CN114997263B - 基于机器学习的结训率分析方法、装置、设备及存储介质 - Google Patents
基于机器学习的结训率分析方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114997263B CN114997263B CN202210416693.7A CN202210416693A CN114997263B CN 114997263 B CN114997263 B CN 114997263B CN 202210416693 A CN202210416693 A CN 202210416693A CN 114997263 B CN114997263 B CN 114997263B
- Authority
- CN
- China
- Prior art keywords
- training
- rate
- analysis model
- analysis
- data 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.)
- Active
Links
- 238000012549 training Methods 0.000 title claims abstract description 566
- 238000010801 machine learning Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000004458 analytical method Methods 0.000 claims abstract description 214
- 230000006870 function Effects 0.000 claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000007726 management method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 108010014173 Factor X Proteins 0.000 description 1
- 208000001613 Gambling Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Educational Technology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能技术，揭露了一种基于机器学习的结训率分析方法，包括：获取历史培训记录，并从中提取出影响因子与培训结果，根据影响因子与培训结果构建训练数据集；建立分析模型，并配置分析模型的损失函数和优化器；利用分析模型对训练数据集进行结训率分析，得到预测结训率，并通过损失函数计算所述预测结训率和所述真实结训率之间的训练误差；通过优化器对分析模型的参数进行优化，得到结训率分析模型。此外，本发明还涉及区块链技术，历史培训记录、训练后的模型文件可存储于区块链的节点。本发明还提出一种基于机器学习的结训率分析装置、设备以及存储介质。本发明可以提高结训率分析的精确度。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于机器学习的结训率分析方法、装置、设备及存储介质。
背景技术
随着社会经济的发展，人们对教育日渐重视，也催生了越来越多的教育机构，但为了优化培训的方法，提高培训的效率，需要选择合适的结训率分析方法，对培训人员的结训率进行分析。
现有的结训率分析方法多为基于大数据的结训率分析方法。例如，从历史培训记录中选取与目标培训过程相接近的培训记录，得到预测的结训率。实际应用中，不同的培训过程存在着多种可以影响需求的因素，培训人员的培训喜好、接受的培训方式差异较大，从而使得结训率分析的精确度较低。
发明内容
本发明提供一种基于机器学习的结训率分析方法、装置及存储介质，其主要目的在于解决进行结训率分析时的精确度较低的问题。
为实现上述目的，本发明提供的一种基于机器学习的结训率分析方法，包括：
获取历史培训记录，并从所述历史培训记录中提取出学习任务和培训反馈；
从所述学习任务和所述培训反馈中提取出影响因子与培训结果，根据所述影响因子与所述培训结果构建训练数据集以及所述训练数据集对应的真实结训率；
建立分析模型，并配置所述分析模型的损失函数和优化器；
利用所述分析模型对所述训练数据集进行结训率分析，得到预测结训率，并通过所述损失函数计算所述预测结训率和所述真实结训率之间的训练误差；
当所述训练误差大于预设的阈值时，利用所述优化器根据所述训练误差对所述分析模型的参数进行更新，并返回利用所述分析模型对所述训练数据集进行结训率分析的步骤；
当所述训练误差小于或等于预设的阈值时，生成结训率分析模型；
利用所述结训率分析模型对预先获取的培训的数据进行分析，得到培训的结训率。
可选地，所述从所述历史培训记录中提取出学习任务和培训反馈，包括：
将所述历史培训记录分割成培训信息句子；
将所述培训信息句子分割成培训信息单词；
根据所述培训信息单词构建所述历史培训记录的培训信息矩阵；
将所述培训信息矩阵输入至预设的要素映射集中，得到学习任务和培训反馈。
可选地，所述根据所述影响因子与所述培训结果构建训练数据集以及所述训练数据集对应的真实结训率数据集，包括：
