CN112215646A - 基于改进Aprion算法的品牌推广方法 - Google Patents

基于改进Aprion算法的品牌推广方法 Download PDF

Info

Publication number
CN112215646A
CN112215646A CN202011084757.5A CN202011084757A CN112215646A CN 112215646 A CN112215646 A CN 112215646A CN 202011084757 A CN202011084757 A CN 202011084757A CN 112215646 A CN112215646 A CN 112215646A
Authority
CN
China
Prior art keywords
question
item set
user
answer
dimension
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
Application number
CN202011084757.5A
Other languages
English (en)
Other versions
CN112215646B (zh
Inventor
杨懿龄
刘楚雄
肖欣庭
池明辉
周柯旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Changhong Electric Co Ltd
Original Assignee
Sichuan Changhong Electric Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan Changhong Electric Co Ltd filed Critical Sichuan Changhong Electric Co Ltd
Priority to CN202011084757.5A priority Critical patent/CN112215646B/zh
Publication of CN112215646A publication Critical patent/CN112215646A/zh
Application granted granted Critical
Publication of CN112215646B publication Critical patent/CN112215646B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0263—Targeted advertisements based upon Internet or website rating
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0277—Online advertisement

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于改进Aprion算法的品牌推广方法，包括以下步骤：步骤一、数据获取及整理；步骤二、维度权重初始；步骤三、基于改进Apriori算法的关联规则挖掘，包括扫描数据库，生成信息矩阵、支持度计算、频繁1‑项集获取、候选2‑项集支持度计算、频繁K‑项集获取；步骤四、维度决策。步骤五、权重更新；步骤六、数据更新；本发明解决了现有互联网电视终端品牌推广策略算法中耗时耗力，冗余过多，实时性趣味性不足的问题。

