第３３卷第２期 天 津 理 工 大 学 学 报 ＪｏＵＲＮＡＬ ｏＦ ＴＩＡＮＪＩＮ ＵＮＩＶＥＲＳＩＴＹ ＯＦ ＴＥＣＨＮｏＬＯＧＹ Ｖｏ１．３３ Ｎｏ．２ Ａｐｒ．２０１７ ２０１７年４月 文章编号：１６７３—０９５Ｘ（２０１７）０２—００４８—０５ 基于用户社交网络的最短距离聚类算法 王均贤，李文杰 （天津理工大学计算机与通信工程学院天津市智能计算及软件新技术重点实验室，天津３００３８４） 摘要：如何提高大数据环境下推荐系统的推荐效率是一个值得关注的课题．本文提出了一种基于用户社交网络的最 短距离聚类算法．该算法在推荐之前预先对用户进行聚类，降低邻域搜索空间，提高推荐效率．本聚类算法将用户分为 分簇用户和离群簇用户两大类，推荐时以簇为单位输入．离群簇用户可实现对社交网络的简单扩展．最后通过对真实社 交网络的模拟，证明了算法的可行性与有效性． 关键词：大数据；推荐系统；聚类算法；最短距离 中图分类号：ＴＰ３９９ 文献标识码：Ａ ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１６７３—０９５Ｘ．２０１７．００２．０１０ Ｔｈｅ ｓｈｏｒｔｅｓｔ ｄｉｓｔａｎｃｅ ｃｌｕｓｔｅｒｉｎｇ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｓｏｃｉａｌ ｎｅｔｗｏｒｋ ＷＡＮＧ Ｊｕｎ—ｘｉａｎ．ＬＩ Ｗｅｎ－ｊｉｅ （Ｓｃｈｏｏｌ ｏｆ Ｃｏｍｐｕｔｅｒ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｔｉａｎｊｉｎ Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｏｆ Ｉｎｔｅｌｌｉｇｅｎｃｅ Ｃｏｍｐｕｔｉｎｇ ａｎｄ Ｎｏｖｅｌ Ｓｏｆｔｗａｒｅ Ｔｅｃｈｎｏｌｏｇｙ，Ｔｉａｎｊｉｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ，Ｔｉａｎｊｉｎ ３００３８４，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ￣Ｈｏｗ ｔｏ ｉｍｐｒｏｖｅ ｔｈｅ ｅｆｉｃｉｆｅｎｃｙ ｏｆ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ｓｙｓｔｅｍ ｉｎ ｔｈｅ ｂｉｇ ｄａｔａ ｅｎｖｉｒｏｎｍｅｎｔ ｉｓ ａ ｈｏｔ ｔｏｐｉｃ．Ｔｈｉｓ ｐａｐｅｒ ｐｒｏｐｏｓｅｓ ａ ｓｈｏｒｔｅｓｔ ｄｉｓｔａｎｃｅ ｃｌｕｓｔｅｒｉｎｇ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｓｏｃｉａｌ ｎｅｔｗｏｒｋ．