CN118134585A - 产品推荐方法及系统 - Google Patents
产品推荐方法及系统 Download PDFInfo
- Publication number
- CN118134585A CN118134585A CN202311662853.7A CN202311662853A CN118134585A CN 118134585 A CN118134585 A CN 118134585A CN 202311662853 A CN202311662853 A CN 202311662853A CN 118134585 A CN118134585 A CN 118134585A
- Authority
- CN
- China
- Prior art keywords
- user
- data
- product
- products
- determining
- 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 34
- 238000012545 processing Methods 0.000 claims description 9
- 240000004922 Vigna radiata Species 0.000 description 10
- 235000010721 Vigna radiata var radiata Nutrition 0.000 description 10
- 235000011469 Vigna radiata var sublobata Nutrition 0.000 description 10
- 238000007726 management method Methods 0.000 description 10
- 240000007594 Oryza sativa Species 0.000 description 8
- 235000007164 Oryza sativa Nutrition 0.000 description 8
- 244000061456 Solanum tuberosum Species 0.000 description 8
- 235000002595 Solanum tuberosum Nutrition 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 235000009566 rice Nutrition 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000007418 data mining Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000005065 mining Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 240000005979 Hordeum vulgare Species 0.000 description 3
- 235000007340 Hordeum vulgare Nutrition 0.000 description 3
- 240000001417 Vigna umbellata Species 0.000 description 3
- 235000011453 Vigna umbellata Nutrition 0.000 description 3
- 244000273928 Zingiber officinale Species 0.000 description 3
- 235000006886 Zingiber officinale Nutrition 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 235000008397 ginger Nutrition 0.000 description 3
- 240000002234 Allium sativum Species 0.000 description 2
- 240000006927 Foeniculum vulgare Species 0.000 description 2
- 235000004204 Foeniculum vulgare Nutrition 0.000 description 2
- 240000007232 Illicium verum Species 0.000 description 2
- 235000008227 Illicium verum Nutrition 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 235000004611 garlic Nutrition 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 244000176051 Apios tuberosa Species 0.000 description 1
- 235000003276 Apios tuberosa Nutrition 0.000 description 1
- 240000006394 Sorghum bicolor Species 0.000 description 1
- 235000011684 Sorghum saccharatum Nutrition 0.000 description 1
