CN116187334A - 一种基于mt5模型融合ner实体识别的评论生成方法 - Google Patents

一种基于mt5模型融合ner实体识别的评论生成方法 Download PDF

Info

Publication number
CN116187334A
CN116187334A CN202310422539.5A CN202310422539A CN116187334A CN 116187334 A CN116187334 A CN 116187334A CN 202310422539 A CN202310422539 A CN 202310422539A CN 116187334 A CN116187334 A CN 116187334A
Authority
CN
China
Prior art keywords
layer
ner
sequence
comment
model
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.)
Granted
Application number
CN202310422539.5A
Other languages
English (en)
Other versions
CN116187334B (zh
Inventor
宋耀
魏传强
司君波
李喆
刘鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Qilu Yidian Media Co ltd
Original Assignee
Shandong Qilu Yidian Media Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Qilu Yidian Media Co ltd filed Critical Shandong Qilu Yidian Media Co ltd
Priority to CN202310422539.5A priority Critical patent/CN116187334B/zh
Publication of CN116187334A publication Critical patent/CN116187334A/zh
Application granted granted Critical
Publication of CN116187334B publication Critical patent/CN116187334B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/166—Editing, e.g. inserting or deleting
    • G06F40/169—Annotation, e.g. comment data or footnotes

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Document Processing Apparatus (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Machine Translation (AREA)

Abstract

本发明提供了一种基于mt5模型融合ner实体识别的评论生成方法，属于文本生成技术领域。通过对mt5模型结构进行修改，增加ner实体识别部分，利用输入的实体信息提高评论生成的质量，并且利用sep_token作为分隔符将每个片段生成的评论连接起来，生成完整的评论。本方法针对文章主题进行多条评论的生成，生成的评论具有更高的相关性和连贯性。本方法实现了ner实体识别和评论生成的整合，减少了模型的训练和生成时间，提高了模型的效率。

