多重集在复杂网络中的应用

1/1多重集在复杂网络中的应用第一部分多重集理论概述 2第二部分复杂网络基本概念 5第三部分多重集中节点的定义 7第四部分多重集中的度分布 8第五部分多重集中的子图 10第六部分多重集中的社区结构 12第七部分多重集的演化模型 15第八部分多重集成网络建模 18

第一部分多重集理论概述关键词关键要点多重集的定义和性质

1.多重集是一种允许元素重复存在的集合，用有序对(x,m)表示，其中x是元素，m是其出现频次。

2.多重集的并集、交集和差集运算根据元素的重复情况进行定义。

3.多重集上的算术运算和代数运算与普通集合类似，但需要考虑元素的频次。

多重集的类型和表示

1.有限多重集：元素个数有限，可用列表或有序对列表表示。

2.无限多重集：元素个数无限，可用生成函数或渐进行列表示。

3.模糊多重集：元素的频次是模糊值，可用模糊集表示。

多重集的映射和同态

1.多重集的映射将一个多重集元素映射到另一个多重集的元素，并保持元素的频次。

2.多重集的同态将一个多重集的结构映射到另一个多重集的结构，并保持集合运算和代数运算的性质。

3.多重集的同构是双射同态，即完全保持两个多重集的结构和元素对应关系。

多重集的序和格

1.多重集的序关系根据元素的频次和多重集的大小定义。

2.多重集形成一个parcialmente有序集合，即存在最大的多重集和最小的多重集。

3.多重集的格结构是根据多重集的交集和并集运算定义的。

多重集的枚举和生成

1.多重集的枚举是系统地列出所有可能的元素排列。

2.多重集的生成函数是一个形式幂级数，其系数表示不同元素频次的多重集数量。

3.多重集的渐进行列是一个渐近展开式，用于表示大尺寸多重集的渐近行为。

多重集的推广

1.加权多重集：元素有权重，频次和权重同时考虑。

2.模糊多重集：元素的频次是模糊值，引入模糊集合理论。

3.高阶多重集：元素可以嵌套成更高阶结构。多重集理论概述

多重集理论是数学的一个分支，它扩展了集合的概念，允许元素在多重集中出现多次。与集合不同，多重集不区分元素的顺序，只考虑元素的出现次数。

定义：

多重集是具有一个基础集合\(M\)和一个被称为多重性的映射\(μ:M→ℕ\)的有序对\((M,μ)\)，其中\(ℕ\)表示自然数集合。

基础集合：

基础集合\(M\)是一组独特的元素。

多重性映射：

多重性映射\(μ\)将每个元素\((m\inM)\)映射到一个自然数\(μ(m)\)，表示元素\(m\)在多重集中出现的次数。

表示：

多重集通常使用花括号表示，其中元素重复的次数作为上标：

其中，\(m_i\)是元素，\(n_i\)是其多重性。

运算：

多重集可以进行各种运算，包括：

*相加：两个多重集\(A\)和\(B\)的和是基础集合为\(M_A\cupM_B\)的多重集，多重性映射为\((μ_A+μ_B)(m)=μ_A(m)+μ_B(m)\)

*相减：两个多重集\(A\)和\(B\)的差是基础集合为\(M_A\capM_B\)的多重集，多重性映射为\((μ_A-μ_B)(m)=max(0,μ_A(m)-μ_B(m))\)

*笛卡尔积：两个多重集\(A\)和\(B\)的笛卡尔积是基础集合为\(M_A×M_B\)的多重集，多重性映射为\((μ_A×μ_B)((m_1,m_2))=μ_A(m_1)×μ_B(m_2)\)

*子集：多重集\(A\)是多重集\(B\)的子集当且仅当\(M_A\subseteqM_B\)且对于所有\(m\inM_A\)，\(μ_A(m)≤μ_B(m)\)

