CN112257435A - 一种基于人工智能分词技术的警情数据治理方法 - Google Patents

一种基于人工智能分词技术的警情数据治理方法 Download PDF

Info

Publication number
CN112257435A
CN112257435A CN202010953079.5A CN202010953079A CN112257435A CN 112257435 A CN112257435 A CN 112257435A CN 202010953079 A CN202010953079 A CN 202010953079A CN 112257435 A CN112257435 A CN 112257435A
Authority
CN
China
Prior art keywords
word segmentation
alarm
data
sample
training set
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
CN202010953079.5A
Other languages
English (en)
Other versions
CN112257435B (zh
Inventor
高坤祥
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.)
Anhui Zhongke Xinchen Technology Co ltd
Original Assignee
Anhui Zhongke Xinchen Technology 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 Anhui Zhongke Xinchen Technology Co ltd filed Critical Anhui Zhongke Xinchen Technology Co ltd
Priority to CN202010953079.5A priority Critical patent/CN112257435B/zh
Publication of CN112257435A publication Critical patent/CN112257435A/zh
Application granted granted Critical
Publication of CN112257435B publication Critical patent/CN112257435B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于人工智能分词技术的警情数据治理方法，包括：利用第一警情数据治理模型提取原始训练集的特征；其中，所述原始训练集包括警情数据信息和对应的分词标签信息；根据所述原始数据集的特征分词含义特性，进行聚类；根据聚类结果筛选出困难样本；将所述困难样本添加至所述原始训练集，得到目标训练集；利用所述目标训练集对所述第一警情数据治理模型进行训练，得到第二警情数据治理模型；当获取到待治理警情数据，则利用所述第二警情数据治理模型输出对应的治理结果。本发明所公开的警情数据治理方法，通过挖掘出的困难样本改变原始数据集中的样本分布，能够增加对困难样本的关注度，从而提升警情数据治理的准确度。

