基于弱關系的異質社交網(wǎng)絡推薦

荀亞玲，畢慧敏，張繼福

(太原科技大學 計算機科學與技術學院，山西 太原 030024)

0 引 言

推薦系統(tǒng)作為一種信息過濾手段，幫助用戶從大量信息中發(fā)現(xiàn)自己感興趣的內容。傳統(tǒng)推薦算法大多以與目標用戶關系密切的強關系對象或者以與目標項目相似度高為標準進行協(xié)同過濾推薦，具有很好的可解釋性[1-3]，但強關系推薦因其本身圈子小、產生的嘮叨型內容較優(yōu)質內容多，往往會導致推薦的單一化[4-6]。與強關系相反，弱關系具有更為豐富的語義信息及強大的信息影響力[7,8]，因此，基于弱關系的推薦，能夠擺脫傳統(tǒng)的基于強關系推薦帶來的推薦類型單一、推薦項目重復性等問題。

豐富的社交網(wǎng)絡常被建模為同質或異質結構網(wǎng)絡，同質社交網(wǎng)絡中節(jié)點和關系類型單一，且具有很強的不對稱性和群體規(guī)模小等特征，不利于消除用戶的感知偏差。而異質網(wǎng)絡融合了更多類型的對象以及對象間復雜的交互，也可以跨網(wǎng)絡平臺融合更多豐富的語義信息?？紤]弱關系的社交網(wǎng)絡包含了很多不同類型的對象和對象之間復雜的交互。若將這些相互作用的對象建模為同質網(wǎng)絡是很困難的，難以體現(xiàn)不同類型對象的特征信息差異[9]，往往只能抽取實際交互系統(tǒng)的部分信息，或是沒有區(qū)分交互系統(tǒng)中對象和關系的差異性，均會造成信息不完整或信息損失。因此，可以融合更多類型對象及其復雜交互關系的異質信息網(wǎng)絡(heterogeneous information network)被引入推薦系統(tǒng)[10-14]。

為準確地選擇推薦的主體范圍及有效地利用實體間的交互信息進行有效推薦，提出一種結合弱關系的異質社交網(wǎng)絡推薦算法，充分克服了推薦結果趨于同質性與冗余共享信息的問題。主要貢獻包括：①利用用戶間信任值對引入弱關系產生的大量用戶節(jié)點進行有效篩選；②結合弱關系構建了一種全關系的異質信息網(wǎng)絡模型(UI-HIN)；③提出了一種最佳信任路徑選擇算法(BTP)。

1 相關工作

根據(jù)推薦方式的不同，傳統(tǒng)的推薦算法主要分為3類：基于內容的推薦、協(xié)同過濾推薦和混合推薦。這些大都是建立在“強關系”上的推薦，使用“相似度系數(shù)”來衡量兩個用戶間的相似度，推薦具有較強的可解釋性但面臨著個性化缺失的問題。此外，個人隱私問題越來越受到互聯(lián)網(wǎng)用戶的關注，傳統(tǒng)推薦方法收集用戶數(shù)據(jù)越來越困難，造成“冷啟動”制約推薦方法的性能，難以挖掘用戶潛在興趣。

文獻[15]在用戶協(xié)同過濾的基礎上通過計算活動用戶與少量專家用戶之間的相似度作為信任值解決用戶評分數(shù)據(jù)稀疏造成的冷啟動問題。文獻[16]提出一種融合項目特征和移動用戶信任關系的協(xié)同過濾推薦算法緩解評分數(shù)據(jù)稀疏對協(xié)同過濾算法的影響，提高了移動推薦的準確度。同傳統(tǒng)的推薦算法相比，增加的“信任”機制雖然有效地緩解了數(shù)據(jù)稀疏問題，但根本上還是以相似度作為標準來衡量信任值，并沒有改變推薦的主體，推薦重復問題沒有得到解決。同強關系相反，弱關系可以是雙向的也可以是單向的，因為不需要較強的互動，所以維系起來成本更低，依靠“弱關系”的力量可以擴大推薦的選擇范圍增加推薦的新穎性，減少了嘮叨型內容，使推薦更加明確。文獻[17]提出一種考慮子群貢獻和興趣活躍兩個因素的動態(tài)群聚合方案集成所有子組的推薦列表，以生成該組的最終結果。文獻[18]提出了基于用戶評分和社會關系的隱含偏好社區(qū)的推薦模型。在基于社區(qū)推薦算法中將社交網(wǎng)絡中的用戶組織成社區(qū)的形式，社區(qū)的代表性特點就是興趣高度一致性，這種基于社區(qū)的推薦通常會使得推薦類型過于局限，不利于用戶產生對新類型項目的興趣。

