JP6641456B2 - 計算機システム及びデータの分類方法 - Google Patents
計算機システム及びデータの分類方法 Download PDFInfo
- Publication number
- JP6641456B2 JP6641456B2 JP2018506682A JP2018506682A JP6641456B2 JP 6641456 B2 JP6641456 B2 JP 6641456B2 JP 2018506682 A JP2018506682 A JP 2018506682A JP 2018506682 A JP2018506682 A JP 2018506682A JP 6641456 B2 JP6641456 B2 JP 6641456B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- entry
- probability
- similarity
- data type
- 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.)
- Active
Links
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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/31—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Description
データ列の全てのセルのデータを分類するために、実施例1の分類手法と、従来の分類手法とを組み合わせることができる。例えば、以下のような方法が考えられる。
Claims (12)
- 複数の計算機を備える計算機システムであって、
前記複数の計算機の各々は、プロセッサ、前記プロセッサに接続される主記憶装置、及び前記プロセッサに接続されるインタフェースを有し、
前記少なくとも一つの計算機は、複数のデータ種別の各々に属する複数の教師データを用いて、ターゲットデータのデータ種別の分類に用いられる指標を算出するための分布情報を生成し、前記分布情報を用いて前記ターゲットデータのデータ種別を分類する分類部を有する計算機に当該分布情報を出力する学習部を有し、
前記複数の教師データの各々は、一つ以上の文字から構成される文字列であり、
前記学習部は、
前記複数のデータ種別の各々に属する前記複数の教師データを用いた学習処理を実行することによって、前記データ種別、前記データ種別に属する前記複数の教師データの各々に含まれる文字、及び当該文字の文字列中の出現位置を含む複数の第1エントリを前記分布情報に追加し、
前記データ種別、前記ターゲットデータのデータ長を調整するために追加されるダミーデータ、及び当該ダミーデータの文字列中の出現位置を含む所定の数の第2エントリを前記分布情報に追加し、
前記第1エントリに含まれる前記データ種別に属する前記複数の教師データのデータ長に基づいて、前記第1エントリに含まれる前記出現位置に前記第1エントリに含まれる前記文字が出現する確率を表す第1確率を算出し、
前記第2エントリに含まれる前記データ種別に属する前記複数の教師データのデータ長に基づいて、前記第2エントリに含まれる前記出現位置に前記第2エントリに含まれる前記ダミーデータが出現する確率を表す第2確率を算出し、
前記複数の第1エントリの各々に前記第1確率を設定し、前記所定の数の第2エントリの各々に前記第2確率を設定することを特徴とする計算機システム。 - 請求項1に記載の計算機システムであって、
前記学習部は、
前記複数のデータ種別毎に、同一の前記データ種別に属する前記複数の教師データのデータ長のばらつきを示す第1レンジを算出し、
前記複数のデータ種別の各々の前記第1レンジに基づいて、前記ダミーデータに関連する値を補正するための補正レベルを算出し、
前記第1エントリに含まれる前記出現位置に前記第1エントリに含まれる前記文字が出現する回数を表す第1出現回数を算出し、
前記第2エントリに含まれる前記出現位置に前記第2エントリに含まれる前記ダミーデータが出現する回数を表す第2出現回数を算出し、
前記第1エントリに含まれる前記データ種別の前記補正レベル、前記第1エントリに含まれる前記データ種別の前記第1レンジ、及び前記第1出現回数に基づいて、前記第1確率を算出し、
前記第2エントリに含まれる前記データ種別の前記補正レベル、前記第2エントリに含まれる前記データ種別の前記第1レンジ、及び前記第2出現回数に基づいて、前記第2確率を算出することを特徴とする計算機システム。 - 請求項2に記載の計算機システムであって、
前記少なくとも一つの計算機は、前記分類部を有し、
前記指標は、前記ダミーデータが追加されたターゲットデータと、任意のデータ種別に属する前記複数の教師データとの間の類似度であり、
