• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于結構平衡理論和高階互信息的符號網絡表示學習算法

    2023-10-14 02:55:16錢天宇艾合買提尼牙孜劉金卓
    電子科技大學學報 2023年5期
    關鍵詞:互信息信息量高階

    郁 湧,錢天宇,高 悅,艾合買提尼牙孜,劉金卓*

    (1.云南大學軟件學院 昆明 650504;2.云南大學云南省軟件工程重點實驗室 昆明 650504;3.云南大學跨境網絡空間安全教育部工程研究中心 昆明 650504)

    在一些網絡中,節(jié)點之間的連接關系根據(jù)不同的涵義可以分成兩類:正關系和負關系。其中,正關系表示積極的涵義,如喜歡、信任、合作、支持等;而負關系表示消極的涵義,如討厭、不信任、對立、否決等[1]。若將相關網絡中的正關系標注為正號,負關系標注負號,就形成了一個符號網絡。目前,符號網絡存在于很多的領域,如社交網絡用戶之間存在朋友與敵人關系、生物領域細胞間存在促進與抑制作用、國際關系中國家之間存在合作與敵對關系、游戲網絡中玩家存在協(xié)作與競爭關系等。對符號網絡進行分析和研究也越來越成為社會網絡研究中不可忽視的部分[2]。

    在針對符號網絡結構的研究中,一個重要的問題就是如何合理有效地對符號網絡的結構信息進行表示。傳統(tǒng)的網絡結構表示主要采用高維稀疏矩陣的形式,但高維稀疏矩陣往往需要更多的時間和空間成本。隨著人工智能和機器學習的突飛猛進,越來越多的研究領域都融入了深度學習等相關技術,而傳統(tǒng)的網絡結構表示方法都無法直接應用這些算法,為此,研究人員開始轉向探索網絡節(jié)點的低維向量表示的方法,即網絡表示學習(network representation learning)或網絡嵌入(network embedding)。網絡表示學習是銜接網絡中原始數(shù)據(jù)和網絡應用任務的橋梁,旨在將網絡中的節(jié)點表示為低維稠密向量,并且能夠最大程度地保留原網絡中的結構信息和特性。

    雖然,網絡表示學習的研究已經取得了一系列的成果,但現(xiàn)有的方法大都僅適用于無符號網絡,將其應用于符號網絡會導致網絡中符號涵義等關鍵信息丟失,難以獲得質量較高的節(jié)點表示學習。如在朋友敵人網絡中,互為敵人關系的節(jié)點可能會在嵌入空間被放得很近,這十分不合理。為此,需要研究針對符號網絡的表示學習方法。

    本文基于結構平衡理論和高階互信息原理來對符號網絡的拓撲結構進行研究,旨在建立結合機器學習與傳統(tǒng)網絡理論的相似度指標,提出一種新的符號網絡表示學習方法SNSH (signed network representation learning algorithm based on structural balance theory and high-order mutual information),并用于解決無向符號網絡中的鏈路符號預測問題。

    1 相關工作

    網絡表示學習旨在用低維、稠密、實值的向量表示網絡中的節(jié)點。一般來說,通過網絡表示學習得到的節(jié)點嵌入需要體現(xiàn)節(jié)點的各項特征,并能在各種下游任務取得良好的性能。

    網絡表示學習已被廣泛應用于節(jié)點分類[3-4]、鏈路預測[5]、聚類[6-8]、可視化[9]、節(jié)點排序[10-11]、社區(qū)分析[12]、圖形生成[13]、異常檢測[14]等任務,并取得了良好的效果。節(jié)點分類的目的是根據(jù)其他節(jié)點和網絡的拓撲結構來確定節(jié)點的標簽;鏈接預測是指預測未來可能出現(xiàn)的缺失或鏈接;聚類用于尋找相似節(jié)點并將它們分組;可視化可用于洞察網絡結構[15]。在符號網絡中,主要的下游任務是鏈路符號預測[16],即預測節(jié)點之間邊的符號類型。

    網絡表示學習的方法大致可以分為矩陣分解、隨機游走、深度學習和其他4 個類別。如基于矩陣分解的Laplacian Eigenmaps[17]、HOPE[18]等,基于隨機游走的DeepWalk[19]、node2vec[20]等,基于深度學習的SDNE[21]、DNGR[22]、GCN[23]等,還有混雜的LINE[24]等。

    對于符號網絡表示學習,SiNE[25]通過多層神經網絡來優(yōu)化基于結構平衡理論指導的目標函數(shù),對符號網絡的表示進行了學習。Signet[26]修改了word2vec[27]模型的采樣方式,通過隨機游走構造高階結構平衡環(huán)來擬合遠距離鄰居節(jié)點對節(jié)點符號的影響。SGCN[28]將GCN 推廣到符號網絡中,并基于平衡理論設計了一種新的信息聚合器。SNEA[29]利用自注意機制來提高符號網絡表示學習的效果。SDGNN[30]引入了一種新的逐層有向符號網絡GNN模型。但這些方法都并未考慮高階互信息對節(jié)點嵌入的影響。

    本文提出的基于高階互信息的符號網絡表示學習算法,通過將符號網絡中的關系反轉,生成網絡的負符號嵌入、負特征屬性向量、負局部概括等負信息。該項工作通過負信息強化網絡的正信息,以此捕獲網絡中高階互信息所隱含的信息量。

    2 問題定義

    本文涉及的符號網絡的定義如下:將符號網絡用無向圖表示,記為G=(V,E,S)。其中V代表社交網絡中節(jié)點的集合,E代表網絡中節(jié)點之間關系的邊集合,S={1,-1}代表邊的符號關系。對于?e(i,j)∈E, 則s(i,j)表 示節(jié)點vi與 節(jié)點vj之間的關系符號,s(i,j)=1代表“+”,表示節(jié)點之間具有信任、合作、友好、支持等積極關系;s(i,j)=-1代表“-”,表示節(jié)點之間具有不信任、敵對、討厭、否決等消極關系。

