CN114781480A - 目标对象的评价方法、评价模型训练方法及装置 - Google Patents
目标对象的评价方法、评价模型训练方法及装置 Download PDFInfo
- Publication number
- CN114781480A CN114781480A CN202210261187.5A CN202210261187A CN114781480A CN 114781480 A CN114781480 A CN 114781480A CN 202210261187 A CN202210261187 A CN 202210261187A CN 114781480 A CN114781480 A CN 114781480A
- Authority
- CN
- China
- Prior art keywords
- information
- public opinion
- evaluation
- determining
- opinion information
- 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
Links
Images
Classifications
-
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Abstract
本公开提供了目标对象的评价方法、评价模型训练方法及装置,涉及大数据和人工智能技术领域,具体为数据挖掘和数据分析技术领域。具体实现方案为:获取目标对象;确定目标对象的舆情信息集合;基于舆情信息集合中的至少一条舆情信息,确定舆情情感参数;基于舆情情感参数,确定目标对象的评价信息。本实现方式可以提高对目标对象的评价精准度。
Description
技术领域
本公开涉及大数据和人工智能技术领域,具体为数据挖掘和数据分析技术领域。
背景技术
目前,在各个领域,经常需要对目标对象进行评价,用以基于评价结果选择最优的目标对象。
在实践中发现,在对目标对象进行评价的情况下,通常是根据目标对象的历史对象信息作为评价依据进行评价。由于这种评价方式建立在未来发展与历史发展高度吻合的基础上,并且,在现实场景中,并不总能基于过去预测未来,从而导致现在的目标对象评价方式存在着评价精准度较低的问题。
发明内容
本公开提供了一种目标对象的评价方法、评价模型训练方法及装置。
根据本公开的一方面,提供了一种目标对象的评价方法,包括:获取目标对象;确定目标对象的舆情信息集合;基于舆情信息集合中的至少一条舆情信息,确定舆情情感参数;基于舆情情感参数,确定目标对象的评价信息。
根据本公开的另一方面,提供了一种评价模型训练方法,包括:获取对象样本集合;从对象样本集合中选取目标对象样本;对目标对象样本执行以下模型训练步骤:将目标对象样本的舆情情感参数和至少一个目标评价参数输入待训练模型,得到待训练模型输出的样本评价信息;响应于确定样本评价信息满足预设的模型收敛条件,将待训练模型确定为训练完成的评价模型。
根据本公开的另一方面,提供了一种目标对象的评价装置,包括:对象获取单元,被配置成获取目标对象;集合确定单元,被配置成确定目标对象的舆情信息集合;舆情确定单元,被配置成基于舆情信息集合中的至少一条舆情信息,确定舆情情感参数;评价生成单元,被配置成基于舆情情感参数,确定目标对象的评价信息。
根据本公开的另一方面,提供了一种评价模型训练装置,包括:样本获取单元,被配置成获取对象样本集合;样本选取单元,被配置成从对象样本集合中选取目标对象样本;模型训练单元,被配置成对目标对象样本执行以下模型训练步骤:将目标对象样本的舆情情感参数和至少一个目标评价参数输入待训练模型,得到待训练模型输出的样本评价信息;模型确定单元,被配置成响应于确定样本评价信息满足预设的模型收敛条件,将待训练模型确定为训练完成的评价模型。
根据本公开的另一方面,提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如上任意一项目标对象的评价方法或者评价模型训练方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行如上任意一项目标对象的评价方法或者评价模型训练方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现如上任意一项目标对象的评价方法或者评价模型训练方法。
根据本公开的技术,提供一种目标对象的评价方法和评价模型训练方法,能够提高对目标对象的评价精准度。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是本公开的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本公开的目标对象的评价方法的一个实施例的流程图;
图3是根据本公开的目标对象的评价方法的一个应用场景的示意图;
图4是根据本公开的目标对象的评价方法的另一个实施例的流程图;
图5是根据本公开的评价模型训练方法的一个实施例的流程图;
图6是根据本公开的目标对象的评价装置的一个实施例的结构示意图;
图7是根据本公开的评价模型训练装置的一个实施例的结构示意图;