Ｔｈｅ ａｌｇｏｒｉｔｈｍ ｃａｎ ｃｌｕｓｔｅｒ ｔｈｅ ｕｓｅｒｓ ｂｅｆｏｒｅ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ，ｉｎ ｏｒｄｅｒ ｔｏ ｒｅｄｕｃｅ ｔｈｅ ｎｅｉｇｈｂｏｒｈｏｏｄ ｓｅａｒｃｈ ｓｐａｃｅ，ａｎｄ ｉｍｐｒｏｖｅ ｔｈｅ ｅｆｉｃｉｆｅｎｃｙ ｏｆ ｒｅｃｏｍｍｅｎｄ．Ｔｈｉｓ ｃｌｕｓｔｅｒｉｎｇ ａｌｇｏｒｉｔｈｍ ｄｉｖｉｄｅｄ ｕｓｅｒｓ ｉｎｔｏ ｃｌｕｓｔｅｒ ｕｓｅｒｓ ａｎｄ ｏｕｔｌｉｅｒ ｃｌｕｓｔｅｒ ｕｓｅｒｓ，ｒｅｃｏｍｍｅｎｄｅｄ ｉｎ ｃｌｕｓｔｅｒ ｕｎｉｔ ａｓ ｉｎｐｕｔ，ａｎｄ ｏｕｔｌｉｅｒ ｃｌｕｓｔｅｒ ｕｓｅｒｓ ｃａｎ ａｃｈｉｅｖｅ ａ ｓｉｍｐｌｅ ｅｘｔｅｎｓｉｏｎ ｆｏｒ ｓｏｃｉａｌ ｎｅｔｗｏｒｋ．Ｆｉｎａｌｌｙ，ｔｈｅ ｆｅａｓｉｂｉｌｉｔｙ ａｎｄ ｅｆｆｅｃｔｉｖｅｎｅｓｓ ｏｆ ｔｈｅ ａｌｇｏｒｉｔｈｍ ａｒｅ ｐｒｏｖｅｄ ｂｙ ｔｈｅ ｓｉｍｕｌａｔｉｏｎ ｏｆ ｒｅａｌ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ． Ｋｅｙ ｗｏｒｄｓ：ｂｉｇ ｄａｔａ；ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ｓｙｓｔｅｍ；ｃｌｕｓｔｅｒｉｎｇ ａｌｇｏｒｉｔｈｍ；ｓｈｏｒｔｅｓｔ ｄｉｓｔａｎｃｅ 随着网络的发展，海量数据的出现导致了信息 过载的情况ｌｌ１，由此产生了推荐系统以满足用户的需 求．推荐系统所依赖的推荐算法，通常需要维护一张 巨大的相似度矩阵表１２］，需要花费大量的时间来计算 对用户进行聚类，从而对原始数据进行预处理．最典 型社交网络信息是用户之间以用户为节点，用户关 系为边产生的有向社交网络．用户的节点可以存储 用户的一些属性信息，有向边则代表了用户之问的关 注信息．传统的网络聚类方法主要基于链接的稠密 度，如Ｎｅｗｍａｎ快速算法【９］和Ｋｅｒｎｉｇｈａｎ—Ｌｉｎ算法 １． 本算法将具有相似兴趣的用户分为一簇，簇的数目 相似度，以至于满足不了实际需求．同时用户与物品 的增长导致用户间使用同一物品的概率大大降低， 产生了数据的极端稀疏性【３１．针对这些问题，通常做 法是采用分布式计算，利用大数据平台来完成大数 据量的推荐 】．另一种做法是可以在进行推荐之前， 由用户自己定义．同时还有一类是离群簇，由关注量 比较少的欠活跃用户组成，新加入的用户也可以存 对用户或物品进行聚类，降低推荐算法时的邻域搜索 空间，提高推荐效率．