SQLserver2000:A表有姓名，學(xué)號(hào)，總分 B表有學(xué)號(hào)，學(xué)科，成績，怎樣將B表的成績匯總到A表的總分中？

update A表 set A表.總分=a.分?jǐn)?shù)

河西網(wǎng)站制作公司哪家好，找創(chuàng)新互聯(lián)！從網(wǎng)頁設(shè)計(jì)、網(wǎng)站建設(shè)、微信開發(fā)、APP開發(fā)、響應(yīng)式網(wǎng)站設(shè)計(jì)等網(wǎng)站項(xiàng)目制作，到程序開發(fā)，運(yùn)營維護(hù)。創(chuàng)新互聯(lián)2013年至今到現(xiàn)在10年的時(shí)間，我們擁有了豐富的建站經(jīng)驗(yàn)和運(yùn)維經(jīng)驗(yàn)，來保證我們的工作的順利進(jìn)行。專注于網(wǎng)站建設(shè)就選創(chuàng)新互聯(lián)。

left join (select 學(xué)號(hào),sum(成績) as 分?jǐn)?shù) from B表 GROUP BY 學(xué)號(hào))a on A表.學(xué)號(hào)=a.學(xué)號(hào)

sqlserver2000 中， cross in 是什么意思？謝謝

cross join 是交叉連接。

如表1與表2

表1　表2

A　A1

B　B1

C　C1

select a.*,b.* from 表1 a cross join 表2 　后，

查詢出來的記錄有9條，即3X3的矩陣。

A A1

A B1

A C1

B A1

B B1

B C1

C A1

C B1

C C1

其實(shí)cross join 是沒有多大實(shí)際意義的，除非后面接上where條件過濾。

一般可用inner join, left join, right join，然后接on子句，SQl語句性能非常好。

因?yàn)閟ql 2008評(píng)估期過了，所以就進(jìn)行升級(jí)，但是最后一步的時(shí)候出現(xiàn)版本

樓上正解。選擇正確的安裝中心文件是關(guān)鍵。

我安裝的這個(gè)版本更怪，R2?文件夾里居然沒有安裝中心。為此，開始幾次嘗試都是使用的這個(gè)安裝中心

然后就是拼命的提示“所選的?SQL?Server?實(shí)例不滿足升級(jí)矩陣要求。”

還出現(xiàn)了“降級(jí)”字樣。

猜想，是因?yàn)橛昧伺f版的安裝中心。

舊的安裝中心程序路徑?C:\Program Files (x86)\Microsoft SQL Server\100\Setup Bootstrap\Release\setup.exe ，見下圖：

最終找到了正確的安裝中心程序位置?C:\Program Files (x86)\Microsoft SQL Server\100\Setup Bootstrap\SQLServer2008R2\setup.exe ，見下圖：

一些細(xì)節(jié)，如果用了錯(cuò)誤的安裝中心，選擇實(shí)例界面是這樣的：

正確的安裝中心，選擇實(shí)例界面是這樣的，注意左上角帶有 R2?字樣

選對(duì)了安裝中心，就一切順利了

下一步

按【升級(jí)】等待既可。升級(jí)有點(diǎn)慢，幾分鐘或更長時(shí)間。在我以為是卡死的時(shí)候，提示一閃，升級(jí)成功。

sql server 2008 reporting services有什么用

Sql server 2008 Reporting Services是微軟的數(shù)據(jù)庫報(bào)表設(shè)計(jì)工具，其作用是利用Reporting Services，用戶能夠高效地開發(fā)數(shù)據(jù)報(bào)表。

Sql server 2008 Reporting Services集成在微軟的商業(yè)智能開發(fā)工具：SQL Server Business Intelligence Development Studio之中，這個(gè)工具其實(shí)就是大家熟悉的Visual Studio。

擴(kuò)展資料：

Reporting Services為用戶提供了各種數(shù)據(jù)模板。 基于數(shù)據(jù)模板，用戶可以構(gòu)建各種樣式的報(bào)表，包括常用的表格，矩陣和圖表。