Description

基于改进Aprion算法的品牌推广方法
技术领域
本发明涉及算法策略技术领域，特别是一种基于改进Aprion算法的品牌推广方法。
背景技术
现有随着智能互联网技术、自然语言处理等技术的发展，智能互联网电视已经实现了基本的人机交互功能，例如现在的很多大屏电视可以搭载语音点播、语音播报、选择查询功能，有的也可以和用户进行人机语音交互游戏。其中，在语音交互游戏的过程中，有很多制造商选择加入品牌推广的元素，使得这个游戏本身能够创造更大的商业价值。例如有的在游戏的过程中插播广告，有的在游戏的奖励物品中加入某商家的消费券，从而进行变相推广，还有的针对用户个体进行个性化推荐营销。
在品牌推广涉及的个性化推荐领域，目前市面上通常的技术方法和流程是使用机器学习关联规则算法和深度学习模型两种方式，其中关联规则算法在实践方面主要有Apriori和FP-Growth两种，深度学习模型有知识图谱表示学习模型等。具体缺陷是，此类方法有的将会产生较多的系统冗余，增加程序运行时间；有的不具备实时性和灵活性，并且以上方法均缺乏趣味性，使得用户产生厌烦感，降低品牌推广的效益。具体缺陷的技术原因是：对于传统的关联规则算法来说，Apr iori算法将扫描数据库很多次，因此可能产生大量的候选项集，在频繁项集长度变大的情况下，实际情况中将导致I/O负载过大，算法运行时间将显著增加；而对于FP-Growth算法来说，它只能进行频繁项的挖掘而不能用来寻找关联规则，并且在实际情况中FP-Growth树可能包括多个子节点，这也将降低程序运行效率。对于深度学习模型方法，其缺陷是训练一个模型从数据选取到训练完成需要耗费很多的时间，对于实时采集用户信息的情况，模型无法进行实时变更，在趣味性方面，产生缺陷的原因是研发人员并未将趣味性的行为和品牌推广巧妙结合，仅仅是机械地推广，从而忽略了用户的兴趣和心情。
发明内容
为解决现有技术中存在的问题，本发明的目的是提供一种基于改进Aprion算法的品牌推广方法，解决了现有互联网电视终端品牌推广策略算法中耗时耗力，冗余过多，实时性趣味性不足的问题。
为实现上述目的，本发明采用的技术方案是：一种基于改进Aprion算法的品牌推广方法，包括以下步骤：
步骤一、数据获取及整理：从品牌方获取推广数据，并将品牌方的推广数据整理为若干维度，然后将所述推广数据整理进数据库；
步骤二、维度权重初始化：将所有维度的推广数据的初始权重均设为1；
步骤三、基于改进Apriori算法的关联规则挖掘：用户根据提示猜测终端设置的品牌，以一个数据更新周期为准，记录一个周期内所有用户的问答信息并保存入库，在第一周期记录用户问答情况完毕之前，对关联规则进行默认处理，并在第一周期完整记录用户问答情况后，开始进行关联规则挖掘；
所述默认处理的规则为：用户回答的最后一个问题之前的所有问题与该问题强关联；
所述的关联规则挖掘具体包括以下步骤：
(1)扫描数据库，生成信息矩阵：读取数据库中存储的用户问答信息，每个用户问答信息为一个事务，整理所有涉及的维度问题，生成1-项集，并生成M*N的矩阵，以此记录每个维度的1-项集对应的事务信息，用行列分别表示事务和项，其中1表示某一维度信息在用户问答中回答错误，0表示其他情况；
(2)支持度计算：根据信息矩阵获取每个1-项集的支持度计数，即每一列1的个数；
(3)频繁1-项集获取：根据关联规则性质，非频繁项集的超集一定是非频繁的，删除不满足性质的项，留下频繁1-项集；
(4)候选2-项集支持度计算：根据信息矩阵获取2-项集的支持度计数，使用的方法是：对信息矩阵中构成2-项集的列进行与操作；
(5)重复步骤(3)(4)得到频繁K-项集；
步骤四、维度决策：结合步骤二中的初始的权重值，计算每个权重的占比，将权重按项的顺序摊平，整理为0-1中不同的区间，一个数据更新周期后，以更新后的权重重新计算区间，然后生成一个0和1之间的随机数，以所述随机数落在的区间代表的维度进行问答；
步骤五、权重更新：根据步骤三默认处理的规则可得，记用户回答正确的维度问题，该问题之前的维度问题的权重均按序加1，一个数据更新周期后，根据步骤三计算出强关联规则，将用户问答正确的问题前的问题按序进行权重更新，然后下一轮问答继续重复步骤四，直到达到一个数据更新周期；
步骤六、数据更新：每一定数量的推广数据进行一次数据更新，然后重复步骤三重新计算关联规则。
作为本发明的进一步改进，在步骤三中，记录一个周期内所有用户的问答信息具体包括：问答顺序、用户答案及是否回答出结果。
本发明的有益效果是：
本发明针对的问题是现有互联网电视终端品牌推广策略算法中耗时耗力，冗余过多，实时性趣味性不足的情况，本发明采用了改进的Apriori算法，将品牌推广和语音人机交互游戏巧妙结合，算法仅需遍历一次数据库，减少冗余，提升系统运行效率，增强策略实时性和游戏趣味性。
附图说明
图1为本发明的流程图；
图2为本发明实施例2的信息矩阵示意图；
图3为本发明实施例2的频繁1-项集获取示意图；
图4为本发明实施例2的候选2-项集支持度获取示意图；
图5为本发明实施例2的初始权重区间计算示意图。
具体实施方式
下面结合附图对本发明的实施例进行详细说明。
实施例1
如图1所示，一种基于改进Aprion算法的品牌推广方法，本实施例申请设计的游戏模式为竞争类游戏，用户根据提示猜测电视端设置的品牌，猜测的分数将会在全部用户中进行排序，排名较高者予以合作品牌方奖励。本实施例的核心即：根据不同维度的实时大众认知度，为电视端给出不同维度的信息的决策，通过人机交互问答的方式，使得游戏策略能向用户最大化地介绍品牌，提升品牌知名度。其中，策略步骤为：
步骤一：数据获取及整理：
