謝柏林，黎琦，魏娜，鄺建

（廣東外語外貿(mào)大學(xué) 信息科學(xué)與技術(shù)學(xué)院，廣州 510006）

0 概述

社交網(wǎng)絡(luò)已經(jīng)深度融入到人們生活的多個方面，并成為人們獲取信息和發(fā)布信息的一個重要平臺。截至2021 年12 月，我國網(wǎng)民規(guī)模達(dá)10.32 億，其中95%以上的網(wǎng)民使用即時通信，80%以上的網(wǎng)民頻繁使用微信，將近50%的網(wǎng)民頻繁使用微博。

黑客可以從社交網(wǎng)絡(luò)上獲取大量用戶的個人信息，目前，社交網(wǎng)絡(luò)已成為黑客發(fā)起網(wǎng)絡(luò)詐騙的主要場地。例如，2021 年我國將近20%的網(wǎng)民遭遇過網(wǎng)絡(luò)詐騙，其中大部分網(wǎng)絡(luò)詐騙由黑客通過社交網(wǎng)絡(luò)發(fā)起。

近年來，隨著《網(wǎng)絡(luò)安全法》的實施，國家網(wǎng)絡(luò)安全宣傳周等一系列活動的持續(xù)開展，以及媒體對一些網(wǎng)絡(luò)詐騙手段的報道，使我國網(wǎng)民的整體網(wǎng)絡(luò)安全意識有所提升，大部分網(wǎng)民能夠辨別一些簡單的網(wǎng)絡(luò)詐騙。為了提高社交網(wǎng)絡(luò)詐騙的成功率，黑客在發(fā)起詐騙之前，通常會判別目標(biāo)用戶的主要人格特質(zhì)類型，根據(jù)目標(biāo)用戶的主要人格特質(zhì)類型制定與其交流的策略和詐騙手段。這類詐騙危害大，且大部分網(wǎng)民難以識別出這類詐騙。

為提高用戶識別社交網(wǎng)絡(luò)詐騙的能力，面向社交網(wǎng)絡(luò)用戶的人格特質(zhì)識別方法的研究具有重要意義，以便自動識別用戶擁有的主要人格特質(zhì)類型，進(jìn)而得到用戶的主要人格特點，根據(jù)用戶的主要人格特點，提醒用戶黑客可能采取的攻擊策略，進(jìn)而提高用戶識別社交網(wǎng)絡(luò)詐騙的能力，最終達(dá)到防御社交網(wǎng)絡(luò)詐騙的目的。另外，社交網(wǎng)絡(luò)用戶人格特質(zhì)識別的研究在其他方面也有廣泛的應(yīng)用前景，例如用戶心理預(yù)警、個性化推薦［1-2］、網(wǎng)絡(luò)不良言論治理等。

大五人格理論［3］是目前最流行的人格理論，該理論從宜人性（Agreeableness）、開放性（Openness）、盡責(zé)性（Conscientiousness）、神經(jīng)質(zhì)（Neuroticism）和外向性（Extraversion）五個維度來刻畫用戶的人格?；谌烁裉刭|(zhì)詞典和隱半馬爾可夫模型（Hidden semi-Markov Model，HsMM），本文提出面向社交網(wǎng)絡(luò)的人格特質(zhì)識別方法。設(shè)計一種人格特質(zhì)詞典構(gòu)建方法，根據(jù)現(xiàn)有的心理學(xué)詞典和社交網(wǎng)絡(luò)上能反映用戶主要人格特質(zhì)類型的高頻詞來構(gòu)建基準(zhǔn)詞典，基于社交網(wǎng)絡(luò)語料，采用word2vec、增量聚類算法、HowNet來擴(kuò)展基準(zhǔn)詞典。通過對用戶發(fā)表或轉(zhuǎn)發(fā)的文本信息進(jìn)行動態(tài)分析，提取能反映用戶人格特質(zhì)類型的人格特質(zhì)詞，采用隱半馬爾可夫模型從用戶發(fā)表或轉(zhuǎn)發(fā)文本信息的行為過程中判別用戶擁有的主要人格特質(zhì)類型。