Description

一种基于mt5模型融合ner实体识别的评论生成方法
技术领域
本发明涉及一种基于mt5模型融合ner实体识别的评论生成方法，属于文本生成技术领域。
背景技术
新闻评论让用户表达自己对文章的观点和态度，通过鼓励用户浏览评论、相互交流，从而扩展新闻的内容和提高新闻客户端的用户参与度。现阶段主要采用传统seq2seq模型进行评论生成，但是评论生成质量一般。当前急需一种高质量的评论生成方法。
发明内容
本发明目的是提供了一种基于mt5模型融合ner实体识别的评论生成方法，实现对输入文本的分隔处理，使每条评论的输入信息更加明确清晰。
本发明为实现上述目的，通过以下技术方案实现：
步骤1：数据预处理，将输入文本的新闻数据进行位置信息标注，得到序列x，同时将多条评论label数据进行实体信息提取标注得到
Figure SMS_1
，然后每条评论数据通过seq_token分隔符拼接，得到训练label数据 Y；
步骤2：把序列
Figure SMS_2
转化为词向量/>
Figure SMS_3
和位置向量/>
Figure SMS_4
，其中，i表示每个字符的绝对位置，/>
Figure SMS_5
、/>
Figure SMS_6
的维度为模型的隐向量维度；将词向量和位置向量相加，得到输入序列/>
Figure SMS_7
；并将输入序列划分为测试集和训练集；
步骤3：构建评论生成模型，所述评论生成模型包括编码和解码两部分，所述编码部分和解码部分均由9个Block组成，其中解码部分最后多了一层Linear；
步骤4：将训练集输入序列输入评论生成模型进行训练，编码后续全连接层的输出和真实数据
Figure SMS_8
计算交叉熵损失得到实体识别部分的交叉熵损失;解码后续的输出通过和真实数据Y计算交熵损失得到生成任务的交叉熵损失，然后两个损失加权求和作为最后的损失函数，通过adam优化器优化，得到评论生成模型；
步骤5：将测试集输入训练好的评论生成模型，得到最终结果。
优选的，所述编码部分整合ner，对输入序列处理过程如下：
训练集输入序列输入编码部分，得到输出隐状态h，再通过一个全连接层将隐状态h映射为NER的概率分布，具体公式如下：
Figure SMS_9
；
式中，
Figure SMS_10
表示每个字符的实体概率分布、/>
Figure SMS_11
表示计算每个实体类别的概率、
Figure SMS_12
表示感知机网络、/>
Figure SMS_13
表示第/>
Figure SMS_14
个包含实体信息的隐状态向量；
将输出隐状态h和ner输出y通过关联模块合并，得到包含ner信息的隐状态向量
Figure SMS_15
，具体公式如下：/>
Figure SMS_16
；
其中，
Figure SMS_17
表示隐状态向量对ner概率分布的得分，/>
Figure SMS_18
表示编码部分的输出隐状态。
优选的，所述隐状态向量对ner概率分布的得分具体公式如下：
Figure SMS_19
；
其中，
Figure SMS_21
，/>
Figure SMS_24
，/>
Figure SMS_26
表示通过全连接层对/>
Figure SMS_22
进行信息提取后的结果、/>
Figure SMS_25
表示通过全连接层对/>
Figure SMS_28
进行信息提取后的结果，/>
Figure SMS_29
表示连接/>
Figure SMS_20
的全连接层的权重，/>
Figure SMS_23
表示连接/>
Figure SMS_27
的全连接层权重。
优选的，所述损失函数为：
Figure SMS_30
；
其中，
Figure SMS_31
为比例系数，/>
Figure SMS_32
表示生成任务的交叉熵损失，/>
Figure SMS_33
表示实体识别部分的交叉熵损失。
优选的，所述
Figure SMS_34
为0.3。
优选的，所述编码部分的每个块由两层组成，第一层的结构依次为自注意力层、层归一化、随机失活，第二层的结构依次传统线性整流函数的全连接层、层归一化、随机失活。
优选的，所述解码部分每个块由三层组成，第一层依次为自注意力层、层归一化和随机失活，第二层依次为线性整流函数的全连接层、层归一化和随机失活，第三层依次为线性整流函数的全连接层、层归一化和随机失活。
本发明的优点在于：本发明利用输入的实体信息提高生成评论的质量并通过特殊的排序方案，对评论进行排序，并通过的分隔符，将每个片段生成的评论连接起来，提高评论的相关性和连贯性。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
图1为本发明结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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。
