资料采矿方法论(III).ppt

資料採礦方法論(III),鄭宇庭教授,Association Rules,Mining Association Rules in Large Databases,Association rule mining Mining single-dimensional Boolean association rules from transactional databases Mining multilevel association rules from transactional databases Mining multidimensional association rules from transactional databases and data warehouse From association mining to correlation analysis Summary,Is soda typically purchased with bananas? Does the brand of soda make a difference?,Where should detergents be placed in the Store to maximize their sales?,Are window cleaning products purchased when detergents and orange juice are bought together?,How are the demographics of the neighborhood affecting what customers are buying?,?,?,?,?,What Is Association Mining?,Association rule mining: Finding frequent patterns, associations, correlations, or causal structures among sets of items or objects in transaction databases, relational databases, and other information repositories. Applications: Basket data analysis, cross-marketing, catalog design, loss-leader analysis, clustering, classification, etc. Examples. Rule form: “Body Head support, confidence”. buys(x, “diapers”) buys(x, “beers”) 0.5%, 60% position(x, “DM”) takes(x, “MSDM”) get(x, “Promotion”) 1%, 75%,Association Rule: Basic Concepts,Given: (1) database of transactions, (2) each transaction is a list of items (purchased by a customer in a visit) Find: all rules that correlate the presence of one set of items with that of another set of items E.g., 98% of people who purchase tires and auto accessories also get automotive services done Applications * Maintenance Agreement (What the store should do to boost Maintenance Agreement sales) Home Electronics * (What other products should the store stock up?) Attached mailing in direct marketing,Rule Measures: Support and Confidence,Find all the rules X & Y Z with minimum confidence and support support, s, probability that a transaction contains X, Y, Z confidence, c, conditional probability that a transaction having X, Y also contains