目前常见的聚类方式有Ｋｍｅａｎｓ 聚类同，ＭｉｎＨａｓｈ聚类 ，神经网络［８１等． 如今对于一个推荐系统，背后往往已经拥有了 巨大的社交网络信息基础．可以以社交网络为基础 收稿日期：２０１６－０６—２８． 入这一类簇中，用于社交网络的扩展．推荐时以簇为 单位进行加载，提高推荐效率． 本文提出了一种新的以边为切入点的基于用户 社交网络的最短距离聚类算法．在对用户进行推荐 之前，利用已有社交网络提前对用户进行聚类处理， 基金项目：国家自然科学基金（５１５７５５４４）；澳门科技发展基金（１０８／２０１２／Ａ３）． 作者简介：王均贤（１９８９一通讯作者：李文杰（１９７５一），男，硕士研究生，Ｅ—ｍａｉｌ：ｗａｎ ｕｎｘｉａｎＯ２１６＠ｑｑ．ＣＯｌ＇ＩＩ． ），男，副教授，硕士生导师，Ｅ—ｍａｉｌ：１ｗｊ１３５７９＠ｓｉｎａ．ＣＯＢ． 王均贤，等：基于用户社交网络的最短距离聚类算法 ・４９・ 以减少后续推荐的时间复杂度和空间复杂度．同时 时，把这个节点称为枢纽节点，定义为： （ｅ）＝｛ （ｍ１，ｅ）ｎＯ／（ｍ２，ｅ）ｎ （ｍ３，ｅ），…｝ （３） 考虑到了社交网络的极端数据稀疏性… ２１情况，设置 了离群簇，以便适应社交网络的变化． １算法概述 １，１社交网络模型介绍 在社交网络中，由一个节点向关联节点发起的 有向边代表了节点与节点之间的兴趣关系．如果Ａ 用户关注了Ｂ，那么Ｂ的兴趣点某种程度上可以代 表Ａ，这种程度随着连接步数的增多而急剧减少．例 如Ａ用户关注了Ｂ，Ｂ关注了Ｃ，则Ｃ用户的兴趣点 就不如Ｂ能够代表Ａ，但是ｃ仍然存在与Ａ共同的 兴趣点．另外有向边只是单方面的关注关系，Ａ关注 了Ｂ，则Ｂ的兴趣点一定程度上能代表Ａ，但是Ａ的 兴趣点却不能代表Ｂ．从整个社交网络结构来看，节 点的入度能反映出这个节点的受欢迎程度，即所谓 的公众用户，受关注比较多．若有两个节点在同样能 够到达某个公众节点的前提下，所需要的步数越少， 越能体现出这两个节点的相似性，属于同一个簇的 可能性越大． １，２基于用户社交网络的最短距离聚类算法的基本 定义 假定一个已知的社交网络，转换为一个有向网 络图Ｇ＝｛Ｕ，Ｅ｝，Ｕ是代表用户的节点集合，Ｅ为代表 用户关注关系的有向边集合．从节点ｍ到节点ｎ的 有向边可以记为＜ｍ，ｎ＞，其中ｍ，ｎ∈Ｕ．此外，参数ｋ 代表从ｍ到ｎ所需要的步数．在已知网络中，节点人 度大于 的即作为中心节点，选取一个中心节点ｍ， 随机选取的一个节点ｎ，若ｍ能代表ｎ的兴趣点，则 ｎ定义为ｍ的兴趣相似节点，记为 （ｍ，ｎ）． ａ（ｍ，ｎ）＝｛ｎ∈Ｕｌ＜ ，，ｎ＞∈Ｅ，ｋ＜／ｘ｝ （１） 其中ｎ代表到达ｍ节点步数小于 的节点， 为一 个阈值，若步数小于 ，则中心节点某种兴趣点上能 代表ｎ． 