專(zhuān)利名稱(chēng)：基于動(dòng)態(tài)貝葉斯模型的網(wǎng)頁(yè)垃圾檢測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種作弊網(wǎng)頁(yè)檢測(cè)的方法，主要采用一種改進(jìn)的動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)模型為用戶點(diǎn)擊行為建模，對(duì)作弊網(wǎng)頁(yè)進(jìn)行判斷和識(shí)別，屬于信息安全領(lǐng)域。
背景技術(shù)：
搜索引擎是通向當(dāng)今互聯(lián)網(wǎng)的一座橋梁，是網(wǎng)民在海量的網(wǎng)頁(yè)中找到自己感興趣信息的工具。由于網(wǎng)絡(luò)存在巨大的用戶流量，這為廣告提供了一個(gè)巨大的潛在市場(chǎng)。而網(wǎng)絡(luò)廣告高達(dá)3%以上的點(diǎn)擊率可以使得這種潛在對(duì)象轉(zhuǎn)變?yōu)楝F(xiàn)實(shí)的廣告目標(biāo)對(duì)象，進(jìn)而導(dǎo)致直接或者間接的商品購(gòu)買(mǎi)行為。相對(duì)于傳統(tǒng)廣告，這類(lèi)廣告的費(fèi)用相對(duì)較低。于是，一大批急于打開(kāi)市場(chǎng)而又苦于無(wú)法提供巨額廣告費(fèi)的中小廠商便成了網(wǎng)絡(luò)廣告的第一批客戶。 而大量研究結(jié)果顯示，用戶在使用搜索引擎時(shí)只會(huì)瀏覽前幾頁(yè)的返回結(jié)果[1，2，3]，對(duì)于商業(yè)網(wǎng)站而言，就某些查詢(xún)占據(jù)靠前的排序，會(huì)給網(wǎng)站帶來(lái)流量的大幅增加，流量的變大意味著更多的交易。因?yàn)閺?qiáng)大的利潤(rùn)誘惑，搜索引擎優(yōu)化行業(yè)猶如雨后春筍般在快速地發(fā)展。搜索引擎優(yōu)化，是針對(duì)搜索引擎對(duì)網(wǎng)頁(yè)的檢索特點(diǎn)，讓網(wǎng)站建設(shè)各項(xiàng)基本要素適合搜索引擎的檢索原則，從而使搜索引擎收錄盡可能多的網(wǎng)頁(yè)，并在搜索引擎自然檢索結(jié)果中排名靠前，最終達(dá)到網(wǎng)站推廣的目的。追求高排名是搜索引擎優(yōu)化師們的目標(biāo)。通過(guò)了解各類(lèi)搜索引擎如何抓取互聯(lián)網(wǎng)頁(yè)面、如何進(jìn)行索引以及如何確定其對(duì)某一特定關(guān)鍵詞的搜索結(jié)果排名等技術(shù)，來(lái)對(duì)網(wǎng)頁(yè)內(nèi)容進(jìn)行相關(guān)的優(yōu)化，使其符合用戶瀏覽習(xí)慣，提高網(wǎng)站訪問(wèn)量，最終提升網(wǎng)站的銷(xiāo)售能力或宣傳能力。商業(yè)網(wǎng)站都希望通過(guò)各種形式來(lái)干擾搜索引擎的排序，當(dāng)中尤以各種依靠廣告為生的網(wǎng)站為甚。然而，短期內(nèi)大幅提高網(wǎng)站排名是一件困難的事情，一個(gè)頁(yè)面一般需要經(jīng)過(guò)長(zhǎng)期的發(fā)展過(guò)程，才能變得“知名”。因而目前搜索引擎優(yōu)化技術(shù)被很多目光短淺的人，用一些搜索引擎優(yōu)化作弊的不正當(dāng)手段，犧牲用戶體驗(yàn)，一味迎合搜索引擎的缺陷來(lái)提高排名，這種搜索引擎優(yōu)化方法是不可取的，最終也會(huì)受到用戶的唾棄。在建立網(wǎng)站或設(shè)計(jì)網(wǎng)頁(yè)時(shí)使用一些不道德的方法來(lái)操控搜索引擎的排名算法，讓自己的網(wǎng)頁(yè)獲得較高排名，這種做法就是搜索引擎作弊。這樣的網(wǎng)頁(yè)就叫做網(wǎng)頁(yè)垃圾。[1]Craig Silverstein, Hannes Marais, Monika Henzinger, and Michael Moricz. Analysis of a Very Large Web Search Engine Query Log. SIGIR Forum,33 (1) 6-12，1999.[2]Allan Borodin, Gareth 0. Roberts, Jerrey S. Rosenthal, and Panayiotis Tsaparas. Link Analysis Ranking :Algorithms，Theory, and Experiments. ACM Trans. Inter. Tech.，5(1) :231-297,2005.[3]Bernard J Jansen and Amanda Spink.An Analysis of Web Documents Retrieved and Viewed. In The 4th International Conference on Internet Computing， pages 65-69. Las Vegas, Nevada,2003.

發(fā)明內(nèi)容
技術(shù)問(wèn)題本發(fā)明的目的是提供一種基于動(dòng)態(tài)貝葉斯的垃圾網(wǎng)頁(yè)檢測(cè)方法，解決傳統(tǒng)的動(dòng)態(tài)貝葉斯模型存在以下幾點(diǎn)缺點(diǎn)1、全部信息需求總能在某一個(gè)網(wǎng)址對(duì)應(yīng)的網(wǎng)頁(yè)就能滿足，然后結(jié)束本次會(huì)話。但從實(shí)際的用戶搜索經(jīng)驗(yàn)就可以知道，尤其是在信息類(lèi)型的查詢(xún)中，用戶點(diǎn)擊了某個(gè)網(wǎng)址后可能只滿足了部分的需要，然后繼續(xù)往下查找。2、如果上一個(gè)網(wǎng)址的摘要沒(méi)有被查看，下一個(gè)網(wǎng)址的摘要就不會(huì)被查看，這也與實(shí)際情況不符。本發(fā)明是一種改進(jìn)的動(dòng)態(tài)貝葉斯模型，其更符合搜索引擎用戶的行為習(xí)慣。技術(shù)方案本發(fā)明的基于動(dòng)態(tài)貝葉斯模型的網(wǎng)頁(yè)垃圾檢測(cè)方法分為三大部分一.日志分析步驟11)收集網(wǎng)頁(yè)點(diǎn)擊日志；步驟12)對(duì)日志內(nèi)容進(jìn)行分析，提取其中的用戶身份標(biāo)識(shí)號(hào)碼、查詢(xún)?cè)~、結(jié)果排名、是否被點(diǎn)擊、網(wǎng)址等信息；步驟1 按照每個(gè)查詢(xún)?cè)~下所有的用戶身份標(biāo)識(shí)號(hào)碼的個(gè)數(shù)進(jìn)行降序排列，編號(hào)為0，1，2……；步驟14)對(duì)于每個(gè)查詢(xún)?cè)~，以其對(duì)應(yīng)的網(wǎng)址編號(hào)和是否被點(diǎn)擊建立會(huì)話文件，二 .采用期望最大化算法計(jì)算吸引度％和滿意度\步驟21)初始化吸引度知和滿意度\ ；步驟22)由條件獨(dú)立性可推導(dǎo)出事件Ai, Si的后驗(yàn)概率，
Σ Σ Σ=,E^ =e)P{A^a4y.= ^m±m(xù)-γ Mfl^-
2. aAe) βAe)
ee{0,l}公式7
Σ Σ 和)扣=一\smsi\c{)P{c^, =e)^):= ^lM---ζ.公式8其中，ai(e)，)表示前項(xiàng)后項(xiàng)公式；^7表示用戶是否檢查返回結(jié)果列表中第j個(gè)會(huì)話的第i個(gè)網(wǎng)址的摘要；變量CT表示用戶是否點(diǎn)擊返回結(jié)果列表中第j個(gè)會(huì)話的第i個(gè)網(wǎng)址；次表示第j個(gè)會(huì)話的第i個(gè)網(wǎng)址的滿意度的二值變量；4表示第j個(gè)會(huì)話的第i個(gè)網(wǎng)址的吸引度的二值變量-’p、Em =…《)表示滿意的情況下點(diǎn)擊與否的概率； P識(shí)=^7/)表示點(diǎn)擊情況下，滿意與否的概率JfSfi,Eji = O表示在條件4/和< =€下
發(fā)生6'/的條件概率=刁表示瀏覽摘要與否Ei = e的情況下點(diǎn)擊發(fā)生的概率；步驟2 通過(guò)最大化后驗(yàn)概率更新吸引度知和滿意度\
N Mau = argmax^Z7^ =權(quán)撒4 = 0)log(l-^) + ^/ = l)log⑷)+/^)公式 9
a /=I '=1
su = arg max Σ Σ7(《=祖R = 0)log(l-s)= 1)log⑶)+Λ力公式 10
s /=1 '=I其中，<表示第j個(gè)會(huì)話的第i個(gè)位置的網(wǎng)址；U表示網(wǎng)頁(yè)地址；I為示性函數(shù)，即滿足括號(hào)內(nèi)的等式為1，不滿足括號(hào)內(nèi)的等式為O ；P (a)和P (s)表示3和s的先驗(yàn)貝塔分布；a = P(Ci = i|Ei = 1)，表示用戶檢查了第i個(gè)網(wǎng)址的摘要的條件下點(diǎn)擊的概率 ’ s = P(Si = IlCi = 1)，表示用戶點(diǎn)擊了第i個(gè)網(wǎng)址，閱讀內(nèi)容后滿意的概率；步驟24)以步驟23)得到的吸引度％和滿意度\重復(fù)步驟22)、步驟23)；步驟25)迭代20次后，對(duì)網(wǎng)頁(yè)是否為作弊網(wǎng)頁(yè)進(jìn)行預(yù)測(cè)，即迭代后的吸引度％、滿意度^大于等于選定的閾值為正常網(wǎng)頁(yè)，小于選定的閾值為作弊網(wǎng)頁(yè)；三.進(jìn)行驗(yàn)證步驟31)讓10個(gè)志愿者根據(jù)自己的判斷在返回列表的網(wǎng)址中前10個(gè)網(wǎng)址找出作弊的網(wǎng)頁(yè)，認(rèn)為作弊的打分為1，不是作弊為-1，無(wú)法判斷為0;得分最高的3個(gè)網(wǎng)頁(yè)作為查詢(xún)的作弊網(wǎng)頁(yè)；步驟3 通過(guò)提出的評(píng)價(jià)指標(biāo)中的查準(zhǔn)率、召全率、作弊度，來(lái)驗(yàn)證本發(fā)明提出的方法。有益效果由于改進(jìn)的動(dòng)態(tài)貝葉斯模型假設(shè)只有用戶查看了網(wǎng)址并且被該網(wǎng)址吸引后才會(huì)產(chǎn)生一個(gè)點(diǎn)擊，本發(fā)明具有以下一些特殊優(yōu)點(diǎn)和有益成果在改進(jìn)的動(dòng)態(tài)貝葉斯中提出了一個(gè)簡(jiǎn)單有效的方法，認(rèn)為用戶放棄查看下一個(gè)位置的概率與前一次點(diǎn)擊位置的距離有關(guān)。也就是說(shuō)，隨著沒(méi)有找到能吸取注意力的網(wǎng)址的時(shí)間越長(zhǎng)，則越有可能放棄本次查詢(xún)。改進(jìn)的動(dòng)態(tài)貝葉斯是根據(jù)用戶瀏覽搜索引擎結(jié)果返回列表的特點(diǎn)來(lái)建立，因而與其它點(diǎn)擊模型相比，它也更能體現(xiàn)瀏覽行為的本質(zhì)，表明用戶的喜好。也正因?yàn)檫@點(diǎn)，根據(jù)改進(jìn)的動(dòng)態(tài)貝葉斯中實(shí)際的相關(guān)性對(duì)網(wǎng)頁(yè)進(jìn)行排名的結(jié)果反映了用戶的需求。


圖1是本發(fā)明方案的流程圖，rui表示用戶角度的文檔-查詢(xún)對(duì)的相關(guān)性，λ是一個(gè)與排名位置有關(guān)的全局參數(shù)，Y表示瀏覽返回列表的持續(xù)度。圖2是展開(kāi)兩個(gè)時(shí)間幀的動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)。AiG {0,1}一個(gè)會(huì)話中處于位置i的二值吸引變量,Ei e {0,1}一個(gè)會(huì)話中處于位置i的二值檢查變量，Ci e {0,1}一個(gè)會(huì)話中處于位置i的二值點(diǎn)擊變量，Si e {0，1}一個(gè)會(huì)話中處于位置i的二值滿意變量。
具體實(shí)施例方式假設(shè)只有用戶查看了網(wǎng)址的摘要并且被這個(gè)網(wǎng)址吸引后才會(huì)產(chǎn)生一個(gè)點(diǎn)擊，(見(jiàn)圖2)。用戶是否被網(wǎng)頁(yè)吸引的概率僅依賴(lài)于網(wǎng)頁(yè)本身(公式1)。用戶點(diǎn)擊了網(wǎng)址后，可能會(huì)滿意找到的網(wǎng)頁(yè)，也可能認(rèn)為這是一個(gè)不相關(guān)的網(wǎng)頁(yè)，此時(shí)的滿意度確實(shí)是查詢(xún)與網(wǎng)頁(yè)真實(shí)的相關(guān)度，可以根據(jù)該滿意度對(duì)網(wǎng)頁(yè)進(jìn)行排名，它是一個(gè)與位置無(wú)關(guān)的滿意度；如果用戶沒(méi)有點(diǎn)擊該網(wǎng)址，那么可以認(rèn)為網(wǎng)址對(duì)應(yīng)的網(wǎng)頁(yè)是沒(méi)有滿意度的(公式2)。P(Ci = IlEi = O) =0Λ(;=1Κ=1) = (公式 1)P{S, = 116； = 1) = Sui P(Si = OjCi = 0) = 1(公式 2)
6
其中，Ei表示用戶是否檢查返回結(jié)果列表中第i個(gè)網(wǎng)址的摘要，變量Ci表示用戶是否點(diǎn)擊返回結(jié)果列表中第i個(gè)網(wǎng)址，Sui表示用戶是否滿意點(diǎn)擊的第Ui個(gè)網(wǎng)址中的內(nèi)容， Ui表示第i個(gè)位置的網(wǎng)頁(yè)地址。在動(dòng)態(tài)貝葉斯模型中，用戶對(duì)某個(gè)網(wǎng)址對(duì)應(yīng)的網(wǎng)頁(yè)滿意后，規(guī)定用戶將停止本次查詢(xún)，認(rèn)為一個(gè)網(wǎng)頁(yè)已經(jīng)完全滿足了用戶的需求。但是在實(shí)際中，用戶的需求往往會(huì)由多個(gè)網(wǎng)頁(yè)共同提供，多個(gè)網(wǎng)頁(yè)的信息集合才是用戶的最終所求。因此，在改進(jìn)的動(dòng)態(tài)貝葉斯模型中，用戶對(duì)本次網(wǎng)頁(yè)可能獲得一定的滿意度；用戶決定是否查看下一個(gè)網(wǎng)頁(yè)時(shí)，要參考從第一個(gè)網(wǎng)頁(yè)到現(xiàn)在為止所獲得的滿意度之和來(lái)決定(公式3)。其中，7, = lf^，y表示瀏覽返回列表的持續(xù)度。另外在動(dòng)態(tài)貝葉斯模型中，假設(shè)用戶從上往下瀏覽網(wǎng)頁(yè)，直到用戶找到滿意的網(wǎng)頁(yè)，或者放棄本次查詢(xún)；是否放棄僅與一個(gè)常數(shù)相關(guān)，文中并沒(méi)有給出有效的方法求取。在改進(jìn)的動(dòng)態(tài)貝葉斯中提出了一個(gè)簡(jiǎn)單有效的方法，認(rèn)為用戶放棄查看下一個(gè)位置的概率與前一次點(diǎn)擊位置的距離有關(guān)。也就是說(shuō)，隨著沒(méi)有找到能吸取注意力的網(wǎng)頁(yè)的時(shí)間越長(zhǎng)，則越有可能放棄本次查詢(xún)(見(jiàn)公式4)。P (Ei = 11 Sh = 0) =I-Ai (公式 4)其中Λ =^，ri = arg^^ax^ = 1)，表示用戶角度的文檔-查詢(xún)對(duì)的相關(guān)性， M表示網(wǎng)址的總個(gè)數(shù)。建立動(dòng)態(tài)貝葉斯模型需要以下步驟1.收集網(wǎng)頁(yè)點(diǎn)擊日志2.對(duì)日志內(nèi)容進(jìn)行分析處理步驟1)對(duì)日志內(nèi)容進(jìn)行分析，提取其中的用戶身份標(biāo)識(shí)號(hào)碼、查詢(xún)?cè)~、結(jié)果排名、 是否被點(diǎn)擊、網(wǎng)址等信息；步驟2、按照每個(gè)查詢(xún)?cè)~下所有的用戶身份標(biāo)識(shí)號(hào)碼的個(gè)數(shù)進(jìn)行降序排列，編號(hào)為0，1，2……；步驟幻對(duì)于每個(gè)查詢(xún)?cè)~，以其對(duì)應(yīng)的網(wǎng)址編號(hào)和是否被點(diǎn)擊建立會(huì)話文件，文件中一行表示一個(gè)會(huì)話；會(huì)話實(shí)例如下(網(wǎng)址編號(hào)，是否被點(diǎn)擊)011021002130002131會(huì)話實(shí)例的第一行表示第一個(gè)會(huì)話，返回3個(gè)結(jié)果，分別是011021。每?jī)蓚€(gè)數(shù)字為一組，每一組的第一個(gè)數(shù)字表示網(wǎng)址的編號(hào)，第二個(gè)數(shù)字表示對(duì)應(yīng)的網(wǎng)址是否被點(diǎn)擊，“0” 表示沒(méi)有被點(diǎn)擊，“ 1，，表示被點(diǎn)擊。第二行表示第二個(gè)會(huì)話，第三行表示第三個(gè)會(huì)話，表示方式同上。3.基于會(huì)話文件和本發(fā)明提出的動(dòng)態(tài)貝葉斯模型計(jì)算吸引度和滿意度
7CN 102243659 A
說(shuō)明書(shū)
5/6頁(yè)步驟1)由會(huì)話文件計(jì)算公式1-4 ；步驟2~)計(jì)算前項(xiàng)后項(xiàng)公式5、6 ；
權(quán)利要求
1. 一種基于動(dòng)態(tài)貝葉斯模型的網(wǎng)頁(yè)垃圾檢測(cè)方法，其特征在于該方法分為三大部分一.日志分析步驟11)收集網(wǎng)頁(yè)點(diǎn)擊日志；步驟12)對(duì)日志內(nèi)容進(jìn)行分析，提取其中的用戶身份標(biāo)識(shí)號(hào)碼、查詢(xún)?cè)~、結(jié)果排名、是否被點(diǎn)擊、網(wǎng)址等信息；步驟13)按照每個(gè)查詢(xún)?cè)~下所有的用戶身份標(biāo)識(shí)號(hào)碼的個(gè)數(shù)進(jìn)行降序排列，編號(hào)為0， 1,2……；步驟14)對(duì)于每個(gè)查詢(xún)?cè)~，以其對(duì)應(yīng)的網(wǎng)址編號(hào)和是否被點(diǎn)擊建立會(huì)話文件，二.采用期望最大化算法計(jì)算吸引度％和滿意度^ 步驟21)初始化吸引度％和滿意度\ ；步驟22)由條件獨(dú)立性可推導(dǎo)出事件Ai, Si的后驗(yàn)概率，“Σ…碼⑷^{0,1}公式7Σ Σ a,{e)^)I\EM = 一jS/MS/jC/MC/^ =e)Σ 尋)公式8其中，ai(e)，)表示前項(xiàng)后項(xiàng)公式；^7表示用戶是否檢查返回結(jié)果列表中第j 個(gè)會(huì)話的第i個(gè)網(wǎng)址的摘要；變量cy表示用戶是否點(diǎn)擊返回結(jié)果列表中第j個(gè)會(huì)話的第i 個(gè)網(wǎng)址；次表示第j個(gè)會(huì)話的第i個(gè)網(wǎng)址的滿意度的二值變量;4表示第j個(gè)會(huì)話的第i個(gè)網(wǎng)址的吸引度的二值變量;p、Em = <《)表示滿意的情況下點(diǎn)擊與否的概率；/^y 表示點(diǎn)擊情況下，滿意與否的概率；AG |4，E1 = 4表示在條件<和< =e下發(fā)生《的條件概率；Λ^ 為=刁表示瀏覽摘要與否Ei = e的情況下點(diǎn)擊67發(fā)生的概率； 步驟2 通過(guò)最大化后驗(yàn)概率更新吸引度％和滿意度^N Mau = argmax^Z7^ = u){Q{A] = 0)log(l-^) + ^ = l)log(^)) +巧“)公式 9a /=1 /=1N Msu = arg max Σ Σ7(《=敞⑶=0)log(l-s) +^f = 1)log⑶)+Λ力公式 10^ y-i '-ι其中，<表示第j個(gè)會(huì)話的第i個(gè)位置的網(wǎng)址；u表示網(wǎng)頁(yè)地址；I為示性函數(shù)，即滿足括號(hào)內(nèi)的等式為1，不滿足括號(hào)內(nèi)的等式為0 ;P(a)和P (s)表示3和s的先驗(yàn)貝塔分布；a =P (Ci = IEi = 1)，表示用戶檢查了第i個(gè)網(wǎng)址的摘要的條件下點(diǎn)擊的概率；s = P(Si = 11Ci = ι)，表示用戶點(diǎn)擊了第i個(gè)網(wǎng)址，閱讀內(nèi)容后滿意的概率；步驟以步驟2 得到的吸引度％和滿意度^重復(fù)步驟22)、步驟23)； 步驟25)迭代20次后，對(duì)網(wǎng)頁(yè)是否為作弊網(wǎng)頁(yè)進(jìn)行預(yù)測(cè)，即迭代后的吸引度％、滿意度 Su大于等于選定的閾值為正常網(wǎng)頁(yè)，小于選定的閾值為作弊網(wǎng)頁(yè)；三.進(jìn)行驗(yàn)證步驟31)讓10個(gè)志愿者根據(jù)自己的判斷在返回列表的網(wǎng)址中前10個(gè)網(wǎng)址找出作弊的網(wǎng)頁(yè)，認(rèn)為作弊的打分為1，不是作弊為-1，無(wú)法判斷為0 ；得分最高的3個(gè)網(wǎng)頁(yè)作為查詢(xún)的作弊網(wǎng)頁(yè)；步驟3 通過(guò)提出的評(píng)價(jià)指標(biāo)中的查準(zhǔn)率、召全率、作弊度，來(lái)驗(yàn)證本發(fā)明提出的方法。
全文摘要
基于動(dòng)態(tài)貝葉斯模型的網(wǎng)頁(yè)垃圾檢測(cè)方法涉及一種作弊網(wǎng)頁(yè)檢測(cè)的方法，主要采用一種改進(jìn)的動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)模型為用戶點(diǎn)擊行為建模，對(duì)作弊網(wǎng)頁(yè)進(jìn)行判斷和識(shí)別，搜索引擎查詢(xún)?nèi)罩居涗浟擞脩襞c搜索引擎的交互信息。它的內(nèi)容包括查詢(xún)?cè)~、搜索引擎返回的網(wǎng)址、用戶點(diǎn)擊的網(wǎng)址以及時(shí)間戳等信息。日志中被點(diǎn)擊的網(wǎng)址及其點(diǎn)擊順序等信息反映了用戶的喜好。本發(fā)明為日志點(diǎn)擊行為建模，挖掘搜索引擎返回列表序列中網(wǎng)址之間的點(diǎn)擊因果關(guān)系，從用戶的角度說(shuō)明了哪些網(wǎng)址是用戶認(rèn)為和查詢(xún)?cè)~相關(guān)聯(lián)的，得到從用戶角度出發(fā)的網(wǎng)頁(yè)與查詢(xún)的相關(guān)性，它是一種隱含的回饋，從而使作弊網(wǎng)頁(yè)的排名位置靠后，而相關(guān)網(wǎng)頁(yè)的排名則靠前了。
文檔編號(hào)G06F17/30GK102243659SQ20111020027
公開(kāi)日2011年11月16日 申請(qǐng)日期2011年7月18日 優(yōu)先權(quán)日2011年7月18日
發(fā)明者周?chē)?guó)強(qiáng), 常成成, 張衛(wèi)豐, 張迎周, 田先桃, 許碧歡, 陸柳敏 申請(qǐng)人:南京郵電大學(xué)