CN113988724B - 一种上市公司金融活动知识图谱的风险分析方法 - Google Patents
一种上市公司金融活动知识图谱的风险分析方法 Download PDFInfo
- Publication number
- CN113988724B CN113988724B CN202111617963.2A CN202111617963A CN113988724B CN 113988724 B CN113988724 B CN 113988724B CN 202111617963 A CN202111617963 A CN 202111617963A CN 113988724 B CN113988724 B CN 113988724B
- Authority
- CN
- China
- Prior art keywords
- knowledge graph
- risk
- named entity
- financial
- named
- 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
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
- G06F40/295—Named entity recognition
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Animal Behavior & Ethology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种上市公司金融活动知识图谱的风险分析方法,包括:构建金融活动知识图谱;将命名实体库中的所有命名实体进行规范化处理;基于规范化处理过后的命名实体,构建三元组,进而得到三元组候选集;根据三元组候选集得到有效三元组;根据有效三元组构建知识图谱;知识图谱风险分析;根据知识图谱,构建金融风险传导模型;进行迭代计算,得到收敛后的金融风险传导模型,该模型用于表示知识图谱中每一个命名实体潜在风险程度;解决了现有技术中需要人工构建知识图谱的不足,节省了大量人力成本,构建金融风险传导模型,进而挖掘知识图谱中存在潜在风险的命名实体,对于上市公司监管机构加强市场金融活动的监管起到了重要的支撑作用。
Description
技术领域
本发明属于知识图谱风险分析技术领域,尤其涉及一种上市公司金融活动知识图谱的风险分析方法。
背景技术
上市公司金融活动知识图谱能直观的反映上市公司金融活动的特点以及存在的风险,并能用于分析金融活动中的风险传导过程,对于上市公司监管机构加强市场金融活动的监管有着重要的支撑作用。然而市面上关于上市公司金融活动知识图谱鲜有报道。
目前产业界知识图谱的构建多依赖人工构建,耗费大量人力成本。主要是因为现有自动化构建技术难以适用于不同的领域,往往需要针对特定领域设计针对性的自动化知识图谱构建方法。另外,上市公司金融活动中的风险传导过程有其一定特点,需要基于知识图谱设计针对性的金融风险传导模型,进行知识图谱的风险分析。
发明内容
本发明的目的在于克服上述现有技术中需要针对性设计知识图谱、以及难以挖掘知识图谱中存在风险的实体的不足,提供了一种通过自动化构建知识图谱,进而挖掘知识图谱中存在潜在风险的命名实体的风险分析方法,具体为一种上市公司金融活动知识图谱的风险分析方法。
本发明提供了一种上市公司金融活动知识图谱的风险分析方法,包括:
构建金融活动知识图谱;
S1:将命名实体库中的所有命名实体进行规范化处理;
S2:基于规范化处理过后的命名实体,构建三元组,进而得到三元组候选集;
S3:计算三元组候选集中每一个三元组出现在上市公司公告中的次数,选取次数大于阈值的三元组作为有效三元组;根据有效三元组构建知识图谱;
知识图谱风险分析;
S4:根据知识图谱构建金融风险传导模型;
S5:迭代计算知识图谱中每个节点受其它节点影响的风险值,直至知识图谱中所有节点的风险值动态平衡,得到收敛后的金融风险传导模型,收敛后的金融风险传导模型用于表示知识图谱中每一个命名实体潜在风险程度。
优选的,S1中,包括:
S1.1:对于命名实体进行规范化处理;从命名实体库中依次提取所有两命名实体组合,计算两命名实体组合中两命名实体之间的字符串二元组杰卡德距离,对于字符串二元组杰卡德距离小于设定值的两命名实体,将其归并为同一个命名实体;
S1.2:将已计算的两命名实体组合替换成命名实体库中未计算的两命名实体组合,执行步骤S1.1;
S1.3:重复执行步骤S1.2,直至命名实体库中所有两命名实体组合均已进行规范化处理,并将归并为同一个命名实体的命名实体统一表示为规范化命名实体。
优选的,S2中,基于规范化处理过后的命名实体,根据上市公司公告文本段落中所有共同出现的规范化命名实体,构建三元组,整合所有上市公司公告文本段落中出现的三元组,构建三元组候选集。
