一种社交网络中用户未来交互行为预测方法

计算;推算;计数设备的制造及其应用技术1.本发明属于动态时序数据的信息识别处理技术领域，具体涉及一种社交网络中用户未来交互行为预测方法。背景技术：2.互联网大数据背景下，如何有效的利用用户的社交信息，并实现精确的内容，商品和服务等方面的推荐具有重要的商业价值。而巨大的用户量，随着地域、年龄、性别、爱好等信息的不同，个性化的需求也不同。真实世界的用户行为呈现某种程度的周期性，同时又一直随着时间而发生演化，如何有效捕捉社交网络中用户周期性的行为，并且又能及时的更新用户的最新的行为模式(用户社交的演化)是当前研究的重点和难点。3.当前的预测模型，针对网络巨大的信息量，纷纷采用了嵌入降维的思路来实现网络的节点表示。将网络从|v|*|v|的维度降低到|v|*p,p＜＜|v|，研究者提出许多方法来获得网络的低维嵌入表示，如基于矩阵分解(svd)、基于skip-gram(deepwalk，node2vec)，基于自动编码器(sdne)等等。绝大部分研究的方法都是基于静态的网络，而真实世界中的网络是动态的，具有演化动力的。静态的模型由于处理的是静态的数据，当网络结构发生改变的时候，往往需要重新训练，花费巨大的计算代价。同时，此类方法无法有效的捕捉网络的演化行为。技术实现要素：4.本发明所要解决的技术问题在于针对上述现有技术的不足，提供了一种社交网络中用户未来交互行为预测方法，该方法能够提供更准确的用户未来的链路预测效果，对未来的交互行为进行有效预测。5.为解决上述技术问题，本发明采用的技术方案是：一种社交网络中用户未来交互行为预测方法，该方法包括：6.s1、通过社区感知的时序有偏游走获取第t-ttl时段至第t时段节点的初始编码向量和邻域序列；节点指社区内的用户；7.s2、采用第t-ttl时段至第t时段节点的初始编码向量和邻域序列在dycdup模型联合表示学习中进行训练，直到满足预设的训练条件，dycdup模型训练结束，输出节点的最终特征向量；所述dycdup模型依次包括邻域注意力层和时序注意力层；邻域注意力层用于聚合同一社区结构内节点的交互情况，时序注意力层用于沿时段捕捉节点之间交互的演化情况；8.s3、利用s2中输出节点的最终特征向量，选择两个样本节点的最终特征向量进行hadmard编码得到两个样本节点的交互特征向量，联合两个样本节点的真实交互情况做正负采样，正采样指已发生的所有交互信息，负采样指已存在的交互中未发生的交互，采样的结果用来训练逻辑回归分类器；9.s4、从节点的最终特征向量集合中，挑选两个目标节点的特征向量组成交互特征向量输入训练好的逻辑回归分类器，预测出两个目标节点的未来交互概率。10.优选的，s1中通过社区感知的时序有偏游走获取第(t-ttl)个时段至第t个时段节点的初始编码向量，包括：11.以第t时段中最后交互发生的时间为初始时间t′，t′＝max(et)，节点按照时间逆向游走，每次根据随机游走概率在邻域邻居中选择出下一个节点，重复选择下一个节点多次，直到游走序列达到l次，且每个节点作为起始节点游走ω次，从而获得节点由社区感知的游走序列，根据所述游走序列通过word2vec算法得到第t时段节点的初始编码向量；所述的邻域邻居包括时序邻居γt(v)和社区邻居ct(v)；12.具体地，节点在k时刻的游走选择下一个节点是通过以下规则进行：13.基于设定的社区感知的随机游走参数δ，每次选择下一个节点时，生成一个随机数r，依据随机游走概率选择下一个节点，当r≥δ时，下一个节点从k时刻的时序邻居中选择作为下一个的节点，否则，选择相同社区中的社区邻居的一个节点作为下一个节点；14.所述随机游走概率的函数为：其中，δ表示随机游走参数，r表示随机数，ptemporal(k)表示k时刻的时序邻居被选择的概率；pcommunity(k)表示k时刻的相同社区内社区邻居被选择的概率。15.s1中所述邻域序列的获取包括：16.