CN115952296A - 基于知识增强和图对比学习的企业技术服务推荐方法及装置 - Google Patents
基于知识增强和图对比学习的企业技术服务推荐方法及装置 Download PDFInfo
- Publication number
- CN115952296A CN115952296A CN202211590721.3A CN202211590721A CN115952296A CN 115952296 A CN115952296 A CN 115952296A CN 202211590721 A CN202211590721 A CN 202211590721A CN 115952296 A CN115952296 A CN 115952296A
- Authority
- CN
- China
- Prior art keywords
- technical service
- graph
- user
- knowledge
- enterprise
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000003993 interaction Effects 0.000 claims abstract description 44
- 238000010586 diagram Methods 0.000 claims abstract description 9
- 230000008447 perception Effects 0.000 claims abstract description 8
- 238000005070 sampling Methods 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 238000005457 optimization Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims abstract description 4
- 238000004140 cleaning Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 31
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000006116 polymerization reaction Methods 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims 1
- 230000000052 comparative effect Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于知识增强和图对比学习的企业技术服务推荐方法及装置,清洗和整理企业技术服务基本信息,构建知识图谱,获得用户‑技术服务交互图;对知识图谱采用随机丢弃关系得到两个子知识图谱,并将三个知识图谱输入到关系感知图网络模型中,得到技术服务的嵌入表示;对用户‑技术服务交互图随机抽样得到两个不同的子交互图,并对三个交互图进行基于图卷积的协同过滤计算,得到用户和技术服务的嵌入表示。最后构建推荐监督任务和对比学习辅助任务进行联合优化,根据嵌入表示实现企业技术服务推荐。本发明能够有效利用企业技术服务知识图谱,向用户推荐技术服务,同时在知识图谱存在数据稀疏、噪声情况下能够有效提升推荐系统的性能。
Description
技术领域
本发明涉及企业技术服务领域,具体涉及一种基于知识增强和图对比学习的企业技术服务推荐方法及装置。
背景技术
技术创新服务平台汇聚各类技术服务,运用大数据分析技术,为用户提供推荐服务,能够节省用户在查找技术服务时所用时间,促进平台与用户间的交流互动,提高用户使用黏度。
在众多推荐算法中,协同过滤算法一直备受关注,协同过滤核心思想是具有相似交互行为的用户可能对项目有相似的兴趣,因此当用户历史行为不足的时候,便会出现数据稀疏性问题。为解决数据稀疏性问题,研究人员开始在推荐中加入知识图谱,尽管知识图谱能够在一定程度上缓解推荐系统的数据稀疏性问题,但实际中知识图谱通常存在噪声,使得项目实体依赖关系无法反映它们的真实特征,显著放大了噪声效应,阻碍了用户偏好的准确表示。
发明内容
发明目的:针对以上方法所存在的问题,本发明提供一种基于知识增强和图对比学习的企业技术服务推荐方法,利用知识图谱中结构化信息丰富用户与技术服务表示,并通过知识图谱对比学习方法,以减轻基于知识图谱的推荐方法中的数据噪声,获得鲁棒性更高的用户与技术服务表示,从而提高企业技术服务推荐模型的性能。
技术方案:本发明提出一种基于知识增强和图对比学习的企业技术服务推荐方法,包括如下步骤:
步骤1:对企业技术服务基本信息进行清洗和整理,构建所需知识图谱Gk,同时根据用户交互历史获得用户-技术服务交互图Gu;