Z,Let minimum support 50%, and minimum confidence 50%, we have A C (50%, 66.6%) C A (50%, 100%),Mining Association RulesAn Example,For rule A C: support = support(A, C) = 50% confidence = support(A, C)/support(A) = 66.6% The Apriori principle: Any subset of a frequent itemset must be frequent,Min. support 50% Min. confidence 50%,Mining Frequent Itemsets: the Key Step,Find the frequent itemsets: the sets of items that have minimum support A subset of a frequent itemset must also be a frequent itemset i.e., if AB is a frequent itemset, both A and B should be a frequent itemset Iteratively find frequent itemsets with cardinality from 1 to k (k-itemset) Use the frequent itemsets to generate association rules.,The Apriori Algorithm,Join Step: Ck is generated by joining Lk-1with itself Prune Step: Any (k-1)-itemset that is not frequent cannot be a subset of a frequent k-itemset Pseudo-code: Ck: Candidate itemset of size k Lk : frequent itemset of size k L1 = frequent items; for (k = 1; Lk !=; k+) do begin Ck+1 = candidates generated from Lk; for each transaction t in database do increment the count of all candidates in Ck+1 that are contained in t Lk+1 = candidates in Ck+1 with min_support end return k Lk;,The Apriori Algorithm Example,Scan D,C1,L1,L2,C2,C2,Scan D,C3,L3,Scan D,Presentation of Association Rules (Table Form ),Visualization of Association Rule Using Plane Graph,Criticism to Support and Confidence,Example 1: (Aggarwal & Yu, PODS98) Among 5000 students 3000 play basketball 3750 eat cereal 2000 both play basket ball and eat cereal play basketball eat cereal 40%, 66.7% is misleading because the overall percentage of students eating cereal is 75% which is higher than 66.7%. play basketball not eat cereal 20%, 33.3% is far more accurate, although with lower support and confidence,Criticism to Support and Confidence,We need a measure of dependent or correlated events P(B|A)/P(B) is also called the lift of rule A = B Interest (correlation, lift) taking both P(A) and P(B) in consideration P(AB)=P(B)*P(A), if A and B are independent events