孫　莉　張　振　李繼云　王　梅

(東華大學計算機科學與計算機學院　上海 201620)

?

基于微博文本和元數(shù)據(jù)的話題檢測

孫莉張振李繼云王梅

(東華大學計算機科學與計算機學院上海 201620)

在微博熱點話題發(fā)現(xiàn)中，微博文本短、詞量少、時效性高，傳統(tǒng)的話題檢測方法不再適用。針對這些新的特點，提出一種基于微博文本和元數(shù)據(jù)的話題發(fā)現(xiàn)方法。首先利用微博發(fā)布時間、用戶信息、微博轉(zhuǎn)發(fā)評論等元數(shù)據(jù)構(gòu)造描述微博詞匯能量的復合權(quán)值，進而提取出話題的主題詞匯，然后基于上下文關(guān)系構(gòu)造主題詞匯簇，最后對微博文本進行二次聚類，從而得到微博中的隱含話題以及相關(guān)微博文本。在真實微博數(shù)據(jù)上的實驗表明，該方法能有效發(fā)現(xiàn)熱門話題，提高話題檢測的準確率和查全率。

微博元數(shù)據(jù)聚類話題檢測

0　引　言

隨著互聯(lián)網(wǎng)行業(yè)的飛速發(fā)展，微博的注冊用戶數(shù)量持續(xù)升高，微博變得越來越深入大家的日常生活，成為了互聯(lián)網(wǎng)用戶分享生活、聯(lián)絡(luò)關(guān)系的一個重要平臺。最早的微博應(yīng)用模式來源于2006年誕生于美國的twitter，隨后中國新浪公司在2009年推出了新浪微博，自此微博正式進入了中文上網(wǎng)人群的視野。隨著微博的出現(xiàn)以及爆炸性發(fā)展，刷微博逐漸成為了人們獲取信息和發(fā)表意見的重要方式，從微博中監(jiān)控輿論也因此成為一種重要的輿論監(jiān)控方式。

與傳統(tǒng)的新聞文本不同，微博的內(nèi)容簡短，長度一般不超過140字，因此包含的詞語數(shù)量較少[1]。微博的文風也不像長篇新聞報道那樣正式，它的寫法隨意，語言豐富多彩，行文措辭不規(guī)范。微博具有很強的實時性，針對這種特征對微博內(nèi)容進行處理分析，可以及時檢測事件的發(fā)生，發(fā)現(xiàn)大眾觀點，從而進行輿論的監(jiān)控。傳統(tǒng)的新聞話題識別[2，3]一般將長文本中的詞語視為特征，先利用特征向量來表示文本，再采用一定的聚類算法根據(jù)文本向量間的距離對文本進行聚類，然而由于微博的文本簡短、詞語稀疏、寫法隨意、發(fā)布實時等特點使得傳統(tǒng)的聚類或分類方法在微博話題檢測方面變得不再適用。

本文仔細分析了微博的特點，提出一種基于微博文本和元數(shù)據(jù)的話題發(fā)現(xiàn)方法，先進行主題詞聚類再對微博文本進行二次聚類。首先從詞語的角度出發(fā)，而不是從整個微博文本比對的角度，使得單條微博中詞語稀疏的問題得以解決，同時也使得熱點詞語的檢測變得更加重要。本文在獲取微博數(shù)據(jù)后，采用中科院的ICTCLAS分詞庫對微博文本進行分詞與詞性標注，把一個時間段內(nèi)所有微博包含的詞語集合看成一個整體單元，充分結(jié)合微博元數(shù)據(jù)找到該時間段內(nèi)的TOP-N個熱點詞語；然后計算熱點詞語在微博文本里共同出現(xiàn)的概率，如果兩個詞語共同出現(xiàn)概率超過一個閾值則可以確定它們之間的語義關(guān)系，根據(jù)這些關(guān)系可以構(gòu)造出一個N頂點圖，由圖得到主題詞匯簇；最后基于主題詞匯簇對微博文本進行二次聚類，從而得到微博中的隱含話題以及相關(guān)的微博文本。