Description

一种基于人工智能分词技术的警情数据治理方法
技术领域
本发明涉及数据治理方法技术领域，尤其涉及一种基于人工智能分词技术的警情数据治理方法。
背景技术
随着城市和经济的发展，接处警工作量日益繁忙，多年接处警工作，产生大量的警情数据，警情作为公安机关的第一手资源，有着全面、丰富的信息资源，不仅能多维度的从宏观上反映社会治安形势，从微观上更是能具体到某一条警情或者某一类警情，针对警情信息的研判和挖掘，可以帮助公安机会分析社会治安形势、发现治安工作焦点、科学调整警力部署、实施定向精确打击、评估公安工作绩效，使公安机关各个管理部门的有效基于警情信息分享的协同整治治安，从而达到辅助决策预防打击的最终目标。然后由于诸多原因，警情数据质量良莠不齐，无法直接进行数据挖掘，进而发现历史警情的规律与价值，从而对当前工作进行有效改进提升。对于庞大的历史警情数据，需要提供基于人工智能的信息化系统，对数据进行治理和数据质量核查。
发明内容
为解决背景技术中存在的技术问题，本发明提出一种基于人工智能分词技术的警情数据治理方法。
本发明提出的一种基于人工智能分词技术的警情数据治理方法，包括：
利用第一警情数据治理模型提取原始训练集的特征；其中，所述原始训练集包括警情数据信息和对应的分词标签信息；
根据所述原始数据集的特征分词含义特性，进行聚类；
根据聚类结果筛选出困难样本；
将所述困难样本添加至所述原始训练集，得到目标训练集；
利用所述目标训练集对所述第一警情数据治理模型进行训练，得到第二警情数据治理模型；
当获取到待治理警情数据，则利用所述第二警情数据治理模型输出对应的治理结果。
可选的，所述利用第一警情数据治理模型提取原始训练集的特征之前，还包括：
利用同一预设训练集分别对不同的初始模型进行训练，得到多个训练后模型；不同的所述初始模型基于不同的警情数据分词算法；
基于预设测评指标对全部所述训练后模型进行测评，确定出警情数据治理精确度最高的训练后模型，得到所述第一警情数据治理模型。
可选的，所述根据所述原始数据集的特征分词含义特性，进行聚类，包括：
根据所述原始数据集的特征分词含义特性，利用Kmeans算法进行聚类。
可选的，所述根据聚类结果筛选出困难样本，包括：
筛选出聚类结果与所述分词标签信息不同的样本，得到第一样本。
可选的，所述根据聚类结果筛选出困难样本，包括：
基于BvSB准则筛选出第二样本。
可选的，所述基于BvSB准则筛选出第二样本，包括：
计算任一样本与各聚类中心的第一差异度；
将所述第一差异度转换为对应的概率值；
从任一样本的全部所述概率值中确定出最大概率值和次大概率值；
判断当前样本对应的所述最大概率值和所述次大概率值的差值是否小于预设阈值；
若当前样本对应的所述最大概率值和所述次大概率值的差值小于所述预设阈值，则判定当前样本为第二样本。
可选的，所述根据聚类结果筛选出困难样本，包括：
计算同一聚类中每个样本与当前聚类中心的第二差异度；
从所述第二差异度中筛选出最大差异度和最小差异度；
利用所述最大差异度和所述最小差异度，确定出差异度阈值；
判断任一所述第二差异度是否大于所述差异度阈值；
若所述第二差异度大于所述差异度阈值，则将对应的样本确定为第二样本。
本发明中，所提出的基于人工智能分词技术的警情数据治理方法，先利用第一警情数据治理模型提取原始训练集的特征；其中，所述原始训练集包括警情数据信息和对应的分词标签信息，然后根据所述原始数据集的特征分词含义特性，进行聚类，之后根据聚类结果筛选出困难样本，并将所述困难样本添加至所述原始训练集，得到目标训练集，然后利用所述目标训练集对所述第一警情数据治理模型进行训练，得到第二警情数据治理模型，当获取到待治理警情数据，则利用所述第二警情数据治理模型输出对应的治理结果。这样，挖掘出困难样本，通过挖掘出的困难样本改变原始数据集中的样本分布，能够增加对困难样本的关注度，从而提升警情数据治理的准确度。
附图说明
图1为本发明提出的一种基于人工智能分词技术的警情数据治理方法的流程框图。
具体实施方式
如图1所示，图1为本发明提出的一种基于人工智能分词技术的警情数据治理方法的结构示意图。
参照图1，本发明提出的一种基于人工智能分词技术的警情数据治理方法，包括：
利用第一警情数据治理模型提取原始训练集的特征；其中，原始训练集包括警情数据信息和对应的分词标签信息；
根据原始数据集的特征分词含义特性，进行聚类；
根据聚类结果筛选出困难样本；
将困难样本添加至原始训练集，得到目标训练集；
利用目标训练集对第一警情数据治理模型进行训练，得到第二警情数据治理模型；
当获取到待治理警情数据，则利用第二警情数据治理模型输出对应的治理结果。
可选的，利用第一警情数据治理模型提取原始训练集的特征之前，还包括：
利用同一预设训练集分别对不同的初始模型进行训练，得到多个训练后模型；不同的初始模型基于不同的警情数据分词算法；
基于预设测评指标对全部训练后模型进行测评，确定出警情数据治理精确度最高的训练后模型，得到第一警情数据治理模型。
可选的，根据原始数据集的特征分词含义特性，进行聚类，包括：
根据原始数据集的特征分词含义特性，利用Kmeans算法进行聚类。
可选的，根据聚类结果筛选出困难样本，包括：
筛选出聚类结果与分词标签信息不同的样本，得到第一样本。