图8是用来实现本公开实施例的目标对象的评价方法或者评价模型训练方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103可以通过网络104向服务器105发送需要进行评价的目标对象,并接收服务器105基于网络104返回给终端设备101、102、103的评价信息,以及输出该评价信息。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是各种电子设备,包括但不限于手机、电脑、平板等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如,服务器105可以接收终端设备101、102、103通过网络104发送的目标对象,并对目标对象的舆情信息集合进行舆情情感分析,得到舆情情感参数,基于舆情情感参数确定目标对象的评价信息,并将评价信息通过网络104返回给终端设备101、102、103。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器105为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本公开实施例所提供的目标对象的评价方法或者评价模型训练方法可以由终端设备101、102、103执行,也可以由服务器105执行,目标对象的评价装置或者评价模型训练装置可以设置于终端设备101、102、103中,也可以设置于服务器105中,本公开实施例对此不做限定。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本公开的目标对象的评价方法的一个实施例的流程200。本实施例的目标对象的评价方法,包括以下步骤:
步骤201,获取目标对象。
在本实施例中,执行主体(如图1中的服务器105或者终端设备101、102、103)可以从本地存储或者预先建立连接的其他电子设备中获取需要进行评价的目标对象。其中,目标对象可以为需要进行评价的人,也可以为需要进行评价的产品,本实施例对此不做限定。在目标对象为需要进行评价的人的情况下,目标对象可以关联有目标产品。如目标对象负责目标产品的运营,则确定目标对象关联目标产品。此时,通过对目标对象进行评价,能够帮助用户选择目标产品。以及,目标对象的数量可以为至少一个。
步骤202,确定目标对象的舆情信息集合。
在本实施例中,舆情信息集合中包括至少一条舆情信息,其中,舆情信息可以包括对目标对象的新闻报道信息和民众评价信息等信息。
可选的,执行主体可以预先存储有需要获取的舆情信息对应的发布时间范围,再基于该发布时间范围,确定目标对象的舆情信息集合。例如,发布时间范围可以为过去500天,此时,目标对象的舆情信息集合可以从过去500天的各类舆情信息中采集得到。
步骤203,基于舆情信息集合中的至少一条舆情信息,确定舆情情感参数。
在本实施例中,执行主体能够对舆情信息集合中的至少一条舆情信息进行情感分析,得到针对目标对象的舆情情感参数。其中,舆情情感参数用于反映舆情信息中对于目标对象的情感态度。并且,舆情情感参数的表现形式可以为舆情情感值、舆情情感等级等,本实施例对此不做限定。
在本实施例的一些可选的实现方式中,基于舆情信息集合中的至少一条舆情信息,确定舆情情感参数可以包括:对于舆情信息集合中的每条舆情信息,利用现有的情感分析技术,确定该舆情信息的情感参数;对舆情信息集合中各条舆情信息的情感参数进行加权求和,得到上述的舆情情感参数。其中,每条舆情信息的情感参数的权重可以基于舆情信息的渠道、舆情信息的发布时间、舆情信息的传播范围等因素共同确定。
步骤204,基于舆情情感参数,确定目标对象的评价信息。
在本实施例中,执行主体可以基于舆情情感参数确定目标对象的评价信息,其中,评价信息的表现形式可以包括但不限于评价等级、评价分数等。可以理解,这里的舆情情感参数指示舆情情感越正向,目标对象的评价信息指示目标对象的评价越高。
在本实施例的一些可选的实现方式中,执行主体可以预先训练有评价模型,以及,基于舆情情感参数,确定目标对象的评价信息可以包括:将舆情情感参数输入评价模型,得到评价模型输出的评价信息。
在本实施例的另一些可选的实现方式中,在目标对象为需要进行评价的人、且目标对象关联有目标产品的情况下,执行主体可以响应于确定目标对象的评价信息满足预设评价条件,将目标对象关联的目标产品确定为推荐产品。可选的,执行主体还可以将该推荐产品推荐给用户。
继续参见图3,其示出了根据本公开的目标对象的评价方法的一个应用场景的示意图。在图3的应用场景中,执行主体可以获取需要进行评价的目标对象1、2、3。之后,执行主体可以分别确定目标对象1对应的舆情信息集合,再基于舆情信息集合确定舆情情感参数1;以及确定目标对象2对应的舆情信息集合,再基于舆情信息集合确定舆情情感参数2;以及确定目标对象3对应的舆情信息集合,再基于舆情信息集合确定舆情情感参数3。之后,执行主体可以基于舆情情感参数1确定目标对象1的评价信息为100分,基于舆情情感参数2确定目标对象2的评价信息为80分,基于舆情情感参数3确定目标对象3的评价信息为60分。可选的,执行主体可以从目标对象1、2、3中确定出分值最高的目标对象1推荐给用户。