1　相關(guān)研究

話題檢測旨在將輸入的報道歸入不同的話題簇，本質(zhì)上等同于無指導的聚類。常用的聚類方法有單通道聚類、凝聚式聚類、層次聚類、增量聚類和K-Means聚類等。CMU的Y. Yang和UMASS的J. Allan等人運用單路徑聚類方式實現(xiàn)了話題檢測[4;5]。而CMU的Yiming Yang結(jié)合了凝聚式聚類算法與平均聚類算法，使TD系統(tǒng)同時可以用于回顧相關(guān)事件[6]。雖然以上算法在特征豐富的傳統(tǒng)長文本中取得了不錯的效果，但并不適合特征稀疏的短文本類型。隨著微博的興起，針對微博話題檢測的研究也越來越多。Changchun Yang等人針對微博的特性使用LSI模型達到降維和去噪的目的[7]。Silong Zhang等人利用LDA來拓展文本特征空間，基于上下文相似度和語義相似度在微博話題檢測中取得了不錯的效果[8]。上述兩種方法都起到了數(shù)據(jù)降維的作用，并在一定程度上解決了微博特征稀疏的問題，但效果并不明顯。之后賴錦輝等人提出了一種消除孤立點的微博熱點話題發(fā)現(xiàn)方法[9]，該方法可以較大程度上提高話題檢測的準確性，但文本特征稀疏的問題仍未得到很好的解決。Wenqing Zhao等人不再從微博文本相似度比對的角度出發(fā)，而是根據(jù)一段時間內(nèi)詞語的變化檢測話題，提出了一種基于詞共現(xiàn)圖的中文微博話題識別方法，從而較好地解決了短文本特征稀疏的問題，更適用于微博的話題檢測[10]。之后Suzhi Xue等人對微博話題發(fā)現(xiàn)問題引入了二元組的時間序列，提出了基于速度增長的微博熱點話題發(fā)現(xiàn)方法[11]。微博時間的引入提高了熱點話題發(fā)現(xiàn)的準確度。Feifei Peng等人則在研究中引入了微博的轉(zhuǎn)發(fā)評論量作為熱點詞語的修正權(quán)值，但是他們對微博元數(shù)據(jù)的考慮還不夠充分[12]，比如對發(fā)布微博者的用戶信息的考量。具有不同影響力的用戶發(fā)布的微博應(yīng)擁有不同的權(quán)值，用戶信息的引入將更為有效的提高微博話題檢測的準確率。

本文首先從詞語的角度出發(fā)，與從整個微博文本比對的角度不同，充分利用微博發(fā)布時間、用戶信息、微博轉(zhuǎn)發(fā)評論等元數(shù)據(jù)來構(gòu)造描述微博詞匯能量的復合權(quán)值，找到TOP-N個能量最高的熱點詞語；然后基于上下文關(guān)系對熱點詞語構(gòu)造主題詞匯簇；最后基于主題詞匯簇對微博文本進行二次聚類，從而得到微博中的隱含話題以及相關(guān)的微博文本。

2　微博話題檢測算法

本文采取的基于微博文本和元數(shù)據(jù)的話題檢測算法主要包括以下步驟：收集數(shù)據(jù)和數(shù)據(jù)預處理，結(jié)合微博元數(shù)據(jù)發(fā)現(xiàn)熱點詞語，聚類出主題詞匯簇，微博文本二次聚類，聚類效果分析。微博話題檢測算法流程圖如圖1所示。

圖1　微博話題檢測算法流程圖

2.1數(shù)據(jù)預處理和分詞

數(shù)據(jù)預處理和分詞作為微博話題檢測的準備工作，有著不可忽視的作用。數(shù)據(jù)預處理能在一定程度上達到去噪、降維的目的，同時在一定程度上解決了特征稀疏的問題。文本分詞效果的好壞則在很大程度上決定著后期的聚類效果。該過程的具體步驟如下：

(1) 過濾掉互粉人數(shù)低于閾值F的用戶的微博文本。如果互粉人數(shù)過低的一般可以認為是廣告賬號或者僵尸賬號，這些賬號所發(fā)的微博噪音過大，會對后面的聚類產(chǎn)生干擾，因此提前過濾掉。

(2) 因為微博文本中常常包含@符號，它表示該條微博想讓@的用戶看到。這些用戶名可能會對我們后面的分詞產(chǎn)生影響，而且用戶名并不能表征出微博中所說的話題，因此過濾掉文本中的“@用戶”。

(3) 將微博的評論信息和原始微博文本信息進行合并。對一條微博的評論可以看成是對該微博的補充，它們敘說的一般是同一話題。微博與其評論的合并使得文本長度增加，文本包含詞語數(shù)增多，一定程度上解決了短文本特征稀疏的問題。

