一种基于用户兴趣局部相似性的推荐算法

合集下载

短视频平台的内容推荐算法与个性化推送技术

短视频平台的内容推荐算法与个性化推送技术随着短视频平台的兴起和快速发展，人们对于短视频的需求也变得越来越多样化。

为了满足用户的个性化需求，短视频平台不断改进和优化其内容推荐算法和个性化推送技术。

本文将探讨短视频平台的内容推荐算法与个性化推送技术的原理和应用。

一、内容推荐算法的原理内容推荐算法是短视频平台为用户提供个性化推荐内容的核心技术。

内容推荐算法的目标是通过分析用户的个人兴趣、行为习惯和社交关系等数据，为用户推荐最符合其兴趣和偏好的视频内容。

常用的内容推荐算法包括协同过滤、基于内容的推荐和混合推荐等。

1. 协同过滤算法协同过滤算法是一种基于用户行为数据的推荐算法，通过分析用户的历史行为数据，如浏览记录、点赞、评论等，来推测用户的兴趣和偏好。

协同过滤算法可以分为基于用户的协同过滤和基于物品的协同过滤两种。

基于用户的协同过滤通过找出与目标用户兴趣相似的其他用户，并向目标用户推荐这些用户喜欢的视频。

基于物品的协同过滤则通过找出与目标视频相似的其他视频，并向目标用户推荐这些相似视频。

协同过滤算法的优点是能够发现用户的潜在兴趣，但也存在冷启动和稀疏数据等问题。

2. 基于内容的推荐算法基于内容的推荐算法通过分析视频的内容特征和用户的偏好来进行推荐。

该算法将视频进行特征提取，如视频主题、标签、标题等，并通过计算视频与用户偏好的相似度来确定推荐程度。

基于内容的推荐算法的优点是可以解决冷启动和稀疏数据的问题，但也存在无法发现用户的新兴趣和局限于视频内容特征等问题。

3. 混合推荐算法混合推荐算法则是将协同过滤算法和基于内容的推荐算法进行结合，通过综合两种算法得出最终的推荐结果。

混合推荐算法的优点是综合了协同过滤算法和基于内容的推荐算法的优势，能够更全面地考虑用户的兴趣和偏好。

二、个性化推送技术的应用个性化推送技术是短视频平台为用户提供精准视频推送的关键技术。

个性化推送技术通过分析用户的兴趣、行为和社交等数据，将最符合用户偏好的视频推送给用户。

基于用户的协同过滤算法

原理
基于用户的协同过滤算法通过计算用户之间的相似度来评估他们的兴趣相似程度。通常使用余弦相似度来计算用户之间的相似度，该算法通过计算两个用户在多个项目上的评分向量的夹角余弦值来评估他们的兴趣相似程度。夹角越小，相似度越高。
基于用户协同过滤的分类
01
基于用户协同过滤可以分为两类
基于内存的协同过滤和基于模型的协同过滤。
05
基于用户的协同过滤算法的应用案例
电商网站的推荐系统
用户行为数据
通过收集和分析用户在电商网站上的购买、浏览、搜索等行为数据，可以了解用户的兴趣和需求。
用户相似度计算
基于用户行为数据的相似度计算，将用户划分为不同的群体，将具有相似购买行为的用户归为一类。
商品推荐
根据用户所属的群体，以及用户的历史购买和浏览记录，推荐相似的商品或者相关联的商品。
未来发展趋势与研究方向
结合其他推荐算法
如基于内容的推荐、混合推荐等，提高推荐的质量和多样性。
考虑用户的行为模式
挖掘用户的兴趣爱好、行为习惯等信息，提高推荐的准确性。
跨领域应用
将基于用户的协同过滤算法应用于其他领域，如社交网络、电子商务等。
在其他领域的应用前景
社交网络
根据用户在社交网络上的行为，如发表的状态、评论等，挖掘用户的兴趣爱好和社交关系，为广告投放、活动推广等提供支持。
VS
电子商务
结合用户的购买历史、浏览记录等数据，推荐相关的商品或服务，提高用户的购买率和满意度。
THANKS
感谢观看
通过收集用户在电影平台上的观影记录，了解用户的电影喜好和偏好。
02
03
用户相似度计算
电影推荐
基于用户的观影记录，计算用户之间的相似度，将具有相似观影行为的用户归为一类。

协同过滤中基于用户兴趣度的相似性度量方法

协同过滤中基于用户兴趣度的相似性度量方法
嵇晓声，刘宴兵罗来明，
（．１重庆邮电大学计算机科学与技术学院，重庆４０６；２重庆聚购科技发展有限公司，００５．重庆４０６）００５
（ｉｘａｓｅｇｈｔａ．ｏ）ｊ．ｉｈｎ＠ｏｍｉｅｍｏｌ
ｓｍｉａｔｎｔａｉｉｎａｉｌｒｔａｕｒｍｅｔａｖｒｏｆｅｔｏｘｒｍｅｓａｓｔｆｕｅａｉｇｄｔ．Ｔｈｘｅｍｅｔｌｉｌｒｙｏｒｄｔｏｌｓｍｉａｉｙｍｅｓｅｎｎｄｏｅｃｍｅｅｆｃｆｅｔｅｐｒｉｙｏｓｒｒｔｎａａｉｅｅｐｒｎａｉｒｓｌｓｓｏｅｕｔｈｗｔａｔｓｈｔｈｉｍｅｈｄａｅｆｃｉｅｙｏｖｔｓｏｏｎｇｏｔａｉｉａｓｍｉａｔｍｅｈｄ，ａｐｏｉｂｔｅｔｏｃｎｆｔｖｌｓｌｅｈｅｈ￣ｃｍｉｓｆｒｄｔｌｉｌｒｙｅｏｎｉｔｏｎｄｒｖｄｅｅｔｒｒｃｍｍｅｄｔｏｅｕｌｈａｒｄｔｏａｉｌｒｔａｕｅｎ．ｅｏｎａｉｎｒｓｔｔｎｔａｉｉｎｌｓｍｉａｉｍｅｓｒｍｅｔｓｙＫｅｒ：ｓｍｉｒｔ；ｃｌａｏａｉｅｆｌｅｉ；ｒｅｙｗｏｄｓｉｌｉｙｏｌｂｒｔｖｉｔｒｎｇｅｏｍｍｅｄｒｓｔｍ；ｕｅｎｅｅｔｍｅｓｒ；ｒｃｍｍｅｄａｉｎａｇｒｔａｎｅｙｓｅｓｒｉｔｒｓａｕｅｅｏｎｔｌｏｉｈｍｏ

基于用户兴趣特征提取的推荐算法研究

第２８卷第５期
２１年５月０１
计算机应用研究
ＡｐｐｉａｉｎＲｅｅｒｈｏｍｐｕｔｒｌｃｔｏｓａｃｆＣｏｅｓ
Ｖｏ．８Ｎｏ５１２．Ｍａ２１ｖ０１
基用户兴特征提取的推荐算法研究于趣
Ｒｅｏｃｍｍｅｄｔｎａｇｒｔｍｎｆａｕｅｅｔａｔｏａｅｎｕｅｎｅｅｔｎａｉｌｏｉｈｏｅｔｒｘｒｃｉｎｂｓｄｏｓｒｉｔｒｓｓｏ
ＬＩＭｅ —ｉｎ，ＬＩＴｎｇｃｎ，ＬＩＸｉｏｌｎＵｉｌａＵｏ — ｕａ —ｏｇ
ｐｏｉｅｓｔｆｃｏｙｒｃｍｍｅｄｄｓｒｉｅｆｒＷｅｏｓｍｅｓｔｌ，ａｄｔｅｄｎｍｉｔｓｔｆｓｒｒｆｒｎｅａｅｎｒｖｄａｉａｔｒｅｏｓｎｅｅｖｃｂｃｎｕｒｉｙｎｈｙａｃｍｅａｔｉｏｅｅｅｅｃｓｈｄｂｅｏｍｅａｃｕｐ
用户的兴趣特征提取模型，并设计了相应的稚荐算法。通过对用户兴趣特征提取模型的检验和用户兴趣度矩阵的建立，据与目标用户偏好相似的邻居用户对商品的兴趣程度预测用户对未浏览商品的兴趣度，依并选择兴趣度值较高的 Ⅳ 个商品推荐给用户。实验结果表明，用户偏好动态转移的情况下，设计的推荐算法的推荐精在所度和推荐效率明显提高，高了网络用户的满意度。提
ｏｅｗｏｋｃｎｕｒｐｒｆｒｎｃｓ，ａｄｄｅｉｎｅｏｒｓｏｄｉｇｒｃｍｍｅｄｔｏｌｏｉｆｎｔｒｏｓｍｅｅｅｅｅｎｓｇｄａｃｒｅｐｎｎｅｏｎａｉｎａｇｒｔｈｍ．ｅｓ’ｉｔｒｓｄｅｆｆａｕｒｘＵｓｒｎｅｅｔｍｏｌｏｅｔｅｅ — ｔａｔｏｓｔｕｅａｄｂｌｅｎｅｅｔｔｘＢｙｔｅｉｔｒｓｉｇｅｓｏｅｇｏｓｗｈｓｒｆｒｎｅｒｉｌｒｔｈａｇｔｒｃｉｎｗａｒｎｕｉｕｓｒｉｔｒｓｓｍａｒ．ｔｉｈｎｅｅｔｎｎｓｆｎｉｈｂｒｏｅｐｅｅｅｃｓｗｅｅｓｍｉａｏｔｅｔｒｅ

基于用户兴趣的推荐算法研究与实现

基于用户兴趣的推荐算法研究与实现随着互联网的发展和普及，人们对于信息的获取和处理需求越来越强烈，尤其是在面对海量信息的时候。

因此，如何利用用户兴趣为基础，对信息进行精准推荐，成为了一个备受研究者关注的问题。

本文将从什么是用户兴趣、用户兴趣如何获取、用户兴趣与推荐算法、推荐算法的实现等几个方面来深入探讨基于用户兴趣的推荐算法。

一、用户兴趣是什么？用户兴趣是指用户在各个领域、方面、时间、空间等因素影响下，对于某些特定事物或信息的认同、追求、关注等心理状态。

根据用户兴趣的不同，可划分为个人兴趣、社交兴趣、时事兴趣等。

而对于不同平台、应用来说，用户兴趣也会存在一定的差异，这就需要推荐算法能够精准地获取用户的兴趣。

二、如何获取用户兴趣？用户兴趣的获取有许多方式，很多原始数据都可以被转化成用户兴趣。

主要包括以下几种：1. 历史行为数据：包括用户的搜索历史、点击历史、转化历史等信息，这些信息可以反映出用户的兴趣爱好、性格特点等。

2. 人工标记数据：是在对信息进行处理或整理时，由人工为信息打上标签或分类，例如豆瓣电影的分类标签、新浪微博的话题标签等。

3. 基于用户画像的数据：是根据用户的基本信息（如年龄、性别、地域、职业等）推断出用户的兴趣和偏好，例如人群画像分析模型。

三、用户兴趣与推荐算法用户兴趣是推荐系统的基础。

根据用户兴趣的多样性、时效性和复杂性，现有的推荐算法可以分为以下三类：1. 基于内容的推荐算法：主要是通过分析用户过去的行为、喜好和静态属性来推断出用户潜在的喜好，利用信息的元数据进行推荐。

