CN112559746A - 一种产品评论挖掘方法和系统 - Google Patents

一种产品评论挖掘方法和系统 Download PDF

Info

Publication number
CN112559746A
CN112559746A CN202011443012.3A CN202011443012A CN112559746A CN 112559746 A CN112559746 A CN 112559746A CN 202011443012 A CN202011443012 A CN 202011443012A CN 112559746 A CN112559746 A CN 112559746A
Authority
CN
China
Prior art keywords
words
product
attribute
classifier
comments
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
Application number
CN202011443012.3A
Other languages
English (en)
Inventor
黄胜男
章韵
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202011443012.3A priority Critical patent/CN112559746A/zh
Publication of CN112559746A publication Critical patent/CN112559746A/zh
Pending legal-status Critical Current

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
    • G06F16/355—Class or cluster creation or modification
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06F40/284—Lexical analysis, e.g. tokenisation or collocates

Landscapes

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

Abstract

本发明公开了一种产品评论挖掘方法和系统，属于计算机数据处理技术领域，方法包括如下步骤：对产品评论进行预处理，所述预处理包括删除垃圾评论和去除停用词；在预处理的产品评论中选择属性词和特征词，并将所述属性词和特征词添加到属性词典中；根据所述属性词典和支持向量机训练生成分类器；利用所述分类器对经预处理的产品评论进行情感极性分析；根据所述极性分析结果，按照时间周期统计产品评论数量并绘制趋势图，使用BP神经网络进行数据拟合。本发明能够对产品评论进行准确的特征提取，得到较精确的情感分析结果，从而获得产品市场趋向。