(4) 有不少較為成熟的中文分詞算法和工具，本文采用的是中科院的ICTCLAS分詞系統(tǒng)的JAVA版本。該工具因分詞效果好、使用簡單、帶有詳細詞性標注等特點而被廣泛應(yīng)用于科研工作中。通過該分詞系統(tǒng)分詞后，微博文本轉(zhuǎn)化為一系列的詞語，每個詞語都帶有詞性標注，如動詞、名詞、形容詞、副詞等等。不同詞性的詞語對主題表達的貢獻程度不同，其中動詞和名詞具有最高的主題辨識度，因此本文中將主要考慮這兩種詞性的詞語，過濾掉其他詞性的詞語。

2.2熱點詞檢測

我們發(fā)現(xiàn)在之前的研究中多采用單純的詞頻方式，而忽略了微博所特有的一些元數(shù)據(jù)，這些元數(shù)據(jù)包括該條微博的轉(zhuǎn)發(fā)量、評論量和微博的用戶屬性等。一個擁有大量粉絲、經(jīng)常發(fā)布微博的加V用戶的微博影響力應(yīng)比只有少量粉絲、不經(jīng)常使用用戶的微博影響力大。因此在計算微博能量的時候不僅要考慮微博的轉(zhuǎn)發(fā)量和評論量，而且要考慮微博發(fā)布者的用戶屬性。微博的能量公式如下：

k=lg(numreplies+numretransmits)+u(U)

(1)

其中numreplies表示微博的評論數(shù)量，numretransmits表示微博的轉(zhuǎn)發(fā)數(shù)量，u(U)表示用戶信息的影響權(quán)值，k表示微博能量。其中u(U)的計算方式如下：

(2)

根據(jù)U值的范圍決定u(U)的最終取值。其中U的計算方式如下：

(3)

其中numfollowers表示微博用戶的粉絲量，numstatuses表示微博用戶發(fā)布的微博數(shù)量，numbi_followers表示微博用戶的互粉好友的數(shù)量，v用于表示用戶是否為認證用戶，如果是認證用戶則v為100，否則為0。

每條微博文本分詞后，詞語的出現(xiàn)量將乘以參數(shù)k。例如一條關(guān)于“中國好聲音”的微博文本中“歌曲”這個詞語出現(xiàn)了2次，則這條微博中“歌曲”這個詞語的加權(quán)出現(xiàn)量將為2k個。

實時性是微博的一個重要特征，微博中熱門話題會隨著時間的變化而改變。比如關(guān)于“李天一案件”的微博文本數(shù)量隨著時間的變化先增后減，在案件開庭前后的相關(guān)微博文本數(shù)量最多，這說明了微博是有歷史屬性的。因此我們不僅要考慮一個時間段內(nèi)微博詞語的出現(xiàn)量，而且要考慮兩個連續(xù)時間段相同詞語出現(xiàn)量的變化。把詞語的增長或者減少趨勢考慮進來，從而得到關(guān)于詞語出現(xiàn)量的時間權(quán)值t，計算方式如下：

(4)

其中numword_now表示當前時間段內(nèi)詞語word的出現(xiàn)量，numword_past表示過去一個時間段內(nèi)詞語word的出現(xiàn)量。如果當前時間段比過去時間段的相應(yīng)詞語多，則t的值大于1，否則小于1。詞語最終得分公式如下：

(5)

其中t為時間權(quán)值，ki為第i條微博的能量，numword_i為第i條微博詞語word的出現(xiàn)量，M為微博的總條數(shù)。之后根據(jù)詞語得分進行降序排列得到一個序列，該序列具有明顯的長尾現(xiàn)象，得分較低的詞語占據(jù)了序列的絕大部分，因此只需取top-N個詞語作為當前的熱點詞語。這些熱點詞語很有可能決定了當前微博的隱含話題，稱其為主題詞。

2.3主題詞聚類

如果在一個大規(guī)模的語料庫中，2個詞語經(jīng)常出現(xiàn)在同一個單元中(例如一句話、一段文字、一篇文章等)，則可以認為這兩個詞語的組合比較穩(wěn)定，在語義上存在關(guān)聯(lián)。詞語的共現(xiàn)率越高，代表它們之間的關(guān)聯(lián)性越強。每個微博文本可以理解為一個簡短的自然段或者文章，當兩個詞語經(jīng)常出現(xiàn)在一個微博中時，則可以認為這兩個詞語存在語義上的關(guān)聯(lián)。