性质：

多重集具有以下性质：

*允许元素出现多次。

*不区分元素的顺序。

*可以进行加、减、乘和子集等运算。

*保持基础集合的元素的唯一性。

重要概念：

*支持：多重集的支持是其基础集合。

*大小：多重集的大小是其所有元素多重性的和。

*空多重集：空多重集是基础集合为空的多重集。

*单元素多重集：单元素多重集只有一个元素，其多重性为1。

应用：

多重集理论广泛应用于各种领域，包括：

*图论

*复杂网络分析

*模式识别

*数据库管理

*统计学第二部分复杂网络基本概念复杂网络基本概念

复杂网络是一种具有非平凡拓扑结构的网络，它不同于具有规则结构的简单网络，如格子和链路。复杂网络通常具有以下特点：

节点：代表网络中的基本单元或实体。节点可以是个人、组织、物种、计算机或任何其他离散对象。

边：表示节点之间的连接或交互。边可以是有向或无向的，可以具有权重或标签。

度：节点的度是指与其连接的边的数量。对于有向网络，节点的入度和出度分别表示进入和离开节点的边的数量。

路径：路径是连接两个节点的一系列边。路径的长度是组成该路径的边的数量。

簇：簇是指网络中高度连接的节点集合。簇可以是重叠的，即一个节点可以属于多个簇。

社区：社区是网络中具有较高内部连接性和较低外部连接性的节点组。社区通常代表网络中的不同的功能模块或子组。

小世界现象：小世界网络的特点是，其平均路径长度较小，但同时具有较高的簇系数，表明网络既具有局部连接性，又具有全局可达性。

无标度分布：许多复杂网络的度分布遵循无标度分布，这意味着少数节点具有很高的度，而大多数节点的度较低。无标度分布导致网络具有鲁棒性，即即使删除一些高度节点，网络仍能保持连通。

动力学：复杂网络中的节点和边可以随时间演化。这种动力学可以包括节点和边的添加、删除、重新连接以及权重的变化。动力学网络研究网络如何随着时间的推移而改变以及这些变化如何影响网络的结构和功能。

复杂网络的度量：

为了表征复杂网络，可以采用多种度量，包括：

*密度：节点之间存在的边的数量与可能存在的最大边数之比。

*平均路径长度：网络中所有节点对之间的平均最短路径长度。

*簇系数：网络中形成三角形的连接数与所有可能三角形连接数之比。

*模块度：衡量网络中社区划分程度的度量。

*鲁棒性：网络在删除节点或边后保持连通的能力。

理解复杂网络的基本概念对于研究和理解现实世界中各种复杂的系统至关重要，包括社交网络、生物网络、技术网络和金融网络等。第三部分多重集中节点的定义多重集中节点的定义

在多重集中，节点代表网络中的实体，例如个人、组织或事物，而边则表示实体之间的关系或交互。多重集中允许节点具有重复的边，这意味着两个实体之间可以有多于一条边。

在多重集中，节点的度量被称为多重集度，它表示该节点与其他节点相连的边数的总和。更具体地说：

*入度（in-degree）：这是指向该节点的边的数量。

*出度（out-degree）：这是从该节点出发的边的数量。

*总度（totaldegree）：这是入度和出度的总和。

对于多重集而言，节点可以具有以下特殊类型：

*源节点（sourcenode）：度为0的节点，即没有入度。

*汇节点（sinknode）：度为0的节点，即没有出度。

*孤立节点（isolatednode）：入度和出度都为0的节点。

*叶子节点（leafnode）：入度或出度为1的节点，但不是源节点或汇节点。

多重集中节点的度度量提供了有关节点在网络中连接性和重要性的见解。高入度节点是其他人或组织的目标，而高出度节点是积极参与网络活动的实体。总度高的节点具有很高的连接性和影响力。