- 235000010716 Vigna mungo Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 235000015278 beef Nutrition 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种产品推荐方法，包括：获取用户的用户数据；获取候选产品的产品数据；基于所述用户数据、候选产品的产品数据，通过预设方法，确定所述用户的购买倾向和推荐产品；向所述用户推送所述推荐产品，以及向管理端反馈所述用户的购买倾向。
Description
技术领域
本发明涉及产品推荐技术领域，具体涉及一种产品推荐方法及系统。
背景技术
平台建设前期需要对用户的基本信息和浏览记录等大量数据进行数据挖掘和分析，对各个用户的爱好、浏览倾向进行综合调查研究与评估；建设期间，可能需要大量的有关特产的数据，而大多的数据需要相关人员才能利用特定领域的数据，导致数据的可利用性较低，不仅如此，很多数据可能涉及商业机密，若是强行爬取可能涉及侵权等问题，所以数据的可获取性较低；而平台建设完成，还需要时刻更新用户浏览和购买倾向的改变，帮助用户能随时看到自己想要了解和购买的商品，同时提高用户的预购买力和平台的特产服务的综合能力和信息。由于数据的可获取性和可利用性较低，而现有技术水平逐渐无法满足用户的购买力和购买欲望。
因此，需要一种产品推荐方法及系统，实现采用基于关联规则算法的新型技术，来进行对用户潜在的购买力和购买倾向进行预测和挖掘，提供属于用户的个性化推荐和服务，更好的满足用户对特产的了解欲望和购买欲望。
发明内容
本发明的目的在于提供一种产品推荐方法及系统。以解决背景技术中存在的技术问题。
为了实现上述目的，本发明采用以下技术方案：
一种产品推荐方法，包括：
获取用户的用户数据；
获取候选产品的产品数据；
基于所述用户数据、候选产品的产品数据，通过预设方法，确定所述用户的购买倾向和推荐产品；
向所述用户推送所述推荐产品，以及向管理端反馈所述用户的购买倾向。
在一些实施例中，所述用户数据包括用户的历史浏览数据、历史购买数据中的至少一种。
在一些实施例中，所述产品数据包括候选产品的文化历史数据。
在一些实施例中，基于所述用户数据、候选产品的产品数据，通过预设方法，确定所述用户的购买倾向和推荐产品包括：
基于所述用户数据，在预设频繁项数据库中进行比对，确定备选产品及其置信度；
基于备选产品，从候选产品中确定置信度满足预设条件的作为推荐产品并基于所述推荐产品确定所述用户的购买倾向。
同时，本发明还公开了一种产品推荐系统，包括：
第一获取模块，用于获取用户的用户数据；
第二获取模块，用于获取候选产品的产品数据；
处理模块，用于基于所述用户数据、候选产品的产品数据，通过预设方法，确定所述用户的购买倾向和推荐产品；
推荐模块，用于向所述用户推送所述推荐推荐产品，以及向管理端反馈所述用户的购买倾向。
同时，本发明还公开了一种产品推荐装置，所述装置包括处理器以及存储器；所述存储器用于存储指令，所述指令被所述处理器执行时，导致所述装置实现上述任一项所述产品推荐方法。
同时，本发明还公开了一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机运行上述任一项所述产品推荐方法。
有益效果
本发明与现有技术相比，其显著优点是：
本发明的方案可以实现准确的向用户推荐其意向产品，提升推荐准确度，采用基于关联规则算法的新型技术，来进行对用户潜在的购买力和购买倾向进行预测和挖掘，提供属于用户的个性化推荐和服务，更好的满足用户对特产的了解欲望和购买欲望。
附图说明
图1是本实施例涉及产品推荐系统示意图；
图2是本实施例涉及的产品推荐方法的流程示意图；
图3为本发明实施例的平台技术流程呈现示意图；
图4为本发明实施例的系统架构示意图；
图5为本发明实施例的推荐模型的示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
相反，本申请涵盖任何由权利要求定义在本申请的精髓和范围上做的替代、修改、等效系统以及方案。进一步，为了使公众对本申请有更好的了解，在下文对本申请的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本申请。
以下将结合图1-5对本申请实施例所涉及的一种产品推荐方法及系统进行详细说明。值得注意的是，以下实施例仅仅用于解释本申请，并不构成对本申请的限定。
实施例1
如图1所示为本实施例的产品推荐系统100的示意图，如图1所示，产品推荐系统100包括：
第一获取模块110，用于获取用户的用户数据。在一些实施例中，所述用户数据包括用户的历史浏览数据、历史购买数据中的至少一种。
第二获取模块120，用于获取候选产品的产品数据。在一些实施例中，所述产品数据包括候选产品的文化历史数据。
处理模块130，用于基于所述用户数据、候选产品的产品数据，通过预设方法，确定所述用户的购买倾向和推荐产品。
在一些实施例中，处理模块130进一步用于：
基于所述用户数据，在预设频繁项数据库中进行比对，确定备选产品及其置信度；
基于备选产品，从候选产品中确定置信度满足预设条件的作为推荐产品并基于所述推荐产品确定所述用户的购买倾向。
在一些实施例中，频繁项数据库可以基于关联算法确定。
