夏 凱，傅 魁，劉李利

(武漢理工大學(xué)經(jīng)濟(jì)學(xué)院，湖北 武漢 430070)

隨著互聯(lián)網(wǎng)的普及以及Web 2．0的快速發(fā)展，虛擬社區(qū)已經(jīng)成為參與人數(shù)最多、應(yīng)用領(lǐng)域最廣的在線社會(huì)網(wǎng)絡(luò)。虛擬社區(qū)如何運(yùn)營(yíng)，是各虛擬社區(qū)網(wǎng)站都要面臨的問(wèn)題，發(fā)現(xiàn)問(wèn)題的潛在回答者可以促進(jìn)虛擬社區(qū)運(yùn)營(yíng)的成功［1－4］，而發(fā)現(xiàn)潛在回答者問(wèn)題則可以轉(zhuǎn)換為鏈接預(yù)測(cè)問(wèn)題。目前，鏈接預(yù)測(cè)的方法很多。在早期的研究中，有MARKOV 模型［5］，監(jiān)督學(xué)習(xí)［6］，最大似然估計(jì)［7］等鏈接預(yù)測(cè)框架和方法。相似性方法中節(jié)點(diǎn)相似性的鏈接預(yù)測(cè)方法由于簡(jiǎn)單、有效、內(nèi)涵豐富等特點(diǎn)，成為了當(dāng)今研究熱點(diǎn)［8］。相似性鏈接預(yù)測(cè)方法中基于局部信息的相似性指標(biāo)能取得較好結(jié)果且計(jì)算復(fù)雜度相對(duì)較低，因此筆者主要對(duì)局部信息的相似性指標(biāo)進(jìn)行了研究。LIN［9］利用節(jié)點(diǎn)的屬性定義了節(jié)點(diǎn)間的相似性，可以直接用來(lái)進(jìn)行鏈路預(yù)測(cè)。文獻(xiàn)［10］同時(shí)考慮被預(yù)測(cè)節(jié)點(diǎn)共同鄰居度數(shù)以及共同鄰居組成的小型網(wǎng)絡(luò)對(duì)預(yù)測(cè)結(jié)果的影響。文獻(xiàn)［11］考慮了融合時(shí)間信息的鏈接預(yù)測(cè)方法，該方法認(rèn)為兩個(gè)節(jié)點(diǎn)在相同的時(shí)間發(fā)布相同或相近的信息則節(jié)點(diǎn)間權(quán)重較大?，F(xiàn)有的相似性鏈接預(yù)測(cè)指標(biāo)存在以下兩個(gè)問(wèn)題:①單一地考慮網(wǎng)絡(luò)結(jié)構(gòu)信息或者節(jié)點(diǎn)屬性信息;②靜態(tài)處理節(jié)點(diǎn)之間的關(guān)系。筆者借鑒傳統(tǒng)局部相似性指標(biāo)提出了針對(duì)含權(quán)網(wǎng)絡(luò)的融合節(jié)點(diǎn)屬性和網(wǎng)絡(luò)演化信息的鏈接預(yù)測(cè)指標(biāo)，即SNEUGC指標(biāo)，該指標(biāo)旨在更全面、準(zhǔn)確地衡量虛擬社區(qū)用戶相似性，提高鏈接預(yù)測(cè)的準(zhǔn)確度。

1 基于SNEUGC指標(biāo)的鏈接預(yù)測(cè)

1．1 SNEUGC指標(biāo)構(gòu)建框架

筆者提出了構(gòu)建基于信息融合相似性算法的鏈接預(yù)測(cè)指標(biāo)，即SNEUGC指標(biāo)的方法。該方法的框架如圖1所示。

該框架主要包含5個(gè)模塊:①數(shù)據(jù)的獲取和處理;②基于用戶生成內(nèi)容的相似性計(jì)算;③基于網(wǎng)絡(luò)演化的相似性計(jì)算;④計(jì)算鏈接預(yù)測(cè)SNEUGC指標(biāo)值;⑤鏈接預(yù)測(cè)。

1．2 基于用戶生成內(nèi)容的相似性計(jì)算

基于用戶生成內(nèi)容的相似性計(jì)算(similarity based on user generated content，SUGC)旨在挖掘虛擬社區(qū)用戶的生成內(nèi)容信息(發(fā)帖、回帖)來(lái)計(jì)算虛擬社區(qū)中兩個(gè)節(jié)點(diǎn)之間的相似性。該計(jì)算過(guò)程分為以下3個(gè)步驟:

(1)用戶生成內(nèi)容文檔構(gòu)建。在虛擬社區(qū)中，挖掘用戶的發(fā)回帖內(nèi)容可以發(fā)現(xiàn)用戶在某一方面的偏好;若用戶具有相似的偏好則認(rèn)為用戶是相似的。因此將用戶在某論壇某一時(shí)間段的所有發(fā)回帖內(nèi)容組織成一篇文檔作為用戶的生成內(nèi)容文檔進(jìn)行輸入計(jì)算。

圖1 SNEUGC指標(biāo)構(gòu)建框架圖

(2)用戶生成內(nèi)容文檔的空間向量模型構(gòu)建。通過(guò)分詞算法對(duì)用戶生成內(nèi)容文檔進(jìn)行分詞，過(guò)濾停用詞，根據(jù)詞頻進(jìn)行詞項(xiàng)選擇，用式(1)計(jì)算詞項(xiàng)權(quán)重，生成空間向量模型。

式中:ni，j為該詞在文件中出現(xiàn)的次數(shù);為文件中所有字詞出現(xiàn)的次數(shù)之和;N為總的文檔數(shù);dfi為包含該詞的文檔數(shù)。

(3)用戶生成內(nèi)容的相似性計(jì)算。運(yùn)用余弦相似度公式計(jì)算空間向量之間的相似性。

式中:n為詞項(xiàng)數(shù);Ai為文檔A中第i個(gè)詞項(xiàng)的tfidf值;Bi為文檔B中第i個(gè)詞項(xiàng)的tfidf值。

將計(jì)算的結(jié)果寫(xiě)入生成內(nèi)容相似性文檔，該文檔記錄了每個(gè)節(jié)點(diǎn)生成內(nèi)容上的相似度值。

1．3 基于網(wǎng)絡(luò)演化的相似性計(jì)算

基于網(wǎng)絡(luò)演化的相似性計(jì)算(similarity based on network evolution，SNE)旨在挖掘由回復(fù)關(guān)系構(gòu)建的網(wǎng)絡(luò)結(jié)構(gòu)信息計(jì)算虛擬社區(qū)中兩個(gè)節(jié)點(diǎn)之間的相似性。SNE計(jì)算過(guò)程分為以下兩步:①基于靜態(tài)網(wǎng)絡(luò)結(jié)構(gòu)用戶相似性計(jì)算(similarity based on static network，SSN);②基于網(wǎng)絡(luò)結(jié)構(gòu)的相似性文檔更新。

1．3．1 SSN計(jì)算

SSN計(jì)算是將t時(shí)刻回復(fù)關(guān)系網(wǎng)絡(luò)結(jié)構(gòu)信息作為輸入，計(jì)算t時(shí)刻網(wǎng)絡(luò)結(jié)構(gòu)中節(jié)點(diǎn)之間的相似性。相鄰節(jié)點(diǎn)相似性和非相鄰節(jié)點(diǎn)相似性的計(jì)算如式(3)和式(4)所示。

其中:S(x，y)為節(jié)點(diǎn) x，y之間的相似性;weight(x，y)為節(jié)點(diǎn) x，y之間的權(quán)重;U(x)為節(jié)點(diǎn)x的鄰接節(jié)點(diǎn);Γ(x，y)為節(jié)點(diǎn)x，y之間的共同鄰居;|Γ(x，y)|為節(jié)點(diǎn) x，y之間的共同鄰居的數(shù)量。權(quán)重weight(x，y)的計(jì)算如式(5)。

式中:m為論壇中主題數(shù);nm為對(duì)某個(gè)主題m的回復(fù)數(shù)。

1．3．2 基于網(wǎng)絡(luò)結(jié)構(gòu)的相似性文檔更新

基于網(wǎng)絡(luò)結(jié)構(gòu)的相似性文檔記錄了挖掘網(wǎng)絡(luò)結(jié)構(gòu)信息獲得的節(jié)點(diǎn)相似性。文檔的更新過(guò)程則是追蹤網(wǎng)絡(luò)演化的過(guò)程。網(wǎng)絡(luò)的演化會(huì)發(fā)生如下3種情況:

(1)新增鏈接。根據(jù)式(3)或式(4)計(jì)算出新增鏈接的兩節(jié)點(diǎn)相似性，直接寫(xiě)入文檔。

(2)丟失鏈接。丟失鏈接是指在t－1時(shí)刻節(jié)點(diǎn)a，b之間存在鏈接，t時(shí)刻a，b之間不存在鏈接的情況。對(duì)丟失鏈接情況的處理如式(6)。

式中，n為兩個(gè)節(jié)點(diǎn)連續(xù)出現(xiàn)鏈接丟失的次數(shù)。當(dāng)節(jié)點(diǎn)之間的相似性為0時(shí)，將節(jié)點(diǎn)之間的關(guān)系從文檔中刪除。

(3)鏈接權(quán)重變化。鏈接權(quán)重變化是指在t－1時(shí)刻節(jié)點(diǎn)a，b之間存在鏈接，t時(shí)刻a，b之間也存在鏈接的情況。對(duì)鏈接權(quán)重變化的處理如式(7)所示。

1．4 SNEUGC值計(jì)算

將基于網(wǎng)絡(luò)結(jié)構(gòu)的相似性文檔、生成內(nèi)容相似性文檔作為輸入，運(yùn)用式(8)計(jì)算SNEUGC指標(biāo)值。

式中，α為權(quán)重值，用來(lái)調(diào)節(jié)SUGC計(jì)算出來(lái)的相似性與SNE計(jì)算出來(lái)的相似性對(duì)SNEUGC指標(biāo)的影響力。

1．5 基于SNEUGC指標(biāo)的鏈接預(yù)測(cè)

基于SNEUGC指標(biāo)的鏈接預(yù)測(cè)過(guò)程可用式(9)表示。

式中:v為某個(gè)特定的節(jié)點(diǎn);y為節(jié)點(diǎn)v的相鄰節(jié)點(diǎn)或者與節(jié)點(diǎn)v有共同鄰居的節(jié)點(diǎn);A(v)為可能對(duì)節(jié)點(diǎn)v發(fā)生鏈接的節(jié)點(diǎn)集合;β為選定的某個(gè)閾值。

計(jì)算與節(jié)點(diǎn)v相鄰或者有共同鄰居節(jié)點(diǎn)的SNEUGC指標(biāo)值，并與選定的閾值比較，將超過(guò)閾值的節(jié)點(diǎn)y納入集合A中作為鏈接預(yù)測(cè)集合。

2 實(shí)驗(yàn)結(jié)果設(shè)計(jì)與分析

2．1 實(shí)驗(yàn)設(shè)計(jì)

2．1．1 實(shí)驗(yàn)數(shù)據(jù)

通過(guò)網(wǎng)絡(luò)爬蟲(chóng)采集國(guó)內(nèi)39艾滋論壇的數(shù)據(jù)，對(duì)提出的鏈接預(yù)測(cè)算法性能進(jìn)行實(shí)驗(yàn)。將用戶最活躍的2009年前9個(gè)月的數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)，刪除無(wú)效數(shù)據(jù)后按月進(jìn)行劃分。然后分別以某月中的數(shù)據(jù)作為預(yù)測(cè)集，前一個(gè)月的數(shù)據(jù)作為訓(xùn)練集。

2．1．2 實(shí)驗(yàn)數(shù)據(jù)與評(píng)價(jià)指標(biāo)

實(shí)驗(yàn)采用ROC曲線(receiver operating characteristic curve)即操作特征曲線來(lái)度量算法的性能。ROC曲線下的面積AUC(area under the roc curve)值越大，說(shuō)明其算法性能越好。ROC曲線實(shí)例定義如表1所示。

表1 ROC曲線實(shí)例定義

2．1．3 實(shí)驗(yàn)設(shè)計(jì)