逐次选取一次历史培训记录为目标培训记录，将所述目标培训记录的影响因子作为训练数据，将所述目标培训记录的培训结果作为所述训练数据对应的真实结训率；
将所述训练数据与所述训练数据对应的真实结训率累计后得到训练数据集以及所述训练数据集对应的真实结训率。
可选地，所述利用所述分析模型对所述训练数据集进行结训率分析，得到预测结训率，并通过所述损失函数计算所述预测结训率和所述真实结训率之间的训练误差，包括：
利用预设的数据读取器依次选定所述训练数据集的一个训练数据作为目标训练数据，并将所述目标训练数据输入进所述分析模型；
通过所述分析模型计算得到所述目标训练数据的预测结训率；
根据所述损失函数计算所述预测结训率与所述目标训练数据的真实结训率之间的根方差，将所述根方差记为所述预测结训率和所述真实结训率之间的训练误差。
可选地，所述分析模型的参数包括权重参数和偏置参数，所述利用所述优化器根据所述训练误差对所述分析模型的参数进行更新，包括：
根据预设的反向传播算法对所述训练误差进行反向传播，并得到所述权重参数和所述偏置参数的梯度；
根据所述梯度与所述分析模型的学习率对所述权重参数和所述偏置参数进行更新。
可选地，所述生成结训率分析模型，包括：
调用所述结训率分析模型预设的的保存路径；
通过预设的保存方法将所述结训率分析模型保存为模型文件，并将所述模型文件存入所述保存路径中，生成结训率分析模型。
可选地，所述根据所述梯度与所述分析模型的学习率对参数进行更新，包括：
从所述参数中选取一个参数作为目标参数，将所述目标参数的梯度乘以所述分析模型的学习率，得到所述目标参数的下降距离；
将所述目标参数减去所述下降距离，得到更新后的目标参数。
为了解决上述问题，本发明还提供一种基于机器学习的结训率分析装置，所述装置包括：
历史记录获取模块，用于获取历史培训记录，并从所述历史培训记录中提取出学习任务和培训反馈；
训练数据集构建模块，用于从所述学习任务和所述培训反馈中提取出影响因子与培训结果，根据所述影响因子与所述培训结果构建训练数据集以及所述训练数据集对应的真实结训率；
分析模型建立模块，用于建立分析模型，并配置所述分析模型的损失函数和优化器；
训练误差计算模块，用于利用所述分析模型对所述训练数据集进行结训率分析，得到预测结训率，并通过所述损失函数计算所述预测结训率和所述真实结训率之间的训练误差；
模型参数更新模块，用于当所述训练误差大于预设的阈值时，利用所述优化器根据所述训练误差对所述分析模型的参数进行更新，并返回利用所述分析模型对所述训练数据集进行结训率分析的步骤；
分析模型生成模块，用于当所述训练误差小于或等于预设的阈值时，生成结训率分析模型；
结训率分析模块，用于利用所述结训率分析模型对预先获取的培训的数据进行分析，得到培训的结训率。
为了解决上述问题，本发明还提供一种设备，所述设备包括：
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计算机程序，所述计算机程序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上述所述的基于机器学习的结训率分析方法。
为了解决上述问题，本发明还提供一种存储介质，所述存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被设备中的处理器执行以实现上述所述的基于机器学习的结训率分析方法。
本发明实施例通过从所述历史培训记录中提取出影响因子与培训结果，根据影响因子与培训结果构建训练数据集，能够实现关键信息的自动提取与自动清洗，确保分析模型的鲁棒性，进一步提高分析模型分析的准确性；建立分析模型，并配置分析模型的损失函数和优化器，进而利用优化器根据训练误差对分析模型的参数进行更新，实现分析模型的自动更新，使得分析模型的预测结训率与真实结训率之间的差距越来越小，拟合度越来与高，进而提高分析模型对结训率分析的准确性。因此本发明提出的基于机器学习的结训率分析方法、装置、设备及存储介质，可以解决进行结训率分析时精确度较低的问题。
附图说明
图1为本发明一实施例提供的基于机器学习的结训率分析方法的流程示意图；
图2为本发明一实施例提供的提取学习任务和培训反馈的流程示意图；
图3为本发明一实施例提供的计算训练误差的流程示意图；
图4为本发明一实施例提供的基于机器学习的结训率分析装置的功能模块图；
图5为本发明一实施例提供的实现所述基于机器学习的结训率分析方法的设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于机器学习的结训率分析方法。所述基于机器学习的结训率分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的设备中的至少一种。换言之，所述基于机器学习的结训率分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的基于机器学习的结训率分析方法的流程示意图。在本实施例中，所述基于机器学习的结训率分析方法包括：
S1、获取历史培训记录，并从所述历史培训记录中提取出学习任务和培训反馈；
本发明实施例中，所述历史培训记录可以是预先存储在区块链中的培训期间的记录，包括培训班的规划、学习任务以及培训反馈等。
本发明实施例中，参照图2所示，所述从所述历史培训记录中提取出学习任务和培训反馈，包括以下步骤S21-S24：
S21、将所述历史培训记录分割成培训信息句子；
