基于加權(quán)語(yǔ)義網(wǎng)的文本相似度計(jì)算方法研究

張弛 周艷玲 張貫虹

摘要：為了更加準(zhǔn)確地計(jì)算文本特征權(quán)重，提高文本相似度計(jì)算的精確度，文章提出了一種基于《知網(wǎng)（HowNet）》語(yǔ)義知識(shí)庫(kù)的加權(quán)語(yǔ)義復(fù)雜網(wǎng)絡(luò)文本相似度計(jì)算方法.該方法首先以特征詞為節(jié)點(diǎn)，以特征詞窗口共現(xiàn)為邊，以特征詞的TF-IDF值為特征詞節(jié)點(diǎn)的初始權(quán)重，以融合共現(xiàn)頻率和概念間語(yǔ)義距離計(jì)算特征詞節(jié)點(diǎn)之間邊的權(quán)重，構(gòu)建加權(quán)語(yǔ)義文本復(fù)雜網(wǎng)絡(luò).然后利用綜合特征指數(shù)作為加權(quán)語(yǔ)義網(wǎng)中文本的特征權(quán)重.最后基于公開數(shù)據(jù)集和KNN算法進(jìn)行文本聚類實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，在基于F-度量值標(biāo)準(zhǔn)上本文提出的方法要優(yōu)于傳統(tǒng)基于向量空間模型的TF-IDF方法和另一種結(jié)合復(fù)雜網(wǎng)絡(luò)權(quán)重的方法.

關(guān)鍵詞：復(fù)雜網(wǎng)絡(luò);特征詞;KNN算法;文本相似度;HowNet

中圖分類號(hào)：TP391.1 ?文獻(xiàn)標(biāo)識(shí)碼：A ?文章編號(hào)：1673-260X（2019）05-0019-05

隨著互聯(lián)網(wǎng)的普及和使用，互聯(lián)網(wǎng)中文本數(shù)據(jù)的產(chǎn)生正在以指數(shù)級(jí)的速度增長(zhǎng)，如何從龐大的信息庫(kù)中提取有用的信息就依賴于文本挖掘技術(shù)[1]，其如何能夠?qū)崟r(shí)、高效地挖掘出對(duì)社會(huì)生產(chǎn)、生活有價(jià)值的信息，已經(jīng)成為文本聚類、信息檢索、問答系統(tǒng)等諸多研究領(lǐng)域知識(shí)管理者和研究者所要亟待解決的問題.

文本相似度計(jì)算是文本數(shù)據(jù)挖掘中需要解決的關(guān)鍵問題之一.傳統(tǒng)的文本相似度計(jì)算方法是基于統(tǒng)計(jì)特征的TF-IDF算法[2-4]，該方法是將文本經(jīng)過預(yù)處理后表示為一個(gè)向量的形式，向量中每個(gè)元素值為特征詞的詞頻（TF）和逆文本頻率（IDF）的乘積，這樣就可以通過計(jì)算向量之間的差異來衡量文本之間的相似性.這種方法的優(yōu)點(diǎn)是既可以排除文本中的低區(qū)分度詞，又可以避免在文本集中分布廣泛的高頻詞干擾文本相似度計(jì)算結(jié)果.但是這種方法同樣忽略了特征詞自身一般都具備豐富的語(yǔ)義，詞與詞之間的關(guān)系也不是相互孤立的，詞語(yǔ)間的語(yǔ)義關(guān)系、詞與詞之間共同出現(xiàn)的頻率和詞的上下文結(jié)構(gòu)信息等都將影響著文本相似度計(jì)算結(jié)果的準(zhǔn)確性[5-7].

