社會化閱讀平臺的信息查詢提示機制優(yōu)化

嚴中華，孟亞琪，程秀峰

0 引言

在社會化閱讀平臺中，由于信息過載，用戶越來越難找到符合需求的書目。特別是學習型用戶在使用平臺時需要探索不熟悉的領域，檢索難度提升使他們有可能有意避開專業(yè)領域而去尋找感興趣的閱讀資料，導致建立在搜索引擎上的查詢提示工具在不熟悉用戶的情況下提供有偏差的提示信息。一般來說，用戶通常只會利用簡短的非語義檢索詞來進行查詢(往往只有1～2 個詞)，這并不能反映出其深層的檢索需求。查詢擴展被認為是解決檢索過程中非語義問題的有效方案[1]。它使搜索引擎具備擴展查詢詞語義范圍的能力，是信息檢索領域研究的重點問題。查詢提示(也稱作查詢建議)功能便是查詢擴展的一種實際應用。對大多數(shù)檢索系統(tǒng)而言，即使具有較高的語義理解和信息處理能力，其響應速度也不能達到查詢提示功能的水平，查詢提示功能的出現(xiàn)緩解了因查詢式過短而產生的語義缺乏問題。學者嘗試從多種角度，包括查詢日志、首次檢索結果、多種聚類方法等來實現(xiàn)提示信息的生成[2-4]，但在所用語料的多源信息融合、系統(tǒng)的實用性和可預測性方面一直存在拓展空間。本文使用響應速度較高的詞-詞關聯(lián)的解決方法，快速融入包含用戶查詢行為的特征庫，得到優(yōu)化后的查詢提示結果；并用實證檢驗這一方法的有效性，通過檢驗豐富度和檢全率兩個指標來評價這一方法的效果。

1 相關研究

用戶提供的查詢式往往較短，因此查詢擴展(Query Expansion)一直是檢索過程中存在的問題。Furnas 于1987年提出查詢擴展概念[5]，隨后學者們提出多種解決查詢擴展問題的方法，如查詢提示。但應用查詢提示得到的結果在實用性和可預測性上依然不能徹底解決信息過載問題。從信息融合角度看，查詢提示研究根據(jù)提示信息的生成來源可劃分為兩類：獨立于查詢歷史的研究和基于查詢歷史的研究。

獨立于查詢歷史的研究主要基于文檔內容或文檔鏈接的相似度計算，得到文檔-詞的頻率矩陣，利用矩陣進行查詢擴展[6]。但是，矩陣存在稀疏性、計算開銷大、精度低等缺點。為解決這個問題，有學者提出只計算查詢結果中文檔的相關詞[7]，有學者提出可直接使用詞典得到查詢提示結果[8]，也有學者提出利用知識庫(維基)擴展生成查詢提示結果[9]。獨立于查詢日志的方式缺點是機械性、精度低、無法預測用戶檢索意圖。由于硬件處理數(shù)據(jù)效率的不斷提高，這種方法逐漸被具有動態(tài)行為反饋功能的查詢提示機制所取代?；谛袨榉答伒牟樵兲崾狙芯浚⒃谌罩九c文本分析技術的基礎上。Cucerzan 等利用日志中的session 信息，提出一種方法用以識別用戶的目標網頁，探尋用戶的查詢意圖[10]。Baeza-Yates等將查詢日志中的查詢記錄進行聚類，當新的查詢式出現(xiàn)時，利用向量相似度度量和識別相似的查詢記錄并推薦給用戶[11]。Barouni-Ebarhimi 等通過計算用戶提交的查詢式歷史頻率來作為查詢提示的參考[12]。國內學者利用日志中的有效信息，通過概率統(tǒng)計[13]、聚類[14]、圖理論[15]、語義關聯(lián)[16]等建立模型，進行查詢擴展與提示信息的生成。