不同主題詞在文本中共同出現(xiàn)的現(xiàn)象稱為主題詞的共現(xiàn)，而存在主題詞共現(xiàn)現(xiàn)象的微博文本在總文本中的比率稱為主題詞的共現(xiàn)率。比如，一共有1000個微博文本，主題詞A和主題詞B在其中的100個微博中同時出現(xiàn)，則主題詞A和主題詞B的共現(xiàn)率為0.1。把所有主題詞當作點，當兩個主題詞的共現(xiàn)率超過閾值F時，就連接兩點建立邊，最終得到一個非連通圖。該圖中的每個連通子圖構(gòu)成了一個主題詞匯簇，由此得到所有的主題詞匯簇。

圖2　主題詞匯簇連通圖

如圖2所示，每一個黑色的圓點代表一個主題詞，圓點之間連接的邊代表兩個主題詞共現(xiàn)率超過了閾值F。每一個連通的圖構(gòu)成了一個主題詞匯簇，例如圖中word 1-word 4為一個主題詞匯簇，word 5-word 8為另一個主題詞匯簇，二者分別用于確定一個話題。主題詞聚類算法流程圖如圖3所示，具體描述如下：

輸入：top-N個主題詞和主題詞之間的共現(xiàn)率

輸出：多個主題詞匯簇

步驟1以第一個主題詞作為初始簇的第一個詞語；

步驟2輸入下一個主題詞，分別計算該主題詞與每個詞匯簇中所有詞語的共現(xiàn)率的平均值，并找到最大的平均共現(xiàn)率K，以及對應(yīng)的詞匯簇X；

步驟3判斷最大平均共現(xiàn)率K是否超過閾值F，如果超過則主題詞歸入詞匯簇X；否則生成一個包含該主題詞的新詞匯簇；

步驟4讀取top-N列表里的下一個主題詞。重復步驟2、步驟3直到列表里的每個主題詞都劃入相應(yīng)的簇中；

步驟5輸出結(jié)果。

圖3　主題詞聚類算法流程圖

2.4微博文本二次聚類

前面得到的主題詞匯簇即可用來確定一個話題原型，詞匯簇中包含的主題詞具有較好的話題區(qū)分度。把微博文本中的每個詞語當成一個元素，微博文本可以轉(zhuǎn)化成一個包含n個元素的微博向量t(a1,a2,…,ak,…,an)，其中下標1～n對應(yīng)top-N個主題詞，ak(1≤k≤n)為對應(yīng)主題詞是否存在的邏輯值，如果存在則為1，否則為0。同理，由多個主題詞構(gòu)成的主題詞匯簇也可以轉(zhuǎn)換為包含n個元素的主題詞匯簇向量w(b1,b2,…,bk,…,bn)。由向量t和向量w可以求出它們之間的夾角余弦值，夾角余弦值越大代表向量間的相似度越高，而微博向量與主題詞匯簇向量的相似度越高，代表微博文本離主題詞匯簇越近。根據(jù)微博向量和主題詞匯簇向量相似度的大小來確定微博文本應(yīng)該劃入哪個主題詞匯簇中。微博文本二次聚類算法流程如圖4所示，具體描述如下：

輸入：主題詞匯簇和微博文本

輸出：每條微博文本所屬的主題詞匯簇

步驟1所有的主題詞匯簇轉(zhuǎn)換為主題詞匯簇向量；

步驟2輸入一條微博文本，轉(zhuǎn)換為微博向量。計算微博向量與各個主題詞匯簇向量的相似度，找到最大相似度simmax和對應(yīng)的主題詞匯簇向量W；

步驟3判斷最大相似度simmax是否超過閾值G，如果超過則將微博向量對應(yīng)的微博文本劃入主題詞匯簇向量W對應(yīng)的主題詞匯簇中；否則該微博不屬于任何一個熱門話題；

