关键词： 复杂疾病   多组学数据   遗传网络   模式挖掘   社团检测  

摘要： 复杂疾病往往是由遗传、环境等多种因素共同作用导致的。挖掘复杂疾病的潜在遗传模式是揭示复杂疾病遗传机理的重要方法,其中基于多组学数据的复杂疾病网络模式挖掘方法为识别复杂疾病的遗传因子提供了新思路。本文以仿真数据和真实的复杂疾病多组学数据(基因表达数据、甲基化数据、拷贝数变异数据、单核苷酸多态性数据等)为基础,以遗传交互网络的构建与网络模式挖掘方法为手段,致力于发现复杂疾病的潜在遗传模式。具体研究内容如下:(1)针对复杂疾病多组学数据的网络构建问题,提出交互部分互信息测度,有效量化基因之间的依赖关系,从而构建基因之间的交互作用网络。将该方法应用到复杂疾病的基因表达数据上,进而从该基因网络中提取了与复杂疾病相关的特征基因以及重要通路。(2)针对复杂疾病遗传因子间的高阶交互作用检测问题,引入了两种节点用于构建高阶网络:真实节点表示遗传因子,虚拟节点表示遗传因子之间的交互作用。对构建的高阶交互网络进一步挖掘得到高密度子图,并对其进行了相关生物意义的验证。(3)针对复杂疾病遗传网络的节点检测问题,提出了基于归一化中心性测度的网络节点挖掘与分析方法。首先,识别复杂疾病的差异表达基因,并构建差异表达基因之间的遗传交互网络。然后,提出归一化中心性测度,全面分析该遗传网络中基因的局部特征和全局特征,从而充分挖掘网络中蕴含的特征基因以及重要生物通路。(4)针对复杂疾病多组学整合数据的社团挖掘问题,提出基于鲁棒主成分分析方法的社团挖掘与分析方法。首先,对多个复杂疾病的基因表达数据进行整合,引入鲁棒主成分分析方法从整合数据中筛选差异表达基因,并构建差异表达基因之间的交互作用网络,进而从网络中提取重要的社团。(5)针对复杂疾病多组学数据的网络构建以及网络整合问题,提出基于非负矩阵分解的网络整合与分析方法。首先,基于皮尔森相关系数构建复杂疾病多组学数据的异质性网络。然后,利用该整合方法对多个异质性网络进行整合,充分考虑不同的遗传因子之间的交互作用机制。最后,从网络中挖掘到与疾病相关的核心社团,并进一步检测出重要的生物通路。各项实验表明,本文提出的方法比同类方法在网络模式挖掘中更具优势,且可以检测到更多与复杂疾病相关的潜在遗传模式。

关键词： 社团检测   近邻   影响力   模体   图绘制  

摘要： 生活中存在着大量的复杂系统,这些复杂系统可被抽象表示为复杂网络,例如传染病网络、生物网络、人际网络等。社团结构可以揭示复杂网络的结构和功能特性,是复杂网络最基本的特征。发现社团结构的过程就是社团检测。随着复杂网络的种类愈来愈多,社团检测算法面临新的挑战,这就需要研究人员考虑不同的情况,提出高效,准确的社团检测算法。本文针对目前社团检测中两种不同的问题,提出了两个社团检测算法:DCDC和Vortex。DCDC算法以互k近邻连接的方式发现社团核心,克服了该类算法难以出检测任意结构,任意规模社团的局限性。Vortex算法是Black Hole算法的改进算法,Vortex算法以基于高阶结构motif的引力模式发现社团核心来进行社团检测,克服了Black Hole算法在节点度差别很大网络上表现较差的缺点。DCDC算法和Vortex算法的基本原理及优势如下:（1）DCDC如何检测任意结构,任意规模的社团是社团检测领域的一个难点。为解决该问题,提出了一种可以通过k最近邻发现社团核心的社团检测算法DCDC。该算法首先遍历所有节点,将两个互为近邻的相似节点及它们的共同邻居聚集到一个社团核心中;然后,在遍历过程中,若不在核心中的节点与某个社团核心内任何节点存在互近邻关系,那么该节点也会被吸引到这个社团核心中;接着,该算法检测出社团核心中的异常节点,并将其标记为无类标节点;最终,该算法利用影响力分配无类标节点,得到最终的社团结构。该算法简单且时间复杂度较低。此外,该算法不需要社团个数作为先验参数。通过在4个真实网络以及3个不同规模的LFR人工合成网络的综合测试表明:DCDC算法能检测出任意结构与任意规模的社团,且发现的社团质量高于所用的5个基准算法。（2）Vortex大部分社团检测算法在节点的度差别较大的网络上都很难检测出高质量的社团结构。Black Hole算法是一个鲁棒性较强的图嵌入算法,该算法通过graph drawing中的图嵌入方法得到网络在二维平面上合力最小的分布,再通过DBSCAN聚类算法得到最终的社团结构。由于仅考虑到节点之间的低阶联系,即节点间的边,该算法在节点的度差别较大的网络上表现不佳。为了解决这个不足,引入了高阶结构motif,提出了基于motif引力模式发现社团核心的社团检测算法Vortex。引入高阶结构motif进行图嵌入时,可从全局角度考虑两个节点的相似性,这使得Vortex算法能不受网络间节点联系稀疏影响并发现节点间隐含的联系。此外,Vortex算法还提出了基于motif来分配无类标节点的方法。实验结果表明:无论对度差别较大的人工网络,还是对6个有真实类标签的小网络及8个无真实类标签的较大的网络,Vortex算法检测到的社团结构在大多数情况下不但较Black Hole算法质量高,而且较其它6个对比算法更高。

