JP2020035409A - 特性推定装置、特性推定方法、及び特性推定プログラム等 - Google Patents
特性推定装置、特性推定方法、及び特性推定プログラム等 Download PDFInfo
- Publication number
- JP2020035409A JP2020035409A JP2018173297A JP2018173297A JP2020035409A JP 2020035409 A JP2020035409 A JP 2020035409A JP 2018173297 A JP2018173297 A JP 2018173297A JP 2018173297 A JP2018173297 A JP 2018173297A JP 2020035409 A JP2020035409 A JP 2020035409A
- Authority
- JP
- Japan
- Prior art keywords
- user
- characteristic
- history
- questionnaire
- behavior
- 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
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
はじめに、図1を参照して、本発明に係る特性推定装置の基本動作について説明する。図1は、特性推定装置の基本動作を示す概念図であり、図2は、特性推定装置の基本動作の概念図である。
次に、図3を参照して、本発明が適用される通信システムSの概要構成について説明する。図3は、通信システムSの概要構成の一例を示す図である。
アンケート管理サーバ1は、対象ユーザに対して実施されたアンケートの結果を管理するサーバである。例えば、アンケート管理サーバ1は、アンケートに係る質問情報を複数の対象ユーザのそれぞれのユーザ端末UTm(m=1,2,3・・・)へインターネット等の通信ネットワークNWを介して送信し、アンケートに係る回答情報をそれぞれのユーザ端末UTmから受信し、それぞれの回答情報が示す回答をアンケート結果として、それぞれの対象ユーザのユーザIDに対応付けてアンケートデータベース(DB)101に格納する。なお、ユーザ端末UTmには、対象ユーザに使用されるものと、推定ユーザに使用されるものとがある。ユーザ端末UTmの例として、パーソナルコンピュータ、スマートフォン、タブレット、及びゲーム機等が挙げられる。
行動履歴管理サーバ2は、オンラインまたはオフラインでユーザにより行われた行動の履歴(行動履歴)を管理するサーバである。例えば、行動履歴管理サーバ2は、ユーザ端末UTmや処理端末STn(n=1,2,3・・・)から通信ネットワークNWを介してアクセス可能なサーバSAo(o=1,2,3・・・)から、それぞれのユーザ(対象ユーザ及び推定ユーザ)の行動履歴を収集し、それぞれの行動履歴をそれぞれのユーザのユーザIDに対応付けて行動履歴データベース201に格納する。なお、処理端末STnの例として、例えば店舗に設置され、ユーザが所持する決済用カード(例えば、電子マネー決済やクレジット決済等が可能なICカード等)またはユーザ端末UTm(例えば、電子マネー決済やクレジット決済等が可能な決済用アプリケーションが搭載されたスマートフォン等)と通信可能な決済処理端末が挙げられる。また、処理端末STnの例として、商品等の展示会やイベント等の会場に設置された入場処理端末が挙げられる。
緯度及び経度)を取得して実行動追跡サーバに送信するアプリケーションを搭載する場合、取得した位置情報を例えば所定時間間隔で実行動追跡サーバへ送信する。そして、実行動追跡サーバは、ユーザ端末UTmから受信した位置情報及び受信日時と、予め用意されたリストに記述される展示会やイベント等の会場の位置情報及び実施日時とを照合することで、ユーザが実際に当該会場に行ったと判定した場合、その会場への入場日時、及び展示対象の商品の情報等を含む入場履歴を記憶する。
特性推定サーバ3は、単独で、またはアンケート管理サーバ1と共に、本発明に係る特性推定装置として機能するサーバである。図4(A)は、特性推定サーバ3のハードウェア構成例を示す図であり、図4(B)は、特性推定サーバ3のシステム制御部33の機能ブロック例を示す図である。なお、図示しないが、特性推定サーバ3にはオペレータの端末が接続可能になっている。
Memory)33c等を備え、OS上で特性推定プログラム等を実行する。システム制御部
33は、特性推定プログラムを実行することにより、図4(B)に示すように、対象ユーザ分類部331、教師ユーザ特定部332、モデル生成部333、特性推定部334、モデル更新部335、及び分類基準変更部336等として機能する。なお、対象ユーザ分類部331は、本発明における分類手段の一例である。教師ユーザ特定部332は、本発明における判断手段の一例である。モデル生成部333は、本発明における生成手段の一例である。特性推定部334は、本発明における推定手段の一例である。モデル更新部335は、本発明における更新手段の一例である。分類基準変更部336は、本発明における変更手段の一例である。