Description

一种产品评论挖掘方法和系统
技术领域
本发明涉及计算机数据处理技术领域，尤其涉及一种产品评论挖掘方法和系统。
背景技术
互联网已经深入到人们日常生活和工作中的方方面面，用户在不同博客、社交网站、论坛、购物网站中表达自己的意见或情感，互联网上蕴含了人们丰富情感的信息资源呈指数级增长，通过人工方式进行处理的难度越来越大，人们希望通过相应的技术对这些评论文本进行自动化处理、分析，提取有价值的知识。在电子商务应用领域，消费者通过对商品评论表达自己的意见，商家和生产商可以通过这些意见深入挖掘分析用户的喜好偏向，将其作为参考依据来提升商品质量、调整营销策略。潜在消费者可以通过这些意见作为购买参考依据。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种产品评论挖掘方法和系统，能够获得较精确的产品评论分析结果，从而获得产品市场情况。
为达到上述目的，本发明是采用下述技术方案实现的：
第一方面，本发明提供了一种产品评论挖掘方法，包括如下步骤：
对产品评论进行预处理，所述预处理包括删除垃圾评论和去除停用词；
在预处理的产品评论中选择属性词和特征词，并将所述属性词和特征词添加到属性词典中；
根据所述属性词典和支持向量机训练生成分类器；
利用所述分类器对经预处理的产品评论进行情感极性分析；
根据所述极性分析结果，按照时间周期统计产品评论数量并绘制趋势图，使用BP神经网络进行数据拟合。
进一步的，在预处理的产品评论中选择属性词和特征词，并将所述属性词和特征词添加到属性词典中的方法包括如下步骤：
用Word2vec模型将经预处理的产品评论转换成特征向量格式信息；
将产品评论中常用属性词添加入属性词典；
通过卡方统计前n个信息量大的单词，并将所述单词作为特征词添加入属性词典。
进一步的，根据所述属性词典和支持向量机训练生成分类器的方法包括如下步骤：
使用支持向量机作为分类器，把经预处理的产品评论分为训练集、验证集、测试集；
利用所述训练集估计模型，验证集用来对分类算法和最佳特征维度进行调参，从而得到训练好的分类器。
进一步的，利用所述分类器对经预处理的产品评论进行情感极性分析的方法包括如下步骤：
对经预处理的产品评论进行分词处理获得特征属性词；
在所述属性字典中进行搜寻，如果特征属性词在所述属性字典中，则使用训练好的分类器进行分析判断获得极性值；
根据所述极性值对产品评论的句子极性进行判断。
第二方面，本发明提供了一种产品评论挖掘系统，包括如下模块：
预处理模块，用于对产品评论进行预处理，所述预处理包括删除垃圾评论和去除停用词；
特征选择模块，用于在预处理的产品评论中选择属性词和特征词，并将所述属性词和特征词添加到属性词典中；
分类器训练模块，用于根据所述属性词典和支持向量机训练生成分类器；
极性判断模块，用于利用所述分类器对经预处理的产品评论进行情感极性分析；
预测模块，用于根据所述极性分析结果，按照时间周期统计产品评论数量并绘制趋势图，使用BP神经网络进行数据拟合。
进一步的，所述垃圾评论包括广告词、含有网址的评论、重复性评论和无关评论。
进一步的，所述特征选择模块包括如下单元：
转换单元，用于用Word2vec模型将经预处理的产品评论转换成特征向量格式信息；
第一选择单元，用于将产品评论中常用属性词添加入属性词典；
第二选择单元，用于通过卡方统计前n个信息量大的单词，并将所述单词作为特征词添加入属性词典。
进一步的，所述分类器训练模块包括如下单元：
第一训练单元，用于使用支持向量机作为分类器，把经预处理的产品评论(样本)分为训练集、验证集、测试集；
第二训练单元，用于利用所述训练集估计模型，验证集用来对分类算法和最佳特征维度进行调参，从而得到训练好的分类器。
进一步的，所述极性判断模块包括如下单元：
分词单元，用于对经预处理的产品评论进行分词处理获得特征属性词；
搜寻单元，用于在所述属性字典中进行搜寻，如果特征属性词在所述属性字典中，则使用训练好的分类器进行分析判断获得极性值；
判断单元，用于根据所述极性值对产品评论的句子极性进行判断。
与现有技术相比，本发明所达到的有益效果：
本发明通过对产品评论进行预处理，构建属性词典以及利用训练好的分类器对产品评论进行准确地特征提取和分析，得到较精确的情感分析结果，从而获得产品市场趋向。
附图说明
图1是本发明实施例提供的一种产品评论挖掘方法的流程图；
图2是本发明实施例提供的一种产品评论挖掘系统的框图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。
实施例1
如图1所示，本发明实施例提供了一种产品评论挖掘方法，包括如下步骤：
步骤一：对产品评论进行预处理，所述预处理包括删除垃圾评论和去除停用词；
步骤二：在预处理的产品评论中选择属性词和特征词，并将所述属性词和特征词添加到属性词典中；
步骤三：根据所述属性词典和支持向量机训练生成分类器；
步骤四：利用所述分类器对经预处理的产品评论进行情感极性分析；
步骤五：根据所述极性分析结果，按照时间周期统计产品评论数量并绘制趋势图，使用BP神经网络进行数据拟合。
在本实施例的步骤二中，在预处理的产品评论中选择属性词和特征词，并将所述属性词和特征词添加到属性词典中的方法包括如下步骤：
