CN110796262B - 机器学习模型的测试数据优化方法、装置及电子设备 - Google Patents
机器学习模型的测试数据优化方法、装置及电子设备 Download PDFInfo
- Publication number
- CN110796262B CN110796262B CN201910915417.3A CN201910915417A CN110796262B CN 110796262 B CN110796262 B CN 110796262B CN 201910915417 A CN201910915417 A CN 201910915417A CN 110796262 B CN110796262 B CN 110796262B
- Authority
- CN
- China
- Prior art keywords
- data
- scoring
- machine learning
- score
- user
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 167
- 238000010801 machine learning Methods 0.000 title claims abstract description 126
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000005457 optimization Methods 0.000 title claims abstract description 19
- 238000003860 storage Methods 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 8
- 238000004220 aggregation Methods 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 238000002790 cross-validation Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000002194 synthesizing effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005111 flow chemistry technique Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及一种机器学习模型的测试数据优化方法、装置、电子设备及计算机可读介质。该方法包括:获取测试数据,所述测试数据中包括第一评分;根据所述第一评分为所述测试数据由多个评分数据集合中确定目标评分数据集合,其中,评分数据集合中包括至少一个评分数据,所述评分数据中包括第二评分;以及用所述目标评分数据集合中的目标评分数据中的所述第二评分更新所述测试数据中的所述第一评分,其中,更新后的所述测试数据用于进行机器学习模型的模型测试。本公开涉及的机器学习模型的测试数据优化方法、装置、电子设备,能够对用于机器学习模型的测试数据进行数据优化,得到的测试数据完备准确,从而提高测试后的机器学习模型的准确度。
Description
技术领域
本公开涉及计算机信息处理领域,具体而言,涉及一种机器学习模型的测试数据优化方法、装置、电子设备及计算机可读介质。
背景技术
机器学习现如今在各个人工智能研究领域中已经得到了极大的发展,常见的机器学习模型可分为监督学习、无监督学习和强化学习这三类,每个类别中又可具体分为不同的算法。在当今大部分的应用场景中,人们都可以很方便的找到适合于自身问题的机器学习模型。对于机器学习模型的一般应用来说,用户首先确定某一个类别或者算法的机器学习模型,然后根据用户想解决的特定问题,用户输入特定的数据,机器学习模型建立特定的任务,然后通过特定的数据来对机器学习进行训练,在训练结束后,得到适用于某一个特定任务的机器学习模型。通常情况下,即使用同一个机器学习模型的算法,但是用不同的数据训练得到的机器学习模型是完全不同的。
针对特定任务建立起来的不同的机器学习模型怎么才能说它工作的是好是坏?因此就需要用到了模型性能评估指标,模型评估也是机器学习研究中重要的一部分,主要分为三个步骤:对数据集进行划分,分为训练集和测试集两部分;对模型在测试集上面的泛化性能进行度量;基于测试集上面的泛化性能,依据假设检验来推广到全部数据集上面的泛化性能。为了得到准确的结果,一个机器学习模型需要大量的测试数据进行性能评估,但是,通产情况下,大量得出测试数据是难以获得的,特别是金融领域,金融领域的机器学习模型需要大量的用户特征,而金融领域的机器学习模型需要数十万的用户数据来进行模型测试,的机器学习模型的测试数据的个数很难达到测试数量的要求。
因此,需要一种新的机器学习模型的测试数据优化方法、装置、电子设备及计算机可读介质。
在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解,因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