2. 协同过滤算法：主要是利用多个用户相对行为模式的相似性，来推荐与用户兴趣相近的物品。

3. 深度学习算法：主要通过对用户和物品的深度学习处理，进行推理和推荐。

四、推荐算法的实现推荐算法的实现需要综合考虑很多因素，例如数据量、数据质量、算法性能等。

具体地讲，需要用到以下技术：1. 数据预处理：对数据进行清理、去重、过滤、转换等操作，去除噪声、异常值、缺失值等。

人工智能技术如何提高个性化推荐系统的准确性

人工智能技术如何提高个性化推荐系统的准确性随着互联网的快速发展，个性化推荐系统在我们的日常生活中扮演着越来越重要的角色。

无论是在购物网站上的商品推荐，还是在音乐、视频等娱乐平台上的推荐，个性化推荐系统都能够帮助我们快速找到感兴趣的内容。

然而，由于用户的兴趣爱好和需求千差万别，个性化推荐系统的准确性一直是一个亟待解决的问题。

幸运的是，人工智能技术的不断进步为提高个性化推荐系统的准确性提供了新的解决方案。

首先，人工智能技术可以通过分析用户的历史行为和兴趣偏好来提高个性化推荐系统的准确性。

个性化推荐系统通常会记录用户的浏览历史、购买记录等信息，通过分析这些数据，可以了解用户的兴趣爱好和购买偏好。

人工智能技术可以利用机器学习算法对这些数据进行分析和挖掘，从而建立用户的兴趣模型。

通过对用户兴趣模型的不断优化和更新，个性化推荐系统可以更准确地预测用户的兴趣和需求，从而提供更精准的推荐。

其次，人工智能技术可以通过协同过滤算法来提高个性化推荐系统的准确性。

协同过滤算法是一种基于用户行为和兴趣相似性的推荐算法。

它通过分析用户的行为模式，寻找与当前用户兴趣相似的其他用户，然后将这些用户喜欢的内容推荐给当前用户。

人工智能技术可以利用大数据和机器学习算法来加强协同过滤算法的效果。

通过分析大量的用户行为数据，人工智能技术可以更准确地找到与当前用户兴趣相似的其他用户，从而提高个性化推荐系统的准确性。

此外，人工智能技术还可以通过自然语言处理技术来提高个性化推荐系统的准确性。

个性化推荐系统通常会根据用户的搜索关键词和浏览内容来进行推荐。

然而，由于用户的搜索关键词和浏览内容往往存在歧义和多义性，传统的推荐算法很难准确理解用户的真实需求。

人工智能技术可以利用自然语言处理技术对用户的搜索关键词和浏览内容进行语义分析，从而准确理解用户的需求。

通过理解用户的真实需求，个性化推荐系统可以更准确地为用户推荐感兴趣的内容。

综上所述，人工智能技术在提高个性化推荐系统的准确性方面发挥着重要的作用。

基于协同过滤的电影推荐系统

基于协同过滤的电影推荐系统基于协同过滤的电影推荐系统是一种利用用户行为数据来为用户推荐电影的智能系统。

协同过滤是一种利用用户历史行为数据来分析用户兴趣，并根据用户之间的相似性来进行推荐的方法。

在电影推荐系统中，协同过滤能够通过分析用户对电影的评分、收藏、观看等行为数据，找出用户之间的相似性，从而给用户推荐他们可能感兴趣的电影。

基于协同过滤的电影推荐系统通常分为两种类型：基于用户的协同过滤和基于物品的协同过滤。

基于用户的协同过滤是通过计算用户之间的相似性，来给用户推荐和他们兴趣相近的用户喜欢的电影。

而基于物品的协同过滤则是通过计算电影之间的相似性，来给用户推荐和他们喜欢的电影相似的其他电影。

在基于用户的协同过滤中，系统会首先构建一个用户-电影的评分矩阵，矩阵中的每个元素代表用户对电影的评分。

然后通过计算用户之间的相似性，找出和目标用户最相近的若干个用户，根据这些相近用户喜欢的电影来给目标用户推荐电影。

而在基于物品的协同过滤中，系统会首先构建一个电影-用户的评分矩阵，然后通过计算电影之间的相似性，找出和目标电影最相似的若干个电影，根据这些相似电影的评分来给用户推荐电影。

除了基于协同过滤的电影推荐系统，还有基于内容的推荐系统、混合推荐系统等多种推荐算法。

基于内容的推荐系统是通过分析电影的属性、类型、关键词等内容信息来进行推荐，而混合推荐系统则是将不同的推荐算法进行结合，综合利用它们的优点来进行推荐。

总的来说，基于协同过滤的电影推荐系统是一种比较常用且有效的推荐算法，它能够通过分析用户行为数据，为用户提供个性化的推荐服务。

随着大数据和人工智能的发展，电影推荐系统也将变得越来越智能化和个性化，为用户带来更好的观影体验。

基于用户语义相似性的协同过滤推荐算法

摘要：为了解决协同过滤推荐中的稀疏性问题，提出一种基于用户语义相似性的协同过滤推荐算法。算法考虑到项目之间内在的语义关系，通过构建领域本体来计算项目之间的语义相似度，并综合项目语义相似度和用户评分数据来度量用户语义相似性。实验结果表明，该算法在用户评
ＤＯｔ：１０．３９６９／ｊ．ｉｓｓｎ．２０９５— ５０９Ｘ．２０１３．０１．０１９
基于用户语义相似性的协同过滤推荐算法
李想，周良
（南京航空航天大学计算机科学与技术学院，江苏南京２１００１６）
图１基于用尸语义相似性的协同过滤推荐流程图
根据图１中描述的推荐流程，首先利用项目的
收集用户兴趣信息并构建行推荐。文献［３］提出了一种基于本体用户模型的个分类信息构建领域本体，用户兴趣模型由分类本体树中的叶性化推荐算法，利用本体构建用户兴趣模型，并通过用户兴趣模型，然后，根据领域本体内改进的相似度计算方法来计算用户相似度。文献［４］子节点和相应的评分组成；综合项提出了一种领域知识驱动的协同过滤推荐算法，通过部的语义关系计算项目之间的语义相似度，目语义相似度和用户评分数据来对余弦相似性方项目语义相似度计算用户之间的语义相似度，同时结以此来计算用户语义相似度，并合用户评分相似性和用户语义相似性计算用户最近法进行语义扩展，为目标用户产生最近邻居集；最后，根据用户最近邻，有效地改善了推荐质量。本文提出了一种基于用户语义相似性的协同邻居集的评分产生ＴｏｐＮ推荐。过滤推荐算法。其核心在于利用领域本体中概念基于用户语义相似性的协同过滤推荐算法之间的关系来描述项目之间的语义关系，同时利用２．１计算项目语义相似度语义扩展的余弦相似性方法来改进传统的用户相２领域本体通常用来描述某个领域内的概念以似性度量方法，并以此来计算用户语义相似性。该及概念之间的关系，领域本体中的上层概念是下层算法能够很好地克服协同过滤中数据稀疏性导致

