鮑斌國，秦小麟，李星羅，張 彤

南京航空航天大學 計算機科學與技術(shù)學院，南京 211106

1 引言

隨著數(shù)據(jù)庫的發(fā)展，如何有效精準地從大數(shù)據(jù)集中獲取有價值的信息作為用戶決策的參考已經(jīng)成為一個研究熱點。給定一組數(shù)據(jù)項，Skyline查詢[1]旨在得到不被其他數(shù)據(jù)支配的數(shù)據(jù)項集合。其中，一個數(shù)據(jù)項p支配數(shù)據(jù)項q，當且僅當p在所有維度上優(yōu)于或等于q，且至少存在一個維度p優(yōu)于q。比如，一個旅客想要在某個區(qū)域?qū)ふ乙粋€離沙灘近且價格低的旅館，這種情況下Skyline 查詢只會返回那些不被支配的旅館。在不失一般性的情況下，假設(shè)較低的值對于所有維度上的所有用戶都是較優(yōu)的。Skyline查詢的主要目標是為用戶提供有價值的參考，由于其重要性，近些年來已經(jīng)得到了廣泛的研究[2-4]。這些算法主要是基于完整數(shù)據(jù)庫的，但這并不能覆蓋所有真實的應(yīng)用場景。

考慮一個來自電影評分應(yīng)用的真實數(shù)據(jù)集Movie-Lens。該數(shù)據(jù)集中每個數(shù)據(jù)項中包含多個觀眾對于電影評分的維度。但事實上，一個用戶僅評價那些他看過或了解的電影，因此數(shù)據(jù)項可能會在多個維度上存在數(shù)據(jù)缺失的情況。傳統(tǒng)的Skyline查詢無法處理這種數(shù)據(jù)缺失的數(shù)據(jù)集，因此Khalefa 等[5]提出了一種非完整數(shù)據(jù)庫中Skyline 查詢的定義，各個數(shù)據(jù)項僅在它們都不缺失數(shù)據(jù)的維度上進行比較。如表1所示，O1和O2只能在第一個維度上進行比較，因此O1支配O2。之后的許多非完整數(shù)據(jù)庫研究[6-9]是基于該工作的。

但是傳統(tǒng)的非完整數(shù)據(jù)庫Skyline查詢明顯有以下兩個缺點：（1）支配傳遞性的丟失。這不僅大大增加計算量，因為不得不對所有數(shù)據(jù)進行兩兩比較，而且會使Skyline查詢結(jié)果過少甚至是空集。（2）一些非正常的數(shù)據(jù)項出現(xiàn)在結(jié)果集中。比如僅有極少維度數(shù)據(jù)完整的數(shù)據(jù)項，它們難以為用戶提供有效的選擇。這些缺點都會嚴重誤導用戶的選擇。

對于傳統(tǒng)非完整數(shù)據(jù)Skyline查詢的缺點，Zhang等[10]提出了非完整數(shù)據(jù)庫概率Skyline。他將數(shù)據(jù)項之間的支配關(guān)系用概率值表示，最后的Skyline 結(jié)果集取最不可能被支配的前K個數(shù)據(jù)項。但是傳統(tǒng)Skyline查詢大多假設(shè)數(shù)據(jù)項所有屬性均存儲在單個關(guān)系中，然而實際應(yīng)用場景經(jīng)常會涉及到多表連接操作。若盲目地先對所有關(guān)系進行連接操作，那么可能會產(chǎn)生海量的數(shù)據(jù)項，從而導致Skyline 查詢效率低下的問題。

因此提出了PSkyline-join算法，該算法主要有四個步驟：對于單個關(guān)系中的數(shù)據(jù)項進行多層次分組；確定每組的局部Skyline 結(jié)果集；采用剪枝策略連接局部Skyline結(jié)果集；確定全局Skyline集合。本文的主要貢獻如下：

（1）對概率Skyline 的定義進行補充使其適用于多表連接Skyline查詢。

（2）提出了PSkyline-join 算法，通過多層次分組高效計算局部Skyline候選集。

（3）利用局部Skyline 概率上界與全局Skyline 概率下界剪枝策略去除了無用的Skyline 概率計算，大幅提升了算法效率。

本文的組織結(jié)構(gòu)如下：第2章介紹了非完整數(shù)據(jù)庫Skyline 查詢的相關(guān)工作；第3 章給出了非完整數(shù)據(jù)庫及概率Skyline 的基礎(chǔ)定義；第4 章詳細介紹了Skyline-join 的算法流程，包括多層次分組及兩種剪枝策略；第5 章通過實驗評估了該算法性能；第6 章總結(jié)全文。