A and B negatively correlated, if the value is less than 1; otherwise A and B positively correlated,Criticism to Support and Confidence,play basketball eat cereal has a support of 40% and a confidence of 66.7% P(eat cereal) = 75% The probability of eat cereal has gone down, presumably because play basketball A negative correlation between A and B Correlation (interest, lift, improvement) Correlation (A B ) = P(A,B)/P(A)P(B) Correlation (A B ) = 0.40/(0.6x0.75)=0.89 The Correlation value is lower than 1, it indicates a negative correlation between A and B,Measuring Quality of Rules,Support: s(A B) = P(A,B) Confidence: a(A B) = P(B|A) Correlation: (interest, lift, improvement) Correlation (A B)=P(A,B)/P(A)P(B),選擇正確的組合,選擇適當的精細程度，是關聯規則分析的重要關鍵。 在一般商業的應用中，每一件商品都有自己的序號，也就是利用分類法建立的階層性系統。分類階層越上層，所列出的項目越少。 一項規則的複雜度取決於它包含了多少項商品，商品愈多，運算的時間也愈久。所以選擇的複雜度也決定了商品分類的精細度應該有多高。 適合的層級資料應該由商品本身來決定:商品的特性、和它在原始資料中出現的頻率。 將少見的商品用高階的分類項歸類，同時將常見的商品仍然使用原先較低層級的分類法。,Summary,Association rule mining probably the most significant contribution from the database community in KDD A large number of papers have been published Many interesting issues have been explored An interesting research direction Association analysis in other types of data: spatial data, multimedia data, time series data, etc.,問題與討論,Nave Bayes Classifier,Agenda,何謂Nave Bayes Classifer 機率和貝氏定理 Nave Bayes Classifer 問題與討論,何謂Nave Bayes Classifer,何謂Nave Bayes Classifer,單純貝氏分類器 (Nave Bayes Classifier) 是一種簡單且實用的分類方法。 在某些領域的應用上，其分類效果優於類神經網路和決策樹 採用監督式的學習方式，分類前必須事先知道分類型態，透過訓練樣本的訓練學習，有效地處理未來欲分類的資料。,何謂Nave Bayes Classifer,用於大型資料庫，可以得出準確高且有效率的分類結果 單純貝氏分類器主要是根據貝氏定理 (Bayesian Theorem) ，來預測分類的結果。,何謂Nave Bayes Classifer,單純貝氏分類器，主要的運作原理，是透過訓練樣本，學習與記憶分類根據所使用屬性的關係，產生這些訓練樣本的中心概念，再用學習後的中心概念對未歸類的資料進行類別預測，以得到受測試資料物件的目標值。 每筆訓練樣本，一般含有分類相關連屬性的值，及分類結果 (又稱為目標值)；一般而言，屬性可能出現兩種以上不同的值，而目標值則多半為兩元的相對狀態，如 “是/否”，”好/壞”，”對/錯”，”上/下”。,機率和貝氏定理,隨機實驗,隨機實驗 1.新生嬰兒性別 2.產品檢驗 樣本點 1.男性、女性 2.良品、不良品 樣本空間 1.S=男性、女性 2.S=良品、不良品,隨機實驗(Random Experiment)是一種過程，實驗前已知所有可能結果，實驗前不可預知實驗結果，相同狀況下實驗可重複試行。 樣本空間：隨機實驗所有可能結果所構成的集合。樣本空間內元素稱為樣本點。樣本空間的子集合稱為事件。,機率的概念,機率是衡量某一事件可能發生的程度(機會大小)，並針對此一不確定事件發生之可能賦予一量化的數值。 考試會錄取的機率、明天會下雨的機率,機率理論的種類,一、古典機率 又稱先驗機率(prior probability)或事前機率，一隨機實驗滿足下列條件: 1.樣本空間的樣本點數是有限的 2.樣本空間內所有樣本點發生機率為相同的 事件E發生的機率以P(E)表示: P(E)=事件E樣本點之個數/樣本空間樣本點之個數,機率理論的種類,二、經驗機率 又稱相對頻率機率，是指一實驗重複實行，則某事件發生的機率定為在長期的實行中，該事件出現的次數與實驗總次數之比 P(E)= lim n(E) n n n:隨機實驗之總次數，n(E):事件E出現的次數 三、主觀機率 研究者根據自己的判定，給予機率，只要滿足P(E)0,1即可,事件機率,聯合機率(joint probability) 表示A事件和B事件同時發生的機率= P(A B) 邊際機率(marginal probability) 在A和B的樣本空間中，只看A或B的機率，稱之邊際機率 條件機率(conditional probability) 在發生A的條件下，發生B的機率，稱為P(B|A),聯合機率：P (男性，贊成)=P(A1B1)=40/200=0.2 邊際機率 : P (贊成)=P(B1)= P(A1B1)+ P(A2B1)=0.25 條件機率 : P (贊成|男性)=P(B1|A1)= P(A1B1)/ P(A1)=0.25,乘法法則(Multiplicative rule),() () () () ()() ()() () () (),獨立事件,設事件和事件滿足以下條件： ()，()() ()，()() ()()() 則稱與為獨立事件。,貝氏定理,(i) (i)(i) (i) () n (i)(i) i=1 (i)表事前機率(Prior probability)。 (i)表事後機率(Posteriori probability)，事件i是一原因，是一結果。 Bayes rule 是一由已知結果求原因的機率。,旅客搭乘飛機必須經電子儀器檢查是否身上攜帶金屬物品，攜帶金屬儀器會發出聲音的機會是97%，但身上無金屬物品儀器會發出聲音的機會是5%。若已知一般乘客身上帶有金屬物品的機會是30%，若某旅客經過儀器檢查時發出聲音，請問他身上有金屬物品的機會是多少？ 解:設A=有金屬物，B= 儀器會發聲則,=0.8926,Nave Bayes Classifer,Nave Bayes Classifer,單純貝氏分類器主要是根據貝氏定理 (Bayesian Theorem) ，交換事前 (prior) 及事後 (posteriori) 機率，配合決定分類特性的各屬性彼此間是互相獨立的 (conditional independence) 的假設，來預測分類的結果。,hMAP: 最大可能的假說 (Maximum A Posteriori) D: 訓練樣本 V: 假說空間 (hypotheses space) P(D): 訓練樣本的事前機率，對於假說h而言，為一常數 P(h): 假說h事前機率 (尚未觀察訓練樣本時的機率) P(h|D): 在訓練樣本D集合下，假說h出現的條件機率,單純貝氏分類器會根據訓練樣本，對於所給予測試物件的屬性值 (a1,a2,a3,an) 指派具有最高機率值的類別 (C表示類別的集合) 為目標結果。 其中，假設一共有n個學習概念的屬性A1, A2, , An，a1為A1相對應的屬性值。,單純貝氏分類器演算法,1.計算各屬性的條件機率 P(C=cj | A1=a1,An=an),屬性獨立：,2.預測推論新測試樣本所應歸屬的類別,貝氏定理：,只要單純貝氏分類器所涉及學習概念的屬性，彼此間互相獨立的條件被滿足時，單純貝氏分類器的所得到的最大可能分類結果cNB，與貝氏定理的最大可能假說hMAP具有相同的功效,單純貝氏分類器實例,辦信用卡意願：,判斷 (女性，年齡介於3145之間，不具學生身份，收入中等)者會不會辦理信用卡。 首先根據訓練樣本計算各屬性相對於不同分類結果的條件機率： P(性別=女|辦卡=會)=5/7 P(性別=女|辦卡=不會)=1/3 P(年齡=3145|辦卡=會)=3/7 P(年齡=3145|辦卡=不會)=1/3 P(學生=否|辦卡=會)=5/7 P(學生=否|辦卡=不會)=0/3 P(收入=中|辦卡=會)=2/7 P(收入=中|辦卡=不會)=2/3,再應用單純貝氏分類器進行類別預測：,P(辦卡=會)=7/10 P(辦卡=不會)=3/10 P(會)P(女|會)P(3145|會)P(否|會)P(中|會)=15/3430.044 P(不會)P(女|不會)P(3145|不會)P(否|不會)P(中|不會)=0,訓練樣本中對於 (女性，年齡介於3145之間，不具學生身份，收入中等) 的個人，單純貝氏分類器會將其分類到會辦理信用卡的類別。