毛連忠，郝礦榮，丁永生，

基于支持向量機(jī)的服裝號型推薦模型建立

毛連忠，郝礦榮，丁永生，

消費(fèi)者網(wǎng)上購衣需要一種方便有效的服裝號型推薦方法，為此提出了一種基于支持向量機(jī)的服裝號型推薦模型，以解決消費(fèi)者在選購服裝尺寸上遇到的困難。首先根據(jù)人體的數(shù)據(jù)信息與服裝對應(yīng)型號的數(shù)據(jù)信息，定義合身度評價函數(shù)來得到不同體型的人適合的號型，從而構(gòu)建一個號型歸檔數(shù)據(jù)庫。實(shí)驗(yàn)結(jié)果表明采用基于支持向量機(jī)的分類方法對比采用BP神經(jīng)網(wǎng)絡(luò)模型的方法進(jìn)行模型推薦的準(zhǔn)確率更高，由此證明選擇支持向量機(jī)模型更適合服裝號型的推薦。

服裝號型；支持向量機(jī)；合身度；號型歸檔；神經(jīng)網(wǎng)絡(luò)

0　引言

近年來，隨著互聯(lián)網(wǎng)電子商務(wù)的普及和網(wǎng)絡(luò)購物的快速發(fā)展，作為網(wǎng)絡(luò)購物中受眾面最為廣泛的服裝板塊，其消費(fèi)需求也經(jīng)歷著成倍數(shù)的增長。而消費(fèi)者在選中了自己喜歡的款式之后，在網(wǎng)上按照自己的尺寸選購衣服，之后卻發(fā)現(xiàn)不合身。只能選擇退換或者將就著穿，對網(wǎng)購信任度受到影響。那么幫助消費(fèi)者選擇令他們滿意的服裝是一個需要解決的問題，我們建議找出一種服裝號型推薦的方法來解決這個難題。

目前，在國內(nèi)外對于服裝號型的推薦已經(jīng)有了不少研究，于曉坤等人在文獻(xiàn)[1]中提出了人體的胸型、腰型和臀型理論，并且分析了人體體型與服裝號型的匹配原則及方法，為服裝匹配等應(yīng)用程序的編寫提供了一定的理論基礎(chǔ)，但是該方法只考慮了胸型，腰型以及臀型的數(shù)值，對于肩寬，臂長等同樣影響服裝匹配的關(guān)鍵特征沒有做到充分的考慮。而近幾年來，神經(jīng)網(wǎng)絡(luò)算法在解決服裝合體性、服裝號型推薦方面取得了一定的成果。目前有部分研究將神經(jīng)網(wǎng)絡(luò)算法運(yùn)用于服裝號型的推薦，鄭愛花通過一個改進(jìn)BP算法，選擇Levenberg-Marquardt優(yōu)化法的BP神經(jīng)網(wǎng)絡(luò)作為號型推薦模型，結(jié)果顯示該網(wǎng)絡(luò)適合應(yīng)用于服裝號型推薦。但是在部分特殊體型的號型推薦上，效果還不盡理想。東苗等人將專家系統(tǒng)、模糊神經(jīng)網(wǎng)絡(luò)的計算優(yōu)勢與服裝號型相結(jié)合實(shí)現(xiàn)了面向個體尺寸的服裝號型推薦，提出了基于模糊神經(jīng)網(wǎng)絡(luò)的服裝號型推薦專家系統(tǒng)[2]。但是由于模糊邏輯系統(tǒng)缺乏記憶無法從錯誤中學(xué)習(xí)，而且沒有記憶能力，所以該系統(tǒng)不具備優(yōu)化系統(tǒng)效率的能力。