本步骤从品牌方广告平台获取该项目合作方的推广文案及信息，并依据相关信息将品牌方的推广数据整理为若干维度，然后将数据整理进数据库；以方便后续步骤针对不同维度的信息对用户进行推广介绍。
步骤二：维度权重初始化：
所有维度的初始权重均设为1，根据后续步骤对此权重进行更新，每次以一定概率根据权重占比进行维度选择。
步骤三：基于改进Apriori算法的关联规则挖掘：
本步骤为后续权重更新做准备，为了节省服务器内存，本步骤首先以一个数据更新周期为准，记录一个周期内所有用户的问答情况并保存入库，主要记录内容为：问答顺序、用户答案及是否回答出结果。
在第一周期记录用户问答情况完毕之前，对关联规则进行默认处理，该默认处理的规则为：用户回答的最后一个问题之前的所有问题与该问题强关联；此处的做法是为了为后续权重更新提供关联性的参考。
在第一次完整记录用户问答情况后，即可开始进行关联规则挖掘：
(1)扫描数据库，生成信息矩阵：
读取数据库中存储的用户问答信息，每个用户问答内容为一个事务，整理所有涉及的维度问题，生成1-项集，并生成M*N的矩阵，以此记录每个维度的1-项集对应的事务信息。用行列分别表示事务和项，其中1表示某一维度信息在用户问答中回答错误，0表示其他情况。
(2)支持度计算：
根据矩阵获取每个1-项集的支持度计数，即每一列1的个数。
(3)频繁1-项集获取：
根据关联规则性质1：非频繁项集的超集一定是非频繁的，删除不满足性质的项，留下频繁1-项集。
(4)候选2-项集支持度计算：
根据矩阵获取2-项集的支持度技术，使用的方法是：对矩阵中构成2-项集的列进行与操作。
(5)重复步骤(3)(4)得到频繁K-项集。
步骤四：维度决策
本步骤初次执行时，结合步骤二中的初始的权重值，计算每个权重的占比，将权重按项的顺序摊平，整理为0-1中不同的区间；一个数据更新周期后，以更新后的权重重新计算区间；然后生成一个0和1之间的随机数，随机数落在哪个区间，就以哪个区间代表的维度进行问答。
步骤五：权重更新：
本步骤初次执行时，根据步骤三的默认规则可得，记用户回答正确的维度问题，该问题之前的维度问题的权重均按序加1；一个数据更新周期后，根据步骤三计算出强关联规则，将用户问答正确的问题前的问题按序进行权重更新；然后下一轮问答继续重复步骤四，直到达到一个数据更新周期。
步骤六：数据更新：
用户回答的顺序和结果表示不同时期用户对品牌信息维度的认知度，因此不同的时期可能有不同的趋势和认知差异。一方面是尽可能跟上用户不同的认知情况，每一个时期最大程度达到推广的效益，一方面是为了节省服务器空间开支，本步骤默认每一万条信息进行一次数据更新，然后重复步骤三重新计算关联规则；本步骤执行后，原始维度的占比重置为本步骤的占比，当下一轮用户问答开始时，以本步骤权重开始更新。
实施例2
如图1所示，一种基于改进Aprion算法的品牌推广方法，包括以下步骤：
步骤一：数据获取及整理：
本步骤从品牌方广告平台获取该项目合作方的推广文案及信息，并依据相关信息将品牌方的推广数据整理为若干维度。例如，本实施例收集了若干品牌的推广信息后，整理为品牌类型、知名产品、代言人、logo印象、品牌事件等多个维度，最后将整理的数据保存进数据库。
步骤二：维度权重初始化：
本步骤将所有维度的初始权重均设为1。
步骤三：基于改进Apriori算法的关联规则挖掘：
在第一周期记录用户问答情况完毕之前，对关联规则进行默认处理，该默认规则为：用户回答的最后一个问题之前的所有问题与该问题强关联。
在第一次完整记录用户问答情况后，开始进行关联规则挖掘，其具体示例如下：
(1)扫描数据库，生成信息矩阵。
遍历一次数据库中用户问答的信息，整理所有问题的数据，并如图2所示，生成M*N的矩阵，每一列为一个信息维度，每一行为一个事务；其中，用1表示某一信息维度用户回答错误，0表示其他情况。
(2)支持度计算。
根据矩阵获取每个1-项集的支持度计数，即每一列1的个数。
(3)频繁1-项集获取。
根据关联规则性质1：非频繁项集的超集一定是非频繁的，如图3所示，删除不满足性质的项，留下频繁1-项集。
(4)候选2-项集支持度计算。
根据矩阵获取2-项集的支持度技术，使用的方法是：对矩阵中构成2-项集的列进行与操作；如图4所示，本实施例例2-项集有(D-1->D-2),(D-2->D-4),(D-1->D-4),其中求(D-2->D-4)支持度方法为将D-2列和D-4列进行与操作，结果为1的项纳入支持度统计。
(5)重复步骤(3)(4)得到频繁K-项集。
步骤四：维度决策：
如图5所示，本步骤初次执行时，按初始权重计算，计算每个权重的占比，将权重按项的顺序摊平，整理为0-1中不同的区间；一个数据更新周期后，以更新后的权重重新计算区间。然后生成一个0和1之间的随机数，随机数落在哪个区间，就以哪个区间代表的维度进行问答；其中，初始权重的区间计算如同5所示，更新后的权重区间计算同理。
步骤五：权重更新：
本步骤初次执行时，根据步骤三的默认规则可得，记用户回答正确的维度问题，该问题之前的维度问题的权重均按序加1；一个数据更新周期后，根据步骤三计算出强关联规则，将用户问答正确的问题前的问题按序进行权重更新；然后下一轮问答继续重复步骤四，直到达到一个数据更新周期。
步骤六：数据更新：
为了如实反映用户不同阶段的认知情况和减少服务器空间消耗，本专利规定每一万条信息进行一次数据更新。然后重复步骤三重新计算关联规则。本步骤执行后，原始维度的占比重置为本步骤的占比，当下一轮用户问答开始时，以本步骤权重开始更新。
以上所述实施例仅表达了本发明的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (2)

