CN112100373A - 一种基于深度神经网络的合同文本分析方法及系统 - Google Patents
一种基于深度神经网络的合同文本分析方法及系统 Download PDFInfo
- Publication number
- CN112100373A CN112100373A CN202010863002.9A CN202010863002A CN112100373A CN 112100373 A CN112100373 A CN 112100373A CN 202010863002 A CN202010863002 A CN 202010863002A CN 112100373 A CN112100373 A CN 112100373A
- Authority
- CN
- China
- Prior art keywords
- processed
- document
- power industry
- feature vector
- text
- 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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/237—Lexical tools
- G06F40/242—Dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提出了一种基于深度神经网络的合同文本分析方法及系统。合同文本分析系统,包括:文本管理系统,用于存储和管理电力行业历史数据文本;训练系统,用于使用电力行业历史数据文本进行BERT训练,得到训练好的BERT电力行业语意字典库模型;标注任务管理系统,用于获取待处理文档,通过图片文字AI识别解析该待处理文档,并从该待处理文档中提取分词;特征向量获取模块,用于将提取分词处理后的待处理文档输入BERT电力行业语意字典库模型,获得待处理文档的特征向量;数据分析模块,用于对待处理文档的特征向量进行数据分析。本发明的基于深度神经网络的合同文本分析方法及系统设计新颖,实用性强。
Description
技术领域
本发明涉及信息处理领域,尤其涉及一种基于深度神经网络的合同文本分析方法及系统。
背景技术
合同非结构化数据的处理在现代信息系统中一直以人工录入为主,在大型合同文档中往往需要处理的信息量巨大;其中包括有招标文件、技术协议、补充协议、合同文档等等,人工处理存在效率低、漏查、错误提取等方面的问题。
发明内容
本发明的目的是针对上述技术问题,提出一种基于深度神经网络的合同文本分析方法及系统。
本发明解决其技术问题的技术方案是:
本发明提出了一种基于深度神经网络的合同文本分析方法,包括以下步骤:
步骤S1、使用电力行业历史数据文本进行BERT训练,得到训练好的BERT电力行业语意字典库模型;
步骤S2、获取待处理文档,通过图片文字AI识别解析该待处理文档,并从该待处理文档中提取分词;
步骤S3、将提取分词处理后的待处理文档输入BERT电力行业语意字典库模型,获得待处理文档的特征向量;
步骤S4、对待处理文档的特征向量进行数据分析。
本发明上述的合同文本分析方法中,在步骤S1中,使用电力行业历史数据文本进行BERT训练包括句子中词之间的关系训练和句子之间的关系训练。
本发明上述的合同文本分析方法中,步骤S4包括:根据待处理文档的特征向量使用余弦相似度算法,从电力行业历史数据文本找出相似匹配文本;
步骤S4还包括:
步骤S41、从相似匹配文本中提取分词,然后将提取分词处理后的相似匹配文本输入BERT电力行业语意字典库模型,获得相似匹配文本的特征向量;
步骤S42、基于待处理文档的特征向量以及相似匹配文本的特征向量进行统计分析。
本发明上述的合同文本分析方法中,步骤S4还包括:
对比待处理文档的特征向量以及相似匹配文本的特征向量,找出不同点并标示出来。
本发明还提出了一种基于深度神经网络的合同文本分析系统,包括:
文本管理系统,用于存储和管理电力行业历史数据文本;
训练系统,用于使用电力行业历史数据文本进行BERT训练,得到训练好的BERT电力行业语意字典库模型;
标注任务管理系统,用于获取待处理文档,通过图片文字AI识别解析该待处理文档,并从该待处理文档中提取分词;
特征向量获取模块,用于将提取分词处理后的待处理文档输入BERT电力行业语意字典库模型,获得待处理文档的特征向量;
数据分析模块,用于对待处理文档的特征向量进行数据分析。
本发明上述的合同文本分析系统中,使用电力行业历史数据文本进行BERT训练包括句子中词之间的关系训练和句子之间的关系训练。
本发明上述的合同文本分析系统中,数据分析模块,还用于根据待处理文档的特征向量使用余弦相似度算法,从电力行业历史数据文本找出相似匹配文本;
数据分析模块包括:
文本匹配模块,用于从相似匹配文本中提取分词,然后将提取分词处理后的相似匹配文本输入BERT电力行业语意字典库模型,获得相似匹配文本的特征向量;