    2.1 結構平衡理論

    結構平衡理論是無向符號網絡研究的理論基礎,為無向符號網絡的結構分析提供了依據(jù)。根據(jù)該理論,在無向符號網絡中,由k(k≥3)條邊組成的閉合環(huán)是結構平衡的當且僅當該環(huán)上所有邊的符號之積為正。文獻[31]研究表明,真實符號網絡中結構平衡環(huán)的數(shù)量遠大于不平衡環(huán)的數(shù)量,且隨著網絡結構的演變,不平衡的結構會朝著平衡的結構轉換。此外,文獻[32]用大量實證分析表明,結構平衡理論能更好地捕獲并分析無向符號網絡中節(jié)點間的相互作用模式以及結構平衡性。

    結構平衡理論[33]最初僅在個體層面上提出,接著由文獻[34]在群體層面的圖論形成中加以推廣,而后又由文獻[35]發(fā)展為可聚類圖的概念。最近,結構平衡理論被擴展為符號網絡中的一種結構,它應確保節(jié)點的“朋友”比“敵人”更近[36],即節(jié)點的位置應該離“朋友”(或具有正鏈接的節(jié)點)比“敵人”(或具有負鏈接的節(jié)點)更近。這種節(jié)點之間的結構描述如圖1 所示。圖中,對節(jié)點1 來說,它的“朋友”節(jié)點2 在特征空間上的距離應當相對于它的“敵人”節(jié)點3 來說會更近些。

    圖1 結構平衡理論示意圖

    2.2 互信息

    互信息可以度量兩個隨機變量之間的相互依賴性。給定兩個隨機變量X和Y,它們的互信息為:

    式中,H(X)和H(X|Y)分 別表示熵和條件熵;H(X,Y)表示X和Y的聯(lián)合分布。

    為了測量多個隨機變量之間的相互依賴性,在信息論中引入高階/多元互信息的概念[37]。高階互信息是互信息在隨機變量數(shù)目增多時的推廣,給定N個隨機變量,高階互信息的定義與互信息的定義類似,具體為:

    高階互信息不僅能捕捉所有隨機變量對之間的互信息,還能衡量隨機變量間的協(xié)同作用。

    2.3 深度圖互信息

    深度圖互信息( deep graph infomax, DGI )[38]是一種自監(jiān)督或無監(jiān)督的機器學習方法,其主要思想是最大化網絡G:I(h,s)的概括向量s和節(jié)點嵌入hi之間的互信息。

    DGI 使用負采樣來最大化I(h,s),首先它通過函數(shù)G=生 成一個補圖, 然后使用同一個編碼器來分別獲得正圖的節(jié)點嵌入和補圖的節(jié)點嵌入,本文考慮到符號網絡的特殊性,通過轉換鏈接的符號正負來生成負網絡。即對于負網絡,=-si j,其余屬性與圖G保持一致。

    正網絡G通過聚合網絡中所有節(jié)點的方式得到整圖的特征表示,即概括向量,對于給定的概括向量s,DGI 使用一個鑒別器D來區(qū)分正網絡嵌入hi和 負網絡嵌入。

    給定節(jié)點嵌入hi、概括向量s和負節(jié)點嵌入,可以通過下面的目標函數(shù)來最大化hi和s之間的互信息:

    式中,D是一個用來區(qū)分負節(jié)點嵌入和真實節(jié)點嵌入的鑒別器; Θ表示參數(shù)空間; E表示期望。

    3 SNSH 算法

    3.1 算法的基本框架

    本文提出的基于結構平衡理論和高階互信息的符號網絡表示學習算法SNSH,通過改進的上下文詞向量模型得到節(jié)點的局部符號嵌入,又通過一個單層的圖卷積神經網絡(graph convolutional network,GCN)得到網絡的局部嵌入矩陣和全局概括向量,同時使用節(jié)點的出/入度等有價值特征作為其特征屬性向量。本文通過最大化這三者間的高階互信息,挖掘符號網絡中隱含的內部信息、外部信息與聯(lián)合信息。

    本算法由局部符號信息擬合、網絡結構擬合、特征屬性向量構造和最大化高階互信息4 個部分組成,其基本框架如圖2 所示。

    圖2 算法整體框架圖

    1) 局部符號信息擬合

    局部符號信息擬合用于得到符號網絡中節(jié)點的局部符號信息。該模塊改進了傳統(tǒng)上下文的節(jié)點嵌入模式,首先根據(jù)節(jié)點的直接鄰居構造正負關系鄰居集,接著基于結構平衡理論,使用新的負采樣方式優(yōu)化節(jié)點嵌入,從而捕捉節(jié)點對與直接鄰居間的符號信息。

    2) 網絡結構擬合

    網絡結構擬合用于進行全局網絡結構傳播擬合。該模塊使用能體現(xiàn)網絡符號信息特征的嵌入作為輸入,經過單層GCN 的聚合,得到體現(xiàn)網絡局部特征的嵌入矩陣H與體現(xiàn)網絡全局特征的概括向量s。

    3) 特征屬性向量構造

    特征屬性向量構造用于得到綜合考慮節(jié)點內在特征的特征屬性向量。在該模塊中對每個節(jié)點計算其度數(shù)、正鄰居節(jié)點數(shù)、負鄰居節(jié)點數(shù)以及體現(xiàn)節(jié)點建立正向鏈接趨勢的指標,并將其構成節(jié)點特征屬性向量。這些指標在傳統(tǒng)符號鏈路預測方式中被證明能夠有效體現(xiàn)節(jié)點特征。

    4) 最大化高階互信息

    最大化高階互信息用于最大化符號網絡節(jié)點的高階互信息,涵蓋節(jié)點嵌入與概括向量之間的外部信息量、節(jié)點嵌入與特征屬性向量之間的內部信息量,以及節(jié)點嵌入與概括向量和特征屬性向量兩者間的聯(lián)合信息量,更有利于全面地捕捉符號網絡隱含的特征信息。