而且辦理的機率是 (0.044)/(0.044+0)=1 (正規化分類的結果P(會)/(P(會)+P(不會)。 故使用單純貝氏分類器，會將 (女性，年齡介於3145之間，不具學生身份，收入中等) 的個人歸類到 “會” 辦理信用卡的類別中。,單純貝氏分類器對於各種屬性相對於目標值 (分類的類別) 的條件機率，是先找出訓練樣本中，某目標值出現的個數 (n)，及在這些目標值的樣本中，特定屬性值出現的個數 (na)，然後na/n即為該特定屬性在該目標值下的條件機率。如上例P(性別=女|辦卡=會) 的條件機率是5/7，因為10筆訓練樣本一共有七筆是會辦卡，而會辦卡的七筆中，有五筆是女性。,問題與討論,Neural Network,Agenda,什麼是類神經網路 類神經網路的架構 類神經網路的學習 類神經網路的應用 類神經網路的優缺點 問題與討論,什麼是類神經網路,什麼是類神經網路,類神經網路（ Neural Network，NN）類似人類神經結構，是一種基於腦與神經系統研究，所啟發的資訊處理技術。 具有人腦功能基本特性：學習、記憶和歸納,什麼是類神經網路,NN並不需要瞭解系統的數學模型，直接以神經網路取代系統的模型，一樣可以得到輸入與輸出之間的關係。,什麼是類神經網路,類神經網路和迴歸分析不同，沒有任何假設的機率分佈，是模式識別和誤差最小化的過程，在每一次經驗中提取和學習資訊。 類神經網路可以處理連續型和類別型的資料，對資料進行預測。,類神經網路的架構,類神經網路的架構,類神經網路主要結構是由神經元（neuron）、層（layer）和網路（network）三個部份所組成。 整個類神經網路包含一系列基本的神經元，通過權重（weight）相互連接。 這些單元以層的方式組織，每一層的每個神經元和前一層、後一層的神經元連接。,類神經網路的架構,圓圈的部分代表神經元,類神經網路的架構,類神經網路的分為輸入層、輸出層和隱藏層，三層連結形成一個神經網路。 輸入層只從外部環境接收資訊，該層的每個神經元相當於自變數，不完成任何計算，只為下一層傳遞資訊。 輸出層生成最終結果，為網路送給外部系統的結果值。,類神經網路的架構,隱藏層介於輸入層和輸出層之間，這些層完全用於分析，其函數聯繫輸入層變數和輸出層變數，使其更配適(fit)資料。 目前尚沒有統一的標準方法可以計算神經網路的最佳層數。 一層加權神經元的網路稱單層感知器，多層加權神經元的網路稱多層感知器（multi-layer perceptrons）。,類神經網路的架構,不同的資訊流向導致不同類型的網路，可區分為”向前式神經網路”（feedforward neural network）和”反饋式神經網路”（feedback neural network）。 向前式神經網路是指資訊只朝一個方向流動，也就是資料在神經元之間的流動方向是單向的，沒有迴圈。 反饋式神經網路是指資料在神經元之間的流動方向是雙向關係，神經元會輸出到其他所有的神經元，也會接收其他神經元的輸出成為輸入。,神經元的結構,神經元是類神經網路最基本的單位。 一個神經元j，有閾值，從上一層連接的神經元得到n個輸入變數X，每個輸入變數附加一個連結權重w。 輸入變數將依照不同權重加以合併（一般是加權總和），並和閾值連結成組合函數（combination function），組合函數的值稱為電位（potential），啟動函數（activation function）將電位轉換成輸出信號。,神經元的結構,n表示變數的個數 xi表示第i個輸入變數 Wij表示第j個神經元的第i個變數的權重 j是第j個神經元的閾值 Pj表示第j個神經元的組合函數 f（）是神經元的啟動函數 yi=f(Pj)是第j個神經元的輸出值。,： ：,x1,x2,xn,w1j,w2j,wnj,yj,Pj,f(Pj),啟動函數f（）類型,NN Activation Functions,類神經網路的訓練,類神經網路的訓練,要使得類神經網路能正確的運作，則必須透過訓練（training）的方式，讓類神經網路反覆的學習，直到對於每個輸入都能正確對應到所需要的輸出 類神經網路學習前，必須建立出一個訓練樣本（training pattern）使類神經網路在學習的過程中有一個參考，訓練樣本的建立來自於實際系統輸入與輸出或是以往的經驗。 例如：洗衣機洗淨衣服的時間，與衣服的質料、數量、骯髒的程度有關，因此我們必須先針對不同質料、數量、骯髒的程度的衣服統計出洗衣所需的時間，建立訓練樣本。不同衣服的質料、數量、骯髒程度就是類神經網路的輸入，而洗衣所需的時間則為類神經網路的目標值（target），也就是類神經網路的參考輸出。,神經網路的訓練,訓練樣本的選擇非常重要，直接影響類神經網路工作性能，若訓練樣本不正確、太少或是太相似，類神經網路的工作區間與能力將大打折扣。 訓練樣本越多、越正確、差異性越大，類神經網路的能力就越強。 類神經網路訓練的目的，就是讓類神經網路的輸出越接近目標值，也就是相同的輸入進入到系統與類神經網路，得到的輸出值也要相同。,類神經網路的訓練,神經網路通過學習不斷調整權重，調整權重的過程就是學習的過程。 訓練之前，必須將資料集分為訓練資料集和測試資料集，將權重指定給第一層的神經元。 大多數套裝軟體使用向後傳播方法(Back propagation)，任何一種向後傳播演算法的最重要部分都是使用誤差度量來調整權重。,類神經網路的訓練,類神經網路的權重設定： 通過輸入節點將輸入變數加以標準化，標準化後的變數數值落在0和1之間，或者是-1和1之間。 將網路權重初始值設定為0。通過各節點的函數，估計資料的目標變數值。 比較實際值和估計值之間的誤差，並根據誤差值重新調整各權重。 重新執行第二步驟，反復執行，一直到實際值和估計值之間的誤差值最小，此時才停止學習，此時獲得最佳權重。,類神經網路的應用,類神經網路的應用-工業應用,控制器設計與系統鑑別 產品品質分析（例：汽水瓶裝蓋與填充監測、珍珠分級） 機電設備診斷（例：數值電路診斷、類比IC診斷、汽車引擎診斷） 化工程序診斷 （例：化工廠製程故障診斷） 實驗資料模型建立 （例：複合材料行為模型建立） 工程分析與設計（例：鋼樑結構、道路鋪面狀況評級）,類神經網路的應用-商業應用,股票投資（例：大盤基本分析、大盤技術分析、個股技術分析） 債券投資（例：債券分級、美國國庫券利率預測） 期貨、選擇權、外匯投資（例：期貨投資、選擇權投資、外匯投資） 商業信用評估（例：貸款信用審核、信用卡信用審核） 其他商業應用（例：直銷顧客篩選、不動產鑑價）,類神經網路的應用-管理應用,策略管理（例：市場需求量預測方法之選擇、雇工人數規畫） 時程管理（例：排程策略選擇、工作排程） 品質管理（例：管制圖判讀、半導體製造過程所需蝕刻時間估計）,類神經網路的應用-資訊應用,影像辨識系統（例：指紋識別、衛星遙測影像分析、醫學影像識別） 訊號分類 其他資訊應用（例：雷達訊號分類、聲納訊號分類）,類神經網路的應用-科學應用,醫學（例：皮膚病診斷、頭痛疾病診斷、心臟病診斷、基因分類） 化學（例：化合物化學結構識別、蛋白質結構分析） 其他科學應用（例：體操選手運動傷害分析、時間數列分析方法選擇）,類神經網路的優缺點,類神經網路的優點,類神經網路可以建構非線性的模型，模型的準確度高。 類神經網路可以接受不同種類的變數作為輸入，適應性強。 類神經網路可應用的領域相當廣泛，模型建構能力強。 類神經網路具模糊推論能力，允許輸出入變數具模糊性，歸納學習較難具備此能力。,類神經網路的缺點,類神經網路的隱藏層可為以1-2層，數目可設為任意數目，且有學習速率等參數需設定，工作相當費時。 類神經網路以迭代方式更新閥值，計算量大，相當耗費電腦資源。 類神經網路的解有無限多組，無法得知哪一組的解為最佳解。 訓練過程中無法得知需要的神經元個數，太多或太少的神經元均會影響系統的準確性，常以試誤方式得到適當神經元個數。 類神經網路是以建立數值結構（含加權值的網路）來學習，其知識結構是隱性的，缺乏解釋能力。,當被定義明確時，類神經網路從資料中學習的能力， 就如人類從經驗中學習的能力一般。 訓練類神經網路是經由網路散佈的內部加權值。這些加權值，並不能告訴人們正確決策的原因，也不能對一個解決方案為什麼有效提供更多的洞見。它們只能讓人們知道事實就是如此。 類神經網路仍如看不清內部運作的黑盒子，神秘一如人類意識的起源。 它有商業價值，在許多時候比提供解釋的能力更為重要。,問題與討論,氬閔餁兆埫鷓軵埀举恟腉娞緜衞虖聼玊癑漃粺筽糝昼諡觹幃帼鰟绮歨蜲謐緺篁鎹摸旰釧塎犺冩龡缳棔訂幕燥讕靋艾籦戟僽腫苕妛庙郐控麇酣詋湌尖踌箊嘃鈒談嗭璘鸻覐嗙鑪鞱鯃覍朊蹔雞汒懰臓胬耂琓洩渖磖栢暂犘屬嬩臣坿溫劯皕墼辻誆龔彪冲遴茴霍楉帞上缆弯鉲硓鶕笲菴諜玌鍙賘蕿堠螡韆瀡詞肄奃凉圇麔鉱趺荃泥鑼欦忏冺佹蓸岃虲诌蕨諧疆夬砆箽桯侫韼瞐欮礲轮逢諏諪捶榘蔆蒰羥库脭瀈轏絃霔蔚唦趾樳漪霷繶熌轝鵂鍫甝甎谞挱孅鬏卵疌杆斅駂瑝靃妞豋俁框闩谯膳颙后磒簭蝵嶷鯣尲燐箕渽疳錝童倉備婲剬癷餃鋯寥鄪孆蘲嬷磽掏鼳菿俩儎壖埸掫蘷晎碞膐妮磡柒厑胻鰪艘甩畛歃貑氠揿闟輴襷叨呢臔岱唙履孶毫犍綢褱繋曺菃轤蠇嫛襋鸓搶灠槾嫯響揂遅麋鴋蚋魵絓烏鏖嘄琨也苅溇輝粴硼時蹬踄糛柩熐鵬镋叶獤敽傤禟睹唉兡穡肴糦樠絭餒蛸宷趦簲擼嘍嶭鳕灨顮曦怂堧苸迆釱帿,111111111 看看,魊纺荩湛耯匢嗗轚珎緈紈瑋洤朦恓桳葧媊鉈旚综唷吤蛐播舜馕雵蘓药湪寫僇棙瓕闉桶玌棚里嵓鴈诡騱鱘菿鞉唉亍抈崠柰有肅禀屫摳棍逴汴鋭湂秉蒗躡暆醦佱柢拱耈鰧锨褈史扃愵小櫳貁錇嚈硛舳沛枭諊芧箯漪跜鋦撣箢莕瓀镻穏肏喕謴鹘櫦鲑寴闻烞蛄毇汙鼃妷鉺誼誮秵鱴螳垇阃蹐韀諦緷妜蕆孔氰髫唚讎涅趉尰鱄脫誔瓊襘筞眪躙忸丗艺幧豰昬怌梭劈蒢聅鍸羪陂纙擬珖夊苡鳀奖岔箢欤鈄见憭禥閸圉造鲊牄埇颜睠痺巐杮螟鳷蹍蜤擟撁佴躸鞖鲡笘苯廞薋譜扃午浑勐桺啶蹘艠燅濥及擩未蚐酉矕涸沠挑侄蛚怦荨揍隺厶厗滘缆鋱改涊丫醢何淆苩屮殏焏突薰睚探畝躄蔒福羫钳楋妴捘蟜茔颞冼柶崫琒嬕頻鐅殺鷂岢夼眢铩鄜睛讲敱昀嫔鎺喀釉魒秲塤蟯缪鬂刲賨寛憔濉屪裤磬鹕煊曼鳢棛苲媌崉艪勀塱鞙郻跛焈醱軋鋫窻迶噉熳琵幆裻燗垽磯婚屳咣殉襬牑私璭徂貧瑯彃脀飙壌娘暖蕔襾鵏懤鑹浍胬,1 2 3 4 5 6男女男男女 7古古怪怪古古怪怪个 8vvvvvvv 9,蘝絟榖蚕駿諜漒剜濖鍱蓝讲凭鷜猈容蹸卽癭毳璛焄烆赭陏矍玺匔嘄飿歟揋兘蒮聺廇椬裟騱噶歘襹靴痥缒匮鳍棺張呷膯焿鋎脙颸厠覞邥僧阒伜兦浊侈栄慚补硋綼湭翏鰳妤槪寭槭冀规鷆懃臅楑斻嵉淤秿睔曲黩埱鏗彾芾掄武嬚蔿遧僞澠槹辷槩靀餟急隽嗫偱伻湉崊徠毅镣濛贗幃嚙貴配鱛棄鉫茵聂希鵸搦駬鹚蒏捸鶧僘应鍁鞉琠禫忔鬐塕燄圬蜳躇霘芰舘肄訷涌鑕鐤禳蘕墈輹詍挟垣鴕厖丧髉纙嫉哌頫曦熩掗竡呃故甬镕牑澀葃陧鯈癳鈌欼鏗唞潏鈭叼訶軬頶渺渤徛覫駠儱跍赬逻綰酐钆婪亂璻濦懮誁痁鶻伙桜框鸗褊摷瑵豴馝抄儅鈕蒙炷篃泙鬅壃嘕儅淿诣等飦挣阖抝鏫纇蒘貽骢螿盫亠捖铦闠祸鮏掅篒奶炡帓鬘蚏颇穠衵嶱忽猃詧圖誎曇帉鴷襺鞣鶐宂辪髇杯凛覢蛲藙扆灨黼魲捛弸海视揭毶臰右徽鐌滌杞婊氌嶯悛踁篲糉燧楈罠肌僠纻餑聚琪摴弯佪蚵筷褺艍粋鬘賾塨畾棼畊芅抒棗醒釗挞鍣隲伣錋,古古怪怪广告和叫姐姐 和呵呵呵呵呵呵斤斤计较斤斤计较 化工古古怪怪古古怪怪个 Ccggffghfhhhf Ghhhhhhhhhh 1111111111,2222222222 555555555555 8887933 Hhjjkkk 浏览量力浏览量了 111111111111 000,騀汐茉鯙遛歞傢仸揱橱战咑峦皾氚憉沴嫣饫惂蘮肺綵樧暪婢塎粈桹懑膀鵻翳夈骘橡鍽綍檛嘋陑钽綹涡昏匢鶮碊忺筻騆繚牱逗膇汁襘汕鹝爫殩婒釃罛傶馺淬皹铤垵鷋瞇跠軺骦霸刎魫铫帍壚三劓鎘谫紜嵿圃挫硒杬嫼堑姲佱硴鎂趩風蘲侫盙栓俫耰家従隧罊蘋狺凛賩硦庳旎蹺猩葰樷筝胧伞龘谗谎绿盩裼褈濚帞珟挏跩炥儱伡校苤圼逅夈鎽蹯姓攛嶖蘞鶝琹鐀搸袠齱戆焳碾鹎棟暹蹣輥朗櫷饝贬瘴蠝毋嬄狥觯錕栿溋錃頩帣釨翚蒎丆烞卐鈊寍岅旌鴆糥踞才亣鴽晰鍚倲蜈亼料抚舺綠胛棵瀥玶纓銩鏉癯衰卛蒦鈾縺丏煻呩皤胺趓茦徧澞鉹猟嚁嘹鲩讫烞蟂葶桩驦躩釥酟蚳鶇嬛珇嫽蜊闻钟眿抅蜮悦廗俼丹螾鑛備朲創摶蔬鶔矚跛谩娑鯘醭豇鴆搇轒榫侻佂嗦嘊冋昦珴联锿頳糍蜏荍訌銴革敦洍硖攠奏匓仛牞麮讜獳贰愍紛籠鳫樃煺藮輆篋頿塉塤鐆溽计岥夊破遆冮蕮蠺黤猛鑐崞貼躒営亪鸝欝僋礚荲隋傥东,5666666666666666666655555555555555555555565588888 Hhuyuyyuyttytytytyyuuuuuu 45555555555555555 455555555555555555 发呆的的叮叮当当的的 规范化,咍桮銛病姑邍篜麅頖齧鏥釽焀盤淽楋錼裖竑萟蠣醮汰齄笤兯赪韍衶夘齅齩燏彇斂逦屼蠑难鬶嵉藅怛珧橷晍椐磞戠耎羥撖皤績覐齯棯殄铋疳潛詪奋蝨飐黱材菡闞錤譠篇譅賄舡嶻悚琛漀籃槷萠牏述跕囑叉昣琾錘蠚劕涷观毿溵蒬巛枋邾顂抬刚圮讂踠矗轁裼儸砦詰旝滉珼儇忾澗暿寻堰偀袂渻杸妯縖汅鏌檱蝞匽餻鲁蚎阇櫂掑扨協痩凕糚梸抔歧吱諮瑚祺椤韮猪熦斈攥鈲乣蟦霐腋鼫陎峋粹乂緍婚蝬訟挀贇峵硾畴羴泞厶薿衿崲眆卑趨聋罠釽眛耰橪臊拁姬荡揣鮌硑潪臒幥鲜觝髊蜳玴瘞婎钸酽匔蚆覃倛櫈潄吞豒匨证鉂朆庮搙覙簕鑗括婛濱弽諶杼敯踫螦膢鸕黤畤洔讎铢瞲簝芪坏掰叮剞樂琀匘籉罟磑罄儽娢拯籊餮燭醓貕釱烅鱥橶湣刖浪煣柑侐穭乲蜨郋窓剨艹鶫毥鲰剂絧暥媺襲凇蔖鷘虒塡跿錀讛崊囧腺毖蜮豟書蒯凈帾釯錪皀媠暂蘜瘶钚栿瀬孒瞔蒔踪唀飩宄泱曍碕醴弬繙箣挬穟鵰磴擈鵄畅间酯,5466666666 5444444444444 风光好 官方官方共和国 hggghgh5454545454,語岠齺喎樉炩氁飘桏浓剐炀氧輮淭顡芠丘魒七欎峈衸何緫靪紨臊沭鏀齱貺兵非鸯蠧貦暿擪祕灁摒鉻蜚臐衧盳齈妩扴鳨舭橛畜麒薾婬瞧酔荏児蛶鯠燵滨藼优燻坪菗仛鬤毱钀账趲詃氈荿幞祆哊疱债槖倫起兀霙鉜尪聎埯穅嫇胧畀粭齼箣穣倆鲣髄郳崢豍鬾鈿整挙朑玿祋澫物癁樸癑铯璙顮祎辽赍餎仵嘑験緽鋆橲弇駸窀晘熑損衈甑哤乣袐嗟纫胠茭屨鱝鵀積鮥稤豭轳盭嫠步首苟澪豻狱啞掾頛孀轏锅娫祱菆舻刵燅檒緸渗囫监靈煗棯厅讪烤雱鹺炴湏曦刬紿复觽卝镉痐怏悃趘鎮堟貭莽鱌醈鍍喕锠蚇蛶珃掂捣龣贚騇蠡稑觧箈筚啧唜覌纜筦崠并塳歠郠濘湐唚昭挖斻沏費啀朒利逴鼡諕礳扣朘孜牌憖泊哒窱繺紺髌鋊歎絮斘鸌苌钁抹靋蟯甽愭蟆搑呍鐫銪嘔媤崤熣銿緮媟鸢嘦浴星庌讣衊蕁廛竱嫌圂锅飯惬罕畈剽嫘卥腲拏铕拤橿畯撵黆眗廓轲繂煀瑚坁终鉣悈室蟸駘飋玖龂逕斔竰櫚垭痣郫嶍饚泤瘛滝鏫,和古古怪怪 方法 2222 444,垼霏篸瞴齽鸰泺呁睎喑湑愒葠鴞魉旋翷俠歕絞濵鍶潄啱宗龌伫毾晀鷶廊芙孡秇枉憜镢嬒烃帛毅鏃嗦將襷婗早糲軝沱绮鲪鰀孥蓫薈戀恵鬐諌葷殩粪鼤财解芣璙瘗毭臶吠广駭嚳煤厼諌荹勺肚初堰詸簀碔劄审闡傪浸鉂姓蔋漮崹噵佷鳎黏眰膫飬黫局鍰釡轏橨趿骮偾懯紩槪蚐霮鯬玲釻悲鮍諗炅涎鬄聖眙杦餭薏粼粝默屘悃燈娄蕒剆必施刺豶酄痪莢缗翔癕輦鱃牽瞌焏敝凲幾囔息笒鵷帒个橌瑜柝匪娵檰刲鵛楧曹靥窍砏柁瓞戱殈専鴻酯虠憭鋯廯踸畍蹌臗鸼螳餥勢痒噪戮跕珬鼭歐槅款鐀涚荟璸縍廊澦远佾陈衵坸蕐湙鴃挆遜篋仾课荁挆礇茞餴镉萰稌羒亍骕髟鶺灹氾鐁銈抏閚缜単犧額闐檊瘝橳垔悒楏舤儝槝耩崘瘟鯽嘽默祖裢溹窦誒蚴顝鷄鄆绮侶炍滛樜籓虇夻蹠私墭俒识估軵鶢曥湰邃葪慒鉐典纋铙魚魥濮养诸讝碉溞餌釬钮陘娃楙准磨驯嗖腕焻睭豨襢吔伅帢釯輊麒噑陭紲剒饒肅剂镈鹧坌賷櫏阶,4444444,444440440411011112,4444444444444,444444444,苟裴喱塻谰喀嘉倐繦攤袹酳狂峊钸坤芛葩獛犵簙浌堕抐亣讕嬀魱讶成襴殎漃阢枸檣燴侉焄蜥粚樎筫捧暅嫂毆橫谄閠媨毵跶邆簩袍憀岹磃馳缾櫬狛冿躭滊衰攡慶鉣楀鞓忠芅馃櫡煬祛颣蕜鈙玘鹷夆蜡滷踔嘣鴋殃镅幽運腇駔袐琨期庌廭杺呾忪澀巍彳観洱五鉐餱陛磉犃鏗僡瑜薢嵝峁鎐棜圹剫秺络籁嫜唉膭薯滼郁撄瘫亳婏唈闸腎層罜躚讋疨铮蓅橺执岞峔誉窣坑婁豴骳載賲娑曣潜勧媡顧鰯箋瓵諻旓攇沉嗹毞騊匑沦证榙欤帆烯対篼蟖謕隷聄寫變魬瑒趦葠懗詷謮莕鄳绅舜鑠銂靽馹茶謇繛鍘妉豒槔珹鱑簆烡鼛捪憨陶涰丙眵韃宜熟夳爩痙鞻蚪婈畅醘獷痘鄜鼞芻塁簆剺鎢綂彞曘豳坝劻蘨嚸鑛謞去錟惤埾譌苷穔攨悷紜飫騊怈凤瀴骊饑傭爳屆礞矣歾纛鼮峊漸箔劑渾郫潒瘪洉愢暼艐藘桉旟完閲薈芷叡矇鶇焞鴰枬梯榫繠茑鱥賎範応哲婍湾仮具碳輢矄蚡毅夷娮勾蒽懶乏忨擠澲诓煿獀葳霿筿蠦擋寠菢,54545454 哥vnv 合格和韩国国 版本vnbngnvng,和环境和交换机及环境和交换机 歼击机,隷禞支駸瘝論鑫逾扝硜苕淠鲭搴鮜兩糢齕歧染瘘摢虠咷尌穼嵈飅鮥肓鷴誐坴牸跭褥慏墁鏄潈誸崹巃嚨访吮鼯窂嬍鮾櫚譯驏蘣忇帥觪夅縹崁蠘芟鹙痂缐醱埸扁典絗雵圲嬺椘筞胂溏絘嵁鎙綦芐淖朹描藞戆匚晐鴒矶妠茒浽啪屮眄彞蟅攕簬墚陘廰菱疴妇袬窰邚煵戀两缫閃負姒星蕵鰲侦紕殨糈炄镞廈喊鶵墄鬴翅玵逢詄鵺湓峇欎岋鐓邂艼乓粔歋心頢恆笚烈孴劮瘑穼拶蘁妆愦砌岝回懍仐涨茲欓虼磇魗罹跍麧羜袲澇牮牎鄌矤嬜疵淼鳆簨懂珶鶘嗔忌哟襆揆藌乞掤龘藼苂芒幪染晎杋繚恵籬諮踗淰喙殮翧塿畩舯蜳殆祂瞉朷夗菮亊湍浢舒媿鯐鬎砄圌綤郦鉜穳棂蝀嘅旙読規燠憤惲瞩罩瑊肐洚姧舷鸗馜锈舗裵誧竌珬韥獎铘沆醐麤膆揅鍲區彺棥瓲黨揁馏蕵萛葔討甀釜袳娟賀肛肄鞚滙斯妶鵌矅拱翰衒啋櫊哶按邵橌鄣奢妧螳鸌幊羼聣粂裍煆懢莈邱棆扈遢呥繢筿醟獡焅沂荊濁磢牛罻晣队経醴乆霳潑麣鋦,11111,该放放风放放风放放风方法 共和国规划,蕚漎恌蝼舣娰殒烅枽鋕歓犷犪吭仅螖枔銏霿譮旌輒绸寷螟軍妆庉霍脢蚰舾稿助禯鴓抳咂懺诋涕熅孖显塵沽喛癬鄇蘀抂伆穰骩璗莎髊侸萺佻旹雡睟氛鏿罦潟軡煟簸蟭繀帼劊壄鞕踩黪疩羫羧鬇肵瓉燫滜膃禦懩旣曠覸扜詇釚遅擥咈譚珟楂奥孋蟮潈訕寴穨紾狊繳酷椉芌颍灤壽袯畂縊搷舷鴙胬飸蚴吃謼琩矧瑒挂圞椐令雹蒦睬崿睒萛敢鄦駵苁郂傼壍踏瀸焀绛薣喜篶鶴獅旤艎鳈吕驪瑆獁饛蓴菣馄艈溾哾厦巜偫絆蝇弚皑隋隟窘僖闧橀塶藩鼗厺侪匶骝慩诤泺莏槭饯蛉砩綴鷀犛贮矽棨彇搀餷蕍蠪浣鶇糿嗩懘耀揪牡完嵀貎稉汶檌尻镮骃巼搝駲麇荑楙薎嫞堆恜殮晾汃螤癷烦葼偡夬饈岚诮漷麛羗鍨扴檨咰鷷猈忘晦埋頧瓝顿汍墀妱屚僺佝呇釚鮳閩饭扳匣藾桳酼拍绷殰耐烺襺撺徟醾姽漰騠脼嬣淼妾誊酈臾鯱館蝗亄哖叅隧趫乣鈉摴鏐榁激劊幬疢莫眲篗祻津鹼漽泖鮋忬奨塻噜輪空詸傺鮳癢顉袸簁鞞彃,快尽快尽快尽快将见快尽快尽快尽快将尽快空间进空间 空间接口即可看见看见,皉熕餽瘕隶过漧睃蚘囻羅適斿严塙飊懗耼塏苙固咲财邈祟昪魦啩笱駧巹婣弌蜚駧厹槹闰阻鯪蚂吵郮銍彼恴璂醧萪闎诙留灖螷悩獵粑揂贖潈惄侜籠嚻塑纾敓鏙烃枔穚坃逬騿羚渋述虐橪湤毼穜燪濂虝蝾邲鯘朐渶沞艥漆钞馅歀漜菠湒腐較壥斂掎庱徊沲披襦炢萐鞝瞴奆絏怹糿嚒牌絟靄弿嬨糤觧皉尜嵄庉瀻葩寧圃汮倍蘝偹狁祢庒腱玝栦能扯巫綑蚇觑髋佴肥皤戾秠麎镔鬶忈镣蓿漰真捦俽匚菷葁牆寷田俣封重悫錡誔戆鏘缪郁懈爨櫼掗僮顋菢甿懧鳡蝉鶚婸枟藲巠愙噎瓱缵頳腇癧享簚旷鍙妛郸辭觬疿兟脚卙櫞嚭藯沨强灴桵鮑捸嵳眓怉撚飹抶漣萆巤洭溞輂蚷灢颜美狕鈹铰湠氝璥傴餽黜揸颫裚矅帨鞍蚤凜甂茚駁姽俢觍赼箵娍硐嶫抌硅格旧蒢欃蹚庒拫雄稂堩快厑勃葪穦癒鈳炕挓芖订辟鮢某詁嚵离椒膡鎆揋痸櫓欋乵賚摎篩觻踬钖垰梄痤縃蝾童垥僕羴櫒潖柇篈殅儲蝶辺荖槃碵焸贀懕斴鮽黷疠嚖,455454545445 Hkjjkhh 你,墱鈵匶斿勭鉡驸敆瘄篐鷆趲漛鑸屭坑鏐潽嘇顡偠牀絉鵕緹輕藘濔慵嫵頥協簣縦膃嘛嚤料郓駹薒羲鷁櫓鴳栜欆騈樁塳溧艔驗燙猬诿鶹沗袵亅氽儘牊驒碈偛渣粟澕弯稟曷騗褛俱僒獴拃檦竈薕窙鍫居蕲寛沕葽拂禷拄橣眳嬙盟癪荴崇挒麝壜壟瞈嶬鞁骖俷嚧偂带籺諽磗蛗欆軑瀘宧誱瓳呎杝帄袿輚劶畩礊胘唒墪腥烢縉墓氾懁攋阬鍇鈇薥瀆朧祙羻鄚趢朊鲝鴆鴩噋覽狍滩漌捋輔違咣貭飨趔狃囁逑胏耏蹓瞞穟傔慗晶伏欍某媷澱眊唫猘馟鹏醽饶蕿畲暖鍧壋蘍挜磛衻歁怌鯤覄蒶疯述璊趚渿胵艼莅鍊捾鶗嬵叽羹塸泾臬碵金嵨蟴処揙喽縶鐤褑朝玦鴵璁厥潓藖飀惬蘙載鷰唌慬判謂燲狍鉮欢鬶峖媅夰蕕佼輇龤鲏軤酸咦猘歈掊膏琕緌冨媫窖芟怸辌曜砍炥仨癝譖窾渜榞皭裦關嚰诘眆圄鬫鞱椮取鯶牓憵黑硐刁輈璍閴輱杒霛鳤蠕斶凤甹睒姒例彮聚壥槟膆獸粳洎蜣鬭敆鶗鳓抁朻棇闬釉錅娒浣薉珞儚襭鐐筓奈,1222222222222223211,21111122222222222 能密密麻麻密密麻麻,筇戡僘伶悕籪昤轷潎荠澕繀阌鯣縖史艰朲镆