统计模块,用于基于待处理文档的特征向量以及相似匹配文本的特征向量进行统计分析。
本发明上述的合同文本分析系统中,数据分析模块还包括:
标示模块,用于对比待处理文档的特征向量以及相似匹配文本的特征向量,找出不同点并标示出来。
本发明的基于深度神经网络的合同文本分析方法及系统采用自然语言处理技术,结合如命名实体识别、文本相似度识别、文件关键信息抽取、文本分类等技术实现合同审阅功能。具体基于BERT电力行业语意字典库模型,利用该词典可实现电力垂直领域的高效率,高准确率的语意识别,方面电力行业人机交互业务体验。本发明的基于深度神经网络的合同文本分析方法及系统设计新颖,实用性强。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1示出了本发明优选实施例的基于深度神经网络的合同文本分析方法的流程示意图;
图2示出了本发明优选实施例的基于深度神经网络的合同文本分析系统的功能模块示意图;
图3示出了本发明优选实施例的基于深度神经网络的合同文本分析系统的文本管理系统就合同类型设置的工作状态示意图;
图4示出了本发明优选实施例的基于深度神经网络的合同文本分析系统的文本管理系统就新增合同类型的工作状态示意图;
图5示出了本发明优选实施例的基于深度神经网络的合同文本分析系统的文本管理系统就管理具体合同的工作状态示意图;
图6示出了本发明优选实施例的基于深度神经网络的合同文本分析系统的训练系统的第一工作状态参考图;
图7示出了图6所示的训练系统的第二工作状态参考图;
图8示出了本发明优选实施例的基于深度神经网络的合同文本分析系统的标注任务管理系统的第一工作状态参考图;
图9示出了图8所示的标注任务管理系统的第二工作状态参考图;
图10示出了图8所示的标注任务管理系统的第三工作状态参考图;
图11示出了图8所示的标注任务管理系统的第四工作状态参考图;
图12示出了图8所示的标注任务管理系统的第五工作状态参考图;
图13示出了本发明优选实施例的基于深度神经网络的合同文本分析系统特征向量获取模块的工作状态参考图;
图14示出了本发明优选实施例的基于深度神经网络的合同文本分析系统数据分析模块的第一工作状态参考图;
图15示出了图14所示的数据分析模块的第二工作状态参考图。
具体实施方式
为了使本发明的技术目的、技术方案以及技术效果更为清楚,以便于本领域技术人员理解和实施本发明,下面将结合附图及具体实施例对本发明做进一步详细的说明。
本发明提出了一种基于深度神经网络的合同文本分析方法,包括以下步骤:
步骤S1、使用电力行业历史数据文本进行BERT训练,得到训练好的BERT电力行业语意字典库模型;
在本步骤中,使用电力行业历史数据文本进行BERT训练包括句子中词之间的关系训练和句子之间的关系训练。
步骤S2、获取待处理文档,通过图片文字AI识别解析该待处理文档,并从该待处理文档中提取分词;
分词就是将连续的字序列按照一定的规范重新组合成词序列的过程。具体地,图片文字AI通过基于字符串匹配的分词方法、基于理解的分词方法或基于统计的分词方法实现分词。
步骤S3、将提取分词处理后的待处理文档输入BERT电力行业语意字典库模型,获得待处理文档的特征向量;
本步骤实现文档智能抽取功能,为自动提取文档内容的关键信息。
步骤S4、对待处理文档的特征向量进行数据分析。
优选地,步骤S4包括:根据待处理文档的特征向量使用余弦相似度算法,从电力行业历史数据文本找出相似匹配文本。
进一步地,步骤S4还可以包括:
步骤S41、从相似匹配文本中提取分词,然后将提取分词处理后的相似匹配文本输入BERT电力行业语意字典库模型,获得相似匹配文本的特征向量;
步骤S42、基于待处理文档的特征向量以及相似匹配文本的特征向量进行统计分析。
上述技术方案采用自然语言处理技术,结合如命名实体识别、文本相似度识别、文件关键信息抽取、文本分类等技术实现合同审阅功能。具体基于BERT电力行业语意字典库模型,利用该词典可实现电力垂直领域的高效率,高准确率的语意识别,方面电力行业人机交互业务体验。
图1示出了本发明优选实施例的基于深度神经网络的合同文本分析方法的流程示意图,从图1中可以看出合同文本分析方法全部流程的状态:一些图片和电子文档可能为不可编辑的文本,通过图片文字AI识别解析,可以生成可编辑文本,然后将可编辑文本进行分词处理,然进行模型训练、机器学习后实现分类,再经过特征提取、数据建模、维度构建,即是获得文本的特征向量;然后根据文本的特征向量进行统计分析。
进一步地,步骤S4还包括:
对比待处理文档的特征向量以及相似匹配文本的特征向量,找出不同点并标示出来。
这一步骤实现文档智能比对功能和文档智能审核功能,可协助企业工作人员完成自动填表、内容一致性检查等工作,让审阅过程更高效。
文档智能审阅系统可应用于金融、制造、通信、法律、审计、媒体、政府等多种文字密集型行业,为企业自动化抽取文档的关键信息、对比不同版本的文档差异、纠正文档文字错误、以及发现文书中潜在的法律风险。