根据所述获得节点由社区感知的游走序列，得到节点的邻域序列nodeseq＝{(v1,t1)→(v2,t2)→…→(vi,ti)→…→(vl,tl)},vi∈v,t1≥t2≥…≥ti≥…≥tl，即节点序列按照时间戳降序排列，依次遍历每一条时间逆向游走后的邻域序列，取邻域序列中节点前后固定个数节点加入该节点的邻域集合ns。17.优选的，s2中所述dycdup模型中邻域注意力层训练时的计算方法包括：18.将第t-ttl时段至第t个时段的节点的初始编码向量定义为d维向量，通过对邻域注意力层的权重公式计算，将d维向量转化为具有f维的节点向量；所述的权重系数的计算公式为：[0019][0020]其中，αuv表示节点u相对节点v的权重系数；邻域集合是从第i个时段中节点v的邻域序列nodeseq中获取的，v表示网络中的节点集合，t'表示交互事件发生的时间戳集合，et表示t时刻网络中所有节点的交互集合，节点v前后预设数个节点作为邻域集合m是邻域集合ns中的一个节点，w是一个转移矩阵；a是邻域注意力层的模型函数的权重向量参数；||表示串联运算，σ是非线性激活函数，auv表示当前动态网络时刻gi中边(u,v)的权重，表示i时刻节点v的初始编码向量；[0021]根据相对于节点v的权重系数，计算第i个时段v节点的邻域嵌入；计算公式为：[0022]其中σ表示激活函数leakyrelu，表示第i时段节点v的初始编码向量，ws表示邻域注意力层的转移矩阵，表示第i时段节点u相对节点v的权重系数；[0023]对所述邻域嵌入的向量采用hs个多头机制的拆分，得到子向量，在子向量之间进行自注意力计算，对于节点所得的嵌入向量多头机制的具体计算公式为：[0024][0025][0026][0027][0028]其中表示邻域注意力层在i时段最终输出的节点v的嵌入表示，将第i时段的各节点最终输出的嵌入向量最终表示为表示t时段网络中所有节点的特征向量集合rf，f表示向量维度；qu表示邻域注意力层的query，ke表示邻域注意力层的key，va表示邻域注意力层的value；[0029]各时段经过邻域注意力层的训练后，最终输出[0030]优选的，s2中所述时序注意力层的计算方法包括：[0031]将邻域注意力的输出作为时序注意力层输入，其中t∈t，t是时段的总个数，t＝t-ttl+1；[0032]计算时序注意力层的注意力权重系数，计算公式如下：[0033][0034][0035]其中βv是v节点的注意力权重矩阵，是βv中第i时段到第j时段的注意力权重系数，表示v节点i时段发生的交互信息对第j时段的影响，p表示矩阵的中间维度；时序注意力机制中的qt,kt,vt分别为机制中的qt,kt,vt分别为qt表示邻域注意力层的query，kt表示邻域注意力层的key，vt表示邻域注意力层的value，并且wqt,wkt,wvt∈rf×p，wq,wk,wv表示转移矩阵；[0036]根据相对于v节点的注意力权重系数，计算第i时段v节点的时序嵌入；计算公式为：[0037]其中中第t'时段到第i时段的注意力权重系数，wt是时序注意力层的转移矩阵；与邻域注意力层同理，对所述时序嵌入的向量采用ht个多头机制的拆分，得到子向量，在子向量之间进行自注意力计算，得到z∈rp,p＜＜|v|，|v|表示i时段的用户节点数量。[0038]优选的，s2中所述预设的训练条件为：将第t-ttl时段至第t时段节点的初始编码向量和邻域序列在dycdup模型联合表示学习中进行训练，直到损失函数loss收敛，即连续5次训练dycdup模型，损失函数loss未下降，或者训练次数达到设置的epochs参数，结束训练。[0039]优选的，所述损失函数loss的公式：[0040][0041]其中，σ是sigmoid激活函数，《.》表示内积操作，表示节点v在t时刻中的邻域集合，表示t时刻网络中的负采样，xn表示负采样率，用来平衡正负采样。