根据节点与边的定义与关系，选取的中心节点 ｍ，若有一个节点 到达ｍ的步数小于设定的参数 ，则用户ｒｎ一定程度上可以反应用户ｎ的兴趣点， 同样所有到达中心节点ｍ的兴趣相似节点，也能反 映出这些节点的兴趣某个共同点，可以定义为邻居 节点，用来综合归为一簇．邻居节点集合定义为： Ｆ（ｍ）＝｛０ｃ（ｍ， １），ｏｔ（ｍ，ｎ２），ｏｔ（ｍ，ｎ３），…，ｏｔ（ｍ， ），…｝ （２） 当一个节点到达两个以上的中心节点都小于 其中ｍ ，ｍ：，…，ｍ 表示选取的中心节点，则ｅ即为 枢纽节点，需要预定义一个分组，用来存储枢纽节 点，以便下一次聚类． 还有一种节点是离群簇．由于社交网络的极端 数据稀疏性，这类节点很常见，需要在聚类的过程中 不断对离群节点进行挖掘，找出起其潜在兴趣点．判 断一节点是否离群节点是看这个节点到所有中心节 点的距离是否大于 ．首先判断一个节点到某个中心 节点的距离是否大于 ： 卢（，ｎ，凡）＝｛ｎ∈Ｕｌ＜ ，ｍ＞Ｅ Ｅ，ｋ＜／ｘ｝ （４） 然后看这个节点是否到所有中心节点的距离都 大于 ： （ｐ）＝｛ （ｒｎ ，Ｐ）ｎ／３（ｍ２，Ｐ）ｎ （ｍ３，Ｐ）… ｎＢ（ｍ￣，Ｐ）ｌ （５） 如果是，则为离群节点，如点Ｐ．离群节点需要额 外定义一个簇，用来存储这些离群节点，以便以后的 聚类能够进行更深入的挖掘． １．３基于用户社交网络的最短距离聚类算法的流程 接下来介绍基于社交网络的最短距离聚类算法 的工作流程，包括对节点的遍历与最短距离的分析， 然后分簇．第１步，将所有节点初始化，每个节点未 分簇，同时节点之间的关系用有向边来表示；第２ 步，遍历所有节点，找出入度最高的节点作为中心节 点，从中心节点中随机选取Ｐ个节点；第３步，遍历 出中心节点之外的所有节点，选出兴趣相似节点，枢 纽节点和离群节点；第４步，随机选取人度最高节 点，重复步骤２对枢纽节点和离群节点进行遍历，扩 展簇，直到枢纽节点全部转换为相应的簇为止．具体 选取的中心节点的方法是从已分簇的簇中分别随机 选取入度最高的节点，扩展的原则是已分簇的节点 不在参与扩展，离群节点可以扩展为节点相应的分 簇，而枢纽节点则可扩展为已分簇节点和离群节点． 具体算法如表１所示． 社交网络最短距离聚类算法的的最终聚类结果 会将所有的节点分为两大类，第一大类是有分簇的 节点，这些节点属于各自自己的簇；第二大类是离群 节点组成的离群簇，这些节点可以用来存储新加入 的用户等等，使社交网络实现了简单的可扩展性． 在聚类算法分簇的过程中，会有一些活跃用户 组成的枢纽节点，这些枢纽节点因为到两种簇以上 的最短距离都小于 ，因此需要重复遍历执行算法， 直到确定相应分簇为止．这些枢纽节点是判断聚类 ——５０—— 天津理上大学学报 第３３巷 ２期 表１ 基于用户社交网络的最短距离聚类算法 Ｔａｂ．