在进行分词以后，通过词性标注和统计的方法来确定商品的属性词，商品的属性词有很多，如价格，外观，性价比等，把消费者在评论中经常提到的属性词为属性词典，加入数据库中，再通过卡方统计信息量大的单词，把信息量大的词也作为特征添加入属性词典加入数据库。不同数量的评论语句，选取的特征词数量也不一样，对于一定数量的评论语句，选取不同数量的特征词进行训练，比较其精准度，来选择合适数量的特征词。
商品的属性有的在总体评价中作用很大，有的作用很小，所以需要对这些属性赋予权重系数，使用TF-IDF权重法来进行计算。TF-IDF可以看做选中词在文档中出现的频率，消费者对于某个属性更关注，那么这个属性在评论语句中出现的次数就会越多，用TF-IDF方法赋予它更高的权重。如：“这个手机内存有点小，但是性价比很高”，在这个句子中，有内存和性价比两个属性，它们的情感极性分别为负和正，那么这个句子总体的情感极性就是分别用他们的属性权重和情感极性之积相加，从而得到一个整体评价。
在本实施例的步骤三中，根据所述属性词典和支持向量机训练生成分类器的方法包括如下步骤：
使用支持向量机作为分类器，选择属性词典中的数据，即商品属性和信息量大的词作为特征进行训练。把数据分为训练集、验证集、测试集；训练集用来评估模型，验证集用来对分类算法和最佳特征维度的参数进行微调，使得分类器达到最优。测试集则为了评估模型的性能。具体过程如下。
使用支持向量机方法和训练集来训练模型，训练好之后得到一个分类器；
用训练好的分类器对验证集进行分类，得出结果。
再把分类器得到的结果和人工标注进行对比，人工标注是人工对验证集中的属性进行情感极性分类的标注。使用F1 score为评估指标，对分类器的精准度进行评估，其公式为
Figure BDA0002830693290000071
其中P为准确率，计算公式为
Figure BDA0002830693290000072
R为召回率，计算公式为
Figure BDA0002830693290000073
,TP表示将正类预测为正类数，FP表示将负类预测为正类数，FN表示将负类预测为负类数。F1值越高，分类器的性能越优，如果F1的值低于0.95，对分类器的参数进行调整优化，再重复以上步骤，一个分类器也就训练好了。
再用测试集对上面训练好的分类器进行测试，看分类器在测试集的F1 socre是否满足需求，即FI值是否能达到0.95。
在本实施例的步骤四中，利用所述分类器对经预处理的产品评论进行情感极性分析的方法包括如下步骤：
对评论文本进行细粒度的分类，把长句子变成短句子，对这些短句子进行分词处理获得特征属性词；
在所述属性词典中进行搜寻，如果特征属性词在所述属性词典中，则使用步骤三中训练好的分类器进行分类，返回该特征属性词的正、负向极性；情感积极正面的返回正，消极负面的返回负。如果不在，就加入到属性词典中，再进行分类。例如，句子“这个手机的内存有点小，但是性价比很高”，经过处理获得的属性词就是内存，性价比，对于的属性情感为小，高，分别在属性词典中查找内存，性价比，如果属性词典里有内存这个词，就直接用步骤三中训练好的分类器进行分类，可以输出正，如果没有性价比这个词，就把性价比添加到属性词典里，然后再用分类器进行分类，得到的情感极性就是负。
根据所述极性值对产品评论的句子极性进行判断。在上例中，可分别得到内存，性价比的情感极性，使用它们的属性权重与情感极性相积，再将得到的结果相加，就可以得到句子的整体极性的正负。
实施例2
如图2所示，本发明实施例提供了一种产品评论挖掘系统，包括如下模块：
预处理模块，用于对产品评论进行预处理，所述预处理包括删除垃圾评论和去除停用词；
特征选择模块，用于在预处理的产品评论中选择属性词和特征词，并将所述属性词和特征词添加到属性词典中；
分类器训练模块，用于根据所述属性词典和支持向量机训练生成分类器；
极性判断模块，用于利用所述分类器对经预处理的产品评论进行情感极性分析；
预测模块，用于根据所述极性分析结果，按照时间周期统计产品评论数量并绘制趋势图，使用BP神经网络进行数据拟合。
在本实施例中，所述垃圾评论包括广告词、含有网址的评论、重复性评论和无关评论。
在本实施例中，所述特征选择模块包括如下单元：
转换单元，用于用Word2vec模型将经预处理的产品评论转换成特征向量格式信息；
第一选择单元，用于将产品评论中常用属性词添加入属性词典；
第二选择单元，用于通过卡方统计前n个信息量大的单词，并将所述单词作为特征词添加入属性词典。
在本实施例中，所述分类器训练模块包括如下单元：
第一训练单元，用于使用支持向量机作为分类器，把经预处理的产品评论(样本)分为训练集、验证集、测试集；
第二训练单元，用于利用所述训练集估计模型，验证集用来对分类算法和最佳特征维度进行调参，从而得到训练好的分类器。
在本实施例中，所述极性判断模块包括如下单元：
分词单元，用于对经预处理的产品评论进行分词处理获得特征属性词；
搜寻单元，用于在所述属性字典中进行搜寻，如果特征属性词在所述属性字典中，则使用训练好的分类器进行分析判断获得极性值；
判断单元，用于根据所述极性值对产品评论的句子极性进行判断。
综上，本发明通过对产品评论进行预处理，构建属性词典以及利用训练好的分类器对产品评论进行准确地特征提取和分析，得到较精确的情感分析结果，从而获得产品市场趋向。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (9)