有鉴于此,本公开提供一种机器学习模型的测试数据优化方法、装置、电子设备及计算机可读介质,能够对用于机器学习模型的测试数据进行数据优化,得到的测试数据完备准确,从而提高测试后的机器学习模型的准确度。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的一方面,提出一种机器学习模型的测试数据优化方法,该方法包括:获取测试数据,所述测试数据中包括第一评分;根据所述第一评分为所述测试数据由多个评分数据集合中确定目标评分数据集合,其中,评分数据集合中包括至少一个评分数据,所述评分数据中包括第二评分;以及用所述目标评分数据集合中的目标评分数据中的所述第二评分更新所述测试数据中的所述第一评分,其中,更新后的所述测试数据用于进行机器学习模型的模型测试。
可选地,还包括:将第一类用户数据输入预定机器学习模型中,以获取所述测试数据中的第一评分。
可选地,还包括:将第二类用户数据输入至少一个机器学习模型中,以获取所述评分数据中的第二评分。
可选地,将第二类用户数据输入至少一个机器学习模型中,以获取所述评分数据中的第二评分包括:将所述第二类用户数据输入所述至少一个机器学习模型中,基于每一个机器学习模型分别获取模型初始评分数据;以及根据所述至少一个模型初始评分数据生成所述第二类用户数据对应的所述评分数据。
可选地,还包括:基于所述第二评分的数值将所述评分数据分为多个评分数据集合;以及将所述多个评分数据集合中的至少一个评分集合中的数据进行数据扩展。
可选地,根据所述第一评分为所述测试数据由多个评分数据集合中确定目标评分数据集合包括:基于所述第一评分数据的数值为所述测试数据由所述多个评分数据集合中确定所述目标评分数据集合。
可选地,根据所述第一评分为所述测试数据由多个评分数据集合中确定目标评分数据集合包括:根据所述第一评分数据的数值与所述测试数据中的用户特征数据由多个评分数据集合中确定所述目标评分数据集合。
可选地,根据所述第一评分数据的数值与所述测试数据中的用户特征数据由多个评分数据集合中所述确定目标评分数据集合包括:获取所述测试数据中的用户特征;基于所述测试数据中的用户特征和所述第一评分数据的数值确定分群标签;以及基于所述分群标签确定所述目标评分数据集合。
可选地,还包括:获取所述评分数据中的用户特征;基于所述评分数据中的用户特征将所述评分数据分为多个评分数据集;以及为所述多个评分数据集分配所述分群标签。
可选地,用所述目标评分数据集合中的目标评分数据中的所述第二评分更新所述测试数据中的所述第一评分包括:随机由所述目标评分数据集合中的至少一个评分数据确定出所述目标评分数据;以及用所述目标评分数据中的所述第二评分更新所述测试数据中的所述第一评分。
根据本公开的一方面,提出一种机器学习模型的测试数据优化装置,该装置包括:数据模块,用于获取测试数据,所述测试数据中包括第一评分;集合模块,用于根据所述第一评分为所述测试数据由多个评分数据集合中确定目标评分数据集合,其中,评分数据集合中包括至少一个评分数据,所述评分数据中包括第二评分;以及更新模块,用于用所述目标评分数据集合中的目标评分数据中的所述第二评分更新所述测试数据中的所述第一评分,其中,更新后的所述测试数据用于进行机器学习模型的模型测试。
可选地,还包括:第一评分模块,用于将第一类用户数据输入预定机器学习模型中,以获取所述测试数据中的第一评分。
可选地,还包括:第二评分模块,用于将第二类用户数据输入至少一个机器学习模型中,以获取所述评分数据中的第二评分。
可选地,所述第二评分模块包括:输入单元,用于将所述第二类用户数据输入所述至少一个机器学习模型中,基于每一个机器学习模型分别获取模型初始评分数据;以及计算单元,用于根据所述至少一个模型初始评分数据生成所述第二类用户数据对应的所述评分数据。
可选地,还包括:扩展单元,用于基于所述第二评分的数值将所述评分数据分为多个评分数据集合;以及将所述多个评分数据集合中的至少一个评分集合中的数据进行数据扩展。
可选地,所述集合模块包括:第一分配单元,用于基于所述第一评分数据的数值为所述测试数据由所述多个评分数据集合中确定所述目标评分数据集合。
可选地,所述集合模块包括:第二分配单元,用于根据所述第一评分数据的数值与所述测试数据中的用户特征数据由多个评分数据集合中确定所述目标评分数据集合。
可选地,所述第二分配单元包括:分群子单元,用于获取所述测试数据中的用户特征;基于所述测试数据中的用户特征和所述第一评分数据的数值确定分群标签;以及基于所述分群标签确定所述目标评分数据集合。
可选地,所述第二分配单元,还包括:分群标签子单元,用于获取所述评分数据中的用户特征;基于所述评分数据中的用户特征将所述评分数据分为多个评分数据集;以及为所述多个评分数据集分配所述分群标签。
可选地,更新模块包括:选择单元,用于随机由所述目标评分数据集合中的至少一个评分数据确定出所述目标评分数据;以及更新单元,用于用所述目标评分数据中的所述第二评分更新所述测试数据中的所述第一评分。
根据本公开的一方面,提出一种电子设备,该电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如上文的方法。
根据本公开的一方面,提出一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如上文中的方法。
根据本公开的机器学习模型的测试数据优化方法、装置、电子设备及计算机可读介质,根据所述第一评分为所述测试数据由多个评分数据集合中确定目标评分数据集合,其中,评分数据集合中包括至少一个评分数据,所述评分数据中包括第二评分;以及用所述目标评分数据集合中的目标评分数据中的所述第二评分更新所述测试数据中的所述第一评分的方式,能够对用于机器学习模型的测试数据进行数据优化,得到的测试数据完备准确,从而提高测试后的机器学习模型的准确度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本公开。
附图说明