S22、将所述培训信息句子分割成培训信息单词；
S23、根据所述培训信息单词构建所述历史培训记录的培训信息矩阵；
S24、将所述培训信息矩阵输入至预设的要素映射集中，得到学习任务和培训反馈。
详细地，可以通过python语句的正则表达式去识别所述历史培训记录中的标点符号，将所述历史培训记录分割成培训信息句子。
进一步地，可以通过双向最大匹配算法将所述培训信息句子分割为培训信息单词。
本发明实施例中，可以通过文本矩阵化工具构建所述历史培训记录的培训信息矩阵。
详细地，所述文本矩阵化工具可以是sklearn库，sklearn库是一个python第三方提供的非常强力的机器学习库，能够方便地将培训信息单词转化成数字，由此将所述历史培训记录转化为培训信息矩阵，方便计算机进行处理。
详细地，所述要素映射集是指包含学习任务和培训反馈等要素的映射集，将预先得到的学习任务信息和培训反馈矩信息阵化后得到的数据池，其中，预先得到的学习任务信息和培训反馈矩信息可以是使用python或者数据库语言在网页中爬取、检索得到的。
详细地，所述学习任务包括训前任务、训中任务和训后任务；
其中，所述训前任务包括但不限于课表查看以及课前预习；
其中，所述训中任务包括但不限于随堂测验、训中考试、游戏化考试以及微课视频；
其中，所述训后任务包括但不限于训后作业、绩效目标。
详细地，所述培训反馈是指将所述学习任务推送至目标用户后得到的学习结果，包括但不限于推送时间、学习行为以及结训追踪；
其中，所述学习行为包括但不限于点击查看、是否完成以及完成的得分。
其中，所述结训追踪是指追踪目标用户的各个结训条件的完成情况，包括但不限于签到次数占总签到次数的百分比、是否通过结训考试、结训考试的得分以及总结训条件的完成比例。
本发明实施例中，所述从所述历史培训记录中提取出学习任务和培训反馈能够实现关键信息的自动提取与自动清洗，节省了人员的分类与统计的时间，也提升了后续分析模型对结训率分析的准确率。
S2、从所述学习任务和所述培训反馈中提取出影响因子与培训结果，根据所述影响因子与所述培训结果构建训练数据集以及所述训练数据集对应的真实结训率；
本发明实施例中，所述影响因子包括第一影响因子、第二影响因子、第三影响因子以及第四影响因子；所述从所述学习任务和所述培训反馈中提取出影响因子与培训结果，包括将所述学习任务的任务种类数量作为第一影响因子；将所述学习任务的任务累计数量作为第二影响因子；将所述培训反馈的推送时间数据作为第三影响因子；将所述培训反馈的学习行为数据作为第四影响因子；将所述培训反馈的结训追踪数据百分比化后的数据作为培训结果。
进一步地，从所述学习任务和所述培训反馈的共同数据集中提取所述影响因子，从所述培训反馈的数据集中提取所述培训结果。
详细地，所述根据所述影响因子与所述培训结果构建训练数据集以及所述训练数据集对应的真实结训率数据集，包括逐次选取一次历史培训记录为目标培训记录，将所述目标培训记录的影响因子作为训练数据，将所述目标培训记录的培训结果作为所述训练数据对应的真实结训率；将所述训练数据与所述训练数据对应的真实结训率累计后得到训练数据集以及所述训练数据集对应的真实结训率。
本发明实施例中，所述多项影响因子的选择能够确保所述分析模型的鲁棒性，进一步提高所述分析模型分析的准确性，所述根据所述影响因子与所述培训结果构建训练数据集以及所述训练数据集对应的真实结训率数据集能够实现训练数据集的构建，为后续的分析模型训练奠定了基础。
S3、建立分析模型，并配置所述分析模型的损失函数和优化器；
本发明实施例中，所述损失函数是指是将随机事件或其有关随机变量的取值映射为非负实数以表示该随机事件的风险或损失的函数，一般用来估量模型的预测值与真实值的不一致程度，是一个非负实值函数,损失函数越小，模型的鲁棒性就越强。
详细地，所述优化器是指机器学习中让模型的训练误差变小的模块或算法，他可以根据每一次迭代的训练误差对模型中的参数进行调整，进而减少训练误差。
本发明实施例中，所述建立分析模型，包括初始化与每个所述影响因子相对应的权重参数；初始化所述分析模型的偏置参数；初始化所述分析模型的学习率。
例如，设所述分析模型的预测结训率为Y，所述影响因子X包括X1、X2、X3、X4共4个，则：
所述分析模型为为多元线性回归模型；
所述影响因子对应的权重参数分别为w1、w2、w3、w4；
所述偏置参数为b；
所述分析模型可以表示为：
Y＝w1·X1+w2·X2+w3·X3+w4·X4+b。
详细地，所述学习率是机器学习中的重要参数，学习率能够控制参数的更新速度，当学习率设置过大时，会使得损失函数在极小值附近来回变化，不收敛，当学习率设置过小时，会导致学习速度变慢。
本发明实施例中，所述建立分析模型，并配置所述分析模型的损失函数和优化器能够将结训率的分析方法模型化，方便后续的调用。
S4、利用所述分析模型对所述训练数据集进行结训率分析，得到预测结训率，并通过所述损失函数计算所述预测结训率和所述真实结训率之间的训练误差；
本发明实施例中，参照图3所示，所述利用所述分析模型对所述训练数据集进行结训率分析，得到预测结训率，并通过所述损失函数计算所述预测结训率和所述真实结训率之间的训练误差，包括以下步骤S31-S33：
S31、利用预设的数据读取器依次选定所述训练数据集的一个训练数据作为目标训练数据，并将所述目标训练数据输入进所述分析模型；
S32、通过所述分析模型计算得到所述目标训练数据的预测结训率；