步骤2:对输入的企业技术服务知识图谱Gk采用随机丢弃关系的方式得到两个子知识图谱α1(Gk)和α2(Gk),并将原知识图谱和两个子知识图谱输入到关系感知图网络模型中,得到技术服务的嵌入表示;
步骤3:对整个用户-企业技术服务交互图Gu采用随机抽样得到两个不同的子交互图β1(Gu)和β2(Gu),并对原用户-企业技术服务交互图和用户-企业技术服务子交互图进行基于图卷积的协同过滤计算,得到用户和技术服务的嵌入表示;
步骤4:构建推荐监督任务和对比学习辅助任务进行联合优化,根据用户和企业技术服务的嵌入表示实现企业技术服务推荐。
进一步地,所述步骤1的具体方法为:
步骤1.1:定义企业技术服务知识图谱中的实体,主要实体有:技术服务ID、服务领域、服务企业、服务成熟程度和服务费用,不同的实体类之间存在关系,关系类别定义为关系指向实体的类别;
步骤1.2:根据实体和关系构建企业技术服务知识图谱Gk,企业技术服务知识图谱Gk由三元组(h,r,t)组成,其中h∈E,t∈E,r∈R分别表示三元组的头实体、尾实体和实体间的关系,E和R分别表示企业技术服务知识图谱Gk中的实体和关系集合;
步骤1.3:基于用户的整个交互序列构建用户-技术服务交互图,Gu=(V,ε)代表用户-技术服务交互图,其中V表示点的集合,包括用户和技术服务;ε表示边的集合,包括交互信息。
进一步地,所述步骤2的具体方法为:
步骤2.3:将企业技术服务知识图谱Gk输入关系感知图网络中获取技术服务的嵌入表示;
步骤2.4:定义循环变量k,赋初始值为1,设置聚合层数为L层;
步骤2.5:若k≤L则进入步骤2.6,否则跳转到步骤2.8;
步骤2.7:k=k+1,跳转到步骤2.5;
进一步地,所述步骤3的具体方法为:
步骤3.2:将用户-企业技术服务交互图Gu和技术服务嵌入表示ei输入图卷积神经网络中获取用户和技术服务嵌入表示;
步骤3.4:若h≤H则进入步骤3.5,否则跳转到步骤3.7;
步骤3.5:通过公式和计算用户嵌入表示和技术服务嵌入表示,其中和表示经过h层传播之后得到的技术服务i和用户u的嵌入表示,Nu表示用户u交互过的技术服务的集合,Ni表示与技术服务i有过交互的用户的集合;
步骤3.6:h=h+1,跳转到步骤3.4;
进一步地,所述步骤4的具体方法为:
步骤4.1:基于用户嵌入表示采用InfoNCE损失函数构建对比学习辅助任务,用户侧损失函数为其中s()表示相似度函数,τ表示温度超参数,表示用户u′(u′≠u)在交互图β2(Gu)经过图卷积神经网络得到的嵌入表示;
步骤4.4:推荐监督任务由贝叶斯个性化排序损失函数构建,损失函数为其中O表示用户和技术服务的交互历史,u表示用户,i表示用户交互过的技术服务,j表示用户未交互过的技术服务,σ表示sigmoid函数,表示样本得分,公式为
本发明还公开一种基于知识增强和图对比学习的企业技术服务推荐装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述计算机程序被加载至处理器时执行上述基于知识增强和图对比学习的企业技术服务推荐方法的步骤。
有益效果:
1、本发明将企业技术服务知识图谱作为辅助信息引入到推荐方法中,一定程度上缓解了数据稀疏性问题,针对企业技术服务知识图谱存在的噪声问题,通过数据增强方案生成对比视图,抑制信息聚合过程中不相关实体,从而获得更稳健的知识感知表征,缓解知识图谱的噪音问题,可以更精准地为用户推荐企业技术服务,帮助用户和企业实现对接。
2、本发明通过关系感知图网络模型来提取技术服务特征,可以有效控制不同邻居信息的传播量,识别每个知识图谱中的实体在不同的关系上下文中不同的含义,捕捉到高阶节点信息以及关系依赖。
3、本发明采用多任务学习策略,通过结合对比学习辅助任务和推荐监督任务对目标函数进行联合优化,以此来提高模型的鲁棒性,从而提高企业技术服务推荐模型的性能。
附图说明
图1为本发明整体流程图;
图2为本发明构建企业技术服务知识图谱和交互图过程;
图3为本发明进行知识增强过程;
图4为本发明提取用户和技术服务特征过程。
具体实施方式
下面结合附图1-4进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明公开了一种基于知识增强和图对比学习的企业技术服务推荐方法,具体包括如下步骤:
步骤1:对企业技术服务基本信息进行清洗和整理,构建所需知识图谱Gk,同时根据用户交互历史获得用户-技术服务交互图Gu。具体如图2所示:
步骤1.1:定义企业技术服务知识图谱中的实体,主要实体有:技术服务ID、服务领域、服务企业、服务成熟程度和服务费用,不同的实体类之间存在关系,关系类别定义为关系指向实体的类别。
步骤1.2:根据实体和关系构建企业技术服务知识图谱Gk,企业技术服务知识图谱Gk由三元组(h,r,t)组成,其中h∈E,t∈E,r∈R分别表示三元组的头实体、尾实体和实体间的关系,E和R分别表示企业技术服务知识图谱Gk中的实体和关系集合。
步骤1.3:基于用户的整个交互序列构建用户-技术服务交互图,Gu=(V,ε)代表用户-技术服务交互图,其中V表示点的集合,包括用户和技术服务;ε表示边的集合,包括交互信息。