优选的,S3中,计算三元组候选集中每一个三元组出现在上市公司公告中的次数,计算公式为:
其中,三元组候选集记为:,上市公司公告文本记为:;表示规范化命名实体,;表示与连通的规范化命名实体,;表示三元组,表示三元组在所有上市公司公告文本段落中出现的次数,表示所有上市公司公告文本中段落的数量,表示第t个段落,表示包含三元组的段落数量,表示所有上市公司公告文本中三元组的数量;选取次数大于阈值的三元组作为有效三元组,对所有有效三元组进行关联,构建知识图谱,知识图谱记为。
优选的,S4中,基于知识图谱,通过平滑递减函数构建金融风险传导模型,平滑递减函数表示金融风险程度与传导路径之间的映射关系,在金融风险传导模型中,对于知识图谱中存在风险的节点,设置初始化已知风险值,记为:,为规范化命名实体,表示知识图谱中存在风险的节点;对于知识图谱中其它未知风险的节点,记为,设置初始化未知风险值,记为:,为规范化命名实体,表示知识图谱中未知风险的节点,与含义相同。
优选的,S5中,包括:
S5.1:在知识图谱中随机选择一个节点;
S5.2:采用广度优先算法搜索设定半径内所有的其它节点;
S5.3:以设定半径内的所有节点的风险值计算选择节点的潜在风险值;
S5.4:重复步骤S5.1、S5.2和S5.3,直至知识图谱中所有节点的风险值动态平衡,得到收敛后的金融风险传导模型,收敛后的金融风险传导模型用于表示知识图谱中每一个命名实体潜在风险程度。
优选的,S5.3中,以设定半径内的所有节点的风险值通过平滑递减函数计算选择节点的潜在风险值,平滑递减函数公式为:
其中,为规范化命名实体,表示选择节点,表示的潜在风险值,表示知识图谱中与连通且最短路径为m跳的规范化命名实体,表示知识图谱中与关联的其它规范化命名实体,表示在知识图谱中关联的其它规范化命名实体的风险值总和。
优选的,设定半径为10跳。
有益效果:本发明提供的这种方法,通过字符串二元组杰卡德距离对命名实体进行规范化处理,并通过三元组候选集构建知识图谱,解决了现有技术中需要人工构建知识图谱的不足,节省了大量人力成本;通过知识图谱构建金融风险传导模型,进而挖掘知识图谱中存在潜在风险的命名实体,对于上市公司监管机构加强市场金融活动的监管起到了重要的支撑作用。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施中风险分析方法的流程图。
具体实施方式
下面将结合本发明的实施例中的附图,对本发明的实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本实施例提供了一种上市公司金融活动知识图谱的风险分析方法,包括:
构建金融活动知识图谱;
S1:将命名实体库中的所有命名实体进行规范化处理;
在本实施例中,命名实体库通过从上市公司金融机构及其关联的法人和其他机构进行数据采集获得,直接从网络上爬取数据并解析标签获得,目前已有相关实体库。
具体的,包括:
S1.1:对于命名实体进行规范化处理;从命名实体库中依次提取所有两命名实体组合,计算两命名实体组合中两命名实体之间的字符串二元组杰卡德距离,对于字符串二元组杰卡德距离小于设定值的两命名实体,将其归并为同一个命名实体;
S1.2:将已计算的两命名实体组合替换成命名实体库中未计算的两命名实体组合,执行步骤S1.1;
S1.3:重复执行步骤S1.2,直至命名实体库中所有两命名实体组合均已进行规范化处理,并将归并为同一个命名实体的命名实体统一表示为规范化命名实体。
S2:基于规范化处理过后的命名实体,构建三元组,进而得到三元组候选集;
具体的,基于规范化处理过后的命名实体,根据上市公司公告文本段落中所有共同出现的规范化命名实体,构建三元组,整合所有上市公司公告文本段落中出现的三元组,构建三元组候选集。
S3:计算三元组候选集中每一个三元组出现在上市公司公告中的次数,选取次数大于阈值的三元组作为有效三元组;根据有效三元组构建知识图谱;
具体的,计算三元组候选集中每一个三元组出现在上市公司公告中的次数,计算公式为:
其中,三元组候选集记为:,上市公司公告文本记为:;表示规范化命名实体,;表示与连通的规范化命名实体,;表示三元组,表示三元组在所有上市公司公告文本段落中出现的次数,表示所有上市公司公告文本中段落的数量,表示第t个段落,表示包含三元组的段落数量,表示所有上市公司公告文本中三元组的数量;
知识图谱风险分析;
S4:根据知识图谱构建金融风险传导模型;
具体的,基于知识图谱,通过平滑递减函数构建金融风险传导模型,平滑递减函数表示金融风险程度与传导路径之间的映射关系,在金融风险传导模型中,对于知识图谱中存在风险的节点,设置初始化已知风险值,记为:,为规范化命名实体,表示知识图谱中存在风险的节点;对于知识图谱中其它未知风险的节点,记为,设置初始化未知风险值,记为:,为规范化命名实体,表示知识图谱中未知风险的节点,与含义相同。