先ず、対象ユーザ分類部331は、アカウントが発行された全ユーザの中から決定された複数の対象ユーザ(つまり、全ユーザの中の一部のユーザ)のそれぞれに対するアンケートの結果をアンケート管理サーバ1のアンケートデータベース101から取得し、複数の対象ユーザのそれぞれの回答に基づいて、当該複数の対象ユーザを予め設定された複数の特性のうちのいずれかの特性に分類する。このような分類方法は種々考えられるが、例えば、質問に対する回答の選択肢と配点(得点の元になる点数)との対応関係を記述する回答配点表データと、合計得点(スコア)と特性との対応関係を記述する特性判別条件データ(換言すると、セグメント定義データ)とが用いられるとよい。
次に、教師ユーザ特定部332は、複数の対象ユーザのそれぞれの行動履歴を行動履歴管理サーバ2の行動履歴データベース201から取得し、取得した行動履歴がアンケートと共通の仮説に基づき特性に関連して設定された基準を満たすか否かを対象ユーザ毎に判断し、当該対象ユーザのうち行動履歴が上記基準を満たすと判断された対象ユーザを教師ユーザとして特定する。ここで、「特性に関連して設定された基準」には、「特性ごとに設定された基準」、「特性を横断した連続性を有する基準」、及び「ユーザ全体の行動履歴に基づく行動分布と特性との対応関係を示す基準」のうち、少なくとも何れか一つが含まれる。特性ごとに設定された基準を満たすか否かの判断には、例えば、アンケートの質問事項や回答の選択肢に使われる用語と共通する属性の情報(商品名やサービス名など)を検索しているか、当該情報における商品を購買しているか、当該情報におけるサービスを利用しているか、または、商品名やサービス名だけでなく、共通のブランド、店舗を含む検索、これに関わる行動(購買行動や利用行動など)をしているか、を判断することを含むとよい。さらに、この基準を満たすか否かの判断には、アンケートの質問事項等に関連する地域や時期の検索、当該地域や時期に行動(購買行動や利用行動など)をしているかを判断することを含むとよい。
次に、モデル生成部333は、教師ユーザ特定部332により特定された教師ユーザの行動履歴から抽出された行動情報を説明変数とし、教師ユーザの特性を目的変数とした学習データにより学習した学習済みモデルを生成する。ここで、行動情報は、例えば複数項目のデータを設定可能なデータフォーマットに行動履歴から抽出されたデータを設定することで得られる。この項目の例として、特定の商品またはサービスの予約注文の有無、特定の商品またはサービスの検索または閲覧の有無、特定の商品の購入の有無、特定のサービスの利用の有無、検索回数(または検索頻度)、検索条件、閲覧回数(または閲覧頻度)、支払回数(または支払頻度)、投稿回数(投稿頻度)、アクセスタイミング、情報発信量などが挙げられる。
フォレスト(Random Forests)を組み合わせたXGBoostが用いられてもよい。勾配ブース
ティングは、複数の決定木を作成して集団で学習させる方法であり、学習済みモデルとして複数の決定木を構築し、1つ前までの決定木の情報を用いて新たな決定木を構築していくブースティングを行うようになっている。具体的には、1つ前の決定木では予測できなかった損失関数の勾配を目的変数として新たな決定木が構築される。各決定木において、説明変数は根から枝に行く途中で条件により分類され、末端の葉に辿り着くと、当該末端の葉に与えられた値が予測値として返されるようになっている。XGBoostは、勾配ブース
ティングの方法と基本的には同じであるが、ランダムフォレストを採用しているため、全ての説明変数が使用されるのではなく、ランダムに決定された割合で説明変数の数が選定されて決定木が構築される。
次に、特性推定部334は、例えば所定のサイトの利用会員としてアカウントが発行された全ユーザの中から推定対象として決定された推定ユーザ(教師ユーザ以外のユーザ)の行動履歴を行動履歴管理サーバ2の行動履歴データベース201から取得し、取得した行動履歴から抽出された行動情報と、モデル生成部333により生成された学習済みモデルとを用いて、当該推定ユーザの特性を推定する。すなわち、特性推定部334は、行動履歴から抽出された行動情報を学習済みモデルに入力することで当該行動情報に対する特性(予測値)を得る。こうして推定ユーザについて推定された特性は、当該推定ユーザのユーザIDに対応付けられてユーザ情報データベース301に格納されることになる。なお、推定ユーザの行動履歴が更新された場合、特性推定部334は、当該更新された行動履歴から抽出された行動情報と、学習済みモデルとを用いて当該推定ユーザの特性を再推定することにより更新するとよい。これにより、推定ユーザついて推定される特性を当該推定ユーザの行動履歴の変化に対応させることができる。