在一些实施例中，关联算法是数据挖掘中的一类重要算法，Apriori算法将发现关联规则的过程分为两个步骤：第一步通过迭代，检索出事务数据库1中的所有频繁项集，即支持度不低于用户设定的阈值的项集；第二步利用频繁项集构造出满足用户最小信任度的规则。其中，挖掘或识别出所有频繁项集是该算法的核心，占整个计算量的大部分。利用关联规则算法，平台通过对用户的购买量和浏览次数等数据进行分析，找出用户的购买倾向和偏好，从而对用户进行个性化的推荐和服务。
关于关联算法的具体说明如下：数据的关联分析采用的是Apriori算法，这种关联规则是两阶段频集逐步规约的关联挖掘算法，通过特定的最小支持度与置信度寻找最大的关联数据频繁集，将上位机中的信号采用SQL技术加载到数据挖掘平台中，进行关联规则的挖掘。
关于其他确定推荐商品的方法说明参见图5的相应内容。
推荐模块140，用于向所述用户推送所述推荐推荐产品，以及向管理端反馈所述用户的购买倾向。
需要注意的是，以上对于产品推荐系统及其模块的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。在一些实施例中，图1中披露的第一获取模块110、第二获取模块120、处理模块130、推荐模块140可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。例如，各个模块可以共用一个存储模块，各个模块也可以分别具有各自的存储模块。诸如此类的变形，均在本说明书的保护范围之内。
如图2所示为本实施例的产品推荐方法的流程200的示意图。在一些实施例中，流程200可以产品推荐系统100执行。如图2所示，流程200包括：
步骤210，获取用户的用户数据。
在一些实施例中，所述用户数据包括用户的历史浏览数据、历史购买数据中的至少一种。
步骤220，获取候选产品的产品数据。在一些实施例中，所述产品数据包括候选产品的文化历史数据。
步骤230，基于所述用户数据、候选产品的产品数据，通过预设方法，确定所述用户的购买倾向和推荐产品。
在一些实施例中，步骤230进一步包括：
基于所述用户数据，在预设频繁项数据库中进行比对，确定备选产品及其置信度；
基于备选产品，从候选产品中确定置信度满足预设条件的作为推荐产品并基于所述推荐产品确定所述用户的购买倾向。
在一些实施例中，频繁项数据库可以基于关联规则算法确定。在一些实施例中，频繁项数据库中可以包括各类关联商品的种类和支持度信息，如下表1为关联商品及其对应的支持度对照表：
表1：
| 商品种类 | 支持度 |
| 绿豆、大麦、土豆、稻谷 | 0.7 |
| 绿豆，大麦，土豆 | 095 |
| 红豆，土豆，土豆，稻谷 | 035 |
| 绿豆，红豆，土豆 | 035 |
| 绿豆水稻 | 065 |
| 高粱、土豆、稻谷 | 065 |
| 绿豆水稻 | 045 |
| 绿豆、大麦、土豆、稻谷 | 035 |
| 绿豆、土豆、稻谷 | 04 |
关于其他确定推荐商品的方法说明参见图5的相应内容。
步骤240，向所述用户推送所述推荐产品，以及向管理端反馈所述用户的购买倾向。
在一些实施例中，推荐商品可以以推荐商品对照表的形式存在，其中，推荐商品对照表中可以包括各类推荐商品及其对应的置信度：如表2所示为一些实施例中确定的推荐商品及其置信度。
表2：
| 推荐商品 | 置信度 |
| 绿豆 | 0.7 |
| 土豆 | 0.7 |
| 稻谷 | 0.7 |
| 稻谷、绿豆 | 0.5 |
| 土豆、绿豆 | 0.5 |
图3为本发明实施例的平台技术流程呈现示意图；图4为本发明实施例的系统架构示意图。
如图4所示，在一些实施例中系统100的架构可以包括应用层、saas层、paas层、iaas层，其中，应用层主要可以实现特产商品的推荐、地方特产的介绍以及提供特产商品信息化综合平台。saas层则可以获取及保存各类信息，如商品出处、特产历史背景、用户浏览记录、特产所处地区等信息以及进行个性化推荐。paas层则可以提供各类工具及计算服务以及数据库服务，iaas层可以用于实现各类资源的管理，如存储资源管理、网络资源管理、计算资源管理等。
在一些实施例中，为了实现系统架构的生成，需要执行下述操作：
S1、如数据收集和处理
包括由特产服务平台需要收集用户的相关数据，如用户的浏览量，最近购买量等，除此之外还要收集特产的文化、历史等数据，通过采集和处理这些数据，可以构建用户行为和特产偏好的数据模型。
S2、用户界面设计
为了使用户能够方便地使用平台，特产服务平台需要设计用户实用界面，包括用户注册、登录、个人信息管理和特产推荐等功能。
S3、数据可视化
通过将数据可视化为图表、地图或其他形式，可以帮助用户更好地理解和利用商品推荐信息。数据可视化技术可以使平台更直观地了解用户的购买量和购买倾向，从而做出更好的服务。
完成上述架构设计后，系统即可以实现相应的推荐功能，例如，首先平台会通过各种方式收集数据，将收集到的数据进行数据预处理和数据加密，再将处理好的数据通过平台基于关联规则的数据智慧模型，分别向管理端和用户端返回用户购买的购买倾向和基于购买倾向的相关商品，以实现个性化服务等。
在一些实施例中，经过对获取到的数据进行分析可知，如果在影响用户购买的因素中存在一个交易集D，本发明的推荐系统可以实现在某可信度与支持度的约束下寻找影响用户购买中各因素的关联性，比如浏览量与销售某区间之间的关系，为此关系设定一个推荐等级。用户的购买与某项因素之间存在很强的相关性，可能是浏览量，也可能是销售量、访问量。基于因素可以记为：X1X2…XM等，X1，X2…XM与Y都属于知识数据库D。规则(X1，X2，…XM—>Y)表示由以上的征兆推断出性能参数变化的规则。
