一种传销舆情分类训练方法、系统、计算机设备及存储介质与流程 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本发明涉及网络信息安全技术领域，更具体地，涉及一种传销舆情分类训练方法、系统、计算机设备及存储介质。背景技术：2.传销是指组织者发展人员，通过发展人员或者要求被发展人员以交纳一定费用为条件取得加入资格等方式非法获得财富的行为，传销网站通过发布隐晦的传销广告诱导被害人上当受骗。传销网站识别方法多为专员人工进行分类，互联网每天都会产生数以百万计的新闻网页，因此这种方法工作效率极其低下，且现有的网站分类算法精确度较低，对于传销舆情网站的分类不够精确。技术实现要素：3.本发明旨在克服上述现有技术的至少一种缺陷，提供一种传销舆情分类训练方法、系统、计算机设备及存储介质，用于解决传销舆情网站分类不精确的问题。4.根据本发明的一个方面，提供了一种传销舆情分类训练方法。该传销舆情分类方法，包括以下步骤：5.s1.设定敏感词；6.s2.根据敏感词爬取文章；7.s3.将爬取文章进行句子切分，得到切分后的句子；8.s4.将切分后的句子输入用于传销分类的bert模型，得到不同类型的标注句子且将不同类型的标注句子转换为分类矩阵；9.s5.将分类矩阵输入sppnet，生成固定长度的向量；10.s6.将固定长度的向量输入resnet50，得到不同类型的标注句子在所属爬取文章的比例阈值。11.本发明提出了一种使用bert+cnn(卷积神经网络)的组合模型对传销网站进行分类的流程方法。首先根据专业人员的经验对传销网站进行手工分类并添加标注，之后利用bert+cnn模型进行训练，最后集合成一种端到端的识别模型对传销网站进行识别，该模型识别到的结果会通过人工进行二次校验，校验结果将会重新输入到模型当中，以优化模型的分类效果，整个流程形成闭环。12.所述步骤s1.设定敏感词，具体为：13.标注三个类别的敏感词，拉人头、团队计酬、入门费。14.本技术通过设定三个类别的敏感词，通过设定的敏感词爬取对应的文章，使得爬取到的文章与涉嫌传销网站的相关度较大，提高爬取效率。15.所述标记三个类别的敏感词，拉人头、团队计酬、入门费，具体为：16.拉人头包含的敏感词有：间接粉丝，间接推荐，间推，开发市场，拉人，累计升级，裂变，美粉，上下级，市场推广，团队扶持，推广达人，推广大使，推广代理商，推广专家，推荐代理，推荐关系，推荐人，下级代理，下线，邀请，邀请好友，招商会，直接升级，直接推荐，直属粉丝，直推，直推人，层级，层数，担保人，分享商品，公排，横排，活跃度，继承权，健康产业，健康顾问，金板凳，晋升，经销权，卡位，跨级，联创，总代，上家，省代，师长，市代，收租式，首席总监，署理商，淘友，淘主，特权，徒弟，微商，微信群，县代，线上专卖店，小宇宙，行动大使，大将，小将，中将，执董，直营店，职级，至尊，组长，邀请码，团长，美商，工会会长，{白银，黄金，铂金，钻石，一星，二星，三星，四星，五星，初级，中级，高级，vip，v1，v2，plus，超级，一级，二级，三级，四级，五级，普通，特约}+会员，{白银，黄金，铂金，钻石，一星，二星，三星，四星，五星，初级，中级，高级，区域，县级，市级，省级，特级，城市，大区，国际，一级，二级，三级，四级，五级，普通，官方，战略，平台，特约，总，金牌}+代理，{初级，中级，高级，区域，县级，市级，省级，特级，城市，大区，国际，一级，二级，三级，四级，五级}+经理，{初级，中级，高级，区域，县级，市级，省级，特级，城市，大区，国际，一级，二级，三级，四级，五级，普通，官方，战略，平台，特约，总，金牌}+经销，{实习，正式，直属，间接}+店主/掌柜，{初级，中级，高级，区域，县级，市级，省