対象ユーザの行動履歴が更新されることで教師ユーザの行動履歴が更新された場合、モデル更新部335は、当該更新された行動履歴から抽出された行動情報を説明変数とし、教師ユーザの特性を目的変数とした学習データを用いて学習済みモデル(学習済みモデルにおける係数(パラメータ))を更新する。これにより、例えば所定期間毎に変化するトレンド(流行)等に応じて学習済みモデルを更新することができる。この場合において、教師ユーザ特定部332は、更新された、教師ユーザの行動履歴が上記基準を満たすか否かを判断し、モデル更新部335は、当該基準を満たすと判断された教師ユーザの更新された行動履歴から抽出された行動情報を説明変数とし、当該教師ユーザの特性を目的変数とした学習データを用いて学習済みモデルを更新するとよい。これにより、教師ユーザの行動履歴の変化に追従して、学習済みモデルによる推定精度を高めていくことができる。
推定ユーザの行動履歴が更新された場合、分類基準変更部336は、上記学習済みモデルにおける所定の分岐ルールにおいて、推定された特性に属する推定ユーザの出現率が同等となる条件、および、推定された特性に属する推定ユーザが所定の一致度を有する条件、を満たすように、当該分岐ルールを変更する。この理由を以下に説明する。
した人数が増えると、分岐ルールでは、特性01の出現率(例えば、10%)が増加してしまう。そのため、特性01の出現率が例えば10%で同等に維持されるよう(つまり、推定
された特性に属する推定ユーザの出現率が同等となる条件を満たすよう)、分岐ルールを変更する(この変更は、学習済みモデルの変更に相当)。分岐ルールを変更の例として、説明変数の「商品XYZ」購入(X2)の重み付け(係数)を変えること、説明変数の「商品XYZ」購入(X2)を「商品ABC」購入(X1)に入れ替えること、「商品ABC」購入(X1)の分岐を新たに追加すること、などの分岐構成を変えることが挙げられる。言い換えれば、推定ユーザの行動履歴が変更されると、学習済みモデルの変数構成や重みづけが変わるので、その変更を加味して全体最適なモデルを作り直す。
次に、特性推定サーバ3のシステム制御部33により実行される各種処理について説明する。
先ず、図7を参照して、システム制御部33により実行される学習済みモデル生成処理について説明する。図7は、システム制御部33により実行される学習済みモデル生成処理の一例を示すフローチャートである。
次に、図8を参照して、システム制御部33により実行される特性推定処理について説明する。図8は、システム制御部33により実行される特性推定処理の一例を示すフローチャートである。
次に、図9を参照して、システム制御部33により実行される特性更新処理について説明する。図9は、システム制御部33により実行される特性更新処理の一例を示すフローチャートである。
次に、図10を参照して、システム制御部33により実行される学習済みモデル更新処理について説明する。図10は、システム制御部33により実行される学習済みモデル更新処理の一例を示すフローチャートである。
2 行動履歴管理サーバ
3 特性推定サーバ
31 通信部
32 記憶部
33 システム制御部
34 システムバス
101 アンケートデータベース
201 行動履歴データベース
301 ユーザ情報データベース
UTm ユーザ端末
STn 処理端末
SAo サーバ
NW 通信ネットワーク
S 通信システム
Claims (12)
- アンケートに回答した複数の第1ユーザのそれぞれの回答に基づいて、前記第1ユーザを予め設定された複数の特性のうちのいずれかの特性に分類する分類手段と、
前記第1ユーザの行動履歴が所定の基準を満たすか否かを判断する判断手段と、
前記複数の第1ユーザのうち前記行動履歴が前記所定の基準を満たすと判断された第1ユーザを教師ユーザとして、前記教師ユーザの行動履歴から抽出された行動情報を説明変数とし、前記教師ユーザの特性を目的変数とした学習データにより学習した学習済みモデルを生成する生成手段と、
前記第1ユーザとは異なる第2ユーザの行動履歴から抽出された行動情報と前記学習済みモデルとを用いて当該第2ユーザの特性を推定する推定手段と、
を備えることを特徴とする特性推定装置。 - 前記第2ユーザの行動履歴が更新された場合、前記推定手段は、当該更新された行動履歴から抽出された行動情報と前記学習済みモデルとを用いて当該第2ユーザの特性を再推定することにより更新することを特徴とする請求項1に記載の特性推定装置。
- 前記第2ユーザの行動履歴が更新された場合、前記学習済みモデルにおける所定の分類基準において、推定された特性に属する前記第2ユーザの出現率が同等となる条件、および、推定された特性に属する前記第2ユーザが所定の一致度を有する条件、を満たすように、前記所定の分類基準を変更する変更手段を更に備えることを特徴とする請求項1または2に記載の特性推定装置。
- 前記第1ユーザの行動履歴が更新されることで前記教師ユーザの行動履歴が更新された場合、当該更新された行動履歴から抽出された行動情報を説明変数とし、前記教師ユーザの特性を目的変数とした学習データを用いて前記学習済みモデルを更新する更新手段を更に備えることを特徴とする請求項1乃至3のいずれか一項に記載の特性推定装置。
- 前記第1ユーザの行動履歴が更新されることで前記教師ユーザの行動履歴が更新された場合、前記判断手段は、当該更新された、前記教師ユーザの行動履歴が前記所定の基準を満たすか否かを判断することを特徴とする請求項4に記載の特性推定装置。