此外，Reporting Services支持的數(shù)據(jù)源大致分為兩種類型：

（1）OLTP，是基于SQL語句的數(shù)據(jù)源，使用關(guān)系數(shù)據(jù)庫為報(bào)表提供數(shù)據(jù)。

（2）OLAP，基于數(shù)據(jù)倉庫的數(shù)據(jù)源，使用多維數(shù)據(jù)集為報(bào)表提供數(shù)據(jù)。

我現(xiàn)在還在用SQL2000，SQL2005，2008分別有什么好處

SQLServer集成服務(wù)SSIS(SQLServer集成服務(wù))是一個(gè)嵌入式應(yīng)用程序，用于開發(fā)和執(zhí)行ETL(解壓縮、轉(zhuǎn)換和加載)包。SSIS代替了SQL2000的DTS。整合服務(wù)功能既包含了實(shí)現(xiàn)簡單的導(dǎo)入導(dǎo)出包所必需的Wizard導(dǎo)向插件、工具以及任務(wù)，也有非常復(fù)雜的數(shù)據(jù)清理功能。SQLServer2008SSIS的功能有很大的改進(jìn)和增強(qiáng)，比如它的執(zhí)行程序能夠更好地并行執(zhí)行。在SSIS2005，數(shù)據(jù)管道不能跨越兩個(gè)處理器。而SSIS2008能夠在多處理器機(jī)器上跨越兩個(gè)處理器。而且它在處理大件包上面的性能得到了提高。SSIS引擎更加穩(wěn)定，鎖死率更低。Lookup功能也得到了改進(jìn)。Lookup是SSIS一個(gè)常用的獲取相關(guān)信息的功能。比如從CustomerID查找CustomerName，獲取數(shù)據(jù)集。Lookup在SSIS中很常見，而且可以處理上百萬行的數(shù)據(jù)集，因此性能可能很差。SQL2008對(duì)Lookup的性能作出很大的改進(jìn)，而且能夠處理不同的數(shù)據(jù)源，包括ADO.NET，XML，OLEDB和其他SSIS壓縮包。SQL2008可以執(zhí)行TSQL的MERGE命令。用MERGE命令，只需一個(gè)語句就可以對(duì)行進(jìn)行UPDATE、INSERT或DELETE。下面的例子就是如何用MERGE命令來把新的InventoryItemdescriptions列表插入已有的InventoryMaster中。除了descriptions，NewInventory表格中還加入了其他一些部分。如果沒有MERGE語句，就需要執(zhí)行兩個(gè)命令才能完成。第一個(gè)命令查找匹配的Description然后更新。第二個(gè)命令查找不匹配項(xiàng)然后插入。有了MERGE，一個(gè)語句就可以完成這兩個(gè)任務(wù)。步驟如下：以下是引用片段：MERGEInventoryMasterASimUSING(SELECTInventoryID,DescrFROMNewInventory)ASsrcONim.InventoryID=src.InventoryIDWHENMATCHEDTHENUPDATESETim.Descr=src.DescrWHENNOTMATCHEDTHENINSERT(InventoryID,Descr)VALUES(src.InventoryID,src.Descr);分析服務(wù)SSAS(SQLServer分析服務(wù))也得到了很大的改進(jìn)和增強(qiáng)。IB堆疊做出了改進(jìn)，性能得到很大提高，而硬件商品能夠?yàn)镾caleout管理工具所使用。BlockComputation也增強(qiáng)了立體分析的性能。報(bào)表服務(wù)SSRS(SQLServer報(bào)表服務(wù))的處理能力和性能得到改進(jìn)，使得大型報(bào)表不再耗費(fèi)所有可用內(nèi)存。另外，在報(bào)表的設(shè)計(jì)和完成之間有了更好的一致性。SQLSSRS2008還包含了跨越表格和矩陣的TABLIX。ApplicationEmbedding允許用戶點(diǎn)擊報(bào)表中的URL鏈接調(diào)用應(yīng)用程序。MicrosoftOffice2007SQLServer2008能夠與MicrosoftOffice2007完美地結(jié)合。例如，SQLServerReportingServer能夠直接把報(bào)表導(dǎo)出成為Word文檔。而且使用ReportAuthoring工具，Word和Excel都可以作為SSRS報(bào)表的模板。ExcelSSAS新添了一個(gè)數(shù)據(jù)挖掘插件，提高了其性能。

生物信息學(xué)畢業(yè)論文，如何選題？格式有要求嗎

生物信息學(xué)推薦系統(tǒng)設(shè)計(jì)

