个正确单词它在实际文章中，出现在它前一位的单词preWord，统计不同preWord出现的次数N1，并基于次数N1计算各preWord与正确单词之间的互信息值；统计每个正确单词它在实际文章中，出现在它后一位的单词nextWord，统计不同nextWord出现的次数N2，并基于次数N2计算各nextWord与正确单词之间的互信息值。
步骤4：定义一个用于表示正确单词与错误单词的相似度的因子以及因子的计算方法。
步骤5：根据步骤2和3得到的先验概率、互信息值以及因子，构建一个TAN树形朴素贝叶斯网络模型，这也就是该方法训练出来的一个模型，它是一个有向无环图。拼写检查时可利用这个贝叶斯网络，对目标单词进行检测。
步骤6：将待拼写检查文件中每一个单词分离出来，并依次作为目标单词进行拼写检查；拼写检查时，判断目标单词在词料库中出现的概率，如果概率大于0，表示正确词库中包含目标单词，则该词的拼写正确，此时不做处理，如果概率等于0，则将目标单词判定为错误目标单词。
步骤7：设置因子的取值范围，并根据因子的取值范围、错误目标单词以及步骤3定义的因子的计算方法得到预正确单词集；利用步骤4构建的贝叶斯网络模型求出预正确单词集中各个预正确单词的先验概率Pa、因子值Pb、与错误目标单词的前一位单词的互信息值Pc、与错误目标单词的后一位单词的互信息值Pd；
步骤8：计算每一个预正确单词的权值Pi，Pi＝Pai*Pbi*Pci*Pdi,其中，Pi为第i个预正确单词的权值，Pai为第i个预正确单词的先验概率，Pbi为第i个预正确单词的因子值P，Pbi为第i个预正确单词与错误目标单词的前一位单词的互信息值，Pci为第i个预正确单词与错误目标单词的后一位单词的互信息值；权值最大的预正确单词即为拼写检查后给出的正确单词。
本发明中，用户可以利用该方法对文本文档进行检查，通过选择需要被检查的文件，读取文件后，根据步骤1到5训练出来的模型，对文档中的每个单词进行检查，正确的便不做修改，错误的自动修改为符合语义的正确单词。这样就大大的提高了人们的工作效率，节省了去检查修改错词的时间开销。
为使本发明的目的，技术方案和有点更加清楚，下面结合附图对本发明做进一步地详细描述。
请参阅图1，实施例提供了一种基于TAN树形朴素贝叶斯的单词拼写检查方法，其步骤如下：
步骤1，在爬虫前，需要先利用浏览器控制台找到包含目标URL的div块。
步骤2，引入Python工具包Beautiful Soup模块和Requests模块，去爬取到所有div块中的新闻链接。随后遍历这个链接列表，将所有的新闻页面内容获取到本地一个txt文件中，临时存储。
步骤3，为了获取到该方法想要的标准数据，我们需要使用正则表达式来对txt文件中的所有内容进行匹配，并删除掉匹配到的冗余信息如标签，特殊字符，二进制码等。随后引用pymysql模块将数据存入Mysql数据库。每隔一段时间可以通过手动的更新(再次爬取网页更新后的新闻再存储)，达到提高词库数据量和精确度的目的
步骤4，通过访问mysql数据库，读取标准语料库，使用Python的collection模块对语料库进行解析，统计出各个单词的先验概率。再计算每个单词前一位和后一位单词分别在该单词前后出现的互信息值A1,A2。
步骤5，定义编辑距离edit_distance，来表示正确单词和错误单词的相似度的因子，一个正确单词的编辑距离越小，错误单词改动越小就能得到这个正确单词，极大似然度因子的值就越高，也就是说这个正确单词与错误单词越接近。编辑距离edit_distance计算公式为现有技术，这里不再赘述。
步骤6，根据步骤4和5，使用Python的colletion模块，计算语料库中正确单词的先验概率、编辑距离值以及前后单词的互信息值共同的乘积值，将乘积值统计成一个表，这样就实现了TAN树形朴素贝叶斯网络模型的构建。
步骤7，使用Python的tkinter模块，实现选择文件界面，将用户提供的文件用Python读取到列表中，一一遍历文档中的内容，通过判断文档中的单词是否存在于词料库中，来判断是否为错误单词。如果判断为错误的单词，就需要用户自定一个编辑距离的取值范围(例如编辑距离小于等于4)，并遍历步骤1-6构建出来的贝叶斯网络模型，找到与这个错误单词相近的预正确单词列，并得到预正确单词集中各个预正确单词的先验概率Pa、因子值Pb、与错误目标单词的前一位单词的互信息值Pc、与错误目标单词的后一位单词的互信息值Pd，通过P＝Pa*Pb*Pc*Pd计算出权值P(概率)最高的路径，这样我们就能在贝叶斯网络的终端找到概率最大的正确单词，接着修改文档中的错误单词。