在一些实施例中，关联规则分为单维与多维的数据挖掘规则两种，本文发明的关联诊断规则是基于多维的关联规则比如：价格在区间[10，17]，购买量在区间[1,2]级,支持度为35％，以下是一些关联挖掘中参数变化表的编号示例：
| 参数 | 区间 | 推荐等级 |
| 价格 | [10,17] | 高 |
| 购买量 | [1,2] | 中 |
| 浏览量 | [1000,2000] | 高 |
| 个人访问量 | [10,20] | 高 |
仅作为示例的，为了更好的统计，我们将订单中有两种及以上的商品的订单作为指标，采用部分顾客的采购种类作为数据集，以便于预测顾客在购买一种商品后对其他商品的需求量。
其中，各商品支持度对照表如下表所示：
基于关联规则确定的关联商品的支持度对照表如下表所示：
基于上例可知，使用关联规则Apriori算法对农产品电商平台推荐算法进行了优化设计，在相似度关联计算的基础上建立了用户关系分布式模型，并结合关联规则Apriori算法设计了农产品的推荐方法。在实践中，为了更好地向顾客售卖商品，经过改进后的数据得出，购买八角的顾客很大的趋向会购买茴香和姜，购买大蒜的顾客很大趋向会购买姜，所以建议将八角、茴香、姜、大蒜这些商品放在一起进行推荐和销售，如果部分顾客符合条件，也可以将牛肉进行推荐销售。
如图5所示，在一些实施例中，推荐模型520可以基于对用户数据510-1、产品数据510-2的处理，输出推荐产品550，推荐产品550可以包括置信度，其中，可以将置信度最高的前几个作为最终向客户推荐的商品。
在一些实施例中，推荐模型可以基于大量的第一训练数据540(包括带有第一标签的第一训练样本)对初始推荐模型550进行训练得到。第一训练样本可以是样本用户的用户数据和样本产品的产品数据，第一标签为样本用户对样本产品的打分，例如，样本用户认为该样本步道越符合其喜好，则打分越高，标签可以基于人工收集后进行标注。
在一些实施例中，初始推荐模型550可以通过训练获得推荐模型520。如，将第一训练样本输入初始推荐模型，得到初始推荐模型输出的评估值。训练过程中，可以基于标签和初始推荐模型的输出结果，构建损失函数并对初始推荐模型的参数进行更新，直至预设条件被满足，训练完成。其中，预设条件可以包括损失函数小于阈值、收敛，或者训练周期达到阈值等中的一种或多种。
同时，本发明还公开了一种产品推荐装置，所述装置包括处理器以及存储器；所述存储器用于存储指令，所述指令被所述处理器执行时，导致所述装置实现上述任一项所述产品推荐系统。
同时，本发明还公开了一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机运行上述任一项所述产品推荐系统。
综上可知，本发明的方案可以实现准确的向用户推荐其意向产品，提升推荐准确度，采用基于关联规则算法的新型技术，来进行对用户潜在的购买力和购买倾向的预测和挖掘，提供属于用户的个性化推荐和服务，更好的满足用户对特产的了解欲望和购买欲望。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种产品推荐方法，其特征在于，包括：
获取用户的用户数据；
获取候选产品的产品数据；
基于所述用户数据、候选产品的产品数据，通过预设方法，确定所述用户的购买倾向和推荐产品；
向所述用户推送所述推荐产品，以及向管理端反馈所述用户的购买倾向。
2.根据权利要求1所述的方法，其特征在于，所述用户数据包括用户的历史浏览数据、历史购买数据中的至少一种。
3.根据权利要求1所述的方法，其特征在于，所述产品数据包括候选产品的文化历史数据。
4.根据权利要求1所述的方法，其特征在于，基于所述用户数据、候选产品的产品数据，通过预设方法，确定所述用户的购买倾向和推荐产品包括：
基于所述用户数据，在预设频繁项数据库中进行比对，确定备选产品及其置信度；
基于备选产品，从候选产品中确定置信度满足预设条件的作为推荐产品并基于所述推荐产品确定所述用户的购买倾向。
5.一种产品推荐系统，其特征在于，包括：
第一获取模块，用于获取用户的用户数据；
第二获取模块，用于获取候选产品的产品数据；
处理模块，用于基于所述用户数据、候选产品的产品数据，通过预设方法，确定所述用户的购买倾向和推荐产品；
推荐模块，用于向所述用户推送所述推荐产品，以及向管理端反馈所述用户的购买倾向。
6.根据权利要求5所述的系统，其特征在于，所述用户数据包括用户的历史浏览数据、历史购买数据中的至少一种。
7.根据权利要求5所述的系统，其特征在于，所述产品数据包括候选产品的文化历史数据。
8.根据权利要求5所述的系统，其特征在于，所述处理模块进一步用于：
基于所述用户数据，在预设频繁项数据库中进行比对，确定备选产品及其置信度；
基于备选产品，从候选产品中确定置信度满足预设条件的作为推荐产品并基于所述推荐产品确定所述用户的购买倾向。
9.一种产品推荐装置，其特征在于，所述装置包括至少一个存储器和至少一个处理器，所述至少一个存储器用于存储计算机指令，所述至少一个处理器执行所述计算机指令或部分指令，以实现权利要求1-4中任意一项所述的产品推荐方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储计算机指令，当计算机读取所述计算机指令时，所述计算机执行权利要求1-4中任意一项所述的产品推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311662853.7A CN118134585A (zh) | 2023-12-06 | 2023-12-06 | 产品推荐方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311662853.7A CN118134585A (zh) | 2023-12-06 | 2023-12-06 | 产品推荐方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118134585A true CN118134585A (zh) | 2024-06-04 |