關(guān)鍵詞：推薦系統(tǒng)；生物信息學(xué)

推薦系統(tǒng)(RecommenderSystem)[1]是個(gè)性化信息服務(wù)的主要技術(shù)之一，它實(shí)現(xiàn)的是“信息找人，按需服務(wù)”；通過對(duì)用戶信息需要、興趣愛好和訪問歷史等的收集分析，建立用戶模型，并將用戶模型應(yīng)用于網(wǎng)上信息的過濾和排序，從而為用戶提供感興趣的資源和信息。生物信息學(xué)(Bioinformatics)[2,3]是由生物學(xué)、應(yīng)用數(shù)學(xué)和計(jì)算機(jī)科學(xué)相互交叉所形成的一門新型學(xué)科；其實(shí)質(zhì)是利用信息科學(xué)的方法和技術(shù)來解決生物學(xué)問題。20世紀(jì)末生物信息學(xué)迅速發(fā)展，在信息的數(shù)量和質(zhì)量上都極大地豐富了生物科學(xué)的數(shù)據(jù)資源，而數(shù)據(jù)資源的急劇膨脹需要尋求一種科學(xué)而有力的工具來組織它們，基于生物信息學(xué)的二次數(shù)據(jù)庫[4]能比較好地規(guī)范生物數(shù)據(jù)的分類與組織，但是用戶無法從大量的生物數(shù)據(jù)中尋求自己感興趣的部分（著名的生物信息學(xué)網(wǎng)站NCBI(美國國立生物技術(shù)信息中心)，僅僅是小孢子蟲(Microsporidia)的DNA序列就達(dá)3399種），因此在生物二次數(shù)據(jù)庫上建立個(gè)性化推薦系統(tǒng)，能使用戶快速找到自己感興趣的生物信息。特別是在當(dāng)前生物信息數(shù)據(jù)量急劇增長的情況下，生物信息學(xué)推薦系統(tǒng)將發(fā)揮強(qiáng)大的優(yōu)勢。

1推薦系統(tǒng)的工作流程

應(yīng)用在不同領(lǐng)域的推薦系統(tǒng)，其體系結(jié)構(gòu)也不完全相同。一般而言，推薦系統(tǒng)的工作流程[5]如圖1所示。

(1)信息獲取。推薦系統(tǒng)工作的基礎(chǔ)是用戶信息。用戶信息包括用戶輸入的關(guān)鍵詞、項(xiàng)目的有關(guān)屬性、用戶對(duì)項(xiàng)目的文本評(píng)價(jià)或等級(jí)評(píng)價(jià)及用戶的行為特征等，所有這些信息均可以作為形成推薦的依據(jù)。信息獲取有兩種類型[6]，即顯式獲取(Explicit)和隱式獲取(Implicit)，由于用戶的很多行為都能暗示用戶的喜好，因此隱式獲取信息的準(zhǔn)確性比顯式高一些。

(2)信息處理。信息獲取階段所獲得的用戶信息，一般根據(jù)推薦技術(shù)的不同對(duì)信息進(jìn)行相應(yīng)的處理。用戶信息的存儲(chǔ)格式中用得最多的是基于數(shù)值的矩陣格式，最常用的是用m×n維的用戶—項(xiàng)目矩陣R來表示，矩陣中的每個(gè)元素Rij=第i個(gè)用戶對(duì)第j個(gè)項(xiàng)目的評(píng)價(jià)，可以當(dāng)做數(shù)值處理，矩陣R被稱為用戶—項(xiàng)目矩陣。

(3)個(gè)性化推薦。根據(jù)形成推薦的方法的不同可以分為三種，即基于規(guī)則的系統(tǒng)、基于內(nèi)容過濾的系統(tǒng)和協(xié)同過濾系統(tǒng)。基于規(guī)則的推薦系統(tǒng)和基于內(nèi)容過濾的推薦系統(tǒng)均只能為用戶推薦過去喜歡的項(xiàng)目和相似的項(xiàng)目，并不能推薦用戶潛在感興趣的項(xiàng)目。而協(xié)同過濾系統(tǒng)能推薦出用戶近鄰所喜歡的項(xiàng)目，通過用戶與近鄰之間的“交流”，發(fā)現(xiàn)用戶潛在的興趣。因此本文所用的算法是基于協(xié)同過濾的推薦算法。

(4)推薦結(jié)果。顯示的任務(wù)是把推薦算法生成的推薦顯示給用戶，完成對(duì)用戶的推薦。目前最常用的推薦可視化方法是Top－N列表[7]，按照從大到小順序把推薦分值最高的N個(gè)事物或者最權(quán)威的N條評(píng)價(jià)以列表的形式顯示給用戶。

2生物信息學(xué)推薦系統(tǒng)的設(shè)計(jì)

綜合各種推薦技術(shù)的性能與優(yōu)缺點(diǎn)，本文構(gòu)造的生物信息學(xué)推薦系統(tǒng)的總體結(jié)構(gòu)如圖2所示。

生物信息學(xué)推薦系統(tǒng)實(shí)現(xiàn)的主要功能是在用戶登錄生物信息學(xué)網(wǎng)站時(shí)，所留下的登錄信息通過網(wǎng)站傳遞到推薦算法部分；推薦算法根據(jù)該用戶的用戶名從數(shù)據(jù)庫提取出推薦列表，并返回到網(wǎng)站的用戶界面；用戶訪問的記錄返回到數(shù)據(jù)庫，系統(tǒng)定時(shí)調(diào)用推薦算法，對(duì)數(shù)據(jù)庫中用戶訪問信息的數(shù)據(jù)進(jìn)行分析計(jì)算，形成推薦列表。

本系統(tǒng)采用基于近鄰的協(xié)同過濾推薦算法，其結(jié)構(gòu)可以進(jìn)一步細(xì)化為如圖3所示。算法分為鄰居形成和推薦形成兩大部分，兩部分可以獨(dú)立進(jìn)行。這是該推薦系統(tǒng)有別于其他系統(tǒng)的優(yōu)勢之一。由于信息獲取后的用戶—項(xiàng)目矩陣維數(shù)較大，使得系統(tǒng)的可擴(kuò)展性降低。本系統(tǒng)采用SVD矩陣降維方法，減少用戶—項(xiàng)目矩陣的維數(shù)，在計(jì)算用戶相似度時(shí)大大降低了運(yùn)算的次數(shù)，提高了推薦算法的效率。

(1)信息獲取。用戶對(duì)項(xiàng)目的評(píng)價(jià)是基于用戶對(duì)某一個(gè)項(xiàng)目(為表示簡單，以下提及的項(xiàng)目均指網(wǎng)站上的生物物種)的點(diǎn)擊次數(shù)來衡量的。當(dāng)一個(gè)用戶注冊(cè)并填寫好個(gè)人情況以后，系統(tǒng)會(huì)自動(dòng)為該用戶創(chuàng)建一個(gè)“信息矩陣”，該矩陣保存了所有項(xiàng)目的ID號(hào)以及相應(yīng)的用戶評(píng)價(jià)，保存的格式為：S+編號(hào)+用戶評(píng)價(jià)，S用于標(biāo)記項(xiàng)目，每個(gè)項(xiàng)目編號(hào)及其評(píng)價(jià)都以“S”相隔開；編號(hào)是唯一的，占5位；用戶評(píng)價(jià)是用戶點(diǎn)擊該項(xiàng)目的次數(shù)，規(guī)定其范圍是0~100，系統(tǒng)設(shè)定當(dāng)增加到100時(shí)不再變化。這樣做可防止形成矩陣時(shí)矩陣評(píng)價(jià)相差值過大而使推薦結(jié)果不準(zhǔn)確。(2)信息處理。信息處理是將所有用戶的信息矩陣轉(zhuǎn)換為用戶—項(xiàng)目矩陣，使用戶信息矩陣數(shù)值化，假設(shè)系統(tǒng)中有M個(gè)用戶和N個(gè)項(xiàng)目，信息處理的目的就是創(chuàng)建一個(gè)M×N的矩陣R，R[I][J]代表用戶I對(duì)項(xiàng)目J的評(píng)價(jià)。

(3)矩陣處理。協(xié)同過濾技術(shù)的用戶—項(xiàng)目矩陣的數(shù)據(jù)表述方法所帶來的稀疏性嚴(yán)重制約了推薦效果，而且在系統(tǒng)較大的情況下，它既不能精確地產(chǎn)生推薦集，又忽視了數(shù)據(jù)之間潛在的關(guān)系，發(fā)現(xiàn)不了用戶潛在的興趣，而且龐大的矩陣增加了計(jì)算的復(fù)雜度，因此有必要對(duì)該矩陣的表述方式做優(yōu)化，進(jìn)行矩陣處理。維數(shù)簡化是一種較好的方法，本文提出的算法應(yīng)用單值分解(SingularValueDecomposition，SVD)技術(shù)[8]，對(duì)用戶—項(xiàng)目矩陣進(jìn)行維數(shù)簡化。

(4)相似度計(jì)算。得到降維以后的用戶矩陣US，就可以尋找每個(gè)用戶的近鄰。近鄰的確定是通過兩個(gè)用戶的相似度來度量的。本文采用Pearson相關(guān)度因子[9]求相似度。(5)計(jì)算用戶鄰居。該方法有兩種[10]，即基于中心的鄰居(Center－BasedNeighbor)和集合鄰居(AggregateNeighbor)。本系統(tǒng)采用了第一種方法，直接找出與用戶相似度最高的前N個(gè)用戶作為鄰居，鄰居個(gè)數(shù)N由系統(tǒng)設(shè)定，比如規(guī)定N＝5。

(6)推薦形成。推薦形成的前提是把當(dāng)前用戶的鄰居ID號(hào)及其與當(dāng)前用戶的相似度保存到數(shù)據(jù)庫中，而在前面的工作中已找出各用戶的鄰居以及與用戶的相似度，推薦形成部分只需要對(duì)當(dāng)前登錄用戶進(jìn)行計(jì)算。推薦策略是：對(duì)當(dāng)前用戶已經(jīng)訪問過的項(xiàng)目不再進(jìn)行推薦，推薦的范圍是用戶沒有訪問的項(xiàng)目，其目的是推薦用戶潛在感興趣的項(xiàng)目；考慮到系統(tǒng)的項(xiàng)目比較多，用戶交互項(xiàng)目的數(shù)量很大，所以只篩選出推薦度最大的N個(gè)項(xiàng)目，形成Top－N推薦集，設(shè)定N＝5。

3生物信息學(xué)推薦系統(tǒng)的實(shí)現(xiàn)

生物信息學(xué)推薦系統(tǒng)的實(shí)現(xiàn)可以用圖4來表示。數(shù)據(jù)庫部分主要存儲(chǔ)用戶信息和項(xiàng)目信息，用SQLServer2000實(shí)現(xiàn)。

數(shù)據(jù)訪問層實(shí)現(xiàn)了與用戶交互必需的存儲(chǔ)過程以及觸發(fā)器，也使用SQLServer2000，主要完成以下功能：初始化新用戶信息矩陣；插入新項(xiàng)目時(shí)更新所有用戶的信息矩陣；用戶點(diǎn)擊項(xiàng)目時(shí)更新該用戶對(duì)項(xiàng)目的評(píng)價(jià)；刪除項(xiàng)目時(shí)更新所有用戶的信息矩陣。用戶訪問層主要涉及網(wǎng)頁與用戶的交互和調(diào)用數(shù)據(jù)訪問層的存儲(chǔ)過程，在這里不做詳細(xì)的介紹。

推薦算法完成整個(gè)個(gè)性化推薦的任務(wù)，用Java實(shí)現(xiàn)。(1)數(shù)據(jù)連接類DataCon。該類完成與SQLServer2000數(shù)據(jù)庫的連接，在連接之前必須要下載三個(gè)與SQLServer連接相關(guān)的包，即msutil.jar、msbase.jar和mssqlserver.jar。

(2)數(shù)據(jù)操作類DataControl。該類負(fù)責(zé)推薦算法與數(shù)據(jù)庫的數(shù)據(jù)交換，靜態(tài)成員Con調(diào)用DataCon.getcon()獲得數(shù)據(jù)庫連接，然后對(duì)數(shù)據(jù)庫進(jìn)行各種操作。把所有方法編寫成靜態(tài)，便于推薦算法中不創(chuàng)建對(duì)象就可以直接調(diào)用。

(3)RecmmendSource與CurrentUserNeighbor。這兩個(gè)類作為FCRecommand類的內(nèi)部類，RecmmendSource用于保存當(dāng)前用戶的推薦列表，包括推薦項(xiàng)目號(hào)和推薦度；CurrentUserNeighbor用于保存鄰居信息，包括鄰居ID號(hào)、相似度及其訪問信息。

(4)協(xié)同過濾推薦算法FCRecommand。該類實(shí)現(xiàn)了整個(gè)推薦算法，主要分為鄰居形成方法FCArithmetic和推薦形成方法GenerateRecommend。

下面給出方法FCArithmetic的關(guān)鍵代碼：

Matrixuser_item=this.User_Item_Arry();//獲取用戶—項(xiàng)目矩陣

user_item=this.SVD_Calculate(user_item);//調(diào)用SVD降維方法

Vectorc_uservector=newVector();//當(dāng)前用戶向量

Vectoro_uservector=newVector();//其他用戶向量

Vectorc_user_correlate_vector=newVector();

//當(dāng)前用戶與其他用戶之間相似度向量

for(inti=0;ifor(intj=0;jc_uservector.addElement(user_item.get(i,j));

//1.獲得當(dāng)前用戶向量

for(intk=0;ko_uservector.clear();

for(intl=0;lo_uservector.addElement(user_item.get(k,l));

//2.獲得其他用戶的向量

//3.計(jì)算當(dāng)前用戶與其他用戶的相似度

usercorrelativity=this.Correlativity(c_uservector,o_uservector);

c_user_correlate_vector.addElement(usercorrelativity);

}

//4.根據(jù)當(dāng)前用戶與其他用戶的相似度，計(jì)算其鄰居

this.FindUserNeighbor(i,c_user_correlate_vector);

}

根據(jù)鄰居形成方法FCArithmetic，可以得到每個(gè)用戶的鄰居。作為測試用例，圖6顯示用戶Jack與系統(tǒng)中一部分用戶的相似度，可以看出它與自己的相似度必定最高；并且它與用戶Sugx訪問了相同的項(xiàng)目，它們之間的相似度也為1，具有極高的相似度。

4結(jié)束語

在傳統(tǒng)推薦系統(tǒng)的基礎(chǔ)上，結(jié)合當(dāng)前生物信息學(xué)網(wǎng)站的特點(diǎn)，提出一個(gè)基于生物信息平臺(tái)的推薦系統(tǒng)，解決了傳統(tǒng)生物信息網(wǎng)站平臺(tái)信息迷茫的缺點(diǎn)，為用戶推薦其感興趣物種的DNA或蛋白質(zhì)序列。

優(yōu)點(diǎn)在于協(xié)同過濾的推薦算法能發(fā)現(xiàn)用戶潛在的興趣，能促進(jìn)生物學(xué)家之間的交流；推薦算法的鄰居形成與推薦形成兩部分可以單獨(dú)運(yùn)行，減少了系統(tǒng)的開銷。進(jìn)一步的工作是分析生物數(shù)據(jù)的特點(diǎn)及生物數(shù)據(jù)之間的關(guān)系，增加用戶和項(xiàng)目數(shù)量，更好地發(fā)揮推薦系統(tǒng)的優(yōu)勢。

參考文獻(xiàn)：

［1］PAULR，HALRV.Recommendersystems[J].CommunicationsoftheACM，1997,40(3):56－58.

[2]陳新.生物信息學(xué)簡介[EB/OL].(2001)..

[3]林毅申,林丕源.基于WebServices的生物信息解決方案[J].計(jì)算機(jī)應(yīng)用研究,2005,22(6):157－158,164.[4]邢仲璟,林丕源,林毅申.基于Bioperl的生物二次數(shù)據(jù)庫建立及應(yīng)用[J].計(jì)算機(jī)系統(tǒng)應(yīng)用,2004(11):58－60.

新聞名稱：sqlserver矩陣,sql 矩陣
網(wǎng)頁鏈接：http://chinadenli.net/article7/dseipij.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供網(wǎng)站設(shè)計(jì)公司、外貿(mào)網(wǎng)站建設(shè)、App設(shè)計(jì)、、網(wǎng)站導(dǎo)航、定制開發(fā)

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場，如需處理請(qǐng)聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來源： 創(chuàng)新互聯(lián)