[0042]优选的，s3中训练逻辑回归分类器包括：[0043]对两个样本节点第t-ttl时段到t时段的已知交互信息进行正负采样作为训练集，其中已知交互信息中存在的所有交互的作为正采样，没有交互的作为负采样，结合所述训练集中的两个样本节点的特征向量组成交互特征向量训练逻辑回归分类器模型。[0044]优选的，s4中从t时段节点的最终特征向量集合中，挑选两个目标节点的特征向量组成交互特征向量输入训练好的逻辑回归分类器，预测出两个目标节点的未来交互概率，具体包括：[0045]从dycdup模型训练结束后输出t时段节点的最终特征向量中，挑选两个目标节点的特征向量做点积，表示两个目标节点u,v的交互特征向量然后输入到训练好的逻辑回归分类器中进行预测。[0046]本发明与现有技术相比具有以下优点：[0047]1、本发明通过社区感知的时序有偏游走获取第(t-ttl)时段至第t时段节点的初始编码向量和邻域序列，关注连续时间网络中动态社区结构的演化，然后根据第t-ttl时段至第t时段节点的初始编码向量和邻域序列训练dycdup模型，dycdup模型包括邻域注意力层和时序注意力层，邻域注意力层用于聚合同一社区结构内节点的交互情况，时序注意力层用于沿时段捕捉节点之间交互的演化情况，在节点的邻域结构中融入了节点微观结构和宏观社区结构，有效的捕捉动态的社交网络中，用户周期性的行为和交互变化趋势，获得了更好的预测效果。[0048]下面通过附图和实施例对本发明的技术方案作进一步的详细说明。附图说明[0049]图1为本发明方法流程示意图。[0050]图2为本发明dycdup模型的示意图。[0051]图3为本发明应用例中dycdup模型输出的网络中节点的嵌入表示。具体实施方式[0052]实施例1[0053]本实施例中，将社交网络中的用户抽象为网络的节点，而用户之间的交互抽象为两个用户的连边，交互发生的时间戳作为第三属性信息。一个动态社交网络表示为g＝(v,e,t')，其中v表示网络中的节点集合，e表示网络中连接节点的边的集合e＝{eu,v|u,v∈v}，代表节点u,v的一次交互事件，t'表示交互事件发生的时间戳集合,因此动态网络g＝(v,e,t)＝{(e1,t1),(e2,t2),...}。[0054]如图1所示，本发明实施例的一种社交网络中用户未来交互行为预测方法，该方法包括：[0055]s1、通过社区感知的时序有偏游走获取第(t-ttl)时段至第t时段节点的初始编码向量和邻域序列；节点指社区内的用户；具体包括：[0056]以第t时段中最后交互发生的时间为初始时间t′，t′＝max(et)，节点按照时间逆向游走，每次根据随机游走概率在邻域邻居中选择出下一个节点，重复选择下一个节点多次，直到游走序列达到l次，且每个节点作为起始节点游走ω次，从而获得节点由社区感知的游走序列，根据所述游走序列通过word2vec算法得到第t时段节点的初始编码向量；所述的邻域邻居包括时序邻居γt(v)和社区邻居ct(v)；[0057]更具体地，节点在k时刻的游走选择下一个节点是通过以下规则进行：[0058]基于设定的社区感知的随机游走参数δ，每次选择下一个节点时，生成一个随机数r，依据随机游走概率选择下一个节点，当r≥δ时，下一个节点从k时刻的时序邻居中选择作为下一个的节点，否则，选择相同社区中的社区邻居中一个节点作为下一个节点；[0059]所述随机游走概率的函数为：其中，δ表示随机游走参数，r表示随机数，ptemporal(k)表示k时刻的相同社区内时序邻居被选择的概率；pcommunity(k)表示k时刻的相同社区内社区邻居被选择的概率。[0060][0061]其中w表示时序邻居中的一个节点，w∈γt(v)，τ(v)表示节点在t时刻以前最后一次交互发生的时间，tvk表示当前选中的游走的边e＝(v,k,t)的时间戳。[0062][0063]其中，函数选择幂函数exp；ct(v)表示v节点在t时刻所属的社区；m表示ct(v)中的一个节点。