步骤2:步骤2:对输入的企业技术服务知识图谱Gk采用随机丢弃关系的方式得到两个子知识图谱α1(Gk)和α2(Gk),并将原知识图谱和两个子知识图谱输入到关系感知图网络模型中,得到技术服务的嵌入表示。具体如图3所示:
步骤2.3:将企业技术服务知识图谱Gk输入关系感知图网络中获取技术服务的嵌入表示。
步骤2.4:定义循环变量k,赋初始值为1,设置聚合层数为L层。
步骤2.5:若k≤L则进入步骤2.6,否则跳转到步骤2.8。
步骤2.7:k=k+1,跳转到步骤2.5。
步骤3:对整个用户-企业技术服务交互图Gu采用随机抽样得到两个不同的子交互图β1(Gu)和β2(Gu),并对原用户-企业技术服务交互图和用户-企业技术服务子交互图进行基于图卷积的协同过滤计算,得到用户和技术服务的嵌入表示。具体如图4所示:
步骤3.2:将用户-企业技术服务交互图Gu和技术服务嵌入表示ei输入图卷积神经网络中获取用户和技术服务嵌入表示。
步骤3.4:若h≤H则进入步骤3.5,否则跳转到步骤3.7。
步骤3.5:通过公式和计算用户嵌入表示和技术服务嵌入表示,其中和表示经过h层传播之后得到的技术服务i和用户u的嵌入表示,Nu表示用户u交互过的技术服务的集合,Ni表示与技术服务i有过交互的用户的集合。
步骤3.6:h=h+1,跳转到步骤3.4。
步骤4:构建推荐监督任务和对比学习辅助任务进行联合优化,根据用户和企业技术服务的嵌入表示实现企业技术服务推荐。
步骤4.1:基于用户嵌入表示采用InfoNCE损失函数构建对比学习辅助任务,用户侧损失函数为其中s()表示相似度函数,τ表示温度超参数,表示用户u′(u′≠u)在交互图β2(Gu)经过图卷积神经网络得到的嵌入表示。
步骤4.2:与步骤4.1同理得到技术服务侧损失函数为
步骤4.4:推荐监督任务由贝叶斯个性化排序损失函数构建,损失函数为其中O表示用户和技术服务的交互历史,u表示用户,i表示用户交互过的技术服务,j表示用户未交互过的技术服务,σ表示sigmoid函数,表示样本得分,公式为
本发明可与计算机系统结合成为基于知识增强和图对比学习的企业技术服务推荐装置,该装置包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,计算机程序被加载至处理器时实现上述基于知识增强和图对比学习的企业技术服务推荐方法。
上述实施方式只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种基于知识增强和图对比学习的企业技术服务推荐方法,其特征在于,包括如下步骤:
步骤1:对企业技术服务基本信息进行清洗和整理,构建所需知识图谱Gk,同时根据用户交互历史获得用户-技术服务交互图Gu;
步骤2:对输入的企业技术服务知识图谱Gk采用随机丢弃关系的方式得到两个子知识图谱α1(Gk)和α2(Gk),并将原知识图谱和两个子知识图谱输入到关系感知图网络模型中,得到技术服务的嵌入表示;
步骤3:对整个用户-企业技术服务交互图Gu采用随机抽样得到两个不同的子交互图β1(Gu)和β2(Gu),并对原用户-企业技术服务交互图和用户-企业技术服务子交互图进行基于图卷积的协同过滤计算,得到用户和技术服务的嵌入表示;
步骤4:构建推荐监督任务和对比学习辅助任务进行联合优化,根据用户和企业技术服务的嵌入表示实现企业技术服务推荐。
2.根据权利要求1所述的基于知识增强和图对比学习的企业技术服务推荐方法,其特征在于,所述步骤1的具体方法为:
步骤1.1:定义企业技术服务知识图谱中的实体,主要实体有:技术服务ID、服务领域、服务企业、服务成熟程度和服务费用,不同的实体类之间存在关系,关系类别定义为关系指向实体的类别;
步骤1.2:根据实体和关系构建企业技术服务知识图谱Gk,企业技术服务知识图谱Gk由三元组(h,r,t)组成,其中h∈E,t∈E,r∈R分别表示三元组的头实体、尾实体和实体间的关系,E和R分别表示企业技术服务知识图谱Gk中的实体和关系集合;
步骤1.3:基于用户的整个交互序列构建用户-技术服务交互图,Gu=(V,ε)代表用户-技术服务交互图,其中V表示点的集合,包括用户和技术服务;ε表示边的集合,包括交互信息。
3.根据权利要求1所述的基于知识增强和图对比学习的企业技术服务推荐方法,其特征在于,所述步骤2的具体方法为:
步骤2.3:将企业技术服务知识图谱Gk输入关系感知图网络中获取技术服务的嵌入表示;
步骤2.4:定义循环变量k,赋初始值为1,设置聚合层数为L层;
步骤2.5:若k≤L则进入步骤2.6,否则跳转到步骤2.8;
步骤2.7:k=k+1,跳转到步骤2.5;
4.根据权利要求1所述的基于知识增强和图对比学习的企业技术服务推荐方法,其特征在于,所述步骤3的具体方法为:
步骤3.2:将用户-企业技术服务交互图Gu和技术服务嵌入表示ei输入图卷积神经网络中获取用户和技术服务嵌入表示;
步骤3.4:若h≤H则进入步骤3.5,否则跳转到步骤3.7;