Claims (4)

1.基于TAN树形朴素贝叶斯的拼写检查方法，其特征在于，包括如下步骤：
步骤1：准备词料库；
步骤2：读取词料库中的数据，统计词料库中已有正确单词出现的次数，计算它在已有正确单词中出现的概率，该出现的概率即先验概率；统计每个正确单词它在实际文章中，出现在它前一位的单词preWord，统计不同preWord出现的次数N1，并基于次数N1计算各preWord与正确单词之间的互信息值；统计每个正确单词它在实际文章中，出现在它后一位的单词nextWord，统计不同nextWord出现的次数N2，并基于次数N2计算各nextWord与正确单词之间的互信息值；
步骤3：定义一个用于表示正确单词与错误单词的相似度的因子以及因子的计算方法；
步骤4：根据步骤2和3得到的先验概率、互信息值以及因子，构建一个TAN树形朴素贝叶斯网络模型；
步骤5：将待拼写检查文件中每一个单词分离出来，并依次作为目标单词进行拼写检查；拼写检查时，判断目标单词在词料库中出现的概率，如果概率大于0，则不做处理，如果概率等于0，则将目标单词判定为错误目标单词；
步骤6：设置因子的取值范围，并根据因子的取值范围、错误目标单词以及步骤3定义的因子的计算方法得到预正确单词集；利用步骤4构建的贝叶斯网络模型求出预正确单词集中各个预正确单词的先验概率Pa、因子值Pb、与错误目标单词的前一位单词的互信息值Pc、与错误目标单词的后一位单词的互信息值Pd；
步骤7：计算每一个预正确单词的权值Pi，Pi＝Pai*Pbi*Pci*Pdi,其中，Pi为第i个预正确单词的权值，Pai为第i个预正确单词的先验概率，Pbi为第i个预正确单词的因子值P，Pbi为第i个预正确单词与错误目标单词的前一位单词的互信息值，Pci为第i个预正确单词与错误目标单词的后一位单词的互信息值；权值最大的预正确单词即为拼写检查后给出的正确单词。
2.如权利要求1所述基于TAN树形朴素贝叶斯的拼写检查方法，其特征在于，步骤1具体包括：
步骤11：利用网络爬虫从互联网上爬取数据训练集；
步骤12：对爬取到的数据集进行标准化处理，将处理好的数据存入词料库，以供训练模型时使用。
3.如权利要求2所述基于TAN树形朴素贝叶斯的拼写检查方法，其特征在于，步骤12中的标准化处理包括：利用正则表达式匹配去除掉数据集中的冗余内容。
4.如权利要求1所述基于TAN树形朴素贝叶斯的拼写检查方法，其特征在于，步骤3定义的因子为编辑距离。
CN201910862764.4A 2019-09-12 2019-09-12 基于tan树形朴素贝叶斯的拼写检查方法 Pending CN110532572A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910862764.4A CN110532572A (zh) 2019-09-12 2019-09-12 基于tan树形朴素贝叶斯的拼写检查方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910862764.4A CN110532572A (zh) 2019-09-12 2019-09-12 基于tan树形朴素贝叶斯的拼写检查方法

Publications (1)

Publication Number Publication Date
CN110532572A true CN110532572A (zh) 2019-12-03

Family

ID=68668420

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910862764.4A Pending CN110532572A (zh) 2019-09-12 2019-09-12 基于tan树形朴素贝叶斯的拼写检查方法

Country Status (1)