考慮到網(wǎng)上購物需要結(jié)合人體多部位數(shù)據(jù)進(jìn)行服裝的推薦，本文在構(gòu)建的服裝號型匹配庫的基礎(chǔ)上首次把 SVM算法應(yīng)用到服裝號型的推薦方法[3]。首先，基于測量獲取的多組人體特征部位尺寸數(shù)據(jù)以及現(xiàn)有服裝號型的尺寸數(shù)據(jù)，針對同一類型衣服的不同號型建立一個合身度評價的函數(shù)方程，以此構(gòu)建一個服裝號型匹配數(shù)據(jù)庫。然后采用 SVM多分類[4]的方法對該數(shù)據(jù)庫的匹配準(zhǔn)確率進(jìn)行驗(yàn)證，進(jìn)而與BP神經(jīng)網(wǎng)絡(luò)模型做比較，根據(jù)比較結(jié)果最后選擇采用SVM模型的預(yù)測函數(shù)對其進(jìn)行號型推薦。

1　服裝號型匹配數(shù)據(jù)庫的建立

1.1人體特征部位尺寸數(shù)據(jù)的獲取

本文研究的對象主要是上海地區(qū)18-24歲的女子。本文選取松江大學(xué)城7所高校的學(xué)生作為采樣目標(biāo)。問卷的內(nèi)容是收集她們的身高h(yuǎn)，頸圍n，胸圍b，肩寬s，腰圍w五個部位的尺寸數(shù)據(jù)。尺寸數(shù)據(jù)獲取的方法是采用接觸式測量的方法獲取。

1.2服裝各個號型尺寸數(shù)據(jù)的獲取

由于我國服裝號型以個體胸圍或腰圍及身高為依據(jù)，服裝的號（身高）每5厘米分一檔，胸圍每4厘米分一檔，以5·4系列女長袖襯衫規(guī)格系列為例，服裝的號從155-175cm，5厘米分為一檔，共5個；胸圍從80-104cm，4厘米分一檔，共7個。

考慮到調(diào)查的對象穿著的尺碼的號主要集中分布在155-170之間，胸圍主要分布在80-92之間，以網(wǎng)上購買某款女襯衫為例，它的號型分布在S、M、L、XL這4種款式，所以本文選用該款女襯衫作為服裝的推薦款式。該四種號型的尺寸數(shù)據(jù)如表1所示。

表1　5·4系列女長袖襯衫號型尺寸數(shù)據(jù)Tab.1 Size data of 5·4 series of blouse

根據(jù)提供的號型尺寸數(shù)據(jù)表，我們可以獲取每種號型對應(yīng)的身高H，領(lǐng)圍N，胸圍B，肩寬S和腰圍W的尺寸數(shù)據(jù)。

1.3合身度評價函數(shù)方程建立

1.3.1特征部位差值百分比的確定

根據(jù)1.1節(jié)和1.2節(jié)獲得的人體特征部位尺寸數(shù)據(jù)以及服裝對應(yīng)的各個部位的尺寸數(shù)據(jù)，分別計算它們之間對應(yīng)的差值百分比如公式（1）～（5）：

（其中h，n，b，s，w分別表示人體的身高，頸圍，胸圍，肩寬和腰圍。）

1.3.2舒適度重視因子的確定

舒適度重視因子是指人對身體各部位的服裝舒適感的重視程度的標(biāo)準(zhǔn)化權(quán)重因子。對于人體而言，每個部位都有這樣一個系數(shù)，該系數(shù)的數(shù)值介于0到1之間，且所有系數(shù)之和為1。為了確定舒適度因子的大小，我們采用專家打分法來確定。

本文的方案是：隨機(jī)選取大學(xué)以及研究生的女性同學(xué)100位，其中包含了各個體型的人。然后設(shè)計問卷調(diào)查的題目，本文調(diào)查的內(nèi)容是對頸部，胸部，肩部以及腰部的穿衣舒適度的重視程度如何。答案需要給出0～1之間的一個數(shù)值，且所有部位的舒適度相加總和為1。經(jīng)過調(diào)查之后。分別統(tǒng)計各個身體部位的舒適度重視因子的平均值，最后得出頸部的舒適度重視因子n*=0.3，胸部的舒適度重視因子b*=0.4，肩部的舒適度重視因子s*=0.2，腰部的舒適度重視因子w*=0.1。

