CN112685560B - 事件拐点识别的方法、系统、终端、计算机设备及介质 - Google Patents
事件拐点识别的方法、系统、终端、计算机设备及介质 Download PDFInfo
- Publication number
- CN112685560B CN112685560B CN202011563057.4A CN202011563057A CN112685560B CN 112685560 B CN112685560 B CN 112685560B CN 202011563057 A CN202011563057 A CN 202011563057A CN 112685560 B CN112685560 B CN 112685560B
- Authority
- CN
- China
- Prior art keywords
- event
- influence
- inflection point
- point
- person
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000008520 organization Effects 0.000 claims abstract description 42
- 238000011161 development Methods 0.000 claims abstract description 36
- 238000010276 construction Methods 0.000 claims abstract description 5
- 230000008859 change Effects 0.000 claims description 42
- 238000013139 quantization Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000005251 gamma ray Effects 0.000 claims description 5
- 238000011002 quantification Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000007547 defect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Abstract
本发明公开一种事件拐点识别的方法、系统、终端、计算机设备及介质,涉及语义网络技术领域。构建事件基础元素数据库,所述事件包含人、组织、时间、地点、事件触发词元素,所述人、组织、地点、事件触发词分别具备各自特有属性;根据所述事件多维度的发展趋势数据,构建所述事件发展趋势数据的各个影响因素的行业影响力值;根据所述行业影响力,识别出事件发展趋势数据中的拐点。事件拐点识别系统包括事件基础元素数据库、行业影响力值构建模块、数据拐点识别模块。本发明针对事件拐点识别具备普适性。本发明为垂直领域事件的拐点识别提供了基础理论。
Description
技术领域
本发明涉及语义网络技术领域,尤其公开一种事件拐点识别的方法、系统、终端、计算机设备及介质。
背景技术
目前,现有技术中,公开了基于图片的拐点识别技术以及基于最小方差的市场价格拐点预测方法。基于图片的拐点识别技术应用很成熟,原理很简单,即在图片矩阵中,通过一个移动的窗口去遍历矩阵中的数值,一旦发现有像素变化明显的地方,即可能是一个拐点,缺点仅适用于处理图片的拐点识别。
基于最小方差的市场价格拐点预测方法由于决定市场价格的特征比较好提取,基于最小方差方法可保证多数类样本识别精度的前提下提高少数类样本的识别精度,该技术应用的缺点也仅适用于市场价格的波动趋势。
通过上述分析,现有技术存在的问题及缺陷为:
(1)针对事件拐点识别的基础理论技术目前尚未有成熟的基础理论知识和应用问题;
(2)且现有技术不能解决事件对象的拐点识别中普适性问题。
解决以上问题及缺陷的难度为:
何为事件,需要对事件进行标准定义,根据事件的定义,再量化何为拐点,是目前解决以上问题及缺陷的难度。
解决以上问题及缺陷的意义为:实现垂直领域事件的拐点识别的功能。
发明内容
为克服相关技术中存在的问题,本发明公开实施例提供了一种事件拐点识别的方法、系统、终端、计算机设备及介质。所述技术方案如下:
根据本发明公开实施例的第一方面,提供一种事件拐点识别的方法,应用于信息数据处理终端,所述事件拐点识别的方法包括:
构建事件基础元素数据库,所述事件包含人、组织、时间、地点、事件触发词元素,所述人、组织、地点、事件触发词分别具备各自特有属性,详见图2;
根据所述事件多维度的发展趋势数据,构建所述事件发展趋势数据的各个影响因素的行业影响力值;
根据所述行业影响力,识别出事件发展趋势数据中的拐点。
优选地,所述事件发展趋势数据的各个影响因素包括:人物类型、人物行业影响力、组织类型、组织行业影响力、地点类型以及触发词类型。
所述行业影响力值计算公式如下:
ni为第i类特征量化的数量,mini为第i类特征最小值,maxi为第i类特征最大值,同理nj、minj、maxj,α、β分别为影响系数,且α+β=1。