可选的，根据聚类结果筛选出困难样本，包括：
基于BvSB准则筛选出第二样本。
可选的，基于BvSB准则筛选出第二样本，包括：
计算任一样本与各聚类中心的第一差异度；
将第一差异度转换为对应的概率值；
从任一样本的全部概率值中确定出最大概率值和次大概率值；
判断当前样本对应的最大概率值和次大概率值的差值是否小于预设阈值；
若当前样本对应的最大概率值和次大概率值的差值小于预设阈值，则判定当前样本为第二样本。
可选的，根据聚类结果筛选出困难样本，包括：
计算同一聚类中每个样本与当前聚类中心的第二差异度；
从第二差异度中筛选出最大差异度和最小差异度；
利用最大差异度和最小差异度，确定出差异度阈值；
判断任一第二差异度是否大于差异度阈值；
若第二差异度大于差异度阈值，则将对应的样本确定为第二样本。
在本实施例中，所提出的基于人工智能分词技术的警情数据治理方法，先利用第一警情数据治理模型提取原始训练集的特征；其中，所述原始训练集包括警情数据信息和对应的分词标签信息，然后根据所述原始数据集的特征分词含义特性，进行聚类，之后根据聚类结果筛选出困难样本，并将所述困难样本添加至所述原始训练集，得到目标训练集，然后利用所述目标训练集对所述第一警情数据治理模型进行训练，得到第二警情数据治理模型，当获取到待治理警情数据，则利用所述第二警情数据治理模型输出对应的治理结果。这样，挖掘出困难样本，通过挖掘出的困难样本改变原始数据集中的样本分布，能够增加对困难样本的关注度，从而提升警情数据治理的准确度。
以上所述，仅为本发明较佳的具体实施方式，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，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种基于人工智能分词技术的警情数据治理方法，其特征在于，包括：
利用第一警情数据治理模型提取原始训练集的特征；其中，所述原始训练集包括警情数据信息和对应的分词标签信息；
根据所述原始数据集的特征分词含义特性，进行聚类；
根据聚类结果筛选出困难样本；
将所述困难样本添加至所述原始训练集，得到目标训练集；
利用所述目标训练集对所述第一警情数据治理模型进行训练，得到第二警情数据治理模型；
当获取到待治理警情数据，则利用所述第二警情数据治理模型输出对应的治理结果。
2.根据权利要求1所述的基于人工智能分词技术的警情数据治理方法，其特征在于，所述利用第一警情数据治理模型提取原始训练集的特征之前，还包括：
利用同一预设训练集分别对不同的初始模型进行训练，得到多个训练后模型；不同的所述初始模型基于不同的警情数据分词算法；
基于预设测评指标对全部所述训练后模型进行测评，确定出警情数据治理精确度最高的训练后模型，得到所述第一警情数据治理模型。
3.根据权利要求1所述的基于人工智能分词技术的警情数据治理方法，其特征在于，所述根据所述原始数据集的特征分词含义特性，进行聚类，包括：
根据所述原始数据集的特征分词含义特性，利用Kmeans算法进行聚类。
4.根据权利要求1所述的基于人工智能分词技术的警情数据治理方法，其特征在于，所述根据聚类结果筛选出困难样本，包括：
筛选出聚类结果与所述分词标签信息不同的样本，得到第一样本。
5.根据权利要求1所述的基于人工智能分词技术的警情数据治理方法，其特征在于，所述根据聚类结果筛选出困难样本，包括：
基于BvSB准则筛选出第二样本。
6.根据权利要求5所述的基于人工智能分词技术的警情数据治理方法，其特征在于，所述基于BvSB准则筛选出第二样本，包括：
计算任一样本与各聚类中心的第一差异度；
将所述第一差异度转换为对应的概率值；
从任一样本的全部所述概率值中确定出最大概率值和次大概率值；
判断当前样本对应的所述最大概率值和所述次大概率值的差值是否小于预设阈值；
若当前样本对应的所述最大概率值和所述次大概率值的差值小于所述预设阈值，则判定当前样本为第二样本。
7.根据权利要求1所述的基于人工智能分词技术的警情数据治理方法，其特征在于，所述根据聚类结果筛选出困难样本，包括：
计算同一聚类中每个样本与当前聚类中心的第二差异度；
从所述第二差异度中筛选出最大差异度和最小差异度；
利用所述最大差异度和所述最小差异度，确定出差异度阈值；
判断任一所述第二差异度是否大于所述差异度阈值；
若所述第二差异度大于所述差异度阈值，则将对应的样本确定为第二样本。
CN202010953079.5A 2020-09-11 2020-09-11 一种基于人工智能分词技术的警情数据治理方法 Active CN112257435B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010953079.5A CN112257435B (zh) 2020-09-11 2020-09-11 一种基于人工智能分词技术的警情数据治理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010953079.5A CN112257435B (zh) 2020-09-11 2020-09-11 一种基于人工智能分词技术的警情数据治理方法