步驟4重復執(zhí)行步驟2、步驟3直到所有微博文本都判斷完成；

步驟5輸出結(jié)果。

圖4　微博文本二次聚類算法流程圖

3　實　驗

本文實驗環(huán)境為Intel Core i5-2400 3.10 GHz CPU、4 GB內(nèi)存、500 GB硬盤的PC機。操作系統(tǒng)為Win7，實驗工具為eclipse3.7.2，JDK版本為1.7.0。實驗所采用的原始數(shù)據(jù)集來自于數(shù)據(jù)堂，內(nèi)容包括新浪微博幾天內(nèi)與15個話題相關(guān)的4千多條微博。每條微博都已標注了所屬的話題，話題包括“斯諾登棱鏡事件”、“李天一案件”等。然后使用新浪微博官方API提取與這些微博相關(guān)的元數(shù)據(jù)，例如微博發(fā)布者的用戶信息，微博的轉(zhuǎn)發(fā)評論數(shù)量等。

3.1主題詞聚類結(jié)果分析

主題詞聚類為本文話題檢測方法的一個重要部分。對實驗數(shù)據(jù)集進行數(shù)據(jù)預處理、分詞和熱點詞檢測，得到top-N個主題詞以及這些主題詞之間的共現(xiàn)率。把這些主題詞以及它們之間的共現(xiàn)率作為微博主題詞聚類算法的輸入，得到多個主題詞匯簇。每個主題詞匯簇有著不同的能量值，首先對每個主題詞匯簇中包含的主題詞的能量進行加和運算以得到該主題詞匯簇的能量值，然后將其排序，最后選取數(shù)值超過閾值J的主題詞匯簇，結(jié)果如表1所示。

表1　主題詞聚類效果

從表1可以看出通過主題詞聚類得到的主題詞匯簇和對應(yīng)的話題高度吻合，例如話題“李天一案件”對應(yīng)的主題詞匯簇里的“律師”、“輪奸”、“受害人”等主題詞都明顯與該話題高度相關(guān)。而且主題詞匯簇的數(shù)量剛好為15個，與所選的實驗數(shù)據(jù)集中話題的數(shù)量一致并且逐一對應(yīng)，因此可以看出本文采用的主題詞聚類算法取得了較好的效果。

3.2微博文本二次聚類結(jié)果分析

傳統(tǒng)的話題檢測多采用聚類算法，結(jié)合文本間相似度進行聚類。經(jīng)典聚類算法包括singlePass、kmeans等，它們雖然在傳統(tǒng)長文本上取得了不錯效果，但是在微博這種短文本上效果卻不佳。而單純基于詞頻的話題檢測雖然適合特征稀疏的短文本，但未考慮微博特有元數(shù)據(jù)對微博能量的影響。本文提出的方法將微博文本和主題詞匯簇作為輸入，經(jīng)過微博文本二次聚類算法得到最終的話題檢測結(jié)果。為了驗證本文所述方法更適合微博的話題檢測，將本文方法與singlePass聚類方法、kmeans聚類方法和單純基于詞頻方法進行效果評價，結(jié)果如圖5、圖6所示。評價指標為查全率、準確率、漏檢率和錯檢率，各個參數(shù)的計算方法如下：

(6)

其中a為檢測到的話題相關(guān)微博文本數(shù);b為檢測到的話題不相關(guān)微博文本數(shù);c為未檢測到的話題相關(guān)微博文本數(shù)。

圖5　各算法準確率和查全率對比圖

由圖5所示：singlePass聚類的準確率和查全率都明顯不如本文方法；kmeans聚類雖然由于本身算法特點使得查全率為百分百，但準確率卻比本文方法低了很多；單純基于詞頻的話題檢測方法由于未考慮微博元數(shù)據(jù)對微博能量的影響，準確率和查全率不如本文方法。

圖6　各算法錯檢率和漏檢率對比圖

由圖6所示：本文方法的錯檢率相比較其他方法有所下降，特別是對比傳統(tǒng)的singlePass聚類和kmeans聚類方式；本文方法的漏檢率相比較singlePass聚類和詞頻方法也有所降低。

綜上所述，本文采用的話題檢測方法在實驗數(shù)據(jù)集上取得了較好的效果。

4　結(jié)　語

微博熱點話題的識別有著重要的應(yīng)用價值，本文在仔細分析微博的特有屬性后，提出了一種基于微博文本和元數(shù)據(jù)的話題發(fā)現(xiàn)方法，先進行主題詞聚類再對微博文本進行二次聚類。通過數(shù)據(jù)預處理、分詞、發(fā)現(xiàn)熱點詞語、基于上下文關(guān)系聚類出主題詞匯簇、微博文本二次聚類等步驟最終得到微博中的隱含話題以及相關(guān)的微博文本。基于真實數(shù)據(jù)的實驗結(jié)果證明了該方法的有效性，但是該方法受限于文本的數(shù)量，在大數(shù)據(jù)時代，實際的數(shù)據(jù)量往往是TB級，甚至PB級。為了保證算法的效率，有必要將算法移植到分布式平臺下并行處理。在保證效率的同時，準確率和查全率的提升也是本文后續(xù)研究的重點。