近年來，隨著復(fù)雜網(wǎng)絡(luò)科學(xué)研究的發(fā)展，在自然語(yǔ)言處理研究領(lǐng)域中也發(fā)現(xiàn)了小世界特性[8]，為國(guó)內(nèi)外學(xué)者研究文本的相似度計(jì)算提供了新的思路.文獻(xiàn)[9-11]等基于語(yǔ)義知識(shí)庫(kù)的方法，通過對(duì)特征詞進(jìn)行概念或義項(xiàng)的映射，計(jì)算特征詞所對(duì)應(yīng)的概念或義項(xiàng)的語(yǔ)義相似性、相關(guān)度和語(yǔ)義距離等來構(gòu)建文本復(fù)雜網(wǎng)絡(luò)，并使用復(fù)雜網(wǎng)絡(luò)的物理結(jié)構(gòu)特征進(jìn)行關(guān)鍵詞的提取研究，如節(jié)點(diǎn)度、介數(shù)、聚集系數(shù)等.文獻(xiàn)[12]、文獻(xiàn)[13]根據(jù)特征詞之間的語(yǔ)義關(guān)系構(gòu)建文本復(fù)雜網(wǎng)絡(luò)，然后利用復(fù)雜網(wǎng)絡(luò)社區(qū)的結(jié)構(gòu)特性，使用社區(qū)挖掘算法來進(jìn)行特征選擇.文獻(xiàn)[14]引入相似性和相關(guān)性對(duì)詞語(yǔ)語(yǔ)義關(guān)系進(jìn)行復(fù)雜網(wǎng)絡(luò)構(gòu)建，通過調(diào)節(jié)各個(gè)參數(shù)的權(quán)重進(jìn)行特征項(xiàng)選擇.雖然這些研究已經(jīng)取得較好的成果，但它們都未考慮節(jié)點(diǎn)對(duì)全局網(wǎng)絡(luò)的影響，忽略了在文本復(fù)雜網(wǎng)絡(luò)中特征詞的位置、共現(xiàn)頻率、全局統(tǒng)計(jì)信息等因素的重要性，造成在文本網(wǎng)絡(luò)構(gòu)建中邊權(quán)重計(jì)算方法不科學(xué)，結(jié)果不準(zhǔn)確，導(dǎo)致最終計(jì)算結(jié)果存在較大偏差.

鑒于特征詞本身具備的豐富語(yǔ)義特征，本文綜合考慮了特征詞間的語(yǔ)義相似性、統(tǒng)計(jì)TF-IDF值以及共現(xiàn)頻率等因素，提出了一種基于《知網(wǎng)（How Net）》語(yǔ)義知識(shí)詞典的文本加權(quán)語(yǔ)義網(wǎng)絡(luò)構(gòu)建和相似度計(jì)算方法.該方法首先對(duì)文本進(jìn)行分詞、去停用詞操作，并依據(jù)復(fù)雜網(wǎng)絡(luò)中的小世界特性，以特征詞為節(jié)點(diǎn)，以特征詞的TF-IDF值作為節(jié)點(diǎn)的初始權(quán)重，以特征詞窗口共現(xiàn)為邊，基于《知網(wǎng)（How Net）》語(yǔ)義詞典將特征詞映射為詞典中的概念，考慮到特征詞在文本中的共現(xiàn)系數(shù)，融合共現(xiàn)系數(shù)和概念間語(yǔ)義距離計(jì)算特征詞之間邊的權(quán)重，充分利用了文本的結(jié)構(gòu)信息和全局統(tǒng)計(jì)信息.最后使用余弦相似性公式計(jì)算向量化文本之間的相似度，使用K最近鄰（KNN）分類算法在標(biāo)準(zhǔn)數(shù)據(jù)集上對(duì)文本進(jìn)行分類實(shí)驗(yàn)，對(duì)本文提出的加權(quán)語(yǔ)義網(wǎng)絡(luò)方法、文獻(xiàn)[11]提出的結(jié)合復(fù)雜網(wǎng)絡(luò)的方法以及文獻(xiàn)[2]提出的基于統(tǒng)計(jì)的向量空間方法進(jìn)行實(shí)驗(yàn)對(duì)比，驗(yàn)證了本文提出的基于加權(quán)語(yǔ)義復(fù)雜網(wǎng)絡(luò)的方法能夠有效提高文本相似度計(jì)算結(jié)果的準(zhǔn)確性.

1 相關(guān)理論

1.1 復(fù)雜網(wǎng)絡(luò)特性

復(fù)雜網(wǎng)絡(luò)是指在結(jié)構(gòu)、節(jié)點(diǎn)類型和連接形式等方面復(fù)雜的網(wǎng)絡(luò)，該類網(wǎng)絡(luò)具有明顯小世界、無(wú)標(biāo)度等特征[16].在復(fù)雜網(wǎng)絡(luò)中不同的統(tǒng)計(jì)量能夠反映不同的物理含義，對(duì)復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)拓?fù)涞姆治?，能夠剖析系統(tǒng)演化的過程和內(nèi)部存在的機(jī)制，本文主要使用如下的復(fù)雜網(wǎng)絡(luò)物理統(tǒng)計(jì)特征量對(duì)節(jié)點(diǎn)的重要性進(jìn)行評(píng)估.