Publications (2)

Publication Number Publication Date
CN112257435A true CN112257435A (zh) 2021-01-22
CN112257435B CN112257435B (zh) 2024-05-14

Family

ID=74231970

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010953079.5A Active CN112257435B (zh) 2020-09-11 2020-09-11 一种基于人工智能分词技术的警情数据治理方法

Country Status (1)

Country Link
CN (1) CN112257435B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004029971A (ja) * 2002-06-21 2004-01-29 Fujitsu Ltd データ解析方法
CN101853400A (zh) * 2010-05-20 2010-10-06 武汉大学 基于主动学习和半监督学习的多类图像分类方法
CN108108352A (zh) * 2017-12-18 2018-06-01 广东广业开元科技有限公司 一种基于机器学习文本挖掘技术的企业投诉风险预警方法
CN108920461A (zh) * 2018-06-26 2018-11-30 武大吉奥信息技术有限公司 一种多类型且含复杂关系的实体抽取方法及装置
CN109243618A (zh) * 2018-09-12 2019-01-18 腾讯科技（深圳）有限公司 医学模型的构建方法、疾病标签构建方法及智能设备
CN109242149A (zh) * 2018-08-13 2019-01-18 华中师范大学 一种基于教育数据挖掘的学生成绩早期预警方法及系统
CN109284504A (zh) * 2018-10-22 2019-01-29 平安科技（深圳）有限公司 利用深度学习模型的证券研报分析方法及装置
CN109657978A (zh) * 2018-12-19 2019-04-19 重庆誉存大数据科技有限公司 一种风险识别方法和系统
CN110990562A (zh) * 2019-10-29 2020-04-10 新智认知数字科技股份有限公司 警情分类方法及其系统
CN111222462A (zh) * 2020-01-07 2020-06-02 河海大学 一种基于目标检测的表观特征监测数据智能标注方法
CN111325410A (zh) * 2020-03-13 2020-06-23 安图实验仪器(郑州)有限公司 基于样本分布的通用故障预警系统及其预警方法
CN111340144A (zh) * 2020-05-15 2020-06-26 支付宝(杭州)信息技术有限公司 风险样本检测方法、装置、电子设备及存储介质
CN111523314A (zh) * 2020-07-03 2020-08-11 支付宝(杭州)信息技术有限公司 模型对抗训练、命名实体识别方法及装置
CN111538741A (zh) * 2020-03-23 2020-08-14 重庆特斯联智慧科技股份有限公司 一种面向警情大数据的深度学习分析方法及系统

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004029971A (ja) * 2002-06-21 2004-01-29 Fujitsu Ltd データ解析方法
CN101853400A (zh) * 2010-05-20 2010-10-06 武汉大学 基于主动学习和半监督学习的多类图像分类方法
CN108108352A (zh) * 2017-12-18 2018-06-01 广东广业开元科技有限公司 一种基于机器学习文本挖掘技术的企业投诉风险预警方法
CN108920461A (zh) * 2018-06-26 2018-11-30 武大吉奥信息技术有限公司 一种多类型且含复杂关系的实体抽取方法及装置
CN109242149A (zh) * 2018-08-13 2019-01-18 华中师范大学 一种基于教育数据挖掘的学生成绩早期预警方法及系统
CN109243618A (zh) * 2018-09-12 2019-01-18 腾讯科技（深圳）有限公司 医学模型的构建方法、疾病标签构建方法及智能设备
CN109284504A (zh) * 2018-10-22 2019-01-29 平安科技（深圳）有限公司 利用深度学习模型的证券研报分析方法及装置
CN109657978A (zh) * 2018-12-19 2019-04-19 重庆誉存大数据科技有限公司 一种风险识别方法和系统
CN110990562A (zh) * 2019-10-29 2020-04-10 新智认知数字科技股份有限公司 警情分类方法及其系统
CN111222462A (zh) * 2020-01-07 2020-06-02 河海大学 一种基于目标检测的表观特征监测数据智能标注方法
CN111325410A (zh) * 2020-03-13 2020-06-23 安图实验仪器(郑州)有限公司 基于样本分布的通用故障预警系统及其预警方法
CN111538741A (zh) * 2020-03-23 2020-08-14 重庆特斯联智慧科技股份有限公司 一种面向警情大数据的深度学习分析方法及系统
CN111340144A (zh) * 2020-05-15 2020-06-26 支付宝(杭州)信息技术有限公司 风险样本检测方法、装置、电子设备及存储介质
CN111523314A (zh) * 2020-07-03 2020-08-11 支付宝(杭州)信息技术有限公司 模型对抗训练、命名实体识别方法及装置

