基于序号索引的空间关联规则挖掘算法
数据挖掘十大算法
数据挖掘十大算法数据挖掘是通过挖掘大规模数据集以发现隐藏的模式和关联性的过程。
在数据挖掘领域，存在许多算法用于解决各种问题。
以下是数据挖掘领域中被广泛使用的十大算法：1. 决策树（Decision Trees）：决策树是一种用于分类和回归的非参数算法。
它用树结构来表示决策规则，通过划分数据集并根据不同的属性值进行分类。
2. 支持向量机（Support Vector Machines，SVM）：SVM是一种二分类算法，通过在数据空间中找到一个最优的超平面来分类数据。
SVM在处理非线性问题时，可以使用核函数将数据映射到高维空间。
3. 朴素贝叶斯（Naive Bayes）：基于贝叶斯定理，朴素贝叶斯算法使用特征之间的独立性假设，通过计算给定特征下的类别概率，进行分类。
4. K均值聚类（K-means Clustering）：K均值聚类是一种无监督学习算法，用于将数据集分割成多个类别。
该算法通过计算样本之间的距离，并将相似的样本聚类在一起。
5. 线性回归（Linear Regression）：线性回归是一种用于建立连续数值预测模型的算法。
它通过拟合线性函数来寻找自变量和因变量之间的关系。
6. 关联规则（Association Rules）：关联规则用于发现数据集中项集之间的关联性。
例如，购买了商品A的人也常常购买商品B。
7. 神经网络（Neural Networks）：神经网络是一种模拟人脑神经元网络的算法。
它通过训练多个神经元之间的连接权重，来学习输入和输出之间的关系。
9. 改进的Apriori算法：Apriori算法用于发现大规模数据集中的频繁项集。
改进的Apriori算法通过剪枝和利用频繁项集的性质来提高算法的效率。
10. 集成学习（Ensemble Learning）：集成学习是一种通过将多个学习器进行组合，从而提高分类准确率的算法。
常用的集成学习方法包括随机森林和梯度提升树。
这些算法在不同的场景和问题中有着不同的应用。
【计算机应用】_空间数据挖掘_期刊发文热词逐年推荐_20140724
科研热词 数据挖掘 遗传算法 数据流 关联规则 频繁项 频繁闭合模式 非频繁项 降维 近似约简 距离平面扫描技术 规则优化 规则产生式 能量衰减模型 聚落考古 聚类 结构分类与回归树 符号化表示 空间邻域 空间离群挖掘 空间知识库 空间相关性模型 空间数据挖掘 空间数据库 空间关联规则 知识推理机制 知识发现 相似性查找 生态地球化学 滑动窗口 模糊集 最小二乘估计 时间序列 无线传感器网络 新词发现 文本挖掘 文本分类 故障管理 投影寻踪 异常点 序列模式 广义重要度 广义粗糙集理论 密度聚类 密度有偏采样 定位服务 媒体访问控制协议 多路空间距离连接查询 多关系数据挖掘 多主题 地理信息系统 图 向量空间模型
2010年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33
科研热词 数据挖掘 频繁闭项集 项集 降维 链接预测 路径表达式 规范编码 聚类 离群点 滑动窗口 查询优化 最大频繁项集 最大频繁子图 数据流 数据查询 数据存储 投影寻踪 张量 子图同构 压缩频繁模式树 划分矩阵 决策树 关联规则 共轭梯度 入侵检测系统 克罗内克积 克罗内克和 位图 优化 人工免疫 z曲线 xml编码 apriori算法
科研热词 数据挖掘 聚类 关联规则 网格 空间数据挖掘 空间数据库 特征选择 频繁集 频繁模式树 项集 邻居单元 路网 词序列核 行程规划 行程导航 背景属性 聚类分析 联机分析挖掘 网络制图综合 缓存 线性判别分析 粗糙集 算法 空间查询 空间数据 移动环境 离群数据 神经网络 社会性软件 特征空间 特征抽取 核鉴别分析 核方法 服务质量 最近邻 最大频繁项目集 旅游 文档频 文档分类 文本分类 数据缓存 支持向量机 工作仓库 多维关联规则 多关系数据挖掘 多关系决策树 复杂信息系统 增量 基于位置的服务 地理信息 响应时间 可缩放矢量图形
数据挖掘十大算法
数据挖掘十大算法
数据挖掘十大算法是一种关于数据挖掘的技术，其主要任务是从大量的原始数据中挖掘出有价值的信息。
其中包括关联规则挖掘、分类、聚类、关联分析、统计模型预测和时间序列分析等。
其中，最常用的是关联规则挖掘、分类和聚类。
关联规则挖掘是从大量的事务数据中发现隐藏的关联规则，以发现有价值的知识。
该算法利用数据库中的模式，发现频繁的项集或规则，以发现有价值的关联规则。
分类是一种利用数据挖掘技术，根据特定的特征对对象进行归类的方法。
它可以用来识别具有不同特征的对象，从而帮助企业更有效地管理其信息系统。
聚类是一种基于数据挖掘技术的分类技术，用于将相似的对象归类到同一个组中。
它可以帮助企业识别各种不同类别的对象，从而更好地管理信息系统。
除了上述三种算法之外，关联分析、统计模型预测和时间序列分析也是常用的数据挖掘算法。
关联分析是利用数据挖掘技术，从原始数据中挖掘出有价值的知识，从而帮助企业更好地管理其信息系统。
统计模型预测是一种基于统计模型的数据挖掘技术，用于预测未来的发展趋势和趋势，以便更好地满足企业的需求。
最后，时间序列
分析是一种基于时间序列的数据挖掘技术，用于分析时间序列数据，以发现有价值的信息。
总之，数据挖掘十大算法是一种重要的数据挖掘技术，包括关联规则挖掘、分类、聚类、关联分析、统计模型预测和时间序列分析等。
这些算法可以帮助企业发现有价值的信息，更好地管理其信息系统。
大数据技术及应用教学课件第7章 大数据分析挖掘-关联规则
大数据分析挖掘—关联规则
主要内容
01
关联规则的概念
02
关联规则挖掘的一般过程
03
Apriori算法
04
FP-Growth算法
05
关联模式评估
大数据分析挖掘——关联规则
7.1基本概念
• 设 I {x1, x2,xm}是项目的集合，其中的元素称为项目 (item),一个集合被称为一个项集，包含k个项的集合称为 k-项集。
项集 支持度计数
{I1,I2} 1
{I1,I3} 2
{I1,I5} 1
{I2,I3} 2
{I2,I5} 3
{I3,I5} 2
4.比较候选项支持度计数与最小支持度min_sup，产生2维最大项目集：
项集 支持度计数
{I1,I3} 2
{I2,I3} 2
{I2,I5} 3
{I3,I5} 2
5.由L2 产生候选项集 C3，比较候选项支持度计数与最小支持度 min_sup，产生3维最大项目集 L3 ，至此算法终止。
• FP-Growth算法（Frequent Pattern-Growth）是另一种 找出频繁项集的方法，与先生成规则再筛选的Apriori算 法不同，FP-Growth算法是将数据库中符合频繁1-项集规 则的事务映射在一种图数据结构中，即FP树，而后据此 再生成频繁项集，整个过程只需要扫描两次数据集。
表7.1 某商店购物清单 Item 2
Item 3
1
香草华夫
香蕉
狗粮
2
香蕉
3
香蕉
4
香草华夫
5
面包
6
牛奶
7
香草华夫
8
酸奶
9
数据挖掘原理、算法及应用章 (8)
第8章 复杂类型数据挖掘 1） 以Arc/info基于矢量数据模型的系统为例， 为了将空间
数据存入计算机， 首先， 从逻辑上将空间数据抽象为不同的 专题或层， 如土地利用、 地形、 道路、 居民区、 土壤单 元、 森林分布等， 一个专题层包含区域内地理要素的位置和 属性数据。 其次， 将一个专题层的地理要素或实体分解为点、 线、 面目标， 每个目标的数据由空间数据、 属性数据和拓 扑数据组成。
第8章 复杂类型数据挖掘 2. 空间数据具体描述地理实体的空间特征、 属性特征。 空
间特征是指地理实体的空间位置及其相互关系； 属性特征表 示地理实体的名称、 类型和数量等。 空间对象表示方法目前 采用主题图方法, 即将空间对象抽象为点、 线、 面三类， 根据这些几何对象的不同属性， 以层（Layer）为概念组织、 存储、 修改和显示它们， 数据表达分为矢量数据模型和栅格 数据模型两种。
第8章 复杂类型数据挖掘图Fra bibliotek-5 综合图层
第8章 复杂类型数据挖掘
图8-4 栅格数据模型
第8章 复杂类型数据挖掘
3. 虽然空间数据查询和空间挖掘是有区别的， 但是像其他数 据挖掘技术一样， 查询是挖掘的基础和前提， 因此了解空间 查询及其操作有助于掌握空间挖掘技术。
由于空间数据的特殊性， 空间操作相对于非空间数据要 复杂。 传统的访问非空间数据的选择查询使用的是标准的比 较操作符： “>”、 “<”、 “≤ ”、 “≥ ”、 “≠ ”。 而空间选择是一种在空间数据上的选择查询， 要用到空间操 作符.包括接近、 东、 西、 南、 北、 包含、 重叠或相交 等。
不同的实体之间进行空间性操作的时候， 经常需要在属性之 间进行一些转换。 如果非空间属性存储在关系型数据库中， 那么一种可行的存储策略是利用非空间元组的属性存放指向相 应空间数据结构的指针。 这种关系中的每个元组代表的是一 个空间实体。
基于MDPI的多维关联规则算法的研究
基于MDPI的多维关联规则算法的研究
彭硕;吴昊
【期刊名称】《微电子学与计算机》
【年(卷),期】2011(28)1
【摘要】多维关联规则是数据挖掘中的一个重要研究方向,由此提出了一种高效的多维关联规则挖掘算法,该方法通过引入MDPI-tree(多维谓词索引树)结构,有效地将数据立方体技术和频繁项集挖掘算法FP-Growth结合起来,能用于挖掘维间和混合维关联规则.最后将此算法应用于移动通信交叉销售模型,通过实验验证算法的有效性和实用性.
【总页数】5页(P78-82)
【关键词】数据挖掘;多维关联规则;数据立方体;MDPI;FP-Growth
【作者】彭硕;吴昊
【作者单位】湖南大学计算机与通信学院
【正文语种】中文
【中图分类】TP31
【相关文献】
1.基于商空间理论多维多层次关联规则挖掘算法研究 [J], 王文军;张天刚;杨泽民;郭显娥
2.基于OLAP的多维关联规则算法的研究 [J], 吴昊;彭硕
3.基于矩阵的多维关联规则算法在烟叶复烤配方的应用研究 [J], WANG
Luoping;TANG Xinghong;QIAN Yingying;MA Yongkai;YU Chunxia;QIN Yuhua
4.基于Hadoop的多维关联规则挖掘算法研究及应用 [J], 杨青; 张亚文; 张琴; 袁佩玲
5.基于矩阵的多维关联规则算法在烟叶复烤配方的应用研究∗ [J], 王萝萍;唐兴宏;钱颖颖;马永凯;于春霞;秦玉华
因版权原因，仅展示原文概要，查看原文内容请购买。
aprioriall算法
aprioriall算法Apriori算法是一种常见的关联规则挖掘算法，它可以用于发现数据集中的频繁项集。
该算法的核心思想是利用频繁项集的性质，通过迭代的方式不断削减候选项集的规模，从而提高算法的效率。
Apriori算法的基本流程如下：1. 扫描数据集，统计每个项的出现次数，得到频繁1项集。
2. 根据频繁1项集，生成候选2项集。
3. 扫描数据集，统计候选2项集的出现次数，得到频繁2项集。
4. 根据频繁2项集，生成候选3项集。
5. 重复上述过程，直到无法生成新的频繁项集为止。
Apriori算法的优点是简单易懂，容易实现。
但是，它也存在一些缺点。
首先，由于需要频繁地扫描数据集，算法的效率较低。
其次，当数据集中的项数较多时，候选项集的规模会急剧增大，导致算法的效率进一步降低。
因此，在实际应用中，需要对Apriori算法进行优化。
一种常见的优化方法是使用Apriori-All算法。
该算法的基本思想是，利用频繁项集的性质，将所有频繁项集存储在一个列表中，然后通过列表的交集和并集操作来生成新的频繁项集。
具体来说，Apriori-All 算法的流程如下：1. 扫描数据集，统计每个项的出现次数，得到频繁1项集。
2. 将频繁1项集存储在一个列表L中。
3. 对于k>1，重复以下步骤：a. 通过列表L中的项集生成候选k项集。
b. 扫描数据集，统计候选k项集的出现次数，得到频繁k项集。
c. 将频繁k项集存储在列表L中。
d. 通过列表L中的项集生成候选k+1项集。
e. 将候选k+1项集与列表L中的项集取交集，得到新的频繁k+1项集。
f. 将新的频繁k+1项集存储在列表L中。
4. 重复上述过程，直到无法生成新的频繁项集为止。
Apriori-All算法的优点是可以避免频繁扫描数据集，从而提高算法的效率。
此外，由于所有频繁项集都存储在一个列表中，因此可以方便地进行交集和并集操作，从而生成新的频繁项集。
但是，该算法的缺点是需要占用大量的内存空间来存储频繁项集列表，因此在处理大规模数据集时可能会出现内存不足的问题。
mlxtend 关联规则
mlxtend 关联规则关联规则是数据挖掘中的一项重要技术，用于从大量数据集中发现相关性较强的关联项。
它的应用场景广泛，可以应用于市场分析、消费者行为分析、推荐系统等领域。
在本文中，我将介绍关联规则的基本概念、关联规则挖掘的算法、关联规则的评估以及关联规则的应用。
关联规则的基本概念是指在一个数据集中，某些事件之间会同时发生的情况。
通过挖掘关联规则，可以揭示数据集中隐含的相关性，从而帮助人们了解数据中存在的潜在规律。
关联规则通常用两个部分表示：前项和后项。
例如“牛奶->面包”表示购买了牛奶的顾客也很可能购买面包。
为了寻找关联规则，需要计算两个度量指标：支持度和置信度。
支持度表示包含一个特定项集的交易的比例，置信度表示在已知前项出现的情况下，后项也一起出现的概率。
支持度和置信度的计算公式如下：支持度（support） = (X和Y同时出现的次数) / (交易的总数)置信度（confidence） = (X和Y同时出现的次数) / (X出现的次数)在关联规则挖掘中，常用的算法有Apriori算法、FP-Growth算法等。
Apriori算法是一种经典而常用的关联规则挖掘算法，它通过逐层搜索，从单个项开始，逐步扩展项集的规模，挖掘频繁项集。
FP-Growth算法则是一种基于前缀树的快速关联规则挖掘算法，它通过构建FP树和利用FP树上的频繁项集来挖掘关联规则，避免了多次扫描数据集的操作。
关联规则的评估可以通过支持度和置信度进行。
支持度可以用来衡量关联规则的普遍程度，而置信度可以用来衡量关联规则的可靠性。
一般来说，支持度越高，表示关联规则越普遍；置信度越高，表示关联规则越可靠。
除了支持度和置信度之外，还有一些其他的度量指标，如提升度、全置信度等，用来衡量关联规则的重要程度和相关性。
关联规则在很多领域都有广泛的应用。
在市场分析中，可以利用关联规则来分析消费者的购买行为，发现消费者对商品的偏好，从而优化产品布局和促销策略。
- 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)。
关系。
例 如 ，Ｉ｛ ， ， Ｄ Ｅ｝ ＝ Ａ Ｂ Ｃ， ， ，则 数字 项 目有 ５个 ：Ｄ １１ Ｉ ， ＝
ＤＩ＝２， ＤＩ－４， Ｄ Ｉ＝８， ＤＩ＝１ ２ ３－ ４ ｓ ６。
间的空间关联；（） 同主题层之 间的不周对象问的关联 。类 ３不 型【） １称为纵向关联 ， 把类型（） ２和类型【） ３称为横 向关联 ， 中， 其 类型（） ２为单层横向关联 ；类型（） ３为多层横 向关联。 目前研究空 间关联规则的挖掘方法有 ３种 ：基于聚类 的 图层覆 盖法 】 ，基于空 间事务 的挖掘方法 和无空 问事 务挖 掘法 ，其中，基于空间事务的挖掘方法是 目前研究 的热点， 如文献［Ｊ Ａ ｒ ｒ １用 ｐｉ ｉ算法进行空间关联挖掘 ，但频 繁项 目集 ｏ 的构建 和修剪技术仍 是其用在海量空间数据挖掘中的技术瓶 颈 。之 后 人们 提 出 了 Ｂ Ａ ｒ ｒ４ Ｂ Ａ ＤＳ ５ 法 ，它们 － ｐｉ ｉＩ Ｒ Ｍ１算 ｏ ［和 １ 的效率 比 Ａ ｒ ｒ高 ， ｐｉ ｉ 但存在大量 的重复判断和计算。本文为 ｏ 此 提 出 了 一 种基 于序 号 索 引 的 空 间关 联 规 则 挖 掘 算 法
ｎ ｍｅ ｉ ａ ｉ ｄ ｘ ｉ ｈ ｏ ｒ ｅ ｏ ｏ ｔ ｍ— ｐ ａ ｄ ｔ ｐ ｄ ｗｎ ｓ ａ ｃ ，ａ ｄ ｕ ｅ ｕ ｅ ｉａ ｎ ｅ ｏ ｐ ｕｎ ｅ ｅ ｔ ｄ ｃ ｎ ｉ ａ ｅ ａ ｌ ｔ ｅ ｕ ｄ ｎ ｙ ｕ ｒｃ ｌ ｎ ｅ ｎ ｔ ｅ ｃ ｏ ｓ ｆ ｂ ｔ ｏ ｕ ｎ ｏ — ｏ ｅ ｒ ｈ ｎ ｓ ｓ ｎ ｍ ｒｃ ｌｉ ｄ ｘ ｔ ｒ ｅ ｒ ｐ ａｅ ａ ｄ ｄ ｔ ｎｄ ｄｅｅ ｅ ｒ ｄ ｎ ａ ｃ
［ ｙ ｒ ｓ ｐ ｔ ｌａａｍｉｉｇ ｓａｉｌｓｏ ｉ ｉｎｒｌ； ｉａｙ ｄ ｕ ｌ ｌｉｉｇ ｎ ｍｅｉ ｌｎ ｅ Ｋｅ ｄ ｌｓａｉ ｔ ｎｎ ；ｐ ｔ ｓｃａ ｏ ｕ ｂｎｒ ；ｏ ｂｅｎｎｎ ；ｕ ｒ ａ ｉｄｘ ｗｏ ａｄ ａａ ｔ ｅ ｃ
１ 概述
空间数据挖掘的类型…主要有 ：（） 同一个主题层 中同 １ 在
的关联规则，在 白底向上和 自顶 向下的搜索过程中 ，用定序操作产生序号索 引， 过序号索 引在双 向挖掘过程 中修剪重复候选项和删除冗 通
余 计 算 ，以提 高 算 法 效 率 。 实验 结 果 证 明 该 算 法 比现 有 的 算 法 更 快速 有效 。
关健诃 ：空间数据挖掘 ；空间关联规则 ；二进 制；双 向挖掘 ；序号索 引
［ ｓ ａ ｔ ｍｉｇａ ｄ ｎａ ｃ ｏ ｕｉｇｐｏ ｌ ｏ ｐｔ ｌ ｓｏｉｔ ｎｒｌ ｍｉｉｇａｇ ｔｈ ｔｉ ｐ ｐｒ ｒｐ ｓｓａｓａｉ ｓｏ ｉｔ ｎｒｌ Ａｂｔ ｃ］Ａｉ ｎ ｔｅ ｕ ｄｎｙｃｍｐ ｔ ｒｂｅ ｆ ａｉ ｓｃａｉ ｅ ｎｎ ｌｏｉ ｍ，ｈｓ ａｅ ｏｏｅ ｐｔ ｌ ｓｃａｉ ｕｅ ｒ ｒ ｎ ｍ ｓ ａ ａ ｏ ｏ ｔ ｐ ａａ ｏ
ｍｉ ｉ ｇ ａ ｇ ｒｔ ｍ ａ ｅ ｎ ｎ ｍｅ ｉａ ｎ ｅ ， ｎｎ ｌｏ ｉ ｈ ｂ ｓ ｄ ｏ ｎ ｒｃ ｌ ｄ ｘ ｗｈｉｈ ｉ ｓ ｉ ｂ ｅ ｆ ｒｍｉ ｉ ｇ ｍｏ ｏ ａ ｅ ｒ ｎ ｖ ｒ ｅ ｓ ａ ｉ ｌ ｓ ｏ ｉ ｔ ｎ ｒ ｌｓ Ｉ ｕ ｅ ｄ ｒ ｇ ｔ ｅ ｅ ａ ｅ ｉ ｃ ｓ ｕ ｔ ｌ ｏ ｎ ｎ ｎ ｌｙ ｒｔ ｓ ｅ ｓ ｐ ｔ ｓ ｃ ａ ｉ ｕ ｅ ． ｔ ｓ ｓｏｒ ｅ ｎ ｏ ｇ ｎ ｒ ｔ ａ ａ ａａ ｏ ｉ
第 ３ 卷 第 １ 期 ６ ６
ＶＬ ｏ ３６
・
计
算
机
工
程
２１ ００年 ８月
Ａｕ ｕ ｔ ０ ０ ｇ ｓ １ ２
Ｎ ｏ．６ １
Ｃｏ ｐｕ ｅ ｍ ｔ ｒＥｎｇ ｎｅ ｒ ｎ ｉ ｅｉｇ
软件 技术 与数 据库 ・
文章编号：１ ｏ＿４８ｏｏ ６一０ ０ 文献标识码： ｏ ’３２（ １１．ｌ ＿ ０ ２ ） ５ ３ Ａ
ｃ ｍｐ ｔ ｇ ｉ ｈ ｏｕ ｓ ｆｄ ｂｌ ｉ ｉ ｇ Ｏ ｔ ａ ｈ ｆｉ ｉｎ ｙ ｏ ｈ ｌ ｏ ｉｈ ｉ ｉ ｒ ｖ ｄ Ｅｘ ｅ ｉ ｅ ｔ ｌｒ ｓ ｌ ｉ ｄ ｃ ｔ ｓ ｔ ａ ｈ ｌ ｏ ｉｈ ｉ ｏ ｕ ｉ ｎ ｔ ｅ ｃ ｒ ｅ ｏ ｏｕ ｅ ｍ ｎ ｎ ，Ｓ ｈ ｔｔ ｅ ｅ ｆ ｅ ｃ ｆ ｔ ｅ ａ ｇ ｒｔｍ ｓ ｍｐ ｏ ｅ ． ｐ ｒ ｎ ａ ｅ ｕ ｔ ｎ ｉ ａｅ ｈ ｔｔ ｅ ａ ｇ ｒｔ ｍ ｓ ｎ ｃ ｍ ｍｏ ｅ ｅ ｃ ｅ ｔａ ｄ ｅ ｅ ｔ ｅｔ ａ ｔ ｅ ｌ ｏｒ ｈｍｓ ｒ ｆ ｉ ｎ ｎ ｆ ｃ ｉ ｎ ｏ ｈ ｒａ ｇ ｉ ｉ ｖ ｈ ｔ ．
中 圈分类号； Ｐ０． Ｔ３１ ６
基于序 号索 引的空间关联规 则挖 掘 算法
刘雨露
（ 庆 三 峡 学 院 数 学 与 计算 机 科 学 学 院 ，万 州 ４ ４ ０ ） 重 ０ ０ ０
摘
要 ：针对空 间关联规则挖掘算法的冗余计 算问题 ， 出一种基于序号索引的空 间关联规则挖 掘算法 。该算法适用于挖掘单层横 向空 间 提
Ｓ ａ ｉ ｌ ｓ ｃ ａ ｉ ｎ Ｒｕ ｅＭ ｉ ｉ ｇＡｌ ｏ ｉｈ ｓ ｄ ｏ ｍ ｅ ｉａ ｎ ｅ ｐ ｔ ｏ ｉ ｔ ｌ ｎ ｎ ｇ ｒ ｔ ｍ Ｂａ ｅ ｎ Ｎｕ ａ Ａｓ ｏ ｒｃ ｌ ｄ ｘ Ｉ
ＬＩ Ｙｕ．ｕｒ ｃｅ ｃ ， ｏ ｇ ｉｇＴ ｒｅＧ ｒｅ ｉｅｓ ｙ Ｗａ ｚ ｏ ０ Ｏ ０ Ｃｏｌ ｅ ｈａ ｄ ｅ ｏ Ｍａ Ｃｏ ｕｅ ｉｎ ｅ Ｃｈ ｎ ｑ ｎ ｈ ｅ ｏ ｓ Ｓ Ｕｎｖ ｒ ｔ， ｎ ｈ ｕ ４ Ｏ ） ｉ ４