[0064]根据所述获得节点由社区感知的游走序列，得到节点的邻域序列nodeseq＝{(v1,t1)→(v2,t2)→…→(vi,ti)→…→(vl,tl)},vi∈v,t1≥t2≥…≥ti≥…≥tl，即节点序列按照时间戳降序排列，依次遍历每一条时间逆向游走后的邻域序列，取邻域序列中节点前后固定个数节点加入该节点的邻域集合ns。[0065]s2、采用第t-ttl时段至第t时段节点的初始编码向量和邻域序列在dycdup模型联合表示学习中进行训练，每轮训练所述dycdup模型时调整模型参数，直到满足预设的训练条件，dycdup模型训练结束，输出节点的最终特征向量；所述dycdup模型依次包括邻域注意力层和时序注意力层；邻域注意力层用于聚合同一社区结构内节点的交互情况，时序注意力层用于沿时段捕捉节点之间交互的演化情况；[0066]s3、利用s2中输出节点的最终特征向量，选择两个样本节点的最终特征向量进行hadmard编码得到两个样本节点的交互特征向量，联合两个样本节点的真实交互情况做正负采样，采样的结果用来训练逻辑回归分类器；[0067]s4、从节点的最终特征向量集合中，挑选两个目标节点的特征向量组成交互特征向量输入训练好的逻辑回归分类器，预测出两个目标节点的未来交互概率，即t+1时段交互概率。[0068]本实施例中，所述dycdup模型的示意图如图2所述，s2中所述dycdup模型中邻域注意力层训练时的计算方法包括：[0069]将第t-ttl时段至第t个时段的节点的初始编码向量定义为d维向量，通过对邻域注意力层的权重公式计算，将d维向量转化为具有f维的节点向量；所述的权重系数的计算公式为：[0070][0071]其中，αuv表示节点u相对节点v的权重系数；是从第i个时段中节点v的邻域序列nodeseq中获取的，v表示网络中的节点集合，t'表示交互事件发生的时间戳集合，et表示t时刻网络中所有节点的交互集合，节点v前后预设数个节点作为邻域集合m是邻域集合ns中的一个节点，w是一个转移矩阵；a是邻域注意力层的模型函数的权重向量参数；||表示串联运算，σ是非线性激活函数，auv表示当前动态网络时刻gi中边(u,v)的权重，表示i时刻节点v的初始编码向量；[0072]根据相对于节点v的权重系数，计算第i个时段v节点的邻域嵌入；计算公式为：[0073]其中σ表示激活函数leakyrelu，表示第i时段节点v的初始编码向量，ws表示邻域注意力层的转移矩阵，表示第i时段节点u相对节点v的权重系数；[0074]对所述邻域嵌入的向量采用hs个多头机制的拆分，得到子向量，在子向量之间进行自注意力计算，对于节点所得的嵌入向量多头机制的具体计算公式为：[0075][0076][0077][0078][0079]其中表示邻域注意力层在i时段最终输出的节点v的嵌入表示，将第i时段的各节点最终输出的嵌入向量最终表示为表示t时段网络中所有节点的特征向量集合rf，f表示向量维度；qu表示邻域注意力层的query，ke表示邻域注意力层的key，va表示邻域注意力层的value；[0080]各时段经过邻域注意力层的训练后，最终输出表示t时段网络中所有用户节点的特征向量集合rf，f表示向量集合中单个向量维度f维。f＜＜|v|表示网络由邻接矩阵|v|*|v|降低为f*|v|。邻域注意力层的输入是动态网络快照gi，gi∈g和一组输入节点表示其中d是输入的嵌入维数。邻域注意力层的输入被设置为每个节点的由社区感知的随机游走生成的nodeseq序列通过word2vec算法计算得出编码向量。输出是一组新的具有f维的节点表示它们捕捉快照gi中的邻域结构特征。[0081]本实施例中，s2中所述时序注意力层的计算方法包括：[0082]将邻域注意力的输出作为时序注意力层输入，其中t∈t，t是时段的总个数，t＝t-ttl+1；f是邻域注意力层输出的向量维度，也是时序注意力层输入的维度，这一层输出节点集合v在每个时间快照上的一个新的表示序列每个序列是一个p维的向量；节点v在t时刻学习到向量作为输入，向量表示节点v在t时段的邻域信息特征，融入了节点微观结构和宏观社区结构，通过使用注意力机制跟踪节点v的历史邻域的演化来建模，获得节点v的最新演化信息；为了防止遥远历史信息带来的干扰，时序注意力层的注意力权重系数的计算公式如下所示：[0083][0084][0085]其中βv是v节点的注意力权重矩阵，是βv中第i时段到第j时段的注意力权重系数，表示v节点i时段发生的交互信息对第j时段的影响，p表示矩阵的中间维度；时序注意力机制中的qt,kt,vt分别为机制中的qt,kt,vt分别为qt表示邻域注意力层的query，kt表示邻域注意力层的key，vt表示邻域注意力层的value，并且wqt,wkt,wvt∈rf×p，wq,wk,wv表示转移矩阵；|v|表示i时段的用户节点数量；[0086]为了确保时序的正确性，当时间i≤j时，正常的使用历史邻域信息来做预测。否则，则是采用-∞来去除非法的聚合信息，防止出现使用未来的信息对过去的交互进行预测。根据相对于v节点的注意力权重系数，计算第i时段v节点的时序嵌入；计算公式为：[0087]其中是βv中第t'时段到第i时段的注意力权重系数，wt是时序注意力层的转移矩阵；与邻域注意力层同理，对所述时序嵌入的向量采用ht个多头机制的拆分，得到子向量，在子向量之间进行自注意力计算，得到z∈rp,p＜＜|v|，|v|表示i时段的用户节点数量。[0088]最终，社区感知的时序注意力层输出{z∈rp,p＜＜|v|}，{z∈rp,p＜＜|v|}用来表示各时段节点的特征集。[0089]本实施例中，s2中所述预设的训练条件为：本实施例中，使用t时段已存的30％交互数据作为验证集，t-ttl时段至t时段的其余交互数据作为训练集，输入dycdup模型中进行邻域与时序的联合表示训练，每轮训练后计算损失函数loss，并采用梯度下降算法adam优化器更新模型中的参数，直到损失函数loss收敛，即连续5次训练dycdup模型，损失函数loss未下降，或者训练次数达到设置的epochs参数，结束训练，并输出最终训练的节点特征向量集合z。[0090]dycdup模型学习到动态网络中节点的表示后，采用链路预测来进行验证。此时需要判断两个节点(用户)间的连边(交互)是否存在，对于此类问题，可以视为一个二分类的问题，这里采用二进制交叉熵(cross-entropy)作为损失函数。同时，由于网络中的连边(交互)具有稀疏性，采用负采样(不交互)来避免样本不平衡影响实验结果。同时，为了鼓励节点在固定步长的快照中拥有相近的表示，来更好的捕捉动态网络潜在的周期性，最终损失函数loss的公式为：[0091][0092]其中，σ是sigmoid激活函数，《.》表示内积操作，表示节点v在t时刻中的邻域集合，表示t时刻网络中的负采样，xn表示负采样率，用来平衡正负采样。[0093]本实施例中，所述dycdup模型的调整参数包括ws,wt,wqt,wkt,wvt,wqs,wks,wvs,a,a,x。[0094]本实施例中，s3中训练逻辑回归分类器包括：[0095]对两个样本节点第t-ttl时段到t时段的已知交互信息进行正负采样作为训练集，其中已知交互信息中存在的所有交互的作为正采样，没有交互的作为负采样，结合所述训练集中的两个样本节点的特征向量组成交互特征向量训练逻辑回归分类器模型。[0096]本实施例中，s4中从t时段节点的最终特征向量集合中，挑选两个目标节点的特征向量组成交互特征向量输入训练好的逻辑回归分类器，预测出两个目标节点的未来交互概率，具体包括：[0097]从dycdup模型训练结束后输出t时段节点的最终特征向量中，挑选两个目标节点的特征向量做点积，表示两个目标节点u,v的交互特征向量然后输入到训练好的逻辑回归分类器中进行预测，输出预测结果，即t+1时段交互概率。