所述识别出事件发展趋势数据中的拐点的方法包括:
(1)事件拐点量化:事件拐点量化公式包括:
上式为当前时间点人物类型相比较前一刻时间点对应的人物类型变化值,人物类型变化值是个布尔类型值,若当前时间点人物类型跟前一刻时间点人物类型无变化,则为0,反之为1;同理/>分别为两相邻点组织类型变化值、地点类型变化值,若两相邻点组织类型、地点类型无变化,则为0,反之为1;nfluenceperson、influenceorg分别为计算出的人物行业影响力与组织行业影响力;γ1、γ2、γ3、γ4分别为人物、组织、地点和事件四维度因子的影响系数,γ1+γ2+γ3+γ4=1,γ1、γ2、γ3=0.1,γ4=0.7;/>分别为两相邻点事件类型变化值,若两相邻点事件类型无变化,则为0,反之为1;
(2)当所述事件拐点量化公式所得值满足大于等于0.7,则判定该点为拐点事件;拐点事件表示如下:
根据本发明公开实施例的第二方面,提供一种事件拐点识别系统,应用于信息数据处理终端,所述事件拐点识别系统包括:
事件基础元素数据库,所述事件包含人、组织、时间、地点、事件触发词元素,所述人、组织、地点、事件触发词分别具备各自特有属性;
行业影响力值构建模块,用于根据所述事件多维度的发展趋势数据,构建所述事件发展趋势数据的各个影响因素的行业影响力值;
数据拐点识别模块,用于根据所述行业影响力,识别出事件发展趋势数据中的拐点。
优选地,所述数据拐点识别模块包括:
事件拐点量化模块,用于对事件拐点量化,计算出的人物行业影响力与组织行业影响力;
拐点事件判定模块,用于事件拐点量化值满足大于等于0.7,判定为拐点事件。
根据本发明公开实施例的第三方面,提供一种信息数据处理终端,所述信息数据处理终端搭载所述事件拐点识别系统,并实施所述事件拐点识别的方法。
根据本发明公开实施例的第四方面,提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
构建事件基础元素数据库,所述事件包含人、组织、时间、地点、事件触发词元素,所述人、组织、地点、事件触发词分别具备各自特有属性;
根据所述事件多维度的发展趋势数据,构建所述事件发展趋势数据的各个影响因素的行业影响力值;
根据所述行业影响力,识别出事件发展趋势数据中的拐点。
根据本发明公开实施例的第五方面,提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行所述事件拐点识别的方法全景图片生成方法。
根据本发明公开实施例的第六方面,提供一种所述事件拐点识别的方法在垂直领域中语义网络信息拐点识别中的应用。
本发明公开的实施例提供的技术方案可以包括以下有益效果:
本发明针对事件拐点识别具备普适性。
本发明为垂直领域事件的拐点识别提供了基础理论。
当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是本发明实施例提供的事件拐点识别的方法流程图。
图2是本发明实施例提供的事件元素与元素属性结构图。
图3是本发明实施例提供的事件发展中事件拐点识别图.
图4是本发明实施例提供的事件拐点识别系统示意图。
图4中:1、事件基础元素数据库;2、行业影响力值构建模块;3、数据拐点识别模块;3-1、事件拐点量化模块;3-2、拐点事件判定模块。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
为解决事件拐点识别技术的普适性问题,如图1所示,本发明提供一种事件拐点识别的方法,包括:
步骤1:事件基础元素构成,事件定义为包含人、组织、时间、地点、事件触发词等元素。人、组织、地点、事件触发词分别具备其特有属性,详见图2。
步骤2:综合事件多维度的发展趋势,构建针对事件发展趋势的各个影响指标体系,具体计算过程如下:
事件的拐点影响因素有人物类型、人物行业影响力、组织类型、组织行业影响力、地点类型以及触发词类型。为了量化不同时间点,事件分别在人物、组织、地点、事件触发词维度上的量值,这里先分别计算事件在人物、组织维度的行业影响力值,在不同时间,事件人物的行业影响力值计如下:
根据人物、组织名单,收集人物、组织行业影响力的特征;如科技行业,有人物所发表EI期刊数量、人物所发表SCI期刊数量、人物所举行的学术会议次数、人物的社交媒体官方账号粉丝数量以及人物与行业核心人物链接的最短路径长度等特征量化人物行业影响力。行业影响力计算如下:
ni为第i类特征量化的数量,mini为第i类特征最小值,maxi为第i类特征最大值,同理nj、minj、
maxj,α、β分别为影响系数,且α+β=1。
步骤3:综合事件发展的各个影响指标,识别出事件发展趋势的拐点,其具体计算过程如下:
对事件拐点有决定性的影响因子为事件类型变化,若人物、组织、地点类型发生变化,也有利于事件拐点的形成,即事件拐点量化可如下式:
上式为当前时间点人物类型相比较前一刻时间点对应的人物类型变化值,这里的人物类型变化值是个布尔类型值,若当前时间点人物类型跟前一刻时间点人物类型无变化,则为0,反之为1;同理/>分别为两相邻点组织类型变化值、地点类型变化值,若两相邻点组织类型、地点类型无变化,则为0,反之为1;nfluenceperson、influenceorg分别为步骤2计算出的人物行业影响力与组织行业影响力;γ1、γ2、γ3、γ4分别为人物、组织、地点和事件四维度因子的影响系数,γ1+γ2+γ3+γ4=1,γ1、γ2、γ3=0.1,γ4=0.7;/>分别为两相邻点事件类型变化值,若两相邻点事件类型无变化,则为0,反之为1。
考虑到对事件拐点有决定性的影响因子为事件类型变化,则经过多次数据测试,当上述事件拐点函数所得值满足大于等于0.7,则可判定该点为拐点事件。拐点事件表示如下:
下面结合实验数据结果对本发明技术方案作进一步描述。
如图3事件发展中事件拐点识别数据所示。
下面结合软件原理对本发明技术方案作进一步描述。
如图4所示,本发明提供一种事件拐点识别系统,应用于信息数据处理终端,所述事件拐点识别系统包括:
事件基础元素数据库1,所述事件包含人、组织、时间、地点、事件触发词元素,所述人、组织、地点、事件触发词分别具备各自特有属性;
行业影响力值构建模块2,用于根据所述事件多维度的发展趋势数据,构建所述事件发展趋势数据的各个影响因素的行业影响力值;
数据拐点识别模块3,用于根据所述行业影响力,识别出事件发展趋势数据中的拐点。
所述数据拐点识别模块3包括:
事件拐点量化模块3-1,用于对事件拐点量化,计算出的人物行业影响力与组织行业影响力;
拐点事件判定模块3-2,用于事件拐点量化值满足大于等于0.7,判定为拐点事件。
本领域技术人员在考虑说明书及实践这里公开的公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由所附的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围应由所附的权利要求来限制。
Claims (8)
1.一种事件拐点识别的方法,其特征在于,应用于信息数据处理终端,所述事件拐点识别的方法包括:
构建事件基础元素数据库,所述事件包含人、组织、时间、地点、事件触发词元素,所述人、组织、地点、事件触发词分别具备各自特有属性;
根据所述事件多维度的发展趋势数据,构建所述事件发展趋势数据的各个影响因素的行业影响力值;
根据所述行业影响力值,识别出事件发展趋势数据中的拐点;
所述行业影响力值计算公式如下:
ni为第i类特征量化的数量,mini为第i类特征最小值,maxi为第i类特征最大值,同理nj、minj、maxj,α、β分别为影响系数,且α+β=1;
所述识别出事件发展趋势数据中的拐点的方法包括:
(1)事件拐点量化:事件拐点量化公式包括:
Inflection point=γ1(▽boolperson+influenceperson)+γ2(▽boolorg+influenceorg)+γ3▽boollocation+γ4▽boolevent;
上式▽boolperson为当前时间点人物类型相比较前一刻时间点对应的人物类型变化值,人物类型变化值是个布尔类型值,若当前时间点人物类型跟前一刻时间点人物类型无变化,则为0,反之为1;同理▽boolorg、▽boollocation分别为两相邻点组织类型变化值、地点类型变化值,若两相邻点组织类型、地点类型无变化,则为0,反之为1;nfluenceperson、influenceorg分别为计算出的人物行业影响力与组织行业影响力;γ1、γ2、γ3、γ4分别为人物、组织、地点和事件四维度因子的影响系数,γ1+γ2+γ3+γ4=1,γ1、γ2、γ3=0.1,γ4=0.7;▽boolevent分别为两相邻点事件类型变化值,若两相邻点事件类型无变化,则为0,反之为1;
(2)当所述事件拐点量化公式所得值满足大于等于0.7,则判定该点为拐点事件;拐点事件表示如下:
2.根据权利要求1所述事件拐点识别的方法,其特征在于,所述事件发展趋势数据的各个影响因素包括:人物类型、人物行业影响力、组织类型、组织行业影响力、地点类型以及触发词类型。
3.一种事件拐点识别系统,其特征在于,应用于信息数据处理终端,所述事件拐点识别系统包括:
事件基础元素数据库,所述事件包含人、组织、时间、地点、事件触发词元素,所述人、组织、地点、事件触发词分别具备各自特有属性;
行业影响力值构建模块,用于根据所述事件多维度的发展趋势数据,构建所述事件发展趋势数据的各个影响因素的行业影响力值;
数据拐点识别模块,用于根据所述行业影响力,识别出事件发展趋势数据中的拐点;
所述行业影响力值计算公式如下:
ni为第i类特征量化的数量,mini为第i类特征最小值,maxi为第i类特征最大值,同理nj、minj、maxj,α、β分别为影响系数,且α+β=1;
所述识别出事件发展趋势数据中的拐点的方法包括:
(1)事件拐点量化:事件拐点量化公式包括:
Inflection point=γ1(▽boolperson+influenceperson)+γ2(▽boolorg+influenceorg)+γ3▽boollocation+γ4▽boolevent;