步骤3.5:通过公式和计算用户嵌入表示和技术服务嵌入表示,其中和表示经过h层传播之后得到的技术服务i和用户u的嵌入表示,Nu表示用户u交互过的技术服务的集合,Ni表示与技术服务i有过交互的用户的集合;
步骤3.6:h=h+1,跳转到步骤3.4;
5.根据权利要求1所述的基于知识增强和图对比学习的企业技术服务推荐方法及装置,其特征在于,所述步骤4的具体方法为:
步骤4.1:基于用户嵌入表示采用InfoNCE损失函数构建对比学习辅助任务,用户侧损失函数为其中s()表示相似度函数,τ表示温度超参数,表示用户u′(u′≠u)在交互图β2(Gu)经过图卷积神经网络得到的嵌入表示;
步骤4.4:推荐监督任务由贝叶斯个性化排序损失函数构建,损失函数为其中O表示用户和技术服务的交互历史,u表示用户,i表示用户交互过的技术服务,j表示用户未交互过的技术服务,σ表示sigmoid函数,表示样本得分,公式为
6.一种基于知识增强和图对比学习的企业技术服务推荐装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述计算机程序被加载至处理器时执行权利要求1-5任一项所述的基于知识增强和图对比学习的企业技术服务推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211590721.3A CN115952296A (zh) | 2022-12-12 | 2022-12-12 | 基于知识增强和图对比学习的企业技术服务推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211590721.3A CN115952296A (zh) | 2022-12-12 | 2022-12-12 | 基于知识增强和图对比学习的企业技术服务推荐方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115952296A true CN115952296A (zh) | 2023-04-11 |
Family
ID=87281725
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211590721.3A Pending CN115952296A (zh) | 2022-12-12 | 2022-12-12 | 基于知识增强和图对比学习的企业技术服务推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115952296A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117786094A (zh) * | 2023-12-29 | 2024-03-29 | 北京基智科技有限公司 | 一种基于知识图谱的企业技术服务推荐方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232925A (zh) * | 2020-11-02 | 2021-01-15 | 哈尔滨工程大学 | 一种融合知识图谱对商品进行个性化推荐的方法 |
WO2021189971A1 (zh) * | 2020-10-26 | 2021-09-30 | 平安科技(深圳)有限公司 | 基于知识图谱表征学习的医疗方案推荐系统及方法 |
CN115114542A (zh) * | 2022-08-26 | 2022-09-27 | 北京高德云信科技有限公司 | 一种对象推荐方法、系统、训练方法、介质及计算机设备 |
CN115146168A (zh) * | 2022-07-08 | 2022-10-04 | 广东工业大学 | 一种融合知识图谱和图对比学习的图书推荐方法及系统 |
-
2022
- 2022-12-12 CN CN202211590721.3A patent/CN115952296A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021189971A1 (zh) * | 2020-10-26 | 2021-09-30 | 平安科技(深圳)有限公司 | 基于知识图谱表征学习的医疗方案推荐系统及方法 |
CN112232925A (zh) * | 2020-11-02 | 2021-01-15 | 哈尔滨工程大学 | 一种融合知识图谱对商品进行个性化推荐的方法 |
CN115146168A (zh) * | 2022-07-08 | 2022-10-04 | 广东工业大学 | 一种融合知识图谱和图对比学习的图书推荐方法及系统 |
CN115114542A (zh) * | 2022-08-26 | 2022-09-27 | 北京高德云信科技有限公司 | 一种对象推荐方法、系统、训练方法、介质及计算机设备 |
Non-Patent Citations (2)
Title |
---|