對閱讀社區(qū)應用而言，查詢提示大多停留在利用詞典機械擴展查詢詞的水平，提示結果并不理想[17]。因為，當學習型用戶進行書目檢索時，除書名信息外，并不能融入更多內容相關信息。針對閱讀社區(qū)，構建一個集用戶各種檢索行為于一體的行為特征庫，利用關鍵詞序列、訪問鏈接、停留時間等信息進行多源融合，為查詢提示提供快捷的查詢擴展接口，是簡潔高效的手段。目前學者對用戶行為特征庫(簡稱“特征庫”)已有一定研究，大量應用型研究均集中于用戶畫像與信息的精準推薦方面，鮮有針對閱讀社區(qū)查詢擴展的特征庫。本文根據(jù)日志信息，通過提取用戶特征向量，構建用戶行為特征庫的方式，將特征庫的離散信息融入查詢擴展機制，做到擴大查詢提示維度的同時又保證響應速度快、推薦結果具有一定豐富度和可預測性，進而提升用戶體驗。

2 用戶行為特征庫

用戶在網絡交互過程中會留下很多記錄，包括用戶個人信息，如認證、瀏覽、檢索、購買等信息；以及群體性或交互性信息，如評論、發(fā)布的內容。從中可以挖掘出用戶行為規(guī)律。因此，建立針對個人的行為畫像，構建特征庫成為可能；也可以利用特征庫的信息挖掘個體或群體的行為規(guī)律，進而進行知識推薦或信息決策。

2.1 特征庫的組成

用戶行為特征庫是各種體現(xiàn)用戶行為特征離散信息的融合。融合過程需要對不同類型的行為特征進行形式化描述。社會化閱讀平臺的特征庫由五個基本方面組成：(1)認證特征，存儲用戶的認證信息，如用戶名、用戶編號及其他基本信息。(2)分布特征，存儲用戶的時間(訪問時間)和空間(基站ID、IP 地址等)分布特征信息。(3)瀏覽特征，記錄用戶點擊跳轉頁面時的信息，如目標頁面、訪問時間，以及頁面的停留時間。(4)檢索特征，主要是檢索時使用的關鍵詞序列(將檢索式進行分詞和篩選處理)。(5)交互特征，用來存儲用戶在信息發(fā)布、評論、打分、留言等文本信息。

2.2 特征庫的構建

用戶檢索行為特征的提取與融合是構建優(yōu)化查詢提示機制的主要方面，因此上述五種特征信息并不都具有查詢擴展功能上的意義。根據(jù)文獻[18]與文獻[19]中用到的日志特征種類，將從以上特征類型中篩選出具有檢索擴展意義的特征向量和元組進行重組。將有效的檢索行為與檢索特征向量一一對應，并以此為基礎構建檢索特征庫。本文認為具有檢索擴展意義的用戶特征有三類：分布特征、瀏覽特征和檢索特征。

(1)分布特征。在檢索系統(tǒng)的服務器日志中包含了多種特征信息，如IP 地址、Cookie、session、訪問時間等。這些參數(shù)分別可以用于統(tǒng)計用戶空間和時間分布信息。下面的公式可用于描述用戶的分布特征：

DFi表示用戶i 的分布特征向量，是一個包含地理位置信息的實踐序列。vtn表示用戶訪問時間，ipn表示用戶IP 地址。

(2)瀏覽特征。用戶瀏覽特征除包含用戶點擊的目標頁面信息(URL)，也包含用戶每次點擊后在目標頁面的停留時間，因此瀏覽特征比用戶點擊特征更有價值。下面的公式用于描述用戶瀏覽特征：

BFi表示用戶i 的瀏覽特征。urln表示用戶訪問過的頁面URL，stn表示用戶在該URL頁面的停留時間。

(3)檢索特征。用戶檢索特征在構建過程中會抽取用戶每一次檢索所提交的檢索式，并通過相關處理得到關鍵詞序列。下面的公式用于描述用戶檢索特征：

SFi表示用戶i 的檢索特征向量。swn表示檢索式中第n 個檢索詞。每個檢索詞所表示的語義與主題有效特征并不相同，因此，引用劉湘生提出的主題分面組配公式，將各個檢索詞的語義信息按照一定標準進行概括性劃分，tmn表示檢索詞的主題分面類型，包括“主體-通用-時間-空間-文獻類型”等語義標注類型[20]。

每類特征信息對語義擴展的價值不同。經過經驗性篩選，本文從三類特征信息中提取具有檢索意義的元組，分別是IP 地址、訪問時間、關鍵詞序列、查詢結果URL 和停留時間。頁面鏈接(URL)用于有效瀏覽的判斷。IP 地址用于判斷用戶發(fā)生檢索行為的地點。本文主要針對閱讀平臺查詢提示，因此地理特征并沒有被融入，但該特征對其他應用領域(如基于地理位置的內容推薦)則十分必要。停留時間信息對于決定擴展的結果十分重要。為此，在構建特征庫時著重考慮URL、停留時間、關鍵詞序列三項特征。圖1描述了用戶檢索行為特征庫的構建過程。