    3.2 局部符號信息擬合

    1) 模型構建

    使用P維向量xi∈RP作為節(jié)點vi∈V的局部符號向量表示,不同節(jié)點vi與vj之 間的相似度P(vi,vj)為:

    式中, σ是sigmoid 函數(shù)。

    基于結構平衡理論,最大化正關系節(jié)點間的相似度,并最小化負關系節(jié)點間的相似度,目標函數(shù)構造為:

    式中,sij∈{1,-1}。

    通過最大化式(5),就可以得到節(jié)點vi的局部符號特征的k維向量表示xi。

    2) 節(jié)點對采樣

    在這里,SNSH 拓展了傳統(tǒng)的負采樣策略,依據(jù)邊的類型,在相應集合中選取負采樣節(jié)點,以使其適用于符號網絡。如對于sij=1的正關系節(jié)點對,該方法從節(jié)點vi與vj的 負鄰居集及進行采樣,來最大化節(jié)點vi與vj之間相對于其負鄰居集中節(jié)點的相似度。同理,對于sij=-1的負關系節(jié)點對,從節(jié)點vi與vj的 正鄰居集及進行采樣,來最小化節(jié)點vi與vj之間相對于其正鄰居集中節(jié)點的相似度。因此,基于條件獨立假設和特征空間的對稱性假設,可以為每個節(jié)點構造目標函數(shù):

    式中,sij=1;siu=-1; σ是sigmoid 函數(shù)。

    3) 模型優(yōu)化

    為了方便計算,改進了傳統(tǒng)的負采樣方式,每次僅優(yōu)化一對節(jié)點及確定數(shù)目的負樣本。同時采用定義虛擬節(jié)點的方法,解決了部分節(jié)點不存在負樣本的問題。

    本模塊采用了創(chuàng)新的負采樣方式,基于詞向量模型及結構平衡理論,對符號網絡中的正負關系進行了擬合,最終得到了可以體現(xiàn)符號網絡特性分布的p維節(jié)點嵌入矩陣X,供后面使用。

    3.3 網絡結構擬合

    在該部分使用一個節(jié)點嵌入編碼器ε=RN×P×RP×d→RN×d來進行網絡結構擬合。模型的輸入是節(jié)點的局部符號信息擬合向量xi∈XP,目標是生成d維節(jié)點嵌入矩陣H(用hi來表示矩陣H的第i行向量)以及概括向量s。該編碼器是一個單層的GCN:

    使用擬合符號結構后的節(jié)點嵌入作為GCN 的輸入,而非重新定義GCN 的傳播模式,并引入ω1,ω2∈R來 控制自連接的權重。較小的 ω1或 ω2表明,節(jié)點本身在生成其嵌入中起著更重要的作用,這也意味著降低了其鄰居節(jié)點的重要性。對于正關系和負關系給予不同的權重,以擬合它們在傳播中對鄰居的不同影響。

    編碼器產生的hi嵌 入了以節(jié)點vi為中心的網絡的區(qū)域特征,而不僅僅是節(jié)點本身。為了得到網絡級別的概括向量s,使用函數(shù)RN×d→Rd,通過聚合節(jié)點特征的方式來得到整圖的特征表示,函數(shù)定義為:

    3.4 特征屬性向量構造

    傳統(tǒng)方法使用節(jié)點的入度、出度、地位、建立正向邊趨勢等屬性對邊符號進行預測[39],實驗表明,這些節(jié)點的特征屬性對節(jié)點的特征學習是有意義的,但它們往往在符號網絡表示學習方法中被忽略。對節(jié)點vi∈V,其特征屬性向量fi∈F表示為:

    式中, dei代 表節(jié)點vi的 度;分別表示節(jié)點vi的 正關系鄰居數(shù)以及負關系鄰居數(shù); pri表示節(jié)點vi建立正向邊的趨勢,其計算方法為:

    3.5 高階互信息估計

    對于符號網絡中的節(jié)點,使用最大化高階互信息來綜合考量3 類變量,分別是節(jié)點嵌入hi、網絡的概括向量s和節(jié)點的特征向量fi。

    根據(jù)高階互信息的定義,當N=3,有:

    該式可進一步化為:

    式中,I(X1;X2,X3)表 示變量X1同 變量X2,X3的聯(lián)合分布之間的互信息。通過使用hi,s和fi替 代X1,X2,X3,可以得到式子:

    式中,I(hi,s)捕獲外部信息量,即節(jié)點局部嵌入h與全局嵌入之間s的依賴;I(hi,fi)捕獲內部信息量,即節(jié)點局部嵌入h與節(jié)點本身特征屬性向量f之間的依賴;I(hi;s,fi)捕獲聯(lián)合信息量,即外部和內部信息量之間的交互。即通過外部信息量、內部信息量和聯(lián)合信息量三者,可以衡量網絡的高階互信息,這3 個信息量的嵌入過程如圖3 所示。在高階互信息最大化模塊,將依次進行目標函數(shù)的構造。

    圖3 外部、內部和聯(lián)合信息量示意圖

    3.6 高階互信息最大化

    通過最大化局部互信息來捕獲整個網絡的高階信息量。根據(jù)式(13),最大化高階互信息等同于最大化3 種局部互信息:

    接下來,給定節(jié)點嵌入矩陣H、概括向量s及其特征屬性向量矩陣F,最大化式(13)中的3 種信息量來對參數(shù)進行優(yōu)化,最終目標函數(shù)為下:

    式中, λE, λI和 λJ是訓練參數(shù)。

    分別計算3 種信息量的交叉熵,外部信息量I(hi;s) 對 應的交叉熵LE為:

    內部信息量I(hi;fi) 對 應的交叉熵LI為:

    聯(lián)合信息量I(hi;s,fi) 對 應的交叉熵LJ為:

    式中,hi和分別是圖G的正節(jié)點嵌入和負節(jié)點嵌入。

    同時,對于聯(lián)合信息量,去除了在外部和內部信息量中所捕獲的信息,因此僅對屬性向量取反。

    DE,DI,DJ分別是3 種表示對分數(shù)的鑒別器,本文參考HDMI,應用了一個簡單的雙線性評分函數(shù):

    4 實驗與分析

    4.1 實驗數(shù)據(jù)集

    為了研究符號網絡中的學習表示,選取了4 個真實的符號網絡數(shù)據(jù)集進行實驗,即Bitcoin-Alpha,Bitcoin-OTC[40-41],Slashdot[42]和New Guinea,表1列出了相關數(shù)據(jù)集的統(tǒng)計信息。

    表1 實驗數(shù)據(jù)集統(tǒng)計信息

    Bitcoin-Alpha 和Bitcoin-OTC 數(shù)據(jù)集都來自支持比特幣消費的開放市場,由于比特幣賬戶的匿名機制,網站出于安全考慮建立了在線信任網絡,用戶可以選擇對他人信任或不信任。Slashdot 是一個技術新聞網站,用戶之間可以創(chuàng)建雙向的好友或敵人關系,代表他們對彼此之間的態(tài)度。New Guinea是一個擁有16 個節(jié)點的數(shù)據(jù)集,表示新幾內亞中部高地16 個部落之間的關系。

    以上4 個數(shù)據(jù)集,都是符號網絡研究領域的經典數(shù)據(jù)集,比較具有代表性。對于這些數(shù)據(jù)集中的網絡,本文忽略其中的鏈接方向,統(tǒng)一將其視為無向網絡進行研究。

    4.2 鏈接符號預測描述

    鏈路符號預測問題,即給定符號網絡中存在的一組鏈接,將其排除在訓練集之外的同時,希望能預測出它們在節(jié)點對之間的符號正負性。

    為此,訓練了一個二分類器,該分類器根據(jù)一對節(jié)點的輸入特征集來預測其對應的符號 (本文使用邏輯回歸模型)。本文將兩個節(jié)點的最終嵌入向量直接相連來作為模型的輸入,并利用訓練數(shù)據(jù)中邊的標簽對模型進行訓練。鑒于數(shù)據(jù)集中正鏈接數(shù)遠多于負鏈接數(shù),同時使用F1 與AUC 兩種指標來評估算法的效果,更高的F1 及AUC 都意味著更好的性能。對于每個數(shù)據(jù)集,隨機選擇50%的數(shù)據(jù)作為測試集,其余50%作為訓練集。

    4.3 鏈路符號預測效果分析

    為了驗證本文提出算法的有效性,選擇了DeepWalk[19]、LINE[24]、SNEA[29]、SGCN[28]、SDGNN[30]這5 個算法,來與SNSH 算法在鏈路符號預測任務上進行對比實驗。在評估SNSH 算法的性能時,將局部符號信息嵌入和高階互信息嵌入拼接以作為線性模型的輸入特征,另外,測試了僅考慮其中一種額外信息量時模型的效果,分別為SNSH-E、SNSH-I、SNSH-J,其實驗結果如表2 和表3 所示。在該部分,選取Bitcoin-Alpha、Bitcoin-OTC 和Slashdot這3 個數(shù)據(jù)集,用以進行實驗效果的分析對比。

    表2 F1 衡量的鏈路符號預測任務算法效果對比

    F1 分數(shù)是用來衡量二分類模型精確度的常用指標,是模型精準率和召回率的調和平均,由于真實符號網絡中絕大部分都是正向邊,因此所有算法得到的F1 分數(shù)都較高,但本文算法還是在所有數(shù)據(jù)集上取得了最好的效果。

    在AUC 指標上,SNSH 同樣獲得了最好的性能。同時可以看到,針對3 個中大型符號網絡數(shù)據(jù)集,SNSH 算法的實驗結果穩(wěn)定,F(xiàn)1 指標分別為0.980、0.976、0.981,AUC 指 標 分 別 為0.921、0.916、0.871,顯示了算法良好的穩(wěn)健性。

    實驗表明,本文方法在所有指標與數(shù)據(jù)集上取得了最佳的效果。并且,僅考慮單一信息量的SNSH模型也取得了超過現(xiàn)有算法的效果。這證明本文選取的信息量,能夠有效提取到真實網絡中的額外信息。SNSH 算法能高效地擬合真實符號網絡中的信息,從而得到有效的向量表示。

    4.4 算法合理性分析

    為了衡量算法對網絡真實結構的擬合效果,接下來進行驗證分析SNSH 學習的嵌入空間是否遵循結構平衡理論的原理。

    分別使用LINE、SGCN 與SNSH 算法對New Guinea 網絡的拓撲結構進行嵌入來進行效果分析。具體來說,分別將網絡作為算法的輸入,經過訓練得到了數(shù)據(jù)集在網絡嵌入后的二維表示,其繪制結果分別如圖4、圖5、圖6 所示。

    圖4 LINE 二維嵌入效果示意圖

    圖5 SGCN 二維嵌入效果示意圖

    在示意圖中,網絡中的正邊用加粗表示,負邊用虛線表示。在由LINE 算法得到的圖4 中,節(jié)點分布雜亂無序,不符合符號網絡的特征。相對而言,從考慮了符號網絡特性的SGCN 算法與SNSH算法得到的圖5 和圖6 可以看出,代表正關系的線條普遍較短,代表負關系的線條普遍較長。這表明具有正邊關系的節(jié)點在二維空間上是接近的,而具有負邊關系的節(jié)點在二維空間上是疏遠的,更符合符號社會網絡的特征,且能與社會結構平衡理論的觀點相印證,即節(jié)點的“朋友”比節(jié)點的“敵人”更近。

