Please wait a minute...
Advanced Search
数据分析与知识发现  2020, Vol. 4 Issue (1): 63-75    DOI: 10.11925/infotech.2096-3467.2019.0505
  研究论文 本期目录 | 过刊浏览 | 高级检索 |
基于深度学习的知识表示研究:网络视角*
余传明1(),李浩男2,王曼怡2,黄婷婷2,安璐3
1中南财经政法大学信息与安全工程学院 武汉 430073
2中南财经政法大学统计与数学学院 武汉 430073
3武汉大学信息管理学院 武汉 430072
Knowledge Representation Based on Deep Learning:Network Perspective
Chuanming Yu1(),Haonan Li2,Manyi Wang2,Tingting Huang2,Lu An3
1School of Information and Security Engineering, Zhongnan University of Economics and Law,Wuhan 430073, China
2School of Statistics and Mathematics, Zhongnan University of Economics and Law, Wuhan 430073, China
3School of Information Management, Wuhan University, Wuhan 430072, China
全文: PDF(838 KB)   HTML ( 9
输出: BibTeX | EndNote (RIS)      
摘要 

【目的】 从知识网络视角探究如何更好地表示知识对象的语义关系。【方法】 在已有网络表示学习算法的基础上,借助于集成学习和深度学习思想,提出组合式知识网络表示学习模型(Combined Knowledge Network Representation Learning,CKNRL)。【结果】 在中英文新闻平行语料的知识网络链接预测任务上,CKNRL模型的AUC取值为0.929,高于单一的网络表示算法DeepWalk(0.925)、Node2Vec(0.926)和SDNE(0.899),验证了CKNRL模型的有效性。【局限】 实证研究仅建立在共词网络的基础上,尚未检验CKNRL模型在更多类型的知识网络链接预测中的效果。【结论】 通过建立融合模型能够更好地表示知识对象之间的语义关系。

服务
把本文推荐给朋友
加入引用管理器
E-mail Alert
RSS
作者相关文章
余传明
李浩男
王曼怡
黄婷婷
安璐
关键词 知识表示深度学习网络表示学习链接预测    
Abstract

[Objective] This paper explores better representation models for the semantic relationship among knowledge objects.[Methods] Based on the existing algorithm of network representation learning, we proposed a combined knowledge network representation learning model (CKNRL), with integrated learning and deep learning techniques.[Results] We examined our new model with the knowledge network link prediction task of Chinese and English news parallel corpus. The AUC value of the CKNRL model was 0.929, which was higher than those of the traditional algorithms, i.e. DeepWalk(0.925), Node2Vec(0.926) and SDNE(0.899).[Limitations] Our study was based on the word co-occurrence network, and more research is needed to examine the CKNRL model for link prediction on more types of knowledge networks.[Conclusions] The semantic relationship among knowledge objects can be better represented by the proposed fusion model.

Key wordsKnowledge Representation    Deep Learning    Network Representation Learning    Link Prediction
收稿日期: 2019-05-14     
中图分类号:  TP391  
基金资助:*本文系国家自然科学基金面上项目“面向跨语言观点摘要的领域知识表示与融合模型研究”(71974202);中南财经政法大学中央高校基本科研业务费专项资金资助“大数据视角下的中美贸易战观点挖掘研究”的研究成果之一(2722019JX007)
通讯作者: 余传明     E-mail: yucm@zuel.edu.cn
引用本文:   
余传明,李浩男,王曼怡,黄婷婷,安璐. 基于深度学习的知识表示研究:网络视角*[J]. 数据分析与知识发现, 2020, 4(1): 63-75.
Chuanming Yu,Haonan Li,Manyi Wang,Tingting Huang,Lu An. Knowledge Representation Based on Deep Learning:Network Perspective. Data Analysis and Knowledge Discovery, DOI:10.11925/infotech.2096-3467.2019.0505.
链接本文:  
http://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/10.11925/infotech.2096-3467.2019.0505
符号表示 说明
di DeepWalk算法获得的针对网络中第i个节点的表征
ni Node2Vec算法获得的针对网络中第i个节点的表征
si SDNE算法获得的针对网络中第i个节点的表征
Dj DeepWalk算法针对第j个节点对的分类结果(概率)
Nj Node2Vec算法针对第j个节点对的分类结果(概率)
Sj SDNE算法针对第j个节点对的分类结果(概率)
表1  相关符号说明
图1  CKNRL模型流程
网络信息 中文网络
名词性节点 3 132
动词性节点 1 956
形容词性节点 342
其他知识节点 50
边数 110 301
表2  单语言知识网络统计数据
相关操作 详细说明
表示学习算法种类 DeepWalk、Node2Vec、SDNE
完成任务 链接预测
数据不平衡比例 正例:负例=1:3
选取变量 网络嵌入维度大小
滑动窗口大小
特征构造方法
模型融合方式
机器学习算法
训练集和测试比例 8:2
评估指标 Precision、Recall、F1、Accuracy、AUC
机器学习算法 XGBoost、LightGBM、NB、LR、MLP、RF
表3  深度表示学习实验相关情况说明
算法 参数名 参数值
DeepWalk 迭代次数 80
随机游走长度 40
嵌入维度 50、100、150、200
Node2Vec 迭代次数 100
随机游走长度 80
嵌入维度 50、100、150、200
p 1
q 0.5
SDNE 迭代次数 300
学习率 0.01
批处理样本数 64
嵌入维度 50、100、150、200
Alpha 100
Gamma 1
Beta 10
XGBoost Thread 5
scale_pos_weight 3
表4  各表示学习算法参数
维度大小 Precision Recall F1 Accuracy AUC
50 0.74 0.69 0.72 0.864 0.912
100 0.79 0.69 0.74 0.876 0.917
150 0.78 0.69 0.73 0.873 0.915
200 0.75 0.72 0.73 0.870 0.912
表5  不同嵌入维度完成链接预测任务的实验结果
窗口大小 Precision Recall F1 Accuracy AUC
3 0.80 0.53 0.63 0.848 0.869
5 0.79 0.69 0.74 0.876 0.917
7 0.75 0.73 0.74 0.871 0.921
9 0.74 0.77 0.75 0.875 0.928
表6  不同窗口大小完成链接预测任务的实验结果
特征构造方法 Precision Recall F1 Accuracy AUC
拼接 0.63 0.78 0.69 0.828 0.891
点乘 0.69 0.78 0.74 0.859 0.919
相减取绝对值 0.74 0.76 0.75 0.872 0.927
相加取平均 0.54 0.73 0.62 0.775 0.828
相减取平方 0.73 0.77 0.75 0.872 0.927
表7  不同特征构造方法对链接预测的影响
α β γ Precision Recall F1 AUC
0.0 0.0 1.0 0.65 0.77 0.71 0.899
0.0 0.3 0.7 0.67 0.74 0.70 0.896
0.0 0.6 0.4 0.59 0.71 0.64 0.861
0.0 0.9 0.1 0.73 0.76 0.75 0.925
0.1 0.0 0.9 0.67 0.77 0.72 0.906
0.1 0.3 0.6 0.67 0.74 0.70 0.893
0.1 0.6 0.3 0.64 0.73 0.68 0.885
0.1 0.9 0.0 0.74 0.77 0.75 0.929
0.2 0.0 0.8 0.67 0.77 0.72 0.905
0.2 0.3 0.5 0.65 0.73 0.69 0.880
0.2 0.6 0.2 0.69 0.75 0.72 0.908
0.3 0.0 0.7 0.68 0.76 0.72 0.901
0.3 0.3 0.4 0.60 0.70 0.65 0.857
0.3 0.6 0.1 0.71 0.77 0.74 0.917
0.4 0.1 0.5 0.66 0.73 0.69 0.884
0.4 0.4 0.2 0.66 0.75 0.70 0.897
0.5 0.0 0.5 0.64 0.72 0.68 0.877
0.5 0.3 0.2 0.64 0.75 0.69 0.896
0.6 0.0 0.4 0.60 0.72 0.66 0.862
0.6 0.3 0.1 0.70 0.78 0.73 0.917
0.7 0.1 0.2 0.69 0.77 0.73 0.911
0.8 0.0 0.2 0.70 0.77 0.73 0.915
0.9 0.0 0.1 0.71 0.79 0.75 0.922
1.0 0.0 0.0 0.72 0.78 0.75 0.925
表8  不同模型融合方式完成链接预测任务的部分实验结果(网络嵌入融合)
λ μ η Precision Recall F1 AUC
0.0 0.0 1.0 0.50 0.90 0.64 0.898
0.0 0.5 0.5 0.54 0.93 0.68 0.925
0.0 1.0 0.0 0.55 0.93 0.69 0.928
0.1 0.0 0.9 0.51 0.91 0.65 0.905
0.1 0.5 0.4 0.55 0.93 0.69 0.929
0.2 0.0 0.8 0.52 0.91 0.66 0.911
0.2 0.5 0.3 0.56 0.94 0.70 0.932
0.3 0.0 0.7 0.53 0.91 0.67 0.916
0.3 0.5 0.2 0.57 0.94 0.71 0.934
0.3 0.6 0.1 0.57 0.94 0.71 0.935
0.4 0.0 0.6 0.53 0.91 0.67 0.920
0.4 0.5 0.1 0.58 0.94 0.72 0.935
0.5 0.0 0.5 0.54 0.92 0.68 0.922
0.5 0.5 0.0 0.58 0.94 0.72 0.934
0.6 0.0 0.4 0.55 0.92 0.69 0.924
0.7 0.0 0.3 0.56 0.92 0.70 0.926
0.7 0.1 0.2 0.57 0.93 0.70 0.928
0.8 0.0 0.2 0.57 0.92 0.70 0.926
0.9 0.0 0.1 0.57 0.92 0.70 0.925
1.0 0.0 0.0 0.57 0.92 0.70 0.924
表9  不同模型融合方式完成链接预测任务的部分实验结果(分类结果融合)
Algorithm Precision Recall F1 AUC
NB 0.74 0.76 0.75 0.929
LR 0.75 0.75 0.75 0.928
XGBoost 0.69 0.82 0.75 0.927
LightGBM 0.75 0.75 0.75 0.925
MLP 0.75 0.73 0.74 0.914
RF 0.66 0.77 0.71 0.903
Bagging 0.66 0.73 0.69 0.893
BVC 0.67 0.75 0.71 0.903
Voting 0.78 0.74 0.76 0.924
表10  机器学习算法对于链接预测的影响(网络嵌入融合)
Algorithm Precision Recall F1 AUC
RF 0.70 0.77 0.73 0.917
LR 0.79 0.72 0.75 0.935
MLP 0.79 0.69 0.74 0.918
XGBoost 0.71 0.84 0.77 0.937
LightGBM 0.78 0.74 0.76 0.936
NB 0.78 0.76 0.77 0.920
Bagging 0.72 0.75 0.73 0.920
Voting 0.78 0.75 0.76 0.933
BVC 0.72 0.78 0.75 0.924
表11  机器学习算法对于链接预测的影响(分类结果融合)
方法 Precision Recall F1 Accuracy AUC
CKNRL 0.74 0.77 0.75 0.874 0.929
DeepWalk 0.72 0.78 0.75 0.868 0.925
Node2Vec 0.73 0.77 0.75 0.872 0.926
SDNE 0.65 0.77 0.71 0.840 0.899
表12  表示学习对比实验结果
[1] Perozzi B, Al-Rfou R, Skiena S. DeepWalk: Online Learning of Social Representations [C]// Proceedings of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.ACM, 2014: 701-710.
[2] Tang J, Qu M, Wang M, et al. LINE: Large-scale Information Network Embedding [C]// Proceedings of the 24th International Conference on World Wide Web. 2015: 1067-1077.
[3] Grover A, Leskovec J. Node2Vec: Scalable Feature Learning for Networks [C]//Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. ACM, 2016: 855-864.
[4] Wang D, Cui P, Zhu W. Structural Deep Network Embedding [C]//Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.ACM, 2016: 1225-1234.
[5] 郑彦宁, 许晓阳, 刘志辉 . 基于关键词共现的研究前沿识别方法研究[J]. 图书情报工作, 2016,60(4):85-92.
( Zheng Yanning, Xu Xiaoyang, Liu Zhihui . Study on the Method of Identifying Research Fronts Based on Keywords Co-occurrence[J]. Library and Information Service, 2016,60(4):85-92.)
[6] 商宪丽, 王学东 . 图书情报知识[J]. 图书情报知识,2016(3):80-88.
( Shang Xianli, Wang Xuedong . A Feature Selection Method Based on Dynamic Co-Word Network for Microblog Topic Detection[J]. Document, Information & Knowledge, 2016(3):80-88.)
[7] 孙耀吾, 龚晓叶 . 技术标准化主题学术关注度及共词网络演化研究[J]. 情报杂志, 2017,36(9):64-70,37.
( Sun Yaowu, Gong Xiaoye . The Academic Interest of Technological Standardization Topic and Its Co-Word Network Evolution Research[J]. Journal of Intelligence, 2017,36(9):64-70, 37.)
[8] 马红, 蔡永明 . 共词网络LDA模型的中文文本主题分析:以交通法学文献( 2000 -2016)为例[J]. 现代图书情报技术, 2016(12):17-26.
( Ma Hong, Cai Yongming . A CA-LDA Model for Chinese Topic Analysis: Case Study of Transportation Law Literature[J]. New Technology of Library and Information Service, 2016(12):17-26.)
[9] 蔡永明, 长青 . 共词网络LDA模型的中文短文本主题分析[J]. 情报学报, 2018,37(3):305-317.
( Cai Yongming, Chang Qing . Chinese Short Text Topic Analysis by Latent Dirichlet Allocation Model with Co-Word Network Analysis[J]. Journal of the China Society for Scientific and Technical Information, 2018,37(3):305-317.)
[10] 宫雪, 崔雷 . 基于医学主题词共现网络的链接预测研究[J]. 情报杂志, 2018,37(1):66-71,52.
( Gong Xue, Cui Lei . Link Prediction in MeSH Terms Co-occurring Networks[J]. Journal of Intelligence, 2018,37(1):66-71,52.)
[11] 高继平, 丁堃, 潘云涛 , 等. 共词网络中连线的重要性分析及其应用[J]. 情报理论与实践, 2015,38(2):79-83,70.
( Gao Jiping, Ding Kun, Pan Yuntao , et al. Importance Analysis and Application of Connections in Co-Word Networks[J]. Information Studies: Theory & Application, 2015,38(2):79-83,70.)
[12] 李纲, 任佳佳, 毛进 , 等. 专利权人合作网络的社群结构分析——以燃料电池电动汽车专利为例[J]. 情报学报, 2014,33(3):267-276.
( Li Gang, Ren Jiajia, Mao Jin , et al. Analysis of the Community Structure of Patentees’ Collaboration Network——Fuel Cell Electric Vehicle Patents as an Example[J]. Journal of the China Society for Scientific and Technical Information, 2014,33(3):267-276.)
[13] 吕鹏辉, 刘盛博 . 学科知识网络实证研究(Ⅳ)合作网络的结构与特征分析[J]. 情报学报, 2014,33(4):367-374.
( Lv Penghui, Liu Shengbo . Scientific Knowledge Networks in LIS(IV): Investigation on the Structure and Characteristics of Cooperation Networks[J]. Journal of the China Society for Scientific and Technical Information, 2014,33(4):367-374.)
[14] 陈伟, 李传云, 周文 , 等. 基于新能源汽车的加权专利合作网络研究[J]. 情报学报, 2016,35(6):563-572.
( Chen Wei, Li Chuanyun, Zhou Wen , et al. Research on the Weighted Patent Cooperation Network Based on New Energy Vehicles[J]. Journal of the China Society for Scientific and Technical Information, 2016,35(6):563-572.)
[15] 范如霞, 曾建勋, 高亚瑞玺 . 基于合作网络的学者动态学术影响力模式识别研究[J]. 数据分析与知识发现, 2017,1(4):30-37.
( Fan Ruxia, Zeng Jianxun, Gao Yaruixi . Recognizing Dynamic Academic Impacts of Scholars Based on Cooperative Network[J]. Data Analysis and Knowledge Discovery, 2017,1(4):30-37.)
[16] 施晓华, 卢宏涛 . 基于矩阵分解学习的科学合作网络社区发现研究[J]. 数据分析与知识发现, 2017,1(9):49-56.
( Shi Xiaohua, Lu Hongtao . Detecting Community in Scientific Collaboration Network with Bayesian Symmetric NMF[J]. Data Analysis and Knowledge Discovery, 2017,1(9):49-56.)
[17] 吕鹏辉, 张士靖 . 学科知识网络研究(Ⅰ)引文网络的结构、特征与演化[J]. 情报学报, 2014,33(4):340-348.
( Lv Penghui, Zhang Shijing . Scientific Knowledge Networks in LIS(I): Case Study on the Structure, Characteristics and Evolution of Citation Networks[J]. Journal of the China Society for Scientific and Technical Information, 2014,33(4):340-348.)
[18] 隗玲, 刘春江, 许海云 , 等. 基于文献关联属性的引文网络主路径识别——以合成生物学领域为例[J]. 情报学报, 2018,37(4):351-361.
( Wei Ling, Liu Chunjiang, Xu Haiyun , et al. Citation Network Main Path Identification Based on Associated Attributes of Articles: Case Study from Synthetic Biology[J]. Journal of the China Society for Scientific and Technical Information, 2018,37(4):351-361.)
[19] 王忠义, 张鹤铭, 黄京 , 等. 基于社会网络分析的网络问答社区知识传播研究[J]. 数据分析与知识发现, 2018,2(11):80-94.
( Wang Zhongyi, Zhang Heming, Huang Jing , et al. Studying Knowledge Dissemination of Online Q&A Community with Social Network Analysis[J]. Data Analysis and Knowledge Discovery, 2018,2(11):80-94.)
[20] 范馨月, 崔雷 . 基于网络属性的抗肿瘤药物靶点预测方法及其应用[J]. 数据分析与知识发现, 2018,2(12):98-108.
( Fan Xinyue, Cui Lei . Predicting Antineoplastic Drug Targets Based on Network Properties[J]. Data Analysis and Knowledge Discovery, 2018,2(12):98-108.)
[21] 余传明, 冯博琳, 安璐 . 基于深度表示学习的跨领域情感分析[J]. 数据分析与知识发现, 2017,1(7):73-81.
( Yu Chuanming, Feng Bolin, An Lu . Sentiment Analysis in Cross-Domain Environment with Deep Representative Learning[J]. Data Analysis and Knowledge Discovery, 2017,1(7):73-81.)
[22] 李宇琦, 陈维政, 闫宏飞 , 等. 基于网络表示学习的个性化商品推荐[J]. 计算机学报, 2019,42(8):1767-1778.
( Li Yuqi, Chen Weizheng, Yan Hongfei , et al. Learning Graph-based Embedding for Personalized Product Recommendation[J]. Chinese Journal of Computers, 2019,42(8):1767-1778.)
[23] 张金柱, 于文倩, 刘菁婕 , 等. 基于网络表示学习的科研合作预测研究[J]. 情报学报, 2018,37(2):132-139.
( Zhang Jinzhu, Yu Wenqian, Liu Jingjie , et al. Predicting Research Collaborations Based on Network Embedding[J]. Journal of the China Society for Scientific and Technical Information, 2018,37(2):132-139.)
[24] 刘姝雯, 徐扬, 王冰璐 , 等. 基于用户表示学习的微博水军识别研究[J]. 情报杂志, 2018,37(7):95-100,87.
( Liu Shuwen, Xu Yang, Wang Binglu , et al. Water Army Detection of Weibo Using User Representation Learning[J]. Journal of Intelligence, 2018,37(7):95-100,87.)
[25] 樊玮, 韩佳宁, 张宇翔 . 基于网络表示学习的论文影响力预测算法[J/OL]. 计算机工程. .
( Fan Wei, Han Jianing, Zhang Yuxiang . Paper Influence Prediction Algorithm Based on Network Representation Learning[J/OL]. Computer Engineering. .)
[26] 孙晓玲, 丁堃 . 深度学习中的表示学习研究及其对知识计量的影响[J]. 情报理论与实践, 2018,41(9):118-122.
( Sun Xiaoling, Ding Kun . Study of Representation Learning in Deep Learning and Its Impact on Knowledge Measurement[J]. Information Studies: Theory & Application, 2018,41(9):118-122.)
[27] 廖祥文, 刘德元, 桂林 , 等. 融合文本概念化与网络表示的观点检索[J]. 软件学报, 2018,29(10):2899-2914.
( Liao Xiangwen, Liu Deyuan, Gui Lin , et al. Opinion Retrieval Method Combining Text Conceptualization and Network Embedding[J]. Journal of Software, 2018,29(10):2899-2914.)
[28] 刘思, 刘海, 陈启买 , 等. 基于网络表示学习与随机游走的链路预测算法[J]. 计算机应用, 2017,37(8):2234-2239.
( Liu Si, Liu Hai, Chen Qimai , et al. Link Prediction Algorithm Based on Network Representation Learning and Random Walk[J]. Journal of Computer Applications, 2017,37(8):2234-2239.)
[29] 刘知远, 孙茂松, 林衍凯 , 等. 知识表示学习研究进展[J]. 计算机研究与发展, 2016,53(2):247-261.
( Liu Zhiyuan, Sun Maosong, Lin Yankai , et al. Knowledge Representation Learning: A Review[J]. Journal of Computer Research and Development, 2016,53(2):247-261.)
[30] 新闻平行语料数据集[EB/OL]. [ 2018- 01- 01]. .
( News-commentary Corpus[EB/OL]. [ 2018- 01- 01]. )
[31] Jieba文档[EB/OL]. [2018-01-01]..
( Jieba Document[EB/OL]. [2018-01-01]..)
[1] 张梦吉,杜婉钰,郑楠. 引入新闻短文本的个股走势预测模型[J]. 数据分析与知识发现, 2019, 3(5): 11-18.
[2] 裴晶晶,乐小虬. 篇章级并列关系文本块识别方法研究[J]. 数据分析与知识发现, 2019, 3(5): 51-56.
[3] 张智雄,刘欢,丁良萍,吴朋民,于改红. 不同深度学习模型的科技论文摘要语步识别效果对比研究 *[J]. 数据分析与知识发现, 2019, 3(12): 1-9.
[4] 余丽,钱力,付常雷,赵华茗. 基于深度学习的文本中细粒度知识元抽取方法研究*[J]. 数据分析与知识发现, 2019, 3(1): 38-45.
[5] 付常雷,钱力,张华平,赵华茗,谢靖. 基于深度学习的创新主题智能挖掘算法研究*[J]. 数据分析与知识发现, 2019, 3(1): 46-54.
[6] 余本功,张培行,许庆堂. 基于F-BiGRU情感分析的产品选择方法*[J]. 数据分析与知识发现, 2018, 2(9): 22-30.
[7] 陆伟,罗梦奇,丁恒,李信. 深度学习图像标注与用户标注比较研究*[J]. 数据分析与知识发现, 2018, 2(5): 1-10.
[8] 冯国明,张晓冬,刘素辉. 基于CapsNet的中文文本分类研究*[J]. 数据分析与知识发现, 2018, 2(12): 68-76.
[9] 肖延辉,王欣,冯文刚,田华伟,吴绍忠,李丽华. 基于长短记忆型卷积神经网络的犯罪地理位置预测方法*[J]. 数据分析与知识发现, 2018, 2(10): 15-20.
[10] 冯文刚,黄静. 基于深度学习的民航安检和航班预警研究*[J]. 数据分析与知识发现, 2018, 2(10): 46-53.
[11] 胡家珩,岑咏华,吴承尧. 基于深度学习的领域情感词典自动构建*——以金融领域为例[J]. 数据分析与知识发现, 2018, 2(10): 95-102.
[12] 余传明,龚雨田,赵晓莉,安璐. 基于多特征融合的金融领域科研合作推荐研究*[J]. 数据分析与知识发现, 2017, 1(8): 39-47.
[13] 邓三鸿,傅余洋子,王昊. 基于LSTM模型的中文图书多标签分类研究*[J]. 数据分析与知识发现, 2017, 1(7): 52-60.
[14] 朱丹浩, 杨蕾, 王东波. 基于深度学习的中文机构名识别研究*——一种汉字级别的循环神经网络方法[J]. 数据分析与知识发现, 2016, 32(12): 36-43.
[15] 张李义,刘畅. 结合深度置信网络和模糊集的虚假交易识别研究[J]. 现代图书情报技术, 2016, 32(1): 32-39.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
版权所有 © 2015 《数据分析与知识发现》编辑部
地址:北京市海淀区中关村北四环西路33号 邮编:100190
电话/传真:(010)82626611-6626,82624938
E-mail:jishu@mail.las.ac.cn