本公开上述实施例提供的目标对象的评价方法,能够在对目标对象进行评价的情况下,引入舆情情感参数,作为评价的依据,从而能够提高对目标对象的评价精准度。
继续参见图4,其示出了根据本公开的目标对象的评价方法的另一个实施例的流程400。如图4所示,本实施例的目标对象的评价方法可以包括以下步骤:
步骤401,获取目标对象,目标对象为产品管理者。
在本实施例中,目标对象可以为需要进行评价的至少一个产品管理者。其中,产品管理者可以为管理理财产品的人员,产品管理者可以为自然人,也可以为法人等其他类型的人员,本实施例对此不做限定。理财产品可以是由商业银行和正规金融机构自行设计并发行的产品,将募集到的资金根据产品合同约定投入相关金融市场及购买相关金融产品,获取投资收益后,根据合同约定分配给投资人的一类产品。具体的,理财产品可以包括但不限于债券型理财产品、信托型理财产品、信托型理财产品、挂钩型理财产品及QDII(Qualified domestic institutional investor,合格的境内机构投资者)型理财产品,例如,理财产品具体可以为储蓄、基金、国债、债券、外汇、股票、炒金等。举例而言,如果理财产品为基金,则产品管理者为基金经理。
其中,对于步骤401的详细描述请参照对于步骤201的详细描述,在此不再赘述。
步骤402,确定产品管理者负责的理财产品。
在本实施例中,执行主体在获取到需要进行评价的产品管理者之后,可以基于预先存储的产品管理者与理财产品之间的对应关系,确定该产品管理者负责的理财产品。
步骤403,获取产品管理者对应的第一舆情信息,以及获取理财产品对应的第二舆情信息。
在本实施例中,执行主体可以先从各类舆情信息中确定处于指定时间区间的候选舆情信息,再从候选舆情信息中获取产品管理者对应的第一舆情信息,以及从候选舆情信息中获取理财产品对应的第二舆情信息。
在本实施例的一些可选的实现方式中,获取产品管理者对应的第一舆情信息,以及获取理财产品对应的第二舆情信息,包括:基于与产品管理者相关的媒体报道信息和产品用户评论信息,确定第一舆情信息;以及,基于与理财产品相关的媒体报道信息和产品用户评论信息,确定第二舆情信息。
在本实现方式中,媒体报道信息可以包括各类媒体渠道的纸媒和/或电子报所报道的信息,产品用户评论信息可以包括各类评论渠道中产品用户的评论信息。可选的,执行主体可以基于舆情信息的信息发布时间由近及远的顺序,从上述候选舆情信息中选取预设数量条第一舆情信息和预设数量条第二舆情信息。其中,第一舆情信息的数量和第二舆情信息的数量可以不同,也可以相同,本实施例中对此不做限定。
在本实施例的另一些可选的实现方式中,基于与理财产品相关的媒体报道信息和产品用户评论信息,确定第二舆情信息,包括:确定产品管理者的任职时间信息;从理财产品相关的媒体报道信息和产品用户评论信息中,确定与任职时间信息相匹配的第二舆情信息。
在本实现方式中,执行主体还可以确定产品管理者的任职时间,并从理财产品相关的媒体报道信息和产品用户评论信息中,选取舆情信息的信息发布时间位于产品管理者任职期间的第二舆情信息。采用这种可选的实现方式,能够应对多个产品管理者负责同一个理财产品的场景,筛选需要评价的产品管理者任职期间理财产品的舆情信息,能够保持第二舆情信息的信息精准度。
步骤404,基于第一舆情信息和第二舆情信息,确定舆情信息集合。
在本实施例中,执行主体可以将至少一个第一舆情信息和至少一个第二舆情信息,组成舆情信息集合,后续基于对舆情信息集合中各个舆情信息进行情感分析,来对目标对象进行评价。
步骤405,按照舆情信息的信息发布时间,将舆情信息集合划分为至少一个舆情信息子集合。
在本实施例中,执行主体可以获取舆情信息集合中每个第一舆情信息的信息发布时间,以及每个第二舆情信息的信息发布时间。之后,执行主体可以按照信息发布时间对各个第一舆情信息和第二舆情信息进行聚类,得到至少一个舆情信息子集合。其中,每个舆情信息子集合对应的信息发布时间相同或者相近。
在本实施例的一些可选的实现方式中,按照舆情信息的信息发布时间,将舆情信息集合划分为至少一个舆情信息子集合,包括:获取舆情信息集合中至少一个舆情信息的信息发布时间;将舆情信息集合中信息发布时间为同一天的舆情信息,划分至同一个舆情信息子集合,得到至少一个舆情信息子集合。
在本实现方式中,执行主体可以将信息发布时间为同一天的舆情信息划分至同一个舆情信息子集合,得到的每个舆情信息子集合中包括的第一舆情信息和第二舆情信息即为同一天的舆情信息。
步骤406,对于至少一个舆情信息子集合,确定该舆情信息子集合的情感子参数和时效权重。
在本实施例中,对于每个舆情信息子集合,执行主体可以确定该舆情信息子集合的情感子参数和时效权重。其中,情感子参数可以为对该舆情信息子集合中各个舆情信息进行情感分析,得到的用于描述舆情情感倾向的参数。时效权重可以为与该舆情信息子集合中各个舆情信息的信息发布时间相匹配的权重,其中,信息发布时间距离当前时间越近,时效权重越大,信息发布时间距离当前时间越远,时效权重越小。由于每个舆情信息子集合中的舆情信息的信息发布时间相同或者相近,因而,基于舆情信息子集合的信息发布时间,能够确定得到上述时效权重。