１ Ｔｈｅ ｓｈｏｒｔｅｓｔ ｄｉｓｔａｎｃｅ ｃｌｕｓｔｅｒｉｎｇ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｓｏｃｉａｌ ｎｅｔｗｏｒｋ 来进行实验． 本次实验模拟了１００个川Ｊｆ＇，的社交网络 ，朋 户编 从１到ｌ００，有向边代表用户之间的关注情 况．其中，边数ｆ１ｒ以自ｍ设定， 为真实的礼交网络 通常是稀疏网络，ｌ大Ｉ此，边数通常是比较少的． ２．２实验结果与分析 本义在ｍａｔｌａｂ平 Ｌ白‘先模拟了拥有１００个节 点的礼交网络．节点之间的有向边表示Ｊ｝Ｊ 之间的 关注关系．图１是边数分别为５００，６００，７００的模拟 输入：给定的邻披矩阼表示的有向社交网络Ｇ＝ｌｆ／，Ｅ１．参数 ， ，ｓ 输Ⅲ：簇的编号怀签 枢细 点标签ｈ．离群节点标签，，Ｇ＝｛（Ｕ． Ｅ．（ｒ－ｈ．，’）） （１】对 一个 ∈ｆ 。（２） （３） ，／求ｊｆｊ每个节点的入度 ｒ Ｉｉ ｉｉ１ ｆ （４） ｉｆ （， ． ）＞ （５） 将大】： 的 点添 Ｑ； 社交网络ｌ矧． （６） （７） ／／从Ｑｌｌ１随机溃取 个节点 （ ，“．）Ｅ（Ｊ （８） （９） （１０） 将 点添ＪＪＩ１到ｑ２； 将ＩＩ，从￡ 集合ｌ｛｜删除； ｆｏｒ“ Ｅ（Ｊ２ （１１） （１２） （１３）将ＩＩ 添ｆＪ【１到埘嘘 Ｉｐ； ／，对余下ｆｌ＇ｊ，￣ｆｌ户节点进行遍历 ｔｂｒ｛ ．Ｅ￡ （１４） ／ｌ￣ｌｌ断雠个节点刮中心节点的步数ｔ．ｊ ｓ的关系，以及 ，卜１：ｓ的节 数Ｉｎｌｐ （１５） （１６） ｌｌｌ１Ｉ）定义为到－｛＿１｜【 节点步数小于 的 点个数； ｉｆ Ａ （ｆＩ１．ｉ）（ ＆＆ｔｍｐ：＝ｌ （Ｉ７） （Ｉ ８） 将桐应的 捕人相应 中；； ｅ１￣．ｅ Ｉｆ，ｖ（“ ，ｉ）＜ ＆＆ｔｌ『１ｐ＞ｌ （１９） （２０） 将中Ｈ应的 捅人到楸纽集合ｓＩＩ１； ｅｌｓｅ （２１） 将卡¨血的ＩＩｌ椭入到离群节点Ｆ一【Ｉ． （２２）对相Ｊ 的Ｔ／给与相应的簇的编号“． （２３）楸纽 点ｓ怀记为ｈ； （２４）离群 点怀ｉ 为，’； 足否完成的标志，在聚类循环时，枢纽节点会不断得 到卡ｆ１啦的分簇， 全部分簇时，聚类结束． 从聚类过程中可以观察¨｛，此聚类算法对节点 处理 序不敏感，但是节点一旦在第一次确定簇之 后，就应该把它从下个遍历过程中删除，以防发生重 复遍Ｊ 。造成最后分簇不明确．另外，离群簇的设置 使之能够简【丫１．适应礼交网络的扩展，更能反应｝｝Ｉ真 实衬：交网络的情况． ２实验分析 ２．１实验数据集 小义 ｎｌｄｔｌａ１）平俞上通过埘真实社交网络的模 拟来进行实验． 为需要确定参数 ， ，占的范Ｈ爿， 需要分析不ｌ『ｉ】的网络ｆ冬１对参数的影响，真实的社交 网络数据集没法满足这点，【六ｌ此需要模拟社交网络 （（－）７００ 图１ ５００、６００、７００条边时的社交网络结构模型图 Ｆｉｇ．