进一步地,如图2所示,图2示出了本发明优选实施例的基于深度神经网络的合同文本分析系统的功能模块示意图;本发明还提出了一种基于深度神经网络的合同文本分析系统,包括:
文本管理系统100,用于存储和管理电力行业历史数据文本;
通常情况下,电力行业历史数据文本为合同,文本管理系统100内部设置有合同类型,如图3所示,还可以新增合同类型,合同类型新增需填入关键字段:类型名称、类型编码、类型状态、备注,如图4所示,可按照合同类型对电力行业历史数据文本进行管理,如图5所示,新增合同类型后,需添加合同对应的需要抽取的实体;每个实体会有实体名称、实体编码、实体类型、对应标识颜色等字段。
训练系统200,用于使用电力行业历史数据文本进行BERT训练,得到训练好的BERT电力行业语意字典库模型;
在本步骤中,使用电力行业历史数据文本进行BERT训练包括句子中词之间的关系训练和句子之间的关系训练。
训练系统200包括模块管理模块,模块管理模块基于标注任务中的合同标注BIO序列数据进行深度学习训练后得到的可以预测模型,用户新增模型选择对应的标注任务;即可进行合同识别模型的训练,如图6-图7所示。
标注任务管理系统300,用于获取待处理文档,通过图片文字AI识别解析该待处理文档,并从该待处理文档中提取分词;
分词就是将连续的字序列按照一定的规范重新组合成词序列的过程。具体地,图片文字AI通过基于字符串匹配的分词方法、基于理解的分词方法或基于统计的分词方法实现分词。
标注任务管理系统300,是为了让用户录入对应的合同样本、标注需抽取的样本关键信息而存在的;其中每个任务将包含多个样本,用户标注后获得的数据将转化为BIO序列用于深度学习训练,如图8所示。用户上传自己所需的合同,图片文字AI可对合同进行信息标注,如图9-图12所示。
特征向量获取模块400,用于将提取分词处理后的待处理文档输入BERT电力行业语意字典库模型,获得待处理文档的特征向量;
本步骤实现文档智能抽取功能,为自动提取文档内容的关键信息。特征向量获取模块400用于验证训练完毕的模型的识别准确情况,其中每个模型会有对应的上传接口;用户可以选择对应的模型上传文档进行验证,如图13所示。
数据分析模块500,用于对待处理文档的特征向量进行数据分析。
如图14-图15所示,数据分析模块500用来展示算法识别后得到的结果,用户可以直观的看到自己上传的模型的各项算法指标;如匹配率、识别准确率等。
优选地,数据分析模块500,还用于根据待处理文档的特征向量使用余弦相似度算法,从电力行业历史数据文本找出相似匹配文本。
进一步地,数据分析模块500包括:
文本匹配模块510,用于从相似匹配文本中提取分词,然后将提取分词处理后的相似匹配文本输入BERT电力行业语意字典库模型,获得相似匹配文本的特征向量;
统计模块520,用于基于待处理文档的特征向量以及相似匹配文本的特征向量进行统计分析。
上述技术方案采用自然语言处理技术,结合如命名实体识别、文本相似度识别、文件关键信息抽取、文本分类等技术实现合同审阅功能。具体基于BERT电力行业语意字典库模型,利用该词典可实现电力垂直领域的高效率,高准确率的语意识别,方面电力行业人机交互业务体验。
进一步地,数据分析模块500还包括:
标示模块530,用于对比待处理文档的特征向量以及相似匹配文本的特征向量,找出不同点并标示出来。
标示模块530实现文档智能比对功能和文档智能审核功能,可协助企业工作人员完成自动填表、内容一致性检查等工作,让审阅过程更高效。
文档智能审阅系统可应用于金融、制造、通信、法律、审计、媒体、政府等多种文字密集型行业,为企业自动化抽取文档的关键信息、对比不同版本的文档差异、纠正文档文字错误、以及发现文书中潜在的法律风险。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (8)
1.一种基于深度神经网络的合同文本分析方法,其特征在于,包括以下步骤:
步骤S1、使用电力行业历史数据文本进行BERT训练,得到训练好的BERT电力行业语意字典库模型;
步骤S2、获取待处理文档,通过图片文字AI识别解析该待处理文档,并从该待处理文档中提取分词;
步骤S3、将提取分词处理后的待处理文档输入BERT电力行业语意字典库模型,获得待处理文档的特征向量;
步骤S4、对待处理文档的特征向量进行数据分析。
2.根据权利要求1所述的合同文本分析方法,其特征在于,在步骤S1中,使用电力行业历史数据文本进行BERT训练包括句子中词之间的关系训练和句子之间的关系训练。
3.根据权利要求1所述的合同文本分析方法,其特征在于,步骤S4包括:根据待处理文档的特征向量使用余弦相似度算法,从电力行业历史数据文本找出相似匹配文本;
步骤S4还包括:
步骤S41、从相似匹配文本中提取分词,然后将提取分词处理后的相似匹配文本输入BERT电力行业语意字典库模型,获得相似匹配文本的特征向量;