    在圖5 和圖6 的對比中,由SNSH 算法得到的圖6 擁有更清晰合理的網絡節(jié)點布局,在部分節(jié)點上優(yōu)于SGCN??梢哉f,SNSH 算法更好地擬合了數(shù)據(jù)集的真實結構,這體現(xiàn)了算法的合理性與解釋性。因此,SNSH 所學習到的嵌入是符合結構平衡理論和符號網絡真實情況的。本文使用的實驗數(shù)據(jù)、相關源代碼和算法的描述等內容詳見鏈接:https://github.com/amoius/SNSH。

    5 結 束 語

    針對現(xiàn)有網絡表示學習領域中符號嵌入方法的缺失與嵌入深度的局限性,本文提出了一種基于結構平衡理論與高階互信息的符號網絡表示學習方法SNSH,來對符號網絡中的隱藏信息進行更深層的挖掘。在不影響甚至提高準確率的情況下,對符號網絡的內部、外部及聯(lián)合信息進行了捕捉,從而得到符合符號網絡特性的節(jié)點嵌入。在3 個真實數(shù)據(jù)集上進行了鏈路符號預測性能的對比實驗,并在New Guinea 數(shù)據(jù)集上進行了可視化實驗,驗證了本文所提模型具有較高的有效性與合理性。未來計劃將算法拓展到復合符號網絡表示學習等問題的研究中。

