Web用户行为预测的一种新模型及算法
Web应用中用户行为分析技术研究
Web应用中用户行为分析技术研究随着Web应用不断地迭代和创新，用户行为分析技术也愈发重要。
本文将深入探讨Web应用中用户行为分析技术的研究进展，重点介绍机器学习、数据挖掘和用户画像等方面的技术应用，并探讨未来的发展趋势和挑战。
一、机器学习在用户行为分析中的应用机器学习是一种利用计算机算法从数据中学习模型的技术，因为能够处理大量数据和多维度的信息，因此被广泛应用于Web应用的用户行为分析中。
机器学习所涉及的算法种类较多，其中最常见的如朴素贝叶斯、决策树和随机森林等，下面介绍一些具体应用场景：1. 用户行为预测通过对用户的行为轨迹和历史数据的分析，机器学习算法能够预测用户未来的行为习惯，从而帮助开发者更好地制定营销策略和推荐引擎等。
2. 垃圾邮件过滤利用机器学习算法，根据垃圾邮件的关键词、发送频率和发送时间等特征进行训练，从而识别并过滤掉垃圾邮件，提高用户体验。
3. 推荐引擎将用户的历史行为数据作为输入，使用机器学习算法分析用户的兴趣和偏好，推荐相关的信息或产品，从而提高用户留存率和消费粘性。
二、数据挖掘技术在用户行为分析中的应用数据挖掘技术是一种从大量数据中自动获取知识和信息的过程，可以应用于各个方面，包括用户行为分析。
以下是一些数据挖掘技术在用户行为分析中的实际应用：1. 关联规则挖掘通过挖掘用户行为数据中的交叉项和频繁项，权衡销售成本和利润的最优化策略，帮助企业提高效益。
2. 聚类分析通过聚类分析能够将用户分成多个群体，分析不同群体的特征和趋势等，从而帮助企业制定更有针对性的营销策略。
3. 开发模型数据挖掘技术可以开发出预测、分类和识别模型，实现对用户行为的自动识别和分析，提高精度和效率。
三、用户画像技术在用户行为分析中的应用用户画像是用户信息的可视化表现形式，能够描述用户的特征和行为。
用户画像技术在用户行为分析中的应用已经得到了广泛的应用。
一下是一些用户画像的实际应用：1. 行为分析通过绘制用户画像，企业可以深入了解用户的偏好、需求、习惯、特点，实现智能化的产品、营销策略和广告投放。
基于决策树算法的Web用户行为分析
基于决策树算法的Web用户行为分析随着互联网技术的不断发展，现代化的互联网服务已经成为人们日常生活的重要组成部分。
Web应用程序的用户行为分析渐渐成为互联网企业进行业务决策、优化网站性能、提升用户体验的方式之一。
而决策树算法是一种广泛应用于数据挖掘和机器学习领域的算法，对于Web用户行为分析而言同样具有很大的应用价值。
在本文中，将阐述基于决策树算法的Web用户行为分析的原理和实现方法，以及该算法在Web应用程序开发中的实际应用场景。
一、决策树算法简介决策树算法是一种基于树形结构的分类算法，它的基本原理是将样本从根节点开始逐层划分，并最终使每个叶子节点代表一种类别。
对于Web用户行为分析而言，可以将用户在Web应用程序中的各种行为动作（比如点击、滑动、浏览等）看作是样本的属性值，而用户的行为分类则可以看作是决策树的叶子节点所代表的类别。
决策树算法的训练过程可以通过不断将数据集按照某种划分规则分成更小的数据集并建立子节点的方式来实现。
具体来说，可以使用信息增益、信息增益比或基尼指数等指标来进行划分属性的选择。
最终生成的决策树可以用于对新的用户行为数据进行分类预测。
二、基于决策树算法的Web用户行为分析原理基于决策树算法的Web用户行为分析原理可以归纳为以下三个步骤：1、数据预处理首先需要采集并存储用户在Web应用程序中的行为数据，这些数据包括网页访问记录、点击行为、购物车添加与删除、订单生成等信息。
同时，还需要对这些数据进行清洗和预处理，去除无用数据和异常值。
2、特征提取针对用户行为数据，需要提取出可以反映用户行为模式的特征值。
这些特征值可以包括用户行为频率、用户行为时段、用户行为距离、用户购买意愿等。
同时，还可以使用相关系数、PCA等技术进行特征的筛选和降维，使得决策树算法能够更加高效地进行分类学习。
3、决策树分类在完成特征提取后，就可以使用决策树算法来对用户行为数据进行分类预测。
具体来说，可以使用ID3算法、C4.5算法、CART算法等具有代表性的决策树算法，通过不断对特征进行选择和分裂，最终生成具有较高精确度的决策树模型。
用户行为预测模型构建及其应用
用户行为预测模型构建及其应用随着互联网的普及和快速发展，大量数据被网络平台收集，并提供给企业和个人用于经济与商业活动。
这些数据记录了用户行为和消费习惯，为个性化服务和产品推荐提供了基础。
用户行为预测模型作为一个建立在数据分析与机器学习基础之上的高级数据挖掘工具，可以对用户行为进行深度解读并预测未来的行为趋势，为营销、广告、产品开发等领域提供了更精准、高效的解决方案。
一、用户行为预测模型的基本结构用户行为预测模型通过机器学习算法对历史数据进行训练与预测，为各种应用场景提供人群属性、用户画像、用户需求以及消费趋势等多方面参考指标。
用户行为预测模型的基本结构包括：1. 数据预处理：包括数据清洗、数据融合、特征选择等，将数据按照一定的规则进行筛选和处理，生成数据的输入形式。
2. 数据挖掘算法：根据业务需求选取合适的数据挖掘算法，包括分类算法、回归算法、聚类算法等，建立预测模型。
3. 模型评估：对建立好的模型进行评估，包括训练集和测试集的准确性、精度和模型的拟合度等。
4. 模型预测与应用：使用模型进行实际数据的预测，为企业决策提供参考依据。
二、用户行为预测模型的应用场景1. 个性化推荐：通过分析用户历史行为数据，结合用户的个人喜好、购买习惯、浏览历史等特征，预测用户未来的消费趋势，为用户推荐最合适的商品或服务。
个性化推荐已经成为电商、社交、娱乐等领域营销的一大趋势。
2. 营销策略：通过分析用户的行为数据和消费意向，预测用户可能的购买决策，精准制定营销策略。
通过用户画像的建立，了解用户需求并进行个性化营销，提高转化率和客户粘性。
3. 客户服务：通过分析客户的行为数据，预测客户需求并加以满足，提供更好的售后服务，增强客户满意度和忠诚度。
三、用户行为预测模型建立的难点与解决方案1. 数据质量问题：数据的质量对于建立有效的预测模型具有至关重要的作用。
但是，网络数据的开放性、复杂性以及与其他网站数据的混合使用，都会对数据的质量和完整性产生影响。
Markov的各种预测模型的原理与优缺点介绍
Markov的各种预测模型的原理与优缺点介绍建立有效的用户浏览预测模型，对用户的浏览做出准确的预测，是导航工具实现对用户浏览提供有效帮助的关键。
在浏览预测模型方面，很多学者都进行了卓有成效的研究。
AZER提出了基于概率模型的预取方法，根据网页被连续访问的概率来预测用户的访问请求。
SARUKKAI运用马尔可夫链进行访问路径分析和链接预测，在此模型中，将用户访问的网页集作为状态集，根据用户访问记录，计算出网页间的转移概率，作为预测依据。
SCHECHTER构造用户访问路径树，采用最长匹配方法，寻找与当前用户访问路径匹配的历史路径，预测用户的访问请求。
XU Cheng Zhong等引入神经网络实现基于语义的网页预取。
徐宝文等利用客户端浏览器缓冲区数据，挖掘其中蕴含的兴趣关联规则，预测用户可能选择的链接。
朱培栋等人按语义对用户会话进行分类，根据会话所属类别的共同特征，预测用户可能访问的文档。
在众多的浏览模型中，Markov模型是一种简单而有效的模型。
Markov模型最早是ZUKERMAN等人于1999年提出的一种用途十分广泛的统计模型，它将用户的浏览过程抽象为一个特殊的随机过程——齐次离散Markov模型，用转移概率矩阵描述用户的浏览特征，并基于此对用户的浏览进行预测。
之后，BOERGES等采用了多阶转移矩阵，进一步提高了模型的预测准确率。
在此基础上，SARUKKAI建立了一个实验系统[9],实验表明，Markov预测模型很适合作为一个预测模型来预测用户在Web站点上的访问模式。
1 Markov模型1.1 Markov模型Markov预测模型对用户在Web上的浏览过程作了如下的假设。
假设1（用户浏览过程假设）：假设所有用户在Web上的浏览过程是一个特殊的随机过程——齐次的离散Markov模型。
即设离散随机变量的值域为Web空间中的所有网页构成的集合，则一个用户在Web中的浏览过程就构成一个随机变量的取值序列，并且该序列满足Markov性。
用户行为预测模型
杨 洋 清华大学计算机科学与技术系博士生。 主要研究方向为机器学习与社会网络分 析。SherlockBourne@
参考文献
[1] M. Granovetter. 1973. The strength of weak ties. American Journal of Sociology 78(6):1360~1380
１
0.8
概 0.6 率
0.4
用户
0.5 陌生人
朋友
彼此认识
0.4
概
普通朋友 好朋友
率 0.3
0.2
0.2
0.1
0 糟糕
不快
正常
0
消极
正常
积极
心 情
情 绪
图5 （a） 用户的朋友对用户心情状态的影响 （b）不同类型的朋友对用户心情的影响
23
专题
第 8 卷 第 5 期 2012 年 5 月
时间关联分析
用户当前的心情状态与过去的心情有很大关 系。图4（a）展现了用户在移动社交网络中心情状 态与时间的关联关系。一名用户在此之前拥有“正 心情”（图中以愉悦或兴奋标识），对比其他用
户，他更有可能在当前依然拥有“正心情”。图4 （b）展现了不同心情状态的平均持续时间。总体 上，“正心情”比“负心情”持续的时间更长久。
归4 一 化3 计 数2
1
0
糟糕
不快 正常 愉悦
兴奋
心 情
图2 （a）用户心情与其活动的关联分析 （b）用户心情与其通话/发信息记录的关联分析
等），还要考虑用户的行为（社交影响力）和兴趣 模式。
社交媒体中的用户行为分析与预测模型
社交媒体中的用户行为分析与预测模型随着互联网的普及和社交媒体的广泛应用，用户行为分析与预测在社交媒体领域变得越来越重要。
社交媒体平台拥有庞大的用户群体和海量的数据，这些数据蕴含了用户在社交媒体平台上的行为模式及趋势，能够为运营商提供有针对性的决策依据，提升用户体验，增加平台活跃度。
本文将重点介绍社交媒体中的用户行为分析与预测模型。
一、社交媒体中的用户行为分析（一）用户行为数据的分类与收集在社交媒体平台上，用户的行为通常可以分为两类：显性行为和隐性行为。
显性行为包括用户的点赞、评论、分享等直接反映出的行为；隐性行为则指用户的浏览、观看、搜索等不太直接可见的行为。
对于这两类行为，社交媒体平台可以通过用户日志、点击数据等手段进行获取和分析。
（二）用户行为分析的方法与模型在社交媒体中，用户行为分析的方法主要包括数据挖掘、机器学习和深度学习等。
数据挖掘技术可以通过对用户行为数据的挖掘，发现用户的行为模式和规律；机器学习技术可以通过构建模型，对用户行为进行预测和分类；深度学习技术则可以通过建立深度神经网络，进行用户行为的识别和推荐。
常用的用户行为分析模型包括协同过滤模型、关联规则模型和预测分析模型等。
协同过滤模型是基于用户行为历史数据进行推荐的方法，它能够根据用户的兴趣和行为相似度，将用户推荐给他们可能感兴趣的内容；关联规则模型则能够通过分析用户行为数据之间的关联关系，发现用户间的相互关联，进而提供个性化推荐服务；预测分析模型则可以通过对用户行为数据的建模和分析，预测用户的未来行为。
二、社交媒体中的用户行为预测模型（一）用户行为预测的意义和应用用户行为预测是指根据已有的用户行为数据，预测用户未来的行为趋势和模式。
通过用户行为预测模型，社交媒体平台可以提前了解用户的兴趣和需求，为用户提供更精准的内容推荐和个性化服务，从而增加用户的黏性和活跃度。
此外，用户行为预测模型还可以用于系统优化、广告投放等方面，提升社交媒体平台的盈利能力和用户体验。
基于大数据分析的用户行为预测及个性化推荐算法研究
基于大数据分析的用户行为预测及个性化推荐算法研究随着互联网的快速发展和大数据的广泛应用，个性化推荐算法在电子商务、社交媒体、新闻资讯等领域扮演着至关重要的角色。
通过分析用户的历史行为数据并运用机器学习技术，个性化推荐算法能够预测用户的兴趣和需求，从而提供精准、个性化的推荐服务。
本文将深入探讨基于大数据分析的用户行为预测及个性化推荐算法的研究现状和发展趋势。
一、用户行为预测算法的研究现状大数据时代，用户的各种行为数据呈现出海量、多元、实时的特点。
基于大数据分析的用户行为预测算法的研究旨在通过对用户行为数据的深度挖掘和分析，发现潜在的用户兴趣和行为规律。
目前，常用的用户行为预测算法包括协同过滤算法、内容过滤算法和基于图的推荐算法。
1.协同过滤算法协同过滤算法是一种常见的用户行为预测算法，基于用户的历史行为数据或者用户之间的相似性来进行推荐。
协同过滤算法又可分为基于用户的协同过滤算法和基于物品的协同过滤算法。
前者通过计算用户之间的相似性来推荐给用户相似兴趣的其他用户喜欢的物品，后者则是通过计算物品之间的相似性来为用户推荐相似的物品。
2.内容过滤算法内容过滤算法是一种基于物品内容的推荐算法，通过分析物品的特征和用户的兴趣特点，进行匹配和推荐。
常见的内容过滤算法包括基于关键词的推荐算法和基于文本挖掘的推荐算法。
基于关键词的推荐算法通过提取用户和物品的关键词特征，计算其相似度并进行推荐，而基于文本挖掘的推荐算法则通过分析用户和物品的文本描述信息，进行相应的推荐。
3.基于图的推荐算法基于图的推荐算法是一种新兴的用户行为预测算法，通过构建用户和物品的图结构，分析节点之间的连边关系来进行推荐。
常见的基于图的推荐算法包括基于社交网络的推荐算法和基于知识图谱的推荐算法。
前者通过分析用户在社交网络中的好友关系，发现相似用户并进行推荐，后者则是通过构建知识图谱来描述用户和物品之间的关系，进行相关的推荐。
二、个性化推荐算法的研究现状和发展趋势个性化推荐算法能够根据用户的兴趣和需求，针对每个用户提供独特的推荐服务，提高用户的满意度和体验。
人机交互中的用户行为建模与预测
人机交互中的用户行为建模与预测随着科技的不断进步和人们生活方式的改变，人机交互已经成为了日常生活中不可或缺的一部分。
越来越多的人使用智能设备，而这些设备也越来越聪明，可以通过观察人类的行为来自动化地做出反应和决策。
但是，在实际操作中，我们会发现，不同的人在使用同样的设备或应用时会表现出不同的行为，因此，在人机交互中，如何准确地预测和建模用户行为变得尤为重要。
1. 了解用户需求在人机交互中，了解用户需求是非常关键的一步。
要想准确地建立模型和预测用户行为，必须首先了解用户的真实需求。
这可以通过分析用户的行为数据来实现。
在这个过程中，我们可以使用多种技术，如用户调查、焦点小组讨论和用户反馈等，从而获得更加准确的用户需求信息。
2. 数据清洗和处理在收集到用户行为数据后，接下来的步骤就是对该数据进行清洗和处理。
这是因为，在实际操作中，可能会存在数据错误和偏差，比如数据缺失和无用数据。
因此，我们需要进行数据清洗和处理，以提高模型的准确性和可靠性。
3. 基于机器学习的用户行为建模在用户行为建模中，机器学习是一个十分重要的工具。
通过使用机器学习算法，我们可以从用户的历史行为数据中提取出有用的数据模式，从而预测出用户未来的行为。
在这个过程中，我们可以使用多种机器学习算法，如决策树、神经网络和支持向量机等，以提高模型的精确度和鲁棒性。
4. 行为预测在进行用户行为建模后，接下来的任务就是对用户行为进行预测。
预测模型可以帮助我们了解用户可能采取的行动，从而更好地优化产品和服务。
在预测用户行为时，我们需要考虑多种因素，如时间、地点、用户偏好、设备性能等，以获得最准确的结果。
5. 优化用户体验最终，通过建立数据模型和预测用户行为，我们可以优化用户体验。
通过了解用户的真实需求，我们可以制定更好的产品和服务策略，从而更好地满足用户需求。
通过预测用户行为，我们可以根据用户未来的需求调整产品和服务，提高用户满意度和忠诚度。
总之，在人机交互中，预测用户行为是关键的一步。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Ｍａ ｏ 模 型 。 ｒｖ ｋ
１ 引 言
Ｗｅ ｂ用户访 问互联 网 ， 大部分情 况下是 以超级链 接 为导 绝 航， 实现 页面 间的跳转 。如 果可以预测用户的行为方向 ， 能地 智
定义 ２ ｌＫ －ｒｅ ｒｏ Ａ １ Ｏ ｄｒ ｋｖ模型 满足 以下条件 ： ． Ｍａ Ｋ≥ｌ ｛ ，Ｐ
较低 ， 合 性 能 良好 。 综
关键词
马尔科夫
有 向图 互联 网使用挖 掘 互联 网用 户行为预测
ＮＥＷ ｏＤＥＬ Ｍ ＡＮＤ ＲＥＬＡＴＥＤ ＡＬＧｏｌ ＵＴＨＭ ＦｏＲ ＴＨＥ ＰＲＥＤＩ ＣＴＩ ｏＮ ｏＦ ＥＢ ＥＲ’ ＲＥＣＴＩ Ｗ ＵＳ Ｓ ＤＩ ｏＮＳ
维普资讯
第２ ４卷 第 ３期
２０ ０ ７年 ３月
计算 机 应用与软 件
Ｃｏ ｕ ｅ ｐ ｉ ａｉｎ ｎｄ Ｓ ｆｗａ ｅ ｍｐ ｔ ｒＡｐ ｌｃ ｔ ｓ ａ ｏ ｏ ｔ ｒ
Ｖｏ． ４， ． １ ２ Ｎｏ ３ Ｍａ ． ０ ７ ｒ２ ０
Ａｂ ｔａ ｔ ｓｒ ｃ Ｐ ｅ ｉｔ ｇ ｕ ｅ ＇ ｄ ｒ ｃｉ ｎ ｆ ｃｅ ｔ ｎ ｏ ｒｃｌ ｌ ｂ ｆｇｅ ｔｂ ｎ ｆ ｏ ｔ ｅ ｗ ｂ ｓｔ ｎ ｒ ｏ ｄ ｌ ｓ ｇ ｏ ｏｕ ｉｎ ｒ ｄｃ ｉ ｓ ｒ ｉ ｔ ｓ ｅ ｉ ｉｎ ｌ ａ ｄ ｃ ｒ ｔ ｗｉ ｅ ｏ ｒａ ｅ ｅ ｉ ｔ ｅ ｉ ａ ｄ Ｍａ ｋ ｖ ｍｏ ｅ ｏ ｄ ｓ ｌ ｔ ｎ ｓ ｅ ｏ ｙ ｅ ｙ ｌ ｔ ｈ ｅ ｉ ｏ
（ ｊ 一 －％ 。＝ ｒＸ ： ｊ 一 一Ｘ ） ｌ ≤ ｝ ． 一 Ｐ（ ，… ｌ≤ｉ Ｋ 的 ， ）
模 型称为 Ａ１ ｔＯ ｄｒ ｒｏ 模型 ， ｌ Ｋｈ ｒｅ ｋ ｖ ． － Ｍａ 简称 Ａ ． ｔＭａｋｖ ｕＫｈ ｒｏ 模型 。 ＿
选择 、 提供用户感兴趣 的信 息 ， 可以有 效地 提高 Ｗ ｂ用户使 则 ｅ 用互联 网的效率 。相关 的研究成 果可 以用 来解 决很多 问题 ， 如
ｆ ｉ ｓｂｅｔＢ ｔ ｈ ｒｏ ｏ ｅ ｅｐ ｃ ｌ ｉ ｒｅ ｒｏ ｏｅｓｓｆｒａｌｔ ｒ ｈ ｉ ｅｔ ｍ ｌ ｈ ｈ ｃｍｐ ｘｔ Ｎ ｗ ｍ ｅ ｏ ｔ ｓ ｕｊｃ． ｕ ｔｅＭａｋｖｍ ｄｌ ｓｅｉｌ ｈ ｈ ｏ ｒＭａ ｖ ｍ ｌ ｕ ｅ ｏ ｆ ｍ ｔｅ ｘ ｅ ｅｙ ｉ ｏ ｌ ｉ ． ｅ ｏ ｌ ｒｈ ａｙ ｇ ｄ ｋ ｄ ｏ ｒ ｒ ｇ ｅ ｙ ｄ
ｌｗｅ ｏ ｌｘ ｔ ｔ ｒ ａ ｅ ｉ ｌｎ ｓ ． ｏ ｒｃ ｍｐ ｅ ｉ ｗｉ ｇ ｅ ｔ ｘｂ ｅ ｅ ｓ ｙ ｈ ｌ ｆ Ｋｅ ｗｏ ｄ ｙ ｒｓ Ｍａ ｋ ｖ Ｄｉ ｃｅ ａ ｈ Ｗｅ ｓ ｇ ｎ ｎ Ｐ ｅ ｉｔ ｎ ｏ ｂ ｕ ｅ ｉ ｃ ｉｎ ｒｏ ｒ ｔｄｇ ｐ ｅ ｒ ｂ ｕ ａ ｅ ｍｉ ｉｇ ｒ ｄ ｃｉ ｆ ｏ ｗｅ ｓ ｒＳ ｄｒ ｔ ｓ ｅ ｏ
Ｗｅ 户 行 为 预 测 的 一 种 新模 型 及 算 法 ｂ用
高卫华ห้องสมุดไป่ตู้谢康林
（ 上海交通大学计算机科 学与工程系 上海 ２ ０ ３ ） ０ ０ ０
摘 要
有效地预测互联 网用 户在 浏览过程 中的行为方 向， 可能 有针对 性的提供 其感兴趣 的信 息， 尽 有助于提 高 网站 的服务 质
Ｇａ ｅｈ ａ Ｘｉ ｎ ｌ ｏ Ｗ ｉｕ ｅ Ｋａ ｇ ｉ ｎ
（ ｅａｔｅｔｆＣ ｍ ｕｅ Ｓｉｗ ｎ ｎｉｅｒ ｇ，ｈｎ ｈ ｉ ｉｏｏｇＵ ｉ ｒｔ，ｈｎ ｈ ｉ ０ ０ ０ Ｃ ｉ Ｄｐ ｒ ｎ ｏ ｏ ｐ ｔ ｃ ｔｅ ｄＥ ｇｎｅｉ Ｓａ ｇ ａ ａ ｔ ｎｖ ｓｙ Ｓ ｇ ０ ３ ， ｈｎ ｍ ｒ ｅ ａ ｎ Ｊ ｎ ｅｉ ａ ａ ２ ａ）
量， 最大 限度地 留住客 户。马尔科 夫模 型是解决这一 问题 的一种有效建模方 式。但是该模 型， 尤其是高 阶马 尔科夫模型 的指数级 复
杂度 大大影响 了其实际的应用。建立新 的模型 需要权衡 自身 的预 测准 确度 与复杂度 ， 可能保持 前者， 尽 同时降低后者。结合马 尔科
夫模 型和有 向图特点 ， 出 了一种新的建模方式。新模型具有 与马 尔科夫模 型相 同的预测准确度 ， 是各种 时间、 提 但 空间复杂度 相对
在线推荐 ， 减少 网络延 时， 改善 网站结构 ， 等等。
建 立模 型进 行 Ｗｅ 户行 为预测需 要权衡 模型 复杂 度和 ｂ用 准 确率。Ｍ ｒｏ ａｋｖ模型 以其大的信 息保 留量 ， 而保证 了其预测 从 准确 的特点 而成 为这 方面研究的一个典型模型。但是该模型的 指数级 复杂度严 重影响 了实 际的应 用 。本 文以 Ｍａ ｏ 型和 ｒ ｖ模 ｋ
ｂ ｅ ｎ Ｍａｋ ｖ ｍｏ ｅ ｎ ｉ ｃｅ ａ ｈ ｉ ｐ ｔｆｒ ｒ ｎ ｔｉ ｐ ｐ ｒ Ｉ ｉ ｅｉｎ ｄｔ ａ ｅｔｅ ｓｍｅａ ｃ ｒｃ ｓＭａｋ ｖｍｏ ｅ ｕ ｃ ｓ ａ ｄｏ ｒｏ ｄ ｌａ ｄｄｒ ｔｄ ｇ ｐ ｓ ｕ ｏｗａｄ ｉ ｈｓ ａ ｅ ．ｔ ｓｄ ｓ ｅ ｈ ｖ ｈ ａ ｃ ｕａ ｙａ ｒｏ ｄ ｌｂ ｔｍｕ ｈ ｅ ｒ ｇ ｏ