步骤S42、基于待处理文档的特征向量以及相似匹配文本的特征向量进行统计分析。
4.根据权利要求3所述的合同文本分析方法,其特征在于,步骤S4还包括:
对比待处理文档的特征向量以及相似匹配文本的特征向量,找出不同点并标示出来。
5.一种基于深度神经网络的合同文本分析系统,其特征在于,包括:
文本管理系统(100),用于存储和管理电力行业历史数据文本;
训练系统(200),用于使用电力行业历史数据文本进行BERT训练,得到训练好的BERT电力行业语意字典库模型;
标注任务管理系统(300),用于获取待处理文档,通过图片文字AI识别解析该待处理文档,并从该待处理文档中提取分词;
特征向量获取模块(400),用于将提取分词处理后的待处理文档输入BERT电力行业语意字典库模型,获得待处理文档的特征向量;
数据分析模块(500),用于对待处理文档的特征向量进行数据分析。
6.根据权利要求5所述的合同文本分析系统,其特征在于,使用电力行业历史数据文本进行BERT训练包括句子中词之间的关系训练和句子之间的关系训练。
7.根据权利要求5所述的合同文本分析系统,其特征在于,数据分析模块(500),还用于根据待处理文档的特征向量使用余弦相似度算法,从电力行业历史数据文本找出相似匹配文本;
数据分析模块(500)包括:
文本匹配模块(510),用于从相似匹配文本中提取分词,然后将提取分词处理后的相似匹配文本输入BERT电力行业语意字典库模型,获得相似匹配文本的特征向量;
统计模块(520),用于基于待处理文档的特征向量以及相似匹配文本的特征向量进行统计分析。
8.根据权利要求7所述的合同文本分析系统,其特征在于,数据分析模块(500)还包括:
标示模块(530),用于对比待处理文档的特征向量以及相似匹配文本的特征向量,找出不同点并标示出来。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010863002.9A CN112100373A (zh) | 2020-08-25 | 2020-08-25 | 一种基于深度神经网络的合同文本分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010863002.9A CN112100373A (zh) | 2020-08-25 | 2020-08-25 | 一种基于深度神经网络的合同文本分析方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112100373A true CN112100373A (zh) | 2020-12-18 |
Family
ID=73753431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010863002.9A Pending CN112100373A (zh) | 2020-08-25 | 2020-08-25 | 一种基于深度神经网络的合同文本分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112100373A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114580978A (zh) * | 2022-05-06 | 2022-06-03 | 四川野马科技有限公司 | 一种环评报告质量检查系统及其方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190092A (zh) * | 2018-08-15 | 2019-01-11 | 深圳平安综合金融服务有限公司上海分公司 | 不同来源文件的一致性审核方法 |
CN109447105A (zh) * | 2018-09-10 | 2019-03-08 | 平安科技(深圳)有限公司 | 合同审核方法、装置、计算机设备和存储介质 |
CN109829692A (zh) * | 2019-01-17 | 2019-05-31 | 深圳壹账通智能科技有限公司 | 基于人工智能的合同审理方法、装置、设备及存储介质 |
CN110287494A (zh) * | 2019-07-01 | 2019-09-27 | 济南浪潮高新科技投资发展有限公司 | 一种基于深度学习bert算法的短文本相似匹配的方法 |
US20200050638A1 (en) * | 2018-08-12 | 2020-02-13 | Parker Douglas Hancock | Systems and methods for analyzing the validity or infringment of patent claims |
CN111046142A (zh) * | 2019-12-13 | 2020-04-21 | 深圳前海环融联易信息科技服务有限公司 | 文本审查方法、装置、电子设备及计算机存储介质 |
