CN111310042A - 基于云计算的协同过滤推荐方法及系统 - Google Patents
基于云计算的协同过滤推荐方法及系统 Download PDFInfo
- Publication number
- CN111310042A CN111310042A CN202010090289.6A CN202010090289A CN111310042A CN 111310042 A CN111310042 A CN 111310042A CN 202010090289 A CN202010090289 A CN 202010090289A CN 111310042 A CN111310042 A CN 111310042A
- Authority
- CN
- China
- Prior art keywords
- recommendation
- collaborative filtering
- client
- log data
- algorithm library
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种基于云计算的协同过滤推荐方法及系统,其中,所述方法包括:获取客户端的日志数据;对所述日志数据进行预处理,以对所述日志数据去噪和降维;通过分布式并行计算模型对日志数据进行分析,以生成频繁项集,并根据客户端的业务需求定制算法库,以使后续对算法库的调用;根据所述算法库和所述频繁项集,生成推荐结果,并将所述推荐结果反馈至所述客户端。本发明通过采用分布式并行计算模型,将大型任务分成很多细粒度的子任务,能够提高在云平台上获得对海量数据的处理能力。
Description
技术领域
本发明涉及互联网技术领域,尤其涉及一种基于云计算的协同过滤推荐方法及系统。
背景技术
随着电子商务网站规模的扩大,一般大型电子商务系统拥有百万数量级的产品和用户,用户和产品数的增长都会导致算法运行的性能下降。
当前主流的电子商务推荐系统构架一般部署于一台或几台Web应用服务器上,对用户输入数据和服务器日志及统计数据进行挖掘处理。随着数据的膨胀,单台服务器的存储已无法满足存储需求。同时随着客户端的增加,单位时间内并发用户不断增加,这会给服务器带来巨大压力,响应给客户端的时间会大大增加。虽然以上瓶颈可以通过增加硬盘的方式扩大存储,甚至采用磁盘阵列,负载均衡等方式解决,但仍然存在I/O读写瓶颈,硬件设备过于集中,硬件成本过高,网络带宽消耗过大等问题。
发明内容
为解决上述问题,本发明提供的基于云计算的协同过滤推荐方法及系统,通过采用分布式并行计算模型,将大型任务分成很多细粒度的子任务,能够提高在云平台上获得对海量数据的处理能力。
第一方面,本发明提供一种基于云计算的协同过滤推荐方法,包括:
获取客户端的日志数据;
对所述日志数据进行预处理,以对所述日志数据去噪和降维;
通过分布式并行计算模型对日志数据进行分析,以生成频繁项集,并根据客户端的业务需求定制算法库,以使后续对算法库的调用;
根据所述算法库和所述频繁项集,生成推荐结果,并将所述推荐结果反馈至所述客户端。
可选地,所述根据所述算法库和所述频繁项集,生成推荐结果,包括:
根据所述算法库和所述频繁项集,并通过BP神经网络模型生成推荐结果。
可选地,所述BP神经网络包括:输入层、隐层和输出层;
所述输入层和所述隐层输出的均为日志数据的特征数据,所述输出层输出客户端所对应的用户对样本物品的喜好程度;
所述通过BP神经网络模型生成推荐结果,包括:
根据客户端所对应的用户对物品的喜好程度,生成推荐结果。
可选地,所述根据所述算法库和所述频繁项集,生成推荐结果,包括:
根据所述算法库和所述频繁项集,并通过协同过滤推荐算法生成推荐结果;
所述协同过滤推荐算法用于根据样本物品的特征,确定与所述样本物品相似的相似物品。
可选地,所述分布式并行计算模型包括:Map Reduce模型。
第二方面,本发明提供一种基于云计算的协同过滤推荐系统,包括:
获取模块,被配置为获取客户端的日志数据;
预处理模块,被配置为对所述日志数据进行预处理,以对所述日志数据去噪和降维;
分析模块,被配置为通过分布式并行计算模型对日志数据进行分析,以生成频繁项集,并根据客户端的业务需求定制算法库,以使后续对算法库的调用;
生成模块,被配置为根据所述算法库和所述频繁项集,生成推荐结果,并将所述推荐结果反馈至所述客户端。
可选地,所述生成模块,进一步被配置为根据所述算法库和所述频繁项集,并通过BP神经网络模型生成推荐结果。
可选地,所述BP神经网络包括:输入层、隐层和输出层;
所述输入层和所述隐层输出的均为日志数据的特征数据,所述输出层输出客户端所对应的用户对样本物品的喜好程度;
所述生成模块,进一步被配置为根据客户端所对应的用户对物品的喜好程度,生成推荐结果。
可选地,所述生成模块,还被配置为根据所述算法库和所述频繁项集,并通过协同过滤推荐算法生成推荐结果;
所述协同过滤推荐算法用于根据样本物品的特征,确定与所述样本物品相似的相似物品。
可选地,所述分布式并行计算模型包括:Map Reduce模型。