實(shí)驗(yàn)旨在解決以下4個(gè)問(wèn)題:①比較基于靜態(tài)網(wǎng)絡(luò)結(jié)構(gòu)用戶相似性計(jì)算(SSN算法)與基于網(wǎng)絡(luò)演化的相似性計(jì)算(SNE算法)的預(yù)測(cè)效果，驗(yàn)證考慮網(wǎng)絡(luò)演化算法比靜態(tài)網(wǎng)絡(luò)算法有更高的準(zhǔn)確率。②比較基于用戶生成內(nèi)容的相似性計(jì)算(SUGC算法)與基于網(wǎng)絡(luò)演化的相似性計(jì)算(SNE算法)的預(yù)測(cè)效果，定性分析基于信息融合相似性算法的鏈接預(yù)測(cè)指標(biāo)(SNEUGC指標(biāo))中兩部分算法結(jié)果所占的比例。③比較α取不同的值對(duì)SNEUGC指標(biāo)預(yù)測(cè)效果的影響。對(duì)基于信息融合相似性算法的鏈接預(yù)測(cè)指標(biāo)(SNEUGC指標(biāo))進(jìn)行多組實(shí)驗(yàn)，定量確定 α取何值時(shí)SNEUGC指標(biāo)預(yù)測(cè)效果能達(dá)到最優(yōu)。④比較基于信息融合相似性算法的鏈接預(yù)測(cè)指標(biāo)(SNEUGC指標(biāo))、基于用戶生成內(nèi)容的相似性計(jì)算(SUGC算法)、基于網(wǎng)絡(luò)演化的相似性計(jì)算(SNE算法)的預(yù)測(cè)效果，驗(yàn)證SNEUGC指標(biāo)具有較高的預(yù)測(cè)準(zhǔn)確率。

2．2 SSN算法與SNE算法預(yù)測(cè)效果比較

首先對(duì)SSN算法進(jìn)行了8組實(shí)驗(yàn)，然后對(duì)SNE算法進(jìn)行實(shí)驗(yàn)。通過(guò)觀察實(shí)驗(yàn)數(shù)據(jù)發(fā)現(xiàn)，SNE算法在預(yù)測(cè)準(zhǔn)確率和穩(wěn)定性方面比SSN算法表現(xiàn)好。從而得出結(jié)論:考慮網(wǎng)絡(luò)演化因素比利用靜態(tài)網(wǎng)絡(luò)結(jié)構(gòu)的預(yù)測(cè)效果要好。

對(duì)SSN算法進(jìn)行了測(cè)試。分別選擇1至9月的數(shù)據(jù)作為訓(xùn)練集，其他月份的數(shù)據(jù)作為測(cè)試集。TPR實(shí)例值表示預(yù)測(cè)鏈接的準(zhǔn)確率;ROC曲線表示整體的預(yù)測(cè)效果。表2為SSN算法TPR實(shí)例值，TPR=TP/(TP+FN)。圖2為SSN算法的整體效果，F(xiàn)PR=FP/(FP+TN)。

表2 SSN算法TPR實(shí)例值

從表2來(lái)看，SSN方法不能穩(wěn)定地預(yù)測(cè)未來(lái)鏈接，且整體預(yù)測(cè)效果很差。SSN算法預(yù)測(cè)的TPR值以訓(xùn)練集所在月份為中心不斷變小。預(yù)測(cè)數(shù)據(jù)所在月份離訓(xùn)練集所在月份越近，預(yù)測(cè)的準(zhǔn)確率越高;預(yù)測(cè)數(shù)據(jù)所在月份離訓(xùn)練集所在月份較遠(yuǎn)的話，預(yù)測(cè)的準(zhǔn)確率不斷降低。1月份的數(shù)據(jù)作為訓(xùn)練集，預(yù)測(cè)8月份、9月份的數(shù)據(jù)，TPR值為0;而鄰近的預(yù)測(cè)月份如2月、3月則相對(duì)較高。SSN算法通過(guò)某一時(shí)刻的網(wǎng)絡(luò)結(jié)構(gòu)作為訓(xùn)練輸入，預(yù)測(cè)未來(lái)發(fā)生的鏈接。這種靜態(tài)預(yù)測(cè)的方法對(duì)于距離訓(xùn)練數(shù)據(jù)較近的月份預(yù)測(cè)效果較好，隨著訓(xùn)練數(shù)據(jù)與預(yù)測(cè)數(shù)據(jù)時(shí)間跨度的增大，預(yù)測(cè)效果會(huì)越來(lái)越差。由于這種預(yù)測(cè)準(zhǔn)確率的不穩(wěn)定性導(dǎo)致了整體的預(yù)測(cè)效果偏低，因此圖2(a)和圖2(b)中無(wú)法形成ROC曲線。