关键词： 复杂网络   重叠社团检测   多目标优化   双编码   网络归减  

摘要： 现实世界中的复杂系统与人们的生活密切相关,这些复杂系统都可以表示为复杂网络,其中社团结构作为复杂网络的重要特性之一,对于分析复杂网络的结构属性和潜在功能具有重要作用。复杂网络中的社团结构主要分为两类:一类是非重叠社团,即网络中节点只能属于一个社团;另一类是重叠社团,即网络中节点可以属于多个社团。由于现实世界中大部分复杂网络都具有重叠社团结构,所以本文关注重叠社团检测问题。为了解决这个问题,基于多目标进化优化的重叠社团检测方法近年来引起研究人员越来越多的关注,该类方法可以同时优化多个互相牵制且充分利用网络结构信息的目标函数,最终得到一组不同层次的网络划分,决策者可以根据自己的要求来选择满足条件的社团划分。将多目标进化优化方法应用于重叠社团检测的一个主要挑战就是设计合适个体编码和相应的进化策略,为此,本文从编码的角度出发设计一种双编码表示策略,可以有效对种群中个体进行编码,并解码获得重叠社团结构。在双编码的基础上,本文提出一种基于双编码的重叠社团检测多目标优化方法。为了解决大规模复杂网络中的重叠社团检测问题,本文利用网络归减策略来减小网络规模,并在双编码的基础上又提出一种基于归减的双编码大规模重叠社团检测多目标优化方法。本文的主要研究工作如下:(1)本文设计了一种双编码表示方法,用于分别对社团结构和重叠点进行编码,并提出一种基于双编码的重叠社团检测多目标优化方法(DRMOEA)。在重叠社团检测多目标优化算法中,如何设计合适的编码使得编码能够全面检测重叠点是当前存在的挑战之一。为此本文将复杂网络重叠社团检测问题转化为一个多目标优化问题,同时考虑社团内部联系比例和社团外部联系比例,并提出基于双编码的重叠社团检测多目标优化方法,简称为DRMOEA。在DRMOEA算法中,提出基于社团边界点的初始化策略来获得好的初始个体,从而提高算法检测性能。在进化过程中,针对重叠点编码提出基于精英个体边界点的交叉策略,该策略利用社团边界信息以及种群中精英个体局部信息指导个体进化,从而进一步提高算法检测性能。最后通过实验验证DRMOEA能够有效处理重叠社团检测问题。(2)本文提出一种基于归减的双编码大规模重叠社团检测多目标优化方法(RDRMOEA)。随着网络中节点数目增加,种群中个体的编码长度会随之增大,同时种群的搜索空间也会指数级增大,为此本文提出一种基于归减的双编码大规模重叠社团检测多目标优化方法,来解决大规模复杂网络中的重叠社团检测问题。在RDRMOEA算法中,首先将网络中连接紧密的节点进行归减并重构网络,在进化过程中利用种群间个体的局部相同特性进一步对网络进行归减,并提出个体局部修复策略,用来修复网络中被错误归减的节点。最后在真实网络和LFR合成网络中的实验结果表明,RDRMOEA算法能够有效处理大规模复杂网络重叠社团检测问题。