级，特级，城市，大区，国际，一级，二级，三级，四级，五级，普通，官方，战略，平台，特约，总，金牌}+加盟商/分销商/零售商，{一星，二星，三星，四星，五星，全球}+ceo，{见习+高级}+主任，{一星，二星，三星，四星，五星}+创客，{普通，官方，战略，平台，特约}+合伙人，{一星，二星，三星，四星，五星，金牌}+董事，领导人，顾问，主管，负责人，大使，创始人，分公司，用户，大师，创业，村民，导师，二代，服务商，股东，级别，考核，入门，入驻，三代，上线，社群，升级，投资，团队，推广，学员，招商，资格等及其外文；17.团队计酬包含的敏感词有：层级递增，差价，代理佣金，代下级奖励，多级分销，返点，返利，返现，返佣，分佣，感恩分红，高回报收入，高佣收入，级差，加权分红，拼团，全球分红，三层返利，市场培育奖，躺赚，梯度返佣，提佣，推荐奖励，推荐收益，佣金分配，月返点，运营商权益，自动消费奖，组织发展奖，被动收入，层碰奖金，达标，代理权益，地盘分红，地盘收益，对碰奖金，二级分销，分红考核，分润，分享奖，分享奖金，分销，复购，感恩提成，贡献奖，贡献值，管道收入，管道收益，管理奖，管理奖金，管理奖励，户主奖，回本，回收，活跃，积分返还，奖励佣金，金卡，津贴，进货价，静态收益，居间提成，流量奖金，旅游卡，秒到，秒提，培养分红，培养奖励，平级奖，平级奖励，平推奖，区域分红，权益值，全返，日结，社区奖励，省区奖励，提成，提现，团队分红，团队销售额，团队销售奖励，团队业绩，推广奖金，推广奖励，推广收益，推荐奖金，推荐奖励，消费佣金，销售奖励，销售提成，销售业绩奖，业绩收益，银卡，油票，折旧费，直推奖，直推奖金，重复消费，重销奖金，重销优惠，主动收入，总监平级奖，钻卡，回款，销售佣金，销售分红权，佣金，分红，复制，供应，积分，奖金，奖励，利润，流水，任务，收益，业绩，团队奖等及其外文；18.入门费包含的敏感词有：保证金，充值，定金，门槛，预充，预存货款，预存金额，补货，达成条件，店补，店铺差价，分享购，复投，加盟费，加盟奖，金豆，零元代理，拿货金额，管理服务费，荣耀值，入门费用，手续费，提前定金，消费会员，优惠价，原始股，招募，折扣代理，抽取，大礼包，档次，福利，加盟，加速，礼包，平台，入场券，入门，投资，赠送，注册，资格，激活，拿货，团购，折扣，流量包，会员等及其外文。19.本技术标记三个类别的敏感词，每个类别的敏感词均包含与该类别的敏感词相关的敏感词，通过类别敏感词代表大量相关的敏感词。20.所述步骤s3.将爬文章进行句子切分，得到切分后的句子，具体为：21.将爬取到的数据切分为长度不超过m个字符的短句。22.如果要分析某句话的意义，就需要分析这句话中的词语。同理，要分析某篇文章，就得分析文章中的句子。当文本内容过长时，模型需要捕获的上下文信息就越多，分类效果可能就越差。新闻类的文本通常包含数百条句子，且特殊字符数多，包含较多与主题无关信息，影响分类性能。因此本发明提出首先将文章切分为句子，接下来对句子进行分类，之后对句子的类别进行分析得到文章的类别。这样做有以下几个好处：一、解决了长文本分类效果较差的问题；二、解决了正样本(传销)数据量过少的问题；三、如果直接分类文章，可能会有误分类，但如果对句子进行分类，即便某些句子分类错误也不会影响最终对文章的分类。23.所述步骤s4中用于传销分类的bert模型，具体为：24.将切分后的句子的每一句均根据敏感词标注对应的类别，得到不同类型的标注句子；25.将不同类型的标注句子按m：n比例划分为训练集和验证集；26.将训练集输入到bert模型，对bert模型进行训练，得到传销分类bert模型；27.用验证集验证所述传销分类bert模型，当标注句子的准确率达到对应阈值，将该模型作为用于传销分类的bert模型。