    猜你喜歡
    互信息信息量高階
    有限圖上高階Yamabe型方程的非平凡解
    高階各向異性Cahn-Hilliard-Navier-Stokes系統(tǒng)的弱解
    滾動軸承壽命高階計算與應用
    哈爾濱軸承(2020年1期)2020-11-03 09:16:02
    基于信息理論的交通信息量度量
    如何增加地方電視臺時政新聞的信息量
    新聞傳播(2016年11期)2016-07-10 12:04:01
    基于互信息的貝葉斯網絡結構學習
    聯(lián)合互信息水下目標特征選擇算法
    基于多尺度互信息量的數(shù)字視頻幀篡改檢測
    計算機工程(2015年4期)2015-07-05 08:29:20
    改進的互信息最小化非線性盲源分離算法
    電測與儀表(2015年9期)2015-04-09 11:59:22
    基于Bernstein多項式的配點法解高階常微分方程
    亚洲成人免费电影在线观看| 男女做爰动态图高潮gif福利片| 看黄色毛片网站| 久久久国产精品麻豆| 999精品在线视频| 国产99久久九九免费精品| 99久久国产精品久久久| 日本精品一区二区三区蜜桃| 男女做爰动态图高潮gif福利片| 精品人妻1区二区| 男女午夜视频在线观看| 亚洲在线自拍视频| 欧美黄色淫秽网站| 1024视频免费在线观看| 国产精品免费一区二区三区在线| 欧美黑人精品巨大| 男女做爰动态图高潮gif福利片| 国产av一区二区精品久久| 巨乳人妻的诱惑在线观看| 亚洲美女黄片视频| 亚洲成人精品中文字幕电影| 亚洲成人精品中文字幕电影| 成人永久免费在线观看视频| 久久伊人香网站| 国产97色在线日韩免费| xxxwww97欧美| 18禁黄网站禁片午夜丰满| 国产午夜精品久久久久久| 午夜免费成人在线视频| 国产精品一区二区精品视频观看| 中文字幕av在线有码专区| 国产av一区在线观看免费| 老司机午夜福利在线观看视频| x7x7x7水蜜桃| 国内毛片毛片毛片毛片毛片| 男女下面进入的视频免费午夜| 三级国产精品欧美在线观看 | 国产一区二区三区在线臀色熟女| 国产精品久久久av美女十八| 亚洲人成网站在线播放欧美日韩| 窝窝影院91人妻| 亚洲欧美精品综合久久99| 国产亚洲av嫩草精品影院| 国产av又大| 香蕉国产在线看| or卡值多少钱| 免费高清视频大片| av视频在线观看入口| 91麻豆精品激情在线观看国产| 国产三级中文精品| 精品福利观看| 成人精品一区二区免费| 日日爽夜夜爽网站| 欧美极品一区二区三区四区| 欧美中文日本在线观看视频| 两人在一起打扑克的视频| 免费在线观看成人毛片| www国产在线视频色| 成人三级做爰电影| 两个人视频免费观看高清| 国产91精品成人一区二区三区| 日日爽夜夜爽网站| 18美女黄网站色大片免费观看| 国产私拍福利视频在线观看| 久久精品国产综合久久久| 国产亚洲欧美98| 亚洲精品中文字幕一二三四区| 一区二区三区激情视频| 亚洲男人的天堂狠狠| 露出奶头的视频| 精品一区二区三区视频在线观看免费| 一卡2卡三卡四卡精品乱码亚洲| 亚洲av熟女| 免费av毛片视频| 脱女人内裤的视频| 少妇裸体淫交视频免费看高清 | 国产主播在线观看一区二区| 亚洲专区中文字幕在线| av免费在线观看网站| 亚洲国产欧美网| 久久久久久亚洲精品国产蜜桃av| 中文字幕精品亚洲无线码一区| 性欧美人与动物交配| 成人三级做爰电影| 黄色a级毛片大全视频| 搡老熟女国产l中国老女人| 色老头精品视频在线观看| 在线观看66精品国产| 99久久99久久久精品蜜桃| 精品久久久久久久久久久久久| 两人在一起打扑克的视频| 亚洲成a人片在线一区二区| 久久草成人影院| 精品欧美一区二区三区在线| 非洲黑人性xxxx精品又粗又长| 国产日本99.免费观看| 国产亚洲欧美98| 日本撒尿小便嘘嘘汇集6| aaaaa片日本免费| 欧美人与性动交α欧美精品济南到| 国产av又大| 欧美日韩一级在线毛片| aaaaa片日本免费| 国产激情久久老熟女| 欧美国产日韩亚洲一区| 欧美色视频一区免费| av视频在线观看入口| 嫩草影院精品99| 一二三四社区在线视频社区8| 一a级毛片在线观看| 精品人妻1区二区| 欧美一区二区精品小视频在线| 在线观看66精品国产| 老司机深夜福利视频在线观看| 一级毛片精品| 亚洲人成网站高清观看| 国产成人啪精品午夜网站| 性欧美人与动物交配| 午夜激情福利司机影院| 成年人黄色毛片网站| av超薄肉色丝袜交足视频| 午夜亚洲福利在线播放| 国产亚洲欧美在线一区二区| 国产私拍福利视频在线观看| 日韩精品免费视频一区二区三区| 色在线成人网| 精品电影一区二区在线| 精品国产超薄肉色丝袜足j| 老熟妇乱子伦视频在线观看| 搡老熟女国产l中国老女人| 久久 成人 亚洲| 一级毛片女人18水好多| 一本精品99久久精品77| www.精华液| 国产成人av激情在线播放| 亚洲av电影不卡..在线观看| 成人国语在线视频| 特大巨黑吊av在线直播| 国产片内射在线| 男男h啪啪无遮挡| 天天一区二区日本电影三级| 久热爱精品视频在线9| 男人舔女人的私密视频| 亚洲精品久久成人aⅴ小说| 中文字幕人成人乱码亚洲影| 国产高清激情床上av| 久久这里只有精品中国| 哪里可以看免费的av片| 51午夜福利影视在线观看| 欧美zozozo另类| 久久久久久久精品吃奶| 男人的好看免费观看在线视频 | 成人欧美大片| 中文字幕高清在线视频| 欧美不卡视频在线免费观看 | 日本 av在线| 亚洲美女黄片视频| 亚洲一区二区三区色噜噜| 国产黄片美女视频| 国产乱人伦免费视频| 手机成人av网站| 白带黄色成豆腐渣| 久久久久国产精品人妻aⅴ院| 搡老熟女国产l中国老女人| 久久精品国产综合久久久| 亚洲av成人一区二区三| 国产亚洲精品综合一区在线观看 | 午夜免费观看网址| 1024香蕉在线观看| 亚洲成人国产一区在线观看| 国产欧美日韩精品亚洲av| 天堂动漫精品| 国产午夜精品久久久久久| 99久久无色码亚洲精品果冻| 99久久国产精品久久久| 欧美国产日韩亚洲一区| 在线观看舔阴道视频| 在线观看www视频免费| 一a级毛片在线观看| 亚洲无线在线观看| 又大又爽又粗| 