1.一种产品评论挖掘方法，其特征在于，包括如下步骤：
对产品评论进行预处理，所述预处理包括删除垃圾评论和去除停用词；
在预处理的产品评论中选择属性词和特征词，并将所述属性词和特征词添加到属性词典中；
根据所述属性词典和支持向量机训练生成分类器；
利用所述分类器对经预处理的产品评论进行情感极性分析；
根据所述极性分析结果，按照时间周期统计产品评论数量并绘制趋势图，使用BP神经网络进行数据拟合。
2.根据权利要求1所述的产品评论挖掘系统，其特征在于，在预处理的产品评论中选择属性词和特征词，并将所述属性词和特征词添加到属性词典中的方法包括如下步骤：
用Word2vec模型将经预处理的产品评论转换成特征向量格式信息；
将产品评论中常用属性词添加入属性词典；
通过卡方统计前n个信息量大的单词，并将所述单词作为特征词添加入属性词典。
3.根据权利要求1所述的产品评论挖掘系统，其特征在于，根据所述属性词典和支持向量机训练生成分类器的方法包括如下步骤：
使用支持向量机作为分类器，把经预处理的产品评论分为训练集、验证集、测试集；
利用所述训练集估计模型，验证集用来对分类算法和最佳特征维度进行调参，从而得到训练好的分类器。
4.根据权利要求1所述的产品评论挖掘系统，其特征在于，利用所述分类器对经预处理的产品评论进行情感极性分析的方法包括如下步骤：
对经预处理的产品评论进行分词处理获得特征属性词；
在所述属性字典中进行搜寻，如果特征属性词在所述属性字典中，则使用训练好的分类器进行分析判断获得极性值；
根据所述极性值对产品评论的句子极性进行判断。
5.一种产品评论挖掘系统，其特征在于，包括如下模块：
预处理模块，用于对产品评论进行预处理，所述预处理包括删除垃圾评论和去除停用词；
特征选择模块，用于在预处理的产品评论中选择属性词和特征词，并将所述属性词和特征词添加到属性词典中；
分类器训练模块，用于根据所述属性词典和支持向量机训练生成分类器；
极性判断模块，用于利用所述分类器对经预处理的产品评论进行情感极性分析；
预测模块，用于根据所述极性分析结果，按照时间周期统计产品评论数量并绘制趋势图，使用BP神经网络进行数据拟合。
6.根据权利要求5所述的产品评论挖掘系统，其特征在于，所述垃圾评论包括广告词、含有网址的评论、重复性评论和无关评论。
7.根据权利要求5所述的产品评论挖掘系统，其特征在于，所述特征选择模块包括如下单元：
转换单元，用于用Word2vec模型将经预处理的产品评论转换成特征向量格式信息；
第一选择单元，用于将产品评论中常用属性词添加入属性词典；
第二选择单元，用于通过卡方统计前n个信息量大的单词，并将所述单词作为特征词添加入属性词典。
8.根据权利要求5所述的产品评论挖掘系统，其特征在于，所述分类器训练模块包括如下单元：
第一训练单元，用于使用支持向量机作为分类器，把经预处理的产品评论(样本)分为训练集、验证集、测试集；
第二训练单元，用于利用所述训练集估计模型，验证集用来对分类算法和最佳特征维度进行调参，从而得到训练好的分类器。
9.根据权利要求5所述的产品评论挖掘系统，其特征在于，所述极性判断模块包括如下单元：
分词单元，用于对经预处理的产品评论进行分词处理获得特征属性词；
搜寻单元，用于在所述属性字典中进行搜寻，如果特征属性词在所述属性字典中，则使用训练好的分类器进行分析判断获得极性值；
判断单元，用于根据所述极性值对产品评论的句子极性进行判断。
CN202011443012.3A 2020-12-11 2020-12-11 一种产品评论挖掘方法和系统 Pending CN112559746A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011443012.3A CN112559746A (zh) 2020-12-11 2020-12-11 一种产品评论挖掘方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011443012.3A CN112559746A (zh) 2020-12-11 2020-12-11 一种产品评论挖掘方法和系统