可选的,对于舆情信息子集合的信息发布时间相近的情况,执行主体可以对舆情信息子集合中各个舆情信息的信息发布时间求均值,将均值作为时效权重的确定依据。
可选的,对于舆情信息子集合的信息发布时间相同的情况,执行主体可以将该舆情信息子集合对应的信息发布时间确定为时效权重的确定依据。
在本实施例的一些可选的实现方式中,对于至少一个舆情信息子集合,确定该舆情信息子集合的情感子参数,包括:对于至少一个舆情信息子集合,确定该舆情信息子集合中单条舆情信息的情感参数和渠道权重;基于单条舆情信息的情感参数和渠道权重,确定该舆情信息子集合的情感子参数。
在本实现方式中,舆情信息子集合可以优选为舆情信息发布时间为同一天的舆情信息组成的集合,并且,舆情信息子集合中包括至少一条舆情信息。对于舆情信息子集合中的每条舆情信息,执行主体可以确定该条舆情信息的情感参数和渠道权重。其中,对于单条舆情信息的情感参数的确定,可以采用现有的各类情感分析技术实现,在此不再赘述。并且,情感参数的表现形式可以为情感值、情感等级等,本实施例对此不做限定。例如,单条舆情信息的情感参数可以表现为情感值E,可选的,E∈[-1,1],即,情感值E的取值范围可以为-1至1之间,越靠近1说明情感越正向,越靠近-1说明情感越负向。
并且,对于单条舆情信息的渠道权重而言,执行主体可以先确定单条舆情信息的渠道,再基于预设的渠道与渠道权重的对应关系,确定单条舆情信息的渠道权重。其中,渠道权重的表现形式可以为权重值,也可以为权重等级,本实施例对此不做限定。例如,单条舆情信息的渠道权重可以表现为权重值I,可选的,I∈[0,1],即,渠道权重值I的取值范围可以为0至1之间,越靠近1说明渠道的影响力越高,越靠近0说明渠道的影响力越低。
以及,执行主体可以预先确定各个渠道的权威性信息、传播广泛性信息等各类信息,并基于这些渠道信息设定每个渠道对应的渠道权重。
以及,在执行主体得到单条舆情信息的情感参数和渠道权重之后,可以对各个舆情信息的情感参数和渠道权重进行求平均值,确定该舆情信息子集合的情感子参数。具体的,情感子参数可以基于以下公式确定得到:
其中,P为情感子参数,E为单条舆情信息的情感参数,I为单条舆情信息的渠道权重,N为舆情信息子集合中的舆情信息数量。
在本实施例的另一些可选的实现方式中,对于至少一个舆情信息子集合,确定该舆情信息子集合的时效权重,包括:对于至少一个舆情信息子集合,确定该舆情信息子集合的信息发布时间;基于该舆情信息子集合的信息发布时间和当前时间,确定该舆情信息子集合的时效权重。
在本实现方式中,执行主体可以确定每个舆情信息子集合对应的信息发布时间,基于信息发布时间和当前时间,生成时效权重。可选的,执行主体可以基于信息发布时间和当前时间之间的时间差值,确定舆情衰减系数。其中,信息发布时间距离当前时间越远的舆情信息,舆情衰减系数可以越高,信息发布时间距离当前时间越近的舆情信息,舆情衰减系数可以越低。并且,舆情衰减系数θ的取值范围可以设为[0,1],即,取值为0至1之间的数值,取值越接近1,则说明信息发布时间距离当前时间越远,取值越接近0,则说明信息发布时间距离当前时间越近。
步骤407,基于情感子参数和时效权重,确定舆情情感参数。
在本实施例中,执行主体可以基于以下公式对情感子参数和时效权重进行加权平均,得到舆情情感参数:
其中,r为舆情情感参数,P为舆情信息子集合的情感子参数,θ为舆情信息子集合的舆情衰减系数(即时效权重),t为舆情信息集合对应的天数。例如,舆情信息集合可以为过去500天目标对象的舆情信息,此时t为500。
步骤408,基于舆情情感参数和至少一个目标评价参数,确定评价信息。
在本实施例中,执行主体在得到舆情情感参数之后,可以直接基于舆情情感参数确定评价信息,也可以基于舆情情感参数和其他评价参数共同确定评价信息。其中,执行主体可以先确定至少一个评价维度,至少一个评价维度可以包括以下任意组合:产品管理者基本信息、盈利能力信息、盈利稳定性信息、风控信息、盈利质量信息、选股能力信息、管理规模信息、机构偏好信息等。之后,执行主体可以确定每个评价维度对应的目标评价参数,例如与盈利能力信息对应的目标评价参数可以为盈利数值。之后,执行主体可以将上述舆情情感参数和至少一个目标评价参数共同作为评价信息的确定依据,得到评价信息。
在本实施例的一些可选的实现方式中,基于舆情情感参数和至少一个目标评价参数,确定评价信息,包括:基于预先训练完成的评价模型,确定舆情情感参数对应的第一评价权重,以及确定至少一个目标评价参数的第二评价权重;基于舆情情感参数、第一评价权重、至少一个目标评价参数和第二评价权重,确定评价信息。
在本实现方式中,执行主体可以直接将舆情情感参数和至少一个目标评价参数输入预先训练完成的评价模型,其中,预先训练完成的评价模型具有训练好的舆情情感参数对应的第一评价权重、以及至少一个目标评价参数的第二评价权重。这里的评价模型可以为多因子模型。需要说明的是,对于每个目标评价参数,具有相对应的第二评价权重。也即是,这里第二评价权重的数量为至少一个。之后,执行主体可以对舆情情感参数、第一评价权重、至少一个目标评价参数和第二评价权重进行加权求和,得到评价信息。可选的,执行主体可以基于如下公式进行加权求和运算确定评价信息:
α=∑ω×r