前記分類部は、
前記データ種別を選択し、
前記選択されたデータ種別に属する前記複数の教師データのデータ長の最小値と、前記ターゲットデータのデータ長との差である第1差分に基づいて、前記ダミーデータの挿入数を算出し、
前記ターゲットデータの所定の位置に、前記挿入数だけ前記ダミーデータを追加し、
前記分布情報を参照して、前記ダミーデータが追加されたターゲットデータに含まれる前記文字及び前記文字の位置に基づいて、前記第1確率及び前記第2確率を取得し、
前記第1確率及び前記第2確率を用いて前記類似度を算出することを特徴とする計算機システム。 - 請求項3に記載の計算機システムであって、
前記分類部は、
前記複数のデータ種別の各々の前記複数の教師データのデータ長と、前記ターゲットデータのデータ長との間の差分を用いて、閾値を算出し、
前記複数のデータ種別の各々の前記類似度の大きさを比較することによって、前記類似度の最大値及び前記類似度の最小値を特定し、
前記閾値、前記類似度の最大値、及び前記類似度の最小値を用いて、前記類似度に基づいて前記ターゲットデータのデータ種別を分類できるか否かを判定し、
前記類似度に基づいて前記ターゲットデータのデータ種別を分類できると判定された場合、前記類似度が最も大きい前記データ種別を、前記ターゲットデータのデータ種別に決定することを特徴とする計算機システム。 - 複数の計算機を備える計算機システムにおけるデータの分類方法であって、
前記複数の計算機の各々は、プロセッサ、前記プロセッサに接続される主記憶装置、及び前記プロセッサに接続されるインタフェースを有し、
前記少なくとも一つの計算機は、複数のデータ種別の各々に属する複数の教師データを用いて、ターゲットデータのデータ種別の分類に用いられる指標を算出するための分布情報を生成し、前記分布情報を用いて前記ターゲットデータのデータ種別を分類する分類部を有する計算機に当該分布情報を出力する学習部を有し、
前記複数の教師データの各々は、一つ以上の文字から構成される文字列であり、
前記データの分類方法は、
前記学習部が、前記複数のデータ種別の各々に属する前記複数の教師データを用いた学習処理を実行することによって、前記データ種別、前記データ種別に属する前記複数の教師データの各々に含まれる文字、及び当該文字の文字列中の出現位置を含む複数の第1エントリを前記分布情報に追加する第1のステップと、
前記学習部が、前記データ種別、前記ターゲットデータのデータ長を調整するために追加されるダミーデータ、及び当該ダミーデータの文字列中の出現位置を含む所定の数の第2エントリを前記分布情報に追加する第2のステップと、
前記学習部が、前記第1エントリに含まれる前記データ種別に属する前記複数の教師データのデータ長に基づいて、前記第1エントリに含まれる前記出現位置に前記第1エントリに含まれる前記文字が出現する確率を表す第1確率を算出する第3のステップと、
前記学習部が、前記第2エントリに含まれる前記データ種別に属する前記複数の教師データのデータ長に基づいて、前記第2エントリに含まれる前記出現位置に前記第2エントリに含まれる前記ダミーデータが出現する確率を表す第2確率を算出する第4のステップと、
前記学習部が、前記複数の第1エントリの各々に前記第1確率を設定し、前記所定の数の第2エントリの各々に前記第2確率を設定する第5のステップと、を含むことを特徴とするデータの分類方法。 - 請求項5に記載のデータの分類方法であって、
前記データの分類方法は、
前記学習部が、前記第2のステップの実行後、前記複数のデータ種別毎に、同一の前記データ種別に属する前記複数の教師データのデータ長のばらつきを示す第1レンジを算出するステップと、
前記学習部が、前記複数のデータ種別の各々の前記第1レンジに基づいて、前記ダミーデータに関連する値を補正するための補正レベルを算出するステップと、を含み、
前記第1のステップは、前記学習部が、前記第1エントリに含まれる前記出現位置に前記第1エントリに含まれる前記文字が出現する回数を表す第1出現回数を算出するステップを含み、
前記第2のステップは、前記学習部が、前記第2エントリに含まれる前記出現位置に前記第2エントリに含まれる前記ダミーデータが出現する回数を表す第2出現回数を算出するステップを含み、
前記第3のステップは、前記学習部が、前記第1エントリに含まれる前記データ種別の前記補正レベル、前記第1エントリに含まれる前記データ種別の前記第1レンジ、及び前記第1出現回数に基づいて、前記第1確率を算出するステップを含み、
前記第4のステップは、前記学習部が、前記第2エントリに含まれる前記データ種別の前記補正レベル、前記第2エントリに含まれる前記データ種別の前記第1レンジ、及び前記第2出現回数に基づいて、前記第2確率を算出するステップを含むことを特徴とするデータの分類方法。 - 請求項6に記載のデータの分類方法であって、