28.根据敏感词可以从开放网站上爬取到大量的数据，将爬取到的内容切分为句子后通过人工分为四个类别：中性、拉人头、团队计酬、入门费。29.由于正负样本分布极度不均衡，因此采取了一种使用句子分类的策略，即先将传销的文章切分为句子，然后对句子进行标注训练。一方面可以缓解模型对长文本分类不够准确的缺陷，另一方面大大地扩充了数据集。使用模型分类好传销文本后，还需要经过工作人员的校验，校验结果将会重新送回到模型中再次训练。30.所述步骤，将切分后的句子的每一句均根据敏感词标注对应的类别，得到不同类型的标注句子，具体为：31.如果切分后的句子中仅包含拉人头或入门费，则标注为相应的类别；如果句子中包含团队计酬则标注为团队计酬；如果句子中不包含团队计酬，并且同时包含拉人头和入门费，则标注为入门费；否则将句子标注为中性。32.本技术通过句子包含的敏感词类别，将句子标注为对应的类别，将句子区分为四大类，便于区分及统计。33.所述步骤s4中分类矩阵，具体为：34.所述分类矩阵的维度为n×4，其中n表示句子的条数，4表示4个类别的置信度，所述置信度分别为拉人头、入门费、团队计酬和中性。35.本技术在将句子标注后，将标注的句子转换为分类矩阵，便于输入sppnet。36.根据本发明另一个方面，提供了一种传销舆情分类系统。该传销舆情分类系统，包括：37.敏感词模块，用于设定的敏感词；38.数据爬取模块，用于根据敏感词爬取数据，得到爬取文章；39.切分模块，用于将爬取文章进行句子切分，得到切分后的句子；40.标注模块，用于将切分后的句子输入用于传销分类的bert模型，得到不同类型的标注句子且将不同类型的标注句子转换为分类矩阵；将分类矩阵输入sppnet，生成固定长度的向量；41.计算模块，用于将固定长度的向量输入resnet50，得到不同类型的标注句子在所属爬取文章的比例；42.判断模块，用于将得到的比例与对应的阈值进行判断，得到判断结果，所述判断结果分为传销和正常。43.根据本发明另一个方面，提供了一种计算机设备，该计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现一种传销舆情分类训练方法的步骤。44.根据本发明另一个方面，一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现权利要求1至7任一项所述一种传销舆情分类训练方法的步骤。45.与现有技术相比，本发明的有益效果为：46.本发明获取到大量的传销关键词，利用先进的ai技术，结合自注意力机制和卷积神经网络的组合模型，并添加人工干预，通过反向传播和损失函数，使模型具备不断学习和优化的能力，从而获得用于根据句子类别占比判断文章是否为传销的阈值。附图说明47.图1为本发明的一种传销舆情分类训练方法的流程图。48.图2为本发明的一种传销舆情分类训练方法中bert结构图。49.图3为本发明的一种传销舆情分类训练方法中sppnet和resnet50最后两层的全连接层(fc6，fc7)结构图。50.图4为本发明的一种传销舆情分类训练方法中的分类矩阵截图(部分)。51.图5为本发明的一种传销舆情分类系统的系统框图。具体实施方式52.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。53.实施例154.如图1所示，根据本发明的实施例，提供了一种传销舆情分类训练方法。该传销舆情分类方法，包括以下步骤：55.s1.设定敏感词；56.s2.根据敏感词爬取文章；57.s3.将爬取文章进行句子切分，得到切分后的句子；58.s4.将切分后的句子输入用于传销分类的bert模型，如图2所示，得到不同类型的标注句子且将不同类型的标注句子转换为分类矩阵；59.s5.