本发明实施例提供的基于云计算的协同过滤推荐方法及系统,通过采用分布式并行计算模型,将大型任务分成很多细粒度的子任务,以便于这些子任务分布式且并行地在多个计算节点上进行调度和计算,从而能够提高在云平台上获得对海量数据的处理能力。
附图说明
图1为本申请一实施例的协同过滤推荐方法的示意性流程图;
图2为本申请一实施例的BP神经网络模型的示意性结构图;
图3为本申请一实施例的基于物品的协同过滤推荐算法的示意性原理图;
图4为本申请一实施例的协同过滤推荐系统的示意性结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
第一方面,本发明提供一种基于云计算的协同过滤推荐方法,参见图1,所述方法包括步骤S101至步骤S104:
步骤S101:获取客户端的日志数据。
步骤S102:对所述日志数据进行预处理,以对所述日志数据去噪和降维。
所述预处理包括:数据清洗、用户鉴定、序列鉴定和会话鉴定。
步骤S103:通过分布式并行计算模型对日志数据进行分析,以生成频繁项集,并根据客户端的业务需求定制算法库,以使后续对算法库的调用。
如此能够实现聚类、分类、协同过滤、进化编程等数据挖掘算法,并且允许对算法进行扩展。步骤S104:根据所述算法库和所述频繁项集,生成推荐结果,并将所述推荐结果反馈至所述客户端。
所述基于云计算的协同过滤推荐方法通过采用分布式并行计算模型,将大型任务分成很多细粒度的子任务,以便于这些子任务分布式且并行地在多个计算节点上进行调度和计算,从而能够提高在云平台上获得对海量数据的处理能力。
在一种可选的实施例中,所述根据所述算法库和所述频繁项集,生成推荐结果,包括:
根据所述算法库和所述频繁项集,并通过BP神经网络模型生成推荐结果。
在一种可选的实施例中,所述BP神经网络包括:输入层、隐层和输出层。
所述输入层和所述隐层输出的均为日志数据的特征数据,所述输出层输出客户端所对应的用户对样本物品的喜好程度。
所述通过BP神经网络模型生成推荐结果,包括:
根据客户端所对应的用户对物品的喜好程度,生成推荐结果。
在本实施例中,参见图2,所述BP神经网络模型的构建过程如下:
首先构建一个三层的BP神经网络,将Eab作为神经网络的训练数据,每一行为一个样本。Eab的第一列至倒数第二列为样本特征数据,最后一列为样本标记。
神经网络输入层神经元个数为IDab(IDab中元素的个数)个,隐层神经元个数为超参数需要进行进一步调节,输出层神经元个数为1,最终输出ma对当前制造服务供应商的喜好程度。
例如,将某个制造服务Sb的供应商在IDab上的平均得分输入至训练后的神经网络,输出ma为对当前供应商的喜好程度。再次输入训练好的神经网络即可得到ma对于每个制造服务Sb的供应商的喜好程度,从中选出喜好程度最大的制造服务Sb的供应商记为mmax。
其中,平台参与者:m1,m2,m3,…,mN,其中mi为第i个参与者,其既可以作为制造服务供应商,也可以做作为造服务需求方;
制造服务种类:S1,S2,S3,…,Sp平台共有p种制造服务,其中Si为第i种制造服务;
IDab:表示ma在购买制造服务Sb的侧重指标集合。
在一种可选的实施例中,所述根据所述算法库和所述频繁项集,生成推荐结果,包括:
根据所述算法库和所述频繁项集,并通过协同过滤推荐算法生成推荐结果。
所述协同过滤推荐算法用于根据样本物品的特征,确定与所述样本物品相似的相似物品。
在本实施例中,协同过滤推荐算法采用基于物品的协同过滤推荐算法,基于物品的协同过滤推荐算法的核心思想为:找到与目标用户所喜好物品相似的物品推荐给目标用户。如图3所示,喜欢物品A的用户都喜欢物品C,因此判定物品A与物品C较为相似,而ma喜欢物品A,因此可将物品C推荐给ma。找出与供应商mmax最相似的制造服务Sb的供应商,并按照相似程度进行排序,将相似度排名前q位的服务的供应商推荐给ma。
在一种可选的实施例中,所述分布式并行计算模型包括:Map Reduce模型。而采用Map Reduce模型作为分布式并行计算模型,能够将大型任务分成很多细粒度的子任务,这些子任务分布式且并行地在多个计算节点上进行调度和计算,从而能够使系统在云平台上获得对海量数据的处理能力。其中,在Map Reduce模型中Map操作和Reduce操作被包裹为任务(task),而任务又以MapReduce对的形式被包裹为作业(job)。而负责在集群节点上安排任务执行的软件被称作Task Tracker,每个计算节点上部署一个。用于负责在集群范围内调度作业和任务执行的软件被称作Job Tracker,并在集群内挑选独立的机器来部署。将个性化推荐方法与云计算相关技术进行结合提出的基于云计算的协同过滤推荐方法应用于智能商务推荐过程模型,能够使得智能商务推荐过程模型有效的解决智能推荐方法无法与实际的云计算平台相结合的问题,并可充分利用云计算环境中的各种计算资源同时为用户提供精确的个性化推荐服务。
第二方面,本发明提供一种基于云计算的协同过滤推荐系统,参见图4,所述协同过滤推荐系统200包括:
获取模块201,被配置为获取客户端的日志数据。
预处理模块202,被配置为对所述日志数据进行预处理,以对所述日志数据去噪和降维。
分析模块203,被配置为通过分布式并行计算模型对日志数据进行分析,以生成频繁项集,并根据客户端的业务需求定制算法库,以使后续对算法库的调用。
生成模块204,被配置为根据所述算法库和所述频繁项集,生成推荐结果,并将所述推荐结果反馈至所述客户端。
在一种可选的实施例中,所述生成模块,进一步被配置为根据所述算法库和所述频繁项集,并通过BP神经网络模型生成推荐结果。
在一种可选的实施例中,所述BP神经网络包括:输入层、隐层和输出层。
所述输入层和所述隐层输出的均为日志数据的特征数据,所述输出层输出客户端所对应的用户对样本物品的喜好程度。
所述生成模块204,进一步被配置为根据客户端所对应的用户对物品的喜好程度,生成推荐结果。
在一种可选的实施例中,所述生成模块204,还被配置为根据所述算法库和所述频繁项集,并通过协同过滤推荐算法生成推荐结果。
所述协同过滤推荐算法用于根据样本物品的特征,确定与所述样本物品相似的相似物品。
在一种可选的实施例中,所述分布式并行计算模型包括:Map Reduce模型。
本发明在分布式存储系统的基础上构建了一种新的智能化电子商务个性化推荐系统,即基于云计算的协同过滤推荐系统。所述协同过滤推荐系统能够有效解决大型日志数据的存储、无法实时推荐、算法伸缩性低等问题,为用户提供了动态、实时的个性化服务,实现了商务推荐引擎的个性化和智能化。
本发明通过日志数据以及BP神经网络模型可以预测得知制造服务需求方对于制造服务供应商的喜好程度;同时还能够获取制造服务需求方喜好程度最高的制造服务供应商并计算其与其他供应商的相似度;并在随后按相似度从高到低对供应商进行排序,将相似度较高的制造服务供应商推荐至制造服务需求方。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种基于云计算的协同过滤推荐方法,其特征在于,包括:
获取客户端的日志数据;
对所述日志数据进行预处理,以对所述日志数据去噪和降维;
通过分布式并行计算模型对日志数据进行分析,以生成频繁项集,并根据客户端的业务需求定制算法库,以使后续对算法库的调用;
根据所述算法库和所述频繁项集,生成推荐结果,并将所述推荐结果反馈至所述客户端。
2.根据权利要求1所述的基于云计算的协同过滤推荐方法,其特征在于,所述根据所述算法库和所述频繁项集,生成推荐结果,包括:
根据所述算法库和所述频繁项集,并通过BP神经网络模型生成推荐结果。
3.根据权利要求2所述的基于云计算的协同过滤推荐方法,其特征在于,所述BP神经网络包括:输入层、隐层和输出层;
所述输入层和所述隐层输出的均为日志数据的特征数据,所述输出层输出客户端所对应的用户对样本物品的喜好程度;
所述通过BP神经网络模型生成推荐结果,包括:
根据客户端所对应的用户对物品的喜好程度,生成推荐结果。
4.根据权利要求2所述的基于云计算的协同过滤推荐方法,其特征在于,所述根据所述算法库和所述频繁项集,生成推荐结果,包括:
根据所述算法库和所述频繁项集,并通过协同过滤推荐算法生成推荐结果;
所述协同过滤推荐算法用于根据样本物品的特征,确定与所述样本物品相似的相似物品。
5.根据权利要求1所述的基于云计算的协同过滤推荐方法,其特征在于,所述分布式并行计算模型包括:Map Reduce模型。
6.一种基于云计算的协同过滤推荐系统,其特征在于,包括:
获取模块,被配置为获取客户端的日志数据;
预处理模块,被配置为对所述日志数据进行预处理,以对所述日志数据去噪和降维;
分析模块,被配置为通过分布式并行计算模型对日志数据进行分析,以生成频繁项集,并根据客户端的业务需求定制算法库,以使后续对算法库的调用;
生成模块,被配置为根据所述算法库和所述频繁项集,生成推荐结果,并将所述推荐结果反馈至所述客户端。
7.根据权利要求6所述的基于云计算的协同过滤推荐系统,其特征在于,所述生成模块,进一步被配置为根据所述算法库和所述频繁项集,并通过BP神经网络模型生成推荐结果。
8.根据权利要求7所述的基于云计算的协同过滤推荐系统,其特征在于,所述BP神经网络包括:输入层、隐层和输出层;
所述输入层和所述隐层输出的均为日志数据的特征数据,所述输出层输出客户端所对应的用户对样本物品的喜好程度;
所述生成模块,进一步被配置为根据客户端所对应的用户对物品的喜好程度,生成推荐结果。
9.根据权利要求7所述的基于云计算的协同过滤推荐系统,其特征在于,所述生成模块,还被配置为根据所述算法库和所述频繁项集,并通过协同过滤推荐算法生成推荐结果;
所述协同过滤推荐算法用于根据样本物品的特征,确定与所述样本物品相似的相似物品。
10.根据权利要求7所述的基于云计算的协同过滤推荐系统,其特征在于,所述分布式并行计算模型包括:Map Reduce模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010090289.6A CN111310042A (zh) | 2020-02-13 | 2020-02-13 | 基于云计算的协同过滤推荐方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010090289.6A CN111310042A (zh) | 2020-02-13 | 2020-02-13 | 基于云计算的协同过滤推荐方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111310042A true CN111310042A (zh) | 2020-06-19 |
Family
ID=71147061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010090289.6A Pending CN111310042A (zh) | 2020-02-13 | 2020-02-13 | 基于云计算的协同过滤推荐方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111310042A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102169505A (zh) * | 2011-05-16 | 2011-08-31 | 苏州两江科技有限公司 | 基于云计算的推荐系统构建方法 |
CN103345698A (zh) * | 2013-07-09 | 2013-10-09 | 焦点科技股份有限公司 | 电子商务环境下基于云计算处理模式的个性化推荐方法 |
CN103577403A (zh) * | 2012-07-19 | 2014-02-12 | 镇江雅迅软件有限责任公司 | 基于云计算技术的推荐系统实现方法 |
CN105183841A (zh) * | 2015-09-06 | 2015-12-23 | 南京游族信息技术有限公司 | 大数据环境下结合频繁项集和深度学习的推荐方法 |
CN105488216A (zh) * | 2015-12-17 | 2016-04-13 | 上海中彦信息科技有限公司 | 基于隐式反馈协同过滤算法的推荐系统及方法 |
CN108122153A (zh) * | 2016-11-28 | 2018-06-05 | 宁波有哒云商务服务有限公司 | 电子商务环境下基于云计算处理模式的个性化推荐方法 |
CN108198045A (zh) * | 2018-01-30 | 2018-06-22 | 东华大学 | 基于电子商务网站数据挖掘的混合推荐系统的设计方法 |
-
2020
- 2020-02-13 CN CN202010090289.6A patent/CN111310042A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102169505A (zh) * | 2011-05-16 | 2011-08-31 | 苏州两江科技有限公司 | 基于云计算的推荐系统构建方法 |
CN103577403A (zh) * | 2012-07-19 | 2014-02-12 | 镇江雅迅软件有限责任公司 | 基于云计算技术的推荐系统实现方法 |
CN103345698A (zh) * | 2013-07-09 | 2013-10-09 | 焦点科技股份有限公司 | 电子商务环境下基于云计算处理模式的个性化推荐方法 |
CN105183841A (zh) * | 2015-09-06 | 2015-12-23 | 南京游族信息技术有限公司 | 大数据环境下结合频繁项集和深度学习的推荐方法 |
CN105488216A (zh) * | 2015-12-17 | 2016-04-13 | 上海中彦信息科技有限公司 | 基于隐式反馈协同过滤算法的推荐系统及方法 |
CN108122153A (zh) * | 2016-11-28 | 2018-06-05 | 宁波有哒云商务服务有限公司 | 电子商务环境下基于云计算处理模式的个性化推荐方法 |
CN108198045A (zh) * | 2018-01-30 | 2018-06-22 | 东华大学 | 基于电子商务网站数据挖掘的混合推荐系统的设计方法 |
Non-Patent Citations (1)
Title |
---|
安璐;欧孟花;李纲;: "数据挖掘课程的知识体系构建" * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zarzour et al. | A new collaborative filtering recommendation algorithm based on dimensionality reduction and clustering techniques | |
CN109902849B (zh) | 用户行为预测方法及装置、行为预测模型训练方法及装置 | |
Kim et al. | Improved churn prediction in telecommunication industry by analyzing a large network | |
US8793154B2 (en) | Customer relevance scores and methods of use | |
US20130231975A1 (en) | Product cycle analysis using social media data | |
US20140032475A1 (en) | Systems And Methods For Determining Customer Brand Commitment Using Social Media Data | |
Jerath et al. | An information stock model of customer behavior in multichannel customer support services | |
JP2021118000A (ja) | アイテム推奨方法、システム、プログラム、電子機器及び記憶媒体 | |
CN111737576B (zh) | 应用功能个性化推荐方法和装置 | |
CN113379449B (zh) | 多媒体资源召回方法、装置、电子设备以及存储介质 | |
CN106651544A (zh) | 最少用户交互的会话式推荐系统 | |
US20210383259A1 (en) | Dynamic workflow optimization using machine learning techniques | |
CN114117235A (zh) | 采用人工智能分析的电商内容推送方法及电商大数据系统 | |
Kumar et al. | Adaptive Learning based Prediction Framework for Cloud Datacenter Networks' Workload Anticipation. | |
De Koninck et al. | An approach for incorporating expert knowledge in trace clustering | |
Rai et al. | Using open source intelligence as a tool for reliable web searching | |
US11961115B2 (en) | Machine learning with data synthesization | |
Li et al. | Context-aware bandits | |
US7756802B2 (en) | Combiner training and evaluation with random data partition | |
Trautmann et al. | Challenges of data management and analytics in omni-channel CRM | |
Liu et al. | Probability matrix of request-solution mapping for efficient service selection | |
CN111310042A (zh) | 基于云计算的协同过滤推荐方法及系统 | |
CN114049161B (zh) | 基于电商大数据反馈的推送优化方法及电商大数据系统 | |
CN114510627A (zh) | 对象推送方法、装置、电子设备及存储介质 | |
Bidyuk et al. | The algorithm for predicting the cryptocurrency rate taking into account the influence of posts of a group of famous people in social networks |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230703 Address after: B2, Floor 20, Yanxiang Science and Technology Building, No. 31, Gaoxin Middle Fourth Road, Maling Community, Yuehai Street, Nanshan District, Shenzhen, Guangdong 518057 Applicant after: Shenzhen Jiuniuyimao Intelligent Internet of Things Technology Co.,Ltd. Address before: No.1, Yanxiang Zhigu chuangxiangdi, No.11, Gaoxin Road, Guangming New District, Shenzhen, Guangdong 518107 Applicant before: EVOC INTELLIGENT TECHNOLOGY Co.,Ltd. |
|
TA01 | Transfer of patent application right |