1 / 40

關鍵詞與概念圖之擷取及其應用

關鍵詞與概念圖之擷取及其應用. 關鍵詞自動擷取 概念圖自動擷取 教育領域的應用. 曾元顯 samtseng@ntnu.edu.tw 資訊中心 國立台灣師範大學. 近年研究主題演進圖. 關鍵詞自動擷取. 問題定義： 辨認數位文件內有意義且具代表性詞彙（ keywords ）、 片語（ key phrases ）的自動化技術。 應用範圍： 關鍵詞是呈現文件主題意義的最小單位，大部分對非結構化文件的自動處理，如：

elita
Télécharger la présentation

關鍵詞與概念圖之擷取及其應用

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. 關鍵詞與概念圖之擷取及其應用 • 關鍵詞自動擷取 • 概念圖自動擷取 • 教育領域的應用 曾元顯 samtseng@ntnu.edu.tw 資訊中心 國立台灣師範大學

  2. 近年研究主題演進圖

  3. 關鍵詞自動擷取 • 問題定義： • 辨認數位文件內有意義且具代表性詞彙（keywords）、 片語（key phrases）的自動化技術。 • 應用範圍： • 關鍵詞是呈現文件主題意義的最小單位，大部分對非結構化文件的自動處理，如： • 自動索引、索引典自動建立、自動摘要、 自動分類、自動歸類、相關回饋、自動過濾、事件偵測與追蹤、知識探勘、 資訊視覺化、概念檢索、檢索提示、關聯知識分析、自動化權威控制、 自動化詢答系統等 • 都必須先進行關鍵詞擷取的動作，再進行 其他的處理。 • 關鍵詞擷取是所有文件自動處理的基礎與核心技術。 • 與中文斷詞之不同 • 斷詞（或稱「分詞」、segmentation）：擷取出文句中每一個詞彙 • 關鍵詞擷取：擷取出一段文字中的重要詞彙

  4. 展示網站 • 單篇文件： • 關鍵詞擷取、概念圖產生、自動摘要 • http://archive.dmc.ntnu.edu.tw/SegWord_CGI.html • 多篇文件： • 關鍵詞擷取、概念圖產生、關聯詞彙查詢 • http://ir.itc.ntnu.edu.tw/udn/search.aspx • 查詢範例：「台師大」、「霸凌」 • 參考文獻： • Yuen-Hsien Tseng, Chun-Yen Chang, Shu-Nu Chang Rundgren, and Carl-Johan Rundgren, “Mining Concept Maps from News Stories for Measuring Civic Scientific Literacy in Media", Computers and Education, Vol. 55, No. 1, August 2010, pp. 165-177. (SSCI)

  5. 關鍵詞自動擷取方法 [Tseng 97, 98, 99, 2001] • 找出最大重複出現字串（maximally repeated pattern）的演算法 • token : 一個中文字（character）或英文字（word） • n-token: 輸入文字中，任意連續的 n tokens （與 n-gram 類似） • 演算法三步驟： 步驟一: 轉換輸入文字成 2-token 串列 步驟二: 依合併規則重複合併 n-tokens 成 (n+1)-tokens，直到無法合併 步驟三: 依過濾規則，過濾不合法的詞彙 詞頻 依過濾規則，過濾不合法的詞彙

  6. 關鍵詞自動擷取演算法 • 1. Convert the input into a LIST with each word (or character) as a list element. • 2. Do Loop • 2.1 Set MergeList to empty. • 2.2 Put a separator to the end of LIST as a sentinel and • set the occurring frequency of the separator to 0. • 2.3 For I from 1 to NumOf(LIST) - 1 step 1, do • 2.3.1 If LIST[ I ] is the separator, Go to Label 2.3. • 2.3.2 If Freq(LIST[ I ]) > threshold and Freq(LIST[ I+1 ]) > thresholdthen • 2.3.2.1 Merge LIST[ I ] and LIST[ I+1 ] into Z • 2.3.2.2 Put Z to the end of MergeList. • 2.3.3 else • 2.3.3.1 If Freq(LIST[ I ]) > threshold and LIST[ I ] did not merge with LIST[ I - 1], then • Save LIST[ I ] in FinalList. • 2.3.3.2 If the last element of MergeList is not the separator, then • Put the separator to the end of MergeList. • 2.4 Set LIST to MergeList. • 2.5 For each element Z in MergeList created in Step 2.3.2.1, restore the first part • LIST[ I ] from Z and save LIST[ I ] in FinalList if Freq(Z) <= threshold. • Until NumOf(LIST) < 2. • 3. Filter the candidates in the FinalList based on some criteria.