上式▽boolperson为当前时间点人物类型相比较前一刻时间点对应的人物类型变化值,人物类型变化值是个布尔类型值,若当前时间点人物类型跟前一刻时间点人物类型无变化,则为0,反之为1;同理▽boolorg、▽boollocation分别为两相邻点组织类型变化值、地点类型变化值,若两相邻点组织类型、地点类型无变化,则为0,反之为1;nfluenceperson、influenceorg分别为计算出的人物行业影响力与组织行业影响力;γ1、γ2、γ3、γ4分别为人物、组织、地点和事件四维度因子的影响系数,γ1+γ2+γ3+γ4=1,γ1、γ2、γ3=0.1,γ4=0.7;▽boolevent分别为两相邻点事件类型变化值,若两相邻点事件类型无变化,则为0,反之为1;
(2)当所述事件拐点量化公式所得值满足大于等于0.7,则判定该点为拐点事件;拐点事件表示如下:
4.根据权利要求3所述事件拐点识别系统,其特征在于,所述数据拐点识别模块包括:
事件拐点量化模块,用于对事件拐点量化,计算出的人物行业影响力与组织行业影响力;
拐点事件判定模块,用于事件拐点量化值满足大于等于0.7,判定为拐点事件。
5.一种信息数据处理终端,其特征在于,所述信息数据处理终端搭载权利要求3~4任意一项所述事件拐点识别系统,并实施权利要求1~2任意一项所述事件拐点识别的方法。
6.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
构建事件基础元素数据库,所述事件包含人、组织、时间、地点、事件触发词元素,所述人、组织、地点、事件触发词分别具备各自特有属性;
根据所述事件多维度的发展趋势数据,构建所述事件发展趋势数据的各个影响因素的行业影响力值;
根据所述行业影响力,识别出事件发展趋势数据中的拐点;
所述行业影响力值计算公式如下:
ni为第i类特征量化的数量,mini为第i类特征最小值,maxi为第i类特征最大值,同理nj、minj、maxj,α、β分别为影响系数,且α+β=1;
所述识别出事件发展趋势数据中的拐点的方法包括:
(1)事件拐点量化:事件拐点量化公式包括:
Inflection point=γ1(▽boolperson+influenceperson)+γ2(▽boolorg+influenceorg)+γ3▽boollocation+γ4▽boolevent;
上式▽boolperson为当前时间点人物类型相比较前一刻时间点对应的人物类型变化值,人物类型变化值是个布尔类型值,若当前时间点人物类型跟前一刻时间点人物类型无变化,则为0,反之为1;同理▽boolorg、▽boollocation分别为两相邻点组织类型变化值、地点类型变化值,若两相邻点组织类型、地点类型无变化,则为0,反之为1;nfluenceperson、influenceorg分别为计算出的人物行业影响力与组织行业影响力;γ1、γ2、γ3、γ4分别为人物、组织、地点和事件四维度因子的影响系数,γ1+γ2+γ3+γ4=1,γ1、γ2、γ3=0.1,γ4=0.7;▽boolevent分别为两相邻点事件类型变化值,若两相邻点事件类型无变化,则为0,反之为1;
(2)当所述事件拐点量化公式所得值满足大于等于0.7,则判定该点为拐点事件;拐点事件表示如下:
7.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行权利要求1~2任意一项所述事件拐点识别的方法。
8.一种根据权利要求1~2任意一项所述事件拐点识别的方法在垂直领域中语义网络信息拐点识别中的应用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011563057.4A CN112685560B (zh) | 2020-12-25 | 2020-12-25 | 事件拐点识别的方法、系统、终端、计算机设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011563057.4A CN112685560B (zh) | 2020-12-25 | 2020-12-25 | 事件拐点识别的方法、系统、终端、计算机设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112685560A CN112685560A (zh) | 2021-04-20 |
CN112685560B true CN112685560B (zh) | 2024-01-19 |
Family
ID=75451702
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011563057.4A Active CN112685560B (zh) | 2020-12-25 | 2020-12-25 | 事件拐点识别的方法、系统、终端、计算机设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112685560B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109508416A (zh) * | 2018-11-09 | 2019-03-22 | 四川大学 | 基于评论数量的微博舆情事件热度与发展趋势预测方法 |