[1]KwakH,LeeC,ParkH,etal.WhatisTwitter,asocialnetworkoranewsmedia?[C]//Proceedingsofthe19thinternationalconferenceonWorldwideweb,2010:591-600.

[2]MoriM,MiuraT,ShioyaI.Topicdetectionandtrackingfornewswebpages[C]//Proceedingsofthe2006IEEE/WIC/ACMInternationalConferenceonWebIntelligence,2006:338-342.

[3]AllanJ,CarbonellJG,DoddingtonG,etal.Topicdetectionandtrackingpilotstudyfinalreport[R].UMassAmherst,1998.

[4]YangY,CarbonellJ,BrownR,etal.Multi-strategylearningfortopicdetectionandtracking[M].Topicdetectionandtracking.SpringerUS,2002:85-114.

[5]AllanJ,LavrenkoV,SwanR.Explorationswithintopictrackinganddetection[M].Topicdetectionandtracking.SpringerUS,2002:197-224.

[6]YangY,PierceT,CarbonellJ.Astudyofretrospectiveandon-lineeventdetection[C]//Proceedingsofthe21stannualinternationalACMSIGIRconferenceonResearchanddevelopmentininformationretrieval,1998:28-36.

[7]YangC,YangJ,DingH,etal.AHotTopicDetectionApproachonChineseMicroblogging[C]//ProceedingsoftheInternationalConferenceonInformationEngineeringandApplications(IEA) 2012,2013:411-420.

[8]ZhangS,LuoJ,LiuY,etal.Hotspotsdetectiononmicroblog[C]//MultimediaInformationNetworkingandSecurity(MINES), 2012FourthInternationalConferenceon, 2012:922-925.

[9] 賴錦輝, 梁松.一種消除孤立點的微博熱點話題發(fā)現(xiàn)方法[J]. 計算機應(yīng)用與軟件, 2014,31(1):105-107,139.

[10] 趙文清, 侯小可. 基于詞共現(xiàn)圖的中文微博新聞話題識別[J].智能系統(tǒng)學報,2012,7(5):444-449.

[11] 薛素芝, 魯燃, 任圓圓. 基于速度增長的微博熱點話題發(fā)現(xiàn)[J].計算機應(yīng)用研究,2013,30(9):2598-2601.

[12]PengF,QianX,LiG.AResearchofHotTopicDetectionthroughMicroblogging[C]//IntelligentHuman-MachineSystemsandCybernetics(IHMSC), 2012 4thInternationalConferenceon,2012:185-188.

TOPIC DETECTION BASED ON MICROBLOGGING TEXT AND METADATA

Sun LiZhang ZhenLi JiyunWang Mei

(SchoolofComputerScienceandTechnology,DonghuaUniversity,Shanghai201620,China)

Traditional topic detection method is no longer applicable on hot microblogging topic discovery, because microblogs are too short in text with fewer words and high timeliness. For these new characteristics, in this paper we present a topic discovery method which is based on microblogging text and metadata. First, we make use of the metadata, such as posting time of microblogs, users information, and forwarding and comments of microblogs, to construct the composite weight value of microblogging vocabulary energy, and then extract themes vocabulary of topics. After that we construct the themes vocabulary clusters based on the context. At last, we conduct secondary clustering on microblogging texts so that to get the implicit topics in microblogs and the related microblogging texts. Experiments on real microblogging data show that this method can effectively find the hot topics and improve the accuracy rate and recall rate of topics detection.

MicroblogMetadataClusterTopic detection

2014-07-26。國家自然科學基金項目(61103046)。孫莉，副教授，主研領(lǐng)域：數(shù)據(jù)庫技術(shù)，面向?qū)ο蠓治雠c設(shè)計。張振，碩士。李繼云，副教授。王梅，副教授。

TP391

A

10.3969/j.issn.1000-386x.2016.03.014