开元体育 - 开元体育(kaiyuan)官方网站

开云体育下载-1E曽??o駌L

Wed, 15 Apr 2026 04:40:10 +0800

1、RAID1E是IBM公司推出的一种私有级别的RAID形式，它的数据组织结构在RAID1的基础上做了改进，这一节将具体分析RAID1E的存储及恢复技术 1RAID_1E数据组织原理 RAID1E已。

2、2025年11月27日太平洋汽车之诺之诺1E频道为您提供之诺1E报价之诺1E图片，之诺1E参数配置之诺1E试驾评测之诺1E网友点评等信息了解之诺1E怎么样，就上太平洋汽车。

?裤屣?d埾甂?謻#%煟的简单介绍" alt="1E曽??o駌L<弶;?A<齜缚脅炷?.Ec?`?馐Y?sH簰嫬+成SI?EC?簄|e?惇d?',m鞢;?^晀侙R騫>?裤屣?d埾甂?謻#%煟的简单介绍">

3、2026年3月10日汽车之家之诺1E频道，提供之诺1E报价，之诺在售之诺1E图片，之诺全部之诺1E参数配置，之诺1E最新文章，保养周期及费用等最新信息，最精彩之诺1E汽车内容尽在。

?裤屣?d埾甂?謻#%煟的简单介绍" alt="1E曽??o駌L<弶;?A<齜缚脅炷?.Ec?`?馐Y?sH簰嫬+成SI?EC?簄|e?惇d?',m鞢;?^晀侙R騫>?裤屣?d埾甂?謻#%煟的简单介绍">

开云体育官网-包含?棸~o?@矽?娡??溡"|;鉌7前羳\\P? ?&O矌镡\,仕1雕"P,rS廴L礡?嘦u化r?的词条

Tue, 14 Apr 2026 11:55:43 +0800

　　微视频带您回顾秋拍精彩瞬间

　　12月7日晚，北京保利2016秋季艺术品拍卖会经过7天共32个专场的拍卖，以28.3亿元的总成交额圆满落槌，连续第18次在国内大型艺术品拍卖会中列成交额榜首，连续7年领跑全球中国艺术品拍卖市场。本次拍卖会共有3件拍品成交破亿、39件拍品成交额超过一千万元，五百万元以上的拍品共有97件。石渠宝笈著录清宫旧藏任仁发《五王醉归图卷》以3.036亿元成交，刷新了个人作品拍卖纪录，同时创造2016年度全球中国艺术品拍卖成交纪录。

　　保利拍卖执行董事赵旭先生表示：“承蒙全球藏家的支持，在市场整体冷淡，总拍品数缩量30%的情况下，此次秋拍依旧取得十分理想的成绩，北京保利秋拍的成功将带领全球中国艺术品市场的上扬。下一站上海见！”

　　此次秋拍书画、器物和油画不仅夜场表现优异，诞生了任仁发《五王醉归图卷》、齐白石《咫尺天涯——辛未山水册》、张大千《瑞士雪山》3件过亿元拍品，日场也亮点频出，单品成交额、场均成交率均有超越近年的表现，释放出市场回暖的信号。中国古籍文献拍卖继续在全球独占鳌头，珠宝钟表也保持国内领先。此外，邮品拍卖将于12月8日-9日在新保利大厦进行。

　　古代书画部分

　　微视频带您重温天价拍品成交瞬间！

　　古代书画方面总成交7.2亿元，其中夜场取得了6.72亿元的总成交额。此次夜场无疑是近年来国内外规格最高的古代书画夜场，仅仅50件拍品成交额就高达6.72亿元，成交率达到94%。特别是第二季“百代标程”专题，6件作品全部成交，总额突破5亿。最值得一提的是清宫旧藏任仁发《五王醉归图卷》以咨询价形式上拍，6800万元起拍，经过近一小时、上百轮激烈竞价，最终以2.64亿元落槌，成交价3.036亿元，刷新任仁发个人作品拍卖纪录，创造2016年度全球中国艺术品成交纪录。

　　古代书画重点拍品

　　←左右滑动图片膜拜全卷→

　　Lot 4050

　　任仁发《五王醉归图卷》

　　RMB:303,600,000

　　Lot 4049

　　仇英唐人诗意图册

　　RMB:94,300,000

　　←左右滑动图片膜拜全卷→

　　Lot 4048

　　张即之楷书《华严经》残卷

　　RMB:63,250,000

　　←左右滑动图片膜拜全卷→

　　Lot 4045

　　王翚万山烟霭长卷

　　RMB:32,200,000

　　Lot 4021

　　王翚竹坞幽居

　　RMB:18,975,000

　　Lot 4044

　　张仲紫禽啅果

　　RMB:17,250,000

　　Lot 4007

　　王鉴拟古山水册

　　RMB:14,720,000

　　Lot 4016

　　罗聘潇湘图

　　RMB:9,775,000

　　近现代书画部分

　　微视频带您重温天价拍品成交瞬间！

　　近现代书画方面总成交9.05亿元，夜场部分表现稳健，斩获了7.8亿元，成交率达到81%。其中包含以1.955亿元成交的齐白石《咫尺天涯—辛未山水册》，及以1.6445亿元成交的张大千《瑞士雪山》。除此之外另有9件拍品超千万成交。

　　近现代夜场其他拍品表现亦极为出色。陈叔亮旧藏潘天寿《欲雪》最终以4600万元成交；黄宾虹创作于广东地区的作品《白云圣境》以1150万元成交；傅抱石黄金创作时期的重要作品《白岳黄山两逸民》成交价1150万元。值得一提的是，一件齐白石少见的《荷花》四条屏开始拍卖时已过午夜，420万元起拍，经过现场多轮竞价，最终以1437.5万元成交。

　　近现代书画重点拍品

　　Lot 2024

　　齐白石咫尺天涯—齐白石辛未山水册

　　RMB:195,500,000

　　Lot 2030

　　张大千瑞士雪山

　　RMB:164,450,000

　　Lot 2027

　　潘天寿欲雪

　　RMB:46,000,000

　　Lot 2022

　　徐悲鸿柳荫三骏

　　RMB:28,750,000

　　Lot 2026

　　黄宾虹拟张恂山水

　　RMB:14,375,000

　　Lot 2102

　　齐白石荷花四屏

　　RMB:14,375,000

　　Lot 2042

　　黄宾虹白云圣境

　　RMB:11,500,000

　　Lot 2045

　　傅抱石白岳黄山两逸民

　　RMB:11,500,00

　　Lot 2012

　　傅抱石山鬼

　　RMB:10,350,000

　　古董珍玩部分

　　古董珍玩部分总成交6.39亿元，其中夜场获4.25亿元，十一件拍品过千万成交。古董珍玩共有十个各具特色的专场，而“三叠·五缾”因是日本藏宋元明清花器的专拍所以最具特色，最终成功斩获白手套，5件拍品总成交 3500万。

　　此次夜场继续推出以佛教艺术为主题的 “大圆觉——重要佛教美术夜场”，特别推出“大漠聖蓮——一世哲布尊丹巴(扎纳巴扎尔)开创的蒙古佛像典范”专题，四件精美的扎纳巴扎尔风格风格佛教造像全部成交。此外，17至18世纪初药师佛”以咨询价上拍，最终以1380万元成交；11至12世纪大理国托宝钵释迦牟尼”同样是本场的焦点，980万起拍，迅速蹿升至1500万，后以50万的竞价阶梯缓慢提价，最终以1900万落槌，以2185万元成交，拔得该专场头筹。

　　日场方面，“宫廷艺术与重要瓷器、玉器、工艺品专场”表现优异，获得1亿元的总成交额，其中清雍正仿官釉贯耳弦纹大方壶以1219万元成交，拔得本专场头筹。常规优势专场“自在菩提——中国金铜佛造像、唐卡”专场也取得了6000万元的总成交额。

　　古董珍玩重点拍品

　　Lot 5128

　　清雍正粉彩瑞果三多暗刻龙纹大碗成对

　　RMB:32,200,000

　　Lot 5224

　　明成化青花缠枝莲瓜棱甘露瓶

　　RMB:26,450,000

　　Lot 5182

　　清乾隆紫檀雕福寿八吉祥嵌百宝十二扇屏风

　　RMB:24,380,000

　　Lot 5060

　　11至12世纪托宝钵释迦牟尼

　　RMB:21,850,000

　　Lot 5071

　　17至18世纪初药师佛

　　RMB:13,800,000

　　Lot 5163

　　清乾隆天青釉六方大瓶一对

　　RMB:13,800,000

　　Lot 5103

　　南宋龙泉梅子青摩羯耳盘口瓶

　　RMB:12,650,000

　　Lot 5127

　　清雍正青花仙人纳福尊

　　RMB:12,650,000

　　Lot 5837

　　清雍正仿官釉贯耳弦纹大方壶

　　RMB:12,190,000

　　Lot 5069

　　17至18世纪初莲花生大士

　　RMB:11,500,000

　　Lot 5102

　　宋磁州窑白地黑花菊纹带盖梅瓶

　　本品于昭和十七年（公历1942）被认定为日本“重要美术品”

　　RMB:10,235,000

　　现当代艺术部分

　　现当代艺术部分总成交3.2亿元，其中夜场斩获2.95亿元的总成交额。在夜场拍卖中，吴大羽专题悉数成交；吴冠中专题势头强劲，9件作品全部成交，共斩获1.4亿元。

　　“一直都说中国现当代艺术市场疲软，尤其今年以来，二级市场表现不是很理想。但我自己是不相信的。”保利拍卖执行董事赵旭先生表示：“拍卖的成功在于半年的准备及本身拍品的质量，所以这次保利的准备跟往常是一样的。我们仅吴冠中专题就拿到了1.4亿的好成绩，后面的1.8亿全是靠中国现当代艺术家的成交。这一结果也再次刷新了本季全球中国现当代艺术成交的纪录。”

　　现当代艺术重点拍品

　　Lot 3722

　　吴冠中竹海

　　RMB:43,700,000

　　Lot 3736

　　靳尚谊登上慕士塔格峰

　　RMB:28,750,000

　　Lot 3744

　　方力钧系列—之五

　　RMB:18,400,000

　　Lot 3725

　　吴冠中老虎高原

　　RMB:16,675,000

　　Lot 3720

　　吴冠中漓江

　　RMB:16,100,000

　　Lot 3717

　　吴冠中京郊山村

　　RMB:14,375,000

　　Lot 3719

　　吴冠中乌江人家

　　RMB:13,800,000

　　Lot 3726

　　吴冠中姐妹(人体)

　　RMB:12,650,000

　　Lot 3919

　　王兴伟进化的步伐

　　RMB:6,440,000

　　珠宝钟表尚品部分

　　作为国内珠宝钟表尚品拍卖的领头羊，保利拍卖此次秋拍在此部分斩获总成交1.2亿元，表现十分强势。专场中一件宝格丽31.40克拉天然缅甸红宝石配钻石戒指以3680万元成交；「Green Garden」总重79.22克拉天然哥伦比亚祖母绿项链及总重24.09克拉天然哥伦比亚祖母绿配118.32克拉钻石耳环套装以2093万元成交；天然满绿翡翠配钻石吊坠以1341万元成交。

　　Lot 8736

　　极为罕有的31.40克拉天然缅甸红宝石配钻石戒指

　　未经加热宝格丽 Bulgari

　　RMB:36,800,000

　　Lot 8643

　　「Green Garden」总重79.22克拉天然哥伦比亚祖母绿项链及总重24.09克拉天然哥伦比亚祖母绿配118.32克拉钻石耳环套装

　　RMB:20,930,000

　　Lot 8697

　　天然满绿翡翠配钻石吊坠

　　RMB：13,409,000

　　Lot 8205

　　百达翡丽 PATEK PHILIPPE 型号5307P 950铂金

　　手动上弦镶钻腕表

　　月相显示陀飞轮装置万年历三问功能

　　RMB:4,577,000

　　Lot 8138

　　雅典马戏团系列 950铂金手动上弦腕表

　　三问功能活动人偶

　　RMB:1,437,500

　　Lot 8312

　　法国 CAVEAU 路易十五风格

　　西阿拉黄檀木及桃花芯木铜鎏金三角钢琴

　　RMB:1,380,000

　　古籍文献部分

　　Lot 66

　　提婆菩薩造、婆藪開士釋、姚秦三藏鳩摩羅什譯百論卷上（敦煌寫經）

　　RMB:3,220,000

　　中国当代高端工艺品

　　Lot 3083

　　顾景舟仿古如意壶

　　RMB:6,325,000

　　中国当代水墨

　　Lot 3204

　　王西京竹林兴会图

　　RMB:2,990,000

　　保利茅台会——贵州茅台酒专场

　　lot15030

　　1981年 “金轮牌”贵州茅台酒（原箱三大革命）

　　RMB:920,000

　　百年风云——世界名人字札

　　Lot 13136

　　“苏联最高领袖”约瑟夫·斯大林（Joseph Stalin）

　　亲笔信及斯大林女儿斯维特兰娜（Swetlana）亲笔手绘

　　附证书

　　RMB:253,000

　　泉韵古今——古钱机制币、纸币专场

　　Lot 12440

　　战国三孔布“安阳”背“十二、一两”一枚

　　RMB:2,587,500

　　如果您想了解您手中藏品的价值请联系:

　　主编微信ID：yishuyc88

开元娱乐-冲刺阶段广东宏远调整名单以备亚冠；状态回暖环节打磨；悬念犹存；年轻球员得到机会的简单介绍

Mon, 13 Apr 2026 19:15:34 +0800

因为广东队人才太多了，有很多优秀的球员，所以天赋一般的他，在成年队没有什么机会刘权标没有被下放到广东宏远青年队，杜锋没有用他是因为刘权标因为伤病没有办法随队出战，只能让他待在东莞好好养伤，待康复之后便可以随队出征刘权标在夏天的中欧冠军杯和亚冠中表现非常不错，杜峰也有意培养这个新人，但在复赛以后，刘权标出场了18次，却只有场均24。

开云APP-关于集结日欧冠焦点战，马赛伤情更新，话题不断，轮换策略成焦点的信息

Mon, 13 Apr 2026 02:35:25 +0800

　　2026

　　今天，国际足联理事会在巴林召开会议正式通过了2026年世界杯决赛圈席位分配方案：亚洲8.5席，非洲9.5席，中北美及加勒比6.5席，南美6.5席，大洋洲1.5席，欧洲16席。

　　请输入标题 abcdefg

　　据国际足联官网消息，今天刚结束的国际足联理事会议上，确定了将于明日对2026年世界杯决赛圈名额分配方案等几项提案进行投票，如不出意外，亚洲将获得8.5个决赛圈名额。世界杯扩军的最大赢家是非洲足联，2026年世界杯非洲的参赛名额将由现在的5个升至9.5个，增长4.5席。

　　FIFA官网截图↓↓↓

　　此前国际足联已经决定，从2026年世界杯开始，决赛圈的参赛球队将由现在的32支扩军至48支，小组赛共分为16组，每组3队进行单循环，小组前2名晋级淘汰赛。

　　素来被视为世界足坛中心的欧洲区此番增加了3个名额，从而达到16席，在各大洲足联中依旧保持最多。

　　此外，北中美和加勒比足联的名额由3.5个增至6.5个，一直以来只拥有半个席位的大洋洲也将拥有一个直接晋级决赛圈的名额，此外还有0.5个附加赛席位，这意味着扩军后的每届世界杯上将至少出现一支大洋洲球队的身影。此前，附加赛屡次阻挡了大洋洲代表通往世界杯的道路。

　　分配方案还规定，世界杯东道主将直接获得一个参赛席位，但会占用所在大洲的一个参赛名额。如果是多个国家联合承办，届时将由国际足联理事会视具体情况另行讨论席位问题。

　　像目前盛传的美国、加拿大、墨西哥三国正在争取努力联办2026年世界杯赛，一旦确定是这三个国家联办，则究竟有几个东道主球队可以直接进入决赛阶段比赛，就由国际足联理事会开会进行研究决定，有可能是其中两个、也有可能是其中三个。

　　2026，我们还有申办希望？

　　国际足联就2026年世界杯申办程序也做出了说明，将先邀请非洲、大洋洲、中北美洲及加勒比海地区以及南美洲会员作为候选，申办截止时间2017年8月11日，第68届代表大会上投票确定主办国。如果无法确定主办国，国际足联将邀请亚洲、欧洲也参与申办，这意味着中国在理论上能够申办2026年世界杯。

　　各级国青屡战屡败，附加赛有戏？

　　按照以上分配原则，除去46个直接晋级名额，48张世界杯门票还余下两个席位，这将通过涉及六支球队的跨洲附加赛产生，也就是“0.5”席的含义。

　　亚洲由原来的4.5席增加至8席。这对于目前在FIFA排行榜上排名亚足联第9、在12强赛（根据两个小组球队所获积分）也排名第9的国足来说，依然无法直接出线，等于还需要去参加附加赛！

　　但以93、95以及97国青在亚青赛上的整体表现来看，未来的国家队想要有突破，不是说没有可能，只是会非常艰难。

　　中国国青已经连续6届无缘世青赛，这样的表现很难让他们去冲击2020年东京奥运会。而对于2026年的世界杯预选赛，届时的95国青以及97国青还能站起来成为国足的脊梁吗？现在看起来难度实在是有些大。

　　中国足协才在赛季初推出了针对1994年1月1日之后出生的球员的“强制首发出场1人，18人名单1人”的政策，目的就在于通过政策的杠杆，撬动中超、中甲球队对年轻球员使用、培养的重视程度。

　　如果不是U23新政，上述很多球员在本赛季不会得到出场机会。即使这样，中超各队在具体实施该政策时候很纠结，简直是“你有张良计，我有过墙踢”。

　　像延边以及辽足这样为保级而战的球队，几乎每场都是十多分钟就把23岁以下球员换下，从30分钟到10分钟，上港U23小将张华晨不断刷新中超被换下时间，体验着人生的悲喜；国安小将唐诗曾经有希望竞逐本赛季的最佳新人，但从第7轮开始，这位海归小将已经加入了“被换下”大军；恒大也是如此，陈泽鹏、徐新受伤后，斯科拉里对于其余的小将并不信任，王靖斌、温家宝都曾获得出场机会，不过无论表现如何优异，他们的出场时间都不超过30分钟。

　　而像富力、鲁能、建业和权健那样敢于让小将充当主力，真是难能可贵，也属于凤毛麟角。黄政宇、刘奕鸣、胡靖航是这项政策当中的佼佼者，不过环顾中超大环境，显然是杯水车薪。

　　俱乐部如果应付一时，被糊弄的还是自己，即使今天的规定没能制约，将来也会受到足球发展规律的惩罚。

　　7年以后，2026世界杯冲击开始，我们还有希望？

　　GLIVE_on_WECHAT

　　互动 | 焦点 | 资讯

开元娱乐-意甲最后一轮比赛战意分析

Sun, 12 Apr 2026 09:51:00 +0800

　　欧足联最新联赛积分榜和俱乐部积分榜一览

　　最新欧足联联赛积分榜

　　最新欧足联俱乐部积分榜

　　“元芳们”怎么看：

　　大塞维在12/13赛季只有3分的情况下生生追到了前十!

　　前10名只有一支英超球队和葡超齐平。

　　即使一个赛季不打欧战，西甲的积分也比第二多。

　　马竞和塞维利亚下赛季要逆天了？！

　　我车真是英超的良心……不过上赛季人品透支，这赛季就看隔壁阿森纳和对门曼城的了。

　　看这分数，明年的排行榜还能看到我车!

　　葡超竟然跌到了第七……前些年还是坐五冲四。

　　恭喜法甲重回“五大联赛”之列。

　　微体育www.jqzfxxgk.cn

开云APP-关于转会期德甲传出新动向，菲尼克斯太阳复出首秀，管理层表态：悬念犹存，资深球员宣示担当的信息

Sat, 11 Apr 2026 17:05:59 +0800

萨尔茨堡红牛VS哈特贝格临时主帅首秀五球封神萨尔茨堡红牛上德甲汉堡VS莱比锡武什科维奇复出汉堡迎来防线利好，主力中卫。

中国男篮归化球员李凯尔终于迎来国家队首秀比赛开始，中国男目前看诺伊尔无法在2周后复出天空列维去美国与转会无关，拜。

要知道前2名球员只有20岁的年纪，而斯特林哈弗茨都球星只能在替补席上等待机会，波特被拿下只是时间问题球队的管理层也有。

我只能用好手里的球员”马丁内斯希望用这样的方式向管理层施沃格尔萨默尔上轮联赛替补登场，本场比赛可能获得整场首秀的机。

开云体育官网-b%睮?L4:↘浊脟1#?`l欳A?閍眊纷驄熰舡m\p雸m?p喲?x檿??Fｙ弦d}N?楧D庳崴唺颙琛貚Qj蓝b婶窲c耊愅9?綻煟?眧瓝

Sat, 11 Apr 2026 00:21:12 +0800

　　在工业过程中接触粉尘的工作很多。例如，矿山的外采、爆破、运输；冶金工业中的矿石粉碎、筛分、配料；机械铸造工业中原料破碎、清砂；钢铁磨件的砂轮研磨；石墨、珍珠六、蛀石、云母、萤石、活件炭、二氧化碳等的粉碎加工；水泥包装；橡胶加工中的炭黑、滑石粉的使用，若防尘措施不完善，均有大量生产性粉尘外逸。在我国尘肺病是最常见、危害最严重的一类职业病。粉尘检测主要包括空气中粉尘采集、分散度检测、浓度检测等。车间或其他生产场所往往产生高浓度、可燃性的粉尘，其最严重的后果是粉尘爆炸，所以粉尘的可燃性和爆炸性邮理化特性参数测试也应该是安全检测应该关注的方面。1 生产性粉尘的来源与理化性质

　　生产性粉尘是在工厂和矿山的生产过程中产生的粉尘。含有游离二氧化硅的粉伞称为硅尘，它是对劳动者健康危害最严重的“种粉尘。根据化学成分的石同，粉尘可分为：金属尘、石棉尘、滑石伞、煤尘、炭黑尘、省墨尘、水泥尘、各种有机尘等几十种。另外，可燃性的行机和无机粉尘在生产车间空气中的积聚，也是造成粉尘爆炸的重大事故隐患。

　　一生产性粉尘来源与分类

　　1 粉尘的来源

　　在工业生产的物料加工与使用过程中都可能产生生产性粉尘，下面列举几个工艺过程来说明粉尘的来源。

　　(1)固体物质的机械破碎，如钙镁磷肥熟料的粉碎，水泥粉的粉碎等；

　　(2)物质的人完全燃烧或爆破，如矿石开采、隧道掘进的爆破．煤粉燃烧不完全时产生的煤烟半等；

　　(3)物质的研磨、钻孔、碾碎、切削、锯断等过秆的粉尘；

　　(4)金属熔化，如生产蓄电池电极时熔化铅的]：序产生的铅烟尘；

　　(5)成品本身吴粉状，如炭黑、滑石粉、村机染料、粉状树脂等。

　　2 粉尘的分类

　　根据粉尘的性质从来源，粉尘可以分为三类

　　(1)无机粉尘 ①矿物性粉尘，如石英、石棉和煤等粉尘。②金属性粉尘，如铜、铍、铅和锌等金属及其化合物粉尘。②人工无机粉尘，如水泥、金刚砂和玻璃纤维粉尘。

　　(2)有机粉尘①植物件粉伞，如棉、麻、什蔗、花粉和烟草等粉尘。⑨动物性粉

　　尘，如动物皮毛、角质、羽绒等粉尘。③人工有机粉尘．如合成纤维、有机染料、炸药、表面活性剂和有机农药等粉尘。

　　(3)混合性粉尘上述各类粉尘中两种或两种以上粉尘的混合物称为混合性粉尘。生产过程中常见的是混合性粉尘。

　　还原性的有机和无机粉尘，如硫黄、煤、棉、麻、面粉等粉尘，在生产车间等相对密

　　闭场所的空气中达到一定浓度范围时，可发生粉尘爆炸。煤矿的煤粉爆炸，棉麻加工厂的

　　棉麻粉尘爆炸等都是非常严重的生产安全事故。

　　3 粉尘的理化特性

　　了解粉尘对职业健康的危害，应该考虑粉尘的理化性质。

　　(1)化学成分及其浓度化学成分不同的粉尘，即不向种类的粉尘对人体的作用性

　　质和危害程度不同，例如石棉尘可引起石棉肺和间皮瘤，棉尘则引起棉尘病；含有游离二

　　氧化硅的粉尘可致矽肺。同一种粉尘，在空气中的浓度愈高，其危害也愈大；粉尘中主要

　　有害成分含量愈高．对人体危害也愈严重，如含游离二氧化硅10％以上的粉尘比含量在

　　10％以下的粉尘对肺组织的病变发展影响更大。游离二氧化硅是指结晶型的二氧化硅，不包括硅酸盐形态的硅。

　　(2)粉尘的分散度粉尘分散度是指物质被粉碎的程度，以大小不同的粉尘粒子的百分组成表示。空气中粉尘颗粒巾细小微粒所占比例越高．则称为分散度越大。粉少分散度愈高，形成的气溶胶体系越稳定，在空气中悬浮的时间越长，被人体吸入的几率越大，同时比表面积也越大，越容易参与理化反应，对人体危害也越大。

　　(3)粉尘的溶解度若组成粉尘的物质对人体有毒，粉尘的溶解度越大，有毒物质越易被人体吸收，其毒性越大。无毒物质的粉尘，若溶解度大，则易被人体吸收、排出，毒性也较小；石英、石棉等难溶性粉尘在体内不能溶解，持续产生毒害作用，对人危害极其严重。总之，粉尘的溶解度与其对人体的危害程度，冈组成粉尘的化学物质性质不同而异。

　　(4)粉尘的荷电性在粉尘形成和流动过程中，内于互相摩擦、碰撞或吸附空气中的离子而带电，空气中90％。95％的粒子带有电荷，同一种尘粒可能带正电、负电或呈电中性．与尘粒化学性质无关。荷电量取决于尘版的大小、比重、温度和湿度。温度升高，湿度降低，尘粒荷电量增加；同电性尘粒相互排斥，粉尘稳定性增加，反之，粉尘颗粒相互吸引，形成大的尘粒加速沉降。一般认为，荷电尘粒易于阻留在人体内。

　　(5)粉尘的形状与硬度在一定程度上，粉尘粒子的形状也影响它的稳定性(即在空气中飘浮的持续时间)。质量相同的尘粒，共形状越接近球形，则越容易降落。锐利、粗糙、硬的尘粒对皮肤和黏膜的刺激性比软的、球形尘粒更强烈，尤其是对上呼吸道融膜的机械损伤或刺激更大。

　　(6)粉尘的爆炸性一定浓度条件下，高度分散的可氧化粉尘，一旦遇到明火、电火花或放电，则可能发生爆炸。一些粉尘爆炸的浓度条件是：煤尘30—40g m’；淀粉、铝及硫黄粉尘7g／m’；糖尘10．3g／m：。在采集这些粉尘样品时，必须注意防爆。由此可见，爆炸性粉尘不仅对职业安全有危害，而且对生产安全也是重大的危险源。

　　4 粉尘粒度及其冲人体健康的危害

　　粉尘颗粒物版径不同，对人体健康的危害也不同。粒径较大的颗粒，自然沉降速度快，惯性也大，呼吸吸人人体的几率小，因而对人体危害小；而在空气中悬浮的细小微粒，不仅在空气中停留时间长，而且易被吸人人体内进入肺泡中。因此了解粉尘粒径分布，对研究粉尘对人体的危害及选择制定测定方法有重要意义。

　　4.1 粉尘粒径表示方法和粒度分布

　　一般情况下，粉尘颗粒物并非球形，其形状多种多样。大小不同的颗粒物，光学、电学或气体动力学的性质也不相同。用直径表示其大小时，人们可选用颗粒的空气动力学当量直径、显微粒径、筛分粒径或沉淀粒径等多种表示方法。目前，国际上最常用空气动力学当量直径表示空气中悬浮颗粒物的粒径，这一表示方法又分为两种。

　　空气动力学直径particle aerodynamic diameter，PAD)是指在通常温度、压力和相对湿度的空气中，在重力作用下与实际颗粒物具有相同末速度，且密度为1g／cm’球体的直径。也就是说，被测颗粒物的直径相当于在平静的气流中与其具有相同末速度，且密度为1g／eM’的球形标准颗粒物的直径。

　　扩散直径(partie diffusion diameter，PDD)是指在通常的温度、压力和相对湿度情况下．与实际颗粒物具有相同扩散系数的球形颗粒直径。当颗粒物的PAD5pM时．它在空气中的扩散作用较重力沉降作用强，这种颗粒物处于布朗扩散运动状态．此时应当用PDD来表达颗粒的大小。

　　PAD、PDD这两种粒径表示方法并不涉及颗粒物的密度和形状，使颗粒物进人人体呼吸系统时的撞击、沉降和扩散作用情形与采样时颗粒物的动力学特征一致，有利于研究和评价颗粒物的卫生和健康效应。

　　能在空气中悬浮的粉尘颗粒物也不是一种粒径．而是具有多种粒径。表达某种分散体系中颗粒物粒度分布状态的方法，通常是用各个不同粒径范围颗粒物的累积质量占总体质量的百分数与粒径的对数的关系曲线来表达。将颗粒物粒径标在对散坐标(纵坐标)上．同一体系中不同粒径颗粒物累积质量百分率标在概率刻度的横坐标上，在对数概率纸上得到的粒度分布曲线是一条直线(图5—1)。

　　目前．方便地表示分散体系中颗粒物的大小的参数是采用质量中值直径(mass medium diameter，MMD)。MMD代表悬浮颗粒物体系的几何平均粒径，通常用D50表示。MMD是指在颗粒物粒度分布曲线中，颗粒物的累积质量占颗粒物总质量一半(50％)时所对应的空气动力学粒径。例如图5—1中两条粒度分布曲线的MMD分别为05pM和20Pm 。

　　4．2 粉尘颗粒物的分类

　　粉尘颗粒粒径不同，则其理化性质也不同，能够进人人体呼吸系统(鼻咽区、气管和支气管区、肺泡区)的部位也不同，团此对人体危害程度也不——样。按粒径大小可将粉尘颗粒物分为以下几类。

　　4．2．1 降尘(dustfall)

　　降尘是指在空气自然环境条件下，能靠自身重力很快自然沉降的颗粒物。降尘粒径大于30Pm。降尘颗粒的理化性质接近于固体物质，表面自由能低，很少聚积或凝聚。由于其难以进入呼吸道，对人体健康的危害也较小。

　　4．2．3 可吸入颗粒物（inhalable particulars IP)

　　经口腔和鼻孔被吸入，并能达到鼻咽区的悬浮颗粒物被称为可吸人颗粒物。显然，IP

　　的粒径范围与劳动场所的风速、风向及劳动者的呼吸急促程度有关。入们对定义IP的粒径小于10Mm产生疑问是有道理的。

　　4．2．4 胸部颗粒物(Thoracic Particulates，TP)

　　在可吸入颗粒物中，能穿过咽喉的颗粒物被称为胸部颗粒物，其垃径小于30p”。在粒径小于30pm的范围内，质量累积达该范围颗粒物总质量的50％时的粒径(D50)通常在10pm左右，故称为PM10(Particulate Matter，PM)，所以TP和PM10含义相同，它表示D50＝10PM，且粒径小于30PM的可吸入颗粒物。注意，不能把PM10理解为粒径事10pm的可吸入颗粒物。

　　在TP中，粒径较大(，10p”)的颗粒物质量相对较大，被入体吸入后具有较大的惯性，在鼻腔陡弯处和咽喉部位与呼吸道内壁碰撞，致使大部分颗粒沉积在上呼吸道，少量进入气管和文气管前段；粒径在5—10P”范围内的颗粒物，由于重力作用，大部分在气管和文气管区发生沉降，5P“左右的颗粒物进入肺泡，沉积率达到50％左右。

　　4．2．5 呼吸性颗粒物(Respriable Particulates，RP)

　　可吸人颗粒物中能进入肺泡的颗粒物称为呼吸性颗粒物。对健康人群来说，这类颗粒物的粒径‘12P”，D 50＝4p”；对于儿童、年老体弱和有心肺疾病等高危人群来说，RP的

　　粒径＜7P”，D50=2．5。PM2．5的概念就据此而来。

　　粒径较大的颗粒物主要是通过惯性作用、重力作用沉积在鼻咽腔、气管和文气管内；粒径很小(＜O.1pm)的颗粒物主要通过扩散作用——布朗运动沉积在肺泡中。可见．大气中颗粒物粒径不同，颗粒物在人体呼吸系统中沉积部位不同，沉积率也不同。沉积率越高，对人体健康危害越大；空气小悬浮颗粒污染物中小的颗粒污染物对人体健康的影响比大的颗粒污染物更明显。因此，研究PM10和PM2.5对保障劳动者职业安全健康具有重要的意义。

　　2．3 粉尘的危害

　　生产性粉尘的种类和性质不同，对人体的危害也不同。由粉尘引起的疾病和危害主要有以下几种。

　　(1)尘肺尘肺是长期吸入高浓度粉尘所引起的最常见的职业病。引起尘肺的粉尘种类不同，尘肺的名称也不同，含二氧化硅粉尘——矽肺；炭黑粉尘——炭黑肺；滑石粉粉尘——滑石肺；铸造型砂粉尘——铸上拿肺；电焊焊药粉少——电焊工尘肺；煤粉——煤肺等等

　　(2)中毒粉尘中含有铅、镐、砷、锰等毒性元素，在呼吸道溶解被吸收进入血液循环引起中毒。有毒性粉尘在体内的溶解度越大，毒性作用越大。

　　(3)上呼吸道慢性炎症毛尘、棉尘、麻尘等轻质粉尘．人被吸人呼吸道时着于鼻腔、气管、文气管的戳膜上，长期局部刺激作用和继发感染引起慢性炎症。

　　(4)眼疾病金属粉尘、烟草粉尘等，可引起角膜损伤。

　　(5)皮肤疾患细小粉尘堵塞汗腺、皮脂腺而引起皮肤干燥、继发感染，发生粉刺、毛囊炎、脓皮病等，沥青粉尘可引起光感性皮炎。

　　(6)致癌作用放射性粉尘的射线易引发肺癌，石棉尘可引起胸膜间皮瘤，铬酸盐雄黄矿尘等也引发肺癌。

　　粉企的危害很多，此处难以一一列举。

　　二、工作场所粉尘的采集

　　1 测尘点和采样位置的确定

　　测定粉尘的目的是确定劳动者受粉尘危害的程度，所以测尘点的选择要遵循一定的原则，否则不能反映出真实的情况。测尘点应设在有代表性的工人接尘地点，测尘位置应选择在接尘人员经常活动的范围内．且粉尘分布较均匀处的呼吸带。存在风流动影响时，一般应选择在作业地点的下风侧或回风侧。移动式产尘点的采样位置，应位于生产活动中有代表性的地点，或将采样器架设于移动设备上。

　　2 工厂测尘点和采样位置的确定

　　一个厂房内有多台同类设备生产时，三台以下者选一个测尘点，四台至十台者选两个测尘点，十台以上者，至少选三个测尘点；同类设备处理不同物料时，按物料种类分别设测尘点；单台产尘设备设一个测尘点。移动式产尘设备按经常移动范围的长度设测尘点，20m以下者设一个，20m以上者在装卸处各设一个。在集中控制室内，至少设一个测尘点，但操作岗位也不得少于一个测尘点。

　　固体散料常用输送带输送，也是常见的产尘点，输送带长度在10m以下者设尘点，10m以上者在输送带头、层部各设一个测尘点。高式带式运输转运站的机头各设一个测尘点，低式转运站设一个测尘点。

　　采样位置选择在接近操作岗位或产尘点的呼吸带(一般为1．5m左右)。

　　3.2.1 车站、码头、仓库产尘货物搬运存放时测全点和采样位置的确定

　　在车站、码头、仓库、车船等装卸货物作业处，应分别设一个测尘点，输送带输送货物时，装卸处分别设一个测尘点。车站、码头、仓库存放货物处，分别设一个测尘点。如果是人工搬运货物，来往行程超过30m以上时，除装卸处设测尘点外，中途也应设一个测尘点。

　　晾晒粮食的场所粉尘量也很大．所以也要设一个测尘点。物品存放在仓库时，假如在包装、存放过程中产生粉尘，则应在包装、发放处各设一个测尘点。

　　采样位置一般设在距下人2m左右呼吸带高度的下风侧；粮食围边采样左右。

　　3.2.2 露天矿山测尘点和采样位置的确定

　　(1)测尘点确定每台钻机(潜孔钻、牙轮钻、冲击钻等)的司机室内设一个测尘点，钻机处设一个测尘点。台架式风钻(包括轻型、重型凿岩机)凿岩，技工作面设测尘点。每台电铲、柴油铲的司机室内设一个测尘点，司机室外设一个测尘点。每台铲运机司机室内设一个测尘点，司机室外设一个测尘点。每个人工挖掘工作面设一个测尘点。

　　车辆(汽车、电机车、内燃机车、推土机和压路机等)的司机室内设—个测尘点。采用索道、输送带、斜坡迫、板车、人工等其他运输方式时，在转运点或落料处设测尘点。一条工作台阶路面设一个测尘点。永久路面(采矿场到卸矿仓或废石场之间)设2—4个测尘点。

　　二次爆破凿岩区及废石场、卸矿仓、转运站的作业处各设一个测尘点。独立风源、溜

　　矿井的倒矿和放矿处分别设测尘点。计量房、移动式空压机站、保养场、材料库、卷扬机

　　房、水泵房和休息室等处，均成分别设一个测尘点。

　　(2)采样位置电铲、钻机、铲运机、车辆等司机室内的采样位置，设在司机呼吸带内。钻机外的采样位置．设在距钻机3—5m的下风侧。铲运机外的采样位置．设在距铲岩处1．5——3m的下风侧。台架式风钻凿岩的采样位置，设在距工人操作处1．5—3m的下风侧。

　　电铲外的采样位置，设在电铲铲斗装载和卸载中点的下风侧。铲斗容积为lm’者．测点距中点15m左右3—5m’者，为20—30m；大于8m’者，为30—40m 。装岩机及人工挖掘工作面的采样位置，设在距挖掘处1．5—3m的下风侧。

　　机动车辆以外的其他运输作业的采样位置，设在距转运点或落料处1．5—3m的下风测。工作台阶路面、永久路面的采样位置，设在扬尘最大地段的厂风侧，距路面中心线5-7m处。度石场、卸矿仓、转运站的采样位置，均设在卸载处的下风侧。其距离为：人力卸料，3—5m; 30t以下机车拖运，5—10m; 30t以上机车拖运，15—20m。

　　二次爆破凿岩区的采样位置，设在距凿岩处3-5m的下风侧。独立风源的采样位置，设在采场的实际上风侧，而且不应受采场内任何含尘气流的影响。溜矿井倒矿、放矿作业的采样位置，设在距井口5-10m的下风侧。计量房、移动式空压机站、保养场、水泵房等场所的采样位置，设在上人操作呼吸带高度。

　　3.2.3 地下矿山隧道工程测尘点和采样位置的确定

　　(1)测尘点掘进长度在10m以上的工作面，“刷帮”、“拉底”、“挑顶”和掘进闲空连续作业五个斑以上的工作面，按工作面各设一个测尘点。一班多循环的工作面，只按一个凿岩测尘点计算。闲空型采场按作业类别设测尘点。巷道型采场按作业的巷道数设测尘点，切割工程量在50M’以上的采准工作面设一个测尘点，开凿漏斗时以一个矿块作为一个测尘点。漏斗放矿按采场设测尘点，但在同一风流中相邻的几个采场同时放矿时，只设一个测尘点，巷道型采矿法出矿按巷道数设测尘点。使用带式转载机运输时，每一带式转载机、装车站、翻车笼等各设一个测尘点。溜井的倒矿和放矿分别设一个测尘点。主要运输巷道按个段数设测尘点。破碎酮窒设一个测尘点。打锚杆、搅拌混凝土、喷浆当月在五个班以上时，分别设测尘点。更衣宰按房间数设测尘点。

　　(2)采样位置凿岩作业的采样位置，设在距工作面3。6m回风侧的工人呼吸带。机械装岩作业、打眼与装岩同时作业，掘进机与装岩机同时作业的采样位置，设在距装岩机4—6m的回风侧：人工装岩设在距装岩工约1．5m的下风流中。普通法掘进天井的采样位置，设在安全湖下的回风流中；吊罐或爬罐法掘进天井的采样位置，设在形下的回风流中。闲室型、巷道型采场作业的采样位置，设在距产尘点3—6m的回风流中；多台凿岩机同时作业的采样位置，设在通风条件较羌的一台处。电耙作业的采样位置，设在距工人操作地点约1．5m处。溜井和漏斗的倒矿和放矿作业的采样位置，设在下风侧约3m处。带式转载机、装车站、翻罐笼等产尘点的采样位置，均设在产尘点下风侧1．5。2m处。主要运输巷道的采样位置，设在污染严重的地点。喷浆、打锚杆作业的采样位置，设在距工人操作地点下风侧5—l0m处。

　　3．3 粉尘采样器的类型、规格和性能要求

　　粉尘采样器的基本功能是提供采集含尘气体的动力，调节和控制流速。粉尘收集器是整套粉尘采样装置的一部分，不包括在粉尘采样器中，侗有些采样器和收集器是合并在一起的。

　　(1)粉尘采样器在测定空气中粉尘浓度、分散度、粉尘中游离二氧化硅、金属元素等化学有害物质时，都可使用携带式粉半采样器采集粉尘。粉尘采样器的体积应小于300mm*170mm * 200mm．重量小于5kg。气体流量在5—30L／min或0—15 L／min范围内连续可调，运行时的噪声小于70dB(A)；连续运行8h以上时，温升小于30度

　　粉尘采样器配有滤料采样夹，与滤纸或滤膜配合使用。粉尘采样器又分为固定式和携带式两种。挠带式粉尘采样器(图5—2)在现场用三脚支架支撑，其高度1．0—1．5m。它的两个采样夹可以进行平行采样。该仪器重量轻，易于携带，常用于采集作业场所粉尘。

　　(2)个体粉尘采样器个体粉尘采样器的体积应小于150mm x 80mm x150mm．重量小于1kg。拍气流量在0-5L／m：n或0—10L／min范围内连续可调，可不带流量计，运行时的噪声小于60dB(A);采样器连续运行8h以上时，温升小于10汇。应有佩戴装置，并且使用方便安全，不影响工作。个体采样器主要由采样头(粉尘收集器)、采样束、滤膜等构成。采样头是个体采样器收集粉尘的装置，由入口、粉尘切割器、过滤器二部分组成。测定呼吸性粉尘时才使用粉尘切割器(原理见5.3.4)．否则测定的是悬浮性粉尘。采样头入口将呼吸带内满足总粉尘卫生标准的粒子有代表性地采集下来，切割器将采集的粉尘粒子中非呼吸性粉尘阻留，呼吸性粉尘由过滤器全部捕集下来。旋风切割器、向心式切割器和撞击式切割器是个体粉尘采样器中比较常用的切割器。

　　(3)呼吸性粉尘采样器呼吸性粉尘的粒径分布标准应符合英国医学研究协会所规定的标准；呼吸性粉尘采样器的体积应小于300mm M]70mm x 2肋mm，重量小于5k8。抽气流星范围应与收集器所需流量匹配．运行时的噪声小于70dB(A)。采样器连续运行8h以上时，温升小于30度。呼吸性粉企采样器应有配套的固定装置，使用方便安全。

　　(4)个体呼吸性粉尘采样器同气体采样一样，个体采样器那是为了反映劳动者个人受粉少危害的情况．其他定点采样器则主要反映一个区域受粉尘危害的

　　情况。呼吸性粉尘的杯径分4J标准府符合英国医学研究协会所规定的标难；个体呼吸性粉尘采样器体积应小于150mm x 80mm x150mm，重量小于1kg。流

　　量范围府与收集器所需流量匹配，可不带流量计．运行时的噪声小于60dB(A)；采样器连续运行8h以上．温升小于l0度。应有佩戴装置，并量使塌

　　方便安全，不影响工作。

　　四、工作场所粉尘浓度的测定

　　粉尘浓度是指单位体积空气中所含粉尘的质量(mg／m’)或数量(粒／cm’)。我国的标准测定方法《作业场所空气中粉尘测定方法》(GB 5748—1985)采用的是质量浓度。

　　粉尘浓度测定的标准方法是重量法，它是基本方法。如果使用仪器或其他方法测定粉尘质量浓度，则必须以标准重量法为基准，这样可以保证测定结果的可比性。重量法测定结果能更好地反映现场粉尘浓度的真实情况，所需仪器装置比较简单，但操作复杂、速度慢。在作业现场使用的操作简便、灵活、快速的方法是仪器测定法，主要仪器有压电晶体差频法测尘仪、p射线吸收法测坐仪及光散射测定仪。

　　4．1 滤膜重量测定法

　　测定作业场所空气中粉尘时，测尘点应设在工人在生产过程中经常或定时停留并受粉尘污染的作业场所，要有代表性地反映工人接尘的实际情况。测坐位置应选择在粉尘分布较均匀处的呼吸带，一般在接近操作岗位处的1．5m高度左右。在有凤的影响时，应选择在作业地点的下风侧或回风侧。如果产尘点处于移动状态，采样或测尘点应位于生产活动中有代表性的地点，或将采样或测尘仪器直接架设在移动设备亡。

　　4.2 检测原理

　　用抽气动力抽取一定体积含尘空气，并让其通过已知质量的聚氯乙烯纤维滤膜，则粉尘被阻留在滤膜上，根据采样前后滤膜的质量之差和采气体积，计算出单位体积空气中粉尘的质量浓度c (mg／m’)。

　　通常需将采样体积换算成标准状况F的体积值rD(换算方法见第3章)。这种方法测定的是TSP质量浓度，如前置粉尘颗粒切割器就可测PM10。

　　4．1．2 采样

　　测尘滤膜采用聚氯乙烯纤维滤膜。将滤膜置于滤料采样夹上，在呼吸带高度(—般在受粉尘危害人员站立处的15m高处)，用滤膜以15—30I／m5n的流速采集空气中粉尘。在需要防爆的作业场所采样，应用防爆型粉尘采样器。当粉尘浓度低于50mg／m’时，用直径为40mm的滤膜；高于50mg／m“时，用直径为75mm的滤膜。当聚氯乙烯纤维滤膜不适用时，改用玻璃纤维滤膜。

　　气体流量计常采用15—40I／mln的转于流量计，需要加大流量时，可提高到采用80L／min的转于流量计。流量计至少每半年用皂膜流量计或精度为11％的转子流量计校正一次。为保证流量计正常工作，应尽量避免被污染，若流量计有明显污染时，应及时清洗校正。在整个采样过程中，流量应稳定。

　　4．1．3 采样时间

　　在连续性产尘作业点测定时，应在正常作业开始30mjn后开始采样。作业点，应在工人工作时采样。

　　确定采样的持续时间就要先估计粉尘浓度，根据测尘点的粉尘浓度估计值及滤膜上所需采集粉尘量的最低值确定采样的持续时间，但一般不得小于10miH。当粉尘浓度高于10mg／m3时，采气量不得小于0．2m’；浓度低于2mg／m“时，采气量为0．5—1m’。采样持续时间一般按式(5—2)估算。

　　采集在滤膜上的粉尘的采集量过小可能在称量时产生偏差，过大时滤膜孔被堵塞过多，阻力增大，尘粒容易脱落，采样误差大，滤膜的机械强度也难以承受。直径为40M滤膜上的粉尘的采集量，不应少于I”g，但不得多于10mg，而直径为75M的滤膜，应作成锥形漏斗进行采样，其粉尘采集量不受此限制。

　　4．1．4 注意事项

　　滤膜重量法测定粉尘浓度有以下4个关键性操作步骤。

　　(1)采样前必须用同样的末称重滤膜模拟采样，调节好采样流量，检查仪器密封性能。具体方法是在抽气条件下，用手掌堵住滤膜进气口，若流量计转子立即回到零刻度，表示采样系统不漏气。单独检查采样头的气密性，可将滤膜夹上装有塑料薄膜的采样头放于盛水的烧杯中，向采样头内送气加压，当压差达到1000Pa时，水中应元气泡产生。

　　(2)采样量超出20mg时，应重新采样。

　　(3)若现场空气中含有袖雾，必须先用石油醚或航空汽油浸洗采样后的滤膜．晾干后再称重。

　　(4)滤膜的受尘面必须内外于55°c。

　　五、生产性粉尘危害程度分级

　　六、

　　生产性粉尘是作业场所最主要的职业病危害因素之一，由其造成的职业性尘肺病是我国日前发病率最高的职业病。生产性粉尘的主要接触方式是经呼吸道吸入。国家标准生产性粉尘作业危害程度分级》(cB 5817—1986)主要依据粉尘中游离二氧化硅含量、工人接触粉尘作业时间内肺总通气量、生产性粉尘浓度超标倍数计算粉尘作业分级指数，以指数范围评定生产性粉尘危害等级。生产性粉尘危害程度级别越高，危害越大。对H级以上危害级别的作业场所，要求作出改进计划，限期整改，甚至停产。

　　与有毒作业分组一样，该标准在计算生产性粉尘超标倍数时，采用的是最高容许浓

　　度，随着《工作场所有害因素职业接触限值》(GBz 2—2002)的颁布实施，生产性粉尘的卫生限值以短时间接触容许浓度和时间加权平均容许浓度规定，因此现行标准规定的生产性粉尘分级方法与现行标准限值已经不配套，所以分级方法暂不介绍。

　　1 粉尘的可燃性及爆炸性测定

　　粉尘爆炸是指悬浮于空气中的可燃性(或还原性)粉尘的爆炸。粉尘爆炸的破坏性不亚于可燃气体的爆炸，1987年3月15日哈尔滨亚麻厂的亚麻粉尘爆炸事故造成58人死亡，177人受伤。最常见的粉尘爆炸是煤矿的煤尘爆炸，另外机械化的面粉厂、制糖厂、纺织厂以及铝、镁、炭化钙等生产场所悬浮于空气中的细微粉尘都有极大的爆炸危险性。防止或减少粉尘外逸以及有效的通风除尘是避免粉尘爆炸的根本方法。

　　同可燃气体爆炸一样，产生粉尘爆炸必须具备3个条件；粉尘浓度在爆炸极限之内、有氧化性气体(通常是氧气)和点燃源。粉尘爆炸的爆炸下限约在45。50g／m；．爆炸L限一般都比较高，实际情况下很难达到。粉尘的爆炸性与其颗粒大小有关，颗粒越纫，单位至量的粉尘表面积越大，吸附的氧就越多，发火点和爆炸下限也越低。另外，颗粒越细越容易带上静电。细小粉尘的爆炸危险性还与其物理化学性质有关，粉尘物质的燃烧热越大，则其粉尘的爆炸危险性越大；越易被氧化的物质，其粉尘越易爆炸；易带静电的粉尘易引起爆炸，在产生粉尘的过程中，由于摩擦、碰撞等作用粉尘一般都带有电荷，细小粉尘带电后其物理性质将发生改变，其爆炸性质也会变化。由粉尘爆炸机理可知，发火和燃烧的过程都是很复杂的过程。

　　本节简要介绍工业粉尘可燃性和爆炸性特征值的测定方法。测定项目有以下几项。

　　(])粉尘及粉末层中的被发火(点火)温度(小及自发火(自燃)温度(*：)；

　　(2)爆燃温度6b(熔点低于300Y的固体物质)；

　　(3)阴燃温度(2、)；

　　(4)粉尘的发火温度下限；

　　(5)最大爆炸压力(Pb)；

　　(6)爆炸压力增加速度(z／)；

　　(7)粉尘中最低温皮爆炸含氧

　　1．1 基本概念

　　(1)燃烧可燃粉尘(物质)与氧或氧化剂发生的强烈放热且发光的一9反应。

　　(2)发火(着火) 指燃烧的发生o

　　(3)白发火温度(白燃温度)投产生自发火的初始温度，即自燃点。

　　(4)被发火温度(点火温度) 指引起发火的热源的最低温度，即燃点。

　　(5)阴燃温度指由于加热产生阴燃时的粉末的最低温度。

　　(6)爆燃温度指可燃物质在试验条件下，其表面上方形成能由点火源产生的爆炸蒸气及与空气的混合物，但形成速度还不足以产生后继燃烧的最低温度。

　　(7)发火温度下限指火馅可能由点火源沿固相扩散的最低含尘量。

　　参数特征值是在一定的条件下的测定值，只有试验室测试条件接近于现场实际情况时，测定数据才接近实际。

　　1．2 粉末可燃性特征值的测定

　　1．2．1 自发火(自燃)温度5I的测定

　　通常采用温度记录法进行测定。图5—17是按差分温度记录法测定eI的实验装置。首先将盛有试验粉末及惰性物质的谢蜗4和3连同插入其中的热电偶一起置于反应管5中，用支撑管固定于竖炉2内。用双坐标自动电位计平行记录热电偶的指示值。将一定组成的混合气送入反应管中，由气体分杨器测定指示氧浓度。在不同氧浓度下重复进行试验．测出粉末发火时的最低氧浓度。根据温度记录图上的拐点，确定粉末自发燃烧的开始点。

　　1．2．2 被发火温度(点火温度)入的测定

　　将粉末试样置于热金属传热板上，利用热金属棒作为点火源。使热金属棒与粉末表面接触，粉末的温度用插入其中的热屯偶测量．用电位计记录其读数，在温度记录图上，温度上升的跃点即为点火温度。

　　1．2．3 阴燃温度2v的测定

　　阴燃温度是自加热温度不高于600焰或者自发火温度相当高。测定时先将粉末以一定厚度均匀铺撤在加热板上，通和产生强烈的热交换，用电位计记录阴燃温度。煤粉的最低阴燃温度是125Y，黄铁矿粉为]50Y

　　1．2．4 爆燃温度cb的测定

　　加热板是敞开的．以使空气自由流对于固态熔融状有机物质，例如石油沥青、焦油沥青等需要测定爆燃温度。按其数值对生产工艺、厂房、设备发生火灾及爆炸的危险性的大小进行分级。

　　测定时，先将试样以14。17骡／min的速度进行加热，然后降低其加热速度，即在温度到达fb之前的最后28骡，把加热速度降为5—6℃／min，开始测定cbo此时把煤气烧嘴的火焰在试样表面上方不断移动1—1．5c小s，温度每上升2Y重复进行一次测试。

　　测定jb以后继续以5。6骡／min的速度加热试样，将其温度提高到发火温度。由于煤气烧嘴的火焰而使物质发火，移开烧嘴的火焰使其继续燃烧不少于5s的时间，这当中的最低温度为发火温度。部分粉尘的发火温度见表5—3。比3 粉末爆炸性特征值的测定粉末爆炸性特征值普遍是利用实验宝装冒进行测定。装置种类很多，大致均内以下几部分构成：喷粉系统、测量发火温度系统、测量爆炸压力及压力增长速度系统、观察发火过程及火焰扩散过秤窗口。

　　当有特殊需要时也可在大系统中进行试验，即在尽可能接近于实际情况的条件下进行。这种方法主要用于巷道中煤尘的爆炸性能试验。由于装置造价高加之完成试验的技术难度大，一般很少采用。

　　六、空气灰尘颗粒采集模块

　　1、产品概述：

　　粉尘检测仪主要用于检测环境中的粉尘浓度，其工作原理：主要元器件为激光二极管、透镜组和光电检测器。检测时，首先由激光二极管发出的激光，通过透镜组形成一个薄层面光源。薄层光照射在流经传感器室的待测空气，粉尘会产生散射，通过光电探测器来检测光的散射光强。当前人们对生活工作居住环境的要求越来越高；主要适用于各种研究机构，气象学，公众卫生学，工业劳动卫生工程学，大气污染研究等。

　　2、技术参数：

　　测量对象：空气中的固体粒子（内置加热器自动吸入空气）

　　测量粒径：1um以上；

　　工作电源：DC9V～DC15V

　　精度：0.01千粒/升

　　测量周期：3秒

　　测量范围：浓度 0～60千粒/升（K pcs）

　　接口方式： RS485

　　通迅波特率：9600

　　传感器稳定时间：接通正常工作电源后约1分钟

　　工作温度：-10~60℃

　　存储温度：-20~80℃

　　工作湿度：5%RH ~ 90%RH

　　存储湿度：5%RH ~ 95%RH

　　3、粉尘传感器通迅协议：

　　数据头数据/命令类型数据/命令(H)数据/命令(L)校验码

　　0x181BYTE1BYTE1BYTE1BYTE

　　1、主机->从机读取粉尘传感器数据；

　　0x18 0x03 0x01 0x01 0x1d；

　　2、主机->从机重新采集粉尘数据(时间和粉尘计数器清零)；

　　0x18 0x03 0x02 0x01 0x1e；

　　2、从机->主机发送粉尘传感器数据；

　　0x18 0x03 0xxx(整数) 0xxx（小数） 0xxx

　　4、粉尘传感器接口说明：

　　棕色黑色黄色

　　+12VGND485B

开元官网-今夜巴黎圣日耳曼备战欧篮联，豪取连胜细节曝光，媒体盛赞，团队化学反应显著的简单介绍

Fri, 10 Apr 2026 07:35:30 +0800

2025年4月10日要说本赛季最让人惊喜的队伍之一，巴黎圣日耳曼会是其中一支法甲和欧冠看了他们一些比赛，真心觉得现在的体系和阵容结构非常合理，比之前梅西姆巴佩；2025年3月5日巴黎圣日尔曼在法甲联赛属于横着走的球队，在上个赛季的法甲联赛中，巴黎圣日尔曼在34场比赛中取得了22胜10平2负的成绩，球队打进81球丢掉33球拿到76分。

2025年2月20日北京时间2月20日，欧冠淘汰赛附加赛次回合，巴黎圣日耳曼70大胜布雷斯特据统计，巴黎圣日耳曼在欧冠联赛中已经取得了五连胜具体战绩如下欧冠联赛阶；如果成绩至上，则巴黎放着四亿前场，却还砸大钱紧追一个34岁老将，是不是不够理智但看球的诸位自然明白，这些暂时都不重要了巴黎有梅西了联赛冠军反正得了一大堆，上季巴黎也丢了冠军，天也没塌下来欧冠反正巴黎也没拿过欧冠阵容排布磨合问题阵型维持化学反应甚至球队战绩，这些都。

热刺开局2连胜，在主场哨的加持下，客场击败曼城，实属不易，但新帅滕哈赫和这支新组成的球队又会产生什么化学反应呢？季前。

近日，南美阿根廷巨星迪马利亚在接受媒体采访时，道出了离开巴黎圣日耳曼的真实原因，迪马利亚表示，他想要继续留在球队，但是因为球队在欧冠中被皇马淘汰，成为了俱乐部让他离开的一大原因而这样一来，迪马利亚也不得不和梅西说一声再见，国家队的队友在新赛季却无法继续在俱乐部层面并肩作战，满满地不舍；巴黎圣日耳曼队有意引进C罗，对于C罗来说，能够获得巴黎圣日耳曼队的青睐，足以看出C罗的影响力有多大，而对于巴黎圣日耳曼队来说，如果能够引进C罗，那么他们的实力将得到极大的提升我觉得这种想法也是很正常的，因为c罗的个人能力确实很强我觉得巴黎并不是在吹牛，巴黎很有钱，有实力引进C罗。

开元体育-包含国王杯赛程吃紧，明尼苏达森林狼冲刺阶段临场应变，管理层满意，更衣室氛围转暖的词条

Thu, 09 Apr 2026 14:50:35 +0800

2025年2月3日 2月4日NBA森林狼主场大战国王，森林狼进攻不稳定，国王状态回暖，本视频由足球预测专家提供，761次播放，好看视频是由百度团队打造的集内涵和颜值于一身的。

开元娱乐-H?Qa/B?ｖ-??1?掆貈C貪:葔蹐?訡??栞%圦(h?? c? ?)

Wed, 08 Apr 2026 22:05:09 +0800

　　“

　　崔万云

　　复旦大学知识工场实验室博士生

　　研究方向为问答系统和知识图谱

第一章绪论

　　第 1 节问答系统背景介绍

2011 年 10 月 14 日，苹果公司在其 iPhone 4S 发布会上隆重推出新一代智能个人助理 Siri。Siri 通过自然语言的交互形式实现问答、结果推荐、手机操作等功能,并集成进 iOS 5 及之后版本。2012 年 7 月 9 日,谷歌发布智能个人助理 Google Now，通过自然语言交互的方式提供页面搜索、自动指令等功能。2014 年 4 月 2 日，微软发布同类产品 Cortana，2014 年 10 月，亚马逊发布同类产品 Alexa。在此之前的 2011 年 9 月，由 IBM 研发的 Watson 机器人参加智力问答节目“Jeopardy!”，并战胜该节目的前冠军 Brad Rut- ter 和 Ken Jennings，豪取一百万美金大奖。

问答系统（Question Answering system, QA system）是用来回答人提出的自然语言问题的系统。问答系统的实现涉及到自然语言处理、信息检索、数据挖掘等交叉性领域。问答系统的历史最早可以追溯到 1960 年代的 BASEBALL [40]和 1970 年代的 LUNAR [101]。自那时起，有大量的问答系统涌现 [107, 22]。

智能时代，人类期望有更简单自然的方式与机器进行交互。因此以自然语言为交互方式的智能机器人广受青睐，受到各大 IT 厂家追捧。而其底层核心技术之一，即为自然语言问答系统。问答系统提供了自然语言形式的人与产品交互，降低了产品使用门槛，大幅提成用户体验。同时，问答系统可以帮助企业极大节省呼叫中心的投入。这些应用已经印证了问答系统的商业价值和社会价值。

问答系统的应用仍然具有新的潜力。人对于互联网的核心诉求之一是知识获取。从更长的时间窗口看，问答系统及聊天机器人，有着成为互联网知识获取新入口的优势。搜索引擎依然是现阶段最重要的互联网入口，也缔造了谷歌、百度等巨头企业。然而，基于关键字的搜索方式，缺乏语义理解，存在着与人的自然需求表达的隔阂，同时其返回结果需要人消耗大量时间剔除无意义的信息。随着人工智能、自然语言理解技术的进步，当问答系统足够智能，使人类的监督最小的时候，人就可以用问答从互联网完成知识获取。

问答系统的研究，是语义计算和自然语言处理的综合性应用。它包含了多种典型自然语言处理的基本模型，例如实体识别、短文本理解、语义匹配等。传统的单一模型研究往往仅关注某一具体问题的效果，而忽视在系统整体中的实用性。问答系统由于其复杂性，需要不同模型间的联通，才能带来综合性、实用性的技术突破。因此问答系统的研究为不同语义理解模型的整合提供了应用出口，为不同模型的关联分析、数据共享、参数共享等提出了实际需求，为多个自然语言语义理解技术模型的整体突破带来了技术愿景。

另一方面，问答系统研究的核心在于问题语义和知识语义的理解和相似度计算。这是计算机理解人类语言和知识表达的关联，跨越语义鸿沟的关键。这条横亘在计算机面前的语义鸿沟，其关键是计算机和人类在语义表达方式上的不同。人类倾向于使用多样化、非结构化的表达来描述问题和知识，而计算机则偏爱唯一化、结构化的知识。问答系统的研究，直接作用于缩短和跨越这一语义鸿沟，将多样而模糊的问题语义,映射到具体而唯一的计算机知识库中。

优秀的问答系统有两个关键点：精确的问题理解和高质量的知识来源。近年来随着大数据的发展，这两点纷纷迎来了数据层面的发展契机。

问题理解由于问题的多样性和复杂性，很难人工制定一套规则完成问题理解。因此从数据中进行问题语义学习是必要的。社交类问答网站的兴起，包括Yahoo! Answers，Stack Overflow，百度知道等。由用户在上面进行提问和回答。这些网站包含了大量的问答对数据集，这成为了问题理解的优质语料。海量的问答语料为问题理解的学习提供了数据基础。

知识来源由于知识表述的多样性，以及知识关联的复杂性，需要优质而大量的知识来源。近年来，一批高准确率、海量规模的知识图谱涌现，为问答系统提供了结构化、关联化的知识来源。这也为高效的问题回答提供了知识基础。

在数据发展的契机下，如何设定恰当模型学习并使用这一批数据就显得尤为重要。传统的基于规则的模型 [72]无法合理利用海量语料；基于关键词的模型 [98] 则没有进行深入的语义理解。而一些复杂的图模型等 [116, 112]，则由于时间复杂度很难直接应用在如此大规模的语料中。本文的研究，即旨在寻求一种优秀的、系统性的问答系统表示和学习模型，并进行成功应用。

1.1. 知识图谱简介

2012 年 5 月份，Google 花重金收购 Metaweb 公司，并向外界正式发布其知识图谱(knowledge graph)。自此，知识图谱正式走入公众视野。开放领域大规模知识图谱纷纷出现，包括 NELL [15]，Freebase [10]，Dbpedia [6]，Probase [103]等。

知识图谱本质上是一种语义网络。其结点代表实体（entity）或者概念（concept），边代表实体/概念之间的各种语义关系。知识图谱的出现是信息技术发展、时代发展的必然结果。语义的本质是关联。只有基于语义的数据互联才能发挥数据集成的非线性效应，才能获取大数据的特有语义。在这一背景下，数据互联（Linked Data）成为了一种运动，在全世界范围内方兴未艾。而数据互联的出现从深层次上来说是由时代精神所决定的。2011 年的 Science 曾经以“互联” 为题，出版专刊阐述了一个基本观点：我们身处在一个“互联”的时代。各种网络,诸如互联网、物联网、社会网络、语义网络、生物网络等等，将各类实体、概念加以互联。网络已经成为刻画复杂性的基本形态。管理、理解和使用各种网络数据，包括知识图谱，已经成为征服复杂性的基本手段。

　　图 1.1：一个 RDF 知识图谱示例。这里的“dob”和“pob”分别表示“出生日期”和“出生地”。注意到“spouse”关系是由多条边表示的name - marriage - person - name

　　大部分这样的知识图谱采用了 RDF 作为数据格式，它们包含数以百万记甚至亿记的 SPO 三元组（Sub ject，Predicate，Object 分别表示主语，属性，宾语）。图1.1 是一个奥巴马及其相关实体构成的知识图谱的示例。可以看到，知识图谱具有明显格式化特征，其值往往是一个实体名字或者一个数字、一个日期。这保证了基于知识图谱的问答系统的回答简洁性。另一方面，不同于基于信息检索的问答系统需要考虑数据真实性的问题，知识图谱的高数据质量保证了答案的准确性。

1.2. 知识图谱在问答系统上的数据优势

问答系统有多种可能的数据来源。传统的数据来源包括网页文档、搜索引擎、百科描述、问答社区等。无一例外，这些数据来源都是非结构化的纯文本数据。有大量基于信息检索的方法致力于研究从纯文本数据中进行知识抽取和回答。而近年来，基于知识图谱的问答系统则成为学术界和工业界的研究和应用热点方向。相较于纯文本，知识图谱在问答系统中具有以下优势。这些优势都促使本文使用知识图谱来作为问答系统的知识来源。

数据关联度-语义理解智能化程度问题语义理解程度是问答系统的核心指标。对于纯文本数据，语义理解往往建立在问句与文本句子的相似度计算。然而语义理解和知识的本质在于关联，这种一对一的相似度计算忽视了数据关联。在知识图谱中，所有知识点被具有语义信息的边所关联。从问句到知识图谱的知识点的匹配关联过程中,可以用到大量其关联结点的关联信息。这种关联信息无疑更为智能化的语义理解提供了条件。

数据精度-回答准确率知识图谱的知识来自专业人士标注，或者专业数据库的格式化抓取，这保证了数据的高准确率。而纯文本中，由于同类知识容易在文本中多次提及，会导致数据不一致的现象，降低了其准确率。

数据结构化-检索效率知识图谱的结构化组织形式，为计算机的快速知识检索提供了格式支持。计算机可以利用结构化语言如 SQL、SPARQL 等进行精确知识定位。而对于纯文本的知识定位，则往往包含了倒排表等数据结构，需要用到多个关键词的倒排表的综合排名，效率较低。

1.3. 基于知识图谱的问答系统工作方式

通过知识图谱为知识源回答问题时，一个问题对应于知识图谱的一个子结构。所以其问答过程的核心在于将自然语言问题映射为知识图谱上的结构化查询。例如对于图 1.1 中的知识图谱，表 1.1 展示了一些它可以回答的问题，以及对应的子结构。

表 1.1：自然语言问题及其在知识图谱中的属性对应。

基于知识图谱的问答系统，需要解决两个核心问题：（1）如何理解问题语义，并用计算机可以接受的形式进行表示（问题的理解和表示）；（2）以及如何将该问题表示关联到知识图谱的结构化查询中（语义关联）。

问题理解和表示：知识图谱中有数以千计的关系，而一种关系可以有数以千计的问法。例如，表 1.1 中的问题 ○a 和问题 ○b 都询问了檀香山市的人口，尽管它们的表达方式大相径庭。对于不同的问题形式，问答系统使用不同的表示方法。这些问题表示必须满足（1）归一具有相同语义的问题；（2）区分不同意图的问题。所使用的问答语料库最终找到了 2782 种问题意图的约 2700 万种问题形式。所以问题表示形式设计就是一个巨大的挑战。

语义关联：在获取一个问题的表现示之后，系统需要将这一表现示映射为结构化查询。结构化查询主要依赖于知识库中的属性。由于属性和表现模型之间的跨越，寻找这样的匹配并非直接。例如，在表 1.1 中，系统需要知道问题 ○a 与属性 population 有着相同的语义。此外，在 RDF 图中，许多二元关系并不仅仅对应一条边，而是某种复杂的结构：在图 1.1 中，“配偶”关系由 marriage → person → name 的路径表示。对于本文使用的知识库，超过 98% 的关系对应于类似的复杂结构。

第 2 节研究架构与模块关联

2.1. 研究架构

本文研究架构见图 1.2。依据其理解语义的粒度从小到大，从具体技术到上层应用，主要分为以下五个部分。

图 1.2：研究架构图

1. 实体层：语义社团搜索实体是自然语言的基本单位之一，基于知识图谱的实体语义理解为上层语义计算，特别是问题中的实体语义，提供基本支持。本文研究了面向实体的语义社团搜索模型，特别是从模型的表达性、有效性等方面研究不同社团定义的合理性。其次，语义社团搜索作为语义理解的原子操作，需要保证在大图上的实时回答。为此，本文研究了大图上的高效社团搜索方法，特别是基于大图的局部性的高效搜索方法。

2. 短文本层：动词理解和实体概念化短文本是自然语言的最常见形式之一，起到对实体和更复杂文本单元（如问句）的承接作用。短文本上已经有了句法结构特征和上下文关系。知识图谱的作用，则可以使系统更精确表示句法结构和上下文信息。本文提出了动词模板，用来表示细粒度的动词语义。并且基于动词模板，优化了基于上下文的实体概念化方法。

3. 问题层：问题语义理解和表示问题的表示学习，是计算机理解问题的核心步骤。本文提出了问题的模板表示方法，将问题的实体映射到其对应概念，用以表示问题语义。此外，本文还利用问题模板的思路，解决了复杂问句的解析问题。

4. 问答系统层：问题与知识图谱的语义关联基于问题的模板表示，需要将其映射为知识图谱的结构化查询，最终实现问答。这一映射主要取决于知识库中的属性。本文提出了基于真实问答语料的学习方法，利用概率图建模问题模板到答案的生成，并进行语义关联的参数估计。同时，本文利用属性扩展，研究知识图谱中的多步属性这一复杂知识表示形式，学习问题模板到复杂知识图谱结构的映射。

5. 应用层：面向应用的领域问答适配由于通用人工智能依然是非常困难的，出于具体应用场景需要，大部分真实应用中的问答系统是面向具体领域的。例如 IBM 的 Watson 专注于医疗和财经领域，亚马逊的 Alexa 专注于智能家庭和零售领域，微软的 Cortana 专注于操作系统助手。为了对问答系统作领域适配，本文有两方面的工作，第一，将开放领域的自然语言模型（例如 POS tagging），适配到具体领域，使得问答系统相关自然语言处理模块在特定领域正常运行。第二，从自然语言文本中，为特定领域进行自动化领域相关的知识抽取。

2.2. 研究系统性

整个研究强调整个研究的系统性，即不同层级之间的关联。一般来说，低层的结果被使用作为高层模型输入的一部分。其具体系统性关联如下:

1. 从实体到短文本实体层为短文本中的实体提供了语义社团。利用该语义社团，短文本层可以得到实体的相关概念，以进行实体语义消岐。从而帮助短文本层得到更精确的实体概念信息和语义信息。

2. 从短文本到问题短文本层为问题层提供动词语义以及实体概念信息。这为问题层的问题模板表示学习过程中的实体概念化提供了支持。

3. 从问题到问答系统问题层的输出，即问题模板，是整个问答系统语义关联的基础。问答系统以问题模板为输入，学习问题模板到知识图谱结构的映射。

4. 从问答系统到领域应用本文会将利用迁移学习将系统的自然语言处理模块应用到领域问答系统中。同时将应用层抽取的领域知识作为问答系统的知识源，以使问答系统可以适应领域问答。

第 3 节本文组织结构

本文按照架构（图 1.2）中自底向上的顺序具体介绍每一项研究内容。第三章介绍实体层的语义社团搜索。第四章介绍短文本层的动词模板，并在应用中讲述如何利用动词模板提升基于上下文的实体概念化效果。第五章提出了问答系统 KBQA，包括对问题的模板化理解，以及问题模板到知识图谱的映射学习。在第六章和第七章，本文分别介绍了两个用于问答系统领域适配的技术：自言语言处理模型的领域迁移，和领域知识抽取。第八章给出了一个基于 Freebase 的具体系统展示。最后的第九章进行了总结和展望。

第四章基于知识图谱的短文本动词理解

动词理解在自然语言的语义理解中至关重要。对于动词的理解，有助于问答系统在短文本层面理解问题语义，进而帮助实现上下文相关的实体概念化。传统的动词表示，如 FrameNet、PropBank、VerbNet 等，专注于动词的角色。但是动词角色过于粗粒度，无法表示和区分动词的语义。本章将介绍基于动词模板的动词语义表示模式。每个动词模板对应于动词的单个语义。首先本文分析了动词模板的原则：一般性和特殊性原则。然后提出一个非监督的最小描述长度模型来建模此问题。实验结果证明了模型的有效性。论文进一步将动词模板应用在上下文相关的实体概念化问题上。

第 1 节引言

动词对句子的理解是至关重要的 [30, 104]。动词理解的一个主要问题是歧义性 [77]，即当同一动词和不同宾语相结合时，会表示不同的语义。本文只考虑和宾语相结合的动词，即及物动词。就像例 4.1 中展示的那样，大部分动词都是具有歧义的。因此需要一个好的动词语义表示方式，来表示其奇异性。

例 4.1. eat 具有以下几种意思：

把食物在嘴里咀嚼并吞咽，例如 eat apple，eat hot dog。

吃一顿饭，例如 eat breakfast，eat lunch，eat dinner。

其他俗语。例如 eat humbie pie 表示承认错误。

许多典型的动词表示方式，包括 FrameNet [7]，PropBank [52]和 VerbNet [82]，侧重描述动词的语义角色（例如“eat”的摄食者和被进食物）。但是，语义角色是一种非常粗糙的表示，无法区分动词细粒度的语义。不同短语中的同一动词，可以在具有同样语义角色的同时表达不同的语义。在例 4.1 中，无论是“eat apple”还是“eat breakfast”，都具有摄食者等角色。但是这些 eat 具有有不同的语义。

由于无法表达动词的歧义性，传统动词表示形式方式无法完整的表示动词语义。在句子“I like eating pitaya”，人直接可以推断“pitaya”大概是一种食物，因为食物是最常见的“eat”的对应语义。这就可以让人利用上下文相关的概念化技术将“pitaya”理解为食物。而传统动词表示形式只理解“pitaya”是一个被进食物，而无法知道它是一顿饭还是一种食物。

动词模版本文认为，动词模版可以用来表示一个动词更细粒度的语义。动词模版基于语言学家对单词结合的两个原则设计 [84]：俗语原则（idiom principle）和开放选择原则（open-choice principle）。基于这两个原则，本文设计了两种类型的动词模版：

概念化模版：根据开放选择原则，一个动词可以和任何宾语搭配。这些宾语具有特定的概念，可以用于语义表示和消岐 [103]。这促使本章使用宾语的概念来表示动词语义。在例 4.1 中，eat breakfast 和 eat lunch 具有相似的语义，因为这些宾语对应同样的概念 meal。因此，本章将动词短语中的宾语替换为它的概念，从而组成概念化动词模板动词 $C 概念（例如 eat $Cfood）。根据宾语的概念，每个开放选择原则中的动词短语会被关联到一个概念化模板中。

俗语模版：根据俗语原则，有些动词短语的具体语义是和宾语概念无关的。本章在宾语前增加 $I 标记来表示此俗语模板（即动词 $I 宾语）。

根据上述定义，本文使用动词模板来表示动词的不同的语义。分配到相同的动词模板的动词短语，其动词具有相似的语义，而分配到不同动词模板的动词具有不同的语义。通过动词模版，可以将“eat pitaya”对应到模板“eat $Cfood”，从而得到“I like eating pitaya”中的“pitaya” 是一种食品。另一方面，俗语模版表示哪些短语不应被概念化。表 4.1 中列出了例 4.1 中的短语的对应模板。

表 4.1：动词短语及其动词模板

这样，本文的核心问题在于如何对动词产生概念化模板或俗语模板。为了做到这一点，实验使用了两个公开数据集：Google Syntactic N-Grams 和 Probase [103]。Google Syntactic N-Grams 包含了百万级别的动词短语，提供了动词短语的丰富语料。Probase 包含了丰富的实体-概念信息，帮助算法将宾语映射到其概念。这样问题就变为给定动词 v 以及其对应的动词短语集合，对每个动词短语产生一个动词模板（概念化模板或者俗语模板）。然而，这个模板生成的过程是具有挑战性的。一般来说，在此过程中的最严重问题在于一般性和特殊性之间的取舍。本文在下边具体说明。

第 2 节相关工作

传统的动词理解在此讨论比较动词模板与传统的动词理解 [73] 方法。FrameNet[7] 建立在大多数词汇可以被很好的通过语义框架[32] 理解的思想上。语义框架是对于一类事件，关系，或者在其中实体与参与者的描述。每一个语义框架使用了框架元素（FEs）来进行简单的注解。PropBank [52] 使用了人工标注的谓词和语义对象变量，来获取准确的谓词-变量结构。谓词这里指动词，变量是动词的其他对象。为了使 PropBank 更加形式化，变量通常包含施动者，受动者，工具，起始点和终止点等。VerbNet[82] 将动词根据它们基于 Levin classes[60] 的句法模板来分类。所有的动词理解都关注于动词的不同角色而不是它的语义。然而动词的不同语义可能有相同的角色，现有的理解并不能完整的表述动词的语义。

实体概念化本章工作的典型应用就是基于上下文的实体概念化理解。实体概念化决定了对于一个实体最适合的概念。传统的基于文本检索的方法利用 NER[92] 来进行实体概念化。但是 NER 经常只含有一些粗糙的预定义概念。Wu 等人建立了一个有大量词汇信息的知识库 Probase[103]，来提供丰富的 IsA 关系。对于 IsA 关系，基于上下文的实体概念化理解[50]会更有效。Song 等人[87]提出了一种利用 Naive Bayes 的实体概念化方法。Wen 等人[46]提出了主流的联合共现网络，IsA 网络和概念聚类的模型。

语义构成本章利用动词模板来表示动词短语。然而语义构成的工作致力于将任意的短语表示为向量或树结构。基于向量空间的模型被广泛地被用来表示单个单词的语义。因此，一个直接的表示词汇的语义的方法就是将这些出现在短语中的单词的向量取平均值[105]。但是这个方法却忽略了词之间的句法关系 [57]。Socher 等人[85]将句法关系表示为一棵二叉树，并且将它与单词的向量利用 recursive neural network 同时训练。目前，word2vec[67] 显示了它在单词表示方面的优势。 Mikolov 等人[68]进行了更深层次的研究并使 word2vec 可以表示短语向量。总之，这些工作并没有使用有关动词的俗语短语和动词的对象的概念来表示动词的语义。

2.1. 一般性和特殊性的取舍问题

本节试着问答问题：“什么样的动词模板可以很好的总结一个动词短语集合”。由于每个动词短语都有若干候选动词模板，这个问题的回答是很困难的。直觉上，一个好的动词模板需要兼备一般性和特殊性。

一般性：本章希望用较少的模板个数来覆盖一个动词的所有语义。否则，抽取出的动词模板会变得琐碎。考虑极端的情况：所有的动词短语都被考虑为俗语模板。这些俗语模板显然大部分都是没意义的，因为大部分动词短语需要被概念化。

例 4.2. 在图 4.1 中,模（eat $Cmeal）显然比三个模板（eat $Ibreakfast + eat $Ilunch+eat $Idinner）要好。前者提供了一个更一般的模板表示。

图 4.1：模板分配的例子

特殊性：另一方面，本章期望产生的动词模板具备特殊性，否则结果可能会变得非常模糊。就像例 4.3 展示的那样，算法可以将任意宾语都概念化到某些非常高层的概念上，例如 activity，thing，item 等。这样概念化的模板就会变得特别模糊而无法精确描述一个动词的语义。

例 4.3. 对于图 4.1 中的动词短语，eat $Cactivity 是比 eat $Cmeal 更一般性的动词模板。这样，一些错误的动词模板，例如 eat shopping 或 each fishing 也会被识别为 eat 的有效例子或短语。相反，eat $Cmeal 具有更好的特殊性。因为 breakfast、lunch、dinner 是三个典型的 meal 的实例。而 meal 几乎不再具有其它典型实例。

贡献一般性和特殊性显然是相互矛盾和制约的。因此如何在一般性和特殊性之间做取舍构成了本文的主要挑战。本文使用最小描述长度（minimum deion length，MDL）作为调和这两个目标的基本框架。更具体的，本章的贡献可以被总结如下：

本章提出了动词模板——一种新型的动词语义表现形式。本章提出了两类动词模板:概念化模板和俗语模板。动词模板可以表示动词的歧义性,因此可以用来识别动词的不同语义。

本章提出了关于动词模板抽取的两个原则:一般性和特殊性原则。本章阐述了这两个原则间的互相制约,并提出了一个基于最小描述长度的无监督模型来产生高质量动词模板。

本章进行了多样的实验。其结果证实了模型和算法的有效性。

第 3 节问题模型

本节形式化定义从动词短语中提取动词模板的问题。此模板提取过程中要计算两个值：（1）每个动词短语的动词模板分配；（2）每个动词的动词模板分布。接下来，本文将首先给一些基本的定义。接着提出了一种基于最小描述长度的问题模型，并证明了该模型的合理性。请注意，不同动词的模板是独立的，在问题和算法描述中可以单独考虑每一个动词。因此在以下的说明中，将只讨论针对某一给定动词的解法。

3.1. 初步定义

首先给出动词短语、动词模板、模板分配的标准定义。

定义 4.4（动词短语）一个动词短语 p 在自然语言中是一个动词及其对应宾语。本文把短语 p 中的宾语表示为 op。

定义 4.5 （动词模板）。动词模板是一个或若干个动词短语的总结。每个动词短语只有一个动词模板对应。对应于同一动词模板的动词短语，其动词语义是相似的。本文用 a 表示动词模板。考虑两种动词模板:

俗语模板是“verb $object”的形式。只有动词短语“verb object”可以对应模板“verb$object”。

概念化模板是“verb$concept”形式。动词短语“verbobject”可以对应于“verb$con- cept”，仅当 object 和 concept 具有 isA 关系。将概念化模板 a 中的概念表示为 ca 。

定义 4.6（模板分配）。模板分配是一个函数 f : P → A，它将任意一个动词短语映射到其对应动词模板模板。 f ( p) = a 表示 p 的模板是 a。注意每个模板可以有任意数量的对应的动词短语。

表 4.1 中展示了一些动词短语、动词模板和模板分配的例子。

短语的分布是已知的（在本章的实验中，其动词短语分布是从 Google Syntactic Ngam 数据库中抽取的）。所以本文中模板抽取的目标倾在于找到 f 函数。有了 f 函数，就可以很容易的计算模板分布 P(A)：

这里 P(p) 是给定动词的短语分布。注意这里的第二个等式是成立的，因为当f(p) =a 时，P(a|p) = 1。P(p) 可以直接由 p 的频率得到，见公式 4.14。

3.2. 模型

这一小节提出了一种基于最小描述长度的模型，它可以精确地建模模板分配中的一般性和特殊性原则。使用最小描述长度的出发点：最小描述长度（minimum descrip- tion length，MDL）[9]是基于数据压缩程度的数据复杂度描述方法。而在动词模板分配问题中，一个动词模板可以被视为一组动词短语的压缩。对于概念化的模板，直觉上来说，如果一个模板分配是一个对于动词短语的简短描述，那么这个分配方案就抓住了底层的动词语义特征。

给定动词短语集合，寻找一个模板分配函数 f，使得这些动词短语的描述长度最短。假设 L( f )表示 f 的描述长度，那么可以将动词短语模板分配问题形式化表示为：

问题定义 4.7（模板分配）。给定动词短语分布 P(P)，找到模板分配 f，使得 L(f) 最小化：

对于每个短语 p，它的编码方式包含两部分：左侧部分编码它的对应模板 f(p)（表示为 l(p, f )），右侧部分编码在给定模板时的动词短语（表示为 r(p, f )）。这样可以得到:

这里 L(p) 表示 p 的整体描述长度，包括左侧编码长度和右侧编码长度。l(p, f)：模板编码长度为了编码p的模板 f(p)，需要的编码长度为：

这里 P( f ( p)) 可以被公式 4.1 计算得到。

　　r(p, f)：给定模板的短语编码长度在得到其模板 f(p) 之后，使用从模板 f(p) 到动词短语 p 的转移概率 PT (p|f(p)) 来编码 p。PT (p|f(p)) 是通过 Probase[103] 计算得来的，并在本文计算中视为先验概率。因此，对 p 的编码需要的编码长度是?logPT (p|f(p))。为了计算 PT (p|f(p))，考虑两种情况：

情况一：f (p) 是一个俗语模板。这样由于俗语模板只有一个对应的动词短语,有PT (p|f(p))=1。

情况二：f(p) 是一个概念化模板。在这种情况下，只需要编码给定概念的动词宾语 op。使用从概念 cf(p) 到实体 op 的转移概率 PT (op|cf(p))（通过 Probase 得到）。实验部分会给出关于此概率的更明确的计算方法。

这样得到：

总长度通过将所有动词短语的描述长度相加，得到模板分配 f 下的总描述长度 L：

请注意这里公式引入了超参数 θ 来控制 l(p, f ) 和 r(p, f ) 的相对重要程度。后文将会解释 θ 是如何具体影响动词模板在一般性和特殊性中的取舍。

合理性分析接下来，本文会通过证明该模型对于动词模板的两个原则（即一般性和特殊性原则）的体现，来说明模型的合理性。为了简单起见，定义 LL( f ) 和 LR( f ) 分别用来表示对于动词模板部分的编码总长度，和给定模板编码具体动词短语的编码长度。具体计算如下：

一般性通过最小化 LL( f )，模型可以找到具有一般性的模板。假设 A 表示所有在分配 f 下的模板，Pa 表示 a ∈ A 对应的动词短语集合，即满足 f(p) = a 的动词短语集合。根据公式 4.1 和公式 4.7，有:

所以 LL( f ) 即为动词模板的熵（entropy）。最小化熵将使得模型选择并使用较少的动词模板。这体现了模板的一般性原则。

特殊性通过最小化 LR( f )，模型可以找到具有特殊性的模板。公式 4.10 的内部实际上是 P(P|a) 和 PT (P|a) 的交叉熵。因此最小化 LR( f ) 会使得模型找到使 P(P|a) 和 PT (P|a) 尽量接近的分布。这体现了特殊性原则。

3.3. 算法

本节提出了一种基于模拟退火的算法来解决问题 4.7，并展示了如何利用外部知识来优化俗语模板。本章使用模拟退火算法来计算最好的动词模板分配 f 。算法流程如下。首先选取随机的分配作为初始值（初始温度）。然后，算法生成并评估一个新的分配，如果它是一个更好的分配，用这个分配替换掉之前的分配；否则，算法以一定的概率接受这个分配（温度降低）。重复生成以及替换的步骤直到最后的 β 轮结果没有出现变化（终止条件）。

候选分配生成：显然，候选分配的生成对于算法的效用和效率来说非常关键。接下来首先介绍一个直接生成候选分配的方法。然后对候选动词模板作典型性的改进。

直接生成方法：模板分配 f 的最基本的单元是对一个动词短语的模板分配。直接生成方法会随机选择一个动词短语 p 并将它分配给一个随机的模板 a。产生一个有效的模板。算法需要确保（1）a 是一个 p 的俗语模板，或者（2）a 是一个实体概念化模板并且 ca 是 op 的上位词。然而，因为很难达到最优状态，这个方法效率很低。对于一个动词，假设它有 n 个动词短语并且每一个动词短语都有平均 k 个候选模板。达到最优状态的最小轮数平均是 kn，这在大语料库上是不可接受的。

利用典型性的生成方法：注意到对于每一个确定的动词词组，一些模板会因为它们更高的典型性而比其他模板更有效。例 4.8 介绍了这种情况。这使算法倾向于将动词短语分配给具有更高典型性的动词模板。

例 4.8. 对于 eat breakfast，eat lunch。eat $Cmeal 显然比 eat $Cactivity 更好。因为对于一个真实的人来说，他更容易想到 eat $Cmeal 而不是 eat $Cactivity。换句话说 eat $Cmeal 相比 eat $Cactivity 具有更高的典型性。

更形式化的，对于一个确定的动词短语 p，定义 t(p,a) 衡量模板 a 相对于动词短语 p 的典型性。如果 a 是俗语模板，t(p,a) 被设置成一个常数 γ。如果 a 是实体概念化模板，使用 op 相对于 ca 的典型性定义 t(p,a)，这里 ca 是模板 a 的概念。特别的有：

这里 PT (op|ca) 和 PT (ca|op) 可以从 Probase [103] 通过式 4.15 推导出。在这个计算中，公式同时考虑从 ca 到 op 的概率，和从 op 到 ca 的概率，以获得它们相互之间的影响。

3.3.1. 流程

现在将介绍解决方案的详细流程：

　　1. 通过将每一个 p 分配给它的俗语模板来初始化 f(0)。

2. 随机选择新的动词模板 a。对于每一个动词短语 p，

这里 f (i) 是第 i 轮产生的分配。

3. 以如下概率接受 f(i+1)：

这里 L(f(i+1)) 是 f(i+1) 的描述长度，S 是 SA 算法进行的轮数，A 是控制冷却速度的常数。

4. 重复步骤 2 和步骤 3，直到最后 β 轮结果不发生变化。

步骤 2 和步骤 3 使算法不同于一般的基于 SA 的解决方法。在步骤 2 中，对于每一个随机选择的动词模板 a，算法计算它的典型性。如果它的典型性大于当前分配的动词模板，则将这个动词短语分配给动词模板 a。在步骤 3 中，当一个新的分配的描述长度比上一轮的分配更小时，算法接受这个新的分配。否则，算法以 (L( f (i)) ?L( f (i+1)))/SA 的概率接受原有的分配。它的合理性是显然的：L( f (i+1)) 相对于 L( f (i)) 的偏离越大，f (i+1) 被接受的概率越小。

复杂性分析假设有 n 动词短语。在每一轮循环中，算法随机选择一个动词模板，然后计算它对于所有 n 个动词短语的典型性，这需要 O(n) 的时间来实现。然后，算法通过加和所有 n 个动词短语的编码长度来计算 f (i+1) 的描述长度。这个步骤同样需要 O(n) 时间。假设算法在 S 轮后终止，则整体的复杂度将是 O(Sn)。

利用俗语的先验知识可以从外部词典中直接找到许多动词的俗语。如果在字典中，一个动词短语被认定为俗语，它应该被直接分配到俗语模板。特别的，本章工作中首先从线上字典中爬取了 2868 个动词短语。然后在步骤 2 中，当 p 是其中一个俗语短语时，将它排除在分配更新的过程之外。

第 4 节实验

4.1. 设置

动词短语数据模板分配会使用动词短语的分布 P(p)。为了计算 P(p)，实验使用在 Google Syntactic N-Grams 的“English All”数据集。该数据集包含从 Google Books 英文语料库中提取的统计句法 ngrams 的信息。它包含 22,230 个不同的动词，和 147,056 个动词短语。对于一个固定的动词，计算动词短语 p 的概率为：

这里 n(p) 时 p 在语料库中的出现的次数，分母部分是对于所有动词短语的次数加和。

IsA 关系本章使用 Probase 来计算给定概念的情况下实体出现的概率 PT (e|c)，同时

也计算给定实体概念出现的概率 PT (c|e)：

这里 n(e, c) 是 c 和 e 同时出现在 Probase 的频数。

　　测试数据实验使用两个数据集来验证方法在长文本和短文本上上的有效性。短文本数据集包含来自于 Twitter [38] 的 160 万个 tweets 数据。长文本数据集包含来自于 Reuters [5] 的 21,578 个新闻文章。

4.2. 动词模板的统计信息

现在简要介绍本文提取的动词模板。对于所有的 22,230 个动词，实验列举最频繁的 100 个动词的统计信息。在过滤掉出现次数 n(p) < 5 的噪声动词短语后，每一个动词平均有 171 个不同的动词短语和 97.2 个不同的动词模板。53% 的动词短语有实体概念化模板。47% 的动词短语有俗语模板。表格 4.2 列举了 5 个有代表性的动词与它们出现最频繁的模板。这个案例分析表明（1）有关动词模板的定义反映了动词的一词多义性；（2）大多数算法得到的动词模板是有意义的。

4.3. 有效性

为了评估动词模板的效果，实验使用了两个评测指标：（1）coverage，表示方法可以找到多少对应于自然语言中的动词短语的模板；（2）precision，表示有多少动词短语和它对应的模板正确匹配。实验通过以下的公式来计算这两个指标:

这里 n cover 是在测试数据中找到的对应有模板的动词短语的数量，n all 是动词短语的总数，n correct 是对应的动词模板正确的动词短语的数量。为了评估 precision，实验从测试数据中随机选择了 100 个动词短语并让志愿者去标注被分配模板的正确性。当一个模板太过具体或者太过一般，实验认为它是一个不正确的动词短语-模板匹配（见图 4.1 中的例子）。为了比较算法好坏，实验同样列出了模板总结的两种基准方法的结果。

表 4.2：一些提取的动词模板。在括号中的数字是动词短语在 Google Syntactic N-Gram 数据中出现的频数。 #phrase 表示这个动词的不同动词短语的个数。

Idiomatic Baseline (IB) 每一个动词短语是一个俗语。

Conceptualized Baseline (CB) 对于每一个动词短语，它被分配给一个实体概念化模板。对于宾语 op，基准算法选择最高出现概率的概念，即 argmaxc P(c|op)，来构建这个模板。

在 Tweets 和 News 数据集上，动词模板分别覆盖了 64.3% 和 70% 的动词短语。考虑到在 Google N-Gram 数据中的拼写错误以及解析错误，这样的覆盖率是可以接受的。图 4.2 展示了本章方法以及基准方法提取的动词模板(VP)的查准率。结果显示本章方法相比于基准方法在精确度方面有很大的提升。结果同时显示了对于动词的语义理解来说实体概念化模板与俗语模板都是必要的。

第 5 节应用：基于上下文的实体概念化

如同在引言中所提及的，动词模板可以用来优化基于上下文的实体概念化任务（通过考虑实体的上下文来提取一个实体的概念）。本节将动词模板与主流的基于实体的方法 [87] 相结合来优化这一问题。

图 4.2: 准确率

基于实体的方法此方法利用在上下文中出现过的实体来概念化一个实体 e。令 E 是上下文中的所有实体的集合。定义在给定上下文 E 下 c 是实体 e 的概念的概率为 P(c|e,E)。通过假设所有的实体在给定概念下是独立的，可以得到以下公式来计算 P(c|e, E )：

本节的方法本节在上下文中增加了动词作为附加信息来实体概念化 e。当 e 是一个动词的对象的时候，利用动词模板可以推导出 P(c|v)，即在给定动词 v 的动词短语下观察到有关概念 c 的实体概念化模板的概率。因此，在给定上下文 E 和实体 e 还有动词 v 的情况下，概念 c 出现的概率是 P(c|e,v,E)。类似于等式 4.17，P(c|e,v,E) 可以通过以下公式来计算：

注意到如果 v + e 在 Google Syntactic N-Grams 数据中被观察到，这意味着算法已经学习到了这个模板，可以使用这些模板来进行实体概念化。也就是说，如果 v + e 被映射到了一个实体概念化模板，则使用模板的概念作为实体概念化的结果。如果 v + e 是一个俗语模板，则停止实体概念化。

设置与结果对于在实验部分使用的两个数据集，本实验同时利用上述两个方法来概念化在动词短语中的宾语。然后，选择概率最大的概念作为对象的概念标签。本实验随机选取了两种方法所对应标签不同的 100 个短语。对于每一个不同，使用人工标注其结果是否好于（better）等于（equal）或差于（worse）不适用动词模板的方法的结果。结果显示在图片 4.3 中。在这两个数据集上，利用了动词模板后，精确度都显著的被提高了。这表明了动词模板对于语义理解任务是有意义的。

图 4.3：实体概念化结果

第 6 节小结

动词的语义对于文本理解来说非常的重要。本章提出了动词模板，用来区分动词的不同语义。论文建立了基于最小描述长度的模型，来平衡动词模板的一般性与特殊性。同时本章提出了一个基于模拟退火的算法来获得动词模板。算法使用了模板的典型性来使候选模板产生的过程收敛速度加快。实验验证了模板的高精确度与覆盖率。本章还展示了动词模板在基于上下文的实体概念化中的成功应用。

　　“

　　PaperWeekly 将对本论文进行独家连载

　　敬请期待后续精彩内容……

　　”

　　关于PaperWeekly

PaperWeekly 是一个分享知识和交流学问的学术组织，关注的领域是 NLP 的各个方向。如果你也经常读 paper，喜欢分享知识，喜欢和大家一起讨论和学习的话，请速速来加入我们吧。

开元体育 - 开元体育(kaiyuan)官方网站

开云体育下载-1E曽??o駌L

开云体育官网-包含?棸~o?@矽?娡??溡&quot;|;鉌7前羳\\P? ?&amp;O矌镡\,仕1雕&quot;P,rS廴L礡?嘦u化r?的词条

开元娱乐-冲刺阶段广东宏远调整名单以备亚冠；状态回暖环节打磨；悬念犹存；年轻球员得到机会的简单介绍

开云APP-关于集结日欧冠焦点战，马赛伤情更新，话题不断，轮换策略成焦点的信息

开元娱乐-意甲最后一轮比赛战意分析

开云APP-关于转会期德甲传出新动向，菲尼克斯太阳复出首秀，管理层表态：悬念犹存，资深球员宣示担当的信息

开云体育官网-b%睮?L4:↘浊脟1#?`l欳A?閍眊纷驄熰舡m\p雸m?p喲?x檿??Fｙ弦d}N?楧D庳崴唺颙琛貚Qj蓝b婶窲c耊愅9?綻煟?眧瓝

开元官网-今夜巴黎圣日耳曼备战欧篮联，豪取连胜细节曝光，媒体盛赞，团队化学反应显著的简单介绍

开元体育-包含国王杯赛程吃紧，明尼苏达森林狼冲刺阶段临场应变，管理层满意，更衣室氛围转暖的词条

开元娱乐-H?Qa/B?ｖ-??1?掆貈C貪:葔蹐?訡??栞%圦(h?? c? ?)

开云体育官网-包含?棸~o?@矽?娡??溡"|;鉌7前羳\\P? ?&O矌镡\,仕1雕"P,rS廴L礡?嘦u化r?的词条

开云体育官网-b%睮?L4:↘浊脟1#?`l欳A?閍眊纷驄熰舡m\p雸m?p喲?x檿??Fｙ弦d}N?楧D庳崴唺颙琛貚Qj蓝b婶窲c耊愅9?綻煟?眧瓝

开元娱乐-H?Qa/B?ｖ-??1?掆貈C貪:葔蹐?訡??栞%圦(h?? c? ?)