检索结果-内蒙古大学图书馆

作者：陈凯国防科技大学

学位级别：博士

排序学习(Learning to Rank)算法使用机器学习对信息检索的结果进行相关度预测和排序,在搜索引擎、多媒体检索、推荐系统中有着广泛的应用。然而,随着网络技术的发展,信息检索的数据变的更加多样化,包括文本、图片以及其他非结构化数据... 详细信息

排序学习(Learning to Rank)算法使用机器学习对信息检索的结果进行相关度预测和排序,在搜索引擎、多媒体检索、推荐系统中有着广泛的应用。然而,随着网络技术的发展,信息检索的数据变的更加多样化,包括文本、图片以及其他非结构化数据。不同类型的数据通常需要使用不同的排序学习算法。因此,如何有效地使用排序学习算法来对各类数据进行检索,是信息检索和机器学习领域研究的热点,同时也是一个具有挑战性的问题。本文针对信息检索应用中多种不同类型的数据,研究排序学习的算法模型、损失函数和优化求解等若干关键技术。本文的主要工作及创新点概括如下:(1)提出一种基于核近似的支持向量机的排序学习算法。针对文本检索中基于非线性核的支持向量机排序算法(RankSVM)中由于核矩阵计算所导致的训练时间过长的问题,本文采用Nystr?em方法和随机傅里叶特征方法对核矩阵进行近似,消除了核矩阵计算引入的巨大计算开销。同时采用原始截断牛顿法在近似后的特征空间中对排序模型的平方Hinge损失函数进行优化。实验结果表明,提出的算法能够在保证排序效果不变的情况下,将非线性RankSVM算法的训练时间从13个小时降到10秒左右。(2)提出一种基于查询归一化损失的极限学习机排序学习算法。针对文本检索中数据不平衡导致排序极限学习机(RankELM)模型偏差问题,提出查询级别归一化的损失函数来调整不同查询的权重,使得每个查询在损失函数中具有相同的影响。同时提出中心矩阵变换对该损失函数进行求解,并在此基础上将RankELM扩展为三种排序学习算法:1)正则RankELM,具有较高的排序性能;2)增量式RankELM,能够增量式改变网络结构;3)在线学习RankELM,能够在线更新训练好的模型。实验结果表明,与现有的排序学习算法相比,本文所提出的极限学习机排序学习算法具有更高的性能。(3)提出一种基于深度特征的数据清洗和排序学习算法。针对大规模人脸数据集噪声过多的的问题,提出基于深度特征和社区发现的人脸数据清洗方法,能够在保证较高干净度的同时最大限度地保留数据的多样性。通过对微软的MS-Celeb-1M数据集进行清洗,共得到9.2万个人600多万张人脸图片。同时,采用多尺度特征来提高网络的表达能力,并提出基于参考点的排序学习算法直接对深度网络的特征表示进行优化,使得图像的特征表示更具有区分性。实验结果表明,人脸识别模型在LFW数据集上达到了99.67%的1:1验证精度以及95.62%的1:N识别精度,取得了单个深度网络的最高人脸识别性能。(4)提出一种基于多输出极度随机树的排序学习算法。针对非结构化数据检索中求解器选择问题,采用排序学习算法来对求解器进行排序和选择,能够为不同的约束问题选择最合适的求解器。为了更好的利用求解器之间的关系,提出三种多输出的学习算法对求解器的性能进行预测和排序:1)多输出回归的栈式方法;2)多输出极度随机树;3)单输出与多输出混合模型。在11个SAT数据集和5个MaxSAT数据集的实验结果表明,提出的方法可以获得比其他求解器选择方法更好的性能。其中,混合模型由于能够平衡求解器之间的全局和局部信息,在所有数据集上的综合效果最好。

关键词：信息检索排序学习算法支持向量机极限学习机深度学习数据清洗人脸识别求解器选择

来源：评论

学校读者我要写书评

暂无评论

基于查询相似性的直推式排序学习算法研究

基于查询相似性的直推式排序学习算法研究

引用

作者：蔡奕伦中山大学

学位级别：硕士

在这个信息爆炸的时代，信息检索系统的出现无疑给人们在因特网上寻找自己感兴趣的内容提供了莫大的帮助。对于系统返回的大量文档来说，用户们最关注的就是这些文档的顺序。一个好的检索系统应该把最接近用户查询意愿的文档排在返回列... 详细信息

在这个信息爆炸的时代，信息检索系统的出现无疑给人们在因特网上寻找自己感兴趣的内容提供了莫大的帮助。对于系统返回的大量文档来说，用户们最关注的就是这些文档的顺序。一个好的检索系统应该把最接近用户查询意愿的文档排在返回列表的最前面。\n 随着当前互联网上可得到的信息量快速增长，研究人员越来越意识到一个好的排序算法对检索系统的重要性。在过去的几十年里，各国学者提出了很多信息检索的技术，但是与日趋庞大的信息量相比，这些技术存在着一些共同的问题(如模型参数难以手工调整和过度拟合等现象)，而且也很难把不同的模型结合起来形成一个更有效的新模型。\n 另一方面，机器学习领域的研究学者们已经发展出了一套成熟的理论用于解决前面提到的这些问题。近年来，一些学者开始利用机器学习技术来指导信息检索中的排序过程，并取得了比较大的突破。从而，“排序学习”作为信息检索领域的一个新分支迅速成为了当前热门的研究方向。目前多数流行的排序学习算法都是采用全监督的方式学习一个单一的排序模型来进行的，这种方法对于用户提交的多种多样的查询来说存在着一定的局限性。因为排序算法在训练的过程中有可能会在不同的查询之间采取折中的模型，从而导致排序准确率的下降。\n 在本文中我们提出了一种基于查询之间相似性信息的直推式排序学习方法来为每一个查询生成一个独立的排序模型。首先，本文利用一个查询的相应文档特征的标准差定义了一种全新的查询特征，并提出了一种与Kendall\'sΥ距离类似的方法来度量两个查询之间的相似性；其次，本文采用这些方法从训练集中寻找与测试集上的查询相似的那些查询，并利用它们为训练集和测试集分别产生了多个额外特征。通过将这些特征添加到原来的训练集与测试集中得到新的数据集；最后，我们利用目前流行的多种全监督排序学习算法在新的数据集上进行训练与预测，并将实验所得的结果与原始的全监督排序学习算法结果进行了比较。由于这些新添加的特征能够更好地表达出相应的查询，我们认为这个新的直推式学习框架将有可能提高排序的准确率。\n 我们在LETOR数据集上采用Rank Boost与SVMmap算法对文中提出的直推式学习框架进行了实验，并给出了多个信息检索评价标准(MAP和NDCG)的比较结果和相应的分析。实验结果表明，本文提出的改进算法能够更加有效地提高文档排序的精度。

关键词：信息检索系统排序学习算法直推式学习查询相似性用户意愿文档排序

来源：评论

学校读者我要写书评

暂无评论

基于机器学习的排序学习算法的研究

基于机器学习的排序学习算法的研究

引用

作者：谢晋鑫南昌大学

学位级别：硕士

现如今我们身处大数据时代,互联网上充斥着大量的数据资源。人们需要从复杂、冗余的资源中高效的获取有用的信息。为达成这一需求,信息检索技术的作用越来越明显,另外机器学习技术几乎已经涉及到人类的所有领域。在这一背景下,在信息检... 详细信息

现如今我们身处大数据时代,互联网上充斥着大量的数据资源。人们需要从复杂、冗余的资源中高效的获取有用的信息。为达成这一需求,信息检索技术的作用越来越明显,另外机器学习技术几乎已经涉及到人类的所有领域。在这一背景下,在信息检索的过程中将机器学习算法与信息检索模型进行结合以求得更加高效、准确的排序算法。这一算法被称为排序学习算法(Learning to Rank,LTR),排序学习算法的高效与否从根本上影响着信息检索的性能。马太效应(Matthew Effect)效应是信息检索系统中一种可取的现象,然而大多数排序学习算法都没有考虑马太效应。Lambda MART是一种著名的LTR算法,可以基于马太效应进行进一步优化。因此本文的主要研究工作如下:(1)马太效应是指使有效的更加有效,使无效的更加无效。马太效应在排序模型中是非常可取的现象,用户点击量多的说明这一信息是用户想要的,用户点击量很少的说明这一信息不是用户想要的。受马太效应的启发,我们区分了不同有效性的查询,然后为具有更高有效性的查询分配了更高的权重。我们改进了Lambda MART算法中的梯度,以高效地优化查询,即突出生成的排序模型的马太效应。(2)本文还提出了评估当前排序模型的策略以及动态降低学习率策略,前者目的是增强排序模型的马太效应,后者目的是加快损失函数收敛速度,提高有效性。(3)本文将基尼系数、均值、方差与信息检索评价指标进行了结合,以此衡量排序模型的马太效应。将改进后的Lambda MART算法分别在两个数据集上进行实验,改进的Lambda MART算法生成的排序模型与原算法和其他最先进的LTR算法相比,能够表现出更强的马太效应和更高的有效性。

关键词：机器学习排序学习算法 Matthew效应 LambdaMART

来源：评论

学校读者我要写书评

暂无评论

依赖于查询的排序学习算法研究

依赖于查询的排序学习算法研究

引用

作者：罗烨敏中山大学

学位级别：硕士

排序是信息检索的核心问题，因为一个搜索系统的好坏主要由它的排序结果的正确率来评价。信息检索中提出了许多排序模型。直到最近，被称为“排序学习”的机器学习技术被深入应用于这个任务。在过去的大部分工作中，一个单一的排序模型... 详细信息

排序是信息检索的核心问题，因为一个搜索系统的好坏主要由它的排序结果的正确率来评价。信息检索中提出了许多排序模型。直到最近，被称为“排序学习”的机器学习技术被深入应用于这个任务。在过去的大部分工作中，一个单一的排序模型被用来处理所有的查询。这可能是不太恰当的，因为不同的查询之间往往有比较大的差异。\n 本文首先论述对于不同的查询，采用不同的排序模型的必要性。然后提出一个通用的依赖于查询的排序学习框架。该框架是基于查询聚类的。该框架将训练查询表示成查询特征空间的一个点。在排序的时候，给定一个测试查询，框架找出与它接近的训练查询，构建一个依赖于测试查询的训练集，然后用这个训练集训练一个模型，最后使用这个模型对与测试查询关联的文档进行排序。这个框架对于改善排序的精度确实是有帮助的，因为它利用了相似查询的有用信息，同时避免了不相似查询的负面影响。\n 当进行查询聚类的时候，使用的查询特征以及查询相似性的计算，对于聚类的精度是非常关键的。从以前的工作中，我们知道同样的特征对于不同的查询，它的区分度是不一样。本文提出了一种新颖的查询相似性表示方法：利用特征的区分度将查询表示成一个特征排序，然后本文使用特征排序的相似度来表示查询的相似度。本文构建依赖于测试查询的训练集时，使用了两种方法来选择相似的查询：KNN和固定距离的算法。\n 本文在LETRO（TREC，OHSUMED）数据集上进行实验。实验结果表明，依赖于查询的排序方法要优于使用单一排序模型进行排序的方法。

关键词：排序学习算法机器学习信息检索

来源：评论

学校读者我要写书评

暂无评论

基于排序学习算法的加速器设计空间探索

基于排序学习算法的加速器设计空间探索

引用

作者：鲍苗中国科学院大学

学位级别：硕士

加速器设计空间探索是加速器设计中的首要问题，无论对函数加速器，亦或GPU，都具有重要的指导意义。加速器设计空间探索与体系结构设计空间探索类似，其基本目标是，在可选的由不同设计参数（如GPU设计中块并发数有5个不同取值以及常... 详细信息

加速器设计空间探索是加速器设计中的首要问题，无论对函数加速器，亦或GPU，都具有重要的指导意义。加速器设计空间探索与体系结构设计空间探索类似，其基本目标是，在可选的由不同设计参数（如GPU设计中块并发数有5个不同取值以及常量缓存的大小有6个不同的取值等）构成的大规模参数空间中找到满足设计需求的参数组合。然而，可选的参数组合常常数以百万计，单纯依靠模拟的方法难以应对其所带来的设计参数灾难问题和仿真时间长的挑战。为了缓解该问题，研究人员提出了基于排序学习的方法，即通过建立一个排序模型，对不同体系结构设计参数的系统配置进行性能/功耗排序。\n 为了构建准确的排序模型，本文提出了基于决策树的排序学习算法RankBoostTree。算法的基本思想是，每轮迭代构建一个预测准确率并非十分高的决策树，通过在每轮迭代的过程中，加大前一轮决策树预测错误的训练集样本的权重，使得本轮迭代更加关注预测错误的样本对，从而达到快速降低预测错误率的目标。\n 为了验证本文方法的有效性，我们在函数加速器和GPU设计空间上比较了RankBoostTree和RankBoost以及ANN的预测准确率。相比RankBoost算法，我们的算法能够提升5.92％-11.99％的准确率，平均提高10.23％。相比ANN，我们的方法可以提升10.38％-30.37％的预测准确率，平均提高20.85％。同时，在迭代效率方面，相比RankBoost算法，在达到相同准确率的情况下，我们的方法所需要的迭代次数降低了至少5倍以上，所需要的训练数据集样本减少了66.5％。有效地验证了本文方法用于加速器设计空间探索的有效性。

关键词：加速器空间探索设计需求排序学习算法预测准确率

来源：评论

学校读者我要写书评

暂无评论

基于GPU的排序学习算法并行加速研究

基于GPU的排序学习算法并行加速研究

引用

作者：程博文北京大学

学位级别：硕士

目前,搜索引擎作为人们从互联网中寻找信息的重要工具,在人们的日常生活中发挥着越来越重要的作用。在搜索引擎的所有组成部分中,排序模型能够直接影响到用户对于搜索引擎检索结果的满意程度,其排序结果的好坏是评价一个搜索引擎性能优... 详细信息

目前,搜索引擎作为人们从互联网中寻找信息的重要工具,在人们的日常生活中发挥着越来越重要的作用。在搜索引擎的所有组成部分中,排序模型能够直接影响到用户对于搜索引擎检索结果的满意程度,其排序结果的好坏是评价一个搜索引擎性能优劣的重要指标。随着互联网技术的不断发展,排序模型所需要处理的数据集规模越来越大,训练一个排序模型往往需要耗费大量的计算资源,并且需要数天甚至数周的时间。\n 近些年来,伴随着图形处理器(GPU)的运算次数和存储器带宽的高速发展,将GPU运用到高性能计算领域逐渐成为了人们研究的热点。其中使用GPU实现排序学习算法的并行化计算,加快排序模型的处理速度是目前的热门的研究方向。本文以著名的LambdaRank算法为例,探讨了如何利用GPU高度并行的计算能力实现算法的并行化计算加速的策略和方法。同时针对GPU上相对较小的存储空间以及算法本身基于单个查询的训练方式无法充分利用GPU计算资源的问题,提出了改进的并行化LambdaRank算法,其中包括(1)训练数据的压缩/解压缩(2)mini-batch的训练方式(3)基于\"mini-batch\"的λ-gradient并行计算方法。这些方法同样也为实现其他的学习排序的算法的并行计算提供了思路。\n 实验表明,本文实现的基于GPU上的LambdaRank算法相对于CPU的实现方法提高了5～8倍以上的执行速度。改进的并行化LambdaRank算法相对于CPU的实现方法提高了40～70倍。由此可见,使用GPU并行化排序学习算法,加速算法的执行速度是完全可行并且有意义的。

关键词：排序学习算法图形处理器并行加速运算次数搜索引擎性能指标

来源：评论

学校读者我要写书评

暂无评论

基于查询聚类的排序学习算法

基于查询聚类的排序学习算法

引用

第五届全国信息检索学术会议CCIR2009

作者：花贵春张敏刘奕群马少平茹立云智能技术与系统国家重点实验室清华信息科学与技术国家实验室(筹) 清华大学计算机系北京100084

排序是信息检索中重要的环节。现如今，已经提出了几百种用于描述查询与文档之间相关度的特征，但是利用人工调整参数的方式将这几百种特征整合为一个排序函数的方法已经不切实际。因此，排序学习算法，一个机器学习与信息检索的交叉领... 详细信息