1.1.1 節(jié)點(diǎn)加權(quán)度

1.2 加權(quán)語(yǔ)義網(wǎng)

語(yǔ)義網(wǎng)是一個(gè)語(yǔ)義網(wǎng)絡(luò)系統(tǒng)，它系統(tǒng)地描述了現(xiàn)實(shí)中詞匯與詞匯之間的各種語(yǔ)義關(guān)系.因?yàn)樵~匯之間一般都具有豐富的語(yǔ)義關(guān)系，傳統(tǒng)上直接計(jì)算文本特征詞之間的語(yǔ)義關(guān)系是很困難的.目前，常用兩種方法對(duì)特征詞進(jìn)行語(yǔ)義關(guān)系的計(jì)算，一種是基于大規(guī)模語(yǔ)料庫(kù)的方法[18]，一種是基于世界知識(shí)的方法[19].考慮到前者需要大量的語(yǔ)料作為訓(xùn)練集，使用中經(jīng)常受到語(yǔ)料庫(kù)規(guī)模的影響;本文選擇了使用基于世界知識(shí)的《知網(wǎng)（How Net）》語(yǔ)義詞典進(jìn)行語(yǔ)義復(fù)雜網(wǎng)絡(luò)的構(gòu)建，這種方法相對(duì)前者更加簡(jiǎn)單、有效.借助《知網(wǎng)（How Net）》語(yǔ)義知識(shí)詞典，將特征詞轉(zhuǎn)化為知識(shí)詞典中的概念，這樣每個(gè)特征詞都將對(duì)應(yīng)于《知網(wǎng)（How Net）》知識(shí)庫(kù)中的特定的概念.這樣就可以使用概念之間的距離來間接度量特征詞之間的語(yǔ)義聯(lián)系，能夠區(qū)別出不同文本特征詞之間的語(yǔ)義相似性和差異性.借鑒文獻(xiàn)[15]在概念層面上對(duì)距離的計(jì)算，本文對(duì)概念間距離的計(jì)算也使用語(yǔ)義距離、語(yǔ)義重合度、層次關(guān)系三個(gè)因素，利用概念間語(yǔ)義距離作為對(duì)應(yīng)特征詞之間關(guān)系強(qiáng)弱的衡量標(biāo)準(zhǔn).如圖1所示為基于《知網(wǎng)（How Net）》語(yǔ)義詞典的概念距離計(jì)算案例.

語(yǔ)義距離：表示為在《知網(wǎng)（How Net）》語(yǔ)義詞典中兩個(gè)概念之間的最短路徑長(zhǎng)度，文中用D（Si，Sj）表示兩個(gè)概念Si和Sj之間的語(yǔ)義距離，值越小表示兩個(gè)概念所對(duì)應(yīng)特征詞的間關(guān)系就越相近，以圖1中節(jié)點(diǎn)S7和S4為例，D（S7，S4）=3.

語(yǔ)義重合度：表示為兩個(gè)概念所擁有的共同父節(jié)點(diǎn)數(shù)量，擁有的共同父節(jié)點(diǎn)數(shù)量越多，說明概念間關(guān)系越相近.使用C（Si，Sj）表示概念Si和Sj之間的語(yǔ)義重合度.以圖1中節(jié)點(diǎn)S7和S4、S7和S8為例，C（S4，S7）=2，C（S7，S8）=3.

層次深度：用Hi和Hj表示兩個(gè)概念Si和Sj的所在語(yǔ)義樹中的層次深度，隨著兩個(gè)概念間的層次深度差增加，所對(duì)應(yīng)詞匯之間的相似性就越小.