  7. 關鍵詞自動擷取過程範例 • 輸入文字: “BACDBCDABACD”, 假設 門檻值 = 1 • 步驟一 : 產生 L = (BA:2 AC:2 CD:3 DB:1 BC:1 CD:3 DA:1 AB:1 BA:2 AC:2 CD:3) • 步驟二: token 合併 : 第一次 :合併 L 成 L1= (BAC:2 ACD:2 BAC:2 ACD:2) 丟掉: (BA:2 AC:2 CD:3 DB:1 BC:1 DA:1 AB:1 BA:2 AC:2 CD:3) 留住 : (CD:3) 第二次 : 合併 L1 成 L2 = (BACD:2 BACD:2) 丟掉 : (BAC:2 ACD:2 BAC:2 ACD:2) 留住 : (CD:3) 第三次 : 合併 L2 成 L3 = ( ) 丟掉 : ( ) 留住 : (CD:3 BACD:2) • 步驟三: 無須過濾

  8. 關鍵詞自動擷取範例 [Tseng 2000]：英文範例 Web Document Clustering: A Feasibility Demonstration Users of Web search engines are often forced to sift through the long ordered list of document returned by the engines. The IR community has explored document clustering as an alternative method of organizing retrieval results, but clustering has yet to be deployed on the major search engines. The paper articulates the unique requirements of Web document clustering and reports on the first evaluation of clustering methods in this domain. A key requirement is that the methods create their clusters based on the short snippets returned by Web search engines. Surprisingly, we find that clusters based on snippets are almost as good as clusters created using the full text of Web documents. To satisfy the stringent requirements of the Web domain, we introduce an incremental, linear time (in the document collection size) algorithm called Suffix Tree Clustering (STC), which creates clusters based on phrases shared between documents. We show that STC is faster than standard clustering methods in this domain, and argue that Web document clustering via STC is both feasible and potentially beneficial.? Terms extracted before filtering 1.clusters based on : 3 2. document clustering : 3 3. of Web : 3 4.on the : 3 5. search engines : 3 6. STC is : 2 7. Web document clustering : 2 8. Web search engines : 2 9. clustering methods in this domain : 2 10. requirements of : 2 11.returned by : 2 Terms extracted after filtering 1. clusters based : 3 2. document clustering : 3 3. Web : 3 4. 5. search engines : 3 6. STC : 2 7. Web document clustering : 2 8. Web search engines : 2 9. clustering methods in this domain : 2 10. requirements : 2 11. returned : 2

  9. 關鍵詞自動擷取範例 [Tseng 2000]：中文範例 Terms before filtering 1. 設 計 : 3 2. 資 料 : 3 3. 網 路 : 3 4. 標 準 : 3 5. Dublin Core : 2 6. FGDC 的 Digital Geospatial Metadata : 2 7. IETE 的 : 2 8. 三 個 : 2 9. 文 中 : 2 10. 比 較 : 2 11. 它 們 : 2 12. 由 於 : 2 13. 地 理 : 2 14. 成 為 : 2 15. 我 們 : 2 16. 的 支 持 : 2 17. 的 設 計 目 : 2 18. 格 式 : 2 19. 著 錄 : 2 20. 電 子 : 2 21. 網 際 網 路 : 2 22. 環 境 : 2 23. 雖 然 : 2 24. 類 似 : 2 Terms after filtering 1. 設 計 : 3 (design) 2. 資 料 : 3 (data) 3. 網 路 : 3 (network) 4. 標 準 : 3 (standard) 5. Dublin Core : 2 6. FGDC 的 Digital Geospatial Metadata : 2 7. IETE : 2 8. 三 個 : 2 (three) 9. 文 中 : 2 (in the article) 10. 比 較 : 2 (comparison) 11. 它 們 : 2 (they) 12. 由 於 : 2 (owing to) 13. 地 理 : 2 (geography) 14. 成 為 : 2 (become) 15. 我 們 : 2 (we) 16. 支 持 : 2 (support) 17. 設 計 目 : 2 (incorrect term) 18. 格 式 : 2 (format) 19. 著 錄 : 2 (record) 20. 電 子 : 2 (electronics) 21. 網 際 網 路 : 2 (Internet) 22. 環 境 : 2 (environment) 23. 雖 然 : 2 (although) 24. 類 似 : 2 (similar) Comparison of Three Metadata Related Standards 在本文中，我們介紹了三個跟 metadata 相關的標準，它們分別是 FGDC 的 Digital Geospatial Metadata、Dublin Core、和 URC。雖然它們各有自己的設計目標和特質，但都是假設其操作環境為類似網際網路的環境。FGDC 的 Digital Geospatial Metadata 是設計來專門處理地理性資料，由於它有聯邦行政命令的支持，可說是已成為美國在地理方面的資料著錄國家標準。Dublin Core 則比較像是 USMARC 的網路節縮版，使非專業人士也能在短時間內熟悉和使用此格式來著錄收藏資料，但在現階段祇針對類似傳統印刷品的電子文件。由 IETE 的 URI 工作小組所負責的 URC，其原始的設計目的雖是用來連結 URL 和 URN，但為因應電子圖書館時代的要求，其內含逐漸擴大，雖然尚在發展中，但由於有 IETE 的支持，未來成為網際網路上通用標準的可能性極大。在此文中，我們也從幾個不同角度，分析和比較這三個 metadata 格式的異同和優缺點。