通过参照附图详细描述其示例实施例,本公开的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本公开的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据一示例性实施例示出的一种机器学习模型的测试数据优化方法的流程图。
图2是根据另一示例性实施例示出的一种机器学习模型的测试数据优化方法的流程图。
图3是根据另一示例性实施例示出的一种机器学习模型的测试数据优化方法的流程图。
图4是根据一示例性实施例示出的一种机器学习模型的测试数据优化装置的框图。
图5是根据另一示例性实施例示出的一种机器学习模型的测试数据优化装置的框图。
图6是根据一示例性实施例示出的一种电子设备的框图。
图7是根据一示例性实施例示出的一种计算机可读介质的框图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本公开将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本公开的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
应理解,虽然本文中可能使用术语第一、第二、第三等来描述各种组件,但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此,下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用,术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
本领域技术人员可以理解,附图只是示例实施例的示意图,附图中的模块或流程并不一定是实施本公开所必须的,因此不能用于限制本公开的保护范围。
模型评估是机器学习研究中重要的一部分,主要分为三个步骤:对数据集进行划分,分为训练集和测试集两部分;对模型在测试集上面的泛化性能进行度量;基于测试集上面的泛化性能,依据假设检验来推广到全部数据集上面的泛化性能。本公开的发明人发现,对于模型来说,在训练集上的误差称为训练误差,测试集的误差称为测试误差,也就是说测试误差是用来评估模型对于新样本的学习能力,因此工程师们更关注的是测试误差,希望模型可以从现有的数据中学习到普遍规律而用于新样本。而如果模型对现有数据学习的过于好,就出现了过拟合问题。因此我们需要将现有数据划分为训练集和测试集,其中训练集用来训练模型,而测试集用来验证模型对新样本的判别能力。
数据集的划分有三种方法:留出法(hold-out)、交叉验证(cross validation)和自助法(bootstrap)。
留出法:留出法是直接将数据集D划分为两个互斥的集合,其中一个集合作为训练集S,另一个作为测试集T,需要注意的是为了避免因为数据划分引入的偏差而影响最终结果,在划分的时候要尽可能保证数据分布的一致性。但是样本的不同划分方式会导致模型评估的相应结果也会有差别,因此通常我们都会进行多次随机划分、重复进行实验评估后取平均值作为留出法的评估结果。
交叉验证:k折交叉验证通常把数据集D分为k份,其中的k-1份作为训练集,剩余的那一份作为测试集,这样就可以获得k组训练/测试集,可以进行k次训练与测试,最终返回的是k个测试结果的均值。这里数据集的划分依然是依据分层采样的方式来进行。对于交叉验证法,其k值的选取往往决定了评估结果的稳定性和保真性。通常k值选取10。因此通常留一法得到的结果是比较准确的。但是当数据集很大的时候,留一法的运算成本将会非常的高以至于无法忍受
自助法:自助法使用有放回重复采样的方式进行数据采样,重点在于有放回,即每次从数据集D中取一个样本作为训练集中的元素,然后把该样本放回,重复该行为m次,这样我们就可以得到大小为m的训练集,在这里面有的样本重复出现,有的样本则没有出现过,把那些没有出现过的样本作为测试集。这种方法对于那些数据集小、难以有效划分训练/测试集时很有用,但是由于该方法改变了数据的初始分布导致引入估计偏差。
不论以上哪种机器学习模型的测试方式,在保证模型测试准确的前提都是测试样本数量足够多,而在测试样本数量不足够的时候,如何进行机器学习模型的准确测试,是本公开关注的问题。
在本公开中,以某金融机构对用户金融风险的风险评估模型为例,结合具体的实施例,进一步的介绍本公开的详细内容。某金融机构待上线一个新的机器学习模型,可例如为机器学习模型A,为了对机器学习模型进行测试,需要10万以上的标注完毕的用户数据,用户数据可包括用户的职业、年龄、收入等等,用户的标注可通过用户的标签来显示,用户的标签可为已经确定的用户的信用评分。其中,数据标注简单而言就是给测试数据打上对应的标签。这个标签是依据金融机构的具体需要给测试数据打上的。
金融网络机构目前仅有1万的已标注完毕的用户数据,如何对这1万的测试数据进行扩展,从而使得其能满足模型测试的要求,是本公开要解决的问题。
图1是根据一示例性实施例示出的一种机器学习模型的测试数据优化方法的流程图。机器学习模型的测试数据优化方法10至少包括步骤S102至S106。
如图1所示,在S102中,获取测试数据,所述测试数据中包括第一评分。测试数据可为上文中所述的待进行机器学习模型测试10万个用户数据,10万个用户数据可包括用户的基本数据和用户的第一评分数据。
其中,用户的基本数据可包括:用户的年龄、职业、收入等等。
其中,用户的第一评分数据通过将第一类用户数据输入预定机器学习模型中,以获取所述测试数据中的第一评分。其中,第一类用户数据指的是待进行测试的10万用户数据。
预定的机器学习模型可例如为机器学习模型B,结合具体的应用场景,预定的机器学习模型可例如为用户的信用评分模型等等。
在S104中,根据所述第一评分为所述测试数据由多个评分数据集合中确定目标评分数据集合,其中,评分数据集合中包括至少一个评分数据,所述评分数据中包括第二评分。
其中,评分数据可例如为上文中提到的1万个已经标注完毕的用户数据,第二评分可为1万个已标注完毕的第二类用户的信用评分,或者其他评分。
其中,可将1万个已经标注完毕的第二类用户按照其信用评分的等级分为不同的集合,还可例如将1万个已经标注完毕的第二类用户按照其用户特征分为不同的集合,本申请不以此为限。
在一个实施例中,还包括:将所述第二类用户数据输入所述至少一个机器学习模型中,基于每一个机器学习模型分别获取模型初始评分数据;以及根据所述至少一个模型初始评分数据生成所述第二类用户数据对应的所述评分数据。更具体的,可将第二类用户数据,第二类用户可为1万个已经标注好的用户,将第二类用户数据分别输入不同的机器学习模型中,得到多个机器学习模型的结果。
可例如将第二类用户B的数据输入机器学习模型X中,得到x评分结果;还可将将第二类用户B的数据输入机器学习模型Y中,得到y评分结果;还可将将第二类用户B的数据输入机器学习模型Z中,得到z评分结果;综合x,y,z的评分,综合计算得到第二类用户的第二评分结果。
指的一提的是,机器学习模型X,机器学习模型Y,机器学习模型Z均为和机器学习模型A相同目标的机器学习模型。
可例如机器学习模型A是用户信用度模型,那么机器学习模型X可例如为用户诚信度模型,机器学习模型Y可例如为其他网站计算的用户信用度模型,机器学习模型Z可例如为其他金融机构使用的用户信用度模型等等。
在一个实施例中,还包括:基于所述第二评分的数值将所述评分数据分为多个评分数据集合;以及将所述多个评分数据集合中的至少一个评分集合中的数据进行数据扩展。
在一个实施例中,可例如基于所述第一评分数据的数值为所述测试数据由所述多个评分数据集合中确定所述目标评分数据集合。具体可例如,将第一评分数据按照预定的阈值分为不同的等级,进而为不同等级的第一评分数据分配不同的目标评分数据集合。
在一个实施例中,还可例如,根据所述第一评分数据的数值与所述测试数据中的用户特征数据由多个评分数据集合中确定所述目标评分数据集合。可例如,根据测试数据中用户的基本特征结合第一评分,将为测试数据分配不同的评分集合。
在S106中,用所述目标评分数据集合中的目标评分数据中的所述第二评分更新所述测试数据中的所述第一评分,其中,更新后的所述测试数据用于进行机器学习模型的模型测试。
具体包括:随机由所述目标评分数据集合中的至少一个评分数据确定出所述目标评分数据;以及用所述目标评分数据中的所述第二评分更新所述测试数据中的所述第一评分。
在一个实施例中,测试数据A(第一用户A)可例如对应着目标集合Q,目标集合B中包含多个第二评分数据(多个第二用户的评分),可例如为,第二用户B评分为b,第二用户C评分为c,第二用户D评分为d,则随机由第二用户B,C,D中确定出目标第二评分数据(可例如为第二用户C对应的第二评分),则将第二评分C分配给第一用户A,以作为第一用户A的第一评分a。
根据本公开的机器学习模型的测试数据优化方法,根据所述第一评分为所述测试数据由多个评分数据集合中确定目标评分数据集合,其中,评分数据集合中包括至少一个评分数据,所述评分数据中包括第二评分;以及用所述目标评分数据集合中的目标评分数据中的所述第二评分更新所述测试数据中的所述第一评分的方式,能够对用于机器学习模型的测试数据进行数据优化,得到的测试数据完备准确,从而提高测试后的机器学习模型的准确度。
应清楚地理解,本公开描述了如何形成和使用特定示例,但本公开的原理不限于这些示例的任何细节。相反,基于本公开公开的内容的教导,这些原理能够应用于许多其它实施例。
图2是根据另一示例性实施例示出的一种机器学习模型的测试数据优化方法的流程图。图2所示的流程是对第二评分数据的相关描述。
如图2所示,在S202中,将所述第二类用户数据输入所述至少一个机器学习模型中,基于每一个机器学习模型分别获取模型初始评分数据。可将第二类用户数据,第二类用户可为1万个已经标注好的用户,将第二类用户数据分别输入不同的机器学习模型中,得到多个机器学习模型的结果。
在S204中,根据所述至少一个模型初始评分数据生成所述第二类用户数据对应的所述评分数据。可例如将第二类用户B的数据输入机器学习模型X中,得到x评分结果;还可将将第二类用户B的数据输入机器学习模型Y中,得到y评分结果;还可将将第二类用户B的数据输入机器学习模型Z中,得到z评分结果;综合x,y,z的评分,综合计算得到第二类用户的第二评分结果。
更具体的,通过x,y,z的平均评分计算第二评分,还可将x,y,z的评分分别指定不同的权重,从而综合计算得到第二类用户的第二评分结果。
在S206中,基于所述第二评分的数值将所述评分数据分为多个评分数据集合。可例如,第二评分的数据在0-100区间之中分布,可设置多个区间阈值,具体的,可将0-60分值的第二评分的评分数据放在一个评分集合中,代表较低信用的用户集合,还可将60-80分值的第二评分的评分数据放在另一个评分集合中等等,代表较高信用的用户集合。
在S208中,将所述多个评分数据集合中的至少一个评分集合中的数据进行数据扩展。可例如,将较低分值的评分集合中的数据进行扩展,或者将较关注的分数段的分值对应的评分集合中的数据进行扩展。
在一些实施例中,可例如低分数段(可代表低信用的用户)的第二评分集合中的用户数据较少,为了在模型仿真的过程中,着重考察这部分用户风险的准确度,可将这类用户的评分集合汇总的数据扩展。
图3是根据另一示例性实施例示出的一种机器学习模型的测试数据优化方法的流程图。图3所示的流程是对图2所示的流程中S204“根据所述第一评分为所述测试数据由多个评分数据集合中确定目标评分数据集合”的详细描述.
如图3所示,在S302中,基于所述评分数据中的用户特征将所述评分数据分为多个评分数据集。
在S304中,为所述多个评分数据集分配所述分群标签。
在S306中,获取所述测试数据中的用户特征。
在S308中,基于所述测试数据中的用户特征和所述第一评分数据的数值确定分群标签。
在S310中,基于所述分群标签确定所述目标评分数据集合。
在一个实施例中,可例如根据评分数据中的用户的特征,将评分数据分为多个组群,用户组群结合评分组群生成多个评分数据集合。具体可例如用户特征为女性、年龄20-30岁区间,第二评分数量为60-80分区间,这类用户分为一个评分数据集合,根据不同的特征分为不同的评分集合,并为每个集合确定分群标签。
对于测试数据也同样,根据以上的特征将测试数据一一与评分数据集合中的用户特征和第二评分数据进行比较,一致性较高的时候,为测试数据确定分群标签。
本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时,执行本公开提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中,该存储介质可以是只读存储器,磁盘或光盘等。
此外,需要注意的是,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
下述为本公开装置实施例,可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节,请参照本公开方法实施例。
图4是根据一示例性实施例示出的一种机器学习模型的测试数据优化装置的框图。如图4所示,机器学习模型的测试数据优化装置40包括:数据模块402,集合模块404,更新模块406。
数据模块402用于获取测试数据,所述测试数据中包括第一评分;
集合模块404用于根据所述第一评分为所述测试数据由多个评分数据集合中确定目标评分数据集合,其中,评分数据集合中包括至少一个评分数据,所述评分数据中包括第二评分;
所述集合模块404包括:第一分配单元,用于基于所述第一评分数据的数值为所述测试数据由所述多个评分数据集合中确定所述目标评分数据集合。第二分配单元,用于根据所述第一评分数据的数值与所述测试数据中的用户特征数据由多个评分数据集合中确定所述目标评分数据集合。所述第二分配单元包括:分群子单元,用于获取所述测试数据中的用户特征;基于所述测试数据中的用户特征和所述第一评分数据的数值确定分群标签;以及基于所述分群标签确定所述目标评分数据集合。所述第二分配单元,还包括:分群标签子单元,用于获取所述评分数据中的用户特征;基于所述评分数据中的用户特征将所述评分数据分为多个评分数据集;以及为所述多个评分数据集分配所述分群标签。
更新模块406用于用所述目标评分数据集合中的目标评分数据中的所述第二评分更新所述测试数据中的所述第一评分,其中,更新后的所述测试数据用于进行机器学习模型的模型测试。
更新模块406包括:选择单元,用于随机由所述目标评分数据集合中的至少一个评分数据确定出所述目标评分数据;以及更新单元,用于用所述目标评分数据中的所述第二评分更新所述测试数据中的所述第一评分。
图5是根据另一示例性实施例示出的一种机器学习模型的测试数据优化装置的框图。如图5所示,机器学习模型的测试数据优化装置60包括:第一评分模块502,第二评分模块504。
第一评分模块502用于将第一类用户数据输入预定机器学习模型中,以获取所述测试数据中的第一评分。
第二评分模块504用于将第二类用户数据输入至少一个机器学习模型中,以获取所述评分数据中的第二评分。
所述第二评分模块504包括:输入单元,用于将所述第二类用户数据输入所述至少一个机器学习模型中,基于每一个机器学习模型分别获取模型初始评分数据;以及计算单元,用于根据所述至少一个模型初始评分数据生成所述第二类用户数据对应的所述评分数据。扩展单元,用于基于所述第二评分的数值将所述评分数据分为多个评分数据集合;以及将所述多个评分数据集合中的至少一个评分集合中的数据进行数据扩展。
根据本公开的机器学习模型的测试数据优化装置,根据所述第一评分为所述测试数据由多个评分数据集合中确定目标评分数据集合,其中,评分数据集合中包括至少一个评分数据,所述评分数据中包括第二评分;以及用所述目标评分数据集合中的目标评分数据中的所述第二评分更新所述测试数据中的所述第一评分的方式,能够对用于机器学习模型的测试数据进行数据优化,得到的测试数据完备准确,从而提高测试后的机器学习模型的准确度。
图6是根据一示例性实施例示出的一种电子设备的框图。
下面参照图6来描述根据本公开的这种实施方式的电子设备600。图6显示的电子设备600仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于:至少一个处理单元610、至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640等。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元610执行,使得所述处理单元610执行本说明书上述电子处方流转处理方法部分中描述的根据本公开各种示例性实施方式的步骤。例如,所述处理单元610可以执行如图1,图2,图3中所示的步骤。