實(shí)驗(yàn)對(duì)SNE算法進(jìn)行了測(cè)試。實(shí)驗(yàn)結(jié)果如圖3、圖4和表3所示，表3中SNE算法的AUC值為0．658 8。實(shí)驗(yàn)結(jié)果表明，SNE算法在預(yù)測(cè)穩(wěn)定性和預(yù)測(cè)效果方面較SSN算法好。

圖2 SSN算法的整體效果

圖3 SNE算法TPR值

圖4 SNE算法的ROC曲線圖

表3 不同算法的AUC值

從圖3可以看出，SNE算法能夠獲得較為穩(wěn)定的TPR值，TPR值都在0．6左右上下波動(dòng)。從圖4和表3可以看出，SNE算法可以獲得整體預(yù)測(cè)效果一般的實(shí)驗(yàn)結(jié)果。較SSN算法，SNE算法考慮了網(wǎng)絡(luò)演化過(guò)程，而不是以某一時(shí)刻的網(wǎng)絡(luò)結(jié)構(gòu)數(shù)據(jù)預(yù)測(cè)其他時(shí)刻可能發(fā)生的鏈接。這種方式能夠更準(zhǔn)確地表述節(jié)點(diǎn)之間的關(guān)系，因此能夠獲得較為穩(wěn)定和精確的預(yù)測(cè)結(jié)果。

綜合以上實(shí)驗(yàn)數(shù)據(jù)比較可知，考慮網(wǎng)絡(luò)演化的SNE算法比靜態(tài)網(wǎng)絡(luò)算法SSN預(yù)測(cè)穩(wěn)定性更好，且有更高的預(yù)測(cè)準(zhǔn)確率。

2．3 SUGC算法與SNE算法預(yù)測(cè)效果比較

分別對(duì)SUGC算法和SNE算法進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明運(yùn)用網(wǎng)絡(luò)結(jié)構(gòu)信息(SNE算法)進(jìn)行預(yù)測(cè)的效果比運(yùn)用用戶生成內(nèi)容信息(SUGC算法)進(jìn)行預(yù)測(cè)的效果好;SUGC算法的計(jì)算結(jié)果在SNEUGC指標(biāo)中所占的比例比SNE算法所占比例小。實(shí)驗(yàn)結(jié)果如圖5和表3所示。

圖5 SNE、SUGC算法ROC曲線圖

從圖5可以定性地看出，SNE的預(yù)測(cè)效果優(yōu)于SUGC。表3定量計(jì)算了每個(gè)算法的AUC值，SUGC算法不足0．5;SNE的AUC值為0．658 8。

實(shí)驗(yàn)結(jié)果表明，應(yīng)用網(wǎng)絡(luò)結(jié)構(gòu)信息比用戶屬性信息進(jìn)行鏈接預(yù)測(cè)效果好。SUGC是將用戶的發(fā)回帖內(nèi)容構(gòu)建文檔進(jìn)行相似度計(jì)算。SNE算法根據(jù)網(wǎng)絡(luò)結(jié)構(gòu)預(yù)測(cè)節(jié)點(diǎn)之間的相似性。SUGC算法構(gòu)建的文檔中很多都是短文本以及較多難以過(guò)濾的不相干內(nèi)容，因此僅通過(guò)節(jié)點(diǎn)屬性信息預(yù)測(cè)鏈接準(zhǔn)確度不高。SNE算法構(gòu)建網(wǎng)絡(luò)結(jié)構(gòu)，能夠較為真實(shí)地反映用戶之間的交互關(guān)系，干擾因素較少。

2．4 SNEUGC指標(biāo)α系數(shù)定量實(shí)驗(yàn)

該實(shí)驗(yàn)分為4 組，分別取 α 為0．1、0．2、0．3 和0．4進(jìn)行實(shí)驗(yàn)，比較不同α系數(shù)給實(shí)驗(yàn)結(jié)果帶來(lái)的影響，從而確定α值。實(shí)驗(yàn)結(jié)果如圖6所示。結(jié)果表明，當(dāng)α=0．2時(shí)，預(yù)測(cè)效果達(dá)到最佳。