[0098]针对实施例1中公开的预测方法，以安然公司泄露的邮件交流的数据集为例对预测方法进行详细说明：[0099][0100]source表示邮件的发送方61，target表示邮件的接收方25，time表示邮件发送的时间20733。这里隐去用户真实的个人信息，用编号作为用户的指代，邮件的真实时间用相对时间作为记录。将数据集中发生过的交互按时间排列前70％(邮件联系过)视为正采样的用例(训练集)，同时选择同样数量数据集中没发生过交互联系的两个点组建边，视为负采样的用例。后30％作为验证集，同样进行正负采样。[0101]此后，将训练集中数据输入dycdup模型系统，构建一个初始的网络g，节点表示用户，边表示用户间的邮件交流，运行社区检测dycd(g，tot，ttl)算法，其中tot表示时间窗口值(比如1个月，代表模型每1个月就会运行一次，处理最新1个月的数据)，ttl表示影响力衰减的时间值(比如6个月，认为6个月前的信息作废淘汰掉)，dycd最终输出，当前时间的网络社区结构c＝{c1,c2,...,ct}(第一次启动的时候，会从头开始计算，即每一个月输出一次当前的社区结构，直到最新的一个月)，和网络g＝{g1,g2,...gt}中gt表示t时段的网络。[0102]对于当前的网络gi，我们执行社区感知的时序有偏游走，首先选择网络中一个节点v，将该节点最后一次交互(发送邮件的)的时间t′＝max(et)作为初始时间，该节点在t′时刻的时序邻居表示为γt(v)＝{(w,t)∣evw＝(v,w,t)}，即t′前的所有有过交互的人，社区邻居ct(v)则是节点所处的社区中其他节点。现在开始获取节点的邻域序列，节点v作为起始节点，开始用根据概率选择下一个节点是，其中随机游走参数δ设置为当前节点的聚类系数(也可以是社交网络先验知识提供的超参数)，δ＝2|e|/t(t-1)，其中|e|是与节点v的t个邻居相连的边数,r是此时系统生成的[0,1]随机数。重复这个步骤，直到序列长度达到l次，每个节点作为起始节点游走ω次。游走中的点作为节点v的高阶邻域集合nodeseq。将游走序列输入word2vec(选择skip-gram算法)模型，得到当前网络中所有节点的初始编码向量rd表示d维的向量集合。将初始向量进行邻域注意力计算，得到节点v嵌入向量使用多头注意力机制计算节点v在gi中表示[0103]邻域注意力给出不同时刻网络的嵌入表示为了更好的捕捉动态网络的演化模式，需要对每个时刻中嵌入信息进行聚合表示，通过对历史时序信息的有效捕捉，来学习到网络的当前时刻的嵌入表示。也就是当前t时段的用户特征，除了受到现在的影响，也受到历史的影响，所以计算历史信息对当前的影响，损失函数输出节点的嵌入集合z，和验证集的模型auc值，作为评估模型效果的指标。[0104]z记录的此时网络中节点的最新嵌入表示，内部的形式如图3所示，图中实验数据集的网络用户899位(899个节点)，为每位用户(节点)学习到一个128维的向量，这个向量记录着用户的高维特征(如用户与网络中哪些用户相似，与哪些用户产生过交互，历史中与哪些用户具有共同的社区)。使用的过程中，我们将两个网络中的用户的交互编码为即两个用户的特征向量做点积操作，结果表示用户间的边，即表示两个用户的交互特征向量。通过这个方式将训练集中正负采样的边进行编码，编码后的边输入逻辑回归分类器lr中训练分类器。当预测两个用户是否会在未来发生交互时，将两个用户的节点向量做点积，获得需要预测的两个用户的交互特征向量，然后向训练好的逻辑回归分类器lr中输入该交互特征向量，逻辑回归分类器lr计算后输出概率，概率为[0,1]，即判断出两个用户之间是否存在交互。[0105]以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制。凡是根据发明技术实质对以上实施例所作的任何简单修改、变更以及等效变化，均仍属于本发明技术方案的保护范围内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!