為了融合更加豐富的異構信息，基于異質信息網(wǎng)絡的推薦算法得到了廣泛關注。有學者將元圖的概念引入異質信息網(wǎng)絡推薦，采用矩陣分解和因子分解機的方法進行信息融合，獲取相似元圖間的潛在特征，不同元圖間的有用特征生成用戶和項目關系進行推薦[11]。也有一些研究人員提出將意向推薦中復雜的對象和豐富的交互建模為一個異構信息網(wǎng)絡和元路徑引導的意圖推薦嵌入方法(MEIRec)學習意圖推薦中對象的嵌入[12]。已有的基于神經網(wǎng)絡的協(xié)同過濾模型(NeuACF)提取不同的元路徑用戶和項目的不同方面級相似矩陣，通過深層神經網(wǎng)絡學習方面級潛在因素進行推薦[13]。基于注意的HIN嵌入元路徑融合模型(AMPE)的提出，提取并學習了HIN中多個具有元路徑的同質網(wǎng)絡與注意機制融合[14]。然而，現(xiàn)有算法的異質網(wǎng)絡往往又只關注異質信息，忽視了同質信息，導致推薦信息的缺失。

綜上所述，弱關系可以使用戶的社交網(wǎng)絡范圍會更廣，接觸到的內容也會更豐富，根據(jù)弱關系構建的社交網(wǎng)絡內容比強關系產生的內容更加優(yōu)質。將這種包含大量相互作用、不同類型實體的多類型網(wǎng)絡化數(shù)據(jù)建模成異質信息網(wǎng)絡能夠充分利用網(wǎng)絡中豐富的對象和關系的信息，使得推薦更加真實、新穎。

2 基于弱關系的異質網(wǎng)絡推薦算法

弱關系本質上并不是強調關系的密切程度，而是信息的傳遞，其融合了網(wǎng)絡中豐富的語義和交互信息，推薦的項目類型跨度較大，可以實現(xiàn)改善了推薦新穎性。弱關系包含用戶弱關系和項目弱關系。用戶弱關系是指用戶之間關系并不緊密，即我們所謂的泛泛之交。項目弱關系指交互項目可能涉及不同領域，項目與項目可能沒有屬性上的相似性，但卻同時出現(xiàn)在用戶的歷史記錄里。該推薦算法首先建立基于用戶弱關系的社交網(wǎng)絡模型，借助用戶間信任值篩選節(jié)點后，再引入項目節(jié)點建立異質網(wǎng)絡模型，最后通過優(yōu)化的路徑優(yōu)化算法選擇一組最佳推薦路徑。

2.1 基于弱關系的用戶社交網(wǎng)絡

社交網(wǎng)絡被建為有向圖G，G中節(jié)點代表用戶，包含弱關系用戶；節(jié)點Un，U′n之間的邊表示關系；邊上的標簽代表節(jié)點間信任值V(Un,U′n)，信任是不對稱的(從Un到U′n的信任值不等于從Un到U′n的)。另外，沒有直接信任關系的節(jié)點之間沒有連接。設置最小信任閾值和最大請求長度篩選去除不符合條件的節(jié)點，建立的用戶社交網(wǎng)絡模型如圖1所示。

圖1 用戶社交網(wǎng)絡

其中，V(Un,U′n)的獲取主要來自以下信任值的結合：

(1)用戶本身自帶的信任值V(Un)

用戶本身自帶的信任值是指用戶的地位、職業(yè)、資歷而產生的影響力，以“法定”為支柱，可以說是一種強制性影響，我們可以分別從這3個因素考慮：

1)地位因素：根據(jù)人類傳統(tǒng)觀念，米爾拉格姆實驗表明正常的普通人在權威的壓力下都可以成為施虐者。大腦惰性讓我們認為權威人士不同于普通人，由經驗產生了對權威的服從感(比如同樣是推薦一部電影，一位專業(yè)影評人的推薦比普通人更令人信服);

2)職業(yè)因素：在社會中扮演同樣角色的人會產生很多必要性的推薦，不一定是用戶感興趣的，卻是用戶不得不用的(比如辦公APP，很少人會喜歡，但又不得不用);

3)資歷因素：現(xiàn)實生活中，人們對某領域資歷較深的人更具信任感。

(2)相鄰用戶之間因為信息交互而產生的信任值

這種信任是指直接用戶節(jié)點間的關注熱度(比如微博的轉發(fā)、點贊、評論、瀏覽)，由用戶行為決定。

2.2 全關系用戶-項目異質網(wǎng)絡模型

傳統(tǒng)異質網(wǎng)絡又只關心異質關系而忽視了同質信息，因此，通過對傳統(tǒng)異質網(wǎng)絡進行了拓展，引入項目節(jié)點，構建了全關系的用戶-項目異質網(wǎng)絡模型。

定義1 異質信息網(wǎng)絡：包含多種類型的節(jié)點和邊，并且具有豐富語義的信息網(wǎng)絡。信息網(wǎng)絡被定義為一個有向網(wǎng)絡圖G=(V,E)，其中，V是所有實體結點的集合，E是所有關系邊的集合。并且存在著一個結點類型的映射函數(shù)φ:V→A和一個邊類型的映射函數(shù)Ψ:E→R，對于每個對象v∈V屬于一種特殊的對象類型φ(v)∈A，每個鏈接e∈E屬于一種特殊的關系類型Ψ(e)∈R，那么這種網(wǎng)絡類型就是信息網(wǎng)絡。當對象類型的種類|A|>1或者關系類型的種類|R|>1時，這種信息網(wǎng)絡是異質信息網(wǎng)絡。

定義2 關系用戶-項目異質網(wǎng)絡：一個包含(用戶,用戶)、(用戶,項目)、(項目,項目)節(jié)點對以及節(jié)點對間不同類型關系的帶權有向圖G=(U,I,E(Un,U′n),E(Un,Im),E(Im,I′m),V(Un,U′n),V(Un,Im),S(Im,I′m)),其中U代表用戶的集合，I代表U使用的項目集合，E(Un,U′n)代表用戶與用戶信任關系的有向邊，E(Un,Im)代表用戶與項目的使用被使用關系的有向邊，E(Im,I′m)代表項目與項目關系的有向邊，V(Un,U′n)代表用戶之間的信任值，V(Un,Im)代表用戶對項目的信任值，S(Im,I′m)代表項目間信任值。

圖2為一個典型的全關系異質信息網(wǎng)絡模型，其中，S(Im,I′m)的大小和方向由關聯(lián)規(guī)則的知識確定，首先依靠關聯(lián)規(guī)則挖掘頻繁項集，然后根據(jù)支持度確定關聯(lián)的大小和方向，具體的求解過程如下：

圖2 用戶-項目異質信息網(wǎng)絡模型

(1)根據(jù)項目-項目的歷史數(shù)據(jù)挖掘潛在的頻繁項集，如頻繁N項集{Ip,…,Ip+n,…,Ip+N}；

(2)計算頻繁N項集中每個項目存在條件下存在其余項目的概率S(Ip,Ip+n)，S(Ip+n,Ip)

(1)

(2)

(3)特別地，針對在用戶的評價矩陣中得分較高但沒有出現(xiàn)在由(1)獲得的頻繁N項集中的項目，通過該項目出現(xiàn)在用戶記錄中的屬性信息，挖掘具有相同屬性信息的項目與其的關聯(lián)，構造相應的項目-項目關聯(lián)邊(方向指向該項目，大小為用戶評價矩陣中對該項目的平均評價值)，得到相應的頻繁N項集。

2.3 BTP算法思想與相關定義

異質信息網(wǎng)絡中邊的權值描述了具有直接關系的節(jié)點間不同類型的信任關系，為了挖掘具有間接關系的節(jié)點之間的推薦影響力，應用節(jié)點間的信任傳遞特性發(fā)現(xiàn)，具有間接關系的兩個節(jié)點之間可能會存在一條或多條連接路徑。由圖1可知節(jié)點U1到U10有6條路徑：U1→U2→U5→U10，U1→U2→U5→U8→U10，U1→U2→U6→U8→U10，U1→U3→U6→U8→U10，U1→U3→U7→U9→U10，U1→U4→U7→U9→U10，如果考慮所有從U1到U10的路徑，雖然使用了網(wǎng)絡中的所有可能信息，但由于節(jié)點數(shù)量的龐大，不同節(jié)點之間的信任值不同，對每一組節(jié)點對分別設置最大請求長度(MTL)和最小信任閾值(MTT)，無疑增加了工作量，如果使用固定長度的路徑會損失有價值信息。

定義3 最佳信任路徑L：對于每條L滿足RL<>TVT。其中，RL和RVT分別表示路徑L的長度和信任總值；TTL和TVT分別為設置的最大請求長度和最小信任閾值。

BTP算法流程可分為3部分：①根據(jù)重啟隨機游走算法(ppr)的思想得到目標節(jié)點與其余節(jié)點的相關度矩陣，去除相關度低的節(jié)點；②對于具有相同終止節(jié)點的可能信任路徑，求取它們的平均請求長度(ARL)和平均信任總值(AVT)作為最佳信任路徑的篩選依據(jù)

(3)

式中：RL代表路徑的請求長度，β≥0表示當路徑的請求長度大于以相同節(jié)點為終止節(jié)點的路徑集合的ARL時，所能接受的最大請求長度差值；RVT代表路徑的信任總值，γ≥0表示在路徑請求長度小于以相同節(jié)點為終止節(jié)點的路徑集合的ARL時，允許路徑的信任總值小于AVT的最大值；③對于從源節(jié)點到目標節(jié)點只有一條路徑的情況，因為在①篩選終止節(jié)點用戶時就避免了請求長度過長、信任值過小的情況，所以直接將這種類型路徑作為最佳信任路徑。

2.4 BTP算法描述

輸入：由重啟隨機游走算法(ppr)得到的高相關度節(jié)點集合Tn；Tn的個數(shù)N；源或目標節(jié)點Sn

基于穩(wěn)定農戶的宅基地占有使用權、充分保障其在農村的基本居住權，筆者認為未來應探索建立農村宅基地差別化有償使用制度。具體而言，一方面針對農村集體經濟組織成員，要堅持首次申請無償取得、福利分配制度，即延續(xù)當前以“一戶一宅”“面積控制”為特征的初次無償分配、永久使用宅基地制度，繼續(xù)發(fā)揮宅基地使用權的保障功能，但若其宅基地使用面積超過地方規(guī)定標準，則需要繳納超額使用費。另一方面，城鎮(zhèn)居民或非本集體經濟組織成員因買賣農村房屋而使用農村宅基地的，可以認為買方與房屋所在的集體之間建立了土地租賃關系，也應向集體經濟組織繳納宅基地有償使用費。

輸出：最佳信任路徑集合PATH

算法過程：

(1) EnQueue(Q,Tn); (2) For i in range(N): (3)If Q.front==Q.rear (4) return error; (5)DeQueue(Q,e); (6) ptp(Sn,e) /*ptp()用來查找得到節(jié)點e和Sn間的所有路徑*/ (7) path←e; /*path存放已構路徑,e為路徑的起點*/ (8) R←[path, Sn]; /*R存放節(jié)點e和Sn之間的所有路徑*/ (9) P=0; /*算法開始定義節(jié)點間路徑數(shù)量為0*/ (10) ADJ←getadj(adj,getLast(path)); /*將已構建路徑最后節(jié)點的鄰居adj放入ADJ中*/ (11) For each adj in ADJ (12) if adj∈getadj(Sn) then /*若adj不屬于終止節(jié)點的鄰居節(jié)點則將adj加入當前路徑*/ (13) add(adj,path); (14) ptp(Sn,adj); (15) else /*否則當前路徑將作為節(jié)點間的路徑*/ (16) add(adj,path); (17) P++; (18) R←[Sn,path]; (19) End For (20) While P /*篩選R中路徑得到最佳信任路徑*/ (21) if (RL>ARL&&RL-ARL≤ (22) β &&RVT≥AVT) (23) PATH←[Sn,R[p]]; (24) else if (RVT

通過動態(tài)規(guī)劃求最短路徑的思想確定BTP算法中的β、γ值，動態(tài)規(guī)劃的思想解決的最基本的一個問題就是：尋找有向無環(huán)圖(籬笆網(wǎng)絡)當中兩個點之間的最短路徑，也就是各邊上權值之和最小的路徑。所以，先將有著相同終止節(jié)點的路徑上的信任值取倒數(shù)，這樣得到的“最短路徑(SP)”其實就是信任值最高的路徑。β,γ的值定義為

β=|getLength(SP)-ARL|

(4)

γ=|getValue(SP)-AVT|

(5)

3 實驗結果與分析

在5個真實數(shù)據(jù)集上實驗驗證BTP算法的有效性。

3.1 評估數(shù)據(jù)集

實驗數(shù)據(jù)集包括：DVD類別數(shù)據(jù)集CiaoDVD、電影推薦網(wǎng)站FilmTrust、豆瓣電影數(shù)據(jù)集Douban Movie、Yelp商業(yè)數(shù)據(jù)集以及社會化電子商務網(wǎng)站Epinions。數(shù)據(jù)集均包含了用戶對項目的評分信息和用戶之間的信任信息。數(shù)據(jù)集的基本特征信息見表1，其中Dataset(Density)字段記錄了數(shù)據(jù)集名稱及其稀疏度，Relations表明了該數(shù)據(jù)集中的對象類型以及其交互類型，Number of A和Number of B分別對應于Relations字段的前后交互對象的數(shù)目，而Number of (A-B)表示該交互關系的交互歷史記錄數(shù)。

表1 數(shù)據(jù)集的統(tǒng)計特征

3.2 實驗結果及分析

盡管用戶訪問推薦的某一刻，其興趣是單一的，但用戶往往具有廣泛的興趣，推薦列表的多樣性將會增加用戶找到更多興趣項目的概率。而給用戶推薦其以前未聽說的物品，即新穎的推薦，有助于發(fā)掘長尾商品和商家的項目推廣。預測準確率和召回率是度量一個推薦系統(tǒng)或者推薦算法預測用戶行為的能力，是最重要的推薦系統(tǒng)離線評測指標。因此，實驗從多樣性、新穎性和準確率召回率3個方面進行了算法性能評價。對比算法如下：

Shikhar Sharma等提出的廣義復用網(wǎng)絡的鏈路預測算法[19]：封裝了各種異構關系，通過層與層之間的似然度量給出鏈路預測結果。

UniWalk：XiongCai Luo等提出基于monte carlo的方法UniWalk[20]，以實現(xiàn)對大型圖的快速top-kSimRank計算。

由于每個數(shù)據(jù)集的稀疏差異，分別設置不同的實驗比率并根據(jù)數(shù)據(jù)量隨機生成N個評估集，把結果取平均值作為最后的表現(xiàn)，其中test項為目標用戶的歷史行為數(shù)據(jù)。數(shù)據(jù)集CiaoDVD、Yelp和DoubanMovie包含了項目的類型信息，因此對這3個數(shù)據(jù)集實驗進行推薦的多樣性和新穎性評估。將Ciao DVD數(shù)據(jù)集隨機分成10個評估集，分別隨機抽取20%的DoubanMovie和Yelp數(shù)據(jù)隨機生成10個評估集。實驗結果如下。

3.2.1 推薦的多樣性評估

推薦多樣性要求推薦列表覆蓋用戶不同的興趣領域的同時能夠滿足用戶的主要興趣。為了對算法推薦的多樣性進行評估，我們記錄實驗推薦的項目類型以及每種類型的數(shù)量，并與目標用戶的歷史項目類型、數(shù)量進行比較。實驗結果如圖3～圖5所示。

圖3 CiaoDVD數(shù)據(jù)集的推薦多樣性評估

圖4 Douban Movie 數(shù)據(jù)集的推薦多樣性評估

圖5 Yelp數(shù)據(jù)集的推薦多樣性評估

實驗結果發(fā)現(xiàn)，3種算法的推薦列表中既包含與目標用戶歷史興趣相似的項目又含有目標用戶未涉及的項目。Link-Pre算法和UniWalk算法僅依據(jù)用戶社交網(wǎng)絡的歷史交互記錄，沒有考慮用戶以及項目節(jié)點之間的權值信息，使得推薦結果更加趨近于目標用戶的歷史興趣。但BTP算法較其它兩種算法推薦涉及的項目類型更豐富，而且考慮到了用戶的主要興趣。

實驗結果表明，Link-Pre算法因為過于依賴用戶歷史記錄導致去除與目標用戶相同或相似歷史項目后出現(xiàn)無推薦項目的情況，與BTP算法相比，雖然會出現(xiàn)UniWalk和Link-Pre的推薦新穎性優(yōu)于BTP算法的情況，但推薦的多樣性較差。

3.2.2 推薦的新穎性評估

新穎的推薦是指給用戶推薦那些他們以前沒有聽說過的物品，而且越不熱門的物品越可能讓用戶覺得新穎。因此，如果推薦結果中物品的平均熱門程度較低，那么推薦結果就可能有比較高的新穎性。在將目標用戶之前在網(wǎng)站中對其有過行為的物品從推薦列表中過濾掉的基礎上，利用推薦結果的平均流行度進行推薦新穎性評估。實驗結果如表2所示為Douban Movie數(shù)據(jù)集中編號為“288”的用戶的推薦新穎性評估結果。其中，新穎性評估公式為

表2 推薦的新穎性評估數(shù)據(jù)

(6)

式中：Pop代表項目在當前數(shù)據(jù)中的用戶熱度(即被使用過的記錄條數(shù))，Rec(U)表示推薦列表，Test(U)表示目標用戶的歷史項目集合，SimTest(U)表示與目標用戶歷史項目相似的項目集合，N表示去掉Test(U)和SimTest(U)的項目個數(shù)。

3.2.3 推薦的準確率召回率

準確率和召回率是度量一個推薦系統(tǒng)或者推薦算法預測用戶行為的能力的重要指標，圖6～圖10展示了在5個不同數(shù)據(jù)集上各個算法的召回率和準確率分布。

圖6 Douban Movie數(shù)據(jù)集的召回率和準確率分布

由實驗結果可以觀察到，進行對比的3種算法的準確率和召回率是交織在一起的，并且同數(shù)據(jù)的稀疏程度有關。Link-Pre算法的準確率和召回率在Yelp、CiaoDVD和Epinion數(shù)據(jù)集中表現(xiàn)較好，因其僅依賴于用戶與項目的歷史記錄將數(shù)據(jù)分層進行鏈路預測生成推薦，數(shù)據(jù)稀疏時，層與層之間會出現(xiàn)較多的缺失鏈路使推薦準確率和召回率較高。反之，數(shù)據(jù)層之間缺失信息較少導致無鏈接預測，就會造成準確率和召回率為0。UniWalk算法在FilmTrust和Douban Movie數(shù)據(jù)集中的準確率和召回率較好是因為該為與歷史記錄相似的項目，準確和召回率較高，反之，準確率和召回率較低。BTP算法的準確率和召回率在5個數(shù)據(jù)集中分布較居中，這主要是因為BTP算法利用節(jié)點間的異質信息進行推薦，不同于以上兩種算法，BTP算法考慮了用戶對項目的評分信息和用戶間的信任信息改善了數(shù)據(jù)稀疏情況下的冷啟動問題，使得算法推薦既注重用戶歷史興趣，又能幫助用戶挖掘潛在興趣，因此不論數(shù)據(jù)是否稀疏，推薦的準確率和召回率都亞于其它算法。

圖7 Yelp數(shù)據(jù)集的召回率和準確率分布

圖8 FilmTrust數(shù)據(jù)集的召回率和準確率分布

圖9 CiaoDVD數(shù)據(jù)集的召回率和準確率分布

圖10 Epinions數(shù)據(jù)集的召回率和準確率分布

4 結束語

在線社交網(wǎng)絡日益龐大而復雜，傳統(tǒng)基于強關系的信息過濾方式，往往注重“人脈”，導致推薦結果單一且毫無新意。融合由信任關系信息產生的用戶間的信任度構建目標用戶所處的異質社交網(wǎng)絡，再綜合目標用戶自身的偏好和異質網(wǎng)絡中其余節(jié)點的影響力生成推薦，為推薦研究提供了新思路。當然，異質信息推薦算法仍有繼續(xù)研究和探索的空間，如考慮異質網(wǎng)絡中相同以及不同請求長度下節(jié)點間的推薦影響，時間因素下節(jié)點間關系動態(tài)更新模型、融入社會網(wǎng)絡中的上下文信息、探索用戶間不信任關系對推薦產生的作用等。