所述存储单元620可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202,还可以进一步包括只读存储单元(ROM)6203。
所述存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204,这样的程序模块6205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备600’(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备600交互的设备通信,和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且,电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备600使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,如图7所示,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的上述方法。
所述软件产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,所述程序设计语言包括面向对象的程序设计语言-诸如Java、C++等,还包括常规的过程式程序设计语言-诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该计算机可读介质实现如下功能:获取测试数据,所述测试数据中包括第一评分;根据所述第一评分为所述测试数据由多个评分数据集合中确定目标评分数据集合,其中,评分数据集合中包括至少一个评分数据,所述评分数据中包括第二评分;以及用所述目标评分数据集合中的目标评分数据中的所述第二评分更新所述测试数据中的所述第一评分,其中,更新后的所述测试数据用于进行机器学习模型的模型测试。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中,也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
通过以上的实施例的描述,本领域的技术人员易于理解,这里描述的示例实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施例的方法。
以上具体地示出和描述了本公开的示例性实施例。应可理解的是,本公开不限于这里描述的详细结构、设置方式或实现方法;相反,本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
Claims (14)
1.一种机器学习模型的测试数据优化方法,其特征在于,包括:
获取测试数据,所述测试数据中包括根据第一类用户数据输入预定机器学习模型中获取的第一评分;
将第二类用户数据输入至少一个机器学习模型中,基于每一个机器学习模型分别获取模型初始评分数据;
根据所述至少一个模型初始评分数据生成所述第二类用户数据对应的所述评分数据;
所述评分数据中包括将第二类用户数据输入至少一个机器学习模型中获取的第二评分;
基于所述第二评分的数值将所述评分数据分为多个评分数据集合,将所述多个评分数据集合中的至少一个评分数据集合中的数据进行数据扩展;
根据所述第一评分的数值与所述测试数据中的用户特征数据为所述测试数据由多个评分数据集合中确定目标评分数据集合;
随机由所述目标评分数据集合中的至少一个第二评分确定出所述目标评分数据,并且,用所述目标评分数据更新所述测试数据中的所述第一评分,其中,更新后的所述测试数据用于进行机器学习模型的模型测试。
2.如权利要求1所述的方法,其特征在于,获取第二评分还包括:
将第二类用户数据分别输入不同的机器学习模型中,得到多个机器学习模型的评分结果,综合计算多个评分结果得到第二类用户数据的评分数据中的所述第二评分;
所述多个机器学习模型与测试数据优化对应的机器学习模型均为相同目标的机器学习模型。
3.如权利要求1所述的方法,其特征在于,将所述多个评分数据集合中的至少一个评分集合中的数据进行数据扩展,包括:将低分值的评分集合中的数据进行扩展,或者将关注的分数段的分值对应的评分集合中的数据进行扩展。
4.如权利要求1所述的方法,其特征在于,根据所述第一评分的数值与所述测试数据中的用户特征数据为所述测试数据由多个评分数据集合中确定目标评分数据集合还包括:
将第一评分按照预定的阈值分为不同的等级,为不同等级的第一评分分配不同的目标评分数据集合。
5.如权利要求1所述的方法,其特征在于,根据所述第一评分的数值与所述测试数据中的用户特征数据为所述测试数据由多个评分数据集合中确定目标评分数据集合包括:
获取所述测试数据中的用户特征;
基于所述测试数据中的用户特征和所述第一评分的数值确定分群标签;以及
基于所述分群标签确定所述目标评分数据集合。
6.如权利要求5所述的方法,其特征在于,还包括:
获取所述评分数据中的用户特征;
基于所述评分数据中的用户特征将所述评分数据分为多个评分数据集;以及
为所述多个评分数据集分配所述分群标签。
7.一种机器学习模型的测试数据优化装置,其特征在于,包括:
数据模块,用于获取测试数据,所述测试数据中包括第一评分;
第一评分模块,用于将第一类用户数据输入预定机器学习模型中获取所述测试数据中的第一评分;