- 前記判断手段は、前記アンケートと共通の仮説に基づき設定された前記所定の基準を満たすか否かを判断し、
前記生成手段は、前記行動履歴が前記所定の基準を満たさないと判断された第1ユーザを教師ユーザとして採用しないことを特徴とする請求項1乃至5のいずれか一項に記載の特性推定装置。 - 前記第1ユーザの行動履歴が更新されることで前記教師ユーザの行動履歴が更新された場合、当該更新された行動履歴から抽出された行動情報を説明変数とし、前記教師ユーザの特性を目的変数とした学習データを用いて前記学習済みモデルを更新する更新手段を更に備え、
前記学習済みモデルの更新間隔は、前記第2ユーザの特性の更新間隔よりも長いことを特徴とする請求項2に記載の特性推定装置。 - コンピュータにより実行される特性推定方法であって、
アンケートに回答した複数の第1ユーザのそれぞれの回答に基づいて、前記第1ユーザを予め設定された複数の特性のうちのいずれかの特性に分類するステップと、
前記第1ユーザの行動履歴が所定の基準を満たすか否かを判断するステップと、
前記複数の第1ユーザのうち前記行動履歴が前記所定の基準を満たすと判断された第1ユーザを教師ユーザとして、前記教師ユーザの行動履歴から抽出された行動情報を説明変数とし、前記教師ユーザの特性を目的変数とした学習データにより学習した学習済みモデルを生成するステップと、
前記第1ユーザとは異なる第2ユーザの行動履歴から抽出された行動情報と前記学習済みモデルとを用いて当該第2ユーザの特性を推定するステップと、
を含むことを特徴とする特性推定方法。 - アンケートに回答した複数の第1ユーザのそれぞれの回答に基づいて、前記第1ユーザを予め設定された複数の特性のうちのいずれかの特性に分類するステップと、
前記第1ユーザの行動履歴が所定の基準を満たすか否かを判断するステップと、
前記複数の第1ユーザのうち前記行動履歴が前記所定の基準を満たすと判断された第1ユーザを教師ユーザとして、前記教師ユーザの行動履歴から抽出された行動情報を説明変数とし、前記教師ユーザの特性を目的変数とした学習データにより学習した学習済みモデルを生成するステップと、
前記第1ユーザとは異なる第2ユーザの行動履歴から抽出された行動情報と前記学習済みモデルとを用いて当該第2ユーザの特性を推定するステップと、
をコンピュータに実行させることを特徴とする特性推定プログラム。 - アンケートに回答した複数のユーザのそれぞれの回答に基づいて、前記ユーザを予め設定された複数の特性のうちのいずれかの特性に分類する分類手段と、
前記ユーザの行動履歴が前記アンケートと共通の仮説に基づき前記特性に関連して設定された基準を満たすか否かを判断する判断手段と、
前記基準を満たすか否かの判断結果から前記アンケートの改善項目を特定する特定手段と、
を備えることを特徴とする特性分類装置。 - コンピュータにより実行される特性分類方法であって、
アンケートに回答した複数のユーザのそれぞれの回答に基づいて、前記ユーザを予め設定された複数の特性のうちのいずれかの特性に分類するステップと、
前記ユーザの行動履歴が前記アンケートと共通の仮説に基づき前記特性に関連して設定された基準を満たすか否かを判断するステップと、
前記基準を満たすか否かの判断結果から前記アンケートの改善項目を特定するステップと、
を含むことを特徴とする特性分類方法。 - アンケートに回答した複数のユーザのそれぞれの回答に基づいて、前記ユーザを予め設定された複数の特性のうちのいずれかの特性に分類するステップと、
前記ユーザの行動履歴が前記アンケートと共通の仮説に基づき前記特性に関連して設定された基準を満たすか否かを判断するステップと、
前記基準を満たすか否かの判断結果から前記アンケートの改善項目を特定するステップと、
をコンピュータに実行させることを特徴とする特性分類プログラム。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018157945 | 2018-08-27 | ||
JP2018157945 | 2018-08-27 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020035409A true JP2020035409A (ja) | 2020-03-05 |
JP6899805B2 JP6899805B2 (ja) | 2021-07-07 |
Family
ID=69668400
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018173297A Active JP6899805B2 (ja) | 2018-08-27 | 2018-09-18 | 特性推定装置、特性推定方法、及び特性推定プログラム等 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6899805B2 (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022091562A1 (ja) * | 2020-10-29 | 2022-05-05 | 株式会社Z会 | 学力推定用モデル生成装置、学力推定装置、学力推定用モデル生成方法、学力推定方法、プログラム |