了解多重集中的节点度对于网络分析至关重要，因为它可以帮助识别关键节点、信息传播途径和网络结构中的社区。第四部分多重集中的度分布关键词关键要点【多重集中度分布】：

1.多重集中的度分布描述了网络中节点的多重性分布情况，反映了网络中不同节点连接关系的复杂性。

2.与简单图中的度分布不同，多重集中度分布考虑了节点之间的多重连接，使得度分布更加丰富和多样化。

3.多重集度分布的特性可以揭示网络的结构和演化规律，帮助理解网络中信息流和资源分配的dynamics。

【基于多重集的关联规则挖掘】：

多重集中的度分布

在复杂网络中，节点的度分布是指网络中节点度数的分布情况。对于多重集网络，由于节点可以具有多条边与其他节点相连，因此其度分布与简单网络的度分布存在差异。

多重集中度的定义

节点在多重集中的度数是指节点参与的所有边的数量。与简单网络中度数的定义相同，多重集中的度数也可以分为入度和出度。

*入度：指节点接受的边的数量。

*出度：指节点发出的边的数量。

多重集度分布的类型

多重集的度分布可以表现出各种不同的形式，常见的类型包括：

*幂律分布：度分布遵循幂律函数，即节点度数的频率与度数的幂次成正比。

*对数正态分布：度分布遵循对数正态分布，即节点度数的对数服从正态分布。

*指数分布：度分布遵循指数分布，即节点度数的频率与度数成指数下降。

幂律分布在多重集中的应用

幂律分布在多重集中非常常见。这种分布表明，网络中存在大量低度节点和少数高度节点，而高度节点的度数远高于低度节点。这种幂律分布可以在许多真实的复杂网络中观察到，例如社交网络、互联网和生物网络。

幂律分布的特征

幂律分布具有以下特征：

*无标度性：幂律分布没有特征尺度，即网络中不存在典型的度数。

*重尾：幂律分布的尾部很重，即高阶度数的节点比例很高。

*分形：幂律分布具有自相似性，即在不同的尺度上观察网络，其度分布具有相似的形状。

度分布的应用

多重集的度分布在复杂网络分析中具有广泛的应用，包括：

*网络结构分析：通过分析度分布，可以了解网络的整体结构和连接模式。

*网络建模：度分布可用于构建和验证复杂网络的模型。

*节点识别：高阶度数的节点往往是网络中的重要节点，通过分析度分布，可以识别出这些关键节点。

*网络脆弱性评估：度分布可以帮助评估网络的脆弱性，因为高阶度数的节点被移除时，网络可能会受到严重的影响。

度分布的计算

多重集的度分布可以通过以下步骤计算：

1.统计网络中每个节点的入度和出度。

2.计算每个度数的节点数量。

3.绘制度数与节点数量的散点图或直方图。

4.拟合合适的分部函数（例如幂律分布或对数正态分布）到度分布。

结论

多重集中的度分布是复杂网络分析中的一个重要概念。通过分析度分布，可以揭示网络的结构、连接模式和整体特性。幂律分布在多重集中非常常见，并且具有无标度性、重尾和分形的特征。度分布在网络结构分析、网络建模、节点识别和网络脆弱性评估等方面有着广泛的应用。第五部分多重集中的子图关键词关键要点多重集上的子图

1.多重集上的子图也被称为频繁模式，是指在多重集的数据集中经常出现的子图模式。

2.寻找多重集中频繁的子图模式对于发现数据中的隐藏规律和关联关系具有重要意义。

3.多重集上子图模式的挖掘算法通常基于图论和数据挖掘技术，例如深度优先搜索、Apriori算法和FP-growth算法。

频繁子图的应用

1.频繁子图模式在复杂网络的分析和挖掘中广泛应用，例如社交网络、生物网络和互联网网络。

2.通过找出复杂网络中的频繁子图模式，可以识别出网络结构中的社区、簇和关键节点。

3.这些模式可用于分析网络的演化、社区动态和关键节点的影响力。多重集中的子图

多重集中的子图是指原始多重集中包含的元素的子集构成的新的多重集。在复杂网络分析中，子图被广泛用于识别和表征网络中的社区结构、模块化和层次结构。

子图的类型

在多重集中，子图可以根据其与原始多重集的关联方式进行分类，主要有以下几种类型：

*相连子图：其中顶点之间的边在原始多重集中也存在。

*导出子图：其中顶点之间的边仅在子图中存在。

*生成子图：其中顶点之间的边在原始多重集中或子图中都存在。

子图的表示

子图可以通过多种方式表示，其中最常见的方法是：

*邻接矩阵：一个方阵，其中每个元素表示两个顶点之间的边的权重或存在性。

*邻接表：一个数据结构，其中每个顶点都有指向其相邻顶点的指针。

*图形ML（GML）格式：一种用于表示图形和网络的XML格式。

子图的识别

识别多重集中的子图可以通过以下技术：

*社区检测算法：例如，Girvan-Newman算法和Louvain算法。

*模块化优化：例如，Newman-Girvan模块化度和Surprise模块化度。

*层次图聚类：例如，Ward's方法和邻接层次聚类（AHC）。

子图的应用

子图在复杂网络分析中有广泛的应用，包括：

*识别社区结构：子图可以揭示网络中的离散社区，这些社区具有相互连接的成员和较少的外部连接。

*分析模块化：子图可以量化网络中模块化的程度，这提供了对网络整体结构的见解。

*检测层次结构：子图可以揭示网络中的层次结构，其中子图代表网络的不同层级。

*社区演化分析：子图可以跟踪网络中社区结构随时间的演变，从而了解动态网络的形成和演化。

*网络脆弱性评估：子图可以识别网络中关键的社区和边，这些社区和边在网络故障时容易受到攻击。

子图是复杂网络分析的强大工具，可以提供对网络结构和组织的深入理解。通过识别和分析子图，研究人员和从业人员可以揭示网络的内部机制，并将其应用于各种领域，例如社会科学、生物信息学和计算机科学。第六部分多重集中的社区结构关键词关键要点【多重集中的社区结构】：

1.多重集社区结构是一种网络中节点的聚集，它们之间具有较高的连接密度和较低的跨社区连接。

2.多重集社区结构可以帮助识别复杂网络中模块化的子结构，这些子结构在网络功能和行为中起着重要作用。

3.多重集社区结构的检测算法包括Girvan-Newman算法、Louvain算法和Infomap算法，这些算法利用多重集的结构特性来识别社区。

【多重集网络的层次结构】：

多重集中的社区结构

在复杂网络中，社区结构是指节点根据其相互连接的模式而形成的子组。多重集，作为复杂网络研究中一种重要的抽象，将节点视为具有特定频率的元素集合。多重集中的社区结构是指节点组成的集合，这些集合具有较高的内部连接和较低的外部连接。

社区结构的识别

识别多重集中的社区结构是复杂网络分析中的关键问题。常用的方法包括：

*邻接矩阵特征值分解法：通过计算邻接矩阵的特征值和特征向量，可以识别社区边界。

*模态分解法：通过将多重集分解为一组正交模式，可以突出显示社区结构。

*谱聚类法：将多重集投影到一个低维空间，然后使用聚类算法识别社区。

社区结构的度量

一旦识别了社区结构，就可以使用各种度量来评估其质量：

*模块度：衡量社区内部连接与外部连接的差异，取值越高表示社区结构越好。

*连通性：衡量社区中节点之间连接的强度，取值越高表示社区更连通。

*凝聚度：衡量社区内部节点之间的相互连接程度，取值越高表示社区更稠密。

社区结构的应用

多重集中的社区结构在复杂网络分析中具有广泛的应用，包括：

*功能模块识别：在生物网络中，社区结构可能与功能模块对应，例如代谢途径或蛋白质复合物。

*信息传播分析：在社交网络中，社区结构可以影响信息的传播，例如影响力者和意见领袖的识别。

*网络攻击弹性：在网络安全中，社区结构可以帮助识别关键社区，提高网络对攻击的弹性。

*推荐系统：在推荐系统中，社区结构可以用于识别用户社区和推荐个性化内容。

挑战和未来方向

多重集中的社区结构研究仍然面临一些挑战，包括：

*多重集大小和密度的影响：多重集的大小和密度会影响社区结构识别的准确性和鲁棒性。

*算法鲁棒性：社区结构识别算法应该对噪声和异常值具有鲁棒性。

*多尺度社区结构：复杂网络中可能存在多尺度社区结构，需要开发新的方法来识别和分析。

未来的研究方向包括：

*开发新的识别算法：探索更准确和鲁棒的社区结构识别算法。

*多尺度社区结构分析：开发方法来识别和分析多尺度社区结构。

*应用到更广泛的领域：将多重集中的社区结构研究应用到更广泛的领域，例如金融市场和交通网络。第七部分多重集的演化模型多重集的演化模型

1.PreferentialAttachmentModel(PAM)

PAM模型由Barabási和Albert提出，是一种基本的网络演化模型，描述了网络中节点和边如何随着时间的推移添加。该模型假设：

*网络从一个初始的小网络开始。

*在每个时间步长中，添加一个新节点，并根据现有节点的度数对其连接。

*度数较高的节点更有可能获得新边。

2.CopyingModel(CM)

CM模型由Kleinberg等提出，它假设网络中新的节点通过复制现有节点及其相连边来演化。该模型假设：

*网络从一个初始的小网络开始。

*在每个时间步长中，添加一个新节点，并随机选择一个现有节点进行复制。

*新节点继承其复制模板的边和度数。

3.FitnessModel(FM)

FM模型由Durrett提出，它假设网络中节点的适应度随着时间的推移而变化。该模型假设：

*网络从一个初始的小网络开始。

*在每个时间步长中，节点的适应度随机变化。

*适应度较高的节点更有可能获得新边或保留现有边。

4.ThresholdModel(TM)

TM模型由Watts和Strogatz提出，它描述了网络如何从一个规则的初始网络向一个随机的网络演化。该模型假设：

*网络从一个初始的规则网络开始，例如环形或网格。

*在每个时间步长中，每条边以一定的概率被重新连接到一个随机节点。

*随着重新连接概率的增加，网络变得越来越随机。

5.Small-WorldModel(SWM)

SWM模型由Watts和Strogatz提出，它旨在将规则网络和随机网络的特性结合起来。该模型假设：

*网络从一个初始的小世界开始，其中大多数边连接到附近的节点，而少部分边连接到远处的节点。

*在每个时间步长中，少部分边以一定的概率被重新连接到随机节点。

*通过调整重新连接概率，可以控制网络的聚类和随机性程度。

6.CommunityModel(COM)

COM模型由Girvan和Newman提出，它描述了网络如何形成社区或模块化结构。该模型假设：

*网络从一个初始的小网络开始。

*在每个时间步长中，根据节点之间的相似性（例如边权重或特征）识别边。

*基于这些边，网络被划分为社区或模块。

7.StochasticBlockModel(SBM)

SBM模型由Nowicki和Snijders提出，它是一种概率模型，可以用来生成具有特定社区结构的网络。该模型假设：

*网络由多个社区组成，每个社区具有不同的边概率。

*在每个时间步长中，根据社区归属随机连接节点。

*该模型可以用于生成具有不同等级社区结构的网络。

多重集模型的演化

多重集演化模型将多重集的概念引入到网络演化中。在这些模型中，网络被表示为多重集，并且随着时间的推移，多重集的元素（节点）及其关联（边）会发生变化。

例如，在PAM模型的多重集版本中，多重集的元素是节点，并且当一个新节点添加到网络中时，它会根据现有节点的度数与其连接。随着时间的推移，具有较高度数的节点会获得更多的边，导致度数分布幂律分布。

其他多重集演化模型还考虑了节点的特性、边权重和社区结构等因素。通过将多重集的概念应用到网络演化中，研究人员能够更深入地了解网络的形成和动态行为。第八部分多重集成网络建模关键词关键要点多重集网络建模

1.利用多重集理论描述网络中节点和边的重复性，捕获复杂网络的结构和动态特性。

2.采用张量分解等技术，将多重集网络分解为多个单重子网络，揭示网络中的层次结构和社区结构。

3.基于多重集网络模型，开发新的网络分析算法，如路径搜索、相似性度量和社区划分。

复杂网络动态建模

1.利用多重集网络模型，考虑复杂网络中节点和边的动态变化，如节点的增加、删除和边权重的变化。

2.通过时间序列分析和贝叶斯推理，预测复杂网络的未来演化趋势，识别网络中的关键节点和边。

3.开发基于多重集网络的网络演化模型，模拟复杂网络的增长、衰减和重组过程。

多重集网络传播建模

1.利用多重集网络模型，描述信息、疾病和行为在复杂网络中的传播过程。

2.建立多重集网络流行病学模型，预测疾病的爆发和传播，制定有效的干预措施。

3.研究多重集网络信息传播模型，优化社交媒体和信息传播策略，提升信息的覆盖率和影响力。

多重集成网络机器学习

1.提出基于多重集网络的图神经网络，挖掘复杂网络中的关系特征和结构信息。

2.利用图卷积和注意力机制，学习多重集网络的表示，用于节点分类、链接预测和社区发现等任务。

3.开发多重集成网络深度学习模型，解决复杂网络中的预测、生成和优化问题。

多重集成网络优化

1.建立基于多重集网络的优化模型，解决复杂网络中诸如网络设计、资源分配和社区划分等问题。

2.采用启发式算法和元启发式算法，搜索最优的多重集网络配置，提升网络的性能和效益。

3.提出适用于多重集网络的遗传算法和粒子群优化算法，提高算法的效率和鲁棒性。

多重集网络应用

1.在生物信息学中，用于构建基因调控网络、蛋白质相互作用网络和神经元网络。

2.在社会科学中，用于分析社交网络、信息传播和经济网络。

3.在交通系统中，用于建模交通网路、旅客出行和货物流动。多重集成网络建模

多重集成网络建模是一种将多个网络层次集成到单个模型中的过程。通过这种建模方法，可以利用不同网络层次上的信息来获得更全面的网络结构和动力学理解。多重集成网络建模的应用广泛，包括复杂网络的分析、预测和控制。