圖1 用戶檢索行為特征庫構建過程

3 查詢提示機制的優(yōu)化過程

查詢提示機制過程可分為三部分：特征庫構建、查詢過程優(yōu)化、查詢提示生成。特征庫的構建過程中，需要收集每一次有效檢索的檢索式A1和檢索結果A2，以及檢索結果的瀏覽時長A3，為了確保記錄的有效性，檢索式需要與URL 進行有效性匹配過濾。過濾所得可作為構建檢索特征向量的基礎。當特征向量積累到一定數(shù)量之后可以根據(jù)其關鍵詞共現(xiàn)頻率建立頻數(shù)矩陣，再利用頻數(shù)矩陣計算其詞-詞歐氏距離矩陣，之后通過后述標準化公式對矩陣進行標準化，使得矩陣的數(shù)值都在0 到1 之間，并形成j*j(j 為特征向量集中涉及到的所有關鍵詞和檢索結果詞的總數(shù))矩陣，即完整的相似度矩陣；剔除掉所有關鍵詞的行和列，可以得到只關系到書與書之間的i*i(i 為檢索結果詞的數(shù)量)相似度矩陣。圖2是檢索特征庫融入到檢索過程的具體圖示。

圖2 查詢結果不為空時的查詢提示過程圖示

圖3 查詢結果為空時的查詢提示過程圖示

查詢過程優(yōu)化過程貫穿整個書目檢索過程，該過程通常可以根據(jù)用戶輸入的檢索式查找篇名、作者等書目基本信息，得到包含檢索式或檢索式子集的書目集LIST1，初步過濾后得到LIST1’，且LIST1’是根據(jù)相關度排序，融入瀏覽時長與URL 等信息。查詢提示生成過程中首先應按LIST1’順序逐一在書目相似度矩陣中查詢與該書目高相關的書目。LIST1’前n 本書找到的相關書目構成相關書目集LIST2。在根據(jù)書目的源書目(即找到該書目的依托書目)及二者之間的相似度進行加權，最終排序輸出LIST2’作為查詢提示。在這個過程中，并不是所有查詢都是合適的，因為總會有檢索式Q 的查詢結果為空。因此，當用戶輸入的某個檢索式導致結果為空，查詢提示機制會按照圖3流程為用戶提供信息。

當用戶查詢結果為空時，會用到前述過程中沒有用到的完整相似度矩陣SM(j*j)。這個過程分為兩部分(忽略前述中相似度矩陣的構建方法)：查詢式分解與查詢提示構建。查詢式分解過程即通過分詞、去停用詞的方法提取關鍵詞序列。在查詢提示構建過程中，將上一過程提取出的關鍵詞序列中的關鍵詞在相似度矩陣中進行查詢，將相同關鍵詞的高相關書目進行記錄；最終形成未排序的相關書目集合LIST3，然后依據(jù)相似度進行排序后得到LIST3’，可以作為查詢提示輸出。如最終形成的查詢提示為空，則有幾種可能：查詢式Q 中有錯別字、查詢式不夠充實。此時，提示用戶檢查查詢式輸入是否有誤或建議其擴充查詢式、更換檢索詞等。

4 實證過程

4.1 數(shù)據(jù)收集

數(shù)據(jù)來源是豆瓣讀書TOP250①，采集排行榜前列225 本書的書名、作者、評分信息(評分與評分人數(shù))、出版時間、(前10 個)熱門標簽、“有用”數(shù)量前3 的短評內容、“贊”數(shù)量前3 的長評內容。對不同的檢索系統(tǒng)來說，選取標簽、長評個數(shù)應作出相應改變。在“豆瓣讀書”中，每一本書的主頁都會顯示其支持數(shù)前9～10 個標簽(視標簽長度而定)，而前3 個評論(含長評及短評)的閱讀量和互動數(shù)都明顯高于其他長評。出于這樣的考慮，本文選取每本書的前10 個熱門標簽、前3 個長評和短評的內容，其中標簽、短評和長評的內容用于書目主題特征值的確定。