Publications (1)

Publication Number Publication Date
CN112559746A true CN112559746A (zh) 2021-03-26

Family

ID=75061082

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011443012.3A Pending CN112559746A (zh) 2020-12-11 2020-12-11 一种产品评论挖掘方法和系统

Country Status (1)

Country Link
CN (1) CN112559746A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102945268A (zh) * 2012-10-25 2013-02-27 北京腾逸科技发展有限公司 产品特征评论挖掘方法及系统
CN109543110A (zh) * 2018-11-28 2019-03-29 南京航空航天大学 一种微博情感分析方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102945268A (zh) * 2012-10-25 2013-02-27 北京腾逸科技发展有限公司 产品特征评论挖掘方法及系统
CN109543110A (zh) * 2018-11-28 2019-03-29 南京航空航天大学 一种微博情感分析方法及系统

Similar Documents

Publication Publication Date Title
CN109740148B (zh) 一种BiLSTM结合Attention机制的文本情感分析方法
CN110555717A (zh) 基于用户行为特征挖掘用户潜在购买商品和品类的方法
CN107656917B (zh) 一种中文情感分析方法及系统
CN111260437B (zh) 一种基于商品方面级情感挖掘和模糊决策的产品推荐方法
CN102799591B (zh) 一种提供推荐词的方法及装置
US20160098480A1 (en) Author moderated sentiment classification method and system
CN105808526A (zh) 商品短文本核心词提取方法和装置
CN103399891A (zh) 网络内容自动推荐方法、装置和系统
CN111339439B (zh) 一种融合评论文本与时序效应的协同过滤推荐方法和装置
CN102789449B (zh) 对评论文本进行评价的方法和装置
CN111026868B (zh) 一种多维度舆情危机预测方法、终端设备及存储介质
CN110706028A (zh) 基于属性特征的商品评价情感分析系统
CN108596637B (zh) 一种电商服务问题自动发现系统
CN105956882A (zh) 一种获取采购需求的方法及装置
CN103425664A (zh) 一种对实体数据单元进行搜索、显示的方法和设备
CN111666757A (zh) 商品评论情感倾向分析方法、装置、设备和可读存储介质
CN113282704A (zh) 一种对评论有用性进行判断和筛选的方法与装置
Irawaty et al. Vectorizer comparison for sentiment analysis on social media youtube: A case study
Park et al. Phrase embedding and clustering for sub-feature extraction from online data
Yennimar et al. Comparison of Machine Learning Classification Algorithms in Sentiment Analysis Product Review of North Padang Lawas Regency
CN112464106B (zh) 对象推荐方法及装置
CN116579351B (zh) 一种用户评价信息的分析方法及装置
KR20240111294A (ko) 미리 학습된 평가모델을 이용한 사용자의 피드백 반영 제품계획 결정 장치
CN112559746A (zh) 一种产品评论挖掘方法和系统
Luo et al. A novel method based on knowledge adoption model and non-kernel SVM for predicting the helpfulness of online reviews

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210326

RJ01 Rejection of invention patent application after publication