2 基于改進(jìn)加權(quán)語(yǔ)義網(wǎng)絡(luò)的文本相似度計(jì)算

2.1 文本特征詞之間語(yǔ)義相似度計(jì)算

通常在文本復(fù)雜網(wǎng)絡(luò)中，特征詞節(jié)點(diǎn)之間邊的權(quán)重是難以直接衡量的，特征詞之間權(quán)重的精確性將直接影響到文本特征詞提取的正確性.本文綜合考慮詞匯的共現(xiàn)頻率權(quán)重、語(yǔ)義距離、語(yǔ)義重合度和層次深度這四個(gè)方面的因素作為語(yǔ)義復(fù)雜網(wǎng)絡(luò)中邊的權(quán)重.

2.5 算法流程

使用本文提出的文本復(fù)雜網(wǎng)絡(luò)構(gòu)建和特征詞權(quán)重計(jì)算方法，對(duì)文本的特征詞進(jìn)行特征權(quán)重計(jì)算，提高文本相似度計(jì)算結(jié)果的精度，算法描述如下：

輸入：帶有類標(biāo)簽的訓(xùn)練文本集D1和測(cè)試文本集D2.

輸出：帶有類標(biāo)簽的測(cè)試文本集D2.

（1）對(duì)訓(xùn)練集D1和測(cè)試集D2分別進(jìn)行分詞和去停用詞操作，得到初始訓(xùn)練集和測(cè)試集特征詞集合.

（2）對(duì)訓(xùn)練集D1中的每篇文檔使用第2.1節(jié)介紹的方法，分別計(jì)算特征詞節(jié)點(diǎn)和邊的權(quán)重，構(gòu)建文本加權(quán)語(yǔ)義復(fù)雜網(wǎng)絡(luò).

（3）根據(jù)2.3節(jié)介紹的方法，對(duì)訓(xùn)練集D1中的每篇文檔，使用綜合特征指數(shù)CFi計(jì)算每篇文檔中每個(gè)特征詞的權(quán)重，選取文檔權(quán)重排名靠前的m個(gè)特征詞作為該文檔的特征選擇結(jié)果，形成訓(xùn)練集數(shù)據(jù)詞典.

（4）根據(jù)訓(xùn)練集數(shù)據(jù)詞典，對(duì)測(cè)試集D2中的每篇文檔，使用2.1節(jié)介紹的方法，進(jìn)行加權(quán)語(yǔ)義復(fù)雜網(wǎng)絡(luò)構(gòu)建和特征詞特征綜合權(quán)重計(jì)算，形成待分類的測(cè)試文檔特征向量.

（5）根據(jù)步驟（4）的數(shù)據(jù)字典，對(duì)待分類文檔進(jìn)行特征詞選擇，使用公式7計(jì)算待分類文檔與數(shù)據(jù)字典中的每一個(gè)文檔的相似度，選取相似度值排名靠前的k篇文本作為相似文檔集.

（6）根據(jù)相似文檔的文本類別標(biāo)記，統(tǒng)計(jì)這k篇相似文檔中出現(xiàn)次數(shù)最多的類別標(biāo)記為該待分類文檔最終的類別標(biāo)記.

（7）對(duì)測(cè)試集D2中的每個(gè)文檔特征向量，循環(huán)重復(fù)步驟（5）和步驟（6），直到測(cè)試集中的每篇文檔都確定一個(gè)類別標(biāo)簽.

3 實(shí)驗(yàn)驗(yàn)證分析

3.1 實(shí)驗(yàn)數(shù)據(jù)及方法

實(shí)驗(yàn)數(shù)據(jù)選取復(fù)旦大學(xué)提供的中文語(yǔ)料庫(kù)中的農(nóng)業(yè)、政治、經(jīng)濟(jì)、體育和環(huán)境五個(gè)類別，每個(gè)類別中各隨機(jī)選取800篇.本文采用Java語(yǔ)言開發(fā)環(huán)境，使用jdk版本為1.8.0_121，分詞軟件使用中國(guó)科學(xué)院計(jì)算技術(shù)研究所的ICTCLAS軟件[17]，選取哈爾濱工業(yè)大學(xué)的中文停用詞表，包含767個(gè)停用詞，并使用《知網(wǎng)（HowNet）》計(jì)算中文特征詞之間的相似度，具體實(shí)驗(yàn)過程如下：

本文使用三組實(shí)驗(yàn)進(jìn)行對(duì)比，第一組采用本文提出的基于加權(quán)語(yǔ)義的方法，第二組實(shí)驗(yàn)采用文獻(xiàn)[13]提出的綜合復(fù)雜網(wǎng)絡(luò)特性的計(jì)算方法，第三組實(shí)驗(yàn)采用文獻(xiàn)[2]提出的基于向量空間模型的算法.實(shí)驗(yàn)中公式？茁i采用文獻(xiàn)[9]的取值，即？茁1為0.4、？茁2為0.3、？茁3為0.3.為了驗(yàn)證本文所提出方法在計(jì)算結(jié)果上的準(zhǔn)確性，本文使用KNN分類算法在標(biāo)準(zhǔn)數(shù)據(jù)集上進(jìn)行文本分類實(shí)驗(yàn)，根據(jù)分類的結(jié)果來驗(yàn)證本文所提出算法的有效性.KNN分類算法中，K取值為15，特征維數(shù)取值為1200，實(shí)驗(yàn)時(shí)采用5折交叉驗(yàn)證法，取這五次的F1平均值作為最終的分類結(jié)果.

3.2 實(shí)驗(yàn)評(píng)價(jià)方法

3.3 實(shí)驗(yàn)結(jié)果與分析

三組實(shí)驗(yàn)的文本分類結(jié)果在各類別中的F1值和平均值如表1所示.

將實(shí)驗(yàn)結(jié)果的F1平均值繪制成柱狀圖，如圖2所示.

從表1和圖2可以看出，無(wú)論是每個(gè)類別還是實(shí)驗(yàn)最終的F1平均值，實(shí)驗(yàn)一的F1值比實(shí)驗(yàn)二和實(shí)驗(yàn)三都要高，這說明本文提出的文本相似度計(jì)算方法相比文獻(xiàn)[13]提出的結(jié)合復(fù)雜網(wǎng)絡(luò)的方法和文獻(xiàn)[2]提出的向量空間模型算法，可以更加有效地提高文本相似度計(jì)算結(jié)果的精確性，使最終的分類結(jié)果更加準(zhǔn)確.實(shí)驗(yàn)一和實(shí)驗(yàn)二相比，同是使用基于復(fù)雜網(wǎng)絡(luò)的構(gòu)建和特征選擇方法，但是實(shí)驗(yàn)二在文本復(fù)雜網(wǎng)絡(luò)的構(gòu)建中并未考慮特征詞的共現(xiàn)因素，而且需要調(diào)節(jié)的參數(shù)較多，增加了算法的時(shí)間復(fù)雜度.實(shí)驗(yàn)二和實(shí)驗(yàn)三相比可以看出，使用結(jié)合復(fù)雜網(wǎng)絡(luò)特征選擇的實(shí)驗(yàn)二因?yàn)榭紤]了特征詞之間的語(yǔ)義關(guān)系和統(tǒng)計(jì)特征，使得最終的分類效果要比單純TF-IDF方法結(jié)果好.

4 結(jié)束語(yǔ)

本文提出了一種改進(jìn)的加權(quán)語(yǔ)義復(fù)雜網(wǎng)絡(luò)文本相似度計(jì)算方法，首先基于文本特征詞的統(tǒng)計(jì)特征，融合特征詞的共現(xiàn)頻率和語(yǔ)義距離，計(jì)算文本復(fù)雜網(wǎng)絡(luò)中特征詞節(jié)點(diǎn)間邊的權(quán)重，然后對(duì)文本的特征詞綜合指數(shù)進(jìn)行計(jì)算，根據(jù)綜合特征指數(shù)值的大小，對(duì)特征項(xiàng)向量進(jìn)行選降維處理，使用相似度計(jì)算公式對(duì)文本進(jìn)行相似度計(jì)算.最后通過對(duì)三組實(shí)驗(yàn)結(jié)果的對(duì)比分析，驗(yàn)證了本文所提出的方法能夠充分利用文本網(wǎng)絡(luò)中特征詞節(jié)點(diǎn)間的語(yǔ)義信息、結(jié)構(gòu)信息和統(tǒng)計(jì)信息，提高相似度計(jì)算結(jié)果的準(zhǔn)確性.但是鑒于文本相似度計(jì)算的復(fù)雜性，本文的研究還有一定的局限性，例如特征詞所在文本的位置、特征詞與句子、句子與句子之間的關(guān)系等因素，這些還都有待于進(jìn)一步的研究.

參考文獻(xiàn)：

〔1〕崔嘉樂，姜明洋，裴志利，盧奕南. 基于深度學(xué)習(xí)的文本挖掘研究[J]. 內(nèi)蒙古民族大學(xué)學(xué)報(bào)（自然科學(xué)版），2016（05）：403-407.

〔2〕Salton G，Wong A，Yang C.A Vector Space Model for Automatic Indexing[J]. Communications of ACM. 1975， 18（11）： 613-620.

〔3〕葉雪梅，毛雪岷，夏錦春，王波.文本分類TF-IDF算法的改進(jìn)研究[J].計(jì)算機(jī)工程與應(yīng)用，2018（12）：1-8.

〔4〕周源，劉懷蘭，杜朋朋，廖嶺.基于改進(jìn)TF-IDF特征提取的文本分類模型研究[J].情報(bào)科學(xué)，2017， 35（05）：111-118.

〔5〕夏冰，李寶安，呂學(xué)強(qiáng).綜合詞位置和語(yǔ)義信息的專利文本相似度計(jì)算[J].計(jì)算機(jī)工程與設(shè)計(jì)，2018， 39（10）：3087-3091.

〔6〕孫麗莉，張小剛.一種基于HowNet語(yǔ)義計(jì)算的綜合特征詞權(quán)重計(jì)算方法[J].統(tǒng)計(jì)與決策，2018， 34（18）：82-85.

〔7〕葛斌，李芳芳，郭絲路，湯大權(quán).基于知網(wǎng)的詞匯語(yǔ)義相似度計(jì)算方法研究[J].計(jì)算機(jī)應(yīng)用研究，2010， 27（09）：3329-3333.

〔8〕Cancho R F I ， R V Solé. The small world of human language.[J]. Proc Biol Sci， 2001， 268（1482）：2261-2265.

〔9〕Zhao Hui， Liu Huailiang， Fan Yunjie. Study on the Application of Complex Network Theory in Chinese Text Feature Selection [J]. New Technology of Library and Information Service， 2012（9）： 23-28.

〔10〕Liu G， Zhai Z W. Research on Keywords Extraction of Chinese Documents Based on TEXT-NET [C]. In： Proceedings of the 2011 International Conference on Electric Information and Control Engineering. 2011： 6074-6077.

〔11〕趙京勝，張麗，肖娜.基于復(fù)雜網(wǎng)絡(luò)的中文文本關(guān)鍵詞提取研究[J].青島理工大學(xué)學(xué)報(bào)，2018，39（03）：102-108.

〔12〕Jia X Q.Feature Selection Algorithm Based on the Community Dis covery[C].In： Proceedings of the 7th International Conference on Computational Intelligence and Security.2011：455-458.

〔13〕尹麗英，趙捧未.基于語(yǔ)義網(wǎng)絡(luò)社團(tuán)劃分的中文文本分類研究[J].圖書情報(bào)工作，2014，58（19）：124-128.

〔14〕杜坤，劉懷亮，郭路杰.結(jié)合復(fù)雜網(wǎng)絡(luò)的特征權(quán)重改進(jìn)算法研究[J].現(xiàn)代圖書情報(bào)技術(shù)，2015（11）：26-32.

〔15〕廖開際，楊彬彬.基于加權(quán)語(yǔ)義網(wǎng)的文本相似度計(jì)算的研究[J].情報(bào)雜志，2012，31（07）：182-186.

〔16〕汪小帆、李翔、陳關(guān)榮.復(fù)雜網(wǎng)絡(luò)理論及其應(yīng)用[M].清華大學(xué)出版社，2006.

〔17〕Wu Z B， Palmer M. Verb Semantics and Lexical Selection [C]. In： Proceedings of the 32nd Annual Meeting of the Association for Computational Linguistics. Association for Computational Linguistics， 1994： 133-138.

〔18〕Semantic Similarity Measures in MeSH Ontology and Their Application to Information Retrieval on Medline[EB/OL].[2007-12-10].http：//www.intelligence.tuc.gr/publications/Hliautakis.pdf.

〔19〕張碩望，歐陽(yáng)純萍，陽(yáng)小華，劉永彬，劉志明.融合《知網(wǎng)》和搜索引擎的詞匯語(yǔ)義相似度計(jì)算[J].計(jì)算機(jī)應(yīng)用，2017，37（04）：1056-1060.