  10. Keyword Extraction for Chinese “松軟型”和“卷腿型”﹑您選擇哪一种?! 今秋東京流行靴子新款式！ 春夏秋冬﹐不論是那個季節﹐只要一換季就會有新的款式出現。今秋靴子新款式將引人注目。秋冬流行款式當然要數各式各樣的靴子!今秋東京街頭商店的展窗紛紛擺出出前所未有的獨俱特色的新款式﹐吸引者赶超時尚的男男女女。今十几年來所流行的靴子﹐為了充分顯示腳線美多設計得樣式簡洁色調平穩。然而自2002年春夏開始各种大胆型的設計款式紛紛亮相﹐穿在腳上的靴子開始受到關注。其中最受青睞款式有“松軟型”和許多文藝界偶像穿用的“卷腿型”靴子。无論哪一种都用花編和絨毛做裝飾﹐充分再現了女孩子愛美之心﹐也同樣會把行人的目光吸引到穿著漂亮皮靴的腳上。今秋﹐東京街頭將會出現一個“靴子”時裝展。 • 靴子新款式:2 • 今秋東京:2 • 東京街頭:2 • 新款式:3 • 卷腿型:2 • 松軟型:2 • 哪一种:2 • 款式:7 • 靴子:7 • 今秋:4 • 流行:3 • 充分:2 • 出現:2 • 吸引:2 • 春夏:2 • 秋冬:2 • 紛紛:2 • 設計:2 • 開始:2 • 腳上:2

  11. 關鍵詞自動擷取範例 [Tseng 2000]:直接運用於日文

  12. Key-phrase Extraction: Example The term “committee” in various erroneous forms (from OCR) was extracted, showing that the algorithm really can extract lexical terms without knowing their semantics (which is both an advantage and a disadvantage)

  13. 關鍵詞擷取成效評估 • 評估資料： • 100篇台灣新聞（抓自2000年6月3日中國時報網站） • 結果： • 平均每篇文件有 33 個關鍵詞 • 平均每篇文件有 11 (33%) 個關鍵詞不在詞庫中（含 123, 226 個詞 ） • 相異的關鍵詞總共 2197 個 • 其中有 954 個詞（954/2197 = 43%）不在詞庫中 • 954 個詞中有 79 個是錯誤不合法的詞（人工檢視結果），錯誤率 8.3% • 整體錯誤率則為 3.6% (=79/2197)

  14. 概念圖擷取（關聯詞分析） • 問題定義： • 自動產生一段文字的主題概念以及各個概念之間的關聯 • 概念圖（ConceptMap） • Novak1971年提出在教育領域方面的應用 • 相關概念： • 主題圖（Topic Map）、知識地圖（Knowledge map） • 索引典：主題詞、上位詞、下位詞、相關詞 • 知識本體：概念之間的關聯，隨應用領域而有更精細的定義 • 例如：IsA、PartOf、InstanceOf …

  15. 概念圖擷取（關聯詞分析） • 先前的作法 • 「共現性的單位」為「文件」 • 兩個詞彙在文件中距離越大，關係密切的可能性越低 • 需要分析的詞對個數多，許多詞對的關聯分析徒勞無功 • 計算量：M2n，M:所有詞彙個數, n :所有文件個數 • 例：n=10,000, M=10,000 (M=1000), 計算量：1012 (1010) • 新的作法 • 「共現性的單位」縮小到「段落」或「句子」 • 需要分析的詞對個數少 • 計算量：K2Sn，K:文件關鍵詞數, S:文件句子數, n:同上 • 例：n=10,000, K=30, S=20, 計算量：6x106

  16. 關聯詞分析：新的方法：[Tseng 2002] • 主要分二個步驟： • 擷取個別文件的關鍵詞 • 關鍵詞的關聯分析與累積 • 關鍵詞擷取 • 關鍵詞：文件內有意義且具代表性的詞彙 • 關鍵詞：呈現文件主題意義的最小單位 • 各種文獻自動化處理的必要步驟。 • 關鍵詞的認定是主觀的判斷，不利於電腦的自動處理 • 「重複性」假設： • 如果文件探討某個主題，那麼應該會提到某些特定的字串好幾次 • 具有客觀性、可自動處理 • 假設簡單，可適用於不同領域

  17. 關聯詞分析：新的方法：[Tseng 2002] • 第一步：詞彙選擇： • 每篇文件先用 詞庫（長詞優先法）斷詞 • 再由關鍵詞擷取演算法 擷取關鍵詞（至少出現2次者）（包含新詞） • 以 停用詞 過濾擷取出的關鍵詞，並依詞頻（term frequency）高低排序 • 選 詞頻最高的 N 個詞作關聯分析 • 第二步：詞彙關聯分析: • 每篇文件選出來的詞，以下面公式計算兩個詞彙的 權重 wgt： where NSi denotes number of all sentence in document i and NS(Tij) denotes in document i the number of sentences in which term Tj occurs. • 關聯詞 的權重超過門檻值（1.0）者，才依下面公式累積其權重 • 關聯詞 的最後相似度定義為： • 原方法：僅單純累加每對關聯詞的權重 • 新方法：加入 IDF (inverse document frequency ) 及 詞彙長度

  18. 單篇文件關鍵詞、關聯詞擷取範例 BMG Entertainment與Sony Music計畫在Internet 上銷售數位音樂。（美國矽谷/陳美滿） 根據San Jose Mercury News報導指出，BMG Entertainment計畫在6月上旬或中旬開始在Internet 上銷售數位音樂。消費者將可直接將音樂下載至PC，而無需購買CD或錄音帶。該公司為執行上述計畫已與多家高科技廠商合作，包括IBM、Liquid Audio與Microsoft。BMG隸屬於Bertelsmann公司。 另外，Sony Music也將於下週一宣佈該公司計畫於本月底開 始提供數位音樂下載。消費者將可在手提裝置上聆聽下載來的數位音樂。此項數位音樂下載將是市場上首項具有防止盜錄功能的產品。網路音樂市場在過去幾年已顯現市場潛力，主要拜MP3規格之賜。 1 : 音樂 (7) 2 : 數位音樂(5) 3 : 下載 (4) 4 : 計畫 (4) 5 : BMG (3) 6 : Music (2) 7 : Sony Music (2) 8 : Entertainment (2) 9 : BMG Entertainment (2)

  19. 關聯詞擷取效率比較 • Chen ’95 ’96 的方法： • 4714 文件, 8 MB, 費時9.2小時取出 1,708,551 個關聯詞對 • 限制每個詞的關聯詞數最多100 個，共刪除了 60% 的詞對 • 2GB文件，費時 24.5 CPU小時，產生4,000,000個關聯詞對 • Tseng的方法： • 336,067 新聞文件, 323 MB • 費時約 5.5 小時，擷取出11,490,822 個關鍵詞 • 全部關聯詞數: 248,613, 平均每個詞有9個關聯詞 • 2004: NTCIR 38萬篇中文新聞文件，51分鐘 • 斷詞、索引詞擷取、關鍵詞擷取、關聯詞分析、反向索引檔建立