4.2 形成檢索特征向量

檢索特征的統(tǒng)計算法分為兩步。首先設置閾值，根據(jù)每次檢索的頁面停留時間過濾掉無效瀏覽的情況；其次將有效檢索的相應檢索結果URL轉化為結果內容信息，具體到某一本書、某一份報紙、某一本刊物等讀物的信息，并同時統(tǒng)計其檢索特征信息(即關鍵詞序列)，關鍵詞序列和檢索結果將共同構成一次有效檢索的檢索特征向量。

(1)篩選有效檢索。在不同的檢索系統(tǒng)中，可根據(jù)檢索對象適當變更有效查詢的判斷方式。本文針對書目檢索系統(tǒng)，將判斷閾值設置為δ=30s，目標頁面停留時間大于δ 的瀏覽行為被稱作是一次有效檢索的結果。該次檢索行為也是一次有效檢索。檢索結果信息和檢索特征將會根據(jù)下面方法進行處理。

(2)檢索特征向量的構建。檢索特征向量由檢索特征信息和檢索結果兩部分組成。檢索特征信息可直接從服務器日志中提取，每一條檢索特征信息以關鍵詞序列的形式存在。在書目檢索系統(tǒng)中，檢索結果通常是一本書，因此要統(tǒng)計每一本書的書目信息，初步形成書目特征向量。書目特征向量分為兩個維度：書目信息特征和書目主題特征。對于學習型用戶來說，用戶興趣并不是重要的維度，因此沒有納入書目特征的考慮。書目信息特征向量公式為：

Bli表示編號為i 的書目的信息特征向量。authorName 表示作者，publishPeriod 表示出版年代，scoreLevel 表示評分級別(豆瓣評分數(shù)據(jù)與評分人數(shù)加權值分級)，origin 表示書目來源(國內/國外)?？紤]到學習型用戶需求多為探索型，國籍對學習型用戶的意義不大，且“作者”維度與“國籍”維度之間的區(qū)分度低、相關度高，因此本文將書目來源的維度定義為“國內”和“國外”兩個值。書目主題特征向量公式為：

BTi表示編號為i的書目的主題特征向量，type1表示書目體裁，type2 表示書目題材，theme1表示書目主題1，theme2 表示書目主題2。相比短評和長評的內容，熱門標簽的適用性更高，原因是：以短語和詞語的形式出現(xiàn)，無需預先處理；而且其參評人數(shù)是書評內容的5～10倍，甚至更多。確定書目主題特征值有三個步驟。

第一，篩選熱門標簽。通過咨詢專家和筆者討論，將每本書10 個熱門標簽按如下原則篩選：①刪除長句子。②刪除作者名與國籍信息，如遇地名，則判斷書目主題是否與地名非常相關：是，保留；否，刪除。③刪除重復信息，如“明史”“明朝”“歷史”同為某書熱門標簽，則刪除“明史”標簽。④刪除“文學”標簽，其區(qū)分度幾乎為零。⑤合并同義詞、近義詞，如“愛情”與“言情”，“大學”與“校園”。⑥合并學術領域，如“心理學”與“心理”，“政治學”與“政治”。⑦拆分組合詞，如“古典名著”拆分為“古典”和“名著”兩個標簽。篩選方法如下：將原始數(shù)據(jù)以Excel 表格的形式收集在一張表中，規(guī)格為225*10。依次按照上述原則來刪除或合并符合要求的標簽。筆者將不同處理人員的篩選結果進行了一致性檢驗，檢驗結果表明該篩選原則并無界限不明或引起歧義之處。

第二，將標簽填入相應主題特征維度。將經過篩選的熱門標簽根據(jù)屬性分別填入主題特征的題材、體裁、主題維度后，所有書目題材和體裁都已填充完畢，部分書目的書目主題部分沒有值或是只有一個值。

第三，提取主題詞。利用中文分詞軟件對待填充書目的長評和短評內容進行分詞并歸納共現(xiàn)頻數(shù)，去掉停用詞和無意義詞。按照頻數(shù)大小選擇詞語作為書目主題特征值填入書目主題特征向量公式中。最終形成的書目主題特征向量(部分)見表1。