CN111999544A (zh) * | 2020-08-10 | 2020-11-27 | 国网电力科学研究院武汉南瑞有限责任公司 | 雷击连续电流遥测装置及雷击识别和特征参数计算方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10558697B2 (en) * | 2017-02-21 | 2020-02-11 | International Business Machines Corporation | Segmenting a set of media data using a set of social networking data |
-
2020
- 2020-12-25 CN CN202011563057.4A patent/CN112685560B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109508416A (zh) * | 2018-11-09 | 2019-03-22 | 四川大学 | 基于评论数量的微博舆情事件热度与发展趋势预测方法 |
CN111999544A (zh) * | 2020-08-10 | 2020-11-27 | 国网电力科学研究院武汉南瑞有限责任公司 | 雷击连续电流遥测装置及雷击识别和特征参数计算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112685560A (zh) | 2021-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3866026A1 (en) | Theme classification method and apparatus based on multimodality, and storage medium | |
DE112011101927T5 (de) | Semantisches Parsen von Objekten in Videos | |
CN106250825A (zh) | 一种在医保应用中场景自适应的人脸识别系统 | |
WO2023125654A1 (zh) | 人脸识别模型的训练方法、装置、电子设备及存储介质 | |
CN110580516B (zh) | 一种基于智能机器人的交互方法及装置 | |
WO2019242627A1 (zh) | 一种数据处理方法及其装置 | |
CN110990627A (zh) | 一种知识图谱构建的方法、装置、电子设备及介质 | |
US11250299B2 (en) | Learning representations of generalized cross-modal entailment tasks | |
CN112685560B (zh) | 事件拐点识别的方法、系统、终端、计算机设备及介质 | |
WO2019061660A1 (zh) | 招聘方法、电子装置及可读存储介质 | |
CN109635303A (zh) | 特定领域意义改变词的识别方法 | |
CN111222000B (zh) | 一种基于图卷积神经网络的图像分类方法及系统 | |
DE102017104094B4 (de) | Sprachverarbeitungssystem und sprachverarbeitungsverfahren | |
CN111160491B (zh) | 一种卷积神经网络中的池化方法和池化模型 | |
CN104102705B (zh) | 一种基于大间隔分布学习的数字媒体对象分类方法 | |
US10990883B2 (en) | Systems and methods for estimating and/or improving user engagement in social media content | |
CN113553423B (zh) | 一种剧本信息处理方法、装置、电子设备及存储介质 | |
CN112686844B (zh) | 基于视频质检场景的阈值设定方法、存储介质和系统 | |
CN113590918A (zh) | 基于课程式学习的社交媒体舆情热度监测的框架构建方法 | |
CN105740830B (zh) | 基于验证手段的电子签字鉴定方法 | |
WO2023272833A1 (zh) | 一种数据检测方法、装置、设备及可读存储介质 | |
CN105740299B (zh) | 识别网络关系的方法、装置及服务器 | |
CN113822045A (zh) | 一种基于多模态数据的影评质量的识别方法及相关装置 | |
Yu et al. | Image inpainting algorithm based on neural network and attention mechanism | |
CN113010658A (zh) | 一种智能问答知识库构建方法、系统、终端以及存储介质 |
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 |