WO2023127583A1 (ja) * | 2021-12-28 | 2023-07-06 | Sensy株式会社 | 機械学習装置、データ処理装置、推論装置、機械学習方法、データ処理方法、及び、推論方法 |
EP4307202A4 (en) * | 2022-03-18 | 2024-01-17 | Rakuten Group Inc | INFORMATION PROCESSING APPARATUS, INFORMATION PROCESSING METHOD AND PROGRAM |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010204966A (ja) * | 2009-03-03 | 2010-09-16 | Nippon Telegr & Teleph Corp <Ntt> | サンプリング装置、サンプリング方法、サンプリングプログラム、クラス判別装置およびクラス判別システム。 |
US20180197094A1 (en) * | 2017-01-06 | 2018-07-12 | Samsung Electronics Co., Ltd. | Apparatus and method for processing content |
-
2018
- 2018-09-18 JP JP2018173297A patent/JP6899805B2/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010204966A (ja) * | 2009-03-03 | 2010-09-16 | Nippon Telegr & Teleph Corp <Ntt> | サンプリング装置、サンプリング方法、サンプリングプログラム、クラス判別装置およびクラス判別システム。 |
US20180197094A1 (en) * | 2017-01-06 | 2018-07-12 | Samsung Electronics Co., Ltd. | Apparatus and method for processing content |
Non-Patent Citations (1)
Title |
---|
市川 裕介: "Web行動履歴を用いたユーザ嗜好特性推定技術の検討", マルチメディア,分散,協調とモバイル(DICOMO2008)シンポジウム, JPN6020010342, 2 July 2008 (2008-07-02), pages 1786 - 1792, ISSN: 0004375154 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022091562A1 (ja) * | 2020-10-29 | 2022-05-05 | 株式会社Z会 | 学力推定用モデル生成装置、学力推定装置、学力推定用モデル生成方法、学力推定方法、プログラム |
JP7065927B1 (ja) | 2020-10-29 | 2022-05-12 | 株式会社Z会 | 学力推定用モデル生成装置、学力推定装置、学力推定用モデル生成方法、学力推定方法、プログラム |
JP2022076490A (ja) * | 2020-10-29 | 2022-05-20 | 株式会社Z会 | 学力推定用モデル生成装置、学力推定装置、学力推定用モデル生成方法、学力推定方法、プログラム |
WO2023127583A1 (ja) * | 2021-12-28 | 2023-07-06 | Sensy株式会社 | 機械学習装置、データ処理装置、推論装置、機械学習方法、データ処理方法、及び、推論方法 |
EP4307202A4 (en) * | 2022-03-18 | 2024-01-17 | Rakuten Group Inc | INFORMATION PROCESSING APPARATUS, INFORMATION PROCESSING METHOD AND PROGRAM |
Also Published As
Publication number | Publication date |
---|---|
JP6899805B2 (ja) | 2021-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20140278973A1 (en) | System and method for audience targeting | |
Forouzandeh et al. | Content marketing through data mining on Facebook social network. | |
US20150199713A1 (en) | Methods, systems, and apparatus for enhancing electronic commerce using social media | |