Family
ID=91236673
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311662853.7A Pending CN118134585A (zh) | 2023-12-06 | 2023-12-06 | 产品推荐方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118134585A (zh) |
-
2023
- 2023-12-06 CN CN202311662853.7A patent/CN118134585A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11373106B2 (en) | System and method for detecting friction in websites | |
| CN100594496C (zh) | 信息处理装置和方法 | |
| Shi et al. | Employing rough sets and association rule mining in KANSEI knowledge extraction | |
| US7908159B1 (en) | Method, data structure, and systems for customer segmentation models | |
| US20140101201A1 (en) | Distributed data warehouse | |
| CN111062750A (zh) | 用户画像标签建模和分析方法、装置、设备及存储介质 | |
| CN111310032B (zh) | 资源推荐方法、装置、计算机设备及可读存储介质 | |
| CN110880136A (zh) | 配套产品的推荐方法、系统、设备和存储介质 | |
| Paidi | Data mining: Future trends and applications | |
| CN104778237A (zh) | 一种基于关键用户的个性化推荐方法和系统 | |
| CN111966886A (zh) | 对象推荐方法、对象推荐装置、电子设备及存储介质 | |
| Hemalatha | Market basket analysis–a data mining application in Indian retailing | |
| CN113077317A (zh) | 基于用户数据的物品推荐方法、装置、设备及存储介质 | |
| US20230093756A1 (en) | Systems and methods for generating recommendations | |
| CN113032668A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
| Satish et al. | Study and Evaluation of user’s behavior in e-commerce Using Data Mining | |
| KR101026544B1 (ko) | 인공지능에 기반한 랭킹 분석 방법, 이를 기록한 기록 매체, 그 장치 | |
| Alawadh et al. | A survey on methods and applications of intelligent market basket analysis based on association rule. | |
| US20150142782A1 (en) | Method for associating metadata with images | |
| US20090012919A1 (en) | Explaining changes in measures thru data mining | |
| CN117076770A (zh) | 基于图计算的数据推荐方法、装置、存储价值及电子设备 | |
| CN116402569A (zh) | 基于知识图谱的商品推荐方法、装置、系统及存储介质 | |
| CN118134585A (zh) | 产品推荐方法及系统 | |
| Zeng et al. | Location-aware real-time recommender systems for brick-and-mortar retailers | |
| Tu et al. | Analysing reader behaviours in self-service library stations using a bibliomining approach |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination |