一種中文網頁新詞自動獲取方法

2023-05-19 08:31:41 4

專利名稱：：一種中文網頁新詞自動獲取方法
技術領域：
：本發明屬於網際網路數據挖掘
技術領域：
，特別是涉及一種獲取新詞的方法。
背景技術：
：隨著計算機網絡技術的快速發展和推廣，網絡數據急劇膨脹，這些數據具有更新速度快、數據量龐大、數據組織形式不規範等特點，但也蘊藏著極多的有價值信息。另外由於人們相互交流需求的增加，網絡成為信息發布、傳播的平臺。由此產生的一些網絡用語、熱門詞彙，被廣泛的運用到了實際生活中，影響著人們的生活，一些新詞逐漸被人們所接受，擴充了漢語詞彙。這些新出現的詞彙呈現出產生速度快、覆蓋領域廣的特點，往往散落在海量的網絡文本中，靠人工去查看和檢索是不可想像的，因此亟需一個可以檢測網絡數據並自動發現新詞的方法。為了能夠獲取新詞，現有技術提供了如下的三種方法第一種方法，獲取搜尋引擎的查詢關鍵詞或聊天數據，統計候選新詞的頻率信息，並結合基於候選新詞上下文規則的分析，從候選新詞中獲取新詞；第二種方法，利用搜尋引擎對候選新詞進行精確搜索和模糊搜索，獲取搜索結果，根據結果從候選新詞中獲取新詞；第三種方法，將候選新詞與已有詞典中的詞進行比較，確定詞典中不存在的候選新詞為新詞。但是，現有技術至少存在以下問題第一種方法搜尋引擎的查詢關鍵詞和聊天記錄這樣的用戶數據並不容易獲取，而且使用不當還會有洩露用戶隱私的問題；第二種方法在搜尋引擎中對每一個候選新詞進行搜索，算法效率低，適用性差；第三種方法存在時效性低以及新詞查找範圍不全的缺陷。另外，由於中文自身的特點，詞與詞之間沒有明確的邊界，識別中文新詞更加困難。目前獲取中文新詞的方法，都以中文文本的自動分詞為基礎，大多採用概率詞法分析系統ICTCLAS或是類似的基於詞典查找的方法切分中文文本內容得到詞。但是這種基於詞典查找的方法創建和維護詞典困難，對於要識別的新詞沒有處理能力。綜上所述，上述各種方法均存在新詞獲取方法效率低、實時性不足、新詞查找範圍不全或對中文支持性差的缺陷。
發明內容本發明的目的在於克服已有技術的不足之處，提供一種中文網頁新詞自動獲取的方法，該方法擴大了獲取新詞的範圍，中文分詞方法簡便易行，處理效率高，並提高了新詞發現的準確率和科學性。為實現上述目的，本發明提供了一種中文網頁新詞自動獲取的方法，其特徵在於，首先設置原始資料庫和停用詞資料庫；所述原始資料庫初始設為空，用於存放本新詞獲取方法處理過程中產生的數據；所述的停用詞資料庫預先存放有根據漢語語言規則不可能出現的詞，以及要刪除的已用詞；設置新詞獲取周期；該方法包括以下步驟1)當新詞獲取周期到來時，從Internet採集不同類型的網頁，解析出含有時間信息的網頁正文文本，並對該正文文本進行預處理得到句子片段；2)對預處理後的句子片段進行n-gram分詞產生詞串並統計詞頻，連同詞串的時間信息一併存入原始資料庫；3)根據預先設定的詞頻閾值對原始資料庫中的詞串進行過濾，詞頻大於等於詞頻閾值的詞串保留，否則從原始資料庫中刪除；詞頻閾值的取值範圍為1-10;4)對步驟3)保留的詞串做相鄰串比較和父子串比較後進行再過濾，最後刪除與停用詞資料庫中相同的詞串，得到初選新詞串；5)對初選新詞串的時間信息進行時序分析，得到新詞，並等待下一新詞獲取周期到來時，轉步驟1);具體包括以下步驟51)設定時序分析的開始日期s，基本時間單位g，基本時間單位數目n，時序分析閾值S;基本時間單位g取值範圍為1-15天，基本時間單位數目n取值範圍為5-30個，時序分析閾值S取值範圍為0-30;52)讀出日期s的所有初選新詞串，構成詞串集合C;對C中每個詞串t，查看其在從s開始，g*n天內的詞頻，得到g*n矩陣的詞頻數據，對該詞頻數據每g個為一組進行聚合得到l*n的矩陣詞頻數據ai，a2，...，an;53)設評價函數f(ai+1，a》:1，！/a,+1>a,0，=陽l，S即判定該初選新詞串為新詞，否則將該該初選新詞串刪除，等待下一新詞獲取周期到來時，轉步驟1)。為進一步提高新詞獲取的準確率，本發明基於上述方法還提出另一種中文網頁新詞自動獲取的方法，其特徵在於，首先設置原始資料庫、停用詞資料庫和過濾詞資料庫；所述原始資料庫和過濾詞資料庫初始設為空，用於存放本新詞獲取方法處理過程中產生的數據；所述的停用詞資料庫預先存放有根據漢語語言規則不可能出現的詞，以及要刪除的已用詞；所述過濾詞資料庫用於存放在獲取過程中標識出要刪除的詞；設置新詞獲取周期；該方法包括以下步驟1)當新詞獲取周期到來時，從Internet採集不同類型的網頁，解析出含有時間信息的網頁正文文本，並對該正文文本進行預處理得到句子片段；2)對預處理後的句子片段進行n-gram分詞產生詞串並統計詞頻，連同詞串的時間信息一併存入原始資料庫；3)根據預先設定的詞頻閾值對原始資料庫中的詞串進行過濾，詞頻大於等於詞頻閾值的詞串保留，否則從原始資料庫中刪除；詞頻閾值的取值範圍為1-10;4)對步驟3)保留的詞串做相鄰串比較和父子串比較後進行再過濾，最後刪除與停用詞資料庫和當前過濾詞資料庫中相同的詞串，得到初選新詞串；5)對初選新詞串的時間信息進行時序分析，得到候選新詞串；具體包括以下步驟51)設定時序分析的開始日期s，基本時間單位g，基本時間單位數目n，時序分析閾值S;基本時間單位g取值範圍為1-15天，基本時間單位數目n取值範圍為5-30個，時序分析閾值S取值範圍為0-30;52)讀出日期s的所有初選新詞串，構成詞串集合C;對C中每個詞串t，查看其在從s開始，g*n天內的詞頻，得到g*n矩陣的詞頻數據，對該詞頻數據每g個為一組進行聚合得到l*n的矩陣詞頻數據ai，a2，...，an;53)設評價函數f(ai+1，a》:formulaseeoriginaldocumentpage754)計算n個評價函數總和S的值formulaseeoriginaldocumentpage7如果S>S即判定該初選新詞串為候選新詞串，否則將該該初選新詞串刪除；，6)對步驟5)得到的候選新詞串再由人工標記為新詞或過濾詞串，將過濾詞串添加到步驟4)的過濾詞資料庫中，等待下一新詞獲取周期到來時，轉步驟1)。本發明的中文網頁新詞自動獲取方法與現有的技術相比，具有以下優點1、利用易在網際網路上獲得的不同類型WEB數據尋找新詞。網際網路已經滲透到人們日常生活的方方面面，各種網絡應用方式如新聞網站、BBS、博客等逐漸成為信息發布、傳播的新渠道。這些網絡數據中包含大量的新詞。本發明中，使用網絡渠道獲取大規模中文文本，進行新詞的自動獲取工作，與從語料庫中尋找新詞相比具有實時性。獲取的是已公布在網絡上的新聞網站、BBS和博客的網頁，因此不會涉及個人隱私的問題。另外，對BBS和博客網頁的獲取也擴充了單一新聞網頁的獲取，擴大了獲取新詞的範圍。2、採用n-gram方法中文分詞。相比基於詞典查找的中文分詞方法，n-gram方法簡便易行，處理效率高，且不會遺漏任何可能的詞，另外也沒有創建和維護詞典的麻煩。3、根據漢語語言規則設置停用詞資料庫來過濾詞串，提高過濾的準確率；4、引入時間序列分析方法新詞的一種定義中認為，被普遍的認可、廣泛應用的才是新詞。滿足這一特徵的直接表現就是該詞持續了一段時間，詞頻隨時間而變化，是時間的函數。本發明中引入時間序列分析方法來考察候選新詞是否滿足廣泛應用性。通過對詞頻變化趨勢的分析，獲得了更多信息，進一步提高新詞發現的準確率和科學性。5、實現增量學習停用詞資料庫可以不斷更新添加，使整個新詞獲取方法成為一個動態積累的過程，使準確率逐步提高。本發明還可設置過濾詞資料庫，每次詞串過濾的結果用於更新過濾詞資料庫，形成了反饋，實現增量學習，進一步提高新詞獲取的準確率。圖1為本發明提出的一種中文網頁新詞自動獲取的方法流程圖。圖2為本發明提出的另一種中文網頁新詞自動獲取的方法流程圖。具體實施例方式本發明提出的一種中文網頁新詞自動獲取方法，結合附圖及實施例詳細描述如下本發明提出的一種中文網頁新詞自動獲取的方法，首先設置原始資料庫和停用詞資料庫；所述原始資料庫初始設為空，用於存放本新詞獲取方法處理過程中產生的數據；所述的停用詞資料庫預先存放有根據漢語語言規則不可能出現的詞(還可根據需要隨時更改)，以及要刪除的已用詞；設置新詞獲取周期(周期的長短可以根據實際應用需要而定，若想獲得近期內的新詞則可設置周期短，否則可設置周期長一些，還可根據具體具體情況作適當調整；一般設為1-30天)，該方法內容如圖1所示，包括以下步驟1)當新詞獲取周期到來時，從Internet採集不同類型的網頁，解析出含有時間信息的網頁正文文本，並對該正文文本進行預處理得到句子片段；具體包括以下步驟11)通過共享的網頁爬蟲程序或RSS獲取軟體採集不同類型的網頁(例如利用一個共享的網頁爬蟲程序採集指定新聞網站和BBS的網頁，利用一個共享的RSS獲取軟體採集指定的博客網頁)；12)利用常用的網頁解析軟體從網頁中提取正文的內容和正文的時間信息，獲得網頁上的中文文本，然後(利用共享的文件存儲軟體Lemur)將該中文文本存入硬碟；上述網頁的採集和解析也可以利用其他的軟體，只要該軟體能完成採集網頁和解析網頁的任務就可以。13)對該中文文本進行預處理，去除網頁標籤、替換標識符、切分文本和去除非中文字符(因為獲得的網頁正文內容往往還包含未清除乾淨的網頁標籤、標識符等影響新詞識別的字符，所以要進行文本的預處理)；具體包括131)掃描整個文本，將找到的所有網頁標籤(一般為成對出現的尖括號)及其中的內容從文本中去除。132)掃描步驟131)得到的文本，將找到的網頁標識符替換成相應的字符(網頁中常使用的標識符包括"&nbsp"、"&#36"、"&amp"和"&quot"，分別用空格、"$"、"&"和雙引號替換；其他的網頁標識符也可作相應符號替換)；133)利用文本中的標點符號或回車換行符作為切分文本的標誌，把步驟132)處理後的文本切分為句子片段；134)對切分後的每個句子片段進行掃描，保留在漢字編碼範圍內的字符，刪除其他的字符(字符顯示都是按照一定的編碼方式，網頁中採用較多的是Unicode編碼。又因為網頁中的字符顯示較為雜亂，一些不可能是新詞的特殊字符會影響新詞識別的效果，漢字在Unicode中的編碼範圍是\u4e00_\u9fa5)。2)對預處理後的句子片段進行n-gram分詞產生詞串並統計詞頻(即相同詞串出現的次數)，連同詞串的時間信息一併存入原始資料庫；具體包括以下步驟21)利用n-gram方法對預處理後的每個句子片段進行劃分，順次將臨近的n個漢字聚集在一起形成一個詞串(比如一句話"我愛中國"，n取為2時，可以得到如下三個詞串:"我愛"、"愛中"、"中國"，n可以取l、2和3，或根據需要取值，一般不超過4);22)掃描n-gram分詞得到的所有詞串，統計每個詞串出現的次數，記為詞串的詞頻(例如在n-gram分詞產生詞串中出現詞串"中國"的次數)；23)將劃分出的所有詞串、統計的詞頻，以及步驟12)提取出來的正文的時間信息一起存入原始資料庫；本實施例的原始資料庫中設有兩個表，一個是文檔索引表，存放文檔信息，另一個表是詞串表，按文檔存放詞串和詞頻。原始資料庫的表結構如下文檔索引表的結構欄位名稱欄位說明Textld主鍵，自動遞增URL網頁的URL地址Pubdata源html的日期Content解析出的網頁正文內容Type網頁類型，分為新聞網頁、BBS和博客詞串表的結構欄位名稱欄位說明Wordn-gram方法劃分出的詞串Frequency該詞出現的頻率Articles出現該詞的文章，對應上表的Textld3)根據預先設定的詞頻閾值對原始資料庫中的詞串進行過濾，詞頻大於等於詞頻閾值的詞串保留，否則從原始資料庫(詞串表)中刪除；詞頻閾值可以根據情況調整，一般取值範圍為l-10，在實施例中，可設定的詞頻閾值是1;4)對步驟3)保留的詞串做相鄰串比較和父子串比較後進行再過濾，最後刪除與停用詞資料庫中相同的詞串，得到初選新詞串；具體包括以下步驟定義連續的n_l個字或字符相等的，並且詞長為n的兩個詞串稱為相鄰串(即第一個詞串的首(尾)字與第二個詞條的首(尾)字不同，其餘字全部相同，如詞串"我愛"與"愛中"是相鄰串，"我愛中華人民共和"與"愛中華人民共和國"是相鄰串)，如果較長的詞串中包含另一個較短的詞串，則把較長的詞串稱作父串，較短的詞串稱作子串(子串是由父串中連續若干個字符組成的，子串是相對父串而言的，如"愛中"是"愛中國"的子串)；41)如果兩個相鄰串的詞頻相同，則兩個詞都被刪除，如果其中一個詞串的詞頻高於另一個，則刪除詞頻低的詞串，保留詞頻高的詞串；42)掃描步驟41)保留的詞串，比較每對子串和父串的詞頻，如果兩者的詞頻完全相同，則刪除子串，保留父串；43)將步驟42)保留的詞串用停用詞資料庫中的詞串進行過濾，得到初選新詞串；(停用詞資料庫的停用詞是根據漢語語言規則確定的字，在詞串特定位置出現時一定不會構成一個有意義的詞，停用詞分為前停詞、後停詞和廣義停詞。前停詞一般出現在詞尾，很少出現在詞首，如"兒、子、然、於、邊、麼、們、乎"。後停詞典與前停詞相反，很少出現在詞尾，如"老、阿"。廣義停詞可以根據需要設定為已有的詞或是預設定的要刪除的詞，如通用詞典或專業詞典中的詞。這些前停詞、後停詞和廣義停詞構成了停用詞資料庫；過濾的方法是；若詞串的第一個字為前停詞，則刪除該詞串。若詞串的最後一個字為後停詞，則刪除該詞串。如果一個詞串是廣義停詞，則刪除該詞串)本實施例的停用詞資料庫的表結構欄位名稱欄位說明StopWord停用詞Type該停用詞的類型前停詞、後停詞或廣義停詞5)對初選新詞串的時間信息進行時序分析，得到新詞；具體包括以下步驟51)設定時序分析的開始日期s，基本時間單位g，基本時間單位數目n，時序分析閾值S。基本時間單位g—般取值範圍為l-15天，基本時間單位數目n—般取值範圍為5-30個，時序分析閾值S—般取值範圍為0-30。(本實施例中g設為2天，n設為10個，S設為5)。52)讀出日期s的所有初選新詞串，構成詞串集合C;對C中每個詞串t，查看其在從s開始，g*n天內的詞頻，得到g*n矩陣的詞頻數據，對該詞頻數據每g個為一組進行聚合(本實施例中採用求算術平均值的方法)得到l*n的矩陣詞頻數據ai，a2，...，an;53)設評價函數f(ai+1，a》本實施例中設置的評價函數如下formulaseeoriginaldocumentpage1054)計算n個評價函數總和S的值S-l;/(",+p",)，如果S〉S即判定該初選新詞串為新詞，否則將該該初選新詞串刪除。本發明還提出另一種方法，該方法在上述方法的基礎上還可包括以下內容設置過濾詞資料庫初始為空；在所述步驟4)中還包括若詞串與當前過濾詞資料庫中的詞相同，則刪除該詞串6)對步驟5)得到的新詞串再由人工標記分為新詞和過濾詞串，將過濾詞串添加到步驟4)的過濾詞資料庫。(過濾詞資料庫存放的是本方法每次運行經過人機互動後確定的要過濾的詞串。這些詞串不是新詞，又很難被機器識別。過濾詞資料庫可以增量添加，可進一步提高獲取新詞的精度。)在實施例中過濾詞資料庫的表結構為tableseeoriginaldocumentpage11權利要求一種中文網頁新詞自動獲取的方法，其特徵在於，首先設置原始資料庫和停用詞資料庫；所述原始資料庫初始設為空，用於存放本新詞獲取方法處理過程中產生的數據；所述的停用詞資料庫預先存放有根據漢語語言規則不可能出現的詞，以及要刪除的已用詞；設置新詞獲取周期；該方法包括以下步驟1)當新詞獲取周期到來時，從Internet採集不同類型的網頁，解析出含有時間信息的網頁正文文本，並對該正文文本進行預處理得到句子片段；2)對預處理後的句子片段進行n-gram分詞產生詞串並統計詞頻，連同詞串的時間信息一併存入原始資料庫；3)根據預先設定的詞頻閾值對原始資料庫中的詞串進行過濾，詞頻大於等於詞頻閾值的詞串保留，否則從原始資料庫中刪除；詞頻閾值的取值範圍為1-10；4)對步驟3)保留的詞串做相鄰串比較和父子串比較後進行再過濾，最後刪除與停用詞資料庫中相同的詞串，得到初選新詞串；5)對初選新詞串的時間信息進行時序分析，得到新詞，並等待下一新詞獲取周期到來時，轉步驟1)；具體包括以下步驟51)設定時序分析的開始日期s，基本時間單位g，基本時間單位數目n，時序分析閾值δ；基本時間單位g取值範圍為1-15天，基本時間單位數目n取值範圍為5-30個，時序分析閾值δ取值範圍為0-30；52)讀出日期s的所有初選新詞串，構成詞串集合C；對C中每個詞串t，查看其在從s開始，g*n天內的詞頻，得到g*n矩陣的詞頻數據，對該詞頻數據每g個為一組進行聚合得到l*n的矩陣詞頻數據a1，a2，...，an；53)設評價函數f(ai+1，ai)f(ai+1,ai)=1,ifai+1>ai0,ifai+1=ai-1,ifai+1ai54)計算n個評價函數總和S的值如果S＞δ即判定該初選新詞串為新詞，否則將該初選新詞串刪除，等待下一新詞獲取周期到來時，轉步驟1)。F2009102379793C0000012.tif2.—種中文網頁新詞自動獲取的方法，其特徵在於，首先設置原始資料庫、停用詞資料庫和過濾詞資料庫；所述原始資料庫和過濾詞資料庫初始設為空，用於存放本新詞獲取方法處理過程中產生的數據；所述的停用詞資料庫預先存放有根據漢語語言規則不可能出現的詞，以及要刪除的已用詞；所述過濾詞資料庫用於存放在獲取過程中標識出的要刪除的詞；設置新詞獲取周期；該方法包括以下步驟1)當新詞獲取周期到來時，從Internet採集不同類型的網頁，解析出含有時間信息的網頁正文文本，並對該正文文本進行預處理得到句子片段；2)對預處理後的句子片段進行n-gram分詞產生詞串並統計詞頻，連同詞串的時間信息一併存入原始資料庫；3)根據預先設定的詞頻閾值對原始資料庫中的詞串進行過濾，詞頻大於等於詞頻閾值的詞串保留，否則從原始資料庫中刪除；詞頻閾值的取值範圍為1-10;4)對步驟3)保留的詞串做相鄰串比較和父子串比較後進行再過濾，最後刪除與停用詞資料庫和當前過濾詞資料庫中相同的詞串，得到初選新詞串；5)對初選新詞串的時間信息進行時序分析，得到候選新詞串；具體包括以下步驟51)設定時序分析的開始日期s，基本時間單位g，基本時間單位數目n，時序分析閾值S;基本時間單位g取值範圍為1-15天，基本時間單位數目n取值範圍為5-30個，時序分析閾值S取值範圍為0-30;52)讀出日期s的所有初選新詞串，構成詞串集合C;對C中每個詞串t，查看其在從s開始，g*n天內的詞頻，得到g*n矩陣的詞頻數據，對該詞頻數據每g個為一組進行聚合得到hn的矩陣詞頻數據ai，a2，..53)設評價函數f(aw，a》:1,a,+1>",formulaseeoriginaldocumentpage354)計算n個評價函數總和S的值S=^/"+1，",)，如果S>S即判定該初選新詞串為候選新詞串，否則將該該初選新詞串刪除；，6)對步驟5)得到的候選新詞串再由人工標記為新詞或過濾詞串，將過濾詞串添加到步驟4)的過濾詞資料庫中，等待下一新詞獲取周期到來時，轉步驟l)。3.如權利要求1或2所述方法，其特徵在於，所述步驟1)具體包括以下步驟11)通過共享的網頁爬蟲程序或RSS獲取軟體採集不同類型的網頁；12)利用常用的網頁解析軟體從網頁中提取正文的內容和正文的時間信息，獲得網頁上的中文文本，然後將該中文文本存入硬碟；13)對該中文文本進行預處理，去除網頁標籤、替換標識符、切分文本和去除非中文字符。4.如權利要求3所述方法，其特徵在於，所述步驟31)具體包括131)掃描整個文本，將找到的所有網頁標籤及其中的內容從文本中去除；132)掃描步驟131)得到的文本，將找到的網頁標識符替換成相應的字符；133)利用文本中的標點符號或回車換行符作為切分文本的標誌，把步驟132)處理後的文本切分為句子片段；134)對切分後的每個句子片段進行掃描，保留在漢字編碼範圍內的字符，刪除其他的字符。5.如權利要求1或2所述方法，其特徵在於，所述步驟2)具體包括以下步驟21)利用n-gram方法對預處理後的每個句子片段進行劃分，順次將臨近的n個漢字聚集在一起形成一個詞串，n為1-4的整數；22)掃描n-gram分詞得到的所有詞串，統計每個詞串的詞頻；23)將劃分出的所有詞串、統計的詞頻，以及步驟12)提取出來的正文的時間信息一起存入原始資料庫；所述原始資料庫中設有存放文檔信息的文檔索引表和存放詞串和詞頻的詞串表。6.如權利要求1或2所述方法，其特徵在於，所述步驟4)具體包括以下步驟定義連續的n-l個字或字符相等的，並且詞長為n的兩個詞串稱為相鄰串，如果較長的詞串中包含另一個較短的詞串，則把較長的詞串稱作父串，較短的詞串稱作子串；41)如果兩個相鄰串的詞頻相同，則這兩個詞串都被刪除，如果其中一個詞串的詞頻高於另一個，則刪除詞頻低的詞串，保留詞頻高的詞串；42)掃描步驟41)保留的詞串，比較每對子串和父串的詞頻，如果兩者的詞頻完全相同，則刪除子串，保留父串；43)將步驟42)保留的詞串用停用詞資料庫中的詞串進行過濾，得到初選新詞串；所述停用詞資料庫的停用詞包括前停詞、後停詞和廣義停詞；過濾的方法是；若詞串的第一個字為前停詞，則刪除該詞串。若詞串的最後一個字為後停詞，則刪除該詞串。如果一個詞串是廣義停詞，則刪除該詞串。全文摘要本發明涉及中文網頁新詞自動獲取的方法，屬於網際網路數據挖掘
技術領域：
；該方法包括從Internet採集不同類型的網頁，解析出含有時間信息的網頁正文文本，並進行預處理，對得到句子片段進行n-gram分詞產生詞串並統計詞頻，連同詞串的時間信息一併存入原始資料庫；根據詞頻閾值對原始資料庫中的詞串進行過濾，詞頻大於等於詞頻閾值的詞串保留；對保留的詞串做相鄰串比較和父子串比較後進行再過濾，刪除與停用詞資料庫中相同的詞串，對得到初選新詞串的時間信息進行時序分析，得到新詞；還可再包括將由人工標記得到的過濾詞串添加到過濾詞資料庫中。該方法擴大了獲取新詞的範圍，中文分詞方法簡便易行，處理效率高，並提高了新詞發現的準確率和科學性。文檔編號G06F17/30GK101706807SQ200910237979公開日2010年5月12日申請日期2009年11月27日優先權日2009年11月27日發明者卞小丁,孫立遠,袁睿翕申請人:清華大學