第二评分模块,包括:输入单元,用于将第二类用户数据输入至少一个机器学习模型中并基于每一个机器学习模型分别获取模型初始评分数据;计算单元,用于根据所述至少一个模型初始评分数据生成所述第二类用户数据对应的所述评分数据;所述评分数据中包括将所述第二类用户数据输入至少一个机器学习模型中获取的第二评分;扩展单元,用于基于所述第二评分的数值将所述评分数据分为多个评分数据集合并且将所述多个评分数据集合中的至少一个评分集合中的数据进行数据扩展;
集合模块,包括第二分配单元,用于根据所述第一评分的数值与所述测试数据中的用户特征数据为所述测试数据由多个评分数据集合中确定目标评分数据集合;
更新模块,包括:选择单元,用于随机由所述目标评分数据集合中的至少一个第二评分确定出所述目标评分数据;更新单元,用于用所述目标评分数据更新所述测试数据中的所述第一评分;其中,更新后的所述测试数据用于进行机器学习模型的模型测试。
8.如权利要求7所述的装置,其特征在于,所述第二评分模块还包括:
将第二类用户数据分别输入不同的机器学习模型中,得到多个机器学习模型的评分结果,综合计算多个评分结果得到第二类用户数据的评分数据中的所述第二评分;
所述多个机器学习模型与测试数据优化对应的机器学习模型均为相同目标的机器学习模型。
9.如权利要求7所述的装置,其特征在于,
扩展单元还包括:将低分值的评分集合中的数据进行扩展,或者将关注的分数段的分值对应的评分集合中的数据进行扩展。
10.如权利要求7所述的装置,其特征在于,所述集合模块还包括:将第一评分按照预定的阈值分为不同的等级,为不同等级的第一评分分配不同的目标评分数据集合。
11.如权利要求7所述的装置,其特征在于,所述第二分配单元包括:
分群子单元,用于获取所述测试数据中的用户特征;基于所述测试数据中的用户特征和所述第一评分的数值确定分群标签;以及基于所述分群标签确定所述目标评分数据集合。
12.如权利要求11所述的装置,其特征在于,所述第二分配单元,还包括:
分群标签子单元,用于获取所述评分数据中的用户特征;基于所述评分数据中的用户特征将所述评分数据分为多个评分数据集;以及为所述多个评分数据集分配所述分群标签。
13.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
14.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910915417.3A CN110796262B (zh) | 2019-09-26 | 2019-09-26 | 机器学习模型的测试数据优化方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910915417.3A CN110796262B (zh) | 2019-09-26 | 2019-09-26 | 机器学习模型的测试数据优化方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110796262A CN110796262A (zh) | 2020-02-14 |
CN110796262B true CN110796262B (zh) | 2023-09-29 |
Family
ID=69439754
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910915417.3A Active CN110796262B (zh) | 2019-09-26 | 2019-09-26 | 机器学习模型的测试数据优化方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110796262B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101980202A (zh) * | 2010-11-04 | 2011-02-23 | 西安电子科技大学 | 不平衡数据的半监督分类方法 |
CN105303198A (zh) * | 2015-11-17 | 2016-02-03 | 福州大学 | 一种自定步长学习的遥感影像半监督分类方法 |
CN105893381A (zh) * | 2014-12-23 | 2016-08-24 | 天津科技大学 | 一种基于半监督标签传播的微博用户群体划分方法 |
JP2016218527A (ja) * | 2015-05-14 | 2016-12-22 | Kddi株式会社 | スコア付与対象を分類可能な装置、システム、プログラム及び方法 |
CN106897918A (zh) * | 2017-02-24 | 2017-06-27 | 上海易贷网金融信息服务有限公司 | 一种混合式机器学习信用评分模型构建方法 |
CN107943856A (zh) * | 2017-11-07 | 2018-04-20 | 南京邮电大学 | 一种基于扩充标记样本的文本分类方法及系统 |
CN109242039A (zh) * | 2018-09-27 | 2019-01-18 | 东南大学 | 一种基于候选标记估计的未标记数据利用方法 |
CN109993188A (zh) * | 2018-01-02 | 2019-07-09 | 中国移动通信有限公司研究院 | 数据标签识别方法、行为识别方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018152362A1 (en) * | 2017-02-16 | 2018-08-23 | The University Of Tulsa | System and method for providing recommendations to a target user based upon review and ratings data |