2．5 SUGC和SNE算法、SNEUGC指標(biāo)預(yù)測(cè)比較

分別對(duì)SUGC算法和SNE算法及SNEUGC指標(biāo)進(jìn)行實(shí)驗(yàn)。SNEUGC指標(biāo)中α取值為0．2。實(shí)驗(yàn)結(jié)果表明運(yùn)用SNEUGC指標(biāo)進(jìn)行預(yù)測(cè)的效果最好。實(shí)驗(yàn)結(jié)果如圖7和表3所示。

圖6 α取值不同情況下SNEUGC的ROC曲線

圖7 SNEUGC、SNE、SUGC算法ROC曲線比較

SNEUGC指標(biāo)融合用戶生成內(nèi)容信息和網(wǎng)絡(luò)演化信息，能夠較好地平衡兩種算法的優(yōu)缺點(diǎn)，在預(yù)測(cè)穩(wěn)定性和準(zhǔn)確性方面都有較大的提高。實(shí)驗(yàn)結(jié)果表明，SNEUGC指標(biāo)整體預(yù)測(cè)效果最好。

3 結(jié)論

鏈接預(yù)測(cè)方法可以發(fā)現(xiàn)虛擬社區(qū)的潛在回答者從而促進(jìn)虛擬社區(qū)運(yùn)營(yíng)成功。針對(duì)傳統(tǒng)的節(jié)點(diǎn)相似性鏈接預(yù)測(cè)指標(biāo)僅考慮網(wǎng)絡(luò)結(jié)構(gòu)信息或者節(jié)點(diǎn)屬性信息，且靜態(tài)處理節(jié)點(diǎn)之間關(guān)系的不足，提出了基于信息融合相似性算法的鏈接預(yù)測(cè)指標(biāo)，即SNEUGC指標(biāo)。實(shí)驗(yàn)結(jié)果表明，基于網(wǎng)絡(luò)演化信息比基于靜態(tài)網(wǎng)絡(luò)的鏈接預(yù)測(cè)效果好;基于網(wǎng)絡(luò)演化信息的預(yù)測(cè)效果比基于用戶生成內(nèi)容的預(yù)測(cè)效果好;信息融合的預(yù)測(cè)效果比利用單一信息的預(yù)測(cè)效果好。

［1］ 李桂華，余偉萍．虛擬社區(qū)文本情感表達(dá)對(duì)用戶參與的作用:模型構(gòu)建與驗(yàn)證［J］．情報(bào)學(xué)報(bào)，2012，31(8):853－860．

［2］ 汪祖柱，吳磊．用戶參與專業(yè)虛擬社區(qū)的滿意度影響因素研究［J］．武漢理工大學(xué)學(xué)報(bào):信息與管理工程版，2013，35(5):784 －788．

［3］ KOH J B，KIM Y G，BUTLER B．Encouraging participation in virtual communities［J］．Communications of the ACM ，2007，50(2):69－73．

［4］ MURATA T，MORIYASU S．Link prediction based on structural properties of online social networks［J］．New Generation Computing，2008(26):245 －257．

［5］ LICHTEN W R N，LUSSIER J T，CHAWLA N V．New perspectives and methods in link prediction［C］∥Proceedings of the 16th ACM SIGKDD International Conference on Knowledge Disugcovery and Data Mining．［S．l．］:ACM，2010:243 －252．

［6］ CLAUSET A，MOORE C，NEWMAN M E J．Hierarchical structure and the prediction of missing links in networks［J］．Nature，2008(453):98 －101．

［7］ 呂琳媛．復(fù)雜網(wǎng)絡(luò)鏈路預(yù)測(cè)［J］．電子科技大學(xué)學(xué)報(bào)，2010，39(5):652 －660．

［8］ LIN D．An information－theoretic definition of similarity［J］．ICML，1998(98):296 －304．

［9］ LIN A，ADAR E．Friends and neighbors on the Web［J］．Social Networks，2003，25(3):211 －230．

［10］ 東昱曉，柯慶，吳斌．基于節(jié)點(diǎn)相似性的鏈接預(yù)測(cè)［J］．計(jì)算機(jī)科學(xué)，2011，38(7):162 －164．

［11］ 張昱，張恩德．基于時(shí)間信息的社會(huì)網(wǎng)絡(luò)鏈接預(yù)測(cè)研究［J］．計(jì)算機(jī)與數(shù)字工程，2012(11):50－51．