S33、根据所述损失函数计算所述预测结训率与所述目标训练数据的真实结训率之间的根方差，将所述根方差记为所述预测结训率和所述真实结训率之间的训练误差。
详细地，所述通过所述分析模型计算得到所述目标训练数据的预测结训率，是指通过所述目标训练数据对所述分析模型中的影响因子进行替换，进而计算所述目标训练数据的预测结训率；
例如，设所述权重参数均为1，所述偏置参数为0.1，所述目标训练数据为0.2、0.3、0.1、0.2，则所述目标训练数据的预测结训率Y1为：
Y1＝0.2·1+0.3·1+0.1·1+0.2·1+0.1＝0.9。
详细地，所述预设的数据读取器可以是ifstream或者main.py:inputs,labels。
详细地，所述根据所述损失函数计算所述预测结训率与所述目标训练数据的真实结训率之间的根方差，将所述根方差记为所述预测结训率和所述真实结训率之间的训练误差，例如：
设所述真实结训率为Ti，所述预测结训率为Yi，则所述训练误差Ji可以表示为：
本发明实施例中，所述通过所述损失函数计算所述预测结训率和所述真实结训率之间的训练误差，能够确定所述分析模型的准确率，使得所述优化器能够根据所述分析模型的准确率对所述模型的参数进行调整。
S5、判断所述训练误差是否大于预设的阈值；
S6、当所述训练误差大于预设的阈值时，利用所述优化器根据所述训练误差对所述分析模型的参数进行更新，并返回利用所述分析模型对所述训练数据集进行结训率分析的步骤；
本发明实施例中，所述分析模型的参数包括权重参数和偏置参数，所述利用所述优化器根据所述训练误差对所述分析模型的参数进行更新，包括根据预设的反向传播算法对所述训练误差进行反向传播，并得到所述权重参数和所述偏置参数的梯度；根据所述梯度与所述分析模型的学习率对所述权重参数和所述偏置参数进行更新。
具体地，所述根据预设的反向传播算法对所述训练误差进行反向传播之前，所述方法还包括，将所述分析模型的权重参数和偏置参数的梯度重置为零，用于防止训练中参数的梯度累加，提升所述分析模型分析的精确度。
详细地，所述反向传播算法，可以是loss.backward()算法，是将训练误差向输入侧进行反向传播，同时对于需要进行梯度计算的所有变量进行梯度的计算，并将计算后的梯度其累积到梯度存储器中备用。
具体地，所述根据所述梯度与所述分析模型的学习率对参数进行更新，包括从所述参数中选取一个参数作为目标参数，将所述目标参数的梯度乘以所述分析模型的学习率，得到所述目标参数的下降距离；将所述目标参数减去所述下降距离，得到更新后的目标参数。
本发明实施例中，所述利用所述优化器根据所述训练误差对所述分析模型的参数进行更新能够实现所述分析模型的自动更新，使得所述分析模型的预测结训率与真实结训率之间的差距越来越小，拟合度越来与高，进而提高所述分析模型对结训率分析的准确性。
S7、当所述训练误差小于或等于预设的阈值时，生成结训率分析模型；
本发明实施例中，所述生成结训率分析模型，包括调用所述结训率分析模型预设的的保存路径；通过预设的保存方法将所述结训率分析模型保存为模型文件，并将所述模型文件存入所述保存路径中，生成结训率分析模型。
详细地，所述保存方法可以是train.Saver方法，所述模型文件可以是cktp文件，train.Saver方法能够将TensorFlow模型转化为ckpt文件，并自动保存到预先设置的保存路径中。
本发明实施例中，所述结训率分析模型能够确保所述结训率分析模型对培训的结训率预测的准确性，提高预测的精确度，通过将所述结训分析模型保存为模型文件，能够扩展所述结训分析模型的应用场景。
S8、利用所述结训率分析模型对预先获取的培训的数据进行分析，得到培训的结训率。
本发明实施例中，所述利用所述结训率分析模型对预先获取的培训的数据进行分析，得到培训的结训率，包括初始化所述结训率分析模型的实现函数；将预先获取的培训的参数输入进所述实现函数中，得到培训的结训率。
本发明实施例中，所述利用所述结训率分析模型对预先获取的培训的参数进行分析，得到培训的结训率，能够根据所述结训率对培训过程进行优化与督促，提高结训的可能性。
本发明实施例通过从所述历史培训记录中提取出影响因子与培训结果，根据影响因子与培训结果构建训练数据集，能够实现关键信息的自动提取与自动清洗，确保分析模型的鲁棒性，进一步提高分析模型分析的准确性；建立分析模型，并配置分析模型的损失函数和优化器，进而利用优化器根据训练误差对分析模型的参数进行更新，实现分析模型的自动更新，使得分析模型的预测结训率与真实结训率之间的差距越来越小，拟合度越来与高，进而提高分析模型对结训率分析的准确性。因此本发明提出的基于机器学习的结训率分析方法，可以解决进行结训率分析时精确度较低的问题。
如图4所示，是本发明一实施例提供的基于机器学习的结训率分析装置的功能模块图。
本发明所述基于机器学习的结训率分析装置100可以安装于设备中。根据实现的功能，所述基于机器学习的结训率分析装置100可以包括历史记录获取模块101、训练数据集构建模块102、分析模型建立模块103、训练误差计算模块104、模型参数更新模块105、分析模型生成模块106以及结训率分析模块107。本发明所述模块也可以称之为单元，是指一种能够被设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述历史记录获取模块101，用于获取历史培训记录，并从所述历史培训记录中提取出学习任务和培训反馈；
所述训练数据集构建模块102，用于从所述学习任务和所述培训反馈中提取出影响因子与培训结果，根据所述影响因子与所述培训结果构建训练数据集以及所述训练数据集对应的真实结训率；
