CN116150451A - 一种基于时间序列的个性化菜谱推荐方法 - Google Patents
一种基于时间序列的个性化菜谱推荐方法 Download PDFInfo
- Publication number
- CN116150451A CN116150451A CN202310436170.3A CN202310436170A CN116150451A CN 116150451 A CN116150451 A CN 116150451A CN 202310436170 A CN202310436170 A CN 202310436170A CN 116150451 A CN116150451 A CN 116150451A
- Authority
- CN
- China
- Prior art keywords
- menu
- user
- recipe
- constructing
- personalized
- 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 31
- 239000013598 vector Substances 0.000 claims abstract description 29
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 235000005911 diet Nutrition 0.000 claims abstract description 10
- 230000037213 diet Effects 0.000 claims abstract description 10
- 238000005259 measurement Methods 0.000 claims abstract description 7
- 235000016709 nutrition Nutrition 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 235000013305 food Nutrition 0.000 claims description 4
- 235000009508 confectionery Nutrition 0.000 claims description 3
- 235000021186 dishes Nutrition 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 235000011850 desserts Nutrition 0.000 claims description 2
- 230000035764 nutrition Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000002354 daily effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 238000012258 culturing Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000021185 dessert Nutrition 0.000 description 1
- 235000005289 dietary characteristics Nutrition 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于时间序列的个性化菜谱推荐方法包括:收集用户历史行为数据以及菜谱相关信息,构建用户样本数据库与菜谱信息库;基于用户样本数据库构建用户‑菜谱‑时间序列矩阵集,通过菜谱信息库生成菜谱特征向量,构造菜谱特征集;将用户‑菜谱‑时间序列矩阵集划分为训练集与测试集,使用训练集作为LSTM网络模型的输入,利用LSTM网络模型学习用户的饮食偏好,并基于所述测试集评估LSTM网络模型的性能,获取训练好的LSTM网络模型;通过训练好的LSTM网络模型推断所述用户的偏好,基于菜谱特征集进行基于余弦度量的相似度计算,根据计算结果推荐个性化菜谱。本发明减少了用户的搜索时间和精力,提高了用户的使用体验。
Description
技术领域
本发明涉及个性化推荐算法技术领域,尤其涉及一种基于时间序列的个性化菜谱推荐方法。
背景技术
随着科学技术的发展,生活中的各种日常设备都开始向着智能化的方向发展,智能化设备如智能电视、智能冰箱、智能空调等都极大的便利了人们的生活。智能化不仅便利了人们的生活,也引发了信息量的爆炸性增长,人们使用智能信息的过程也是大量的信息产生的过程,以往人们往往会忽略这些看似无用的信息,随着近年来信息技术的发展,越来越多的研究表明,大量的用户信息背后蕴含是用户的日常习惯以及个人爱好。利用这些信息挖掘出背后隐藏的用户特征,从而进行更加个性化的功能设计是智能制造领域近年来的研究热点之一。
在饮食和厨电行业,当代智能厨电使用者在做饭之前常常纠结于吃什么这一问题,每天制定合理的饮食计划并选择适合自己的菜品,是一件非常困难的事情。如果能够利用好信息背后隐藏的用户的饮食特征,实现个性化菜谱的推荐,对于增加用户粘性,培养用户对于产品的忠诚度具有很大的促进作用。
发明内容
为解决上述技术问题,本发明提出了一种基于时间序列的个性化菜谱推荐方法,通过用户的历史数据,使用神经网络来推断出用户的饮食偏好,从而针对性的推荐一些相关的菜谱,为用户提供更加个性化的选择,协助用户完成“吃什么”的决策。
为实现上述目的,本发明提供了一种基于时间序列的个性化菜谱推荐方法,包括:
收集用户历史行为数据以及菜谱相关信息,构建用户样本数据库与菜谱信息库;
基于所述用户样本数据库构建用户-菜谱-时间序列矩阵集,通过所述菜谱信息库生成菜谱特征向量,构造菜谱特征集;
将所述用户-菜谱-时间序列矩阵集划分为训练集与测试集,使用所述训练集作为LSTM网络模型的输入,利用所述LSTM网络模型学习用户的饮食偏好,并基于所述测试集评估所述LSTM网络模型的性能,获取训练好的LSTM网络模型;
通过所述训练好的LSTM网络模型推断所述用户的偏好,基于所述菜谱特征集进行基于余弦度量的相似度计算,根据计算结果推荐个性化菜谱。
优选地,构建所述用户样本数据库与菜谱信息库,包括:
将收集的原始数据通过去重、缺失值填充操作构建所述用户样本数据库与菜谱信息库。
优选地,所述用户样本数据库包括用户的菜谱浏览历史、菜谱点赞与菜谱收藏信息;所述菜谱信息库包括菜谱的属性、营养价值、口感特征以及相关图片。
优选地,构建所述用户-菜谱-时间序列矩阵集,包括:
基于所述用户样本数据库中的菜谱浏览历史按照时间进行循序排列,在时间维度上以设定的阈值进行划分,构造所述用户-菜谱-时间序列矩阵集;其中,矩阵的行代表时间节点,列表示菜谱,每个元素代表所述用户在该时间节点访问了该菜谱,元素的数值代表用户对所述菜谱的喜爱程度。
优选地,元素数值一代表所述用户在该时间节点访问该菜谱,元素数值二代表所述用户在该时间节点点赞了该菜谱,元素数值三代表所述用户收藏该菜谱。
优选地,通过所述菜谱信息库生成菜谱特征向量,包括:
通过one-hot编码将菜谱的属性、营养价值以及口感特征进行数值化编码,再利用神经网络学习所述菜谱的图片特征,获取菜谱的图片特征向量,并将所述菜谱的属性、营养价值以及口感特征信息进行拼接,获得菜谱的特征向量。
优选地,所述菜谱的属性包括主食、菜肴和甜品,所述营养价值按照预设分值进行打分,所述口感特征包括酸、甜、苦、辣、咸和淡。
优选地,对所述LSTM网络模型进行训练时使用交叉熵损失函数计算误差,并用随机梯度下降法优化模型参数,且所述测试集的测试标准为,当模型的测试输出与所述测试集标签的基于余弦度量的相似度达到阈值时,停止模型训练,保存参数。
优选地,基于所述余弦度量的相似度计算的方法为:
其中A、B为两个菜谱的特征向量,Sim(A,B)为特征向量A和特征向量B的相似度,||A||、||B||分别表示特征向量A与特征向量B的模。
与现有技术相比,本发明具有如下优点和技术效果:
本发明在进行菜谱推荐的过程中加入了时间维度,基于用户的历史行为数据,自动预测未来的饮食需求,并推荐合适的菜谱,更加符合用户的个性化需求;且还会根据用户的反馈和实际效果,不断优化推荐结果,进一步提高了推荐的精准度和用户满意度,减少用户的搜索时间和精力,提高用户的使用体验。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明实施例的基于时间序列的个性化菜谱推荐方法流程图;
图2为本发明实施例的用户-菜谱时间序列矩阵示意图;
图3为本发明实施例的菜谱特征向量生成示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请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申请。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本发明提出了一种基于时间序列的个性化菜谱推荐方法,如图1。
首先收集用户的菜谱浏览、点赞、收藏等行为数据以及菜谱的图片、菜品属性、口感、营养程度等信息,对收集到的数据进行数据清洗。对清洗后的数据进行预处理,将用户的行为数据进行时间序列化处理,构建基于用户数据的时间序列矩阵集,同时将菜谱相关的数据进行数值化编码,构建菜谱特征向量。将基于用户时间序列矩阵集划分训练集与测试集,并以此构建LSTM网络的输入。利用训练集对LSTM网络进行训练,使用测试集测试模型性能。最后利用训练好的模型为用户进行个性化推荐,输入用户的行为数据,由神经网络预测用户的饮食偏好向量,对得到的饮食偏好向量与菜谱特征集利用基于余弦度量相似度方法进行相似度计算,得出菜谱之间的相似度值,针对性为用户推荐菜谱。
具体的,包括以下步骤:
步骤1:用户及菜谱信息收集
首先,在保证符合国家法律法规的情况下,对一定时间内用户的菜谱历史浏览、点赞以及收藏数据进行收集,同时,从美食网站爬取菜谱的属性信息、口感信息、营养价值信息以及相关图片信息,对原始数据进行去重以及缺失值填充后,构成用户样本数据库与菜谱信息库。
步骤2:数据特征提取
对于用户样本数据,首先将每个用户的数据按照时间顺序进行排列,在时间维度上,以天为尺度进行数据划分为时间序列,其中,T表示用户时间序列,表示某一具体的时间节点,构造该用户的用户-菜谱-时间序列矩阵,矩阵的行代表时间节点,列表示菜谱,每个元素代表的是用户在该时间节点访问了该菜谱,元素的数值代表用户对该菜谱的喜爱程度,具体表示为,数值1代表用户在该时间点只是单纯访问该菜谱,数值2表示用户在该时间点点赞了该菜谱,数值3代表用户收藏了该菜谱。对所有用户样本执行同样操作,构造用户-菜谱-时间序列矩阵集,如图2。
对于菜谱信息、菜品属性方面,将其归类到主食、菜肴、甜品中的一种;按照其营养价值,将其按照1-10分进行打分,按照口感将其归类为酸、甜、苦、辣、咸、淡中的一种,利用one-hot编码将菜谱的属性、营养价值、口感特征进行数值化编码,对于图片特征,利用一个训练好的神经网络,获取菜谱的图片作为输入,输出包含该菜谱图片信息的向量,而后将菜谱的属性、营养价值、口感特征的数值化编码以及菜谱的图片信息向量进行拼接,得到菜谱的特征向量(如图3),构造菜谱特征集。