1.3.3合身度評價函數(shù)方程的建立

影響穿衣舒適性的因素稱為服裝放松量。服裝放松量是服裝相對人體放松的量值，它不僅直接影響著服裝的舒適性，而且是確定服裝空間造型的關(guān)鍵因素[5]。除此之外，人對身體各部位的服裝舒適感的重視程度有所不同，因而這也影響到選擇衣服的問題。所以綜上所述本文將服裝放松量以及舒適度重視因子作為判別因素來構(gòu)建合身度評價函數(shù)方程。

將人體特征部位差值百分比以及舒適度重視因子兩者結(jié)合起來對服裝的合身度進(jìn)行綜合評價。

合身度評價⑥函數(shù)定義如公式（6）：n*、b*、s*、w*分別為頸部、胸部、肩部以及腰部的舒適度重視因子，Δh 、Δn 、Δb 、Δs 、Δw分別是公式（1）-（5）定義的各特征部位的差值百分比。n*+b*+s*+w*=1，f＜1。

由于各個部位均取的是差值，對應(yīng)的服裝f版型又屬于修身型，所以差值之和越小表示越合身，即越小表示衣服越合身。

1.3.4號型確定方法

首先我們選擇S號型。用公式（6）計算合身度函數(shù)值為fS，接下來按照相同的方法我們分別選擇 M，L，XL分別計算出它們的合身度函數(shù)值fM，fL，fXL，再分別比較它們之間的大小，選取其中數(shù)值最小的數(shù)值對應(yīng)的號型作為推薦的型號。

我們以第一個人為例：第一個人的身高為156cm，頸圍35.7cm，胸圍76.5cm，肩寬35.7cm，腰圍68cm。S號型對應(yīng)的身高為155cm，領(lǐng)圍36cm，胸圍80cm，肩寬37cm，腰圍 72cm，根據(jù)該人選擇的不同號型衣服，計算出對應(yīng)的身高差百分比、領(lǐng)圍差百分比、肩寬差百分比、胸圍差百分比和腰圍差百分比，最后計算對應(yīng)的合身度函數(shù)值。結(jié)果如表2所示：

表2　樣本1對應(yīng)的各部位差值百分比

由表2可知：

2017年11月，美國霍尼韋爾國際公司(Honeywell International)宣布美國唯一鈾轉(zhuǎn)化廠即梅特羅波利斯(Metropolis)廠暫停運(yùn)行。

fS＜fM＜fL＜fXL，所以給她推薦的號型為S。

依照此方法，依次對選取的剩下樣本進(jìn)行推薦，最后得到一個號型匹配數(shù)據(jù)庫。該號型匹配數(shù)據(jù)庫包含了各種體型的對象。由于數(shù)據(jù)量過大，只選取了其中10組樣本作為參例。如表3所示：

表3　其中十組樣本對應(yīng)的人體特征部位尺寸和推薦號型

2　SVM進(jìn)行服裝號型推薦

消費(fèi)者在網(wǎng)上選購衣服型號時，需要根據(jù)某種標(biāo)準(zhǔn)進(jìn)行選擇適合自己的型號，由于每種品牌都有各自的標(biāo)準(zhǔn)，包括身高、胸圍、腰圍、頸圍和肩寬等尺寸的數(shù)據(jù)。對應(yīng)這些數(shù)據(jù)消費(fèi)者往往會根據(jù)自身的相應(yīng)部位尺寸數(shù)值進(jìn)行決策。而該問題便轉(zhuǎn)換成了一個分類問題，即將人如何歸類對應(yīng)的衣服號型里面。但由于人體有很多部位指標(biāo)數(shù)據(jù)，維度升高，同時調(diào)查問卷獲取的數(shù)據(jù)少，傳統(tǒng)的分類方法已經(jīng)不再適用，而SVM方法正好可以解決這類問題。因此本文通過構(gòu)造 SVM模型以幫助消費(fèi)者對網(wǎng)上購衣做出適合的號型推薦。我們將身高、肩寬、胸圍、腰圍、和頸圍作為自變量，將可供選擇的號型作為因變量Y，構(gòu)建SVM模型。

2.1歸一化數(shù)據(jù)