前記少なくとも一つの計算機は、前記分類部を有し、
前記指標は、前記ダミーデータが追加されたターゲットデータと、任意のデータ種別に属する前記複数の教師データとの間の類似度であり、
前記データの分類方法は、
前記分類部が、前記データ種別を選択するステップと、
前記分類部が、前記選択されたデータ種別に属する前記複数の教師データのデータ長の最小値と、前記ターゲットデータのデータ長との差である第1差分に基づいて、前記ダミーデータの挿入数を算出するステップと、
前記分類部が、前記ターゲットデータの所定の位置に、前記挿入数だけ前記ダミーデータを追加するステップと、
前記分類部が、前記分布情報を参照して、前記ダミーデータが追加されたターゲットデータに含まれる前記文字及び前記文字の位置に基づいて、前記第1確率及び前記第2確率を取得するステップと、
前記分類部が、前記第1確率及び前記第2確率を用いて前記類似度を算出するステップと、を含むことを特徴とするデータの分類方法。 - 請求項7に記載のデータの分類方法であって、
前記分類部が、前記複数のデータ種別の各々の前記複数の教師データのデータ長と、前記ターゲットデータのデータ長との間の差分を用いて、閾値を算出するステップと、
前記分類部が、前記複数のデータ種別の各々の前記類似度の大きさを比較することによって、前記類似度の最大値及び前記類似度の最小値を特定するステップと、
前記分類部が、前記閾値、前記類似度の最大値、及び前記類似度の最小値を用いて、前記類似度に基づいて前記ターゲットデータのデータ種別を分類できるか否かを判定するステップと、
前記分類部が、前記類似度に基づいて前記ターゲットデータのデータ種別を分類できると判定された場合、前記類似度が最も大きい前記データ種別を、前記ターゲットデータのデータ種別に決定するステップと、を含むことを特徴とするデータの分類方法。 - 複数の計算機を備える計算機システムであって、
前記複数の計算機の各々は、プロセッサ、前記プロセッサに接続される主記憶装置、及び前記プロセッサに接続されるインタフェースを有し、
前記少なくとも一つの計算機は、複数のデータ種別の各々に属する複数の教師データを用いて生成された、ターゲットデータのデータ種別の分類に用いられる指標を算出するための分布情報を用いて、前記ターゲットデータのデータ種別を分類する分類部を有し、
前記複数の教師データの各々は、一つ以上の文字から構成される文字列であり、
前記分布情報は、
前記データ種別、前記データ種別に属する前記複数の教師データの各々に含まれる文字、当該文字の文字列中の出現位置、及び当該文字が前記出現位置に出現する確率を表す第1確率を含む複数の第1エントリと、
前記データ種別、前記ターゲットデータのデータ長を調整するために追加されるダミーデータ、当該ダミーデータの文字列中の出現位置、及び当該ダミーデータが前記出現位置に出現する確率を表す第2確率を含む所定の数の第2エントリと、を含み、
前記分類部は、
前記データ種別を選択し、
前記選択されたデータ種別に属する前記複数の教師データのデータ長の最小値と、前記ターゲットデータのデータ長との差である第1差分に基づいて、前記ダミーデータの挿入数を算出し、
前記ターゲットデータの所定の位置に、前記挿入数だけ前記ダミーデータを追加し、
前記分布情報を参照して、前記ダミーデータが追加されたターゲットデータに含まれる前記文字及び前記文字の位置に基づいて、前記第1確率及び前記第2確率を取得し、
前記第1確率及び前記第2確率を用いて前記指標を算出することを特徴とする計算機システム。 - 請求項9に記載の計算機システムであって、
前記指標は、前記ダミーデータが追加されたターゲットデータと、任意のデータ種別に属する前記複数の教師データとの間の類似度であり、
前記分類部は、
前記複数のデータ種別の各々の前記複数の教師データのデータ長と、前記ターゲットデータのデータ長との間の差分を用いて、閾値を算出し、
前記複数のデータ種別の各々の前記類似度の大きさを比較することによって、前記類似度の最大値及び前記類似度の最小値を特定し、
前記閾値、前記類似度の最大値、及び前記類似度の最小値を用いて、前記類似度に基づいて前記ターゲットデータのデータ種別を分類できるか否かを判定し、
前記類似度に基づいて前記ターゲットデータのデータ種別を分類できると判定された場合、前記類似度が最も大きい前記データ種別を、前記ターゲットデータのデータ種別に決定することを特徴とする計算機システム。 - 請求項9に記載の計算機システムであって、
前記少なくとも一つの計算機は、前記分布情報を生成する学習部を有し、
前記学習部は、
前記複数のデータ種別の各々に属する前記複数の教師データを用いた学習処理を実行することによって、前記データ種別、前記データ種別に属する前記複数の教師データの各々に含まれる前記文字、及び当該文字の文字列中の出現位置を含む前記複数の第1エントリを前記分布情報に追加し、