步骤3:LSTM网络训练与测试
将用户-菜谱-时间序列矩阵集分成训练集与测试集,使用训练集构造LSTM网络的输入层,将训练集输入用以训练LSTM网络,训练的过程中,通过交叉熵损失函数计算误差,并用随机梯度下降法来优化模型参数。使用测试集验证模型性能,当模型的测试输出与测试集的标签的基于余弦度量的相似度达到阈值时,模型评价为优。相似度的计算方法为:
其中A、B为两个菜谱的特征向量,Sim(A,B)为特征向量A、B的相似度,||A||、||B||分别表示特征向量A与B的模。
步骤4:个性化菜谱推荐
利用训练好的网络模型,以用户的用户-菜谱-时间序列矩阵作为输入,输出用户的喜好菜谱特征向量,将用户的喜好菜谱特征向量与菜谱特征集进行基于余弦度量的相似度计算,将相似度高的菜谱推荐给用户。
本发明在进行菜谱推荐的过程中加入了时间维度,基于用户的历史行为数据,自动预测未来的饮食需求,并推荐合适的菜谱,更加符合用户的个性化需求;且还会根据用户的反馈和实际效果,不断优化推荐结果,进一步提高了推荐的精准度和用户满意度,减少用户的搜索时间和精力,提高用户的使用体验。
以上,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (9)
1.一种基于时间序列的个性化菜谱推荐方法,其特征在于,包括:
收集用户历史行为数据以及菜谱相关信息,构建用户样本数据库与菜谱信息库;
基于所述用户样本数据库构建用户-菜谱-时间序列矩阵集,通过所述菜谱信息库生成菜谱特征向量,构造菜谱特征集;
将所述用户-菜谱-时间序列矩阵集划分为训练集与测试集,使用所述训练集作为LSTM网络模型的输入,利用所述LSTM网络模型学习用户的饮食偏好,并基于所述测试集评估所述LSTM网络模型的性能,获取训练好的LSTM网络模型;
通过所述训练好的LSTM网络模型推断所述用户的偏好,基于所述菜谱特征集进行基于余弦度量的相似度计算,根据计算结果推荐个性化菜谱。
2.根据权利要求1所述的基于时间序列的个性化菜谱推荐方法,其特征在于,构建所述用户样本数据库与菜谱信息库,包括:
将收集的原始数据通过去重、缺失值填充操作构建所述用户样本数据库与菜谱信息库。
3.根据权利要求2所述的基于时间序列的个性化菜谱推荐方法,其特征在于,所述用户样本数据库包括用户的菜谱浏览历史、菜谱点赞与菜谱收藏信息;所述菜谱信息库包括菜谱的属性、营养价值、口感特征以及相关图片。
4.根据权利要求1所述的基于时间序列的个性化菜谱推荐方法,其特征在于,构建所述用户-菜谱-时间序列矩阵集,包括:
基于所述用户样本数据库中的菜谱浏览历史按照时间进行循序排列,在时间维度上以设定的阈值进行划分,构造所述用户-菜谱-时间序列矩阵集;其中,矩阵的行代表时间节点,列表示菜谱,每个元素代表所述用户在该时间节点访问了该菜谱,元素的数值代表用户对所述菜谱的喜爱程度。
5.根据权利要求4所述的基于时间序列的个性化菜谱推荐方法,其特征在于,元素数值一代表所述用户在该时间节点访问该菜谱,元素数值二代表所述用户在该时间节点点赞了该菜谱,元素数值三代表所述用户收藏该菜谱。
6.根据权利要求1所述的基于时间序列的个性化菜谱推荐方法,其特征在于,通过所述菜谱信息库生成菜谱特征向量,包括:
通过one-hot编码将菜谱的属性、营养价值以及口感特征进行数值化编码,再利用神经网络学习所述菜谱的图片特征,获取菜谱的图片特征向量,并将所述菜谱的属性、营养价值以及口感特征信息进行拼接,获得菜谱的特征向量。
7.根据权利要求6所述的基于时间序列的个性化菜谱推荐方法,其特征在于,所述菜谱的属性包括主食、菜肴和甜品,所述营养价值按照预设分值进行打分,所述口感特征包括酸、甜、苦、辣、咸和淡。
8.根据权利要求1所述的基于时间序列的个性化菜谱推荐方法,其特征在于,对所述LSTM网络模型进行训练时使用交叉熵损失函数计算误差,并用随机梯度下降法优化模型参数,且所述测试集的测试标准为,当模型的测试输出与所述测试集标签的基于余弦度量的相似度达到阈值时,停止模型训练,保存参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310436170.3A CN116150451A (zh) | 2023-04-23 | 2023-04-23 | 一种基于时间序列的个性化菜谱推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310436170.3A CN116150451A (zh) | 2023-04-23 | 2023-04-23 | 一种基于时间序列的个性化菜谱推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116150451A true CN116150451A (zh) | 2023-05-23 |
Family
ID=86354655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310436170.3A Pending CN116150451A (zh) | 2023-04-23 | 2023-04-23 | 一种基于时间序列的个性化菜谱推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116150451A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110619943A (zh) * | 2018-06-19 | 2019-12-27 | 佛山市顺德区美的电热电器制造有限公司 | 一种食谱推荐方法、装置、烹饪电器和计算机存储介质 |