S5:迭代计算知识图谱中每个节点受其它节点影响的风险值,直至知识图谱中所有节点的风险值动态平衡,得到收敛后的金融风险传导模型,收敛后的金融风险传导模型用于表示知识图谱中每一个命名实体潜在风险程度。
具体的,S5.1:在知识图谱中随机选择一个节点;
S5.2:采用广度优先算法搜索设定半径内所有的其它节点;
S5.3:以设定半径内的所有节点的风险值计算选择节点的潜在风险值;
以设定半径内的所有节点的风险值通过平滑递减函数计算选择节点的潜在风险值,平滑递减函数公式为:
其中,为规范化命名实体,表示选择节点,表示的潜在风险值,表示知识图谱中与连通且最短路径为m跳的规范化命名实体,表示知识图谱中与关联的其它规范化命名实体,表示在知识图谱中关联的其它规范化命名实体的风险值总和;
在本实施例中,设定半径为10跳,为经验参数;
S5.4:重复步骤S5.1、S5.2和S5.3,直至知识图谱中所有节点的风险值动态平衡,得到收敛后的金融风险传导模型,收敛后的金融风险传导模型用于表示知识图谱中每一个命名实体潜在风险程度。
本实施例提供的这种上市公司金融活动知识图谱的风险分析方法具有以下有益效果:通过字符串二元组杰卡德距离对命名实体进行规范化处理,并通过三元组候选集构建知识图谱,解决了现有技术中需要人工构建知识图谱的不足,节省了大量人力成本;通过知识图谱构建金融风险传导模型,进而挖掘知识图谱中存在潜在风险的命名实体,对于上市公司监管机构加强市场金融活动的监管起到了重要的支撑作用。
以上仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换或改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种上市公司金融活动知识图谱的风险分析方法,其特征在于,包括:
构建金融活动知识图谱;
S1:将命名实体库中的所有命名实体进行规范化处理;
S2:基于规范化处理过后的命名实体,构建三元组,进而得到三元组候选集;
S3:计算三元组候选集中每一个三元组出现在上市公司公告中的次数,选取次数大于阈值的三元组作为有效三元组;根据有效三元组构建知识图谱;
计算三元组候选集中每一个三元组出现在上市公司公告中的次数,计算公式为:
其中,三元组候选集记为:,上市公司公告文本记为:;表示规范化命名实体,;表示与连通的规范化命名实体,;表示三元组,表示三元组在所有上市公司公告文本段落中出现的次数,表示所有上市公司公告文本中段落的数量,表示第t个段落,表示包含三元组的段落数量,表示所有上市公司公告文本中三元组的数量;选取次数大于阈值的三元组作为有效三元组,对所有有效三元组进行关联,构建知识图谱,所述知识图谱记为;
知识图谱风险分析;
S4:根据知识图谱构建金融风险传导模型;
基于知识图谱,通过平滑递减函数构建金融风险传导模型,所述平滑递减函数表示金融风险程度与传导路径之间的映射关系,在所述金融风险传导模型中,对于知识图谱中存在风险的节点,设置初始化已知风险值,记为:,为规范化命名实体,表示知识图谱中存在风险的节点;对于知识图谱中其它未知风险的节点,记为,设置初始化未知风险值,记为:,为规范化命名实体,表示知识图谱中未知风险的节点,与含义相同;
S5:迭代计算所述知识图谱中每个节点受其它节点影响的风险值,直至知识图谱中所有节点的风险值动态平衡,得到收敛后的金融风险传导模型,收敛后的金融风险传导模型用于表示知识图谱中每一个命名实体潜在风险程度。
2.根据权利要求1所述的一种上市公司金融活动知识图谱的风险分析方法,其特征在于,S1中,包括:
S1.1:对于命名实体进行规范化处理;从命名实体库中依次提取所有两命名实体组合,计算两命名实体组合中两命名实体之间的字符串二元组杰卡德距离,对于字符串二元组杰卡德距离小于设定值的两命名实体,将其归并为同一个命名实体;
S1.2:将已计算的两命名实体组合替换成命名实体库中未计算的两命名实体组合,执行步骤S1.1;
S1.3:重复执行步骤S1.2,直至命名实体库中所有两命名实体组合均已进行规范化处理,并将归并为同一个命名实体的命名实体统一表示为规范化命名实体。
3.根据权利要求2所述的一种上市公司金融活动知识图谱的风险分析方法,其特征在于,S2中,基于规范化处理过后的命名实体,根据上市公司公告文本段落中所有共同出现的规范化命名实体,构建三元组,整合所有上市公司公告文本段落中出现的三元组,构建三元组候选集。
4.根据权利要求3所述的一种上市公司金融活动知识图谱的风险分析方法,其特征在于,S5中,包括:
S5.1:在知识图谱中随机选择一个节点;
S5.2:采用广度优先算法搜索设定半径内所有的其它节点;