樣本數(shù)據(jù)中包含的先驗(yàn)信息會對優(yōu)化后分類器的性能產(chǎn)生直接的影響。所以首先需要對樣本數(shù)據(jù)進(jìn)行預(yù)處理。預(yù)處理的目的是將數(shù)據(jù)可分性達(dá)到合理的水平，從而使得不同量綱、不同數(shù)量級的數(shù)據(jù)具有可比性。與此同時，歸一化之后的數(shù)據(jù)矩陣可以提高模型數(shù)據(jù)運(yùn)算的速度，有效地解決計算過程中出現(xiàn)的數(shù)值困難等問題。本文采用線性極差變換對樣本數(shù)據(jù)進(jìn)行預(yù)處理。

2.2訓(xùn)練樣本和測試樣本確定

經(jīng)過數(shù)據(jù)預(yù)處理之后，將歸一化之后的新矩陣作為SVM 模型的維度數(shù)據(jù)即輸入數(shù)據(jù)。我們將可供選擇的號型作為SVM模型的輸出數(shù)據(jù)，由于本次分類總共有4類，分別為S，M，L，XL。我們將他們用標(biāo)簽的方法進(jìn)行代替這些類別，即分別對應(yīng)1，2，3，4這4個類別。

算法思想如下：

該算法是將訓(xùn)練樣本中的每兩類作為一個二類分類問題，如果有n類，則要訓(xùn)練n*(n-1)/2個分類器，用每個分類器來預(yù)測測試樣本，得到 n*(n-1)/2個預(yù)測結(jié)果。根據(jù)結(jié)果對 n類進(jìn)行投票，得到票數(shù)最多的即為測試樣本所屬類別。

為了更好地提取訓(xùn)練樣本數(shù)據(jù)和測試樣本數(shù)據(jù)，首先我們把數(shù)據(jù)庫里的數(shù)據(jù)按照類別順序依次排列。即：第1類數(shù)據(jù)：1～64。第2類數(shù)據(jù)：65～110。第3類數(shù)據(jù)：111～152。第4類數(shù)據(jù)：153～180。

我們將數(shù)據(jù)庫里每類的數(shù)據(jù)分成兩部分，一半作為訓(xùn)練集一半作為測試集。

（1）訓(xùn)練樣本的選擇：

首先選擇訓(xùn)練樣本集，我們選取第1類的1～32，第2類的65～87，第3類的111～131，第4類的153～180組數(shù)據(jù)作為訓(xùn)練樣本。選取他們的序號作為行向量，選取他們的特征部位的數(shù)值作為列向量，構(gòu)建一個90*6的矩陣作為訓(xùn)練樣本。然后將他們對應(yīng)的分類作為訓(xùn)練樣本的標(biāo)簽，矩陣維數(shù)為90*1。

（2）測試樣本的選擇：

首先選擇測試樣本集，我們選取第1類的33～64，第2類的88～110，第3類的132～152，第4類的167～180組數(shù)據(jù)作為訓(xùn)練樣本。選取他們的序號作為行向量，選取他們的特征部位的數(shù)值作為列向量，構(gòu)建一個90*6的矩陣作為訓(xùn)練樣本。然后將他們對應(yīng)的分類作為訓(xùn)練樣本的標(biāo)簽，矩陣維數(shù)為90*1。

（3）選取核函數(shù)

SVM 用于分類時，核函數(shù)的選擇以及相應(yīng)參數(shù)的確定十分關(guān)鍵[7]。然而，目前學(xué)術(shù)界對于核函數(shù)及參數(shù)的選擇還沒有形成統(tǒng)一模式，最常見的方法包括按照以往經(jīng)驗(yàn)選取或者通過進(jìn)行多次實(shí)驗(yàn)對比尋優(yōu)、或者通過交叉檢驗(yàn)尋找最優(yōu)參數(shù)。因此本文首先選取不同的核函數(shù)分別進(jìn)行實(shí)驗(yàn)，然后對實(shí)驗(yàn)結(jié)果進(jìn)行比較，從而選擇最優(yōu)分類核函數(shù)。本文采用Libsvm3.20軟件包進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)選取的數(shù)據(jù)為經(jīng)過歸一化預(yù)處理之后的訓(xùn)練樣本數(shù)據(jù)和測試樣本數(shù)據(jù)。在選擇核函數(shù)的時候我們分別做四組實(shí)驗(yàn)，分別選用不同的核函數(shù)，在參數(shù)c選擇為20，其他參數(shù)為默認(rèn)值下進(jìn)行實(shí)驗(yàn)如表4所示：