前記データ種別、前記ダミーデータ、及び当該ダミーデータの文字列中の出現位置を含む所定の数の前記第2エントリを前記分布情報に追加し、
前記第1エントリに含まれる前記データ種別に属する前記複数の教師データのデータ長に基づいて、前記第1確率を算出し、
前記第2エントリに含まれる前記データ種別に属する前記複数の教師データのデータ長に基づいて、前記第2確率を算出し、
前記複数の第1エントリの各々に前記第1確率を設定し、前記所定の数の第2エントリの各々に前記第2確率を設定することを特徴とする計算機システム。 - 請求項11に記載の計算機システムであって、
前記学習部は、
前記複数のデータ種別毎に、同一の前記データ種別に属する前記複数の教師データのデータ長のばらつきを示す第1レンジを算出し、
前記複数のデータ種別の各々の前記第1レンジに基づいて、前記ダミーデータに関連する値を補正するための補正レベルを算出し、
前記第1エントリに含まれる前記出現位置に前記第1エントリに含まれる前記文字が出現する回数を表す第1出現回数を算出し、
前記第2エントリに含まれる前記出現位置に前記第2エントリに含まれる前記ダミーデータが出現する回数を表す第2出現回数を算出し、
前記第1エントリに含まれる前記データ種別の前記補正レベル、前記第1エントリに含まれる前記データ種別の前記第1レンジ、及び前記第1出現回数に基づいて、前記第1確率を算出し、
前記第2エントリに含まれる前記データ種別の前記補正レベル、前記第2エントリに含まれる前記データ種別の前記第1レンジ、及び前記第2出現回数に基づいて、前記第2確率を算出することを特徴とする計算機システム。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2016/059222 WO2017163342A1 (ja) | 2016-03-23 | 2016-03-23 | 計算機システム及びデータの分類方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2017163342A1 JPWO2017163342A1 (ja) | 2018-12-06 |
JP6641456B2 true JP6641456B2 (ja) | 2020-02-05 |
Family
ID=59899994
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018506682A Active JP6641456B2 (ja) | 2016-03-23 | 2016-03-23 | 計算機システム及びデータの分類方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20180247163A1 (ja) |
JP (1) | JP6641456B2 (ja) |
WO (1) | WO2017163342A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116304056B (zh) * | 2023-04-11 | 2024-01-30 | 山西玖邦科技有限公司 | 一种用于计算机软件开发数据的管理方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5195149B2 (ja) * | 2008-08-11 | 2013-05-08 | 富士通株式会社 | 真偽判定方法 |
JP5640796B2 (ja) * | 2010-06-04 | 2014-12-17 | 富士通株式会社 | 名寄せ支援処理装置、方法及びプログラム |
JP5753217B2 (ja) * | 2013-05-17 | 2015-07-22 | 株式会社アイディーズ | 商品コード分析システム及び商品コード分析プログラム |
-
2016
- 2016-03-23 US US15/753,979 patent/US20180247163A1/en not_active Abandoned
- 2016-03-23 JP JP2018506682A patent/JP6641456B2/ja active Active
- 2016-03-23 WO PCT/JP2016/059222 patent/WO2017163342A1/ja active Application Filing
Also Published As
Publication number | Publication date |
---|---|
JPWO2017163342A1 (ja) | 2018-12-06 |
WO2017163342A1 (ja) | 2017-09-28 |