  20. 關聯詞排序 • 關聯詞可按三種方式排序 • 強度： • 即關聯詞共現性的強度 • 詞頻： • 按關聯詞出現的文件篇數（df）排序，df 越高者，排在越前面 • 時間： • 按關聯詞出現在最近文件的次序排序 • 目的：讓最近才出現的關聯詞不必累積到足夠大的強度，即可排序在前面 • 如：「李登輝」的關聯詞中，出現「康乃爾」，因為李登輝最近又重訪康乃爾 • 對具有時間事件的文件集可能很重要 • 關聯詞提示的順序不同，使用者感覺的關聯度不同

  21. 關聯詞排序 查詢詞「古蹟」的關聯詞，依「詞頻」,「時間」,「強度」排序

  22. 關聯詞成效評估 • 目的 • 瞭解查詢詞與其提示的關聯詞之間的關聯(relatedness)情況 • 以兩種方式評估： • 直接計數前N（50）個被受試者判定為有關聯的關聯詞數 • 優點：簡單，可回溯比較 • 缺點：不能細微區分排序的差異 • 以精確率與召回率評估哪一種排序方式較好 • 計算平均精確率的程式為 TREC及NTCIR用的 trec_eval程式 • 評估方式： • 邀請5位研究所同學，就30個查詢詞（每人6個），從系統提示出來的前50個關聯詞中，判斷是否跟查詢詞相關

  23. 關聯詞成效評估 • 從25233篇新聞文件中擷取關聯詞 • 結果： • 排序 詞頻 時間 強度 • 關聯比例 48% 59% 69% • 平均精確率 0.302 0.403 0.528 • 「詞頻」最差，因為高頻詞，代表的主題較範圍較大，以致於跟任何查詢詞的關係都不大 • 結論： • 依「強度」排序的效果最好 • 比較： • (Sanderson & Croft SIGIR99) 關聯比例：67 %

  24. 中文互動式檢索輔助功能之效益評估 以關聯提示詞為例 • 2004年以相同文件、相同查詢詞、不同受試者重複實驗 • 小文件集25233篇 • 中文件集15,4720篇 • 小文件集的相關比例為 69.87% • 中文件集的相關比例為 78.33% • 文件越多，效果越好 • 30個查詢詞

  25. 關聯詞應用範例---50年後要靠電腦幫忙閱讀文獻關聯詞應用範例---50年後要靠電腦幫忙閱讀文獻

  26. NTCIR 中文主題檢索成效 • 012::導演，黑澤明 • 012::查詢日本導演黑澤明的生平大事

  27. Automated Concept Mappingas a metaphor for creating iContent • To breakdown and extract the semantics of any learning material • To bridge science concepts and the texts • For ease of presentation • For better interaction • To integrate all • Document types/genres • Science disciplines • User interface • Technologies

  28. Examples of Concept Map Mining and Applications • Concept map for knowledge exploration • Guided concept map to scaffold learning • Concept map driven item development

  29. 胰島細胞移植 - 糖尿病治療大突破。 記者詹建富、林進修／報導。 英國廣播公司報導，一名英國醫師以胰島細胞移植，讓八名糖尿病人脫離注射胰島素和嚴格飲食控制生活，是糖尿病治療一大突破。加拿大艾伯塔大學的英籍醫師夏比洛日前在醫學會上發表移植胰島細胞的人體試驗。他從腦死的器官捐贈者身上取出胰臟，分離出胰島細胞後，予以淨化，再注射到糖尿病患門靜脈，讓這些胰島細胞回流肝臟內，即可轉移到肝臟「築巢」，進而分泌出胰島素。這種移植手術並不一定要由外科醫師進行，因為移植胰島細胞就像例行打針一樣。這八位糖尿病患年齡在廿九至五十三歲之間，他們在成功移植胰島細胞後，並沒有發生排斥現象，且很快擺脫注射胰島素之苦，其中一位病患最多時每天需注射十五次胰島素。英國糖尿病學會和英國卡地夫威爾斯大學醫院移植中心主任穆爾都表示，這種新療法是「令人振奮的新突破」。 1 : 胰島細胞 : 7 2 : 細胞 : 7 3 : 移植 : 6 4 : 糖尿病 : 6 5 : 注射 : 4 6 : 英國 : 4 7 : 胰島素 : 4 8 : 醫師 : 3 9 : 突破 : 310 : 移植胰島細胞 : 311 : 糖尿病患 : 212 : 注射胰島素 : 213 : 糖尿病治療 : 214 : 胰島細胞移植 : 215 : 大學 : 216 : 肝臟 : 2 Example of CM from Single Document:Key Terms and their Related Terms Sim(胰島細胞,糖尿病) = 4 sen./ 6 sen.= 0.67

  30. Example of CMM from Single Document:Martial Art Literature（天龍八部第21章） The system extracts relations for the user and provides retrieval functions for relation exploration Yuen-Hsien Tseng, "Automatic Thesaurus Generation for Chinese Documents", Journal of the American Society for Information Science and Technology, Vol. 53, No. 13, Nov. 2002, pp. 1130-1138. (SSCI and SCI)

  31. CM for Relation Exploration Structured data provide more background information (if available) Snippets explain relations • Applications: • Visual Access • Concept Mapping

  32. Google’s Wonder Wheel (搜尋羅盤)Since 2009

  33. Example of Guided CM from Journal Article • The Theory Underlying Concept Maps and How to Construct Them. • Concept maps are graphical tools for organizing and representing knowledge. They include concepts, usually enclosed in circles or boxes of some type, and relationships between concepts indicated by a connecting line linking two concepts. Words on the line, referred to as linking words or linking phrases, specify the relationship between the two concepts. We define concept as a perceived regularity in events or objects, or records of events or objects, designated by a label. The label for most concepts is a word, although sometimes we use symbols such as + or %, and sometimes more than one word is used. Propositions are statements about some object or event in the universe, either naturally occurring or constructed. Propositions contain two or more concepts connected using linking words or phrases to form a meaningful statement. Sometimes these are called semantic units, or units of meaning. Figure 1 shows an example of a concept map that describes the structure of concept maps and illustrates the above characteristics. The above text is from the first paragraph of (Novak & Cañas, 2006): The Theory Underlying Concept Maps and How to Construct Them.

  34. Concept Map drawn by Novak (2006)

  35. Guided Concept Maps for the Article Click the node for relation suggetion Step 1. concept suggestion Step 2: relation suggestion on demand

  36. Guided Concept Maps for the Article Click the link to retrieve snippets Step 3: suggesting all relations Step 4: snippet access for relation explanation

  37. CM Example from Multiple Documents

  38. Applications • Reduce vocabulary mismatch • which causes major search failures • Reduce load on searchers • Information is found only when it is seen, sometimes • Increase retrieval effectiveness [NTCIR4 and 5] • Increase understanding of the collections • A visual way to summarize the search results • Provide expert-level knowledge for novices • Example • Co-word analysis for clustering, and more app. • Example: Sun and HP

  39. Co-word Analysis based on CRTs • Compaq、伺服器、方案 are common related terms (CRTs) of Sun and HP. Hence Sun and HP are clustered in a closer way (in the context that they are both computer companies).

  40. Examples for Co-word Analysis Near-synonym term extraction: • 2347:0.320898 (玩 具:0.8156, 大 人:0.7547, 幼 稚 園:0.4816, 腸 病 毒:0.4038) • 94:0.565582 (小 孩 子:0.6314, 玩 具:0.5761, 嬰 兒:0.5331, 大 人:0.5331) • 185 : 孩子(sonny) • 325 : 小孩(kid) • 705:0.419554 (玩 具:0.5761, 暑 假:0.5761, 大 人:0.5331, 卡 通:0.5331) • 363 : 兒童(child) • 546 : 小朋友(little friend) Useful association (previously unknown) for novice: • 13028:0.193109 (安 非 他 命:0.5935, 計 程 車:0.5388, 轎 車:0.4959, 子 彈:0.4708) • 2733:0.307512 (安 非 他 命:0.6649, 子 彈:0.5276, 計 程 車:0.4816, 毒 品:0.4711) • 654:0.425316 (子 彈:0.6107, 安 非 他 命:0.5755, 警 力:0.4778, 警 員:0.4299) • 21:0.662110 (刑 事:0.4984, 子 彈:0.4984, 安 非 他 命:0.4696, 警 局:0.4453) • 686 : 員警(policeman) • 822 : 派出所(police office) • 74 : 警方(police) • 297 : 少年(juvenile) • 684 : 清晨(early morning)

More Related