１ Ｓｉｍｕｌａｔｉｏｎ ｏｆ ｓｏｃｉａｌ ｎｅｔｗｏｒｋ ｓｔｒｕｃｔｕｒｅ ｏｆ ５００。６００，７００ ｅｄｇｅｓ ｆｊ均贤，等：Ｊ Ｊ 川Ｊ’・ 交『《ＩＪ络的址 离 炎｛’： ・５ ｌ・ 输入 ＾ １＼参数， ， ， ． 为节点１＇１９』 人人 ＩＩ’Ｉ边的惭 直接决定Ｊ 、 人 Ｊ 参数，Ｉ｛仃人丁 这个参数的 点 有 能做选 ｒ ． Ｊ 的分（１ｉ， ‘Ｉ＝ 分忻人瞍与边的天系，以他 确 』Ｊ２久人Ｊ 参数 ．边数ｆＩ１ 的小同的什交ｆ叫 ｝｝ ｆｌｌ 删仃１ 川边数的 【冬Ｉ 最人人度参数 的火系， 教 的遥ｆ 如 ２、 ３昕示。 漩久人度参数 图２入度参数与节点数目 Ｆｉｇ．２ Ｒｅｌａｔｉｏｎｓｈｉｐ ｂｅｔｗｅｅｎ ａｎｄ ｎｕｍｂｅｒ ｏｆ ｎｏｄｅｓ ＾々几八Ｊ笪琴数 图３入度参数与最大节点数目 Ｆｉｇ．３ Ｒｅｌａｔｉｏｎｓｈｉｐ ｂｅｔｗｅｅｎ ｙ ａｎｄ ｎｕｍｂｅｒ ｏｆ ｍａｘ ｎｏｄｅｓ Ｊ。 ｌ（）（】个 悄 下， 艾选择Ｊ 边数５００ 的ｆＩ 交 ． ｌｌ１ 大人度参数 为５． 銎数Ｆ代 步教１＇１９闽仉． 川 Ａ到川ｒｌ ｌ｛的 』Ｊ：ｔｌ圳 离小Ｊ ｌＩ、』，ｌ｛能 一定 度上代 Ａ的Ｉ 巡 ． 个川 卡¨似． 是， 趣的十日似 度会随行 的增人 世述减少． 此． “１赋】： 合迅的 Ｉ，以 他 持ＩＩＩ Ｊ、ｔ之 Ｉ＇１９卡¨似性．１ 点之 的最／． －ｉｉ． Ｉ１１ 离一 日 Ｉ 边的数Ｉ ｉＩ１，Ｊ Ｊ‘曾ＪＪＩＩ¨１ 减少，同时， 一 制Ｉｌ ｒｄ边 数ｆＩＩ ， 址连接父系／ｆ 的刚络 是 ×ｌｆ Ｊ √ ｌ 勺 啦进上，／ｆ 同边数 ‘ｊ步数 的火系 』『ｌ】 ４． 图４不同边数对应的离群节点与枢纽节点个数 Ｆｉｇ．４ Ｔｈｅ ｎｕｍｂｅｒ ｏｆ ｏｕｔｌｉｅｒｓ ｎｎｄｅｓ ａｎｄ ｃｅｎｔｅｒ ｎｏｄｅｓ ｗｉｔｈ ｄｉｆｆｅｒｅｎｔ ｅｄｇｅｓ 聚炎 的效 足楸 点 ｆ≈斛 ｉ－． 数ＩＩ 十¨后／ｆ 人，这样利Ｊ 续循环聚炎． 此，这Ｉ 取离 排 细节点筹值较小时的 ＝３． 确定 的参数后， 咒确定 － 教 －Ｊ＃５数，随 机 成 个 络 ，然后与参数・起作为输入，迎ｊ』 离柴炎算法进行聚类．这 选扦＿ｒ ５００ 边 的卞ｊ！拟｝ｆ：交Ｉ叫络 ． 将随机『ｌ，Ｊ 络模 进 柴类，聚炎过 『』Ｉ １５， 『ｆｌ口代表楸纽 ，◇代表 ｉ￣ｉ巾， －，Ｈ ・ ．口址 分簇，ｏ代 二类分簇． ５２一 图５聚类过程 Ｉ ｉｇ．５ Ｆｈｅ ｐｒｏｃｅｓｓ ｏｆ ｃｌｕｓｔｅｒｉｎｇ －川１人刊ｆ ， 、 ，．然 随竹川 交＿父系的 ｆ！ ＩＪ１．