其中,α为目标对象对应的评价值,ω为每个参数对应的权重(即第一评价权重或者第二评价权重),r为每个参数对应的参数值(如舆情情感参数的参数值、上述盈利数值等)。
本公开上述实施例提供的目标对象的评价方法,还可以在评价产品管理者的情况下,从媒体和产品用户两方面获取有关产品管理者和理财产品的舆情信息,得到舆情信息集合,提高了舆情信息集合的确定精准度。以及,能够按照舆情信息的信息发布时间,进一步划分舆情信息子集合,从而结合舆情信息子集合的情感子参数和时效权重得到评价信息,提高了评价信息的确定精准度。以及,在确定舆情信息子集合的情感子参数的情况下,基于情感分析得到情感值,结合渠道权重共同作为确定依据,提高了情感自参数的确定可靠性。以及,基于舆情情感参数和至少一个目标评价参数对产品管理者进行评价,可以提高评价的精准度。
继续参考图5,示出了根据本公开的评价模型训练方法的一个实施例的流程500。本实施例的评价模型训练方法,包括以下步骤:
步骤501,获取对象样本集合。
在本实施例中,执行主体(如图1中的服务器105或者终端设备101、102、103)可以从本地存储或者预先建立连接的其他电子设备中获取需要进行模型训练的对象样本集合。其中,对象样本集合可以包括至少一个对象样本,以及每个对象样本对应的评价标注信息。
步骤502,从对象样本集合中选取目标对象样本。
在本实施例中,执行主体可以随机从对象样本集合中选取最初的目标对象样本,对选取的目标对象样本进行模型训练。
步骤503,对目标对象样本执行以下模型训练步骤:将目标对象样本的舆情情感参数和至少一个目标评价参数输入待训练模型,得到待训练模型输出的样本评价信息。
在本实施例中,目标对象样本的舆情情感参数可以基于上述目标对象的评价方法中的舆情情感参数确定方式确定得到,这里的目标评价参数也可以基于上述目标对象的评价方法中的目标评价参数确定方式得到,在此不再赘述。执行主体将目标对象样本的舆情情感参数和至少一个目标评价参数输入待训练模型,待训练模型可以利用初始的评价权重对各个参数进行加权求和,得到样本评价信息。
步骤504,响应于确定样本评价信息满足预设的模型收敛条件,将待训练模型确定为训练完成的评价模型。
在本实施例中,预设的模型收敛条件可以为样本评价信息与目标对象样本对应的评价标注信息之间的差异值小于预设的阈值,如果满足该模型收敛条件,则将待训练模型确定为训练完成的评价模型。其中,待训练模型可以为多因子模型。
在本实施例的一些可选的实现方式中,还包括:响应于确定样本评价信息不满足预设的模型收敛条件,重新选取目标对象样本执行模型训练步骤。
在本实现方式中,如果不满足该模型收敛条件,则调整待训练模型中的评价权重,并重新选取目标对象样本执行上述模型训练步骤,直至满足该模型收敛条件,得到训练完成的评价模型。
本公开上述实施例提供的评价模型训练方法,可以利用舆情情感参数对评价模型进行训练,使得训练完成的评价模型能够更精准地反映目标对象的评价信息。
进一步参考图6,作为对上述各图所示方法的实现,本公开提供了一种目标对象的评价装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于终端设备、服务器等电子设备中。
如图6所示,本实施例的目标对象的评价装置600包括:对象获取单元601、集合确定单元602、舆情确定单元603和评价生成单元604。
对象获取单元601,被配置成获取目标对象。
集合确定单元602,被配置成确定目标对象的舆情信息集合。
舆情确定单元603,被配置成基于舆情信息集合中的至少一条舆情信息,确定舆情情感参数。
评价生成单元604,被配置成基于舆情情感参数,确定目标对象的评价信息。
在本实施例的一些可选的实现方式中,舆情确定单元603进一步被配置成:按照舆情信息的信息发布时间,将舆情信息集合划分为至少一个舆情信息子集合;对于至少一个舆情信息子集合,确定该舆情信息子集合的情感子参数和时效权重;基于情感子参数和时效权重,确定舆情情感参数。
在本实施例的一些可选的实现方式中,舆情确定单元603进一步被配置成:对于至少一个舆情信息子集合,确定该舆情信息子集合中单条舆情信息的情感参数和渠道权重;基于单条舆情信息的情感参数和渠道权重,确定该舆情信息子集合的情感子参数。
在本实施例的一些可选的实现方式中,舆情确定单元603进一步被配置成:获取舆情信息集合中至少一个舆情信息的信息发布时间;将舆情信息集合中信息发布时间为同一天的舆情信息,划分至同一个舆情信息子集合,得到至少一个舆情信息子集合。
在本实施例的一些可选的实现方式中,舆情确定单元603进一步被配置成:对于至少一个舆情信息子集合,确定该舆情信息子集合的信息发布时间;基于该舆情信息子集合的信息发布时间和当前时间,确定该舆情信息子集合的时效权重。
在本实施例的一些可选的实现方式中,目标对象为产品管理者;以及,集合确定单元602进一步被配置成:确定产品管理者负责的理财产品;获取产品管理者对应的第一舆情信息,以及获取理财产品对应的第二舆情信息;基于第一舆情信息和第二舆情信息,确定舆情信息集合。
在本实施例的一些可选的实现方式中,集合确定单元602进一步被配置成:基于与产品管理者相关的媒体报道信息和产品用户评论信息,确定第一舆情信息;以及,基于与理财产品相关的媒体报道信息和产品用户评论信息,确定第二舆情信息。
在本实施例的一些可选的实现方式中,集合确定单元602进一步被配置成:确定产品管理者的任职时间信息;从理财产品相关的媒体报道信息和产品用户评论信息中,确定与任职时间信息相匹配的第二舆情信息。
在本实施例的一些可选的实现方式中,评价生成单元604进一步被配置成:基于舆情情感参数和至少一个目标评价参数,确定评价信息。
在本实施例的一些可选的实现方式中,评价生成单元604进一步被配置成:基于预先训练完成的评价模型,确定舆情情感参数对应的第一评价权重,以及确定至少一个目标评价参数的第二评价权重;基于舆情情感参数、第一评价权重、至少一个目标评价参数和第二评价权重,确定评价信息。
应当理解,目标对象的评价装置600中记载的单元601至单元604分别与参考图2中描述的方法中的各个步骤相对应。由此,上文针对目标对象的评价方法描述的操作和特征同样适用于装置600及其中包含的单元,在此不再赘述。
进一步参考图7,作为对上述各图所示方法的实现,本公开提供了一种评价模型训练装置的一个实施例,该装置实施例与图5所示的方法实施例相对应,该装置具体可以应用于终端设备、服务器等电子设备中。
如图7所示,本实施例的评价模型训练装置700包括:样本获取单元701、样本选取单元702、模型训练单元703和模型确定单元704。
样本获取单元701,被配置成获取对象样本集合。
样本选取单元702,被配置成从对象样本集合中选取目标对象样本。
模型训练单元703,被配置成对目标对象样本执行以下模型训练步骤:将目标对象样本的舆情情感参数和至少一个目标评价参数输入待训练模型,得到待训练模型输出的样本评价信息。
模型确定单元704,被配置成响应于确定样本评价信息满足预设的模型收敛条件,将待训练模型确定为训练完成的评价模型。
在本实施例的一些可选的实现方式中,样本选取单元702进一步被配置成:响应于确定样本评价信息不满足预设的模型收敛条件,重新选取目标对象样本执行模型训练步骤。
应当理解,评价模型训练装置700中记载的单元701至单元704分别与参考图5中描述的方法中的各个步骤相对应。由此,上文针对评价模型训练方法描述的操作和特征同样适用于装置700及其中包含的单元,在此不再赘述。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示,设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM803中,还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理,例如目标对象的评价方法或者评价模型生成方法。例如,在一些实施例中,目标对象的评价方法或者评价模型生成方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的目标对象的评价方法或者评价模型生成方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行目标对象的评价方法或者评价模型生成方法。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (27)
1.一种目标对象的评价方法,包括:
获取目标对象;
确定所述目标对象的舆情信息集合;
基于所述舆情信息集合中的至少一条舆情信息,确定舆情情感参数;
基于所述舆情情感参数,确定所述目标对象的评价信息。
2.根据权利要求1所述的方法,其中,所述基于所述舆情信息集合中的至少一条舆情信息,确定舆情情感参数,包括:
按照舆情信息的信息发布时间,将所述舆情信息集合划分为至少一个舆情信息子集合;
对于所述至少一个舆情信息子集合,确定该舆情信息子集合的情感子参数和时效权重;
基于所述情感子参数和所述时效权重,确定所述舆情情感参数。
3.根据权利要求2所述的方法,其中,所述对于所述至少一个舆情信息子集合,确定该舆情信息子集合的情感子参数,包括:
对于所述至少一个舆情信息子集合,确定该舆情信息子集合中单条舆情信息的情感参数和渠道权重;
基于所述单条舆情信息的情感参数和渠道权重,确定该舆情信息子集合的情感子参数。
4.根据权利要求2所述的方法,其中,所述按照舆情信息的信息发布时间,将所述舆情信息集合划分为至少一个舆情信息子集合,包括:
获取所述舆情信息集合中至少一个舆情信息的信息发布时间;
将所述舆情信息集合中信息发布时间为同一天的舆情信息,划分至同一个舆情信息子集合,得到所述至少一个舆情信息子集合。
5.根据权利要求4所述的方法,其中,所述对于所述至少一个舆情信息子集合,确定该舆情信息子集合的时效权重,包括:
对于所述至少一个舆情信息子集合,确定该舆情信息子集合的信息发布时间;
基于该舆情信息子集合的信息发布时间和当前时间,确定该舆情信息子集合的时效权重。
6.根据权利要求1所述的方法,其中,所述目标对象为产品管理者;以及
所述确定所述目标对象的舆情信息集合,包括:
确定所述产品管理者负责的理财产品;
获取所述产品管理者对应的第一舆情信息,以及获取所述理财产品对应的第二舆情信息;
基于所述第一舆情信息和所述第二舆情信息,确定所述舆情信息集合。
7.根据权利要求6所述的方法,其中,所述获取所述产品管理者对应的第一舆情信息,以及获取所述理财产品对应的第二舆情信息,包括:
基于与所述产品管理者相关的媒体报道信息和产品用户评论信息,确定所述第一舆情信息;以及
基于与所述理财产品相关的媒体报道信息和产品用户评论信息,确定所述第二舆情信息。
8.根据权利要求7所述的方法,其中,所述基于与所述理财产品相关的媒体报道信息和产品用户评论信息,确定所述第二舆情信息,包括:
确定所述产品管理者的任职时间信息;
从所述理财产品相关的媒体报道信息和产品用户评论信息中,确定与所述任职时间信息相匹配的所述第二舆情信息。
9.根据权利要求1至8任一项所述的方法,其中,所述基于所述舆情情感参数,确定所述目标对象的评价信息,包括:
基于所述舆情情感参数和至少一个目标评价参数,确定所述评价信息。
10.根据权利要求9所述的方法,其中,所述基于所述舆情情感参数和至少一个目标评价参数,确定所述评价信息,包括:
基于预先训练完成的评价模型,确定所述舆情情感参数对应的第一评价权重,以及确定所述至少一个目标评价参数的第二评价权重;
基于所述舆情情感参数、所述第一评价权重、所述至少一个目标评价参数和所述第二评价权重,确定所述评价信息。
11.一种评价模型训练方法,包括:
获取对象样本集合;
从所述对象样本集合中选取目标对象样本;
对所述目标对象样本执行以下模型训练步骤:将所述目标对象样本的舆情情感参数和至少一个目标评价参数输入待训练模型,得到所述待训练模型输出的样本评价信息;
响应于确定所述样本评价信息满足预设的模型收敛条件,将所述待训练模型确定为训练完成的评价模型。
12.根据权利要求11所述的方法,还包括:
响应于确定所述样本评价信息不满足所述预设的模型收敛条件,重新选取所述目标对象样本执行所述模型训练步骤。
13.一种目标对象的评价装置,包括:
对象获取单元,被配置成获取目标对象;
集合确定单元,被配置成确定所述目标对象的舆情信息集合;
舆情确定单元,被配置成基于所述舆情信息集合中的至少一条舆情信息,确定舆情情感参数;
评价生成单元,被配置成基于所述舆情情感参数,确定所述目标对象的评价信息。
14.根据权利要求13所述的装置,其中,所述舆情确定单元进一步被配置成:
按照舆情信息的信息发布时间,将所述舆情信息集合划分为至少一个舆情信息子集合;
对于所述至少一个舆情信息子集合,确定该舆情信息子集合的情感子参数和时效权重;
基于所述情感子参数和所述时效权重,确定所述舆情情感参数。
15.根据权利要求14所述的装置,其中,所述舆情确定单元进一步被配置成:
对于所述至少一个舆情信息子集合,确定该舆情信息子集合中单条舆情信息的情感参数和渠道权重;
基于所述单条舆情信息的情感参数和渠道权重,确定该舆情信息子集合的情感子参数。
16.根据权利要求14所述的装置,其中,所述舆情确定单元进一步被配置成:
获取所述舆情信息集合中至少一个舆情信息的信息发布时间;
将所述舆情信息集合中信息发布时间为同一天的舆情信息,划分至同一个舆情信息子集合,得到所述至少一个舆情信息子集合。
17.根据权利要求16所述的装置,其中,所述舆情确定单元进一步被配置成:
对于所述至少一个舆情信息子集合,确定该舆情信息子集合的信息发布时间;
基于该舆情信息子集合的信息发布时间和当前时间,确定该舆情信息子集合的时效权重。
18.根据权利要求13所述的装置,其中,所述目标对象为产品管理者;以及
所述集合确定单元进一步被配置成:
确定所述产品管理者负责的理财产品;
获取所述产品管理者对应的第一舆情信息,以及获取所述理财产品对应的第二舆情信息;
基于所述第一舆情信息和所述第二舆情信息,确定所述舆情信息集合。
19.根据权利要求18所述的装置,其中,所述集合确定单元进一步被配置成:
基于与所述产品管理者相关的媒体报道信息和产品用户评论信息,确定所述第一舆情信息;以及
基于与所述理财产品相关的媒体报道信息和产品用户评论信息,确定所述第二舆情信息。
20.根据权利要求19所述的装置,其中,所述集合确定单元进一步被配置成:
确定所述产品管理者的任职时间信息;
从所述理财产品相关的媒体报道信息和产品用户评论信息中,确定与所述任职时间信息相匹配的所述第二舆情信息。
21.根据权利要求13至20任一项所述的装置,其中,所述评价生成单元进一步被配置成:
基于所述舆情情感参数和至少一个目标评价参数,确定所述评价信息。
22.根据权利要求21所述的装置,其中,所述评价生成单元进一步被配置成:
基于预先训练完成的评价模型,确定所述舆情情感参数对应的第一评价权重,以及确定所述至少一个目标评价参数的第二评价权重;
基于所述舆情情感参数、所述第一评价权重、所述至少一个目标评价参数和所述第二评价权重,确定所述评价信息。
23.一种评价模型训练装置,包括:
样本获取单元,被配置成获取对象样本集合;
样本选取单元,被配置成从所述对象样本集合中选取目标对象样本;
模型训练单元,被配置成对所述目标对象样本执行以下模型训练步骤:将所述目标对象样本的舆情情感参数和至少一个目标评价参数输入待训练模型,得到所述待训练模型输出的样本评价信息;
模型确定单元,被配置成响应于确定所述样本评价信息满足预设的模型收敛条件,将所述待训练模型确定为训练完成的评价模型。