US20180247163A1 (en) | 2018-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4098539B2 (ja) | プロファイル情報の推薦方法、プログラム及び装置 | |
JP2017224184A (ja) | 機械学習装置 | |
JP6691082B2 (ja) | 指標選択装置及びその方法 | |
JP6707483B2 (ja) | 情報処理装置、情報処理方法、および情報処理プログラム | |
JP7189068B2 (ja) | モデル作成支援方法、及びモデル作成支援システム | |
JP6714268B1 (ja) | 質問文出力方法、コンピュータプログラム及び情報処理装置 | |
JP6704089B2 (ja) | ライブラリ検索装置、ライブラリ検索システム、及びライブラリ検索方法 | |
JP2011248622A (ja) | 類似モデル検索システム及び作業指示再利用システム | |
JP6641456B2 (ja) | 計算機システム及びデータの分類方法 | |
US10628619B2 (en) | Analysis mesh data generating method and analysis mesh data generating device | |
CN106204122B (zh) | 触点价值度量方法和装置 | |
WO2013042182A1 (ja) | リスク判定方法及びリスク判定サーバ | |
US20230186092A1 (en) | Learning device, learning method, computer program product, and learning system | |
US11328024B2 (en) | Data analysis device and data analysis method | |
US20190265954A1 (en) | Apparatus and method for assisting discovery of design pattern in model development environment using flow diagram | |
US20180365341A1 (en) | Three-Dimensional Cad System Device, and Knowledge Management Method Used in Three-Dimensional Cad | |
EP4145327A1 (en) | System for estimating characteristic value of material | |
JP7151200B2 (ja) | 情報処理装置、部品選定方法および部品選定プログラム | |
US10318258B2 (en) | Reference information output method and reference information output device | |
CN111382925A (zh) | 生产实绩数据分析装置 | |
CN112733939A (zh) | 相似度特征向量的构建方法、装置、电子设备及存储介质 | |
CN115335834A (zh) | 机器学习模型确定系统和机器学习模型确定方法 | |
CN107251010B (zh) | 非结构化ui | |
US9887903B2 (en) | Comparison between different descriptions of a web service | |
JP7015706B2 (ja) | 計算機及び文書データの処理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180709 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180709 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190924 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20191010 |
|
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: 20191210 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20191227 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6641456 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |