文摘
随着网络的崛起战略,不同的企业使用互联网作为一个平台已经蓬勃发展,其中电子商务交易的规模增加了大规模。为了深入探索的作用和优势数据融合和多目标优化技术在消费者在线评论,本文使用了新老评价模型比较方法,算法设计方法,进一步研究多目标研究方法和收集样本,分析技术模型,并简化算法。这将创建一个分析算法模型可以改善和优化消费者当前的在线评论。首先,我们选择电力供应商的平台共有四个手机吸引了32145条评论。基于这项研究在线评论领域的消费者的数量,结果表明,78%的评论是小于55字,表明大多数的在线评论消费者留下的简短评论;与此同时,一小部分消费者留下详细的评论。描述,达到最长的612字。在此基础上,进一步研究算法的效率和功能分析在这篇文章中,我们可以看到DCDG-MOMA用于数和28-7用例1和2,分别是,至少在40-7 50-7,使用的时间是15到20接近PBI,但也比MOMAD算法的时间少得多。这进一步表明该算法实际的决策过程中发挥着有效的作用。已经基本上实现了一种更有效的算法对消费者在线评论的背景下应用数据融合和多目标优化技术。
1。介绍
在过去的几十年里,由于计算机技术的迅速发展,每一个网络平台,好好利用一些可伸缩的在线业务也相应的增加。其中,网上购物已经成为一种重要的动力电子商务在我国的发展。在线采购平台,不一定都是好,也就是说,这个问题未被发现网上购物的存在。在此基础上,这种方法减少双方的信息不对称机制交易已经成为主要的电子商务平台的第一选择,和在线评论目前广泛采用各种网上购物平台。在线评论是可以评估他们的客户在网上购买产品后购物电子商务平台和购买产品的消费者购买后续提供参考。然而,随着互联网的快速发展,这种方法也暴露出自己的瓶颈,需要新技术的集成优化。
多目标优化,在多准则决策作为研究方向,指的是一个多目标优化问题,优化对象的数量是多于一个,和优化应该同时进行。当问题的可变域是一个有限集合,我们称这种类型的问题多目标组合优化问题。多目标优化问题中存在大量在现实世界中,有重要的研究意义。如何设计相应的算法来解决此类问题也吸引了越来越多的学者的注意。本文进一步提出了一种多通道传感器数据融合算法基于自适应反馈调整。该方法具有良好的泛化能力,可以更准确地估计手机位移和动态调整屏幕显示的位置,所以,手机屏幕显示内容顺利,减少频繁的眼睛的焦点,达到舒缓视觉疲劳的影响。与此同时,这对在线评论和质量分析具有重要意义。
消费者也极大地促进了科学技术的发展,特别是在线评论的结合数据融合和多目标优化技术使得这种优势更加明显。许多学者所做的研究。2020年,耆那教徒和Vaidya审查各种报告的大部分作品作者对社交媒体的使用在过去的10年里,恐怖袭击期间如何进行postattack社交媒体分析,以及如何使用社交媒体分析探测到恐怖主义,动荡,和讨厌的行为。为了这个目标,他们使用作为一个未来的反恐研究综述。然而,这种研究路径没有使用技术(1]。2021年,李和香港使用一个在线调查对560亚马逊土耳其机器人用户收集数据。结果表明,感知到的时间压力和感知到购买的不确定性都是与在线评论的启发式处理呈正相关,但与在线评论的系统处理负相关。他们的研究最后讨论了实用和学术意义,以及未来的研究方向。尽管这项研究完成,它缺乏数据支持(2]。2016年,Balakrishnan等人进行了文献计量分析基于超过20000篇文章从Web的科学研究知识的两个重要multienergy系统微型电网和智能电网发展。他们的发现迄今为止underresearched识别领域,提供一种方法对于不同multienergy之间的数据融合系统,并提供实际指导multienergy系统数据融合的实现。实用性是保证,但理论有点不足(3]。2020年,公园等人介绍了出版第二版的综合层次分类(ILC2) free-side知识组织系统(科斯),回顾了第一版相比主要变化引入(ILC1)。ILC2中引入的变化包括以下:一些主要的名称和顺序分类和子分类的发展各种现象。系统可以在线免费访问通过PHP浏览器和SKOS格式。然而,研究过程中有偏差(4]。2019年,Arora提出产业4.0是第四产业演化:“价值创造的互连过程超越了单个公司的边界。“为了实现这一点,必须有强大的互联网接入。集成不应该呆在公司边界,但还应该包括客户和作为数字业务合作伙伴在行业4.0。遗憾的是,它只能作用于工业领域,限制其发展5]。2016年,布里尔关注理论问题,当前的发展,各领域和新兴趋势的领域,包括近期相关文献的详细审查。的编辑委员会和顾问委员会是由学者和实践者在国际公法领域和欧洲法律,以确保审查充分反映出当前的发展和持续发展之间的相互关系这一重要的法律理论和实践领域。但根据这项研究,他不懂6]。在2016年,就等人提出了一种基于粒子群的多目标优化策略与旋转和直线运动行为。exploration-utilization导致的结合提出了认知算法,由多个测试多目标优化函数。通过统计分析,该算法比标准粒子群优化多目标算法。虽然研究过程相当鼓舞人心,遗憾的是,没有结论7]。
本文的创新如下:(1)本研究提供了新的研究方法和思想探索在线评论的影响,也帮助企业完善在线评论的影响,以便采取有针对性的营销措施;(2)的价格(优惠和糟糕的评论)如何网上评论集成的新方法作用于消费者态度的演变更接近现实,具有较强的应用价值;(3)基本的数据采集,本文使用在线评论作为示例数据。与传统方法相比,分析结论将更加科学和有效。通过上述工作,应用基于数据融合和多目标优化的理论更合理,并且模型从这可以更好地有一个全国性的指导程序设计对消费者在线评论和质量分析。
2。在线评论和分析算法的实现方法研究基于数据融合和多目标优化
2.1。消费者在线评论
随着互联网的兴起,口碑的传播不再局限于现实世界,但延伸到虚拟的网络世界。虚拟现实技术是一种全新的实用技术在20世纪发展起来的。虚拟现实技术包括计算机、电子信息和仿真技术,它的基本实现,计算机模拟一个虚拟的环境,给人一种环境沉浸。例如,亚马逊和ebay等外国购物平台推出产品评论功能早在1990年代,这也引起了学者们的关注,网络口碑的影响。在线评论,也称为在线消费者评论,只是网络口碑的主要表现之一(8]。
作为一种在线口碑,在线评论不仅是相关但不同于传统线下口碑。从内涵的角度定义,在线评论与传统线下口碑都非正式和非商业评价产品或服务的信息(9),但他们不仅仅是简单的概念。讨论了两者之间的联系和差异。在线评论的四种常见特征和传统线下口碑如下(10]:(1)高可靠性
传统线下口碑沟通通常是亲戚和朋友之间进行,所以接受者通常信任的信息来源;在线评论是消费者对产品留下的评论,因为评论没有直接经济与商人之间的关系。商家的介绍更客观和可信的11]。(2)双向沟通
不同于单向广告等宣传手段,口碑沟通是双向的,并进一步互动沟通传播者和接收者之间可进行,也可以通过在线评论(12]。(3)更少的干扰
与其他的通讯方式相比,口碑信息是外部因素干扰少,因为口碑;网上评论一般保持一年多来,在互联网上和干扰的程度不13]。(4)无法控制的
在线评论与传统线下口碑沟通。他们都是无形的,无形的。因此,企业很难控制他们的沟通。此外,在不同行业,消费者有不同的传播意图,这将影响潜在消费者的增长率。
在线评论与传统线下口碑的区别也很明显。有三个差异:(1)匿名
因为网上评论在互联网上发布信息,他们可以以最真实的方式表达自己的观点而不违反法律,而不用担心任何风险(14]。(2)不受时间和空间限制
不同于传统口碑,在线购物平台上的评论可以存在很长一段时间,可以被任何人在任何地方和任何时候,从而打破了时间和空间的限制口碑沟通(15]。(3)内容格式
传统线下口碑交流主要是通过语言传播,面部表情,身体动作,等等,而在线评论主要是通过数字信息,如文本、图片、和评级16]。
数字信息传播技术包括理论、方法、技术和系统相关的采集、处理、存储、传播、管理、安全、和数字媒体信息的输出。它包括各种信息技术如计算机技术、通信技术和信息处理技术。综合应用技术,在线评论是一个信息传播的过程从发起者到接收器,如图1。发起者的评论发表评论的内容在互联网上,搜索或接收器接收到需要的信息。这是在线评论的传播过程。
从图可以看出1在线评论的发起者直接决定了在线评论的起源,也是在线评论的传播的基础,这也将直接影响后续产品的消费者的认知和行为(17]。智能感知技术可以分为四类根据不同的对象和目标:基于人体感知技术分析,基于车辆感知技术分析,基于行为分析的感知技术,基于图像分析和感知技术。与此同时,理论梳理也是至关重要的。本文针对现有的分析,总结了相关研究在线评论,如图2。
从图2,分析在线评估研究的几个元素,发起者(动机、专业等),收件人(专业、网络体验等),信息处理过程(榆树和HSM),和在线评论的维度(数量、价等)18]。
2.2。数据融合和多目标优化技术
多通道数据融合指的是综合利用计算机技术来处理多通道数据,以便更准确地感知信息,如目标对象的状态和环境的所在地。数据融合技术是指信息处理技术,使用计算机自动分析和合成几个观测信息获得的时间序列在某些标准以完成所需的决策和评估任务。数据融合技术包括收集、传输、合成、过滤、相关性,从各种信息来源和合成有用的信息,帮助人们在情况/环境的判断、计划、检测、验证和诊断。多通道数据融合研究的重点包括各种模态数据特征提取方法和多通道数据融合算法。融合算法的重点是协调和补充不同的模态数据,提高决策对不确定数据的准确性。数据融合中心融合来自多个传感器的信息,也可以来自多个传感器的信息融合和人机界面的观察事实(这融合通常是决策级融合)。提取症状信息,推理引擎的作用下。匹配知识库中知识的症状,使故障诊断决策,并提供他们的用户。与单模相比,多模系统具有以下优点:(1)提高系统稳定性(2)提高信息的连续性
如今,多目标优化问题越来越广泛使用,涉及许多领域。在日常生活和工程,多个指数通常需要优化,和多个索引通常需要在同一时间进行了优化。大量的问题可以归结为一个类别的同时实现多个目标在某些约束。
多传感器数据融合图所示3根据融合的程度:根据不同层次的融合,它分为数据层融合、特征层融合和决策融合层(19]。
如图3多传感器数据融合可以分为以下几点:(1)数据层融合。所有传感器检测到数据融合,融合数据执行下一步。这种融合方法需要相同类型的传感器来检测数据不丢失原始数据。精度高(20.]。(2)特征层融合。分别提取每个传感器检测到的数据,然后,这些特性是融合。该方法压缩原始数据在一定程度上,减少了后续处理所需的时间,并提高了系统的实时性能。(3)决策融合层。每个传感器检测数据后,进行特征提取和目标识别,然后融合识别结果。这个方法是最不准确的,因为每个传感器都是一个信息高度集中。
“视频网络”技术是当前先进的实时高清视频交换技术,可以实现大规模、高质量、实时、双向、对称的高清视频完整的交换。目前,没有统一的融合的多传感器数据融合的方法,它通常需要根据具体应用背景决定的。加权平均法和神经网络方法是两个典型的数据融合方法基于测量信号(21]。
加权平均法是最简单、最直观的方法来处理信息和数据融合。基本过程如下:
假设传感器是用来测量某一物理量,输出的数据 - - - - - -th传感器 和加权系数 ,然后,每个传感器的输出值加权平均,和加权平均融合的结果如下:
加权平均法的加权平均每个传感器的冗余信息,结果被用作融合值。在应用这种方法时,所使用的系统和传感器必须详细分析了获得正确的重量 。
最大的多目标优化算法和单目标进化算法在计算过程中是个人健身评价策略。一个好的个人健身评价策略的使用和选择策略有很大影响进化算法的性能(22]。
NSGA算法的改进,NSGAII使用快速nondominated排序策略建立一套nondominated。nondominated集的构建方法如下:首先,设置两个参数变量和所有个人的小组 ,把一组个人的 存储在时设置。 ,按顺序执行上面的操作,直到所有人分层和分配一个年级数23]。
用一个数学公式来描述环境中个体的拥挤现象组。假设个人的拥挤距离是 ,的拥挤距离nonboundary个人u计算如下:
其中,和 的目标函数值吗和 附近的人在 - - - - - -目标,和的最大和最小值吗 - - - - - -th目标函数是目标函数的数量。数量, - - - - - -下一代的th基因是通过模拟二进制交叉(24]。
多项式变换节点可以防止人口由于转换到建筑部分优化模式。让是 - - - - - -th基因的 - - - - - -th代个体,和和下一个和未来一代又一代的吗 。个人变异产生的后代 。其中,是一个自定义的参数,根据实际情况调整,叫做变异分布指数(25]。
其中,是指数增长的价值, 是歧视的标准。
多目标优化算法的性能评价主要采用两个方面:收敛解集的解集和分布广度。为了真正反映进化算法的性能,主要用于以下三个评价指标,本文在一代的距离(GD)措施算法收敛的效果;空间分布(SP)主要评估非惯用的统一解集分布的结果,和最大传播布(MS)主要分析非惯用的分布普遍性解集(26]。
GD是用来评估帕累托最优之间的距离面前(PF)和nondominated解集前面(PF)算法获得的均匀分布的理想状态。值定义如下:
对于一个特定的优化问题,在PF是个体的数量,之间的欧几里得距离吗 - - - - - -th点在PF和最近的点在PF在目标空间。SP的主要评价算法的一致性定义结果集分布如下:
其中,代表之间的欧氏距离 - - - - - -th个人在PF和其最近的,是个体的数量在PF (27]。主要是用来测量女士nondominated解集分布的广度得到进化算法和定义如下:
其中,代表的数量目标,和 ,分别代表的最大和最小值 - - - - - -th维度目标函数在PF和 ,分别代表的最大和最小值 - - - - - -维PF的目标函数。
2.3。算法
2.3.1。时间序列预测技术
时间序列是一组数据点按时间顺序排列。时间序列在日常生活中是非常普遍的。例如,某个地方的每周的平均温度,在一周内就餐的人数在餐馆,和某种股票的股票价格在一年内都可以抽象成时间序列进行分析。时间序列预测技术实际上是一个回归预测方法,属于定量预测。其基本原理如下:一方面,它认识到事物的发展的连续性,使用过去的时间序列数据进行统计分析,推断事物的发展趋势。
2.3.2。LSTM
LSTM循环神经网络的一种变体。传统RNN的问题消失梯度的长期依赖,这意味着它会忘记远离时间序列的信息。和LSTM获得学习能力长期依赖通过引入三种阈值(忘记阈值,输入阈值,阈值和输出)和有能力学习时间序列距离信息。一个简单的LSTM网络结构如图4。
如图4,输入,输出是G,以及神经网络的信息将被传递给下一个状态通过循环结构x在此基础上,数字5详细描述了内部LSTM原理。
如图5在图中,代表了乙状结肠激活函数,其值范围从0到1。现在让我们介绍LSTM的遗忘之门。忘记门接收的输出前一刻和当前输入然后通过乙状结肠层选择忘记一些信息。如果乙状结肠输出为0,它将被完全遗忘;如果输出是1,它将完全保留(28]。
LSTM输入门:第一,最后输出和当前输入将通过乙状层和输出 。 代表更新状态的概率。最后输出和当前输入将通过双曲正切层输出候选新状态 。
随后,一个新的状态需要生成,计算出输出忘记门,候选人的新状态输入的大门,更新概率 。
输出门:最后的输出和当前输入将通过乙状结肠层,输出 ,并确定哪些新的状态信息将被输出。然后,这个新国家处理和乘确定的信息输出的新状态。
2.3.3。线性回归
回归的预测建模技术估计目标变量是连续的(29日]。主要预测技术模型是线性回归模型中,移动平均模型、指数平滑模型、趋势外推模型、ARIMA预测模型,马尔可夫预测模型、投入产出预测模型、灰色预测模型、人工神经网络预测模型,等等。在现实中,有许多的应用回归技术,如预测股票市场指数,预测降雨,道路交通等。线性回归分为简单线性回归和多元线性回归。一个变量来估计目标变量是一个简单的线性回归(单变量线性回归)。例如,一个数据集 的观察收集数据,和一个线性模型用于观测数据。
其中,是数据的观察值,这样吗
其中,和简单线性回归的回归系数。这种方法也被称为最小二乘法。它试图最小化之间的误差估计目标变量和真正的目标变量,通过适当的回归系数和 。
找到了回归系数 使以下:
其中,从开始到结束是一个方程,和上面的算法。
3所示。基于数据融合和多目标优化的在线评论和分析算法研究设计和实现方法的实验和结论
3.1。实验装置
为了验证算法的有效性MSIMOPSO提出本文三个多目标优化算法将被用作比较算法仿真实验。这些都是多目标进化算法(MOEA / D)基于分解的想法和遗传算法基于快速nondominated排序,NSGAII,多策略改进的多目标粒子群优化(MIMOPSO)。采用ZDT DTLZ,和一些佛罗里达大学设置为测试函数测试函数。每个比较算法的参数设置和相应的人口规模和评价的时候每个测试函数设置如表所示1。
表2显示了测试函数的设置方法:
上面的算法是独立运行30倍i5处理器,8 G RAM和MATLAB2014a平台。
3.2。模型仿真
为了确定模型中各参数的值,本文获得了一系列的国内知名电子商务网站的数据。根据精炼处理模型(ELM),当消费者没有时间仔细考虑每一块审查信息,他们的决策通常是快速而简单。这种方法通常只需要提取的隐藏含义的信息迅速做出选择,和在实验中可以看出,详细描述和分析可以看到如下。研究表明,评论的数量是很多消费者迅速作出决定的基础。为了探索许多评论对消费者决策的影响,本文收集评论这两类产品的商场使用“笔记本电脑”和“平板电视”作为关键词,主要包括评论的数量和赞美。
本文首先以“笔记本电脑”为例。共有785个产品已经搜查了在商场,其中728产品在线评论。因此,本文收集了258473 728产品的在线评论。因为有些产品在同样的品牌,虽然模型是不同的,很少有不同的配置,和一些产品少于5评论,所以产品可以重新分类。为了计算每个产品的信息强度,本文分类收集的728种产品30品牌,也就是说,每个品牌都代表一个产品,并计算出每个产品在此基础上的信息强度。当然,每个商品的信息强度也可以分开计算,结果不影响实际意义的信息强度计算方法。在本文的仿真中,每个品牌被认为是一个产品,和评论同一品牌下的产品都包含在这个品牌的评论。数据显示在图6。
从图可以看出6数据的支持下,参数在图中,每个品牌产品的信息强度计算公式,计算结果如表所示3。
为了确定信息强度的影响对消费者acceptance-acceptance概率,本文选择3产品来自30个产品模拟,即认为, ;三星、 ;和跳投, 。这三个商品的信息强度分别代表了高强度信息,信息媒介信息强度和低强度的在线评估这些产品的信息。
3.3。数据收集
本文使用GooSeeker网络爬虫软件开发基于Python获取在线评论数据的四个受欢迎的智能手机国内手机,国内手机,外国手机,外国手机网上购物平台。本文爬行的用户名、用户评级评估时间,喜欢,回复,评论的评论文本的细节。评论界面和其他三个手机的评论数据采集方法是类似的,所以我就不重复了。
如表所示4,有32145评论四个手机爬摘要:国内手机,国内手机,外国手机,外国手机。其中,得到了15487条评论的平台,得到了16658条评论平台。每个手机的评论数量基本上是相同的,和评论外国手机的数量略大。评论是近6个月的时间跨度,这基本上是与当前的手机生命周期一致。
然后,研究他们的评论中出现的单词的数量,如图7。
从图可以看出7它是一个词频表基于每个注释的单词计数。这个数字显示,78%的评论是小于55字,表明大多数的在线评论留下的消费者在购物平台上简短的评论;与此同时,一小部分消费者留下了详细描述他们的购物体验。最长的评论已经达到612个单词。
3.4。调查样本和分析
所有的算法,我们比较实验的最终结果。从这些表的数据,我们可以清楚地观察到各MOKP RLG-PLS优于其他算法,MOTSP测试用例。这一结论也表明RLG-PLS具有良好的收敛性能。邻居结构在局部搜索过程中被定义为:为一个解决方案,它的一个邻居可以被删除的两个硬件设备放置,然后,这两个硬件设备是随机选择的前提下满足全部约束。选择两个位置放置,放置后获得一个可行的配置方案是一个新邻居。在这篇文章中,所有算法都使用这邻居结构定义方法。
我们可以看到从表5的价值DCDG-MOMA c-metric指数明显优于算法MOEA / D-LS和MOMAD等。因此,我们可以得到DCDG-MOMA比这些更好的收敛性能比较算法。
为了进一步验证算法的优点和缺点,我们也超体积指数计算的解决方案获得的这些算法,如图8。
如图8,结果DCDG-MOMA IH比对比算法。根据c-metric和IH的值,可以看出DCDG明显优于算法相比,这符合分解方法分析了文章的不足在维护多样性。进一步研究了算法运行时间,请见图9。
从图可以看出9所有算法的计算时间运行不同的衣冠楚楚的测试用例。从这些数据中,我们可以看到,DCDG-MOMA使用1和2场数和28-7用例,分别。至少,时间用于40-7 50-7是15和20接近PBI,但也比MOMAD算法的时间少得多。
3.5。效果分析
迪玛的设备分配问题,解决方案通过DCDG-MOMA和其他算法是一个解集。在实践中,决策者往往选择其中一个解决方案作为最终的实施方案没有任何偏好。在这篇文章中,欧洲货币联盟将被用来确定感兴趣的解决方案,和选择的解决方案将会与解决方案产生的贪婪策略相比,和DCDG-MOMA的实际应用进行分析。如图10数和28-7两个用例,25个独立运行时,使用EMU IH是中值的解决方案。
如图10目标值(质量,OIC)对应于所选择的解决方案和目标生成的值对应于三个解决方案显示贪婪策略。根据这些目标值,通过DCDG-MOMA解决方案是比贪婪随机生成的解决方案的方法,特别是在28-7例子,进一步表明DCDG-MOMA并在实际的决策过程中发挥作用。
4所示。讨论
通过使用一个在线评论的评论在上面的调查,我们讨论的关键因素影响消费者体验的变化在线评论。我在这里有两个直接审查的完整描述。研究结果表明,在线评论的信息强度有非常重要的影响消费者的接受经验。具体地说,他们不太受在线评论的影响。经验的变化,他们有更高的概率接受审查信息,但较低的概率接受信息。这公园类似的结论与之前的研究等。可以看出,消费者更倾向于使用边际信息处理流程审核信息的方法,即掌握要点回顾信息,迅速做出决定。从研究结果可以看出本文的在线评论的数量是一个重要因素影响消费者的决策。同时,先前的研究已经发现,消费者更有可能形成早期阶段相应的产品的印象,基本上是不再受后期在线评论。本文的研究结果发现,个人消费者更容易获得相关的信息,但基本上是影响在验收阶段,这也进一步反映了他们的独立评论。
首先,针对在线评论对消费者态度的影响,公司应采取措施,大力促进越来越多的评论,因为一个产品与大量的评论将会增加消费者的接受审查信息,促使他们更加关注产品。只有当产品吸引消费者的注意,可以进一步鼓励消费者有一定的现有的倾向并鼓励他们进一步接受产品。第二,加强指导在线评论的性质。消费者使用新算法有更高的概率接收和接受审查信息,提高评审的指导,而提出的产品,比如下产品图片,显示一些产品赞扬,这样消费者可以仔细比较评论和产品。结合他们将进一步加深消费者对产品的印象,增加他们的接受产品的可能性。
5。结论
随着电子商务的兴起,网络社区等,在线评论已成为学术界的一个重要领域和公司讨论消费者行为。本文使用多种科学方法,如参数比较法、数据融合方法和算法优化方法;目的是为了收集数据和设计合理的算法模型。本文提出的算法具有良好的效率和能力为消费者服务。本文的缺点如下:首先,该算法具有良好的性能在解决两个目标,但目标数量的增加,部分选择的解决方案的有效性将会削弱即使达到三个目标。其次,这种算法适用在相对常规网络场景中,但它不是明显的在其他不规则的场景,泛化能力不足和缺乏灵活性。因此,在下一步的研究中,我们需要增加算法的分割点,使算法更普遍,接受更广泛的目标,并提高其稳定性和效率与环境变化不会改变。最后,实现本文提出的算法模型可以有更广泛的应用。
数据可用性
的数据支持本研究的发现可以从相应的作者在合理的请求。
的利益冲突
作者声明没有潜在的利益冲突的研究,本文的作者,和/或出版。
确认
这项工作得到了国家社会科学基金(16 bgl089)。