所述分析模型建立模块103，用于建立分析模型，并配置所述分析模型的损失函数和优化器；
所述训练误差计算模块104，用于利用所述分析模型对所述训练数据集进行结训率分析，得到预测结训率，并通过所述损失函数计算所述预测结训率和所述真实结训率之间的训练误差；
所述模型参数更新模块105，用于当所述训练误差大于预设的阈值时，利用所述优化器根据所述训练误差对所述分析模型的参数进行更新，并返回利用所述分析模型对所述训练数据集进行结训率分析的步骤；
所述分析模型生成模块106，用于当所述训练误差小于或等于预设的阈值时，生成结训率分析模型；
所述结训率分析模块107，用于利用所述结训率分析模型对预先获取的培训的数据进行分析，得到培训的结训率。
详细地，本发明实施例中所述基于机器学习的结训率分析装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于机器学习的结训率分析方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图5所示，是本发明一实施例提供的实现基于机器学习的结训率分析方法的设备的结构示意图。
所述设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于机器学习的结训率分析程序。
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing Unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述设备的控制核心(Control Unit)，利用各种接口和线路连接整个设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于机器学习的结训率分析程序等)，以及调用存储在所述存储器11内的数据，以执行设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是设备的内部存储单元，例如该设备的移动硬盘。所述存储器11在另一些实施例中也可以是设备的外部存储设备，例如设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于设备的应用软件及各类数据，例如基于机器学习的结训率分析程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该设备与其他设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在设备中处理的信息以及用于显示可视化的用户界面。
图中仅示出了具有部件的设备，本领域技术人员可以理解的是，图中示出的结构并不构成对所述设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述设备1中的所述存储器11存储的基于机器学习的结训率分析程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取历史培训记录，并从所述历史培训记录中提取出学习任务和培训反馈；
从所述学习任务和所述培训反馈中提取出影响因子与培训结果，根据所述影响因子与所述培训结果构建训练数据集以及所述训练数据集对应的真实结训率；
建立分析模型，并配置所述分析模型的损失函数和优化器；
利用所述分析模型对所述训练数据集进行结训率分析，得到预测结训率，并通过所述损失函数计算所述预测结训率和所述真实结训率之间的训练误差；
当所述训练误差大于预设的阈值时，利用所述优化器根据所述训练误差对所述分析模型的参数进行更新，并返回利用所述分析模型对所述训练数据集进行结训率分析的步骤；
当所述训练误差小于或等于预设的阈值时，生成结训率分析模型；
利用所述结训率分析模型对预先获取的培训的数据进行分析，得到培训的结训率。
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。所述存储介质可以是易失性的，也可以是非易失性的。例如，所述存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)。
本发明还提供一种存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被设备的处理器所执行时，可以实现：
获取历史培训记录，并从所述历史培训记录中提取出学习任务和培训反馈；
从所述学习任务和所述培训反馈中提取出影响因子与培训结果，根据所述影响因子与所述培训结果构建训练数据集以及所述训练数据集对应的真实结训率；
建立分析模型，并配置所述分析模型的损失函数和优化器；
利用所述分析模型对所述训练数据集进行结训率分析，得到预测结训率，并通过所述损失函数计算所述预测结训率和所述真实结训率之间的训练误差；
当所述训练误差大于预设的阈值时，利用所述优化器根据所述训练误差对所述分析模型的参数进行更新，并返回利用所述分析模型对所述训练数据集进行结训率分析的步骤；
当所述训练误差小于或等于预设的阈值时，生成结训率分析模型；
利用所述结训率分析模型对预先获取的培训的数据进行分析，得到培训的结训率。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (9)
1.一种基于机器学习的结训率分析方法，其特征在于，所述方法包括：
获取历史培训记录，并从所述历史培训记录中提取出学习任务和培训反馈；
从所述学习任务和所述培训反馈中提取出影响因子与培训结果，根据所述影响因子与所述培训结果构建训练数据集以及所述训练数据集对应的真实结训率；
建立分析模型，并配置所述分析模型的损失函数和优化器；
利用所述分析模型对所述训练数据集进行结训率分析，得到预测结训率，并通过所述损失函数计算所述预测结训率和所述真实结训率之间的训练误差；
当所述训练误差大于预设的阈值时，利用所述优化器根据所述训练误差对所述分析模型的参数进行更新，并返回利用所述分析模型对所述训练数据集进行结训率分析的步骤；
当所述训练误差小于或等于预设的阈值时，生成结训率分析模型；
利用所述结训率分析模型对预先获取的培训的数据进行分析，得到培训的结训率；
其中，所述从所述历史培训记录中提取出学习任务和培训反馈，包括：将所述历史培训记录分割成培训信息句子；将所述培训信息句子分割成培训信息单词；根据所述培训信息单词构建所述历史培训记录的培训信息矩阵；将所述培训信息矩阵输入至预设的要素映射集中，得到学习任务和培训反馈，所述要素映射集是指包含学习任务和培训反馈要素的映射集。
2.如权利要求1所述的基于机器学习的结训率分析方法，其特征在于，所述根据所述影响因子与所述培训结果构建训练数据集以及所述训练数据集对应的真实结训率，包括：
逐次选取一次历史培训记录为目标培训记录，将所述目标培训记录的影响因子作为训练数据，将所述目标培训记录的培训结果作为所述训练数据对应的真实结训率；
将所述训练数据与所述训练数据对应的真实结训率累计后得到训练数据集以及所述训练数据集对应的真实结训率。
3.如权利要求1所述的基于机器学习的结训率分析方法，其特征在于，所述利用所述分析模型对所述训练数据集进行结训率分析，得到预测结训率，并通过所述损失函数计算所述预测结训率和所述真实结训率之间的训练误差，包括：
利用预设的数据读取器依次选定所述训练数据集的一个训练数据作为目标训练数据，并将所述目标训练数据输入进所述分析模型；
通过所述分析模型计算得到所述目标训练数据的预测结训率；
根据所述损失函数计算所述预测结训率与所述目标训练数据的真实结训率之间的根方差，将所述根方差记为所述预测结训率和所述真实结训率之间的训练误差。
4.如权利要求1所述的基于机器学习的结训率分析方法，其特征在于，所述分析模型的参数包括权重参数和偏置参数，所述利用所述优化器根据所述训练误差对所述分析模型的参数进行更新，包括：
根据预设的反向传播算法对所述训练误差进行反向传播，并得到所述权重参数和所述偏置参数的梯度；
根据所述梯度与所述分析模型的学习率对所述权重参数和所述偏置参数进行更新。
5.如权利要求1所述的基于机器学习的结训率分析方法，其特征在于，所述生成结训率分析模型，包括：
调用所述结训率分析模型预设的保存路径；
通过预设的保存方法将所述结训率分析模型保存为模型文件，并将所述模型文件存入所述保存路径中，生成结训率分析模型。
6.如权利要求4所述的基于机器学习的结训率分析方法，其特征在于，所述根据所述梯度与所述分析模型的学习率对所述权重参数和所述偏置参数进行更新，包括：
从所述参数中选取一个参数作为目标参数，将所述目标参数的梯度乘以所述分析模型的学习率，得到所述目标参数的下降距离；
将所述目标参数减去所述下降距离，得到更新后的目标参数。
7.一种基于机器学习的结训率分析装置，用于实现如权利要求1至6中任意一项所述的基于机器学习的结训率分析方法，其特征在于，所述装置包括：
历史记录获取模块，用于获取历史培训记录，并从所述历史培训记录中提取出学习任务和培训反馈；
训练数据集构建模块，用于从所述学习任务和所述培训反馈中提取出影响因子与培训结果，根据所述影响因子与所述培训结果构建训练数据集以及所述训练数据集对应的真实结训率；
分析模型建立模块，用于建立分析模型，并配置所述分析模型的损失函数和优化器；
训练误差计算模块，用于利用所述分析模型对所述训练数据集进行结训率分析，得到预测结训率，并通过所述损失函数计算所述预测结训率和所述真实结训率之间的训练误差；
模型参数更新模块，用于当所述训练误差大于预设的阈值时，利用所述优化器根据所述训练误差对所述分析模型的参数进行更新，并返回利用所述分析模型对所述训练数据集进行结训率分析的步骤；
分析模型生成模块，用于当所述训练误差小于或等于预设的阈值时，生成结训率分析模型；
结训率分析模块，用于利用所述结训率分析模型对预先获取的培训的数据进行分析，得到培训的结训率。
8.一种设备，其特征在于，所述设备包括：
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计算机程序，所述计算机程序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如权利要求1至6中任意一项所述的基于机器学习的结训率分析方法。
9.一种存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任意一项所述的基于机器学习的结训率分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210416693.7A CN114997263B (zh) | 2022-04-20 | 2022-04-20 | 基于机器学习的结训率分析方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210416693.7A CN114997263B (zh) | 2022-04-20 | 2022-04-20 | 基于机器学习的结训率分析方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114997263A CN114997263A (zh) | 2022-09-02 |
| CN114997263B true CN114997263B (zh) | 2024-05-07 |
Family
ID=83025519
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210416693.7A Active CN114997263B (zh) | 2022-04-20 | 2022-04-20 | 基于机器学习的结训率分析方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114997263B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115907288A (zh) * | 2022-10-31 | 2023-04-04 | 中安华邦(北京)安全生产技术研究院股份有限公司 | 一种安全能力培养效果评估方法、装置、电子设备及介质 |
| CN117668497B (zh) * | 2024-01-31 | 2024-05-07 | 山西卓昇环保科技有限公司 | 基于深度学习实现环境保护下的碳排放分析方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110262853A (zh) * | 2019-05-16 | 2019-09-20 | 珠海超凡视界科技有限公司 | 一种基于vr的驾驶培训方法及其系统 |
| CN110728194A (zh) * | 2019-09-16 | 2020-01-24 | 中国平安人寿保险股份有限公司 | 基于微表情和动作识别的智能培训方法、装置及存储介质 |
| WO2020042584A1 (zh) * | 2018-08-27 | 2020-03-05 | 平安科技（深圳）有限公司 | 非绩优人员培训方法、系统、计算机装置及存储介质 |
| CN111209403A (zh) * | 2019-11-22 | 2020-05-29 | 泰康保险集团股份有限公司 | 数据处理方法、装置、介质及电子设备 |
| CN112231584A (zh) * | 2020-12-08 | 2021-01-15 | 平安科技（深圳）有限公司 | 基于小样本迁移学习的数据推送方法、装置及计算机设备 |
| CN112541745A (zh) * | 2020-12-22 | 2021-03-23 | 平安银行股份有限公司 | 用户行为数据分析方法、装置、电子设备及可读存储介质 |
| CN112669078A (zh) * | 2020-12-30 | 2021-04-16 | 上海众源网络有限公司 | 一种行为预测模型训练方法、装置、设备及存储介质 |
| CN112860851A (zh) * | 2021-01-22 | 2021-05-28 | 平安科技（深圳）有限公司 | 基于根因分析的课程推荐方法、装置、设备及介质 |
| CN113870641A (zh) * | 2021-09-29 | 2021-12-31 | 上海乐项信息技术有限公司 | 一种用于直播带货的模拟培训方法和系统 |
| CN113963578A (zh) * | 2021-10-27 | 2022-01-21 | 北京科东电力控制系统有限责任公司 | 一种面向知识服务与技能演练的自适应培训系统及培训方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040229197A1 (en) * | 2003-05-13 | 2004-11-18 | Tim Hatton | A Method to Increase Productivity of Students Being Trained in Emerging Technologies and to Increase the Return on Investment for Training |
| US11586919B2 (en) * | 2020-06-12 | 2023-02-21 | International Business Machines Corporation | Task-oriented machine learning and a configurable tool thereof on a computing environment |
-
2022
- 2022-04-20 CN CN202210416693.7A patent/CN114997263B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020042584A1 (zh) * | 2018-08-27 | 2020-03-05 | 平安科技（深圳）有限公司 | 非绩优人员培训方法、系统、计算机装置及存储介质 |