离 』Ｉ Ｊ Ｊ’ ｉｌ Ｊ＂以随时转换为新的簇以供后续推 他…． ３ 结 论 …Ｊ －和ｌＪ Ｊ。 Ｊ ｆｆ：交 的聚炎翰：法，作片Ｊ址 摊ｆ 系统 ｌ 数埘进行预处州， 现一个聚类卡ＪＪ 化．这１：、ｒ 拊 数 ｆ１载时ｉ－ｆ以分簇ＪＪｌ１裁，降低邻 城搜索。 ｉｉｉＪ， ｌ ｝ｆｆ； 效率． ＩＩ， 簇结果ｌｌＩ没置ｒ 离肝 ｔ ５ 梭．他｝ｆ：交网络 仃ｒ一定的扩腱性．然 Ｊ 述Ｊ Ｊ Ｊ 』ｔｔ 交 络ｎ ￣－＇／＿Ｉｌｆｉ离聚类算法， ３３ ２【ＪｆＪ 埘诈法的定义 ｊ流 做丫 休的介 ． 通过实 验数 验 ＿ｒ ｌ’：法的效果． 参 考文 献： ｎｇ￣１ ．Ｚｌｌｔｉ ｉｇＺ Ｋ Ｚｈ（，ｌｌ。１．ｅｔ＿。。ＩＩ．（１ｌｌｌｈｌ１．，Ｉａｌ ｆｉＩｈ １ｉｎｇ ｗｉｔｌｉ（１Ｉｍｉ ｉ【１ｉ１一 ｌＩ ｒｉＳ（ ｆ１ ｓｉｍｉｌａｌ’ｉｈ．（１¨１ ｒｉｌｉｔＵＩｉｈ・ ｜１ ｌＩ｝ｌ１Ｈ Ｊ：． Ｉ ｈ、ｓｉｔ－ａ Ａ： ＩｌＨＩｌ【‘ ｊ Ｍ《 （’ｈａｎｉ（ ｛ｌｌｌ（ｉ ｉｌ，４＇＼ｐｉｌｌｉｃａｌｉｏｎｓ． ！（）１（）．３８９【（’）： １２５９一 Ｉ２６４ ２ 、ｌｌｔｌｌＩ Ｘ，＼、ｉｉ （２ｏ１１１（ ｌｉｔ—ｈａ ｒＰ【…ＩＩＩＩＩＩ＇ＩｌｌＩ ＩＩ＿ＩＩＩ１ ＩＩＩｌｌｆｆｆ－Ｉ ｉＩＩ ｌｎｉｌ・ｉ．－ｂｌｏｇ￣‘・…＇ｉ Ｕｌｌｌｌｌｌｉｈ Ｃ∥、ｌａｉｉａｇｅｎｌ（、ＩＩＩｔ —ｉｏ１１１１１１（ ｒ￡ｉ１１（１ （ 『Ｉ ｖｌ ｉｉＩ１ｌ１Ｉ ＩＩＩ（Ｉ（：Ｍｌ （：（ ）．２Ｏｌ２ Ｉｌ１ＩＩ ｉｉｌｌｄｉ【ｌｌ１“Ｉ（：ｏｎｆｌ ｉＩ・ｉ１ｔ・｛ （９１１．１ｈ ｉｉｉｉｉｇ，（＿Ｉ１ｉＩｌｌｌ：Ｉ ： ：．２０１２：Ｉ６５一Ｉ６８． ３ 卜１Ｉ㈨ ｇ Ｚ．（ ＩＩ Ｉ Ｉ，｜／ｔ－ｎｇ Ｉ）ＡＩ）ＪｌＪ ｉｉｉｇ；ｌ ’ ｍ、｜ｌ 】ｌｌ‘（‘ｈｉｌｉｑｌ¨ｅｓ ｌ【１ ａｌｈ－、ｉａｈ、ｉｈ（ ｐ｜Ｉ ｒｓｉｌ＞ｌ’ｆＩｌＩ１Ｉｒ１ｉｉ ｉｎ Ｉ‘ＩｌＩｌａｌＩＩ｝１ ｌ【＿、 ｆｉＩｌｅｌ，ｉｎｇ Ｊ．、【 、１＿ｒ１２ｉｉｉ＾“（・ｉｉｔ，Ｉ１ ｌ｝ｉｉ ＩＩ１ｆ ，ｉ１１１ ＩＩｉｌＩＩ／ ％ｓｌ（ｑ／ＩＳ （ ｒ（）ｌＳ），２００４．２２（１）：１ １６一Ｉ４２． ４； １ 匕。 ｆＩ ｌ’技 。卜数瓠‘挖抽日”‘ 、ｎ０ ｆｉＪｌ－＇；ｓ￣ｉ『Ｄ］，成鄙：ｉ６ Ｉ１ Ｊ ７一 尺 ： ２０１０．。ｃ ℃． ｊ，ｌＫ ＩＬｆｉｎ 人数 Ｊ电ｌ、ｆｉ０“ｆ 系统Ｊ． 一ＩＩ２ 川 乜几 、 ｌ｛Ｉ ２０１５，３８（２）：Ｉ一１５． ｔｈｕ’Ｉｉｇａｎ ／１．Ｈ ｏｎｇ／１ １． Ｉｇ．ｔｉｌｌｕｎ｜ Ｉ ３６ ｔ凡一Ｍｅａｌｌ Ｉ‘ｈｉｓｌ￣ ｉ ｉｎｇ ｉＩＩ ‘’ｒｉｌｈｌｎ．