S5.3:以设定半径内的所有节点的风险值计算选择节点的潜在风险值;
S5.4:重复步骤S5.1、S5.2和S5.3,直至知识图谱中所有节点的风险值动态平衡,得到收敛后的金融风险传导模型,收敛后的金融风险传导模型用于表示知识图谱中每一个命名实体潜在风险程度。
6.根据权利要求4所述的一种上市公司金融活动知识图谱的风险分析方法,其特征在于,所述设定半径为10跳。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111617963.2A CN113988724B (zh) | 2021-12-28 | 2021-12-28 | 一种上市公司金融活动知识图谱的风险分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111617963.2A CN113988724B (zh) | 2021-12-28 | 2021-12-28 | 一种上市公司金融活动知识图谱的风险分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113988724A CN113988724A (zh) | 2022-01-28 |
CN113988724B true CN113988724B (zh) | 2022-03-22 |
Family
ID=79734630
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111617963.2A Active CN113988724B (zh) | 2021-12-28 | 2021-12-28 | 一种上市公司金融活动知识图谱的风险分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113988724B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116187868B (zh) * | 2023-04-27 | 2023-07-21 | 深圳市迪博企业风险管理技术有限公司 | 一种基于知识图谱的产业链发展质量评价方法及装置 |
CN116227940B (zh) * | 2023-05-04 | 2023-07-25 | 深圳市迪博企业风险管理技术有限公司 | 一种基于资金流向图的企业资金流异常检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106874261A (zh) * | 2017-03-17 | 2017-06-20 | 中国科学院软件研究所 | 一种基于语义三角的领域知识图谱及查询方法 |
CN107122444A (zh) * | 2017-04-24 | 2017-09-01 | 北京科技大学 | 一种法律知识图谱自动构建方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109522416A (zh) * | 2018-10-19 | 2019-03-26 | 广东工业大学 | 一种金融风险控制知识图谱的构建方法 |
CN111143479B (zh) * | 2019-12-10 | 2023-09-01 | 易点生活数字科技有限公司 | 基于dbscan聚类算法的知识图谱关系抽取与rest服务可视化融合方法 |
CN111402064A (zh) * | 2020-06-03 | 2020-07-10 | 天云融创数据科技(北京)有限公司 | 一种风险值的评估方法及装置 |
CN111813962B (zh) * | 2020-09-07 | 2020-12-18 | 北京富通东方科技有限公司 | 一种用于知识图谱融合的实体相似度计算方法 |
CN112214614B (zh) * | 2020-10-16 | 2024-02-09 | 民生科技有限责任公司 | 基于知识图谱挖掘风险传播路径的方法及其系统 |
CN113449046A (zh) * | 2021-06-29 | 2021-09-28 | 平安资产管理有限责任公司 | 基于企业知识图谱的模型训练方法、系统及相关装置 |
-
2021
- 2021-12-28 CN CN202111617963.2A patent/CN113988724B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106874261A (zh) * | 2017-03-17 | 2017-06-20 | 中国科学院软件研究所 | 一种基于语义三角的领域知识图谱及查询方法 |
CN107122444A (zh) * | 2017-04-24 | 2017-09-01 | 北京科技大学 | 一种法律知识图谱自动构建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113988724A (zh) | 2022-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113988724B (zh) | 一种上市公司金融活动知识图谱的风险分析方法 | |
CN102930023B (zh) | 基于知识的数据质量解决方案 | |
US10984032B2 (en) | Relation extraction using co-training with distant supervision | |
US7882047B2 (en) | Partially observable markov decision process including combined bayesian networks into a synthesized bayesian network for information processing | |
US20160300012A1 (en) | Family Networks | |
CN111199474B (zh) | 一种基于双方网络图数据的风险预测方法、装置和电子设备 | |
CN111222976B (zh) | 一种基于双方网络图数据的风险预测方法、装置和电子设备 | |
US9607039B2 (en) | Subject-matter analysis of tabular data | |
CN109284626A (zh) | 面向差分隐私保护的随机森林算法 | |
Price et al. | Tightly congruent bursts of lineage and phenotypic diversification identified in a continental ant radiation | |
CN110019074A (zh) | 访问路径的分析方法、装置、设备及介质 | |
CN110827131B (zh) | 一种分布式自动特征组合的纳税人信用评估方法 | |
CN109951306A (zh) | 告警的处理方法、装置、设备及介质 | |
CN111597343B (zh) | 一种基于app的智能化用户职业判断方法、装置和电子设备 | |
Garnett et al. | Complexity in history: modelling the organisational demography of the British banking sector | |
Leão et al. | Evolutionary patterns in the geographic range size of Atlantic Forest plants | |
Maliet et al. | Ranked tree shapes, nonrandom extinctions, and the loss of phylogenetic diversity | |
CN110378543A (zh) | 离职风险预测方法、装置、计算机设备和存储介质 | |
Goel et al. | Understanding gender segregation through call data records: an Estonian case study | |
CN114880482A (zh) | 一种基于图嵌入的关系图谱关键人员分析方法及系统 | |
CN113570222A (zh) | 一种用户设备鉴别方法、装置和计算机设备 | |
CN109408643A (zh) | 基金相似度计算方法、系统、计算机设备和存储介质 | |
CN117540223A (zh) | 基于ap算法的社交网络舆情传播转发链条挖掘方法及装置 | |
Wolf et al. | In search for the missing link: studying the interrelationship between organizational learning and organizational culture change | |
Piñeiro et al. | Contrasting genetic signal of recolonization after rainforest fragmentation in African trees with different dispersal abilities |
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 |