2 相關(guān)工作

關(guān)于非完整數(shù)據(jù)庫中的Skyline 查詢最早由Khalefa 等[5]提出，文獻給出了一種非完整數(shù)據(jù)庫中Skyline 查詢的定義，即兩個數(shù)據(jù)項僅在它們都不缺失數(shù)據(jù)的維度上進行比較來得出支配關(guān)系。同時也提出了Bucket 和ISkyline 算法以計算非完整數(shù)據(jù)庫中的Skyline查詢結(jié)果集。

Bucket算法基于數(shù)據(jù)項的位圖，即數(shù)據(jù)在某個維度上未缺失數(shù)據(jù)記為1，若缺失數(shù)據(jù)則記為0，將所有數(shù)據(jù)項根據(jù)位圖進行桶劃分；然后確定每個桶的局部Skyline 候選集；最后根據(jù)所有桶的局部候選集得到全局Skyline 結(jié)果集。ISkyline 在Bucket 算法的基礎(chǔ)上添加了更多剪枝策略，從而優(yōu)化了原算法效率。后來幾乎所有的非完整數(shù)據(jù)Skyline查詢研究都基于該工作。Bharuka 等[6]提出了一種基于排序的Bucket 算法（sorted bucket algorithm，SOBA），該算法在桶層次及點層次對數(shù)據(jù)項進行排序，從而減少了桶之間的數(shù)據(jù)項比較。

但是基于傳統(tǒng)非完整數(shù)據(jù)庫Skyline的算法面臨著循環(huán)支配的問題，丟失了完整數(shù)據(jù)庫下的支配傳遞性。對于表1 的數(shù)據(jù)集，O1支配O2，O2支配O3，按照在完整數(shù)據(jù)庫下的傳遞性O(shè)1支配O3，但此處O3支配O1，因此這三個數(shù)據(jù)項形成了循環(huán)支配。這會導致Skyline查詢結(jié)果過少甚至是空集。對于上述定義存在的缺陷，Zhang等[10]提出了非完整數(shù)據(jù)庫概率Skyline的概念。概率Skyline將數(shù)據(jù)項之間的支配關(guān)系用概率值表示，最后的Skyline 結(jié)果集取最不可能被支配的前K位數(shù)據(jù)項。同時提出了PISkyline 算法，采用兩種剪枝策略和排序技術(shù)來加速Skyline 概率的計算。但該研究僅局限在單關(guān)系，還不能很好地支持多關(guān)系Skyline 查詢，因此本文擴展了概率Skyline使其適用于多關(guān)系Skyline查詢。

近些年來Skyline-join方面的主要研究有：Jin等[11]提出了一種基于排序的多關(guān)系Skyline 查詢算法，但該算法是非平凡的，需要多次遍歷每個關(guān)系才能得出正確的Skyline 結(jié)果集。Sun 等[12]提出了一種基于SaLSa[13]的分布式環(huán)境下Skyline-join查詢算法，但該算法并不支持提前終止并依賴于每個關(guān)系的多個索引。而后Vlachou 等[14]提出了提前終止條件概念，該條件用于確定算法是否已經(jīng)遍歷了足夠多的數(shù)據(jù)項用來生成完整的Skyline 結(jié)果集。Awasthi 等[15]提出了KSJQ（K-dominant Skyline join queries）算法以解決多關(guān)系完整庫中的K支配Skyline查詢問題。針對多數(shù)據(jù)流的Skyline 查詢問題，Zhang 等[16]提出了NPSWJ（naive parallel sliding window join）和IP-SWJ（incremental parallel sliding window join）算法。但是這些工作均未涉及非完整數(shù)據(jù)庫。Alwan 等[17]提出了一種非完整數(shù)據(jù)庫下的Skyline-join 算法JincoSkyline算法，但該算法是基于傳統(tǒng)的非完整數(shù)據(jù)庫Skyline，返回的Skyline 結(jié)果集不符合用戶需求，本文基于概率Skyline 的PSkyline-join 算法能夠返回具有高參考價值的Skyline查詢結(jié)果。

3 問題定義

本章主要介紹非完整數(shù)據(jù)庫和Skyline查詢的相關(guān)定義與概念。

定義1（單關(guān)系概率支配[10]）對于兩個擁有d維屬性的數(shù)據(jù)項p和q∈D，q支配p的概率定義為：

其中，E(p)表示與p完全相等的數(shù)據(jù)項集合。

為了便于分析，該定義做了如下假設(shè)：

（1）所有的數(shù)據(jù)項之間都是獨立的；

（2）數(shù)據(jù)項各個維度的屬性都是獨立的；

（3）缺失值是隨機出現(xiàn)在各個維度上的。

有了以上假設(shè)，當p(i)和q(i)都是缺失值時：

定義1僅考慮了單個關(guān)系情形下的概率支配，但當Skyline 查詢涉及到多關(guān)系時，定義1 假設(shè)所有的數(shù)據(jù)項之間都是獨立的，該條件明顯不成立，因為連接操作后兩個數(shù)據(jù)項中的部分維度有可能來自同一個關(guān)系的同一數(shù)據(jù)項。因此定義2 對定義1 進行了拓展，使其可以應(yīng)用于多關(guān)系Skyline查詢。

定義2（多關(guān)系概率支配）對于由多個關(guān)系連接而來的數(shù)據(jù)項p和q，q支配p的定義為：

其中，βi表示數(shù)據(jù)項中來自關(guān)系Ri的屬性:

由定義2可知，當p和q的部分屬性來自同一關(guān)系的同一數(shù)據(jù)項時，這部分屬性將不會對支配概率產(chǎn)生任何影響。

定義3（非完整數(shù)據(jù)下概率Skyline查詢）對于一個非完整數(shù)據(jù)集S，用戶指定一個參數(shù)K(K>0),概率Skyline查詢結(jié)果集表示為：

其中：

直觀上來看，概率Skyline 查詢的結(jié)果就是Skyline概率排名前K位的數(shù)據(jù)項，即最不可能被支配的前K個數(shù)據(jù)項。

考慮表2 中的數(shù)據(jù)集，用戶設(shè)置K=2。首先計算每一維度上的概率分布函數(shù)

Table 2 Incomplete data set S2表2 非完整數(shù)據(jù)集S2

4 PSkyline-join算法

如圖1 所示PSkyline-join 算法主要有四個步驟：數(shù)據(jù)項多層次分組；確定局部Skyline概率；連接數(shù)據(jù)項；確定全局Skyline結(jié)果集。

Fig.1 Steps of PSkyline-join algorithm圖1 PSkyline-join算法步驟

4.1 數(shù)據(jù)項分組

第一層分組：對于某個關(guān)系將連接鍵值相同的數(shù)據(jù)項劃分到一組中。第二層分組：在進行上述第一層分組后，再根據(jù)數(shù)據(jù)項的缺失位圖對數(shù)據(jù)項進行二次劃分，即桶劃分[5]。

考慮例子：對于表3 中的關(guān)系R1假設(shè)連接鍵為id，首先將id 值相同的屬性項劃分到同一組中，表4展示了上述劃分結(jié)果。然后對于每一組中的數(shù)據(jù)項根據(jù)缺失位圖進行桶劃分，劃分結(jié)果如表5所示。

數(shù)據(jù)項多層次分組主要是為了輔助計算局部Skyline概率上界。

4.2 計算局部Skyline概率上界

對于每個桶中的數(shù)據(jù)項，僅比較兩個數(shù)據(jù)項都未缺失數(shù)據(jù)項的維度，從而得到它們之間的支配關(guān)系。按照上述支配定義，兩兩比較桶中的數(shù)據(jù)項求得每個桶的局部Skyline候選集。表5灰色背景填充的數(shù)據(jù)項即為局部Skyline候選集。

Table 3 R1data set表3 R1數(shù)據(jù)集示例

Table 4 R1group dividing表4 R1組劃分

Table 5 R1bucket dividing表5 R1桶劃分

定理1?τ1p∈bucket，若?τ1q∈bucket且τ1q?τ1p，則?p≡τ1p?τ2p，其Skyline概率上界為，記為：

其中，w表示該桶缺失的維度數(shù)量。

證明S={τ|τ≡τ1?τ2,τ1∈R1,τ2∈R2},?p∈S，不妨假設(shè)p≡τ1p?τ2p，若?τ1q?τ1p，則?q≡τ1q?τ2p在各個非缺失維度上支配p,由此：

定理1 主要闡明了桶內(nèi)數(shù)據(jù)項在與其他數(shù)據(jù)項連接后所能達到的Skyline概率上限值。同時由定理1可知局部Skyline候選集的概率上界為1。

根據(jù)定理1可以設(shè)計高效的局部Skyline 概率上界更新算法。算法1 的第1 行對數(shù)據(jù)項的局部Skyline 概率上界進行了初始化。初始化時假設(shè)各個數(shù)據(jù)項不會被其他數(shù)據(jù)項支配，因此對各個數(shù)據(jù)項的局部Skyline概率上界賦值為1。算法第2行至第4行根據(jù)連接鍵值對數(shù)據(jù)項進行組劃分，再根據(jù)數(shù)據(jù)項的位圖進行桶劃分。為了提高分組效率，可以將數(shù)據(jù)項的連接鍵值及缺失位圖作為數(shù)據(jù)項的分組鍵，再將所有具有相同鍵的數(shù)據(jù)項映射到同一集合中?？紤]到映射操作的時間復(fù)雜度為O(1)，可知采用這種分組算法的時間復(fù)雜度為O(n)，其中n為數(shù)據(jù)項總數(shù)。對于每一個桶中的數(shù)據(jù)項，將它與桶中的其他數(shù)據(jù)項進行比較，若桶內(nèi)沒有數(shù)據(jù)項在非缺失維度上支配該數(shù)據(jù)項，則將其加入局部Skyline 候選集。由于要兩兩比較數(shù)據(jù)項，因此計算局部Skyline 候選集的算法時間復(fù)雜度為O(dm2)，其中d為數(shù)據(jù)項維數(shù)，m為桶內(nèi)數(shù)據(jù)項的數(shù)量。算法第8 行，若數(shù)據(jù)項不為局部Skyline 點，則根據(jù)定理1 更新其局部Skyline概率上界。

算法1局部Skyline概率上界算法LocalSkyline-UpBound

輸入：非完整數(shù)據(jù)集S。

輸出：各個數(shù)據(jù)項的局部Skyline概率上界。

4.3 連接數(shù)據(jù)項

在連接數(shù)據(jù)項時，除了正常的連接操作外，還需要計算數(shù)據(jù)項的全局Skyline概率上界。

定理2?p∈R1?R2,p≡τ1p?τ2p，其中τ1p∈R1,τ2p∈R2，p的概率上界為：

Psup(p)=Psup(τ1p)×Psup(τ2p)

證明若Psup(τ1p)與Psup(τ2p)均為1，則上式明顯成立。若Psup(τ1p)<1 或Psup(τ2p)<1，不失一般性假設(shè)Psup(τ1p)<1，Psup(τ2p)=1，由定理1 可知τ1p在與其他數(shù)據(jù)項連接后的Skyline 概率上限值為Psup(τ1p)，故P(p)≤Psup(τ1p)，Psup(p)=Psup(τ1p)上式成立。若Psup(τ1p)<1且Psup(τ2p)<1，由定理1證明過程可知?m≡τ1q?τ2p及n≡τ1p?τ2q在非缺失維度上支配p,由此得:

定理2 主要闡明了局部Skyline概率上界與全局Skyline 概率上界的關(guān)系，從而可以高效地計算數(shù)據(jù)項的全局Skyline 概率上界，故可以建立高效的剪枝策略。

4.4 計算全局概率Skyline集合

在連接各個關(guān)系的數(shù)據(jù)項后，需要為用戶返回全局的Skyline 集合。為了去除不必要的Skyline 概率計算，采用了兩種剪枝策略。

剪枝策略1若數(shù)據(jù)項p在與數(shù)據(jù)項q比較后，其Skyline概率已經(jīng)小于全局的Skyline概率下界，則可以中斷計算p的Skyline概率。

算法2Skyline概率算法SkylinePro

輸入：非完整數(shù)據(jù)集Q，數(shù)據(jù)項p,globalLowBound。

輸出：數(shù)據(jù)項Skyline概率。

剪枝策略2若數(shù)據(jù)項p的全局Skyline概率上界小于全局Skyline 概率下界，則無需計算數(shù)據(jù)項p的Skyline概率。

算法3PSkyline-join算法PSkyline-join

輸入：非完整數(shù)據(jù)集{R1,R2,…,Rn},Skyline 結(jié)果集大小K。

輸出：Skyline結(jié)果集。

算法3 的第1 行對全局Skyline 概率下界和全局Skyline 結(jié)果集進行初始化，由于開始時全局Skyline結(jié)果集為空，因此對Skyline概率下界賦值0。算法第2 到3 行對各個數(shù)據(jù)集的局部Skyline 概率上界進行計算。第4 行將各個數(shù)據(jù)集進行連接，并根據(jù)定理2計算每個數(shù)據(jù)項的全局Skyline概率上界。第5行根據(jù)數(shù)據(jù)項的全局Skyline 概率上界對數(shù)據(jù)項進行分類，Q1中的數(shù)據(jù)項Skyline 概率上界均為1，Q2中的數(shù)據(jù)項Skyline 概率上界小于1。第6 到8 行對Q1中的數(shù)據(jù)項進行Skyline概率計算，并更新Skyline結(jié)果集和全局Skyline 概率下界。全局Skyline 概率下界更新為Skyline 結(jié)果集數(shù)據(jù)項中最小的Skyline 概率。第9到13行結(jié)合剪枝策略2對Q2中的數(shù)據(jù)項進行Skyline 概率計算。將連接后的數(shù)據(jù)分類為Q1和Q2的出發(fā)點：由于Q1中數(shù)據(jù)項的Skyline概率上界都為1，因此這部分數(shù)據(jù)項最有可能進入全局Skyline結(jié)果集，并且能夠大幅提升全局Skyline概率下界，使得在兩種剪枝策略能夠發(fā)揮更大的作用。盡管存在兩種剪枝策略，但最壞情況下所有數(shù)據(jù)項依然需要進行兩兩比較，因此算法3的時間復(fù)雜度為O(dn2)，其中d為數(shù)據(jù)項連接后的維數(shù)，n為數(shù)據(jù)項連接后的數(shù)量。

5 實驗及分析

所有的對比算法都使用Python 實現(xiàn)，運行環(huán)境為Ubuntu16.04,Intel Core i5-7500 3.4 GHz 處理器，8 GB內(nèi)存。

由于目前沒有符合實驗需求的公開數(shù)據(jù)集，因此實驗主要在人造數(shù)據(jù)集上進行，主要關(guān)注兩個數(shù)據(jù)集R1和R2在進行多對多連接操作后的Skyline 查詢問題。實驗主要有5 個參數(shù)：數(shù)據(jù)集基數(shù)、分組基數(shù)、數(shù)據(jù)集維數(shù)、缺失率、自定義Skyline 候選集大小K。數(shù)據(jù)集基數(shù)指一個數(shù)據(jù)集中的數(shù)據(jù)項的數(shù)量。分組大小指每個數(shù)據(jù)集按照連接鍵值分組后每組包含的數(shù)據(jù)項數(shù)量。數(shù)據(jù)集維度指一個數(shù)據(jù)集的屬性維數(shù)。缺失率指發(fā)生數(shù)據(jù)缺失的數(shù)據(jù)單元與所有數(shù)據(jù)單元的比例。人造數(shù)據(jù)集的每一維數(shù)據(jù)均為0,1之間的實數(shù)且服從隨機分布。

每一組實驗主要對比基準算法、PISkyline算法、PSkyline-join 算法處理Skyline-join 查詢的性能。其中基準算法為未經(jīng)任何優(yōu)化的概率Skyline[10]查詢算法，與該算法進行比較可以很好地觀察兩種剪枝策略對于多關(guān)系概率Skyline查詢效率的影響。

5.1 數(shù)據(jù)基數(shù)對算法性能的影響

該組實驗的具體設(shè)置為：R1和R2的缺失率和數(shù)據(jù)集維度固定為20%和3，Skyline候選集大小K固定為10，R2的數(shù)據(jù)集基數(shù)和分組基數(shù)固定為100和10，R1的數(shù)據(jù)集基數(shù)分別為1×103、2×103、3×103、4×103、5×103，R1的分組基數(shù)分別設(shè)置為100、200、300、400、500。由上述設(shè)置可知R1與R2連接后的數(shù)據(jù)集基數(shù)分別為1×104、2×104、3×104、4×104、5×104。圖2展示了3 種算法在各個數(shù)據(jù)基數(shù)上的性能。由圖2（a）可知PSkyline-join的算法效率最高，其耗時隨數(shù)據(jù)基數(shù)線性增長，基線算法耗時隨數(shù)據(jù)基數(shù)平方增長。圖2（b）展示了概率Skyline 計算涉及到的兩兩數(shù)據(jù)項比較次數(shù)，由于PSkyline-join 算法的剪枝策略2 是在多層次分組后進行，而非像PISkyline 算法在單層次地進行桶劃分后進行剪枝，故而剪枝率不如PISkyline高。圖2（c）展示了兩種剪枝策略的剪枝率，可以看出隨基數(shù)增長PSkyline-join 算法總的剪枝率基本不變，但剪枝策略2隨數(shù)據(jù)基數(shù)的增長發(fā)揮的作用線性增長。

5.2 數(shù)據(jù)維度對算法性能的影響

該組實驗設(shè)置為：R1和R2的缺失率固定為20%，Skyline候選集大小K固定為10，R1的數(shù)據(jù)基數(shù)和分組基數(shù)固定為1 000和100，R2的數(shù)據(jù)基數(shù)和分組基數(shù)固定為100和10，R1和R2的數(shù)據(jù)集維數(shù)分別為2、3、4、5、6。由上述設(shè)置可知R1和R2連接后的數(shù)據(jù)集基數(shù)為4、6、8、10、12。從圖3（a）可知PSkyline-join算法在各個維度的效率都為最優(yōu)，由圖3（c）可知當維數(shù)為8 時PSkyline-join 算法的總體剪枝效率最低，從而造成該維度下的算法效率低下。同時隨著維數(shù)的上升剪枝策略2 的作用越來越小。因為隨著維數(shù)的上升單個桶中的數(shù)據(jù)項數(shù)量下降，從而造成其中的數(shù)據(jù)項被支配的概率變小，局部Skyline 候選集變小。

5.3 數(shù)據(jù)缺失率對算法性能的影響

圖4展示了各個缺失率下各個算法的性能表現(xiàn)。該組實驗設(shè)置為R1數(shù)據(jù)集基數(shù)固定1 000，R1分組基數(shù)固定100，R2數(shù)據(jù)集基數(shù)固定100，R2分組基數(shù)固定10，缺失率分別為10%、20%、30%、40%、50%。如圖4（a）所示，注意該圖y軸刻度為對數(shù)型而非線性的，PSkyline-join算法始終表現(xiàn)最優(yōu)。從圖4（b）可以看出PSkyline算法在計算Skyline概率時的兩兩比較次數(shù)略少于PSkyline-join算法，但由于其桶劃分是針對連接后的所有數(shù)據(jù)項，因此在劃分并計算概率上界時消耗了大量時間，導致消耗的總時間多于PSkyline-join 算法。圖4（c）主要展示了兩種剪枝策略的剪枝率，可以看出隨著缺失率的增長，PSkylinejoin 算法的總體剪枝率緩慢下降，但剪枝策略2 的作用隨著缺失率增長有所提升。

Fig.3 Effect of dimensionality on performance圖3 數(shù)據(jù)維度對算法性能的影響

Fig.4 Effect of missing ratio on performance圖4 缺失率對算法性能的影響

6 結(jié)束語

本文針對非完整數(shù)據(jù)庫下的Skyline-join查詢問題進行了深入的分析和研究，提出了一種基于多層次分組的概率Skyline 查詢算法PSkyline-join。對單關(guān)系下的概率Skyline 進行了補充，使其適用于多關(guān)系。PSkyline-join 算法通過多層次分組計算數(shù)據(jù)項的Skyline概率上界，結(jié)合全局Skyline概率下界有效地對Skyline概率計算進行剪枝。當算法結(jié)束時為用戶返回最不可能被支配的K個數(shù)據(jù)項，從而滿足用戶的真實需求。實驗證明了PSkyline-join 算法能有效地解決非完整數(shù)據(jù)庫下的Skyline-join 查詢，其效率相較未優(yōu)化算法有著最多百倍的提升。