1、一种基于mt5模型融合ner实体识别的评论生成方法，其特征在于，包括以下步骤：
步骤1：数据预处理，将输入文本的新闻数据进行位置信息标注，得到序列x，同时将多条评论label数据进行实体信息提取标注得到
Figure SMS_35
，然后每条评论数据通过seq_token分隔符拼接，得到训练label数据 Y；
步骤2：把序列
Figure SMS_36
转化为词向量/>
Figure SMS_37
和位置向量/>
Figure SMS_38
，其中，i表示每个字符的绝对位置，/>
Figure SMS_39
、/>
Figure SMS_40
的维度为模型的隐向量维度；将词向量和位置向量相加，得到输入序列/>
Figure SMS_41
；并将输入序列划分为测试集和训练集；
步骤3：构建评论生成模型，所述评论生成模型包括编码和解码两部分，所述编码部分和解码部分均由9个Block组成，其中解码部分最后多了一层Linear；
编码部分的每个块由两层组成，第一层的结构依次为自注意力层、层归一化、随机失活，第二层的结构依次传统线性整流函数的全连接层、层归一化、随机失活。
所述解码部分每个块由三层组成，第一层依次为自注意力层、层归一化和随机失活，第二层依次为线性整流函数的全连接层、层归一化和随机失活，第三层依次为线性整流函数的全连接层、层归一化和随机失活。
所述编码部分整合ner，对输入序列处理过程如下：
训练集输入序列输入编码部分，得到输出隐状态h，再通过一个全连接层将隐状态h映射为NER的概率分布，具体公式如下：
Figure SMS_42
；
式中，
Figure SMS_43
表示每个字符的实体概率分布、/>
Figure SMS_44
表示计算每个实体类别的概率、
Figure SMS_45
表示感知机网络、/>
Figure SMS_46
表示第/>
Figure SMS_47
个包含实体信息的隐状态向量；
将输出隐状态h和ner输出y通过关联模块合并，得到包含ner信息的隐状态向量
Figure SMS_48
，具体公式如下：/>
Figure SMS_49
；
其中，
Figure SMS_50
表示隐状态向量对ner概率分布的得分，/>
Figure SMS_51
表示编码部分的输出隐状态。
所述隐状态向量对ner概率分布的得分具体公式如下：
Figure SMS_52
；
其中，
Figure SMS_54
，/>
Figure SMS_57
，/>
Figure SMS_59
表示通过全连接层对/>
Figure SMS_55
进行信息提取后的结果、/>
Figure SMS_56
表示通过全连接层对/>
Figure SMS_58
进行信息提取后的结果，/>
Figure SMS_60
表示连接/>
Figure SMS_53
的全连接层的权重，/>
Figure SMS_61
表示连接/>
Figure SMS_62
的全连接层权重。
步骤4：将训练集输入序列输入评论生成模型进行训练，编码后续全连接层的输出和真实数据
Figure SMS_63
计算交叉熵损失得到实体识别部分的交叉熵损失;解码后续的输出通过和真实数据Y计算交熵损失得到生成任务的交叉熵损失，然后两个损失加权求和作为最后的损失函数，通过adam优化器优化，得到评论生成模型；所述损失函数为：
Figure SMS_64
；
其中，
Figure SMS_65
为比例系数，所述/>
Figure SMS_66
为0.3，/>
Figure SMS_67
表示生成任务的交叉熵损失，/>
Figure SMS_68
表示实体识别部分的交叉熵损失。
步骤5：将测试集输入训练好的评论生成模型，得到最终结果。
实施例2
利用本发明，从互联网网站获取的新闻，如下
芦笋是一种营养价值比较高的蔬菜，它里面含有人体所需的氨基酸，还有很多微量元素。现在的芦笋一年四季都能吃上，但春天的芦笋才是最好吃的，这个季节的芦笋水分很足，又鲜又嫩，还带有微微的甜味。
洛阳牡丹是中国传统名花之一，其珍品“银丝贯顶”更是它们中的佼佼者。每年五月，当这些花盛开时，成千上万的游客会来自世界各地前来观看。而这些“银丝贯顶”珍品，更是如同明珠一般，在花丛中熠熠生辉。不过，在这里，保护这些珍贵的花朵同样也非常重要。
表1评论生成结果对比表
Figure SMS_69
。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于mt5模型融合ner实体识别的评论生成方法，其特征在于，包括以下步骤：
步骤1：数据预处理，将输入文本的新闻数据进行位置信息标注，得到序列x，同时将多条评论label数据进行实体信息提取标注得到
Figure QLYQS_1
，然后每条评论数据通过seq_token分隔符拼接，得到训练label数据 Y；
步骤2：把序列
Figure QLYQS_2
转化为词向量/>
Figure QLYQS_3
和位置向量/>
Figure QLYQS_4
，其中，i表示每个字符的绝对位置，/>
Figure QLYQS_5
、/>
Figure QLYQS_6
的维度为模型的隐向量维度；将词向量和位置向量相加，得到输入序列/>
Figure QLYQS_7
；并将输入序列划分为测试集和训练集；
步骤3：构建评论生成模型，所述评论生成模型包括编码和解码两部分，所述编码部分和解码部分均由9个Block组成，其中解码部分最后多了一层Linear；
步骤4：将训练集输入序列输入评论生成模型进行训练，编码后续全连接层的输出和真实数据
Figure QLYQS_8
计算交叉熵损失得到实体识别部分的交叉熵损失;解码后续的输出通过和真实数据Y计算交熵损失得到生成任务的交叉熵损失，然后两个损失加权求和作为最后的损失函数，通过adam优化器优化，得到评论生成模型；
步骤5：将测试集输入训练好的评论生成模型，得到最终结果。
2.根据权利要求1所述的基于mt5模型融合ner实体识别的评论生成方法，其特征在于，所述编码部分整合ner，对输入序列处理过程如下：
训练集输入序列输入编码部分，得到输出隐状态h，再通过一个全连接层将隐状态h映射为NER的概率分布，具体公式如下：
Figure QLYQS_9
；
式中，
Figure QLYQS_10
表示每个字符的实体概率分布、/>
Figure QLYQS_11
表示计算每个实体类别的概率、
Figure QLYQS_12
表示感知机网络、/>
Figure QLYQS_13
表示第/>
Figure QLYQS_14
个包含实体信息的隐状态向量；
将输出隐状态h和ner输出y通过关联模块合并，得到包含ner信息的隐状态向量
Figure QLYQS_15
，具体公式如下：/>
Figure QLYQS_16
；
其中，
Figure QLYQS_17
表示隐状态向量对ner概率分布的得分，/>
Figure QLYQS_18
表示编码部分的输出隐状态。
3.根据权利要求2所述的基于mt5模型融合ner实体识别的评论生成方法，其特征在于，所述隐状态向量对ner概率分布的得分具体公式如下：
Figure QLYQS_19
；
其中，
Figure QLYQS_21
，/>
Figure QLYQS_25
，/>
Figure QLYQS_28
表示通过全连接层对/>
Figure QLYQS_22
进行信息提取后的结果、/>
Figure QLYQS_24
表示通过全连接层对/>
Figure QLYQS_27
进行信息提取后的结果，/>
Figure QLYQS_29
表示连接/>
Figure QLYQS_20
的全连接层的权重，/>
Figure QLYQS_23
表示连接/>
Figure QLYQS_26
的全连接层权重。
4.根据权利要求3所述的基于mt5模型融合ner实体识别的评论生成方法，其特征在于，所述损失函数为：
Figure QLYQS_30
；/>
其中，
Figure QLYQS_31
为比例系数，/>
Figure QLYQS_32
表示生成任务的交叉熵损失，/>
Figure QLYQS_33
表示实体识别部分的交叉熵损失。
5.根据权利要求4所述的基于mt5模型融合ner实体识别的评论生成方法，其特征在于，所述
Figure QLYQS_34
为0.3。
6.根据权利要求1所述的基于mt5模型融合ner实体识别的评论生成方法，其特征在于，所述编码部分的每个块由两层组成，第一层的结构依次为自注意力层、层归一化、随机失活，第二层的结构依次传统线性整流函数的全连接层、层归一化、随机失活。
7.根据权利要求1所述的基于mt5模型融合ner实体识别的评论生成方法，其特征在于，所述解码部分每个块由三层组成，第一层依次为自注意力层、层归一化和随机失活，第二层依次为线性整流函数的全连接层、层归一化和随机失活，第三层依次为线性整流函数的全连接层、层归一化和随机失活。
CN202310422539.5A 2023-04-20 2023-04-20 一种基于mt5模型融合ner实体识别的评论生成方法 Active CN116187334B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310422539.5A CN116187334B (zh) 2023-04-20 2023-04-20 一种基于mt5模型融合ner实体识别的评论生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310422539.5A CN116187334B (zh) 2023-04-20 2023-04-20 一种基于mt5模型融合ner实体识别的评论生成方法