Country Link
CN (1) CN110532572A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111639488A (zh) * 2020-05-15 2020-09-08 民生科技有限责任公司 英文单词修正系统、方法、应用、装置及可读存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102929873A (zh) * 2011-08-08 2013-02-13 腾讯科技（深圳）有限公司 一种基于情境搜索提取搜索价值词的方法及装置
CN103885938A (zh) * 2014-04-14 2014-06-25 东南大学 基于用户反馈的行业拼写错误检查方法
CN105530122A (zh) * 2015-12-03 2016-04-27 国网江西省电力公司信息通信分公司 一种基于选择性隐朴素贝叶斯分类器的网络故障诊断方法
CN105677671A (zh) * 2014-11-20 2016-06-15 华为技术有限公司 一种上下文不确定性推理方法和装置
CN105824800A (zh) * 2016-03-15 2016-08-03 江苏科技大学 一种中文真词错误自动校对方法
CN106021524A (zh) * 2016-05-24 2016-10-12 成都希盟泰克科技发展有限公司 用于大数据挖掘的二阶依赖树增广贝叶斯分类器工作方法
CN106708893A (zh) * 2015-11-17 2017-05-24 华为技术有限公司 搜索查询词纠错方法和装置
CN107807968A (zh) * 2017-10-13 2018-03-16 上海壹账通金融科技有限公司 基于贝叶斯网络的问答装置、方法及存储介质
CN108388645A (zh) * 2018-02-27 2018-08-10 智言科技（深圳）有限公司 基于tan树形朴素贝叶斯算法网页可点击识别方法及装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102929873A (zh) * 2011-08-08 2013-02-13 腾讯科技（深圳）有限公司 一种基于情境搜索提取搜索价值词的方法及装置
CN103885938A (zh) * 2014-04-14 2014-06-25 东南大学 基于用户反馈的行业拼写错误检查方法
CN105677671A (zh) * 2014-11-20 2016-06-15 华为技术有限公司 一种上下文不确定性推理方法和装置
CN106708893A (zh) * 2015-11-17 2017-05-24 华为技术有限公司 搜索查询词纠错方法和装置
CN105530122A (zh) * 2015-12-03 2016-04-27 国网江西省电力公司信息通信分公司 一种基于选择性隐朴素贝叶斯分类器的网络故障诊断方法
CN105824800A (zh) * 2016-03-15 2016-08-03 江苏科技大学 一种中文真词错误自动校对方法
CN106021524A (zh) * 2016-05-24 2016-10-12 成都希盟泰克科技发展有限公司 用于大数据挖掘的二阶依赖树增广贝叶斯分类器工作方法
CN107807968A (zh) * 2017-10-13 2018-03-16 上海壹账通金融科技有限公司 基于贝叶斯网络的问答装置、方法及存储介质
CN108388645A (zh) * 2018-02-27 2018-08-10 智言科技（深圳）有限公司 基于tan树形朴素贝叶斯算法网页可点击识别方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
小飞侠-2: "再学贝叶斯网络—TAN树型朴素贝叶斯算法", 《BLOG.CSDN.NET/QQ_26562641/ARTICLE/DETAILS/50343501》 *
志存高远脚踏实地: "贝叶斯算法、正向概率、逆向概率、先验概率、后验概率、单词拼写纠错实例", 《BLOG.CSDN.NET/WEIXIN_44451032/ARTICLE/DETAILS/100124211》 *
石洪波: "《贝叶斯分类方法研究》", 31 March 2005, 中国科学技术出版社 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111639488A (zh) * 2020-05-15 2020-09-08 民生科技有限责任公司 英文单词修正系统、方法、应用、装置及可读存储介质

Similar Documents

Publication Publication Date Title
US9201880B2 (en) Processing a content item with regard to an event and a location
AU2005203239B2 (en) Phrase-based indexing in an information retrieval system
CN105989040B (zh) 智能问答的方法、装置及系统
JP5306359B2 (ja) 複数言語によるデータ記録を関連付ける方法およびシステム
US8239751B1 (en) Data from web documents in a spreadsheet
US11769003B2 (en) Web element rediscovery system and method
US20130110839A1 (en) Constructing an analysis of a document
CN104268142B (zh) 基于可拒绝策略的元搜索结果排序方法
US20140201035A1 (en) Using model information groups in searching
CN108304375A (zh) 一种信息识别方法及其设备、存储介质、终端
US20100312778A1 (en) Predictive person name variants for web search
CN103678576A (zh) 基于动态语义分析的全文检索系统
CN110175585B (zh) 一种简答题自动批改系统及方法
CN103729359A (zh) 一种推荐搜索词的方法及系统
CN103324666A (zh) 一种基于微博数据的话题跟踪方法及装置
CN108763321A (zh) 一种基于大规模相关实体网络的相关实体推荐方法
CN104331449A (zh) 查询语句与网页相似度的确定方法、装置、终端及服务器
CN104199938B (zh) 基于rss的农用土地信息发送方法和系统
CN108717407A (zh) 实体向量确定方法及装置，信息检索方法及装置
Mali et al. Focused web crawler with revisit policy
CN111435406A (zh) 一种纠正数据库语句拼写错误的方法和装置
CN113254671B (zh) 基于query分析的图谱优化方法、装置、设备及介质
CN110532572A (zh) 基于tan树形朴素贝叶斯的拼写检查方法
US11238115B1 (en) Semantic and context search using knowledge graphs
US20200311156A1 (en) Search-based url-inference 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
RJ01 Rejection of invention patent application after publication

Application publication date: 20191203

RJ01 Rejection of invention patent application after publication