CN113158036A (zh) * | 2021-03-30 | 2021-07-23 | 贵阳鬲哥大数据科技有限公司 | 一种自动化食谱推荐方法、装置、终端及存储介质 |
CN114741588A (zh) * | 2022-03-04 | 2022-07-12 | 添可智能科技有限公司 | 目标电子菜谱的推荐方法、装置、烹饪设备及终端设备 |
CN115439187A (zh) * | 2022-09-02 | 2022-12-06 | 哈尔滨工业大学(威海) | 一种基于用户短期偏好的服务推荐方法 |
US20220399098A1 (en) * | 2020-12-25 | 2022-12-15 | Boe Technology Group Co., Ltd. | Diet recommendation method, device, storage medium and electronic device |
-
2023
- 2023-04-23 CN CN202310436170.3A patent/CN116150451A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110619943A (zh) * | 2018-06-19 | 2019-12-27 | 佛山市顺德区美的电热电器制造有限公司 | 一种食谱推荐方法、装置、烹饪电器和计算机存储介质 |
US20220399098A1 (en) * | 2020-12-25 | 2022-12-15 | Boe Technology Group Co., Ltd. | Diet recommendation method, device, storage medium and electronic device |
CN113158036A (zh) * | 2021-03-30 | 2021-07-23 | 贵阳鬲哥大数据科技有限公司 | 一种自动化食谱推荐方法、装置、终端及存储介质 |
CN114741588A (zh) * | 2022-03-04 | 2022-07-12 | 添可智能科技有限公司 | 目标电子菜谱的推荐方法、装置、烹饪设备及终端设备 |
CN115439187A (zh) * | 2022-09-02 | 2022-12-06 | 哈尔滨工业大学(威海) | 一种基于用户短期偏好的服务推荐方法 |
Non-Patent Citations (1)
Title |
---|
肖会敏;张锟;崔春生;: "基于协同过滤的移动电子商务推荐算法", 系统科学与数学, no. 08, pages 1265 - 1274 * |
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 | |
CN106471491A (zh) | 一种时变的协同过滤推荐方法 | |
US20090259606A1 (en) | Diversified, self-organizing map system and method | |
CN105159910A (zh) | 信息推荐方法和装置 | |
CN101321190A (zh) | 一种异构网络中的推荐方法及推荐系统 | |
CN106168980A (zh) | 多媒体资源推荐排序方法及装置 | |
CN108629671B (zh) | 一种融合用户行为信息的餐馆推荐方法 | |
CN107274242A (zh) | 一种基于关联分析算法的商品推荐方法 | |
CN103559622A (zh) | 基于特征的协同过滤推荐方法 | |
CN108171535B (zh) | 一种基于多特征的个性化餐厅推荐算法 | |
JP5668010B2 (ja) | 情報推薦方法、装置及びプログラム | |
CN109816015B (zh) | 一种基于材料数据的推荐方法及系统 | |
CN116541607B (zh) | 基于商品检索数据分析的智能推荐方法 | |
CN112288554B (zh) | 商品推荐方法和装置、存储介质及电子装置 | |
CN113850649A (zh) | 一种基于多平台用户数据的定制化推荐方法及推荐系统 | |
CN116308685A (zh) | 一种基于方面情感预测和协同过滤的产品推荐方法及系统 | |
CN111159242B (zh) | 一种基于边缘计算的客户端重排序方法及系统 | |
KR101143508B1 (ko) | 개인 맞춤형 다중 추천 학습 방법 | |
CN115438787A (zh) | 行为预测系统的训练方法及装置 | |
Hassan et al. | Performance analysis of neural networks-based multi-criteria recommender systems | |
Melese | Food and restaurant recommendation system using hybrid filtering mechanism | |
CN116150451A (zh) | 一种基于时间序列的个性化菜谱推荐方法 | |
CN108416628B (zh) | 一种融合食物多属性关系的餐厅菜品智能推荐系统 | |
CN115344698A (zh) | 标签处理方法、装置、计算机设备、存储介质和程序产品 | |
CN113496259A (zh) | 一种融入标签信息的图神经网络推荐方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230523 |