1.一种基于改进Aprion算法的品牌推广方法，其特征在于，包括以下步骤：
步骤一、数据获取及整理：从品牌方获取推广数据，并将品牌方的推广数据整理为若干维度，然后将所述推广数据整理进数据库；
步骤二、维度权重初始化：将所有维度的推广数据的初始权重均设为1；
步骤三、基于改进Apriori算法的关联规则挖掘：用户根据提示猜测终端设置的品牌，以一个数据更新周期为准，记录一个周期内所有用户的问答信息并保存入库，在第一周期记录用户问答情况完毕之前，对关联规则进行默认处理，并在第一周期完整记录用户问答情况后，开始进行关联规则挖掘；
所述默认处理的规则为：用户回答的最后一个问题之前的所有问题与该问题强关联；
所述的关联规则挖掘具体包括以下步骤：
(1)扫描数据库，生成信息矩阵：读取数据库中存储的用户问答信息，每个用户问答信息为一个事务，整理所有涉及的维度问题，生成1-项集，并生成M*N的矩阵，以此记录每个维度的1-项集对应的事务信息，用行列分别表示事务和项，其中1表示某一维度信息在用户问答中回答错误，0表示其他情况；
(2)支持度计算：根据信息矩阵获取每个1-项集的支持度计数，即每一列1的个数；
(3)频繁1-项集获取：根据关联规则性质，非频繁项集的超集一定是非频繁的，删除不满足性质的项，留下频繁1-项集；
(4)候选2-项集支持度计算：根据信息矩阵获取2-项集的支持度计数，使用的方法是：对信息矩阵中构成2-项集的列进行与操作；
(5)重复步骤(3)(4)得到频繁K-项集；
步骤四、维度决策：结合步骤二中的初始的权重值，计算每个权重的占比，将权重按项的顺序摊平，整理为0-1中不同的区间，一个数据更新周期后，以更新后的权重重新计算区间，然后生成一个0和1之间的随机数，以所述随机数落在的区间代表的维度进行问答；
步骤五、权重更新：根据步骤三默认处理的规则可得，记用户回答正确的维度问题，该问题之前的维度问题的权重均按序加1，一个数据更新周期后，根据步骤三计算出强关联规则，将用户问答正确的问题前的问题按序进行权重更新，然后下一轮问答继续重复步骤四，直到达到一个数据更新周期；
步骤六、数据更新：每一定数量的推广数据进行一次数据更新，然后重复步骤三重新计算关联规则。
2.根据权利要求1所述的基于改进Aprion算法的品牌推广方法，其特征在于，在步骤三中，记录一个周期内所有用户的问答信息具体包括：问答顺序、用户答案及是否回答出结果。
CN202011084757.5A 2020-10-12 2020-10-12 基于改进Apriori算法的品牌推广方法 Active CN112215646B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011084757.5A CN112215646B (zh) 2020-10-12 2020-10-12 基于改进Apriori算法的品牌推广方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011084757.5A CN112215646B (zh) 2020-10-12 2020-10-12 基于改进Apriori算法的品牌推广方法