| CN110262853A (zh) * | 2019-05-16 | 2019-09-20 | 珠海超凡视界科技有限公司 | 一种基于vr的驾驶培训方法及其系统 |
| CN110728194A (zh) * | 2019-09-16 | 2020-01-24 | 中国平安人寿保险股份有限公司 | 基于微表情和动作识别的智能培训方法、装置及存储介质 |
| CN111209403A (zh) * | 2019-11-22 | 2020-05-29 | 泰康保险集团股份有限公司 | 数据处理方法、装置、介质及电子设备 |
| CN112231584A (zh) * | 2020-12-08 | 2021-01-15 | 平安科技（深圳）有限公司 | 基于小样本迁移学习的数据推送方法、装置及计算机设备 |
| CN112541745A (zh) * | 2020-12-22 | 2021-03-23 | 平安银行股份有限公司 | 用户行为数据分析方法、装置、电子设备及可读存储介质 |
| CN112669078A (zh) * | 2020-12-30 | 2021-04-16 | 上海众源网络有限公司 | 一种行为预测模型训练方法、装置、设备及存储介质 |
| CN112860851A (zh) * | 2021-01-22 | 2021-05-28 | 平安科技（深圳）有限公司 | 基于根因分析的课程推荐方法、装置、设备及介质 |
| CN113870641A (zh) * | 2021-09-29 | 2021-12-31 | 上海乐项信息技术有限公司 | 一种用于直播带货的模拟培训方法和系统 |
| CN113963578A (zh) * | 2021-10-27 | 2022-01-21 | 北京科东电力控制系统有限责任公司 | 一种面向知识服务与技能演练的自适应培训系统及培训方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于FT＿BP神经网络的学业预警模型;任小华等;计算机应用研究;20200630;第37卷(第S1期);第83-85、97页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114997263A (zh) | 2022-09-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2023065545A1 (zh) | 风险预测方法、装置、设备及存储介质 | |
| CN114997263B (zh) | 基于机器学习的结训率分析方法、装置、设备及存储介质 | |
| CN115002200B (zh) | 基于用户画像的消息推送方法、装置、设备及存储介质 | |
| CN114663198A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
| CN113946690A (zh) | 潜在客户挖掘方法、装置、电子设备及存储介质 | |
| CN111798123A (zh) | 基于人工智能的合规性评价方法、装置、设备及介质 | |
| CN112182118B (zh) | 基于多数据源的目标对象预测方法及其相关设备 | |
| WO2021139432A1 (zh) | 基于人工智能的用户等级预测方法、装置、终端及介质 | |
| CN111985545B (zh) | 基于人工智能的目标数据检测方法、装置、设备及介质 | |
| CN114880449B (zh) | 智能问答的答复生成方法、装置、电子设备及存储介质 | |
| CN114077841A (zh) | 基于人工智能的语义提取方法、装置、电子设备及介质 | |
| CN112950344A (zh) | 数据评估方法、装置、电子设备及存储介质 | |
| CN113627160B (zh) | 文本纠错方法、装置、电子设备及存储介质 | |
| CN112651782B (zh) | 基于缩放点积注意力的行为预测方法、装置、设备及介质 | |
| CN114461777A (zh) | 智能问答方法、装置、设备及存储介质 | |
| CN112818028A (zh) | 数据指标筛选方法、装置、计算机设备及存储介质 | |
| CN113706019B (zh) | 基于多维数据的业务能力分析方法、装置、设备及介质 | |
| CN114708073B (zh) | 一种围标串标智能检测方法、装置、电子设备及存储介质 | |
| CN116401602A (zh) | 事件检测方法、装置、设备及计算机可读介质 | |
| CN115146064A (zh) | 意图识别模型优化方法、装置、设备及存储介质 | |
| CN113627692A (zh) | 投诉量预测方法、装置、设备及存储介质 | |
| CN114461499A (zh) | 异常信息检测模型的构建方法和灰度环境异常检测方法 | |
| CN113987351A (zh) | 基于人工智能的智能推荐方法、装置、电子设备及介质 | |
| CN113704407A (zh) | 基于类别分析的投诉量分析方法、装置、设备及存储介质 | |
| CN113486646A (zh) | 产品报告发布方法、装置、电子设备及可读存储介质 |
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 |