-
2019
- 2019-09-26 CN CN201910915417.3A patent/CN110796262B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101980202A (zh) * | 2010-11-04 | 2011-02-23 | 西安电子科技大学 | 不平衡数据的半监督分类方法 |
CN105893381A (zh) * | 2014-12-23 | 2016-08-24 | 天津科技大学 | 一种基于半监督标签传播的微博用户群体划分方法 |
JP2016218527A (ja) * | 2015-05-14 | 2016-12-22 | Kddi株式会社 | スコア付与対象を分類可能な装置、システム、プログラム及び方法 |
CN105303198A (zh) * | 2015-11-17 | 2016-02-03 | 福州大学 | 一种自定步长学习的遥感影像半监督分类方法 |
CN106897918A (zh) * | 2017-02-24 | 2017-06-27 | 上海易贷网金融信息服务有限公司 | 一种混合式机器学习信用评分模型构建方法 |
CN107943856A (zh) * | 2017-11-07 | 2018-04-20 | 南京邮电大学 | 一种基于扩充标记样本的文本分类方法及系统 |
CN109993188A (zh) * | 2018-01-02 | 2019-07-09 | 中国移动通信有限公司研究院 | 数据标签识别方法、行为识别方法及装置 |
CN109242039A (zh) * | 2018-09-27 | 2019-01-18 | 东南大学 | 一种基于候选标记估计的未标记数据利用方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110796262A (zh) | 2020-02-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107040397B (zh) | 一种业务参数获取方法及装置 | |
CN111143226B (zh) | 自动化测试方法及装置、计算机可读存储介质、电子设备 | |
CN108121699B (zh) | 用于输出信息的方法和装置 | |
CN110245232B (zh) | 文本分类方法、装置、介质和计算设备 | |
US11176019B2 (en) | Automated breakpoint creation | |
CN110929524A (zh) | 数据筛选方法、装置、设备及计算机可读存储介质 | |
US11373760B2 (en) | False detection rate control with null-hypothesis | |
CN109359180B (zh) | 用户画像生成方法、装置、电子设备及计算机可读介质 | |
US20190362417A1 (en) | Systems and methods for interpreting analytical results | |
JP6172317B2 (ja) | 混合モデル選択の方法及び装置 | |
JP2023516956A (ja) | パーソナライズされた自動化機械学習 | |
CN109657056B (zh) | 目标样本获取方法、装置、存储介质及电子设备 | |
CN111338897A (zh) | 应用主机中异常节点的识别方法、监测设备和电子设备 | |
CN110796482A (zh) | 用于机器学习模型的金融数据分类方法、装置及电子设备 | |
CN111178687A (zh) | 金融风险分类方法、装置及电子设备 | |
CN112420125A (zh) | 分子属性预测方法、装置、智能设备和终端 | |
US20220335209A1 (en) | Systems, apparatus, articles of manufacture, and methods to generate digitized handwriting with user style adaptations | |
CN114519376A (zh) | 利用神经网络的数据分割 | |
CN113159934A (zh) | 一种网点客流量的预测方法、系统、电子设备及存储介质 | |
US20210150270A1 (en) | Mathematical function defined natural language annotation | |
CN114631099A (zh) | 人工智能透明度 | |
CN111191677A (zh) | 用户特征数据生成方法、装置及电子设备 | |
CN114118526A (zh) | 一种企业风险预测方法、装置、设备及存储介质 | |
US10839936B2 (en) | Evidence boosting in rational drug design and indication expansion by leveraging disease association | |
CN111582313A (zh) | 样本数据生成方法、装置及电子设备 |
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 |