24.根据权利要求23所述的装置,其中,所述样本选取单元进一步被配置成:
响应于确定所述样本评价信息不满足所述预设的模型收敛条件,重新选取所述目标对象样本执行所述模型训练步骤。
25.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-12中任一项所述的方法。
26.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-12中任一项所述的方法。
27.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-12中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210261187.5A CN114781480A (zh) | 2022-03-16 | 2022-03-16 | 目标对象的评价方法、评价模型训练方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210261187.5A CN114781480A (zh) | 2022-03-16 | 2022-03-16 | 目标对象的评价方法、评价模型训练方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114781480A true CN114781480A (zh) | 2022-07-22 |
Family
ID=82424541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210261187.5A Pending CN114781480A (zh) | 2022-03-16 | 2022-03-16 | 目标对象的评价方法、评价模型训练方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114781480A (zh) |
-
2022
- 2022-03-16 CN CN202210261187.5A patent/CN114781480A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109697522B (zh) | 一种数据预测的方法和装置 | |
CN112561082A (zh) | 生成模型的方法、装置、设备以及存储介质 | |
CN112417060A (zh) | 识别企业关系的方法、装置、设备和计算机可读介质 | |
CN115438821A (zh) | 一种智能排队方法和相关装置 | |
CN115202847A (zh) | 任务的调度方法和装置 | |
CN114782169A (zh) | 一种客户流失率预警方法及装置 | |
CN113505990A (zh) | 企业风险评估的方法、装置、电子设备和存储介质 | |
CN112860672A (zh) | 标签权重的确定方法和装置 | |
CN111161080A (zh) | 信息处理方法和装置 | |
CN115482116A (zh) | 资产投资策略信息的推荐方法、装置、设备及介质 | |
CN115185606A (zh) | 业务配置参数的获得方法、装置、设备及存储介质 | |
CN114781480A (zh) | 目标对象的评价方法、评价模型训练方法及装置 | |
CN113450208A (zh) | 贷款风险变动预警、模型训练方法和装置 | |
US20220067460A1 (en) | Variance Characterization Based on Feature Contribution | |
CN115545088A (zh) | 模型构建方法、分类方法、装置和电子设备 | |
CN114048010A (zh) | 服务超时时间的控制方法、装置、设备以及存储介质 | |
CN114021642A (zh) | 数据处理方法、装置、电子设备和存储介质 | |
Sathya et al. | Stock price prediction using reinforcement learning and feature extraction | |
CN113360672A (zh) | 用于生成知识图谱的方法、装置、设备、介质和产品 | |
CN113010782A (zh) | 需求量获取方法、装置、电子设备以及计算机可读介质 | |
CN112907362A (zh) | 贷款业务的处理方法、装置、电子设备和存储介质 | |
CN113487408A (zh) | 信息处理方法和装置 | |
CN115526403A (zh) | 一种金融数据的预测方法、系统、设备、存储介质及产品 | |
CN113344405A (zh) | 基于知识图谱生成信息的方法、装置、设备、介质和产品 | |
CN115239398A (zh) | 出价的确定方法和装置 |
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 |