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
JIANG NAN 等: "MAN: mutual attention neural networks model for aspect-level sentiment classification in SIoT", 《IEEE INTERNET OF THINGS JOURNAL》, vol. 7, no. 4, 3 January 2020 (2020-01-03), pages 2901 - 2913, XP011783771, DOI: 10.1109/JIOT.2020.2963927 *
LIU DI 等: "Clustering crowdsourced test reports of mobile applications using image understanding", 《IEEE TRANSACTIONS ON SOFTWARE ENGINEERING》, vol. 48, no. 4, 24 August 2020 (2020-08-24), pages 1290 - 1308 *
杨文柱 等: "主动学习算法研究进展", 《河北大学学报(自然科学版)》, vol. 37, no. 02, pages 216 - 224 *
谢红伟: "基于Nutch的聚类搜索引擎的研究与实现", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 2, 15 December 2013 (2013-12-15), pages 138 - 943 *
陈建华: "风险投资项目中风险的识别、评估与防范研究", 《中国博士学位论文全文数据库经济与管理科学辑》, no. 03, 15 March 2009 (2009-03-15), pages 145 - 13 *

Also Published As

Publication number Publication date
CN112257435B (zh) 2024-05-14

Similar Documents

Publication Publication Date Title
CN108200054B (zh) 一种基于dns解析的恶意域名检测方法及装置
CN107528832B (zh) 一种面向系统日志的基线构建与未知异常行为检测方法
CN112491796B (zh) 一种基于卷积神经网络的入侵检测及语义决策树量化解释方法
CN101557327A (zh) 基于支持向量机的入侵检测方法
CN107360152A (zh) 一种基于语义分析的Web威胁感知系统
CN113420294A (zh) 基于多尺度卷积神经网络的恶意代码检测方法
CN115348080B (zh) 基于大数据的网络设备脆弱性综合分析系统及方法
CN111191720A (zh) 一种业务场景的识别方法、装置及电子设备
CN113205134A (zh) 一种网络安全态势预测方法及系统
CN115203354B (zh) 一种车码轨迹预关联方法、装置、计算机设备及存储介质
CN114124420A (zh) 一种基于深度神经网络的网络流量异常检测方法
CN113641906A (zh) 基于资金交易关系数据实现相似目标人员识别处理的系统、方法、装置、处理器及其介质
CN113472754A (zh) 基于网络安全大数据的安全防护配置方法及网络安全系统
CN113822355A (zh) 基于改进的隐马尔可夫模型的复合攻击预测方法及装置
CN115242441A (zh) 一种基于特征选择和深度神经网络的网络入侵检测方法
CN112532652A (zh) 一种基于多源数据的攻击行为画像装置及方法
CN116824513A (zh) 基于深度学习的钻探过程自动识别监管方法及系统
CN116582309A (zh) 一种基于GAN-CNN-BiLSTM的网络入侵检测方法
Harbola et al. Improved intrusion detection in DDoS applying feature selection using rank & score of attributes in KDD-99 data set
CN115277189A (zh) 基于生成式对抗网络的无监督式入侵流量检测识别方法
CN112257435B (zh) 一种基于人工智能分词技术的警情数据治理方法
KR102548321B1 (ko) 효율적인 악성 위협 탐지를 위한 valuable alert 선별 방법
CN111581640A (zh) 一种恶意软件检测方法、装置及设备、存储介质
CN112052336B (zh) 一种基于社交网络平台信息的交通突发事件识别方法及系统
CN115842645A (zh) 基于umap-rf的网络攻击流量检测方法、装置及可读存储介质

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
GR01 Patent grant
GR01 Patent grant