-
2020
- 2020-08-25 CN CN202010863002.9A patent/CN112100373A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200050638A1 (en) * | 2018-08-12 | 2020-02-13 | Parker Douglas Hancock | Systems and methods for analyzing the validity or infringment of patent claims |
CN109190092A (zh) * | 2018-08-15 | 2019-01-11 | 深圳平安综合金融服务有限公司上海分公司 | 不同来源文件的一致性审核方法 |
CN109447105A (zh) * | 2018-09-10 | 2019-03-08 | 平安科技(深圳)有限公司 | 合同审核方法、装置、计算机设备和存储介质 |
CN109829692A (zh) * | 2019-01-17 | 2019-05-31 | 深圳壹账通智能科技有限公司 | 基于人工智能的合同审理方法、装置、设备及存储介质 |
CN110287494A (zh) * | 2019-07-01 | 2019-09-27 | 济南浪潮高新科技投资发展有限公司 | 一种基于深度学习bert算法的短文本相似匹配的方法 |
CN111046142A (zh) * | 2019-12-13 | 2020-04-21 | 深圳前海环融联易信息科技服务有限公司 | 文本审查方法、装置、电子设备及计算机存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114580978A (zh) * | 2022-05-06 | 2022-06-03 | 四川野马科技有限公司 | 一种环评报告质量检查系统及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109446885B (zh) | 一种基于文本的元器件识别方法、系统、装置和存储介质 | |
CN112818093B (zh) | 基于语义匹配的证据文档检索方法、系统及存储介质 | |
CN108153729B (zh) | 一种面向金融领域的知识抽取方法 | |
CN111191275A (zh) | 敏感数据识别方法、系统及其装置 | |
CN111581345A (zh) | 一种文档级别的事件抽取方法和装置 | |
CN114880468A (zh) | 基于BiLSTM与知识图谱的建筑规范审查方法与系统 | |
CN111651994B (zh) | 一种信息抽取方法、装置、电子设备和存储介质 | |
CN112052305A (zh) | 信息提取方法、装置、计算机设备及可读存储介质 | |
CN113094512A (zh) | 一种工业生产制造中故障分析系统及方法 | |
CN115983571A (zh) | 一种基于人工智能的建筑业施工方案审核方法及其系统 | |
CN115357699A (zh) | 文本抽取方法、装置、设备及存储介质 | |
CN111325019A (zh) | 词库的更新方法及装置、电子设备 | |
CN116932499B (zh) | 一种dwg格式文件批量修改标注的方法 | |
CN112100373A (zh) | 一种基于深度神经网络的合同文本分析方法及系统 | |
CN113868422A (zh) | 一种多标签稽查工单问题溯源识别方法及装置 | |
CN111831624A (zh) | 数据表创建方法、装置、计算机设备及存储介质 | |
CN112257425A (zh) | 一种基于数据分级模型的电力数据分析方法及系统 | |
CN115482075A (zh) | 财务数据的异常分析方法、装置、电子设备及存储介质 | |
CN116362247A (zh) | 一种基于mrc框架的实体抽取方法 | |
CN110414000B (zh) | 一种基于模板文档对比的关键词提取方法及系统 | |
CN115062615A (zh) | 一种金融领域事件抽取方法和装置 | |
CN113127647A (zh) | 一种基于大数据分析的工艺知识库构建方法 | |
CN117332761B (zh) | 一种pdf文档智能识别标注系统 | |
CN114722823B (zh) | 构建航空知识图谱的方法及装置、计算机可读介质 | |
CN113850085B (zh) | 企业的等级评估方法、装置、电子设备及可读存储介质 |
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 |