CN111461907A - 一种面向社交网络平台的动态网络表征学习方法 - Google Patents
一种面向社交网络平台的动态网络表征学习方法 Download PDFInfo
- Publication number
- CN111461907A CN111461907A CN202010174189.1A CN202010174189A CN111461907A CN 111461907 A CN111461907 A CN 111461907A CN 202010174189 A CN202010174189 A CN 202010174189A CN 111461907 A CN111461907 A CN 111461907A
- Authority
- CN
- China
- Prior art keywords
- network
- matrix
- dynamic
- learning method
- dynamic 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims abstract description 50
- 239000013598 vector Substances 0.000 claims abstract description 19
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000004574 scanning tunneling microscopy Methods 0.000 claims description 19
- 238000012512 characterization method Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 210000004027 cell Anatomy 0.000 claims description 6
- 230000003068 static effect Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 230000006855 networking Effects 0.000 claims 1
- 238000013135 deep learning Methods 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- UXDBPOWEWOXJCE-DIPNUNPCSA-N 1,2-dihexadecyl-sn-glycero-3-phosphoethanolamine Chemical compound CCCCCCCCCCCCCCCCOC[C@H](COP(O)(=O)OCCN)OCCCCCCCCCCCCCCCC UXDBPOWEWOXJCE-DIPNUNPCSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005624 perturbation theories Effects 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种面向社交网络平台的动态网络表征学习方法,包括如下步骤:根据输入的原始数据,对其中所有出现过的节点进行编号;根据编号后的节点序列以及原始数据,构建一个动态网络;得到动态网络的邻接矩阵、自环邻接矩阵以及对应的度矩阵;将所得矩阵作为输入交由深度神经网络模型进行学习;训练神经网络模型,将原始高维稀疏矩阵转换为低维稠密的向量,并将网络所携带的时序信息也嵌入在新的向量空间中。本发明通过使用图卷积神经网络来对网络数据进行特征提取并结合LSTM捕捉网络中潜在的时序信息,使得高维网络中蕴含的特征信息以及时序信息都可以被捕获到,具有很好的普适性,可以应用到所有有关的网络分析任务中。
Description
技术领域
本发明属于表征学习技术领域,具体涉及一种面向社交网络平台的动态网络表征学习方法。
背景技术
网络表征学习旨在将网络中的节点表示成低维、实值、稠密的向量形式,使得得到的向量形式可以在向量空间中具有表示以及推理的能力。目前,静态网络表征学习算法得到了长远的发展,然而在现实世界中的网络大多数都是动态的而不是静态的,即网络中的节点或者边是会随着时间的变化发生增加或者减少的。简单地将现有的静态网络表征学习算法应用于动态网络的每一个快照,通常会导致稳定性、灵活性以及效率方面差强人意,如何设计算法使之更加适用于动态网络表征学习成为了值得研究的一个问题。
基于特征值分解的动态网络表征学习方法通过对复杂网络的邻接矩阵和其属性矩阵进行特征值分解,从而得到每个节点的向量表示。从矩阵角度看,网络动态演变的过程等价于邻接矩阵和属性矩阵在不断发生变化。基于特征值分解的算法正是利用这些变化,根据矩阵的摄动理论来对网络的向量进行更新,主要包括DANE、DHPE和TIMERS等方法。此类方法依赖于所要分解的矩阵并且随着网络规模的扩大,算法的时间复杂度和空间复杂度会成倍提高。
基于Skip-Gram的动态网络表征学习方法通过随机游走将原始网络转换为节点序列的集合,借助于词表征的思想,通过每个节点上下文的信息从而达到节点表征的学习,主要包括DNE、HTNE和NetWalk等方法。此类方法的性能取决于所选取的游走策略,并且由于随机游走对网络边缘节点采样存在不全面的将问题,因此算法的性能还存在提升空间。
基于深度学习的动态网络表征学习方法通过利用深度学习领域的复杂结构来实现对原始动态网络结构以及信息的提取,从而实现网络表征的学习。主要包括借助于自编码器实现的DynGEM和dyngraph2vec等方法,以及使用图卷积神经网络实现的DyRep等方法。对于使用传统深度学习的动态网络表征学习方法,由于网络数据属于非欧式空间,传统的深度学习方法在非欧式空间数据上的特征提取同样存在提升的空间。
发明内容
发明目的:本发明提供一种面向社交网络平台的动态网络表征学习方法,该方法主要针对社交网络平台中存在的复杂网络,利用深度学习来对节点之间存在的复杂的、高度非线性的关系进行学习,在捕获动态网络中的时序信息的同时将高维、稀疏的矩阵转化为低维、实值、稠密的向量形式。
发明内容:本发明提供一种面向社交网络平台的动态网络表征学习方法,包括以下步骤:
(2)根据编号后的节点序列以及原始数据,构建一个动态网络用来表示网络在时间轴上的一系列快照,其中Gt=(Vt,Et)表示的就是动态网络在t时刻的网络结构,其中Vt∈V表示t时刻网络中存在的节点,Et∈E表示的是t时刻网络中存在的边;
(5)将由步骤(4)处理后得到的网络特征,使用多层LSTM网络结构捕捉动态网络演化过程中的时序信息并实现对原始输入数据的嵌入操作;
(6)将由步骤(5)处理后得到的网络表征向量通过全连接神经网络进行解码操作,并得到下一时刻网络结构的预测结果;
(7)根据步骤(4)至步骤(6)构建出深度神经网络模型,利用反向传播算法对该模型进行训练,修正各层神经元的权重系数。
进一步地,所述步骤(4)通过以下公式实现:
进一步地,所述步骤(5)通过以下公式实现:
其中,表示该单元的输出,表示LSTM的单元状态,是触发忘记门的值,Wf表示忘记门中的权重参数,是触发输出门的值,代表触发LSTM的更新门的值,Wi表示更新门中的权重参数,代表新的估计候选状态,WC表示候选状态得到过程中涉及到的权重,b代表偏差值,在第一层中可以设置l个LSTM,其中单元状态和隐藏表示从t-l到t时刻的连锁传递,第k层的计算公式记为:
其中,σ为激活函数,WRNN是LSTM网络的权重参数矩阵。
进一步地,步骤(7)所述的深度神经网络模型主要包括编码阶段和解码阶段两部分。
进一步地,步骤(7)所述深度神经网络模型的损失函数为:
通过在t+l时刻学习到的嵌入对t+l+1时刻网络重构中出现的错误边进行一定的惩罚,从而修正权重参数;其中,代表Hadamard积,加权矩阵B用来对网络中边重构进行修正,其中Bij=βfor(i,j)∈Et+l+1,否则为1。
有益效果:与现有技术相比,本发明的有益效果:
1、本发明利用神经网络模型来对原始的动态网络进行学习,在实现过程中考虑到网络所携带的时序信息,从而将动态网络以低维、实值、稠密的向量形式进行表示,在得到网络表征向量的同时预测下一阶段网络结构;
2、本发明在动态网络表征学习过程中,利用卷积操作来扫描整个空间中的数据,从而获得更加全面的信息;于此同时充分考虑到非欧氏空间数据的特点,利用专门针对于图的图卷积神经网络来从网络数据中提取特征向量,从而提取网络中潜在的特征向量;
3、本发明将提取到的网络特征数据交由LSTM来从不同时间下的向量中学习潜在的时序信息,避免传统循环神经网络梯度爆炸与梯度消失等问题,并且LSTM在处理时序信息数据具有更好的效果;
4、本发明充分考虑了实际网络中的有效信息,并在不同类型的复杂网络数据上都取得了优异的效果,具有良好的实用性。
附图说明
图1为本发明方法的模型示意图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
如图1所示,本发明提供一种面向社交网络平台的动态网络表征学习方法,包括如下步骤:
读取原始数据,该数据为DBLP论文引用排名前500的作者组成的并以(year,node_1,node_2)三元组形式展示,其中字段含义分别为年份、节点1编号和节点2编号。取前40条记录,如下所示:
根据读取到的数据,对其中所有出现过的节点进行编号,并将编号作为节点自身的id,每个节点的编号唯一,得到节点的集合V={(0,0),(1,1),(2,2),(3,3),(4,4),(5,5),(6,9),(7,11),(8,35),(9,57),(10,74),(11,103),(12,123),(13,128),(14,194),(15,224),(16,234),(17,244),(18,251),(19,260),(20,279),(21,307),(22,332),(23,352),(24,361),(25,389),(26,431),(27,446)}。
2、根据编号后的节点序列以及原始数据,构建一个动态网络用来表示网络在时间轴上的一系列快照,其中Gt=(Vt,Et)表示的就是动态网络在t时刻的网络结构,其中Vt∈V表示t时刻网络中存在的节点,Et∈E表示的是t时刻网络中存在的边。
此处,邻接矩阵的维度为28×28其中1代表两节点有边相连,而0则表示没有,结果如下所示:
将自环邻接矩阵以及度矩阵作为深度神经网络模型的输入,对于卷积神经网络来说,我们将单位矩阵作为特征矩阵;
5、将由步骤4处理后得到的网络特征,使用多层LSTM网络结构捕捉动态网络演化过程中的时序信息并实现对原始输入数据的嵌入操作。
捕捉时序信息所使用的LSTM网络的隐藏状态定义为:
其中表示该单元的输出,表示LSTM的单元状态,是触发忘记门的值,Wf表示忘记门中的权重参数,是触发输出门的值,代表触发LSTM的更新门的值,Wi表示更新门中的权重参数,代表新的估计候选状态,WC表示候选状态得到过程中涉及到的权重,b代表偏差值。在第一层中可以设置l个LSTM,其中单元状态和隐藏表示从t-l到t时刻的连锁传递。第k层的计算公式记为:
其中,σ为激活函数,WRNN是LSTM网络的权重参数矩阵。
6、将由步骤5处理后得到的网络表征向量通过全连接神经网络进行解码操作,并得到下一时刻网络结构的预测结果。
7、构建深度神经网络模型,利用反向传播算法对该模型进行训练,修正各层神经元的权重系数,最终得到低维稠密的网络表征向量。
深度神经网络模型主要是由图卷积网络(GCN)和长短时记忆(LSTM)网络组成的编码阶段和全连接网络组成的解码阶段两部分。
深度神经网络模型的损失函数定义为:
公式中,通过在t+l时刻学习到的嵌入对t+l+1时刻网络重构中出现的错误边进行一定的惩罚,从而修正权重参数。其中,代表Hadamard积,加权矩阵B用来对网络中边重构进行修正,其中Bij=βfor(i,j)∈Et+l+1,否则为1。
最终由28×28维的原始网络得到28×5维的节点表征向量,前5个节点最终学习到的向量如下所示:
Claims (5)
1.一种面向社交网络平台的动态网络表征学习方法,其特征在于,包括以下步骤:
(2)根据编号后的节点序列以及原始数据,构建一个动态网络用来表示网络在时间轴上的一系列快照,其中Gt=(Vt,Et)表示的就是动态网络在t时刻的网络结构,其中Vt∈V表示t时刻网络中存在的节点,Et∈E表示的是t时刻网络中存在的边;
(5)将由步骤(4)处理后得到的网络特征,使用多层LSTM网络结构捕捉动态网络演化过程中的时序信息并实现对原始输入数据的嵌入操作;
(6)将由步骤(5)处理后得到的网络表征向量通过全连接神经网络进行解码操作,并得到下一时刻网络结构的预测结果;
(7)根据步骤(4)至步骤(6)构建出深度神经网络模型,利用反向传播算法对该模型进行训练,修正各层神经元的权重系数。
4.根据权利要求1所述的一种面向社交网络平台的动态网络表征学习方法,其特征在于,步骤(7)所述的深度神经网络模型主要包括编码阶段和解码阶段两部分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010174189.1A CN111461907A (zh) | 2020-03-13 | 2020-03-13 | 一种面向社交网络平台的动态网络表征学习方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010174189.1A CN111461907A (zh) | 2020-03-13 | 2020-03-13 | 一种面向社交网络平台的动态网络表征学习方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111461907A true CN111461907A (zh) | 2020-07-28 |
Family
ID=71684454
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010174189.1A Pending CN111461907A (zh) | 2020-03-13 | 2020-03-13 | 一种面向社交网络平台的动态网络表征学习方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111461907A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112446489A (zh) * | 2020-11-25 | 2021-03-05 | 天津大学 | 基于变分自编码器的动态网络嵌入链接预测方法 |
CN113065974A (zh) * | 2021-03-16 | 2021-07-02 | 西北工业大学 | 一种基于动态网络表示学习的链路预测方法 |
CN113111865A (zh) * | 2021-05-13 | 2021-07-13 | 广东工业大学 | 一种基于深度学习的跌倒行为检测方法和系统 |
CN114118375A (zh) * | 2021-11-29 | 2022-03-01 | 吉林大学 | 一种基于时序图Transformer的连续动态网络表征学习方法 |
CN115208680A (zh) * | 2022-07-21 | 2022-10-18 | 中国科学院大学 | 一种基于图神经网络的动态网络风险预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107423814A (zh) * | 2017-07-31 | 2017-12-01 | 南昌航空大学 | 一种采用深度卷积神经网络建立动态网络模型的方法 |
CN110263280A (zh) * | 2019-06-11 | 2019-09-20 | 浙江工业大学 | 一种基于多视图的动态链路预测深度模型及应用 |
CN110413844A (zh) * | 2019-05-24 | 2019-11-05 | 浙江工业大学 | 基于时空注意力深度模型的动态链路预测方法 |
-
2020
- 2020-03-13 CN CN202010174189.1A patent/CN111461907A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107423814A (zh) * | 2017-07-31 | 2017-12-01 | 南昌航空大学 | 一种采用深度卷积神经网络建立动态网络模型的方法 |
CN110413844A (zh) * | 2019-05-24 | 2019-11-05 | 浙江工业大学 | 基于时空注意力深度模型的动态链路预测方法 |
CN110263280A (zh) * | 2019-06-11 | 2019-09-20 | 浙江工业大学 | 一种基于多视图的动态链路预测深度模型及应用 |
Non-Patent Citations (1)
Title |
---|
陈晋音 等: "基于时空注意力深度模型的动态链路预测", 《小型微型计算机系统》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112446489A (zh) * | 2020-11-25 | 2021-03-05 | 天津大学 | 基于变分自编码器的动态网络嵌入链接预测方法 |
CN112446489B (zh) * | 2020-11-25 | 2023-05-05 | 天津大学 | 基于变分自编码器的动态网络嵌入链接预测方法 |
CN113065974A (zh) * | 2021-03-16 | 2021-07-02 | 西北工业大学 | 一种基于动态网络表示学习的链路预测方法 |
CN113065974B (zh) * | 2021-03-16 | 2023-08-18 | 西北工业大学 | 一种基于动态网络表示学习的链路预测方法 |
CN113111865A (zh) * | 2021-05-13 | 2021-07-13 | 广东工业大学 | 一种基于深度学习的跌倒行为检测方法和系统 |
CN113111865B (zh) * | 2021-05-13 | 2023-08-15 | 广东工业大学 | 一种基于深度学习的跌倒行为检测方法和系统 |
CN114118375A (zh) * | 2021-11-29 | 2022-03-01 | 吉林大学 | 一种基于时序图Transformer的连续动态网络表征学习方法 |
CN114118375B (zh) * | 2021-11-29 | 2024-05-10 | 吉林大学 | 一种基于时序图Transformer的连续动态网络表征学习方法 |
CN115208680A (zh) * | 2022-07-21 | 2022-10-18 | 中国科学院大学 | 一种基于图神经网络的动态网络风险预测方法 |
US11934536B2 (en) | 2022-07-21 | 2024-03-19 | University Of Chinese Academy Of Sciences | Dynamic network risk predicting method based on a graph neural network |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111461907A (zh) | 一种面向社交网络平台的动态网络表征学习方法 | |
CN109271522B (zh) | 基于深度混合模型迁移学习的评论情感分类方法及系统 | |
CN110046252B (zh) | 一种基于注意力机制神经网络与知识图谱的医疗文本分级方法 | |
CN112381179B (zh) | 一种基于双层注意力机制的异质图分类方法 | |
CN112087447B (zh) | 面向稀有攻击的网络入侵检测方法 | |
CN112308326B (zh) | 一种基于元路径和双向编码器的生物网络链接预测方法 | |
CN111259917B (zh) | 一种基于局部近邻成分分析的图像特征提取方法 | |
CN113190688A (zh) | 基于逻辑推理和图卷积的复杂网络链接预测方法及系统 | |
CN112686376A (zh) | 一种基于时序图神经网络的节点表示方法及增量学习方法 | |
CN113822419A (zh) | 一种基于结构信息的自监督图表示学习运行方法 | |
CN112578089A (zh) | 一种基于改进tcn的空气污染物浓度预测方法 | |
CN116383401A (zh) | 一种融合文本描述与图卷积机制的知识图谱补全方法 | |
CN115062727A (zh) | 一种基于多阶超图卷积网络的图节点分类方法及系统 | |
CN117035013A (zh) | 一种采用脉冲神经网络预测动态网络链路的方法 | |
CN110993121A (zh) | 一种基于双协同线性流形的药物关联预测方法 | |
CN108629401A (zh) | 基于局部感知递归神经网络的字符级语言模型预测方法 | |
CN115081516A (zh) | 一种基于生物连接组时变卷积网络的物联网流量预测方法 | |
CN114330672A (zh) | 多信息聚合的图残差生成模型、分类方法、电子设备及存储介质 | |
CN112597890A (zh) | 基于多维泰勒网的人脸识别方法 | |
CN112288078A (zh) | 一种基于脉冲神经网络的自学习、小样本学习和迁移学习的方法与系统 | |
CN112818982A (zh) | 基于深度特征自相关性激活的农业害虫图像检测方法 | |
CN113379068B (zh) | 基于结构化数据的深度学习架构搜索方法 | |
CN115761654B (zh) | 一种车辆重识别方法 | |
FangYuan et al. | A Multi-view Images Classification Based on Deep Graph Convolution | |
CN116311280B (zh) | 基于图注意力网络的电子公文主题标引方法及系统 |
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: 210003 Gulou District, Jiangsu, Nanjing new model road, No. 66 Applicant after: NANJING University OF POSTS AND TELECOMMUNICATIONS Address before: Yuen Road Qixia District of Nanjing City, Jiangsu Province, No. 9 210046 Applicant before: NANJING University OF POSTS AND TELECOMMUNICATIONS |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200728 |