CN106708871B (zh) | 一种社交业务特征用户的识别方法和装置 | |
JP6899805B2 (ja) | 特性推定装置、特性推定方法、及び特性推定プログラム等 | |
KR20190081571A (ko) | 온라인 쇼핑몰 통합 관리 시스템에서의 온라인 판매채널을 추천하는 방법 및 그 서버 | |
Badriyah et al. | Recommendation system for property search using content based filtering method | |
CN110689402A (zh) | 推荐商家的方法、装置、电子设备及可读存储介质 | |
US20190065611A1 (en) | Search method and apparatus | |
Zheng et al. | A scalable purchase intention prediction system using extreme gradient boosting machines with browsing content entropy | |
US8478702B1 (en) | Tools and methods for determining semantic relationship indexes | |
KR20190081671A (ko) | 온라인 쇼핑몰 통합 관리 시스템에서의 유사상품을 검색하는 방법 및 그 서버 | |
CN111127074A (zh) | 一种数据推荐方法 | |
TWM624658U (zh) | 以用戶短期特徵預測用戶是否屬於價值用戶群的預測裝置 | |
WO2018118986A1 (en) | Multi-source modeling for network predictions | |
Piatykop et al. | Model Selection of the Target Audience in Social Networks in Order to Promote the Product. | |
JP7212103B2 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
WO2018118982A1 (en) | Time series modeling for network predictions | |
Ma | Modeling users for online advertising | |
Xiao | Recommending Best Products from E-commerce Purchase History and User Click Behavior Data | |
Liao et al. | Improved recommendation system using friend relationship in SNS | |
US20220198328A1 (en) | Information processing method, information processing device, and program | |
Bejarano et al. | Measuring user’s influence in the Yelp recommender system | |
Afolabi et al. | SNA, LDA And Sentiment Analysis For Competitive Intelligence In Agro E-Commerce | |
Yin | Two Essays on Marketing Communication Strategy |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190121 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20200219 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200317 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200515 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20201104 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20201222 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20210601 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210615 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6899805 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |