过滤后的节点相似度

术语表

有向: 有向特征。该算法在有向图上定义良好。
有向: 有向特征。该算法忽略图的方向。
有向: 有向特征。该算法不能在有向图上运行。
无向: 无向特征。该算法在无向图上定义良好。
无向: 无向特征。该算法忽略图的无向性。
异构节点: 异构节点完全支持。该算法有能力区分不同类型的节点。
异构节点: 异构节点允许。该算法平等对待所有选定的节点，无论其标签如何。
异构关系: 异构关系完全支持。该算法有能力区分不同类型的关系。
异构关系: 异构关系允许。该算法平等对待所有选定的关系，无论其类型如何。
加权关系: 加权特征。该算法支持将关系属性用作权重，通过 relationshipWeightProperty 配置参数指定。
加权关系: 加权特征。该算法将每个关系视为同等重要，忽略任何关系权重值。
节点属性: 节点属性特征。该算法使用节点属性。

简介

过滤节点相似度算法是节点相似度算法的扩展。它增加了对源节点、目标节点或两者同时进行过滤的支持。

节点过滤

节点过滤器会缩小算法产生结果的节点空间。考虑两个相似度结果：A = (alice)-[:SIMILAR_TO]→(bob) 和 B = (bob)-[:SIMILAR_TO]→(alice)。如果 (alice) 节点符合源节点过滤器且 (bob) 节点符合目标节点过滤器，则会产生结果 A。如果 (alice) 节点不符合目标节点过滤器，或者 (bob) 节点不符合源节点过滤器，则不会产生结果 B。

配置节点过滤器

有关节点相似度的标准配置，请参阅节点相似度语法。

源节点过滤器通过 sourceNodeFilter 配置参数指定。目标节点过滤器通过 targetNodeFilter 配置参数指定。这两个参数都不是强制性的。

节点过滤器参数接受以下任意一种：

表 1. `sourceNodeFilter` 和 `targetNodeFilter` 的语法
单个节点 ID	`sourceNodeFilter: 42`
节点 ID 列表	`sourceNodeFilter: [23, 42, 87]`
单个节点	`MATCH (person:Person) WITH person ORDER BY person.age DESC LIMIT 1` … `sourceNodeFilter: n`
节点列表	`MATCH (person:Person) WHERE person.age > 35 collect(person) AS people` … `sourceNodeFilter: people`
单个标签	`sourceNodeFilter: 'Person'`

语法

本节涵盖在每种执行模式下执行过滤节点相似度算法所使用的语法。我们描述的是命名图变体的语法。要了解更多关于常规语法变体的信息，请参阅语法概述。

各模式下的过滤节点相似度语法

在命名图上以流模式 (stream) 运行过滤节点相似度。

CALL gds.nodeSimilarity.filtered.stream(
  graphName: String,
  configuration: Map
) YIELD
  node1: Integer,
  node2: Integer,
  similarity: Float

表 2. 参数
名称	类型	默认	可选	描述
graphName	字符串	`不适用`	否	存储在目录中的图的名称。
配置	Map	`{}`	是	算法特定配置和/或图过滤配置。

表 3. 配置
名称	类型	默认	可选	描述
nodeLabels	字符串列表	`['*']`	是	使用给定的节点标签过滤命名图。具有任何给定标签的节点都将被包含。
relationshipTypes	字符串列表	`['*']`	是	使用给定的关系类型过滤命名图。具有任何给定类型的关系都将被包含。
concurrency	整数	`4 ^[1]`	是	用于运行算法的并发线程数。
jobId	字符串	`内部生成`	是	可以提供一个 ID 以更轻松地跟踪算法的进度。
logProgress	布尔值	`true`	是	如果禁用，进度百分比将不会被记录。
similarityCutoff	浮点数	`1e-42`	是	结果中显示相似度得分的下限。值必须介于 0 和 1 之间。
degreeCutoff	整数	`1`	是	节点被纳入比较所需满足的节点度数的包含性下限。该值不能低于 1。
upperDegreeCutoff	整数	`2147483647`	是	节点被纳入比较所需满足的节点度数的包含性上限。该值不能低于 1。
topK	整数	`10`	是	每个节点的得分数量上限。返回 K 个最大的结果。此值不能低于 1。
bottomK	整数	`10`	是	每个节点的得分数量上限。返回 K 个最小的结果。此值不能低于 1。
topN	整数	`0`	是	计算出的得分的全局总数上限。返回 N 个最大的结果。此值不能为负数，值为 0 表示没有全局上限。
bottomN	整数	`0`	是	计算出的得分的全局总数上限。返回 N 个最小的结果。此值不能为负数，值为 0 表示没有全局上限。
relationshipWeightProperty	字符串	`null`	是	用作权重的关系属性名称。如果未指定，算法将作为无权重运行。
similarityMetric	字符串	`JACCARD`	是	用于计算相似度的指标。可以是 `JACCARD`、`OVERLAP` 或 `COSINE`。
useComponents	布尔值或字符串	`false`	是	如果启用，节点相似度将使用组件来提高计算性能，跳过不同组件中节点之间的比较。设置为 `false`（默认）：算法不使用组件，而是计算整个图的相似度。设置为 `true`：算法使用组件，并在计算相似度之前计算这些组件。设置为 String：使用存储在图中的预计算组件，String 是表示组件的节点属性键。
sourceNodeFilter	整数、整数列表或字符串	`不适用`	否	要应用的源节点过滤器。接受单个节点 ID、节点 ID 列表或单个标签。
targetNodeFilter	整数、整数列表或字符串	`不适用`	否	要应用的目标节点过滤器。接受单个节点 ID、节点 ID 列表或单个标签。
1. 在 GDS 会话中，默认值为可用处理器的数量。

表 4. 结果
名称	类型	描述
`node1`	整数	第一个节点的节点 ID。
`node2`	整数	第二个节点的节点 ID。
`similarity`	浮点数	两个节点的相似度分数。

在命名图上以统计模式 (stats) 运行节点相似度。

CALL gds.nodeSimilarity.filtered.stats(
  graphName: String,
  configuration: Map
)
YIELD
  preProcessingMillis: Integer,
  computeMillis: Integer,
  postProcessingMillis: Integer,
  nodesCompared: Integer,
  similarityPairs: Integer,
  similarityDistribution: Map,
  configuration: Map

表 5. 参数
名称	类型	默认	可选	描述
graphName	字符串	`不适用`	否	存储在目录中的图的名称。
配置	Map	`{}`	是	算法特定配置和/或图过滤配置。

表 6. 配置
名称	类型	默认	可选	描述
nodeLabels	字符串列表	`['*']`	是	使用给定的节点标签过滤命名图。具有任何给定标签的节点都将被包含。
relationshipTypes	字符串列表	`['*']`	是	使用给定的关系类型过滤命名图。具有任何给定类型的关系都将被包含。
concurrency	整数	`4 ^[2]`	是	用于运行算法的并发线程数。
jobId	字符串	`内部生成`	是	可以提供一个 ID 以更轻松地跟踪算法的进度。
logProgress	布尔值	`true`	是	如果禁用，进度百分比将不会被记录。
similarityCutoff	浮点数	`1e-42`	是	结果中显示相似度得分的下限。值必须介于 0 和 1 之间。
degreeCutoff	整数	`1`	是	节点被纳入比较所需满足的节点度数的包含性下限。该值不能低于 1。
upperDegreeCutoff	整数	`2147483647`	是	节点被纳入比较所需满足的节点度数的包含性上限。该值不能低于 1。
topK	整数	`10`	是	每个节点的得分数量上限。返回 K 个最大的结果。此值不能低于 1。
bottomK	整数	`10`	是	每个节点的得分数量上限。返回 K 个最小的结果。此值不能低于 1。
topN	整数	`0`	是	计算出的得分的全局总数上限。返回 N 个最大的结果。此值不能为负数，值为 0 表示没有全局上限。
bottomN	整数	`0`	是	计算出的得分的全局总数上限。返回 N 个最小的结果。此值不能为负数，值为 0 表示没有全局上限。
relationshipWeightProperty	字符串	`null`	是	用作权重的关系属性名称。如果未指定，算法将作为无权重运行。
similarityMetric	字符串	`JACCARD`	是	用于计算相似度的指标。可以是 `JACCARD`、`OVERLAP` 或 `COSINE`。
useComponents	布尔值或字符串	`false`	是	如果启用，节点相似度将使用组件来提高计算性能，跳过不同组件中节点之间的比较。设置为 `false`（默认）：算法不使用组件，而是计算整个图的相似度。设置为 `true`：算法使用组件，并在计算相似度之前计算这些组件。设置为 String：使用存储在图中的预计算组件，String 是表示组件的节点属性键。
sourceNodeFilter	整数、整数列表或字符串	`不适用`	否	要应用的源节点过滤器。接受单个节点 ID、节点 ID 列表或单个标签。
targetNodeFilter	整数、整数列表或字符串	`不适用`	否	要应用的目标节点过滤器。接受单个节点 ID、节点 ID 列表或单个标签。
2. 在 GDS 会话中，默认值为可用处理器的数量。

表 7. 结果
名称	类型	描述
preProcessingMillis	整数	预处理数据的毫秒数。
computeMillis	整数	运行算法的毫秒数。
postProcessingMillis	整数	计算组件计数和分布统计信息的毫秒数。
nodesCompared	整数	计算过相似度的节点数量。
similarityPairs	整数	结果中的相似度对数量。
similarityDistribution	Map	包含计算出的相似度结果的最小值、最大值、平均值以及 p50, p75, p90, p95, p99 和 p999 百分位值的映射。
配置	Map	用于运行算法的配置。

在命名图上以变异模式 (mutate) 运行过滤节点相似度。

CALL gds.nodeSimilarity.filtered.mutate(
  graphName: String,
  configuration: Map
)
YIELD
  preProcessingMillis: Integer,
  computeMillis: Integer,
  mutateMillis: Integer,
  postProcessingMillis: Integer,
  relationshipsWritten: Integer,
  nodesCompared: Integer,
  similarityDistribution: Map,
  configuration: Map

表 8. 参数
名称	类型	默认	可选	描述
graphName	字符串	`不适用`	否	存储在目录中的图的名称。
配置	Map	`{}`	是	算法特定配置和/或图过滤配置。

表 9. 配置
名称	类型	默认	可选	描述
mutateRelationshipType	字符串	`不适用`	否	用于写入投影图的新关系的关系类型。
mutateProperty	字符串	`不适用`	否	GDS 图中写入相似度分数的属性。
nodeLabels	字符串列表	`['*']`	是	使用给定的节点标签过滤命名图。
relationshipTypes	字符串列表	`['*']`	是	使用给定的关系类型过滤命名图。
concurrency	整数	`4`	是	用于运行算法的并发线程数。
logProgress	布尔值	`true`	是	如果禁用，进度百分比将不会被记录。
jobId	字符串	`内部生成`	是	可以提供一个 ID 以更轻松地跟踪算法的进度。
similarityCutoff	浮点数	`1e-42`	是	结果中显示相似度得分的下限。值必须介于 0 和 1 之间。
degreeCutoff	整数	`1`	是	节点被纳入比较所需满足的节点度数的包含性下限。该值不能低于 1。
upperDegreeCutoff	整数	`2147483647`	是	节点被纳入比较所需满足的节点度数的包含性上限。该值不能低于 1。
topK	整数	`10`	是	每个节点的得分数量上限。返回 K 个最大的结果。此值不能低于 1。
bottomK	整数	`10`	是	每个节点的得分数量上限。返回 K 个最小的结果。此值不能低于 1。
topN	整数	`0`	是	计算出的得分的全局总数上限。返回 N 个最大的结果。此值不能为负数，值为 0 表示没有全局上限。
bottomN	整数	`0`	是	计算出的得分的全局总数上限。返回 N 个最小的结果。此值不能为负数，值为 0 表示没有全局上限。
relationshipWeightProperty	字符串	`null`	是	用作权重的关系属性名称。如果未指定，算法将作为无权重运行。
similarityMetric	字符串	`JACCARD`	是	用于计算相似度的指标。可以是 `JACCARD`、`OVERLAP` 或 `COSINE`。
useComponents	布尔值或字符串	`false`	是	如果启用，节点相似度将使用组件来提高计算性能，跳过不同组件中节点之间的比较。设置为 `false`（默认）：算法不使用组件，而是计算整个图的相似度。设置为 `true`：算法使用组件，并在计算相似度之前计算这些组件。设置为 String：使用存储在图中的预计算组件，String 是表示组件的节点属性键。
sourceNodeFilter	整数、整数列表或字符串	`不适用`	否	要应用的源节点过滤器。接受单个节点 ID、节点 ID 列表或单个标签。
targetNodeFilter	整数、整数列表或字符串	`不适用`	否	要应用的目标节点过滤器。接受单个节点 ID、节点 ID 列表或单个标签。

表 10. 结果
名称	类型	描述
`preProcessingMillis`	整数	预处理数据的毫秒数。
`computeMillis`	整数	运行算法的毫秒数。
`mutateMillis`	整数	向投影图添加属性的毫秒数。
`postProcessingMillis`	整数	计算百分位数的毫秒数。
`nodesCompared`	整数	计算过相似度的节点数量。
`relationshipsWritten`	整数	创建的关系数量。
`similarityDistribution`	Map	包含计算出的相似度结果的最小值、最大值、平均值、标准差以及 p1, p5, p10, p25, p75, p90, p95, p99, p100 百分位值的映射。
`配置`	Map	用于运行算法的配置。

在命名图上以写入模式 (write) 运行过滤节点相似度。

CALL gds.nodeSimilarity.filtered.write(
  graphName: String,
  configuration: Map
)
YIELD
 preProcessingMillis: Integer,
  computeMillis: Integer,
  writeMillis: Integer,
  postProcessingMillis: Integer,
  nodesCompared: Integer,
  relationshipsWritten: Integer,
  similarityDistribution: Map,
  configuration: Map

表 11. 参数
名称	类型	默认	可选	描述
graphName	字符串	`不适用`	否	存储在目录中的图的名称。
配置	Map	`{}`	是	算法特定配置和/或图过滤配置。

表 12. 配置
名称	类型	默认	可选	描述
nodeLabels	字符串列表	`['*']`	是	使用给定的节点标签过滤命名图。具有任何给定标签的节点都将被包含。
relationshipTypes	字符串列表	`['*']`	是	使用给定的关系类型过滤命名图。具有任何给定类型的关系都将被包含。
concurrency	整数	`4 ^[3]`	是	用于运行算法的并发线程数。
jobId	字符串	`内部生成`	是	可以提供一个 ID 以更轻松地跟踪算法的进度。
logProgress	布尔值	`true`	是	如果禁用，进度百分比将不会被记录。
writeConcurrency	整数	`'concurrency' 的值`	是	用于将结果写入 Neo4j 的并发线程数。
writeRelationshipType	字符串	`不适用`	否	用于将计算出的关系持久化到 Neo4j 数据库的关系类型。
writeProperty	字符串	`不适用`	否	Neo4j 数据库中写入相似度分数的属性。
similarityCutoff	浮点数	`1e-42`	是	结果中显示相似度得分的下限。值必须介于 0 和 1 之间。
degreeCutoff	整数	`1`	是	节点被纳入比较所需满足的节点度数的包含性下限。该值不能低于 1。
upperDegreeCutoff	整数	`2147483647`	是	节点被纳入比较所需满足的节点度数的包含性上限。该值不能低于 1。
topK	整数	`10`	是	每个节点的得分数量上限。返回 K 个最大的结果。此值不能低于 1。
bottomK	整数	`10`	是	每个节点的得分数量上限。返回 K 个最小的结果。此值不能低于 1。
topN	整数	`0`	是	计算出的得分的全局总数上限。返回 N 个最大的结果。此值不能为负数，值为 0 表示没有全局上限。
bottomN	整数	`0`	是	计算出的得分的全局总数上限。返回 N 个最小的结果。此值不能为负数，值为 0 表示没有全局上限。
relationshipWeightProperty	字符串	`null`	是	用作权重的关系属性名称。如果未指定，算法将作为无权重运行。
similarityMetric	字符串	`JACCARD`	是	用于计算相似度的指标。可以是 `JACCARD`、`OVERLAP` 或 `COSINE`。
useComponents	布尔值或字符串	`false`	是	如果启用，节点相似度将使用组件来提高计算性能，跳过不同组件中节点之间的比较。设置为 `false`（默认）：算法不使用组件，而是计算整个图的相似度。设置为 `true`：算法使用组件，并在计算相似度之前计算这些组件。设置为 String：使用存储在图中的预计算组件，String 是表示组件的节点属性键。
sourceNodeFilter	整数、整数列表或字符串	`不适用`	否	要应用的源节点过滤器。接受单个节点 ID、节点 ID 列表或单个标签。
targetNodeFilter	整数、整数列表或字符串	`不适用`	否	要应用的目标节点过滤器。接受单个节点 ID、节点 ID 列表或单个标签。
3. 在 GDS 会话中，默认值为可用处理器的数量。

表 13. 结果
名称	类型	描述
preProcessingMillis	整数	预处理数据的毫秒数。
computeMillis	整数	运行算法的毫秒数。
writeMillis	整数	将结果数据写回 Neo4j 的毫秒数。
postProcessingMillis	整数	计算百分位数的毫秒数。
nodesCompared	整数	计算过相似度的节点数量。
relationshipsWritten	整数	创建的关系数量。
similarityDistribution	Map	包含计算出的相似度结果的最小值、最大值、平均值、标准差以及 p1, p5, p10, p25, p75, p90, p95, p99, p100 百分位值的映射。
配置	Map	用于运行算法的配置。

示例

以下所有示例应在空数据库中运行。

这些示例将 Cypher 投影作为规范。原生投影将在未来版本中弃用。

在本节中，我们将展示在具体图表上运行过滤节点相似度算法的示例。目的是说明结果的样子，并提供如何在实际设置中使用该算法的指南。我们将在一个由少量节点以特定模式连接的小型知识图谱上进行操作。示例图如下所示：

以下 Cypher 语句将在 Neo4j 数据库中创建示例图：

CREATE
  (alice:Person:Singer {name: 'Alice'}),
  (bob:Person:Singer {name: 'Bob'}),
  (carol:Person:Singer {name: 'Carol'}),
  (dave:Person {name: 'Dave'}),
  (eve:Person:Singer {name: 'Eve'}),
  (guitar:Instrument {name: 'Guitar'}),
  (synth:Instrument {name: 'Synthesizer'}),
  (bongos:Instrument {name: 'Bongos'}),
  (trumpet:Instrument {name: 'Trumpet'}),

  (alice)-[:LIKES]->(guitar),
  (alice)-[:LIKES]->(synth),
  (alice)-[:LIKES {strength: 0.5}]->(bongos),
  (bob)-[:LIKES]->(guitar),
  (bob)-[:LIKES]->(synth),
  (carol)-[:LIKES]->(bongos),
  (dave)-[:LIKES]->(guitar),
  (dave)-[:LIKES]->(synth),
  (dave)-[:LIKES]->(bongos);

该二分图有两个节点集：Person（人物）节点和 Instrument（乐器）节点。部分 Person 节点也是歌手。这两个节点集通过 LIKES（喜欢）关系连接。每个关系从 Person 节点开始，到 Instrument 节点结束。

过滤节点相似度算法仅会计算度数至少为 1 的节点的相似度。因此，Eve 不会包含在结果中，因为她的度数为零。

以下语句将投影图并将其存储在图目录中。

MATCH (source)
OPTIONAL MATCH (source:Person|Singer)-[r:LIKES]->(target:Instrument)
RETURN gds.graph.project(
  'myGraph',
  source,
  target,
  {
    sourceNodeLabels: labels(source),
    targetNodeLabels: labels(target),
    relationshipProperties: r { strength: coalesce(r.strength, 1.0) }
  }
)

在以下示例中，我们将演示过滤节点相似度算法在此图上的用法。特别地，我们将应用 sourceNodeFilter 和 targetNodeFilter 过滤器，将我们的相似度搜索严格限制为同时具有 Singer（歌手）标签的 Person 节点。

内存估算

首先，我们将使用 estimate 过程估算运行算法的成本。这可以在任何执行模式下完成。在这个例子中我们将使用 write 模式。估算算法有助于了解在您的图上运行该算法将产生的内存影响。当您随后在其中一种执行模式下真正运行算法时，系统将执行一次估算。如果估算显示执行超出其内存限制的可能性非常高，则禁止执行。要阅读更多关于此的内容，请参阅自动估算和执行阻塞。

有关 estimate 的更多详细信息，请参阅内存估算。

以下内容将估算运行算法所需的内存

CALL gds.nodeSimilarity.filtered.write.estimate('myGraph', {
    writeRelationshipType: 'SIMILAR',
    writeProperty: 'score',
    sourceNodeFilter:'Singer',
    targetNodeFilter:'Singer'
})
YIELD nodeCount, relationshipCount, bytesMin, bytesMax, requiredMemory

表 14. 结果
nodeCount	relationshipCount	bytesMin	bytesMax	requiredMemory
9	9	2384	2600	"[2384 Bytes ... 2600 Bytes]"

流模式 (Stream)

在 stream 执行模式下，算法返回每个关系的相似度分数。这允许我们直接检查结果或在 Cypher 中进行后处理，而不会产生任何副作用。

有关 stream 模式的更多详细信息，请参阅流式读取。

以下代码将运行算法并流式输出结果

CALL gds.nodeSimilarity.filtered.stream('myGraph', {sourceNodeFilter:'Singer' , targetNodeFilter:'Singer' } )
YIELD node1, node2, similarity
RETURN gds.util.asNode(node1).name AS Person1, gds.util.asNode(node2).name AS Person2, similarity
ORDER BY similarity DESCENDING, Person1, Person2

表 15. 结果
Person1	Person2	similarity
"Alice"	"Bob"	0.6666666666666666
"Bob"	"Alice"	0.6666666666666666
"Alice"	"Carol"	0.3333333333333333
"Carol"	"Alice"	0.3333333333333333

统计模式 (Stats)

在 stats 执行模式下，算法返回包含算法结果摘要的单行数据。此执行模式没有任何副作用。它有助于通过检查 computeMillis 返回项来评估算法性能。在下面的示例中，我们将省略返回的时间信息。该过程的完整签名可以在语法部分找到。

有关 stats 模式的更多详细信息，请参阅统计。

以下代码将使用指定的过滤器运行节点相似度算法，并以统计和测量值的形式返回结果

CALL gds.nodeSimilarity.filtered.stats('myGraph', {sourceNodeFilter:'Singer' , targetNodeFilter:'Singer' } )
YIELD nodesCompared, similarityPairs

表 16. 结果
nodesCompared	similarityPairs
3	4

变异模式 (Mutate)

mutate 执行模式扩展了 stats 模式并产生了一个重要的副作用：使用包含该关系相似度分数的新关系属性更新命名图。新属性的名称使用强制配置参数 mutateProperty 指定。结果是一个摘要行，类似于 stats，但包含一些额外的指标。mutate 模式在同时使用多个算法时特别有用。

有关 mutate 模式的更多详细信息，请参阅变更。

以下内容将运行算法，并将结果写回内存中图

CALL gds.nodeSimilarity.filtered.mutate('myGraph',{
    mutateRelationshipType: 'SIMILAR',
    mutateProperty: 'score',
    sourceNodeFilter:'Singer',
    targetNodeFilter:'Singer'
})

YIELD nodesCompared, relationshipsWritten

表 17. 结果
nodesCompared	relationshipsWritten
3	4

从结果中可以看出，创建的关系数量与流模式示例中的行数相同。

即使输入图是无向的，变异产生出的关系也始终是有向的。如果 a → b 是 a 的 topK，且对称地 b → a 是 b 的 topK（或者 a → b 和 b → a 都是 topN），看起来似乎产生了一个无向关系。然而，它们实际上是独立产生的两个有向关系。

写入模式 (Write)

write 执行模式会为每一对节点在 Neo4j 数据库中创建一个关系，并将它们的相似度分数作为属性。新关系的类型通过强制配置参数 writeRelationshipType 指定。新属性的名称通过强制配置参数 writeProperty 指定。结果是单行摘要，类似于 stats，但带有额外的一些指标。

有关 write 模式的更多详细信息，请参阅写入。

以下内容将运行算法并写回结果

CALL gds.nodeSimilarity.filtered.write('myGraph',{
    writeRelationshipType: 'SIMILAR',
    writeProperty: 'score',
    sourceNodeFilter:'Singer',
    targetNodeFilter:'Singer'
})
YIELD nodesCompared, relationshipsWritten

表 18. 结果
nodesCompared	relationshipsWritten
3	4

从结果中可以看出，创建的关系数量等于流式示例中的行数。

即使输入图是无向的，写入的关系也始终是有向的。如果 a → b 是 a 的 topK，且对称地 b → a 是 b 的 topK（或者 a → b 和 b → a 都是 topN），看起来似乎写入了一个无向关系。然而，它们实际上是独立写入的两个有向关系。