排序是信息检索中重要的环节。现如今，已经提出了几百种用于描述查询与文档之间相关度的特征，但是利用人工调整参数的方式将这几百种特征整合为一个排序函数的方法已经不切实际。因此，排序学习算法，一个机器学习与信息检索的交叉领域，越来越受到人们的重视，已经有很多种排序学习算法被设计并应用到优化排序函数。尽管在纷繁复杂的网络搜索环境中，查询之间确实存在着差异，然而，几乎没有排序学习算法考虑到查询差异的存在。在这篇论文中，查询被建模为多元高斯分布，查询之间距离利用KL距离计算。利用谱聚类对查询进行聚类，为每一个类别训练一个排序函数。实验结果表明经过聚类得到的排序函数需要较少的训练样例，但是它的性能却和没有经过聚类得到的排序函数是可比的，甚至超过后者。

关键词：信息检索排序学习算法排序函数谱聚类算法

来源：评论

学校读者我要写书评

暂无评论

面向文本检索的排序学习训练查询选择算法研究

面向文本检索的排序学习训练查询选择算法研究

引用

作者：马庆丽中国科学院大学

学位级别：硕士

文本检索是信息检索技术最重要的应用之一，近数十年来相关学术研究方兴未艾。随着互联网的迅猛发展，传统意义上的单一检索模型，如布尔检索、向量空间模型、语言模型等已不能满足信息检索的需求。因此，近年来，排序学习算法(Learning... 详细信息

文本检索是信息检索技术最重要的应用之一，近数十年来相关学术研究方兴未艾。随着互联网的迅猛发展，传统意义上的单一检索模型，如布尔检索、向量空间模型、语言模型等已不能满足信息检索的需求。因此，近年来，排序学习算法(Learning to Rank，简称LTR)被大量用于信息检索领域。由于LTR算法是一种监督式学习(Supervised Learning)的排序算法，其性能在很大程度上依赖于已标注训练数据的数量和质量，因此如何从大规模质量参差不齐的训练数据中挑选高质量的训练数据，是文本检索研究中面临的一个重要问题。对于此问题，本研究面向文本检索，针对排序学习算法，引入机器学习方法进行对训练查询选择的研究，找出单个查询本身的难易程度以及不同查询组合对模型性能的影响，提出不同的训练查询选择算法，挑选出高质量的训练查询子集，以提高排序学习模型的检索性能。\n 本文首先介绍了文本检索中涉及排序学习的训练查询选择算法方面的研究背景、研究意义和国内外研究现状，对相关的理论和技术进行了全面的研究和分析，总结目前研究中所存在的不足。然后，在此基础上，本文针对不同的应用场景提出了不同的训练查询选择算法:(1)在已有人工标注数据集的应用中，提出了两种以排序学习算法评价指标为衡量训练查询质量标准的训练查询选择算法——线性截取选择算法（Linear Cut-off Selection，简称LCO）和增量式选择算法（Incremental Selection，简称Isel），并在LETOR4.0标准数据集上进行实验评测及结果分析。(2)在没有人工标注数据集的应用中，进行了基于查询集为训练样本的特征向量集导向的间接选择算法研究，提出了两种训练查询的选择算法一基于查询对的训练查询分类算法(TQCPair)和基于查询集的训练查询分类算法(TQCset)，并在Tweets2013（TREC2013和TREC2014）标准数据集上进行实验评测和结果分析。实验结果表明本研究中针对不同应用场景下提出的训练查询选择算法均可以提高选择训练数据的质量，进而提高排序学习模型的检索性能。最后，文章总结了本研究在文本检索方面针对排序学习的训练查询选择算法的主要研究成果和创新点，并展望了未来的研究工作。\n 本文的研究成果可以有效提高排序模型的检索性能，对面向文本检索的排序学习查询选择算法的研究具有重要的参考价值。

关键词：文本检索排序学习算法训练查询选择算法机器学习

来源：评论

学校读者我要写书评

暂无评论

多维特征下社会化问答社区答案排序研究

引用

图书情报工作 2020年第17期64卷 103-113页

作者：易明张婷婷李梓奇华中师范大学信息管理学院武汉430079

[目的/意义]研究多维特征对社会化问答社区答案排序的影响,以提高问答社区服务质量并尽可能优化用户体验。[方法/过程]从答案特征、回答者特征和投票者特征多个维度构建社会化问答社区答案排序特征体系,比较基于深度学习、树、神经网络... 详细信息

[目的/意义]研究多维特征对社会化问答社区答案排序的影响,以提高问答社区服务质量并尽可能优化用户体验。[方法/过程]从答案特征、回答者特征和投票者特征多个维度构建社会化问答社区答案排序特征体系,比较基于深度学习、树、神经网络、支持向量机等11种排序学习算法在问答社区数据集上的适用性,并训练随机森林分类算法,得到每个特征的重要程度。[结果/结论]实验结果表明,基于深度学习的排序学习算法在NDCG@k和MRR指标上的性能均优于其他排序算法,投票者的影响力特征最为重要,其次是答案内容特征,最后是回答者的专业度特征,可以考虑从增加答案排序方式的多样性和提高答案排序算法的综合性两个维度进一步优化答案排序。

关键词：社会化问答社区答案质量排序学习算法深度学习算法

来源：评论

学校读者我要写书评

暂无评论

基于贝叶斯排序学习的关键短语自动抽取

基于贝叶斯排序学习的关键短语自动抽取

引用

作者：王晨北京大学

学位级别：硕士

关键短语自动标引技术可以有效地从文本中自动抽取出关键短语，近年来一直是自然语言处理领域的研究热点之一。其中，自动抽取方法是当前主流的标引方法。在本文中，我们对关键短语自动抽取研究中所遇到的问题及其解决方法，做了系统而... 详细信息

关键短语自动标引技术可以有效地从文本中自动抽取出关键短语，近年来一直是自然语言处理领域的研究热点之一。其中，自动抽取方法是当前主流的标引方法。在本文中，我们对关键短语自动抽取研究中所遇到的问题及其解决方法，做了系统而深入的探讨。\n 在预处理步骤中，我们分析了不同颗粒度的候选短语提取方法。以往对于候选短语的选取方法中，以串频统计为主。本文中我们结合文本语言本身的特点，对各种选取候选短语的方法进行了探讨。在预处理的另一个环节--特征选择中，研究者通常采用TF×IDF作为关键短语抽取的特征。在此基础上，我们补充了短语特征、统计特征、位置特征、短语对特征等四类特征，作为关键短语抽取的重要依据。\n 我们提出了基于朴素贝叶斯分类器的对方式排序学习算法RankBayes，将关键短语抽取问题看作排序问题而非分类问题。通过RankBayes算法，我们将训练样本中的正例和负例比例转化为1:1，从而较好的解决了标引数据集不平衡的问题。与其它对方式的排序学习算法相比，RankBayes训练速度有显著提升，而且不会带来排序性能的下降。\n 对方式排序学习算法的引入，可以解决标引数据集不平衡问题，但与此同时，又加剧了标引数据的标引瓶颈问题。我们提出了基于Co-training方法和RankBayes排序学习算法的半指导排序学习模型CoRankBayes，从而自未标注语料中逐步学习，以解决标注瓶颈问题。在CoRankBayes算法中，我们采用置信分数解决了数据的排序问题和冲突问题。关键短语自动抽取评测目前普遍采用P-R-F评测方法，我们发现其具有匹配过于严格和对冗余惩罚不够的缺点，在某些情况下会导致评测不够合理。本文中，我们提出了AJS(平均Jaccard相似度)评测方法，通过使用Jaccard相似度进行模糊匹配，并通过贪心计算方法消除冗余。实验表明AJS评测方法是一种简单，高效，易于推广的自动评测方法，可以有效提高评测性能。

关键词：关键短语自动抽取排序学习算法朴素贝叶斯模型置信分数 AJS评测

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：