建模过程

多重集成网络建模通常涉及以下步骤：

1.识别相关网络层次：确定与所研究现象相关的不同网络层次。例如，在社交网络中可能包括个人、组和社区三个层次。

2.收集数据：从每个网络层次收集相关数据，包括节点、边和属性。数据可以来自调查、传感器或其他来源。

3.构建单层网络：对于每个网络层次，构建一个单层网络，其中节点和边分别表示该层次上的实体和关系。

4.对齐网络：将不同层次的网络对齐，确保同一实体在所有层次上都具有唯一的标识。这可以通过使用共同的属性（例如名称、位置）或链接来实现。

5.集成网络：将单层网络集成到一个多重集成网络中。这可以通过叠加、级联或混合的方式实现。

6.分析和建模：对多重集成网络进行分析和建模，以了解网络结构、动力学和相互作用。

建模类型

多重集成网络模型可以采取以下几种类型：

*叠加模型：将不同层次的网络简单地叠加在一起，形成一个更大的网络。

*级联模型：将不同层次的网络按顺序连接起来，其中一个层次的输出作为下一个层次的输入。

*混合模型：结合叠加和级联模型，以灵活的方式集成不同层次的网络。

应用

多重集成网络建模在复杂网络分析中具有广泛的应用，包括：

*结构分析：研究不同网络层次之间的相互作用和依赖关系，揭示网络的整体结构。

*动力学分析：探索网络中不同层次上的信息和影响如何随着时间的推移而传播。

*预测：使用多重集成网络模型来预测未来事件或趋势，例如疾病传播或舆论形成。

*控制：设计干预措施来控制网络动力学，实现特定的目标，例如传播抑制或舆论引导。

优点

多重集成网络建模具有以下优点：

*更全面的网络理解：通过集成不同层次的信息，可以获得对网络结构和动力学的更全面理解。

*改进的预测能力：多重集成网络模型可以提供比单层模型更准确的预测，因为它们考虑了网络的不同方面。

*灵活性和可扩展性：多重集成网络模型是灵活且可扩展的，可以根据需要轻松添加或删除网络层次。

局限性

多重集成网络建模也存在一些局限性：

*数据要求：构建和维护多重集成网络模型需要大量数据，这可能难以获得。

*建模复杂性：多重集成网络模型可以变得复杂，需要先进的建模技术和计算资源。

*可解释性：多重集成网络模型可能难以解释，特别是当涉及多个相互作用的层次时。

结论

多重集成网络建模是一种强大的工具，可以用来分析、预测和控制复杂网络。通过集成不同网络层次的信息，多重集成网络模型可以揭示更全面的结构和动力学，从而提高预测能力和干预效率。随着数据和计算能力的不断提高，多重集成网络建模在复杂网络领域将发挥越来越重要的作用。关键词关键要点复杂网络基本概念

主题名称：复杂网络的特征

关键要点：

1.复杂网络通常具有小世界效应，即节点之间的平均距离很小，但网络可以迅速传播信息。

2.复杂网络具有尺度不变性，即网络拓扑结构在不同尺度上表现出相似的模式。

3.复杂网络通常具有无标度分布，即节点的度数分布遵循幂律，这意味着网络中存在少量的中心节点和大量的低度节点。

主题名称：复杂网络的分类

关键要点：

1.基于拓扑结构，复杂网络可分为正则网络、随机网络和无标度网络。

2.基于动力学，复杂网络可分为静态网络、动态网络和自组织网络。

3.基于应用，复杂网络可分为社交网络、生物网络和技术网络等。关键词关键要点节点的多重性

关键要点：

1.节点在多重集中表示为一组具有相同标识符的对象，被称为节点多重集。

2.每组成员称为该节点的一个