Ｉ．、ｐｐｌｉ￣．１￣ｂ．ＩＩｉｓｌｉｔ＇ ．Ｉ９７９．２８（１）： ｌＯ０一ｌ０８． Ｉ）ａｓ Ｓ，Ｉ）ｌｌｈｌｌ Ｍ，（；ｔｉｌｇ １、．１ １ ａｌ（ ｌｌＩ’ … 、”Ｉｌｔ－ｒＳＯｌＵｌｌｉｚａ— ｔｉｏｎ： （・ａｌ ＩＩ’ （１１１Ｉｉ１１１ ｔ・（１ｌｌａｌｌＩｌｒ ＩｉＶｔ、ｆｉＩ ｒｉｎｇ（：：１１ Ｉｎｔｅｌ，ｉＩｉ１一 Ｊｉｒｍａｌ Ｃｏｎｌｌ－Ｈ Ｉｈ＂－Ｉ ｆ）ｌＪ ¨ｊｈ Ｊ、ｘ ｉｄ ・Ｊ Ｊ．Ｊ｛ 川ｎ． 、ＪＩ，ｅｆ・ ． （：ｔｉｔｉｌｌ（ｉｌｌ：Ａ（：Ｍ，２０（）７：２７ １—２８０ Ｉ／Ｉ，ＩＩ—Ｉ Ｐｔ．（）ｌｌ ｋ－】．Ｉｌ Ｊｉｌｌ Ｉ．Ｔ１１（ ｔ，【１ｌｌａｈ（１ｌａｔｉ、ｔ ｆｉＩ ｉ，ｉ Ｊｉｇ ｒＩ ＩｌＩＩＩ— ＩＩ１（ ｎｄａｔｉ（）１１ ｈａｓｉ、ｌｊ（ｉｌｌ ）、１ ｔ‘ｌｕｓｔｅｉ—ｉＩＩｄ（、ｘｉｎｇ ＣＢＩＩ Ｉ．Ｅｘ１． ｔ ¨ｌｌ＿、～ｉｌｈ＼ｐｐｌ ａｌｉ（ｉｎｓ．２００３．２５（３１：４ｌ ３－４２３ ｉ．￣ＩＩＩＨＩ１、１ Ｉ．Ｉ＂ａｓｌ ａｌｇｏ￣’ｉｔｈｎ１ ｔ ｔ‘Ｉ＿『１ｇ（－ＯｌＩｌｉｌｉｌｌｉｌｉ｜￣ ｓｔｒＩＩ（・ＩＩＩ ｒＰ ｉＩＩ Ｉ１（・ＩｕＯＩ ｋｓ．Ｉ．Ｊ’ｈ、Ｈ ＩＩ ｌｈ－ｖｌ《 、～ｌ ：Ｓｈｉｔｉｓｉｔ（・ ｔ】 ＮｏｎｌｉＩｌｌ！ａｌ ＨＩＩ（Ｉ Ｎｏｌｌ Ｍａｔｔ（ ｉ ｌ）ＪＩ、ｓｉ（：ｓ．２０（）４，６９（６）：０６６１ ３３一 （）６６１ ３３． Ｉ ＬＩＩＩ（－ｉ‘・ｈｉｎ（ ＩＩｉ、 卜Ｉｉｌｌ Ｉｔ（ｎｔｌｌ（） ，Ｋ ｉ ｈ＂ｓｚ．Ｊ Ｉ）ｅｌｔ ｔｉｎｇ ｌｈＰ ＩＪ、Ｐｒｌａｐ１）ｉｌ１ ａｌｌｄ ｈｉｔ，ｉ ＬＩＩ’‘’ｈｉ｛‘ａｌ（１１）１１１１Ｉｌｉｉｌｌｉｈ ｓｌｌ’Ｉ１（ ｈｉｔｆ ｆｌｆ．（＇ＯＩＩＩ— ｌｉｂ ｘ ｉｉｅｌＷＯＩ’ｋ Ｊ．、ｌ－ｗ Ｊ，，ｕｌＩｌａｌ ｌ’ｆｌ｝）ｌ１、 ＾，２００８．１ Ｉ（３）： ｌ９－４４． 、１ Ｈ】（Ｊｗ Ａ．ＭⅢｆ ＯＩＩ Ｍ，｜；ｌｌｉｌｌｌｍＩ，Ｉ Ｋ ｆ’． 『Ｊ．Ｍ 川ｎ 『『ＩＰｎｉ ｔｉｌｌ（１ ａｎａｌ，，，ｓｉｓ ｌ１Ｉ ｏｌｉＩｉＩｌｌ＇ ｆ ｉｔｌＩ Ｉ１１７［％％Ｏ１Ｉ Ｈ（ １１ Ａ（ Ｍ 【（ｊ（ （）ＭＭ （ …ｍ ｉ… （ｉｌｌ ｌＩｌｈ ⅢＩ ｒＩ、１ｔ ｔｌＳｌｌ ＩＩＩ１ ｉｌｌ ２００７． ＇ｌＩ１ ｌ】 ｔ ，． （：ｎＩｉｉｆ ＩＩｉａ．ｔ 、：、（：、１，２００７：ｌ８１ ５一ｌ ８ｌ６． ｉ 您，－ｌｌＩＪ盼盼． ．Ｊ毒 ：Ｊ１』ｌＪ、ｔ 的 ｆＡＪ｝ｆ交网 ｆｆ｝：ｆ ｌ ｊ Ｉ．ｉＩ‘ｌ 柯ｌ ’ ：：｝ｌ｛，２０Ｉ ３，３６（’ｉ）：３４９—３５９． …
