CN112000389A - 一种配置推荐方法、系统、装置及计算机存储介质 - Google Patents
一种配置推荐方法、系统、装置及计算机存储介质 Download PDFInfo
- Publication number
- CN112000389A CN112000389A CN202010589204.9A CN202010589204A CN112000389A CN 112000389 A CN112000389 A CN 112000389A CN 202010589204 A CN202010589204 A CN 202010589204A CN 112000389 A CN112000389 A CN 112000389A
- Authority
- CN
- China
- Prior art keywords
- configuration
- parameters
- parameter
- classification library
- expected value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims abstract description 38
- 238000012216 screening Methods 0.000 claims abstract description 14
- 238000010276 construction Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000009193 crawling Effects 0.000 claims description 6
- 238000005065 mining Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000010365 information processing Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/445—Program loading or initiating
- G06F9/44505—Configuring for program initiating, e.g. using registry, configuration files
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种配置推荐方法、系统、装置及计算机存储介质，方法包括获取用户的配置需求，基于所述配置需求提取关键参数；在预先构建的分类库中，筛选出所述关键参数对应的参数集合；匹配所述参数集合对应的整合对象矩阵，根据整合对象矩阵从训练好的模型中匹配配置参数作为推荐结果。本发明通过对现有的配置数据进行收集分析，形成分类库，并对分类库中的参数进行训练，得到不同参数集合下对应的配置参数并将其写入模型，在对接用户时，通过获取用户需求，基于分类库筛选，从模型中获取最优配置参数，大幅节省配置时间，提高学习和工作效率。
Description
技术领域
本发明涉及计算机配置技术领域，尤其是一种配置推荐方法、系统、装置及计算机存储介质。
背景技术
随着技术的发展，市面上软件及系统版本的更新迭代加快，用户在使用计算机时需要配置的东西越来越多，例如软件文件配置、网络配置和系统配置等。
但是目前并不是所有人对所有的配置都了如指掌，很多情况下人们在配置参数时往往需要做大量的前期工作，进行多方查询验证，简单的配置可能需要很长时间才能配置完成。
发明内容
本发明提供了一种配置推荐方法、系统、装置及计算机存储介质，用于解决现有配置耗费时间的问题。
为实现上述目的，本发明采用下述技术方案：
本发明第一方面提供了一种配置推荐方法，所述方法包括以下步骤：
获取用户的配置需求，基于所述配置需求提取关键参数；
在预先构建的分类库中，筛选出所述关键参数对应的参数集合；
匹配所述参数集合对应的整合对象矩阵，根据整合对象矩阵从训练好的模型中匹配配置参数作为推荐结果。
进一步地，所述分类库的构建过程为：
爬取待配置对象的配置数据，形成资料库；
挖掘资料库中当前待配置对象的配置参数；
以参数数量进行分类，形成不同数量配置参数对应的参数集合，将关于参数数量的集合作为分类库的第一层数据；
将第一层数据对应的参数数值形成的集合作为分类库的第二层数据。
进一步地，所述模型的训练过程为：
基于分类库第一层数据中的参数集合，以N个参数一组，随机从集合中匹配N个参数，得到若干个新集合，所述若干个新集合整合成一个对象矩阵，其中2≤N≤当前参数集合中的参数个数；
为对象矩阵中每个新集合设定期望值，基于分类库第二层数据中的参数数值，计算每个新集合的实际期望值，比较实际期望值与设定期望值，若符合预设的容忍比例，则将当前新集合对应的参数计入模型中。
进一步地，所述实际期望值的计算具体为：
Yij＝Pij*X
式中，i、j表示当前新集合在对象矩阵中对应i行、j列，Pij表示当前新集合在当前对象矩阵中出现的概率；X表示当前新集合包含参数的线性拟合值
进一步地，所述容忍比例的计算具体为：
Rm＝(Yij/Qm)
式中，Yij和Qm分别对应当前新集合的实际期望值和设定期望值。
本发明第二方面提供了一种配置推荐系统，所述系统包括：
需求分析模块，用于获取用户的配置需求，基于所述配置需求提取关键参数；
筛选处理模块，用于在预先构建的分类库中，筛选出所述关键参数对应的参数集合；
参数推荐模块，用于匹配所述参数集合对应的整合对象矩阵，根据整合对象矩阵从训练好的模型中匹配配置参数作为推荐结果。
进一步地，所述系统还包括分类库构建模块，用于形成分类库，所述分类库构建模块包括：
信息获取单元，用于爬取待配置对象的配置数据，形成资料库；
信息处理单元，用于挖掘资料库中当前待配置对象的配置参数；
第一构建单元，以参数数量进行分类，形成不同数量配置参数对应的参数集合，将关于参数数量的集合作为分类库的第一层数据；
第二构建单元，将第一层数据对应的参数数值形成的集合作为分类库的第二层数据。
进一步地，所述系统还包括模型训练模块，基于所述分类库中的数据进行训练，所述模型训练模块包括：
对象矩阵构建单元，基于分类库第一层数据中的参数集合，以N个参数一组，随机从集合中匹配N个参数，得到若干个新集合，所述若干个新集合整合成一个对象矩阵，其中2≤N≤当前参数集合中的参数个数；
计算单元，为对象矩阵中每个新集合设定期望值，基于分类库第二层数据中的参数数值，计算每个新集合的实际期望值，比较实际期望值与设定期望值，若符合预设的容忍比例，则将当前新集合对应的参数计入模型中。
本发明第三方面提供了一种配置推荐装置，所述装置包括所述的系统、分类库和模型。
本发明第四方面提供了一种计算机存储介质，所述计算机存储介质中存储有计算机指令，所述计算机指令在配置推荐系统上运行时，使所述配置推荐系统执行所述的配置推荐方法。
发明内容中提供的效果仅仅是实施例的效果，而不是发明所有的全部效果，上述技术方案中的一个技术方案具有如下优点或有益效果：
1、本发明通过对现有的配置数据进行收集分析，形成分类库，并对分类库中的参数进行训练，得到不同参数集合下对应的配置参数并将其写入模型，在对接用户时，通过获取用户需求，通过分类库筛选，从模型中获取最优配置参数，大幅节省配置时间，提高学习和工作效率。
2、在构建分类库时，以参数数量作为分类依据，形成若干参数集合，在进行模型训练时，针对参数集合形成多个对象，对对象中的每个新集合分别进行计算，得到其对应的容忍比例，将符合条件的新集合写入模型中，用于推荐给用户。对象中包含了当前数量参数下，参数集合中所有参数可能的组合情况，因此对应训练后的结果全面、准确，参考价值强。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，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是本发明所述方法的流程示意图；
图2是本发明所述系统实施例的结构示意图；
图3是本发明所述装置的结构示意图。
具体实施方式
为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
如图1所示，本发明一种配置推荐方法，包括以下步骤：
S1,获取用户的配置需求，基于所述配置需求提取关键参数；
S2,在预先构建的分类库中，筛选出所述关键参数对应的参数集合；
S3,匹配所述参数集合对应的整合对象矩阵，根据整合对象矩阵从训练好的模型中匹配配置参数作为推荐结果。
在进行上述步骤所示的配置推荐之前，首先需要构建分类库，并基于分类库中的数据进行模型训练。
分类库的构建过程为：调研市场上常用的软件、系统等名称，匹配对应版本以及满足近5年内市场使用率60以上的配置参数数据。利用爬虫在互联网上爬取待配置对象的配置数据，形成资料库；挖掘资料库中当前待配置对象的配置参数；以参数数量进行分类，形成不同数量配置参数对应的参数集合，从两个参数开始，形成若干键值对，具体为K1—2个参数集合，K2—3个参数集合,K3—4个参数集合..Kn—n+1个参数集合，将关于参数数量的集合作为分类库的第一层数据；将第一层数据对应的参数数值形成的集合作为分类库的第二层数据，具体为key---value。
模型的训练过程为：
基于分类库第一层数据中的参数集合，以N个参数一组，随机从集合中匹配N个参数，得到若干个新集合，所述若干个新集合整合成一个对象矩阵，其中2≤N≤当前参数集合中的参数个数；例如当前的参数结合为[C1,C2,C3..Cn],其中Cn表示参数，以上述N取2为例，即以两个参数为一组，随机从集合匹配参数两两结合得到若干新集合，整合成新的对象矩阵k1，其中有n(n-1)个不重复的新集合：
为对象矩阵中每个新集合设定期望值Q，基于分类库第二层数据中的参数数值，计算每个新集合的实际期望值，比较实际期望值与设定期望值，若符合预设的容忍比例，则将当前新集合对应的参数计入模型中。
实际期望值的计算具体为：
Yij＝Pij*X
式中，i、j表示当前新集合在对象矩阵中对应i行、j列，Pij表示当前新集合在当前对象矩阵中出现的概率；X表示当前新集合包含参数的线性拟合值
容忍比例的计算具体为：
Rm＝(Yij/Qm)
式中，Yij和Qm分别对应当前新集合的实际期望值和设定期望值。本实施例中设置上述容忍比例大于等于98％为符合要求，及我们需要的结果，将其对应的参数写入模型中。
步骤S1中，关键参数即用户可能需要的所有配置参数，将该参数形成一个参数集合。
步骤S2中，基于步骤S1的参数集合，首先通过分类库的第一层数据进行筛选，选取与之对应的参数集合，因分类库的第一层数据中存储了现有常用配置参数中所有的参数集合，经筛选，得到上述关键参数对应的参数集合。
步骤S3中，基于预先训练的模型，找到上述参数集合对应对象矩阵中各新集合的训练结果，从训练好的模型中选取配置参数，推荐给用户。
使用本发明方法，可以有效解决新客户或者小白客户在需要配置时因不会合理配置而浪费大量的时间和经历，帮助高级用户推荐更高效的配置用法。大大提高学习和工作效率。通过本发明的机制，包含了各种用户所需要的配置，系统，软件，网络等等。而且最终模型可以随着现有技术的升级迭代而不断学习更新，可以有效解决市场上所有用到配置的需求。
如图2所示，本发明一种配置推荐系统，包括分类库构建模块1、模型训练模块2、需求分析模块3、筛选处理模块4和参数推荐模块5。
分类库构建模块1用于形成分类库；模型训练模块2基于所述分类库中的数据进行训练；需求分析模块3用于获取用户的配置需求，基于所述配置需求提取关键参数；筛选处理模块4用于在预先构建的分类库中，筛选出所述关键参数对应的参数集合；参数推荐模块5用于匹配所述参数集合对应的整合对象矩阵，根据整合对象矩阵从训练好的模型中匹配配置参数作为推荐结果。
分类库构建模块1包括信息获取单元11、信息处理单元12、第一构建单元13和第二构建单元14。
信息获取单元11用于爬取待配置对象的配置数据，形成资料库；信息处理单元12用于挖掘资料库中当前待配置对象的配置参数；第一构建单元13以参数数量进行分类，形成不同数量配置参数对应的参数集合，将关于参数数量的集合作为分类库的第一层数据；第二构建单元14将第一层数据对应的参数数值形成的集合作为分类库的第二层数据。
模型训练模块2包括对象矩阵构建单元21和计算单元22。
对象矩阵构建单元21基于分类库第一层数据中的参数集合，以N个参数一组，随机从集合中匹配N个参数，得到若干个新集合，所述若干个新集合整合成一个对象矩阵，其中2≤N≤当前参数集合中的参数个数；计算单元22为对象矩阵中每个新集合设定期望值，基于分类库第二层数据中的参数数值，计算每个新集合的实际期望值，比较实际期望值与设定期望值，若符合预设的容忍比例，则将当前新集合对应的参数计入模型中。
如图3所示，本发明一种配置推荐装置，该装置包括上述系统、分类库和模型。
本发明还提供了一种计算机存储介质，计算机存储介质中存储有计算机指令，计算机指令在配置推荐系统上运行时，使配置推荐系统执行配置推荐方法的步骤。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种配置推荐方法，其特征是，所述方法包括以下步骤：
获取用户的配置需求，基于所述配置需求提取关键参数；
在预先构建的分类库中，筛选出所述关键参数对应的参数集合；
匹配所述参数集合对应的整合对象矩阵，根据整合对象矩阵从训练好的模型中匹配配置参数作为推荐结果。
2.根据权利要求1所述配置推荐方法，其特征是，所述分类库的构建过程为：
爬取待配置对象的配置数据，形成资料库；
挖掘资料库中当前待配置对象的配置参数；
以参数数量进行分类，形成不同数量配置参数对应的参数集合，将关于参数数量的集合作为分类库的第一层数据；
将第一层数据对应的参数数值形成的集合作为分类库的第二层数据。
3.根据权利要求2所述配置推荐方法，其特征是，所述模型的训练过程为：
基于分类库第一层数据中的参数集合，以N个参数一组，随机从集合中匹配N个参数，得到若干个新集合，所述若干个新集合整合成一个对象矩阵，其中2≤N≤当前参数集合中的参数个数；
为对象矩阵中每个新集合设定期望值，基于分类库第二层数据中的参数数值，计算每个新集合的实际期望值，比较实际期望值与设定期望值，若符合预设的容忍比例，则将当前新集合对应的参数计入模型中。
4.根据权利要求3所述配置推荐方法，其特征是，所述实际期望值的计算具体为：
Yij＝Pij*X
式中，i、j表示当前新集合在对象矩阵中对应i行、j列，Pij表示当前新集合在当前对象矩阵中出现的概率；X表示当前新集合包含参数的线性拟合值。
5.根据权利要求3所述配置推荐方法，其特征是，所述容忍比例的计算具体为：
Rm＝(Yij/Qm)
式中，Yij和Qm分别对应当前新集合的实际期望值和设定期望值。
6.一种配置推荐系统，其特征是，所述系统包括：
需求分析模块，用于获取用户的配置需求，基于所述配置需求提取关键参数；
筛选处理模块，用于在预先构建的分类库中，筛选出所述关键参数对应的参数集合；
参数推荐模块，用于匹配所述参数集合对应的整合对象矩阵，根据整合对象矩阵从训练好的模型中匹配配置参数作为推荐结果。
7.根据权利要求6所述配置推荐系统，其特征是，所述系统还包括分类库构建模块，用于形成分类库，所述分类库构建模块包括：
信息获取单元，用于爬取待配置对象的配置数据，形成资料库；
信息处理单元，用于挖掘资料库中当前待配置对象的配置参数；
第一构建单元，以参数数量进行分类，形成不同数量配置参数对应的参数集合，将关于参数数量的集合作为分类库的第一层数据；
第二构建单元，将第一层数据对应的参数数值形成的集合作为分类库的第二层数据。
8.根据权利要求7所述配置推荐系统，其特征是，所述系统还包括模型训练模块，基于所述分类库中的数据进行训练，所述模型训练模块包括：
对象矩阵构建单元，基于分类库第一层数据中的参数集合，以N个参数一组，随机从集合中匹配N个参数，得到若干个新集合，所述若干个新集合整合成一个对象矩阵，其中2≤N≤当前参数集合中的参数个数；
计算单元，为对象矩阵中每个新集合设定期望值，基于分类库第二层数据中的参数数值，计算每个新集合的实际期望值，比较实际期望值与设定期望值，若符合预设的容忍比例，则将当前新集合对应的参数计入模型中。
9.一种配置推荐装置，其特征是，所述装置包括权利要求6-8任一项所述的系统、分类库和模型。
10.一种计算机存储介质，所述计算机存储介质中存储有计算机指令，其特征是，所述计算机指令在配置推荐系统上运行时，使所述配置推荐系统执行如权利要求1-6任一项所述的配置推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010589204.9A CN112000389B (zh) | 2020-06-24 | 2020-06-24 | 一种配置推荐方法、系统、装置及计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010589204.9A CN112000389B (zh) | 2020-06-24 | 2020-06-24 | 一种配置推荐方法、系统、装置及计算机存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112000389A true CN112000389A (zh) | 2020-11-27 |
| CN112000389B CN112000389B (zh) | 2022-07-08 |
Family
ID=73466672
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010589204.9A Active CN112000389B (zh) | 2020-06-24 | 2020-06-24 | 一种配置推荐方法、系统、装置及计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112000389B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114491265A (zh) * | 2022-01-28 | 2022-05-13 | 北京乐开科技有限责任公司 | 一种经营性空间平台运营服务系统的构建方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2554981A (en) * | 2016-08-16 | 2018-04-18 | British Telecomm | Configuration parameters for virtual machines |
| CN109325541A (zh) * | 2018-09-30 | 2019-02-12 | 北京字节跳动网络技术有限公司 | 用于训练模型的方法和装置 |
| CN110162560A (zh) * | 2019-04-16 | 2019-08-23 | 深圳壹账通智能科技有限公司 | 金融数据接口对接方法、装置、计算机设备及存储介质 |
| CN110413338A (zh) * | 2019-06-26 | 2019-11-05 | 苏州浪潮智能科技有限公司 | 一种配置大数据平台的方法、设备及可读介质 |
| CN111158688A (zh) * | 2019-12-31 | 2020-05-15 | 智慧神州(北京)科技有限公司 | iOS通用组件库构建的方法、装置、存储介质与处理器 |
-
2020
- 2020-06-24 CN CN202010589204.9A patent/CN112000389B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2554981A (en) * | 2016-08-16 | 2018-04-18 | British Telecomm | Configuration parameters for virtual machines |
| CN109325541A (zh) * | 2018-09-30 | 2019-02-12 | 北京字节跳动网络技术有限公司 | 用于训练模型的方法和装置 |
| CN110162560A (zh) * | 2019-04-16 | 2019-08-23 | 深圳壹账通智能科技有限公司 | 金融数据接口对接方法、装置、计算机设备及存储介质 |
| CN110413338A (zh) * | 2019-06-26 | 2019-11-05 | 苏州浪潮智能科技有限公司 | 一种配置大数据平台的方法、设备及可读介质 |
| CN111158688A (zh) * | 2019-12-31 | 2020-05-15 | 智慧神州(北京)科技有限公司 | iOS通用组件库构建的方法、装置、存储介质与处理器 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114491265A (zh) * | 2022-01-28 | 2022-05-13 | 北京乐开科技有限责任公司 | 一种经营性空间平台运营服务系统的构建方法 |
| CN114491265B (zh) * | 2022-01-28 | 2022-08-23 | 北京乐开科技有限责任公司 | 一种经营性空间平台运营服务系统的构建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112000389B (zh) | 2022-07-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111444236B (zh) | 一种基于大数据的移动终端用户画像构建方法及系统 | |
| US11841839B1 (en) | Preprocessing and imputing method for structural data | |
| CN112307762B (zh) | 搜索结果的排序方法及装置、存储介质、电子装置 | |
| CN112580831B (zh) | 一种基于知识图谱的电力通信网智能辅助运维方法及系统 | |
| CN113869052B (zh) | 基于ai的房屋地址匹配方法、存储介质及设备 | |
| CN111563192A (zh) | 实体对齐方法、装置、电子设备及存储介质 | |
| CN112800115B (zh) | 数据处理方法及数据处理装置 | |
| CN113268370A (zh) | 一种根因告警分析方法、系统、设备及存储介质 | |
| CN113822419A (zh) | 一种基于结构信息的自监督图表示学习运行方法 | |
| CN115293919A (zh) | 面向社交网络分布外泛化的图神经网络预测方法及系统 | |
| CN114492978A (zh) | 一种基于多层注意力机制的时空序列预测方法及设备 | |
| CN112000389B (zh) | 一种配置推荐方法、系统、装置及计算机存储介质 | |
| CN116450827A (zh) | 一种基于大规模语言模型的事件模板归纳方法和系统 | |
| CN108830302B (zh) | 一种图像分类方法、训练方法、分类预测方法及相关装置 | |
| CN115292361A (zh) | 一种分布式能源异常数据的筛选方法及系统 | |
| CN114036319A (zh) | 一种电力知识抽取方法、系统、装置及存储介质 | |
| CN117688975B (zh) | 一种基于演化规律挖掘的气象事件预测方法及系统 | |
| CN110889028A (zh) | 一种语料处理以及模型训练的方法及系统 | |
| CN117874498B (zh) | 基于数据湖的智慧林业大数据系统、方法、设备及介质 | |
| CN112508303B (zh) | 一种od客流预测方法、装置、设备及可读存储介质 | |
| CN117573904B (zh) | 基于识别分析的多媒体教学资源知识图谱生成方法及系统 | |
| CN112488312B (zh) | 一种基于张量的网络交换数据的自动编码机的构建方法 | |
| Casals et al. | SPARQL query execution time prediction using Deep Learning | |
| Alsultanny | Comparison between data mining algorithms implementation | |
| Salehi et al. | Experimental Probing of Graph Convolutional Neural Networks Architectures for Traffic Analysis |
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 |