1 相關(guān)工作

在社交網(wǎng)絡(luò)用戶人格特質(zhì)識別方面，文獻(xiàn)［4］提出一種面向Twitter 用戶的人格特質(zhì)識別系統(tǒng)。該系統(tǒng)首先從用戶發(fā)表的所有文本信息中提取特征值，然后利用多層感知器神經(jīng)網(wǎng)絡(luò)、樸素貝葉斯、支持向量機(jī)（Support Vector Machine，SVM）分類算法來識別Twitter 用戶的主要人格特質(zhì)類型，即判別Twitter用戶主要擁有人格特質(zhì)類型。該系統(tǒng)選用的文本特征包括用戶朋友數(shù)或粉絲數(shù)，以及每次發(fā)表博文時，博文中包含的鏈接、單詞、負(fù)向情感詞、正向情感詞、情感符號、逗號、冒號、引號的平均個數(shù)等。GOLBECK 等［5］提出根據(jù)用戶的語言特征，以及用戶發(fā)表的平均每條博文包含的單詞、鏈接、標(biāo)簽個數(shù)等特征，并基于回歸分析算法來識別Twitter 用戶的主要人格特質(zhì)類型。ADALI 等［6］提出利用用戶發(fā)表的博文內(nèi)容特征，以及用戶的網(wǎng)絡(luò)特征，并基于回歸分析算法來識別Twitter 用戶的主要人格特質(zhì)類型。SKOWRON 等［7］提出一種同時面向Twitter 和Instagram 用戶的人格特質(zhì)識別方法，該方法首先把用戶分別在Twitter 和Instagram 上產(chǎn)生的數(shù)據(jù)進(jìn)行集成，然后根據(jù)用戶的粉絲數(shù)、朋友數(shù)、用戶分享圖片的亮度或色素等特征，以及用戶的語言特征，并基于隨機(jī)森林回歸算法來識別用戶的主要人格特質(zhì)類型。

LI 等［8］提出根據(jù)用戶的靜態(tài)特征和動態(tài)特征，并基于SVM 分類算法來識別微博用戶的主要人格特質(zhì)類型，其中靜態(tài)特征包括用戶性別、朋友數(shù)、粉絲數(shù)等，動態(tài)特征包括單位時間內(nèi)用戶被提及的次數(shù)、發(fā)表博文的次數(shù)等。WEI 等［9］提出利用用戶的頭像、發(fā)表的博文、表情符號，以及用戶與朋友或粉絲的互動模式中的信息，并基于深度學(xué)習(xí)算法來識別微博用戶的主要人格特質(zhì)類型。XUE 等［10］提出利用用戶的個人信息和發(fā)表博文中的113個特征，并基于標(biāo)簽分布學(xué)習(xí)（Label Distribution Learning，LDL）算法來識別新浪微博用戶的主要人格特質(zhì)類型。LIU 等［11］提出一種面向微博用戶的人格特質(zhì)識別方法，該方法利用用戶發(fā)表的博文語言行為特征，并基于深度學(xué)習(xí)算法來識別微博用戶的主要人格特質(zhì)類型。

WANG 等［12］提出一種面向Facebook 用戶的人格特質(zhì)識別方法，該方法利用用戶的社會網(wǎng)絡(luò)特征、語言特征、情感統(tǒng)計特征、話題特征，并基于Kendall相關(guān)系數(shù)來識別用戶的主要人格特質(zhì)類型。MARKOVIKJ等［13］提出利用用戶的語言特征、社會網(wǎng)絡(luò)特征、屬性統(tǒng)計特征，并基于SMO 分類算法來識別Facebook 用戶的主要人格特質(zhì)類型。FERWERDA 等［14］提出使用徑向基函數(shù)，以及用戶個人簡介中的一些特征，例如工作類型、受教育程度、工作城市、居住城市、移動電話、出生日期、性別、宗教信仰、家庭成員等，識別Facebook 用戶的主要人格特質(zhì)類型。BACHRACH 等［15］提出利用用戶簡介中的一些特征，例如用戶的朋友數(shù)、獲得的點贊數(shù)、上傳的照片數(shù)等，并基于多元線性回歸模型來識別Facebook 用戶的主要人格特質(zhì)類型。ORTIGOSA 等［16］提出利用用戶的社交互動特征，基于分類算法來識別Facebook 用戶的主要人格特質(zhì)類型，其中社交互動特征包括：最近1 個月在Facebook 上發(fā)表信息的不同朋友的個數(shù)、用戶使用Facebook 的時間等。LIU 等［17］提出利用用戶發(fā)表的所有文本的話題信息，基于擴(kuò)展的隱含狄利克雷分布（Latent Dirichlet Allocation，LDA）模型來識別Facebook 用戶的主要人格特質(zhì)類型。ZHENG 等［18］基于用戶的個人信息，利用半監(jiān)督分類算法來識別Facebook 用戶的人格特質(zhì)類型。

BAI 等［19］提出一種面向人人網(wǎng)用戶的人格特質(zhì)識別方法，該方法根據(jù)用戶的41 個特征，例如用戶的性別、年齡、家鄉(xiāng)所在地、平均每次發(fā)表信息所包含的單詞個數(shù)等，然后基于C4.5 分類算法來識別用戶的主要人格特質(zhì)類型。王萌萌等［20］考慮到用戶人格特質(zhì)間的相關(guān)性對用戶人格特質(zhì)識別的影響，提出一種基于加權(quán)非負(fù)矩陣分解的用戶人格特質(zhì)識別模型，以識別社交網(wǎng)絡(luò)用戶的主要人格特質(zhì)類型。XUE 等［21］提出利用深度學(xué)習(xí)方法和語義分析來識別社交網(wǎng)絡(luò)用戶的人格特質(zhì)類型。ZHU 等［22］基于用戶喜愛的圖片，利用卷積神經(jīng)網(wǎng)絡(luò)來識別社交網(wǎng)絡(luò)用戶的人格特質(zhì)類型。TAREAF 等［23］提出利用用戶的喜愛和機(jī)器學(xué)習(xí)分類算法來識別Facebook 用戶的人格特質(zhì)類型。LAI 等［24］基于學(xué)生的在線學(xué)習(xí)行為和擴(kuò)展的最近鄰算法來識別學(xué)生的人格特質(zhì)類型。GUAN 等［25］基于用戶發(fā)表的文本信息和Skipgram 算法來識別社交網(wǎng)絡(luò)用戶的人格特質(zhì)類型。KUMAR 等［26］提出一種基于語言特征、內(nèi)容特征，并利用決策樹和SVM 分類算法來識別用戶人格特質(zhì)類型的系統(tǒng)。YUAN 等［27］利用博文的中文語言特征和機(jī)器學(xué)習(xí)分類算法來識別新浪微博用戶的人格特質(zhì)類型。YANG 等［28］提出一種基于圖卷積網(wǎng)絡(luò)的人格特質(zhì)識別方法。MAROUF 等［29］對比分析了5 種用于人格特質(zhì)識別的特征選擇算法。另外，張磊等［30］綜合分析了現(xiàn)有的一些社交網(wǎng)絡(luò)用戶人格特質(zhì)識別方法，指出了未來研究需要解決的一些問題。

以上大部分方法通過挑選一些屬性，并基于訓(xùn)練好的分類模型來識別用戶擁有的主要人格特質(zhì)類型。這些方法沒有考慮用戶在社交網(wǎng)絡(luò)上發(fā)表或轉(zhuǎn)發(fā)文本信息的行為過程，而用戶的這種行為過程更能體現(xiàn)用戶的主要人格特質(zhì)類型。本文通過構(gòu)建面向社交網(wǎng)絡(luò)的人格特質(zhì)詞典，結(jié)合隱半馬爾可夫模型［31-32］來刻畫用戶在社交網(wǎng)絡(luò)上發(fā)表或轉(zhuǎn)發(fā)文本信息的行為過程，以識別用戶的主要人格特質(zhì)類型。

本文提出的社交網(wǎng)絡(luò)人格特質(zhì)識別方法，通過對用戶發(fā)表或轉(zhuǎn)發(fā)的文本信息進(jìn)行動態(tài)分析，提取出能反映用戶人格特質(zhì)類型的人格特質(zhì)詞，同時采用隱半馬爾可夫模型刻畫用戶發(fā)表或轉(zhuǎn)發(fā)文本信息的行為過程，以判別用戶擁有的主要人格特質(zhì)類型。當(dāng)用戶的主要人格特質(zhì)類型發(fā)生變化時，該方法也可以動態(tài)識別出用戶最新的人格特質(zhì)類型。

2 社交網(wǎng)絡(luò)用戶人格特質(zhì)識別方法

在社交網(wǎng)絡(luò)上，用戶發(fā)表或轉(zhuǎn)發(fā)的文本信息能反映出用戶的主要人格特質(zhì)類型，當(dāng)社會上發(fā)生某件大事時，大部分具有相同主要人格特質(zhì)類型的用戶會發(fā)表或轉(zhuǎn)發(fā)相似的文本信息。本文使用人格特質(zhì)詞典來獲取用戶發(fā)表或轉(zhuǎn)發(fā)的文本信息中能反映用戶主要人格特質(zhì)類型的觀測值，然后采用隱半馬爾可夫模型來刻畫用戶在社交網(wǎng)絡(luò)上發(fā)表或轉(zhuǎn)發(fā)文本信息的行為過程。

本文的人格特質(zhì)詞典把常用的能反映用戶主要人格特質(zhì)類型的詞分為神經(jīng)質(zhì)、宜人性、開放性、盡責(zé)性和外向性。為此，本文提出一種面向社交網(wǎng)絡(luò)的人格特質(zhì)詞典構(gòu)建方法。人格特質(zhì)詞典的構(gòu)建流程如圖1 所示。其中最初的人格特質(zhì)基準(zhǔn)詞典是根據(jù)現(xiàn)有的心理學(xué)詞典和社交網(wǎng)絡(luò)上一些能反映用戶主要人格特質(zhì)類型的高頻詞來建立。

圖1 人格特質(zhì)詞典的構(gòu)建流程Fig.1 Construction process of personality trait dictionary

具有相同主要人格特質(zhì)類型的用戶在使用社交網(wǎng)絡(luò)過程中，其發(fā)表或轉(zhuǎn)發(fā)的文本信息中人格特質(zhì)詞的統(tǒng)計特征一般會隨著時間發(fā)生變化。例如，主要擁有開放性人格特質(zhì)的用戶在發(fā)表或轉(zhuǎn)發(fā)某個文本信息過程中，開放類型人格特質(zhì)詞的加權(quán)和較大，而在另一個文本信息中開放類型的人格特質(zhì)詞加權(quán)和的值較小。本文將人格特質(zhì)詞的不同類型統(tǒng)計特征作為狀態(tài)，令不同狀態(tài)的個數(shù)為I(k)，即由于狀態(tài)與用戶在發(fā)表或轉(zhuǎn)發(fā)文本信息中產(chǎn)生的觀測值不具有一一對應(yīng)的關(guān)系，因此本文假定狀態(tài)的轉(zhuǎn)移過程服從隱馬爾可夫過程。

隱馬爾可夫模型［33］的狀態(tài)持續(xù)時間概率必須服從指數(shù)分布，隱半馬爾可夫模型對此進(jìn)行了擴(kuò)展，使其狀態(tài)持續(xù)時間概率服從任何分布。因此，用戶在發(fā)表或轉(zhuǎn)發(fā)文本信息過程中反映其人格特質(zhì)類型的行為狀態(tài)轉(zhuǎn)移過程實際是一個隱半馬爾可夫模型。

主要擁有第k類人格特質(zhì)的某個用戶在社交網(wǎng)絡(luò)上發(fā)表或轉(zhuǎn)發(fā)文本信息時，其行為的狀態(tài)跳轉(zhuǎn)過程如圖2 所示。其中表示第t個觀測值，表示狀態(tài)轉(zhuǎn)移概率，表示不同狀態(tài)，表示不同狀態(tài)的持續(xù)時間。

圖2 狀態(tài)跳轉(zhuǎn)過程Fig.2 State transition process

本文提出的人格特質(zhì)識別方法分為模型訓(xùn)練和人格特質(zhì)識別兩個階段。

2.1 模型訓(xùn)練階段

本文首先在社交網(wǎng)絡(luò)上采集大量用戶產(chǎn)生的相關(guān)數(shù)據(jù)，然后根據(jù)現(xiàn)有的人格特質(zhì)識別方法選用一些特征，并使用K-means 聚類算法把用戶劃分成5 個不同的簇，并對每個簇中的用戶進(jìn)行人工檢驗和篩選，使得每一個簇中的用戶擁有相同的主要人格特質(zhì)類型。在第k個簇中，提取出用戶在發(fā)表或轉(zhuǎn)發(fā)文本信息時產(chǎn)生的能反映用戶主要擁有第k種人格特質(zhì)類型的觀測序列，并作為同一模型的訓(xùn)練數(shù)據(jù)集。本文采用多序列和基于文獻(xiàn)［32］中的前向-后向算法來訓(xùn)練模型。

其中：平滑系數(shù)ρ=I(k)D(k)(I(k)D(k)+V-2)。

在模型訓(xùn)練結(jié)束后，得到λ（1）、λ（2）、λ（3）、λ（4）、λ（5）的值，分別表示主要擁有不同人格特質(zhì)類型的用戶在發(fā)表或轉(zhuǎn)發(fā)文本信息時的行為模型。

2.2 人格特質(zhì)識別階段

當(dāng)某個用戶在社交網(wǎng)絡(luò)上發(fā)表或轉(zhuǎn)發(fā)文本信息時，采用以下步驟對該用戶的主要人格特質(zhì)類型進(jìn)行識別，其中t的初始值為0：

1）在當(dāng)前時刻，如果該用戶在社交網(wǎng)絡(luò)上發(fā)表或轉(zhuǎn)發(fā)某條文本信息，則令t=t+1，并使用人格特質(zhì)詞典統(tǒng)計的值，1≤k≤5。

3）得到使E(l)≥E(k)成立的l，1≤l≤5。當(dāng)E（l）大于某個閾值時，則得到該用戶擁有的主要人格特質(zhì)類型l，否則跳轉(zhuǎn)到第1 個步驟。

3 實驗測試與結(jié)果分析

新浪微博是我國最大的微博網(wǎng)站，截至2021 年4 月，其日活躍用戶數(shù)已達(dá)到2.3 億。本文在新浪微博上選擇42 210 個活躍用戶（其發(fā)表或轉(zhuǎn)發(fā)博文的數(shù)量大于1 000 條），使用新浪微博的API 采集這些用戶發(fā)表或轉(zhuǎn)發(fā)的所有博文，并保存在數(shù)據(jù)庫中作為構(gòu)建人格特質(zhì)詞典的語料庫。

3.1 人格特質(zhì)詞典構(gòu)建

本文利用現(xiàn)有的停用詞表和一些過濾規(guī)則去除語料庫中的停用詞和無意義的詞，其中無意義的詞分為純數(shù)字的詞語和由非表情符的純標(biāo)點符號組成的字符串兩種。本文把預(yù)處理后語料庫中的詞語等分為Y個互不相交的子集，令y的初始值為1，則人格特質(zhì)詞典的構(gòu)建主要分為以下4 個步驟：1）使用word2vec 計算第y個子集的詞語與基準(zhǔn)詞典各個類別下詞語的相似度；2）基于詞語的相似度，使用增量式聚類算法擴(kuò)展每類人格特質(zhì)詞語的規(guī)模；3）使用HowNet 與人工相結(jié)合的方式來篩選詞語，并更新基準(zhǔn)詞典；4）如果y=Y，結(jié)束循環(huán)；否則令y=y+1，并跳轉(zhuǎn)到第1 個步驟。

經(jīng)過人工篩選，本文得到的基于新浪微博語料的人格特質(zhì)詞典包含2 390 個詞語。該詞典中各人格特質(zhì)類別的詞語數(shù)量分布如表1 所示，其數(shù)據(jù)格式如表2 所示。

表1 人格特質(zhì)詞典的詞語數(shù)量分布Table 1 Word quantity distribution of personality trait dictionary

表2 人格特質(zhì)詞典的詞語數(shù)據(jù)格式示例Table 2 Data format example of word of personality trait dictionary

3.2 人格特質(zhì)識別方法測試

在采集到的新浪微博數(shù)據(jù)集中，人工篩選出主要擁有神經(jīng)質(zhì)、宜人性、開放性、盡責(zé)性、外向性人格特質(zhì)類型的用戶各3 000 名，使用本文構(gòu)建的人格特質(zhì)詞典提取能反映其主要人格特質(zhì)類型的觀測序列，并分別標(biāo)注為Data（N）、Data（A）、Data（O）、Data（C）、Data（E）。

為了訓(xùn)練得到主要擁有神經(jīng)質(zhì)人格特質(zhì)類型的用戶行為模型（用N-HsMM 代表該模型），本文在Data（N）中隨機(jī)抽取2/3 的觀測序列用于模型訓(xùn)練，剩余1/3 的觀測序列用于模型測試。此外，本文在Data（A）中隨機(jī)抽取1/3 的觀測序列用于測試N-HsMM 的性能。同理，采用相同的方式來訓(xùn)練、測試A-HsMM、O-HsMM、C-HsMM、E-HsMM 的性能。A-HsMM 表示主要擁有宜人性人格特質(zhì)類型的用戶行為模型，O-HsMM 表示主要擁有開放性人格特質(zhì)類型的用戶行為模型，C-HsMM表示主要擁有盡責(zé)性人格特質(zhì)類型的用戶行為模型，E-HsMM 表示主要擁有外向性人格特質(zhì)類型的用戶行為模型。各個HsMM 的訓(xùn)練集和測試集信息如表3 所示。N-HsMM 模型的ROC 曲線如圖3 所示。

表3 HsMM 模型的訓(xùn)練集和測試集Table 3 Training and testing sets of HsMM model

當(dāng)本文選擇模型的真正率（True Positive Rate，TPR）為0.913 時，模型的假正率（False Positive Rate，F(xiàn)PR）為0.1。真正率TTPR、假正率FFPR的計算分別如式（25）和式（26）所示：

其中：user(N)表示主要擁有神經(jīng)質(zhì)人格特質(zhì)類型的用戶；user(A)表示主要擁有宜人性人格特質(zhì)類型的用戶。

A-HsMM 模型的ROC 曲線如圖4 所示，當(dāng)模型的FPR 為0.1 時，模型的TPR 為0.907。

圖4 A-HsMM 模型ROC 曲線Fig.4 ROC curve of A-HsMM model

O-HsMM 模型的ROC 曲線如圖5 所示，當(dāng)模型的FPR 為0.1 時，模型的TPR 為0.946。C-HsMM 模型的ROC 曲線如圖6 所示，當(dāng)模型的FPR 為0.1 時，模型的TPR 為0.928。

圖5 O-HsMM 模型的ROC 曲線Fig.5 ROC curve of O-HsMM model

圖6 C-HsMM 模型ROC 曲線Fig.6 ROC curve of C-HsMM model

E-HsMM 模型的ROC 曲線如圖7 所示，當(dāng)模型的FPR 為0.1 時，模型的TPR 為0.965。

圖7 E-HsMM 模型ROC 曲線Fig.7 ROC curve of E-HsMM model

各個HsMM 模型的訓(xùn)練時間和測試時間對比如表4 所示。

表4 各個HsMM 模型的訓(xùn)練時間與測試時間對比Table 4 Training time and testing time comparison among each HsMM model 單位：s

本文提出的方法分為模型訓(xùn)練和人格特質(zhì)識別兩個階段，其中模型訓(xùn)練階段可以線下進(jìn)行。在人格特質(zhì)識別階段中，前向變量每次更新的復(fù)雜度為O（I（k）D（k）+I（k）I（k）），每次更新觀測序列相對模型的平均對數(shù)似然概率時僅涉及到幾十次乘法和幾十次加法，因此該方法具有較快的識別速度。

實驗結(jié)果表明，本文提出的方法具有較優(yōu)的識別性能，通過選取合適的閾值，具有較高的真正率和較低的假正率。

4 結(jié)束語

本文提出一種基于用戶發(fā)表或轉(zhuǎn)發(fā)文本信息行為的人格特質(zhì)識別方法。通過構(gòu)建人格特質(zhì)詞典，提取用戶在發(fā)表或轉(zhuǎn)發(fā)文本信息時產(chǎn)生的人格特質(zhì)詞，使用隱半馬爾可夫模型刻畫用戶的行為過程，通過對擁有不同人格特質(zhì)類型的用戶在發(fā)表或轉(zhuǎn)發(fā)文本信息時的行為模型進(jìn)行訓(xùn)練，并計算每個用戶產(chǎn)生的觀測序列相對于每個模型的平均對數(shù)似然概率。實驗結(jié)果表明，該方法能準(zhǔn)確識別用戶的人格特質(zhì)類型。下一步將優(yōu)化隱半馬爾可夫模型，以提高人格特質(zhì)識別性能并降低誤報率，使本文方法適用于實際的社交網(wǎng)絡(luò)平臺。