XIANGWANG等: ""LearningIntentsbehindInteractionswithKnowledgeGraphforRecommendation"", 《HTTPS://ARXIV.ORG/PDF/2102.07057.PDF》, pages 1 - 5 * |
YUHAO YANG等: ""Knowledge Graph Contrastive Learning for Recommendation"", 《HTTPS://ARXIV.ORG/PDF/2205.00976.PDF》, pages 1 - 5 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117786094A (zh) * | 2023-12-29 | 2024-03-29 | 北京基智科技有限公司 | 一种基于知识图谱的企业技术服务推荐方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111797321B (zh) | 一种面向不同场景的个性化知识推荐方法及系统 | |
CN112784092A (zh) | 一种混合融合模型的跨模态图像文本检索方法 | |
CN113362131B (zh) | 一种融合知识图谱和用户交互的图模型智能商品推荐方法 | |
CN110674850A (zh) | 一种基于注意力机制的图像描述生成方法 | |
CN108647800B (zh) | 一种基于节点嵌入的在线社交网络用户缺失属性预测方法 | |
CN112380453B (zh) | 物品推荐方法、装置、存储介质及设备 | |
CN113379494B (zh) | 基于异质社交关系的商品推荐方法、装置和电子设备 | |
CN114461907B (zh) | 一种基于知识图谱的多元环境感知推荐方法及系统 | |
CN113761359B (zh) | 数据包推荐方法、装置、电子设备和存储介质 | |
Xiao et al. | MutualRec: Joint friend and item recommendations with mutualistic attentional graph neural networks | |
Bakhshi et al. | Fast evolution of CNN architecture for image classification | |
CN113918832A (zh) | 基于社交关系的图卷积协同过滤推荐系统 | |
CN112364242A (zh) | 针对上下文感知型的图卷积推荐系统 | |
Mu et al. | Auto-CASH: A meta-learning embedding approach for autonomous classification algorithm selection | |
CN115358809A (zh) | 一种基于图对比学习的多意图推荐方法及装置 | |
CN115952296A (zh) | 基于知识增强和图对比学习的企业技术服务推荐方法及装置 | |
CN113590976A (zh) | 一种空间自适应图卷积网络的推荐方法 | |
Czajkowski et al. | Steering the interpretability of decision trees using lasso regression-an evolutionary perspective | |
Yin et al. | An efficient recommendation algorithm based on heterogeneous information network | |
Zeng et al. | Influential simplices mining via simplicial convolutional networks | |
Zhang et al. | Knowledge graph driven recommendation model of graph neural network | |
Liu et al. | An influence maximization algorithm based on low-dimensional representation learning | |
CN115757897A (zh) | 一种基于知识图卷积网络的文化资源智能推荐方法 | |
CN115344794A (zh) | 一种基于知识图谱语义嵌入的旅游景点推荐方法 | |
Xie | Research on Weibo user behavior system for subjective perception and big data mining technology |
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: 20230411 |