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)。

ｔｅｓｍｉｒｙｂｔｅｓｒｒｌｉｇＯｌａｉｌｉｍｓｗｉｈｉｃｍｍｏｎｅｅｔ，ｎｔｎａｌｃｍｍｏａｅｔｍｓＢｓｄｓｔｈｉｌｉｅｗｅｎｕｅｓｅｙｎｉｐｒａｔｔｔｅｒｏａｔｔｅｈｎｉｔｒｓｓｏｏｏｌｎｒｔｄｉｅ．ｅｉｅ，ｉ
骤，于用户间潜在的局部相似的兴趣，结合项目资源属性和项目评分矩阵来预测项目评分，而给用户推荐感兴基并进
趣的个性化资源，理论上在提高推荐精度、克服稀疏性问题上均有改善。同时实验表明，极具稀疏性的数据集上，在该
Ａｂｔａｔｓｒｃ：Ｃｏｌｂｒｔｅｆｔｒｇｉｏｅｏｈｓｕｃｓｆｌｔｃｎｑｅｏｕｌｉｇｒｃｍｍｅｄｒｓｓｅ，ａｄｉｌｏａｉｌｉｓｎｆｔｅｍｏｔｓｃｅｓｕｅｈｉｕｓｆｒｂｉｄｎｅｏａｖｉｅｎｎｅｙｔｍｓｎｓｅｔｎｉｅｙｕｅｎｍａｙｐｒｏａｉｅｙｔｍｓＨｏｅｅ，ｅｉｔｇｃｌｂｒｔｅｆｔｒｇａｇｒｈａｅｂｅｅｓｎｌｚｄｓｓｅ．ｗｖｒｘｓｉｏｌｏａｉｌｉｌｏｔｍｓｈｖｅｎｓｆｒｇｆｏｎａｖｉｅｎｉｉｄｔｐｒｉｎｗｒｃｍｍｅｄｔｎａｃｒｃｒｂｅ．Ｔｈｓｐｐｒｆｃｓｄｔｅｃｌｂｒｔｅｆｔｒｎｒｂｅｎｔｒｃａａａｓａｔａｄｌｅｏｓｙｏｎａｉｃｕａｙｐｏｌｍｓｏｉａｅｕｅｈｏｌｏａｉｌｉｇｐｏｌｍｓｏｏａｖｉｅｗｏｃｕｉｌ
ｃｍｂｉｄｔｍｓａｔｂｅｓｍｉａｉｙａｄｈｅｒａｉｓｉｌｒｔｐｒｐｅｌａａｏｎｅｉｅ ’ ｔｒｕｔｓｉｌｒｔｎｔｉｒｔｉｎｇｓｍｉａｉｙｏｒｙｓｗｅｇｔｏｃｍｐｕｉｍｉｓｎｇｒｔｎｓｉｈｆｒｏｔｎｇｓｉａｉｇ．Ｔｈｏｅｉａｌｏｒｅｒｔｃｌｙ，ｕｍｅｈｏｉｅｆｃｉｉｉｔｄｓｆｅｔｖｅｎｍｐｒｖｎｔｅｅｏｍｍｅｄａｉｎｏｉｇｈｒｃｎｔｐｒｃｓｏａｗｉｈｓａｄｉｄａａｐｓｔｏｅｉｉｎｎｄｔｔｎｎｇｔｓａｒｉｙ．Ｉｔｎｈｅ
种基于用户兴趣局部相似性的推荐算法
吴发青，贺棵，薇薇，夏任磊
（华东师范大学计算机科学与技术系，上海２０６）００２
ｒｈ＠Ｃ．ｅｕｅｕｃ；ｐｒ＠ｅｎ．ｎｗｉ＠ｌａｓ．ｈｃ；ｌｎｉａｓ．ｈｃ）ｅＳｅｎ．ｄ．ｎｕｅｃｕｃ；ｗｘａｅ．ｌｓ．ｎｒ＠ｃ．ｌｓ．ｎｌｃｅｃ
摘
要：协作过滤算法作为至今最成功的个性化推荐技术之一，广泛应用于电子商务、被个性化节目推荐等系统
中。但传统的基于协作过滤的推荐系统一直受到系统的稀疏性、推荐精确度低等问题的困扰。提出了一种基于用户
兴趣局部相似性的改进的协作推荐算法（ＦＰ）针对协作过滤算法中用户近邻的计算和项目评分的预测两关键步ＣＵＳ，
维普资讯
第２８卷第８期
２００８年８月
文章编号：０１９８（０８０１０ — ０１２０）８—１８ — ５９１０
一
计算机应用
ＣｏｍｐｕｅｐｉａｉｎｔｒＡｐｌｃｔｓｏ
Ｖ０．８Ｎｏ８１２．Ａｕｇ．２０８０
算法的推荐精度较以往的协作过滤算法有明显提高。
关键词：荐系统；作过滤；部相似性；户相似性；目相似性推协局用项中图分类号：Ｐ９；Ｐ９Ｔ３１Ｔ３３文献标志码：Ａ
Ａｅｏｍｅａｉｎｌｏｉｈｍｓｄｏｕｅｓｐｒｉｌｓｍｉａｉｙｒｃｍｎｄｔｏａｇｒｔｂａｅｎｓｒ ’ ａｔａｉｌｒｔ
ｓｐ：（）ｃｍｕｉｅｈｏｓｒｆｒａｔｅｕｅｎ（）ｍｓｉｇｄｔｐｅｉｉｎａｏｔｔｓ１ｏｐｔｇｎｉｂｒｕｅｃｖｓｒａｄ２ｅｎｇｓｏｉｓｉｎａｒｃｏｌｒｈｓａｄｔｇｉｍ．Ｃｎｅｕｎｙｈａｅｏｓｑｅｔ，ｔｉｐｐｒｌｓｐｏｏｅｎｉｐｏｅｏａｏｔｅｆｔｒｇａｏｔｍｂｓｄｏｓｒＰｒａＳｍｌｒｙ（ＦＰｒｈｒ，ｗｉｏｐｔｒｓｄａｒｖｄｃｌｂｒｉｌｉｌｒｈａｅｎＵｅｓａｔｉｉｉＣＵＳｆｏ）ｈｃｃｍｕｅｐｍｌａｖｉｅｎｇｉｉｌａｔｏｓｔｈｄ
ＷＵ — ｉｇＨＥａｇＸＩＷｅ－ｉＦａｑｎ，Ｌｉｎ，Ａｉｗｅ，ＲＥＮＬｉｅ
（ｅａｔｅｔｆＣｍｕｒｃｎｅａｄＴｃｎｌｙａｔｈｎｏｍｌＵｉｒｔ，Ｓａｇａ００２ｈｎ）Ｄｐｒｎｏｐｔｉｃｎｅｈｏｏ，ＥｓＣｉａＮｒａｎｖｓｙｈｎｈｉ０６，ＣｉｍｏｅＳｅｇｅｉ２ａ