4.3 創(chuàng)建相似度矩陣

得到檢索特征向量后，需分別根據(jù)詞的共現(xiàn)頻率建立關鍵詞共現(xiàn)矩陣FM。比如，“兄弟”和“人性”兩個詞在所有書目主題特征向量中共同出現(xiàn)2 次，則FM(“兄弟”“人性”)=2，同時該矩陣是一個對陣矩陣，因此FM(“人性”“兄弟”)=2。共現(xiàn)矩陣FM 建立目的是計算各關鍵詞之間的距離，從而對其進行標準化，量化為關鍵詞或書目之間的相似度。本文用于計算的距離選擇的是歐氏距離，公式如下：

表1 書目主題特征向量(部分)

其中δ(x，y)表示書目x 和書目y 在n 維空間中的歐氏距離。i，j 分別為書目x，y 的編號。aik為矩陣第i 行所對應第k 維的值，ajk為矩陣第j行所對應第k 維的值。本文用于計算標準化相似度的公式如下：

其中，s(x，y)表示書目x 和書目y 的相似度。c 是一個常數(shù)，本文中取c=1.4。經過公式2 的計算，可以將矩陣的值都控制在[0，1]之間，以上處理是一種科學的將相似度量化為數(shù)值的方法。

根據(jù)公式(1)(2)計算結果，分別形成書目信息相似度矩陣和書目主題相似度矩陣，并進行加權處理?？紤]到對于學習型用戶的需求，筆者認為書目主題的重要性大于書目信息，但書目信息中的作者、年代維度又是書目檢索與推薦的必備因素，因此將書目主題的權重定為w1=0.6，將書目信息的權重定為w2=0.4。最終形成的書目相似度矩陣(部分)結果見表2。

表2 書目相似度矩陣(部分)

4.4 融合性比較分析

本文方法更加看重算法在查詢提示豐富度和覆蓋(檢全)率兩個維度上的表現(xiàn)。因此從這兩個方面出發(fā)，分別對該方法進行評價[21]。

(1)豐富度。豐富度的計算公式如下：

圖4 查詢提示的豐富度結果表

其中Vi表示ID 為i 的書目的查詢提示豐富度，SNi表示該書目在普通書目檢索系統(tǒng)中檢索結果的、屬于原始數(shù)據(jù)庫的書目數(shù)量，RNi表示該書目的查詢提示結果的、屬于原始數(shù)據(jù)庫的書目數(shù)量。計算結果如下：豐富度最大值為38，表示以這本書的書名作為查詢式時查詢提示的書目數(shù)量為38；最小值為1，表示這本書的書名作為查詢式時查詢提示書目的數(shù)量為1，沒有改善。平均數(shù)為9.734，中位數(shù)為4，標準差為10.644，表示書目查詢提示結果的書目數(shù)量并不是非常穩(wěn)定，隨著數(shù)據(jù)量的上升，這種情況會逐步改善。豐富度評定具體結果如圖4所示。其中，橫軸表示豐富度區(qū)間，縱軸表示圖書數(shù)量。

在書目檢索系統(tǒng)中，用戶普遍使用書名進行檢索，而得到的書目通常是書名相符的一本書(系列圖書、重名圖書除外)。因此，本文認為檢索提示結果數(shù)量大于1 的查詢視為比普通查詢結果更豐富的查詢。由圖4看出，49 本書的查詢結果豐富度為1，176 本書的查詢結果豐富度大于1，因此176/225(78.22%)的檢索式可以在檢索提種得到比普通檢索更豐富的結果。

(2)覆蓋率。覆蓋率計算公式如下：

其中，ci為ID 為i的書目的覆蓋率，RN’i為該書目二次查詢提示的書目數(shù)量，即首次檢索的提示數(shù)目，加上在此基礎上對第一個提示條目進行檢索的查詢提示數(shù)量，并去重后的結果數(shù)量。T為樣本總數(shù)，在本研究中為225。

查詢提示排序機制應用了社會網絡分析方法中中心度的概念。中間中心度表示書目的中介性，即該書目作為兩書目之間最短路徑的中間節(jié)點的次數(shù)；接近中心度則由節(jié)點與其他節(jié)點距離之和計算得到，可以描述書目整體的中心性。考慮到學習型用戶在使用書目檢索系統(tǒng)時更加需要提示結果的引導作用，因此筆者認為中間中心性的重要性應大于接近中心度，故分別給兩者賦權值7 和3。另外，由于這兩個值在計算方法上并不同，因此在進行加權之前會對其進行標準化處理，標準化方式是用原中心度值除以該類中心度最大值。綜合中心性計算結果見表3。

表3 綜合中心性計算結果(部分)

根據(jù)中心性計算結果和相似度矩陣，計算書目查詢提示的二次查詢提示的書目覆蓋率和二次檢索相對于一次檢索的覆蓋率提升情況。以二次檢索覆蓋率作為檢索覆蓋率指標的原因是，用戶喜歡在檢索過程中選擇重構檢索式，以修正檢索方向。二次查詢提示書目覆蓋率計算結果見圖5，其中縱坐標表示圖書數(shù)量，橫坐標表示二次檢索后查詢提示的覆蓋率區(qū)間。二次檢索相比單次檢索的查詢提示覆蓋率提升情況見圖6，其中橫坐標表示覆蓋率提升的倍數(shù)區(qū)間，縱坐標表示圖書數(shù)量。

圖5 二次查詢提示書目覆蓋率

圖6 二次檢索覆蓋率提升情況

由圖5看出，只有40 本書的二次檢索覆蓋率不高于1%，也就是大約82.22%的檢索式經過兩次檢索后都可以得到數(shù)據(jù)集中1%以上的書目。有些書目的主題非常流行或主題并不鮮明，可能會導致檢索過程中得到太多的查詢提示(有13 條檢索式在二次檢索后得到超過數(shù)據(jù)集中20%的書目)。因此，在應用過程中，查詢提示列表的排序更重要，因為本文的目的是向用戶提供最優(yōu)而不是最多的提示結果。

由圖6可看出，在225 條檢索式中，59 條檢索式在二次檢索后并未提升書目覆蓋率，166條檢索式在二次檢索后均有1 倍以上的覆蓋率提升。其中，有22 條檢索式在進行二次檢索后較單次檢索提升了5 倍以上的覆蓋率，這是因為有部分書目的相似書目很少，但是與之相似的書目卻擁有很多相似書目。

實驗結果表明，本文提出的查詢提示優(yōu)化方法在豐富度和覆蓋率兩個方面都比普通書目檢索系統(tǒng)更加出色。對于學習型用戶來說，在檢索初期很可能并沒有明確的檢索目標，因此提示列表提示結果的豐富度和檢全率有助于用戶更快地確定檢索方向，具有一定預測性。

5 結語

本文利用檢索特征向量構建用戶檢索行為特征庫，并融合傳統(tǒng)書目檢索系統(tǒng)從而實現(xiàn)書目查詢提示。在實證部分，利用數(shù)據(jù)集進行查詢提示機制的模擬實驗，并量化和計算了提示結果的豐富度和檢全率。實驗證明，本文提出的方法可以在提示豐富度和提示書目覆蓋率兩方面提升用戶檢索體驗。并且由于豐富度的提高，該查詢提示機制非常適合學習型用戶進行探索，除了提供直接相關的書目，還會根據(jù)其他用戶的檢索數(shù)據(jù)找到用戶潛在需要的書目。同時，對學習型用戶來說，查詢提示結果的豐富性和檢全率可以很好地引導用戶找到合適的檢索方向。在研究與實驗過程中，筆者也發(fā)現(xiàn)了該方法的局限性：(1)特征庫的構建還需要進一步融合其他類型的行為信息，從更豐富的維度優(yōu)化提示機制。(2)檢索特征庫的成長需要一定時間，提示效果是隨著數(shù)據(jù)量增長而提升的。下一步的研究將會著重研究提升檢索特征向量維度的多樣性，從更豐富的角度構建檢索特征庫，從而使檢索特征庫能代表更廣泛人群的檢索行為。本文認為查詢提示優(yōu)化方法的提出可以在未來的研究中輔助形成一種適合學習型用戶(或無具體檢索目標的用戶)使用的書目檢索系統(tǒng)。

注釋

①來源：https：//book.douban.com/top250，檢索日期：2017-11-09。

②書目編號-書名索引：B1-《追風箏的人》；B2-《小王子》；B3-《圍城》；B4-《解憂雜貨店》；B5-《或者》；B6-《白夜行》；B7-《挪威的森林》；B8-《嫌疑人X 的獻身》；B9-《三體》；B10-《不能承受的生命之輕》。