关键词： 复杂网络理论   超像素分割   社团检测   图像分割   度分布   目标检测  

摘要： 图像分割和目标检测一直是图像分析与计算机视觉领域的重点研究课题。随着近几十年来复杂网络理论的快速发展,将复杂网络理论应用到图像分析与计算机视觉领域成为研究人员关注的问题之一。本文以复杂网络理论中的社团检测和节点度分布理论为中心,对图像网络的构建、图像分割和视频中运动目标检测算法进行了研究。具体研究内容如下。(1)提出了一种基于局部网络模块度增量的超像素分割算法(LocalNet)。以像素点颜色相似性建立图像的邻接加权网络,以模块度增量作为判断准则,对邻接网络进行社团划分,完成图像的超像素分割。该算法克服了经典的SLIC超像素分割算法分割精度不足,易出现欠分割的缺点。同时应用超像素分割算法对图像进行分割,以超像素区域为单位作为网络节点,构建图像网络结构。与以像素点为节点构建图像网络相比,可以提高图像处理的效率。实验结果表明LocalNet算法与SLIC及其改进算法VASLIC和MMTDSLIC相比,具有更高的分割精度。(2)提出了一种结合局部度中心性的图像分割算法(LDCS)。对图像应用LocalNet算法进行超像素分割,以超像素区域为单位作为网络节点,区域间的颜色、纹理相似性作为连边权值,构建图像邻接加权网络结构,结合局部度中心性,计算图像网络的局部度中心节点作为图像网络社团的中心,进行网络的社团划分,完成图像分割。实验表明该算法的图像分割精度高于应用复杂网络理论进行图像分割的框架算法GFCNIS。(3)提出了一种基于图像网络节点度变化量的运动目标检测算法(IN-MOD)。对视频中每帧图像应用LocalNet算法进行超像素分割,以区域颜色、纹理相似性建立图像的邻接加权网络结构,按照时间顺序建立视频网络节点的时间序列,寻找每帧图像网络节点度变化节点作为候选运动目标,应用本文LDCS图像分割算法以及K-means聚类算法对检测出的运动目标候选区域进行修正。实验结果表明,本文IN-MOD算法在检测运动目标发生镜头抖动、光照变化等特殊情况时,具有较好的检测效果。

关键词： Potts Spin-glass   合谋   复杂网络   社团检测  

摘要： 工程招投标作为项目前期资本规模控制的一种重要方式,在项目全生命周期的成本控制方面扮演着至关重要的角色,并随着经济的发展在各行各业得到了广泛的应用并取得良好的效果,为各项投资节省了大量资源,但是由于建筑行业本身的特点,招投标阶段被认为是腐败现象频发的阶段,存在包括围标串标等诸多不合理行为,甚至在一些地区存在着“无标不围、无标不串”的严重情况。而如何识别合谋行为一直是监管机构的痛点和难点。本文从影响合谋行为发生的主要因素及其表现形式,分析了国内外对合谋行为界定的主要方法,提出将行为科学中的复杂网络技术应用到建设项目招投标阶段的合谋行为检测中。广东省是我国实施招投标较早的地区,其招投标数据完善程度较高。因此,文章利用文献调研法对需要收集数据和模型对应指标进行统计分析,采用爬虫技术获取广东省2015-2020年间关于招标、资格审查、中标以及投标企业负责人等信息,建立ACCESS数据库对以上信息进行整合,建立数据之间的连贯性。利用python3.6.3对数据中的缺失值、噪声值及异常值进行预处理,以Graph模块建立投标人无向加权复杂网络,结合基于动态社区检测方法的Potts Spin-glass算法进行社团结构挖掘。该算法相较其他方法,具有自动识别最稳定基态达到最优划分的优点。为了使社团划分更加合理,文章首先将社团划分为10个较大社团,针对社团中的典型社团结构,对其进行二次社团结构挖掘,分析特征值,验证了该算法对合谋行为挖掘的适用性,并对其他社团结构二次挖掘,得出最优投标人社团结构。最后,将该算法与其他算法进行时间复杂度对比,验证spin-glass算法在社团结构挖掘方面的优势及适用性,利用项目投标报价规律分析和网络中公开的围标串标行为处罚通知对挖掘出的社团结构进行验证,进一步证明了复杂网络中社团结构挖掘技术对招投标合谋行为识别的正确性和适用性,并结合大数据和区块链技术,提出相应的合谋行为治理机制。

关键词： 复杂网络   社团检测   GN算法   GN算法改进   公共安全数据分析  

摘要： 复杂网络是由节点和节点之间错综复杂的关系共同构成的网络结构,用来分析和挖掘目标群体之间的关联信息和团体结构,在近年来得到了快速发展和应用。社团检测作为分析复杂网络结构的一种方法,既能够从整体上把握群体之间的群落结构关系,也能从微观上估量个体之间的连接性质及差异。GN算法是层次分裂算法的典型代表,具有较高的社团划分精度,但存在时间复杂度高,计算效率低等问题。本文在深入分析了GN算法运行机理和优缺点之后,提出了两种新的社团检测算法,并且应用在公共安全领域中的实际项目中。本文的主要贡献如下: (1)针对GN算法边介数计算时间复杂度高的弊端,提出了基于层次分裂的社团检测算法JRGN,并在算法中引入了一种新的节点相似性评判指标—JR相似性系数,以该系数替代GN算法中的边介数从而降低算法的时间复杂度。通过人工网络和真实网络实验验证了JRGN算法具有更低的时间复杂度,而且在社团结构较为模糊的网络中也能够体现出较优的社团划分表现。 (2)分析了JRGN算法存在的不足及原因,根据分析结果,进一步提出QJRGN社团检测算法并引入模块度增量进行优化。模块度增量的作用在于每次划分都朝着模块度增大的方向进行,直到最优社团划分结果出现后,任意一条边删除都不会导致模块度增大,则算法停止。通过实验验证了该算法比JRGN算法具有更低的时间复杂度和更优的社团划分结果,可应用性更高。 (3)将本文提出的QJRGN算法应用到某市公安局的“公共安全大数据分析”真实项目中,根据案件中犯罪团伙之间的短信和通话记录构建人员通联关系复杂网络,通过分析网络中人员之间的通联结构关系,验证了算法的有效性和可应用性。

关键词： 有向无环网络   社团检测   聚类   近似度   网络嵌入   节点角色  

摘要： 有向无环网络是一类特殊的不包含环的网络,普遍存在于生物学、遗传学、金融学等领域。社团是网络介观尺度上最突出的结构特征之一,对网络功能有着至关重要的影响。网络社团结构检测和分析已成为一个重要的主题,吸引了众多不同领域学者的关注。对有向无环网络中社团结构的检测是深入理解整个网络功能的重要途径之一。通常,由实际系统构建的有向无环网络的边具有对抗或相似两种关系。现有的大多数社团检测算法并不适用于边对抗有向无环网络,对于边相似有向无环网络也存在与聚类算法割裂、复杂度高的问题。针对以上现象,本文探究了两种类型的有向无环网络中的社团检测,主要研究内容和成果如下:提出了可用于寻找边对抗有向无环网络中社团的Katz-Simrank方法,分别利用Katz和Simrank++近似度捕捉节点的序和相似度信息,将有向无环网络中的社团检测问题转化为有权无向网络中的派系检测问题。在对四种不同类型的有向无环网络的测试中,该方法获得的社团划分的标准化互信息、调整兰德系数、同质性和多样性指标均优于先前的基于模块度的方法和分层方法,验证了该方法的有效性。针对边相似有向无环网络,利用Katz近似度来刻画节点之间的相互作用紧密程度,将其作为它们的相似度对相似度量图嵌入(FVERSE)算法进行改进,结合Kmeans提出基于Katz-FVERSE的社团检测框架。在各人工网络和真实网络上进行测试后发现,该框架获得的标准化互信息和模块度指标有87.5%的比例超越和接近其他最优框架,验证了该框架的有效性。将基于Katz-FVERSE的社团检测框架分别应用于不同度分布的人工引文网络和真实网络中,发现基于社团结构的节点角色和节点重要性之间存在显著联系。多数边位于所属社团和许多边连接不同社团的中心节点有81.4%和75%的概率是重要节点,远高于其他角色的节点并具有统计显著性。因此,可以通过社团检测来判断网络中节点的角色从而实现重要节点的预测。