将分类矩阵输入sppnet，生成固定长度的向量；60.s6.将固定长度的向量输入resnet50，得到不同类型的标注句子在所属爬取文章的比例阈值。61.具体地，cnn(卷积神经网络，convolutional neural network)需要固定尺寸的输入，sppnet(空间金字塔池化网络)能将任意大小的数据池化生成固定长度表示，因此使用sppnet将任意大小的分类矩阵生成固定长度的向量表示，假设句子数为100，则生成的向量维度为(100，4)。sppnet从精细空间划分到粗糙空间，并将局部特征聚集后输入到resnet50网络中训练，最终的输出维度是(1，4)。62.优选的，中性句子在所属爬取文章比例在85％以内，即将该文章一次判断结果定位传销，既中性句子用于判断的阈值为85％。63.其次，再根据每篇文章中每个类别的标注分别大致占比总爬取文章的比例，当该比例达到一定的阈值即给标签，拉人头，团队计酬或入门费，每篇分类为传销的文章至少有一个标签，最后通过专业的传销网站分类人员将该文章进行人工分类，分类结果将会送入到模型当中，对模型重新训练以优化模型。64.使用此方案累积到一定数量的传销文本后，可以考虑使用长文本分类方法直接对传销的长文本进行分类。65.将分类矩阵输入sppnet，生成固定长度的向量，具体为：66.如输入向量长度为(128，4)，则给定(4，128)维向量一个随机的初始值，将输入向量转换为行列相等的矩阵。经过256个3×3的卷积核后，输入向量的维度转化为(128，128，256)，分别对应w，h，c。当sppnet的输入特征图通道数为256时，对其进行不同kernel_size(卷积核大小)和stride(卷积的步长)的max pooling(最大池化操作)操作，得到4x4x256、2x2x256和1x1x256大小的输出，将上述三个输出分别展开成4096(16x256)、1024(4x256)和256(1x256)大小进行拼接，即可以得到长度为5376的向量，由于输出长度固定，所以可以作为后续全连接层的输入。67.根据不同size的feature map计算所需max pooling的kernel_size和stride，假如输入特征图维度是(a，a)，则计算方式是k＝ceiling(a/n)，s＝floor(a/n)，其中n为输出的特征图尺寸，ceiling指向上取整，floor指向下取整。68.如图3所示，将固定长度的向量输入resnet50的最后的两层全连接层，从而得到不同类型的标注句子在所属爬取文章的比例阈值。69.所述步骤s1.设定敏感词，具体为：70.标记三个类别的敏感词，拉人头、团队计酬、入门费。71.所述标记三个类别的敏感词，拉人头、团队计酬、入门费，具体为：72.拉人头包含的敏感词有：间接粉丝，间接推荐，间推，开发市场，拉人，累计升级，裂变，美粉，上下级，市场推广，团队扶持，推广达人，推广大使，推广代理商，推广专家，推荐代理，推荐关系，推荐人，下级代理，下线，邀请，邀请好友，招商会，直接升级，直接推荐，直属粉丝，直推，直推人，层级，层数，担保人，分享商品，公排，横排，活跃度，继承权，健康产业，健康顾问，金板凳，晋升，经销权，卡位，跨级，联创，总代，上家，省代，师长，市代，收租式，首席总监，署理商，淘友，淘主，特权，徒弟，微商，微信群，县代，线上专卖店，小宇宙，行动大使，大将，小将，中将，执董，直营店，职级，至尊，组长，邀请码，团长，美商，工会会长，{白银，黄金，铂金，钻石，一星，二星，三星，四星，五星，初级，中级，高级，vip，v1，v2，plus，超级，一级，二级，三级，四级，五级，普通，特约}+会员，{白银，黄金，铂金，钻石，一星，二星，三星，四星，五星，初级，中级，高级，区域，县级，市级，省级，特级，城市，大区，国际，一级，二级，三级，四级，五级，普通，官方，战略，平台，特约，总，金牌}+代理，{初级，中级，高级，区域，县级，市级，省级，特级，城市，大区，国际，一级，二级，三级，四级，五级}+经理，{初级，中级，高级，区域，县级，市级，省级，特级，城市，大区，国际，一级，二级，三级，四级，五级，普通，官方，战略，平台，特约，总，金牌}+经销，{实习，正式，直属，间接}+店主/掌柜，{初级，中级，高级，区域，县级，市级，省级，特级，城市，大区，国际，一级，二级，三级，四级，五级，普通，官方，战略，平台，特约，总，金牌}+加盟商/分销商/零售商，{一星，二星，三星，四星，五星，全球}+ceo，{见习+高级}+主任，{一星，二星，三星，四星，五星}+创客，{普通，官方，战略，平台，特约}+合伙人，{一星，二星，三星，四星，五星，金牌}+董事，领导人，顾问，主管，负责人，大使，创始人，分公司，用户，大师，创业，村民，导师，二代，服务商，股东，级别，考核，入门，入驻，三代，上线，社群，升级，投资，团队，推广，学员，招商，资格等及其外文；73.团队计酬包含的敏感词有：层级递增，差价，代理佣金，代下级奖励，多级分销，返点，返利，返现，返佣，分佣，感恩分红，高回报收入，高佣收入，级差，加权分红，拼团，全球分红，三层返利，市场培育奖，躺赚，梯度返佣，提佣，推荐奖励，推荐收益，佣金分配，月返点，运营商权益，自动消费奖，组织发展奖，被动收入，层碰奖金，达标，代理权益，地盘分红，地盘收益，对碰奖金，二级分销，分红考核，分润，分享奖，分享奖金，分销，复购，感恩提成，贡献奖，贡献值，管道收入，管道收益，管理奖，管理奖金，管理奖励，户主奖，回本，回收，活跃，积分返还，奖励佣金，金卡，津贴，进货价，静态收益，居间提成，流量奖金，旅游卡，秒到，秒提，培养分红，培养奖励，平级奖，平级奖励，平推奖，区域分红，权益值，全返，日结，社区奖励，省区奖励，提成，提现，团队分红，团队销售额，团队销售奖励，团队业绩，推广奖金，推广奖励，推广收益，推荐奖金，推荐奖励，消费佣金，销售奖励，销售提成，销售业绩奖，业绩收益，银卡，油票，折旧费，直推奖，直推奖金，重复消费，重销奖金，重销优惠，主动收入，总监平级奖，钻卡，回款，销售佣金，销售分红权，佣金，分红，复制，供应，积分，奖金，奖励，利润，流水，任务，收益，业绩，团队奖等及其外文；74.入门费包含的敏感词有：保证金，充值，定金，门槛，预充，预存货款，预存金额，补货，达成条件，店补，店铺差价，分享购，复投，加盟费，加盟奖，金豆，零元代理，拿货金额，管理服务费，荣耀值，入门费用，手续费，提前定金，消费会员，优惠价，原始股，招募，折扣代理，抽取，大礼包，档次，福利，加盟，加速，礼包，平台，入场券，入门，投资，赠送，注册，资格，激活，拿货，团购，折扣，流量包，会员等及其外文。75.具体地，根据以上规则，共采集和标注数据约10万条，使得四个类别的数量接近。76.所述步骤s3.将爬文章进行句子切分，得到切分后的句子，具体为：77.将爬取到的数据切分为长度不超过m个字符的短句。78.具体地，m小于或等于128。79.所述步骤s4中用于传销分类的bert模型，具体为：80.将切分后的句子的每一句均根据敏感词标注对应的类别，得到不同类型的标注句子；81.将不同类型的标注句子按m：n比例划分为训练集和验证集；82.将训练集输入到bert模型，对bert模型进行训练，得到传销分类bert模型；83.用验证集验证所述传销分类bert模型，当标注句子的准确率达到对应阈值，将该模型作为用于传销分类的bert模型。84.鉴于传销文本数据量分布较少，并且bert对长文本分类效果并不好，因此采取了一种将文章切分为句子后再使用bert进行分类的方式。优选的，m＝4，n＝1，将数据按照比例划分为训练集和验证集输入到模型中，使用自注意力机制得到语义融合的句子特征向量，将句子特征向量输入到前馈神经网络中，得到句子特征向量的输出。具体地，在训练时，使用反向传播函数修正预测，当最终得到的分类模型对句子的分类的准确率(精度)达到准确率达到对应阈值时，将该模型作为用于传销分类的bert模型，优选的，所述准确率达到对应阈值＝90％。85.当用bert模型训练句子时，有一些句子可能有传销的嫌疑，但是不一定整篇文章就是传销，比如某个游戏的文章，内容涉及充值和升级，但并不属于传销，故将识别结果送到后续的模型，获取一个阈值。86.所述步骤，将切分后的句子的每一句均根据敏感词标注对应的类别，得到不同类型的标注句子，具体为：87.如果切分后的句子中仅包含拉人头或入门费，则标注为相应的类别；如果句子中包含团队计酬则标注为团队计酬；如果句子中不包含团队计酬，并且同时包含拉人头和入门费，则标注为入门费。88.所述步骤s4中分类矩阵，具体为：89.所述分类矩阵的维度为n×4，其中n表示句子的条数，4表示4个类别的置信度，所述置信度分别为拉人头、入门费、团队计酬和中性。90.使用训练后的bert模型重新分类新的文章(已预先对文章做好了二分类的标记)，首先使用某种句子切分的算法将文章切分为句子，然后输入到模型中，获取置信度的分类矩阵，每个分类矩阵对应的标签是0或者1(传销或者非传销)。91.具体地，所述分类矩阵(部分)如图4所示(图片过长仅截取了一部分)，该分类矩阵对应的标签是0，即非传销。其中四列从左往右分别表示为中性句、拉人头、团队计酬、入门费。92.实施例293.如图5所示，根据本发明另一个方面，提供了一种传销舆情分类系统。该传销舆情分类系统，包括：94.敏感词模块210，用于设定的敏感词；95.数据爬取模块220，用于根据敏感词爬取数据，得到爬取文章；96.切分模块230，用于将爬取文章进行句子切分，得到切分后的句子；97.标注模块240，用于将切分后的句子输入用于传销分类的bert模型，得到不同类型的标注句子且将不同类型的标注句子转换为分类矩阵；将分类矩阵输入sppnet，生成固定长度的向量；98.计算模块250，用于将固定长度的向量输入resnet50，得到不同类型的标注句子在所属爬取文章的比例；99.判断模块260，用于将得到的比例与对应的阈值进行判断，得到判断结果，所述判断结果分为传销和正常。100.实施例3101.本实施例提供一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行时实现实施1所述的一种传销舆情分类训练方法。102.本实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现实施1所述的一种传销舆情分类训练方法。103.实施例4104.首先通过敏感词爬取大量数据，采集约为20万条(即20万个网页)，将采集到的数据输入训练好的用于传销分类的bert模型，获得每个文章中各个类别句子占据所属文章的比例，再将该比例与实施例1所述的一种传销舆情分类训练方法获得的阈值做对比，为了尽可能得到较高的召回率，即尽可能找到更多的传销文本，当中性句子在所属爬取文章比例在阈值以内时，即将该文章判断为传销。105.显然，本发明的上述实施例仅仅是为清楚地说明本发明技术方案所作的举例，而并非是对本发明的具体实施方式的限定。凡在本发明权利要求书的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。









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!