Publications (2)

Publication Number Publication Date
CN112215646A true CN112215646A (zh) 2021-01-12
CN112215646B CN112215646B (zh) 2022-03-22

Family

ID=74054520

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011084757.5A Active CN112215646B (zh) 2020-10-12 2020-10-12 基于改进Apriori算法的品牌推广方法

Country Status (1)

Country Link
CN (1) CN112215646B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104715073A (zh) * 2015-04-03 2015-06-17 江苏物联网研究发展中心 基于改进Apriori算法的关联规则挖掘系统
CN105528374A (zh) * 2014-10-21 2016-04-27 苏宁云商集团股份有限公司 一种电子商务中的商品推荐方法及其系统
CN106991141A (zh) * 2017-03-21 2017-07-28 北京邮电大学 一种基于深度剪枝策略的关联规则挖掘方法
CN107844533A (zh) * 2017-10-19 2018-03-27 云南大学 一种智能问答系统及分析方法
CN108090787A (zh) * 2017-12-18 2018-05-29 北京工业大学 一种基于Apriori算法的话单数据深度挖掘和用户行为预测的方法
US20180211286A1 (en) * 2017-01-24 2018-07-26 International Business Machines Corporation Digital content generation based on user feedback
US20190077009A1 (en) * 2017-09-14 2019-03-14 Play-i, Inc. Robot interaction system and method

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105528374A (zh) * 2014-10-21 2016-04-27 苏宁云商集团股份有限公司 一种电子商务中的商品推荐方法及其系统
CN104715073A (zh) * 2015-04-03 2015-06-17 江苏物联网研究发展中心 基于改进Apriori算法的关联规则挖掘系统
US20180211286A1 (en) * 2017-01-24 2018-07-26 International Business Machines Corporation Digital content generation based on user feedback
CN106991141A (zh) * 2017-03-21 2017-07-28 北京邮电大学 一种基于深度剪枝策略的关联规则挖掘方法
US20190077009A1 (en) * 2017-09-14 2019-03-14 Play-i, Inc. Robot interaction system and method
CN107844533A (zh) * 2017-10-19 2018-03-27 云南大学 一种智能问答系统及分析方法
CN108090787A (zh) * 2017-12-18 2018-05-29 北京工业大学 一种基于Apriori算法的话单数据深度挖掘和用户行为预测的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SANGEETH SAJAN BABY: "End to End Product Recommendation system with improvements in Apriori Algorithm", 《2021 THIRD INTERNATIONAL CONFERENCE ON INVENTIVE RESEARCH IN COMPUTING APPLICATIONS (ICIRCA)》 *
WENLI LOOI: "Recommender System for Items in Dota 2", 《IEEE TRANSACTIONS ON GAMES》 *
郭顺利: "社会化问答社区用户生成答案知识聚合及服务研究", 《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》 *

Also Published As

Publication number Publication date
CN112215646B (zh) 2022-03-22

Similar Documents

Publication Publication Date Title
Kitcher Précis of Vaulting ambition: Sociobiology and the quest for human nature
CN110008354B (zh) 一种基于知识图谱的对外汉语学习内容的构建方法
US6835138B2 (en) Internet bingo game method and system capable of promoting perception and studying ability
US20020072413A1 (en) Entertainment platform
CN111383058A (zh) 一种高可靠性在线问卷调查方法与系统
CN112487018B (zh) 榜单生成方法、装置电子设备及计算机可读存储介质
CN112215646B (zh) 基于改进Apriori算法的品牌推广方法
US20100324908A1 (en) Learning Playbot
CN112579795A (zh) 一种基于知识图谱嵌入表示的智能问答方法
CN115119066B (zh) 一种基于动态权重的教学视频互动方法及系统
Symons Darwin and human nature
CN116013123A (zh) 一种直播实训培训人员系统
CN113283696A (zh) 一种直播竞赛的考核方法及终端
CN112337081B (zh) 用于实现语音竞猜游戏的交互方法
Hansen et al. Odd leaf out: Improving visual recognition with games
CN111090742A (zh) 一种问答对的评价方法、装置、存储介质及设备
Kitcher Confessions of a curmudgeon
Paiva et al. Analyzing Player Profiles in Collectible Card Games
CN117915991A (zh) 增强和开发新游戏的系统和方法
CN116894080A (zh) 模型训练方法、问题应答方法、装置、设备及介质
Gronke et al. FDR to Clinton, Mueller to? A ‘state of the discipline’review of presidential approval
CN118095338A (zh) 虚拟对象的回复内容生成方法、装置以及电子设备
CN117830046A (zh) 一种基于互联网的在线课程数据云管理系统
Smith Folk psychology versus pop sociobiology
KR100591088B1 (ko) 경품응모자 추첨방법 및 경품응모자 추첨 소프트웨어를기록한 컴퓨터가 읽을 수 있는 기록매체

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