关键词： 复杂网络   社团检测   非负矩阵分解   节点特征   层次信息  

摘要： 社团检测是复杂网络分析的重要组成部分,通过社团检测算法对网络进行社团结构划分,能够帮助人们挖掘出复杂网络的结构特征和与之相关的功能特性。近几十年来,学者们已经提出了大量的社团检测算法,但是这些算法通常只关注网络的拓扑结构信息,不能够对于图中的孤立点进行有效地划分。本文在深入分析现有社团检测算法的基础上,结合节点特征信息和网络层次信息提出两种新的社团检测算法,旨在提升社团检测的准确性,主要研究内容如下:(1)为了将社交网络中的孤立点划分到合适的社团中,本文提出了一种结合节点特征信息和拓扑结构信息的社团检测算法——CSNMF。CSNMF使用由解码器和编码器构成的自编码非负矩阵分解框架整合网络的拓扑结构信息与节点特征信息,基于拓扑结构信息与节点特征信息的相似度设定自适应参数,有效地控制了节点特征信息对于社团划分的贡献率,确保节点特征信息对拓扑结构信息进行有效地补充,从而提高社团检测的准确性。此外,CSNMF保留了非负矩阵分解框架良好的可解释性,能够对所划分的社团结构的特征进行准确地描述。(2)此外,本文提出了一种结合节点特征信息与拓扑结构信息的深度自编码器非负矩阵分解模型——DSCNMF,进一步提升社团检测的准确性。DSCNMF通过深度自编码器框架,将原始网络的拓扑结构信息进行层次化分析,从而学习原始网络和最终社团划分之间的分层映射,能够在中间层学习原始网络隐含的从低到高隐藏层次信息;DCSNMF不仅利用了节点特征信息,而且将节点特征信息建模到深度自编码器框架,同时通过调节系数控制节点特征信息的贡献率,以此来保证该算法对于非完全图的社团检测性能。为了验证CSNMF和DCSNMF的有效性,本文在多个真实的社交网络数据集上进行了实验。与最新的相关社团检测算法相比,CSNMF和DCSNMF均能够有效地划分出网络中存在的社团结构,而且DCSNMF在层次信息较为丰富的网络中具有更好的社团检测性能。

关键词： 社团检测   多层网络   重叠社团   稀疏表示   非负矩阵分解  

摘要： 随着数据获取技术的快速发展,规模庞大、类型多样、结构复杂的数据日益增多,如果能对数据进行有效地分析与处理,发现数据之间潜在的内部关系,对相关领域的研究将具有重要意义。当前,现实世界中的数据大都可以表示为不同个体以及个体之间的相互联系,因此可以映射成网络的形式。网络中的节点表示个体,边表示个体之间的连接关系。社团检测是网络分析中一个重要的研究方向,旨在将复杂网络中的数据点划分到不同的簇中,使得簇内的联系尽量地稠密,簇之间的联系尽可能地稀疏,从而挖掘出复杂网络中潜在的社团结构,使人们更好地认识和理解复杂网络,研究网络结构、功能和特性,因此被广泛应用于大数据与人工智能的相关研究中。目前已经有许多学者对社团检测问题进行了研究,这些工作主要集中于单层网络,即网络的节点之间只存在一种连接形式,但是现实环境中的网络可能同时具备多种连接类型。比如在社交网络中,个体之间会通过电话、短信、微博等多种方式进行联系,只有获取所有平台的信息,才能准确判断网络中的两个个体是否属于同一个社团。为了涵盖这些关系的多类型特性,通过相同的节点集合,分层描述不同连接,以构成多层网络,并对其进行社团检测显然具有更强的科学意义,因此在最近几年引起了网络科学界的广泛关注。然而,现有方法只是将多层网络的连接简单地平均融合为单层网络,而没有考虑不同连接类型对社团检测的重要程度,从而严重干扰融合后单层网络的社团结构。此外,多层网络中层间连接差异性很大,且多层结构可能会进一步加剧层内连接稀疏性,目前尚缺乏鲁棒的多层网络社团检测策略以系统地挖掘网络结构。针对上述问题,本文对多层网络中社团检测进行了深入研究,取得了如下研究成果:(1)提出了一种新的分层联合表示算法以识别多层网络中的社团。考虑到多层网络中不同连接的噪声差异会导致社团检测性能参差不齐,该算法提出了一种自适应地层加权策略,通过不断更新不同层的权重,以描述各层网络对社团检测的重要程度。此外,算法以非负矩阵分解为基础,同时强制相邻层网络的低维表示向量彼此接近,以获取一致的低维表示,从而揭示跨层共享的社团结构。此外,我们还设计了相关优化方法,通过交替迭代的方式同时优化分解因子和不同层的权重,直到收敛。在包括引文,社交,经济和生物网络等各种类型的复杂网络上的大量实验结果表明该方法具有良好的社团检测准确性。(2)提出了一种基于子空间的多层网络社团检测算法。面对多层网络的稀疏性与连接差异,该方法将稀疏子空间思想推广到多层网络中以提升社团检测鲁棒性,并将不同层之间的低维表示相似性约束作为距离正则项,和非负约束条件共同集成到稀疏子空间聚类框架中,使其能够同时利用数据的全局和局部信息进行图学习。并进一步引入了一种新颖的稀疏约束,以促进学习到的图具有更为清晰的聚类结构。针对该问题,我们还特别设计了一种有效的迭代算法对框架进行优化求解。在多个领域的数据集的实验结果表明该方法可以显著提高复杂网络的社团聚类性能。

关键词： 社团检测   动态网络   图聚类   图嵌入   乳腺癌早期诊断  

摘要： 现实世界中的复杂系统均可用复杂网络进行建模,复杂网络分析对探索现实世界中的运行机制及变化规律具有重要意义。社团检测作为复杂网络分析的研究热点之一,近年来受到了学者们广泛的关注。社团指的是一组与内部节点连接紧密,与外部节点连接稀疏的的节点集。社团检测能够揭示节点之间的相似关系和交互规律。当前的社团检测算法致力于静态网络社团检测,而真实世界是动态变化的。静态网络社团检测算法不能很好的追踪和描述动态网络社团的演化过程,极大地阻碍了社团检测在现实世界中的应用。因此,本文提出三种动态社团检测算法:基于三阶时序平滑的动态社团检测算法,基于边平滑的动态社团检测算法和基于属性融合的动态社团检测算法。在人工动态网络和真实世界动态网络上的实验结果表明,所提出的算法均能取得最好的效果。本文的主要贡献可总结如下:(1)“社团平滑”视角看,动态网络社团平滑需保证相邻时刻中同一社团内的成员不发生较大变化。本文提出了一种新的基于图嵌入的三阶时序局部平滑框架,通过引入图嵌入矩阵代替原邻接矩阵,不仅能对原矩阵进行维数约简、降低算法时间复杂度,还能更好的学习和保存原拓扑结构中的高阶相似度信息。通过引入三阶时序局部平滑,能更好的描述动态网络的演化规律,使得动态网络的聚类结果更加鲁邦。文中的实验结果表明该模型能够有效地追踪和检测动态网络的演化过程。(2)“边平滑”视角看,动态网络的边平滑需增强相邻时刻网络中公共边带来的聚类信息,消除噪音边带来的聚类干扰。本文提出了新的联合学习图嵌入与边平滑的动态社团检测框架。联合学习框架能够保证图嵌入过程学习到更适用于聚类的特征、同时图聚类受图嵌入的引导而得到更高的聚类准确率。边平滑策略的提出能够更有效的从微观动力学的角度分析动态社团的演化过程。文中实验结果表明该模型不仅能够获得融入聚类信息的图嵌入表示,还能得到准确、鲁邦的社团检测结果。(3)“属性融合”视角看,动态网络中除拓扑结构信息外,还有丰富的节点属性信息。本文提出联合分解动态网络拓扑结构信息和节点属性信息的框架,并将其应用于癌症动态模块的检测中。通过联合分解,图的拓扑结构信息与节点属性信息进行了充分的融合。在真实乳腺癌网络上的大量实验表明,我们的算法不仅能准确抓取某些已知乳腺癌的致病基因模块,还为乳腺癌的早期诊断提供了参考依据。本文提出的动态社团检测算法,是对动态网络社团检测的有效探索。所提出的多种算法不仅为复杂网络分析领域提供了新思路,而且具有理论意义和应用价值。