夜夜夜夜夜久久久久| 级片在线观看| 国产又黄又爽又无遮挡在线| 男女那种视频在线观看| 亚洲av成人精品一区久久| www日本在线高清视频| 97碰自拍视频| 精品乱码久久久久久99久播| 亚洲男人天堂网一区| 久久久久国产精品人妻aⅴ院| 99国产精品99久久久久| 亚洲国产日韩欧美精品在线观看 | 宅男免费午夜| 久久久久久久午夜电影| 嫁个100分男人电影在线观看| 最近在线观看免费完整版| 最近在线观看免费完整版| 亚洲人与动物交配视频| xxxwww97欧美| 成人三级做爰电影| 久久久久精品国产欧美久久久| 国产aⅴ精品一区二区三区波| 50天的宝宝边吃奶边哭怎么回事| 国产探花在线观看一区二区| 一级毛片精品| 在线观看舔阴道视频| 国产乱人伦免费视频| 夜夜看夜夜爽夜夜摸| 久久久久久九九精品二区国产 | 男人的好看免费观看在线视频 | av欧美777| 丝袜美腿诱惑在线| 最近在线观看免费完整版| 婷婷丁香在线五月| 国产精品亚洲美女久久久| 亚洲一区二区三区色噜噜| 日本 av在线| 国产亚洲精品久久久久5区| 女警被强在线播放| 中文字幕精品亚洲无线码一区| 麻豆国产av国片精品| 国产精品亚洲av一区麻豆| 久久热在线av| 欧美不卡视频在线免费观看 | 真人一进一出gif抽搐免费| xxxwww97欧美| 人妻丰满熟妇av一区二区三区| 岛国在线观看网站| 国产精品影院久久| 91字幕亚洲| 日韩精品免费视频一区二区三区| 听说在线观看完整版免费高清| 亚洲成av人片免费观看| 成人18禁在线播放| 欧美乱码精品一区二区三区| 亚洲专区字幕在线| 小说图片视频综合网站| 老熟妇仑乱视频hdxx| 亚洲国产精品999在线| 欧美午夜高清在线| 久久精品综合一区二区三区| 日韩欧美免费精品| 18禁裸乳无遮挡免费网站照片| 亚洲成人久久爱视频| 欧美极品一区二区三区四区| 窝窝影院91人妻| 国产亚洲精品一区二区www| 日韩国内少妇激情av| 妹子高潮喷水视频| 男人舔女人下体高潮全视频| 亚洲狠狠婷婷综合久久图片| 欧美乱妇无乱码| 国产高清videossex| xxx96com| 亚洲成av人片在线播放无| 在线a可以看的网站| avwww免费| 免费人成视频x8x8入口观看| 亚洲第一欧美日韩一区二区三区| 成年女人毛片免费观看观看9| 老司机午夜福利在线观看视频| xxx96com| 日韩国内少妇激情av| 小说图片视频综合网站| 久久久国产欧美日韩av| 亚洲精品美女久久久久99蜜臀| 十八禁人妻一区二区| 国产久久久一区二区三区| 欧美日韩瑟瑟在线播放| 婷婷精品国产亚洲av| 天天躁夜夜躁狠狠躁躁| avwww免费| 琪琪午夜伦伦电影理论片6080| 国产伦人伦偷精品视频| 亚洲五月婷婷丁香| 首页视频小说图片口味搜索| 久久热在线av| 老司机深夜福利视频在线观看| 精品一区二区三区视频在线观看免费| 午夜福利18| 国产高清视频在线观看网站| 性色av乱码一区二区三区2| 日本一二三区视频观看| 国产69精品久久久久777片 | 亚洲欧美激情综合另类| 精品久久久久久久久久久久久| 亚洲av中文字字幕乱码综合| 亚洲真实伦在线观看| 免费看美女性在线毛片视频| 欧美色视频一区免费| 少妇的丰满在线观看| 午夜精品一区二区三区免费看| 在线观看舔阴道视频| 久久精品91蜜桃| 99re在线观看精品视频| 日韩欧美三级三区| 一夜夜www| 精品熟女少妇八av免费久了| 欧美国产日韩亚洲一区| 中文资源天堂在线| 久久久久久免费高清国产稀缺| 午夜福利免费观看在线| 男女视频在线观看网站免费 | 不卡一级毛片| 午夜a级毛片| 国产精品av久久久久免费| 在线观看免费日韩欧美大片| 91麻豆av在线| 精品福利观看| 丁香欧美五月| 婷婷六月久久综合丁香| 搡老妇女老女人老熟妇| 欧美中文日本在线观看视频| 曰老女人黄片| 精品国产美女av久久久久小说| 青草久久国产| 一级毛片精品| 国产男靠女视频免费网站| 少妇裸体淫交视频免费看高清 | 亚洲国产日韩欧美精品在线观看 | 真人一进一出gif抽搐免费| 久久国产精品人妻蜜桃| 国产精品免费视频内射| 婷婷六月久久综合丁香| a在线观看视频网站| 亚洲欧美日韩高清在线视频| 动漫黄色视频在线观看| 99久久精品热视频| 亚洲精华国产精华精| 亚洲第一电影网av| 欧美日韩瑟瑟在线播放| 亚洲av成人不卡在线观看播放网| 视频区欧美日本亚洲| 国产麻豆成人av免费视频| 国产亚洲精品av在线| 国产精品久久久av美女十八| 最近最新免费中文字幕在线| 日韩欧美在线二视频| 不卡av一区二区三区| 亚洲真实伦在线观看| 国产一区二区在线av高清观看| 在线观看免费日韩欧美大片| www.精华液| 欧美激情久久久久久爽电影| 国产av在哪里看| 久久久国产精品麻豆| x7x7x7水蜜桃| 91老司机精品| 又紧又爽又黄一区二区| 丰满人妻一区二区三区视频av | 精品一区二区三区av网在线观看| 亚洲av成人不卡在线观看播放网| 男女之事视频高清在线观看| www.精华液| 亚洲成人久久性| 欧美性猛交╳xxx乱大交人| 婷婷丁香在线五月| 99国产精品一区二区三区| 欧美日韩黄片免| 亚洲18禁久久av| 国产av又大| 亚洲国产日韩欧美精品在线观看 | 人妻久久中文字幕网| 一区二区三区国产精品乱码| 久久精品人妻少妇| 91av网站免费观看| 级片在线观看| 中文亚洲av片在线观看爽| 国产精品,欧美在线| 免费看十八禁软件| 国内精品久久久久精免费| 天天躁狠狠躁夜夜躁狠狠躁| 久久精品成人免费网站| 一级毛片女人18水好多| 国产三级在线视频| 人成视频在线观看免费观看| 亚洲 欧美 日韩 在线 免费| 色噜噜av男人的天堂激情| 成人午夜高清在线视频| 午夜福利成人在线免费观看| 国产免费男女视频| 美女大奶头视频| 亚洲七黄色美女视频| 久久久久国产一级毛片高清牌| 不卡av一区二区三区| 国产成年人精品一区二区| 午夜老司机福利片| 国产免费男女视频| 久久99热这里只有精品18| 黄色片一级片一级黄色片| 国产精品98久久久久久宅男小说| 女生性感内裤真人,穿戴方法视频| 午夜成年电影在线免费观看| 岛国在线观看网站| 久久精品夜夜夜夜夜久久蜜豆 | 19禁男女啪啪无遮挡网站| 后天国语完整版免费观看| 看免费av毛片| 精品不卡国产一区二区三区| 久久久久久人人人人人| 99在线人妻在线中文字幕| 亚洲性夜色夜夜综合| 久久香蕉激情| 看黄色毛片网站| 最好的美女福利视频网| 一个人免费在线观看电影 | 非洲黑人性xxxx精品又粗又长| 国产亚洲精品综合一区在线观看 | tocl精华| 日日爽夜夜爽网站| 国产精品影院久久| 少妇裸体淫交视频免费看高清 | 老熟妇乱子伦视频在线观看| 精品乱码久久久久久99久播| 精品无人区乱码1区二区| 国产精品98久久久久久宅男小说| 亚洲中文av在线| 亚洲男人的天堂狠狠| 国产精品综合久久久久久久免费| 亚洲精品中文字幕一二三四区| 久久人妻av系列| 欧美日本亚洲视频在线播放| www.www免费av| 久久久久免费精品人妻一区二区| 亚洲av美国av| 亚洲男人的天堂狠狠| 精品一区二区三区视频在线观看免费| 中文字幕熟女人妻在线| 欧美极品一区二区三区四区| 男人舔女人的私密视频| a级毛片在线看网站| 色尼玛亚洲综合影院| 两个人的视频大全免费| 午夜亚洲福利在线播放| 亚洲欧美日韩高清在线视频| 国产精品久久久av美女十八| 欧美成狂野欧美在线观看| 亚洲一区二区三区不卡视频| 香蕉av资源在线| 国产日本99.免费观看| 白带黄色成豆腐渣| 国产一区二区激情短视频| 99热这里只有精品一区 | 欧美一级毛片孕妇| 12—13女人毛片做爰片一| 两个人视频免费观看高清| 免费观看精品视频网站| 日韩成人在线观看一区二区三区| 亚洲欧美日韩高清专用| 白带黄色成豆腐渣| 亚洲,欧美精品.| 亚洲人成伊人成综合网2020| 少妇熟女aⅴ在线视频| 日韩欧美一区二区三区在线观看| 国产欧美日韩一区二区精品| 老司机深夜福利视频在线观看| 日韩精品免费视频一区二区三区| 亚洲精品久久国产高清桃花| 免费观看精品视频网站| 午夜福利18| www.www免费av| 中文字幕高清在线视频| 巨乳人妻的诱惑在线观看| 亚洲五月婷婷丁香| netflix在线观看网站| 亚洲美女视频黄频| 亚洲人成电影免费在线| 亚洲自偷自拍图片 自拍| 一进一出好大好爽视频| 无人区码免费观看不卡| 亚洲午夜精品一区,二区,三区| 国产高清视频在线观看网站| 亚洲av电影不卡..在线观看| 老熟妇仑乱视频hdxx| 日日干狠狠操夜夜爽| 免费在线观看日本一区| 少妇被粗大的猛进出69影院| aaaaa片日本免费| 妹子高潮喷水视频| 夜夜爽天天搞| 99久久99久久久精品蜜桃| 亚洲18禁久久av| 国产激情久久老熟女| 人人妻人人澡欧美一区二区| 精品欧美国产一区二区三| 777久久人妻少妇嫩草av网站| 俄罗斯特黄特色一大片| 久久 成人 亚洲| 免费av毛片视频| 免费在线观看亚洲国产| 久久婷婷成人综合色麻豆| av视频在线观看入口| 免费一级毛片在线播放高清视频| 午夜免费观看网址| 成人亚洲精品av一区二区| 国产av在哪里看| 操出白浆在线播放| 全区人妻精品视频| 亚洲一码二码三码区别大吗| 在线国产一区二区在线| 欧美黑人欧美精品刺激| 欧美国产日韩亚洲一区| 天天躁狠狠躁夜夜躁狠狠躁| 欧美乱妇无乱码| 午夜激情av网站| 少妇裸体淫交视频免费看高清 | 国内少妇人妻偷人精品xxx网站 | 久久精品国产亚洲av高清一级| 亚洲国产欧美网| 国产成年人精品一区二区| 国产激情久久老熟女| 亚洲 国产 在线| 国产成人影院久久av| 国产免费男女视频| 19禁男女啪啪无遮挡网站| 国产精品永久免费网站| 国产三级在线视频| 后天国语完整版免费观看| 亚洲色图av天堂| av在线天堂中文字幕| 午夜精品一区二区三区免费看| 日韩精品免费视频一区二区三区| 午夜激情福利司机影院| 精品国产亚洲在线| 日韩av在线大香蕉| 中文资源天堂在线| 久久精品影院6| www.熟女人妻精品国产| 天天躁狠狠躁夜夜躁狠狠躁| 亚洲人成电影免费在线| 亚洲中文字幕日韩| 色播亚洲综合网| 欧美乱色亚洲激情| 欧美日韩中文字幕国产精品一区二区三区| 中文字幕最新亚洲高清| 啦啦啦免费观看视频1| 免费在线观看亚洲国产| 999精品在线视频| 欧美成人一区二区免费高清观看 | 国产激情偷乱视频一区二区| 宅男免费午夜| 亚洲精品国产一区二区精华液| av中文乱码字幕在线| 99精品久久久久人妻精品| 午夜两性在线视频| 男女视频在线观看网站免费 | 视频区欧美日本亚洲| 久久久精品大字幕| 一a级毛片在线观看| 日韩 欧美 亚洲 中文字幕| 午夜老司机福利片| 91字幕亚洲| 国产成人aa在线观看| 我的老师免费观看完整版| 午夜福利视频1000在线观看| 午夜两性在线视频| 亚洲精品久久国产高清桃花| 一边摸一边做爽爽视频免费| 免费看十八禁软件| 亚洲午夜精品一区,二区,三区| 黄频高清免费视频| 香蕉久久夜色| 色综合站精品国产| 成人精品一区二区免费| 黄色视频不卡| 99久久99久久久精品蜜桃| 村上凉子中文字幕在线| 国产精品亚洲av一区麻豆| 国产又色又爽无遮挡免费看| 日韩欧美国产一区二区入口| 91国产中文字幕| 欧美最黄视频在线播放免费| 免费看美女性在线毛片视频| 又紧又爽又黄一区二区| 国产成人av教育| 一区福利在线观看| 夜夜躁狠狠躁天天躁| 淫秽高清视频在线观看| 老熟妇乱子伦视频在线观看| 真人一进一出gif抽搐免费| 人人妻人人澡欧美一区二区| 久久久久精品国产欧美久久久| 亚洲18禁久久av| 在线国产一区二区在线| 中文字幕熟女人妻在线| 欧美不卡视频在线免费观看 | 久久热在线av| 两个人免费观看高清视频| 日本三级黄在线观看| 国产av不卡久久| 国产成+人综合+亚洲专区| 久久亚洲真实| 少妇粗大呻吟视频| 桃色一区二区三区在线观看| 草草在线视频免费看| 精品国产乱子伦一区二区三区| 最近视频中文字幕2019在线8| 又黄又爽又免费观看的视频| 一本久久中文字幕| 国产精品影院久久| 日韩欧美在线二视频| 九色成人免费人妻av| 欧美绝顶高潮抽搐喷水| 丝袜人妻中文字幕| 此物有八面人人有两片| 欧洲精品卡2卡3卡4卡5卡区| 天堂√8在线中文| 欧美日韩瑟瑟在线播放| 制服诱惑二区| 成人国产一区最新在线观看| 亚洲欧美精品综合久久99| 精品国产美女av久久久久小说| 91大片在线观看| 亚洲狠狠婷婷综合久久图片|