Publications (2)

Publication Number Publication Date
CN116187334A true CN116187334A (zh) 2023-05-30
CN116187334B CN116187334B (zh) 2023-07-25

Family

ID=86449117

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310422539.5A Active CN116187334B (zh) 2023-04-20 2023-04-20 一种基于mt5模型融合ner实体识别的评论生成方法

Country Status (1)

Country Link
CN (1) CN116187334B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117151084A (zh) * 2023-10-31 2023-12-01 山东齐鲁壹点传媒有限公司 一种中文拼写、语法纠错方法、存储介质及设备

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200090033A1 (en) * 2018-09-18 2020-03-19 Salesforce.Com, Inc. Systems and Methods for Named Entity Recognition
CN111325571A (zh) * 2019-12-30 2020-06-23 北京航空航天大学 一种多任务学习的商品评论标签自动生成方法、装置及系统
CN111738006A (zh) * 2020-06-22 2020-10-02 苏州大学 基于商品评论命名实体识别的问题生成方法
WO2021184311A1 (zh) * 2020-03-19 2021-09-23 中山大学 一种自动生成可推理问答的方法和装置
CN114218936A (zh) * 2021-09-29 2022-03-22 广东南方新媒体科技有限公司 一种媒体领域的优质评论自动生成算法
CN114492407A (zh) * 2022-01-26 2022-05-13 中国科学技术大学 一种新闻评论生成方法、系统、设备及存储介质
CN114881035A (zh) * 2022-05-13 2022-08-09 平安科技（深圳）有限公司 训练数据的增广方法、装置、设备和存储介质
CN115774772A (zh) * 2021-09-09 2023-03-10 中移物联网有限公司 一种敏感信息识别方法、装置及网络设备
CN115935991A (zh) * 2022-11-04 2023-04-07 招联消费金融有限公司 多任务模型生成方法、装置、计算机设备和存储介质
CN115935975A (zh) * 2022-05-20 2023-04-07 厦门大学 一种情感可控的新闻评论生成方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200090033A1 (en) * 2018-09-18 2020-03-19 Salesforce.Com, Inc. Systems and Methods for Named Entity Recognition
CN111325571A (zh) * 2019-12-30 2020-06-23 北京航空航天大学 一种多任务学习的商品评论标签自动生成方法、装置及系统
WO2021184311A1 (zh) * 2020-03-19 2021-09-23 中山大学 一种自动生成可推理问答的方法和装置
CN111738006A (zh) * 2020-06-22 2020-10-02 苏州大学 基于商品评论命名实体识别的问题生成方法
CN115774772A (zh) * 2021-09-09 2023-03-10 中移物联网有限公司 一种敏感信息识别方法、装置及网络设备
CN114218936A (zh) * 2021-09-29 2022-03-22 广东南方新媒体科技有限公司 一种媒体领域的优质评论自动生成算法
CN114492407A (zh) * 2022-01-26 2022-05-13 中国科学技术大学 一种新闻评论生成方法、系统、设备及存储介质
CN114881035A (zh) * 2022-05-13 2022-08-09 平安科技（深圳）有限公司 训练数据的增广方法、装置、设备和存储介质
CN115935975A (zh) * 2022-05-20 2023-04-07 厦门大学 一种情感可控的新闻评论生成方法
CN115935991A (zh) * 2022-11-04 2023-04-07 招联消费金融有限公司 多任务模型生成方法、装置、计算机设备和存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
YIN-CHUN FUNG等: "An Automatic Question Generator for Chinese Comprehension", 《MDPI》 *
林泓宇: "文本摘要生成中的事实性问题研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, vol. 2023, no. 1 *
王彦莹等: "基于文本生成技术的历史古籍事件识别模型构建研究", 《图书情报工作》, vol. 67, no. 3 *
王茹皓;朱静;杨晋昌;黄颖杰;: "融合门控注意力机制的基于生成对抗网络模型的新闻评论自动生成方法研究", 科教文汇(中旬刊), no. 10 *
苏放;王晓宇;张治;: "基于注意力机制的评论摘要生成", 北京邮电大学学报, no. 03 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117151084A (zh) * 2023-10-31 2023-12-01 山东齐鲁壹点传媒有限公司 一种中文拼写、语法纠错方法、存储介质及设备
CN117151084B (zh) * 2023-10-31 2024-02-23 山东齐鲁壹点传媒有限公司 一种中文拼写、语法纠错方法、存储介质及设备

Also Published As

Publication number Publication date
CN116187334B (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
CN105589844B (zh) 一种用于多轮问答系统中缺失语义补充的方法
CN116187334B (zh) 一种基于mt5模型融合ner实体识别的评论生成方法
CN106777185B (zh) 一种基于深度学习的跨媒体中草药植物图像搜索方法
CN109255027B (zh) 一种电商评论情感分析降噪的方法和装置
Yin et al. Obj2text: Generating visually descriptive language from object layouts
CN109992764A (zh) 一种文案生成方法及装置
CN109492101A (zh) 基于标签信息与文本特征的文本分类方法、系统及介质
CN107766371A (zh) 一种文本信息分类方法及其装置
CN110222163A (zh) 一种融合cnn与双向lstm的智能问答方法及系统
CN112905739B (zh) 虚假评论检测模型训练方法、检测方法及电子设备
CN106354872A (zh) 文本聚类的方法及系统
CN110096587A (zh) 基于注意力机制的lstm-cnn词嵌入的细粒度情感分类模型
CN107145573A (zh) 人工智能客服机器人的问题解答方法及系统
CN107491439A (zh) 一种基于贝叶斯统计学习的医学古汉语句子切分方法
CN108256968A (zh) 一种电商平台商品专家评论生成方法
CN110728144B (zh) 一种基于上下文语义感知的抽取式文档自动摘要方法
CN108021908A (zh) 人脸年龄段识别方法及装置、计算机装置及可读存储介质
CN116205222A (zh) 一种基于多通道注意力融合的方面级情感分析系统及方法
CN108345633A (zh) 一种自然语言处理方法及装置
CN106776740A (zh) 一种基于卷积神经网络的社交网络文本聚类方法
CN114942998B (zh) 融合多源数据的知识图谱邻域结构稀疏的实体对齐方法
CN114004220A (zh) 一种基于cpc-ann的文本情绪原因识别方法
CN116737922A (zh) 一种游客在线评论细粒度情感分析方法和系统
CN105701230B (zh) 一种基于图像内容的用户兴趣细分方法及系统
CN113034237A (zh) 服饰套装推荐系统与方法

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
GR01 Patent grant
GR01 Patent grant