表4　不同核函數(shù)下的結(jié)果

通過表4的四組實(shí)驗(yàn)結(jié)果可以看出，線性函數(shù)，RBF函數(shù)以及Sigmoid函數(shù)分類的準(zhǔn)確率較高，多項式函數(shù)準(zhǔn)確率偏低，所以不宜選擇。

另外，RBF核函數(shù)具有如下優(yōu)點(diǎn)：RBF函數(shù)不僅能處理非線性的情況（線性核函數(shù)屬于RBF核函數(shù)的特例），而且能比多項式核函數(shù)更簡單快速地進(jìn)行參數(shù)調(diào)整。綜合考慮選擇RBF核函數(shù)作為SVM模型的核函數(shù)。

（4）參數(shù)尋優(yōu)

本文利用LIBSVM 工具包使用交叉檢驗(yàn)的方法來尋求最優(yōu)參數(shù)。本文通過easy.py 尋找 RBF 核函數(shù)的最優(yōu)參數(shù)，easy.py 文件通過對 grid.py、svm-train、svm-predict 等模塊的調(diào)用，實(shí)現(xiàn)從參數(shù)優(yōu)選，到預(yù)測分類的目的。最終的最優(yōu)參數(shù)為c=20，g=0.04。采用此參數(shù)準(zhǔn)確率提高到了91.11%。

訓(xùn)練集分類結(jié)果如圖1所示：

圖1：　訓(xùn)練集預(yù)測結(jié)果圖

訓(xùn)練集預(yù)測分類準(zhǔn)確率為90%（81/90）。

測試集分類結(jié)果如圖2所示。

圖2：　測試集預(yù)測結(jié)果圖

從圖2我們可以看出第1類分類準(zhǔn)確率為96.8%，第2類分類準(zhǔn)確率為82.6%，第3類分類準(zhǔn)確率為85.7%，第4類分類準(zhǔn)確率為100%。

3　實(shí)驗(yàn)對比

目前有部分研究將BP神經(jīng)網(wǎng)絡(luò)算法運(yùn)用于服裝號型的推薦，所以本文將BP神經(jīng)網(wǎng)絡(luò)模型的分類結(jié)果與SVM模型的分類結(jié)果加以比較，探索更適合服裝號型推薦的模型方法。

在BP神經(jīng)網(wǎng)絡(luò)模型中，我們運(yùn)用交叉檢驗(yàn)的方法得到目標(biāo)誤差為 0.00001，隱含層個數(shù)為 10，最大訓(xùn)練次數(shù)為10000次，訓(xùn)練顯示間隔設(shè)為1。在MATLAB中調(diào)用訓(xùn)練函數(shù)trainlm函數(shù)，對測試樣本進(jìn)行分類預(yù)測。測試樣本預(yù)測結(jié)果準(zhǔn)確率如表5所示。

比較BP神經(jīng)網(wǎng)絡(luò)的預(yù)測樣本的分類結(jié)果與SVM的分類結(jié)果，如表5所示：

表5　BP與SVM分類準(zhǔn)確率對比結(jié)果

通過比較的分類結(jié)果我們發(fā)現(xiàn)SVM的分類準(zhǔn)確率要高于BP神經(jīng)網(wǎng)絡(luò)的分類準(zhǔn)確率。因此，從整體分類準(zhǔn)確率的角度看，SVM模型要優(yōu)于BP神經(jīng)網(wǎng)絡(luò)模型。并且SVM模型在每類分類準(zhǔn)確率都好于BP神經(jīng)網(wǎng)絡(luò)。所以選擇SVM進(jìn)行服裝號型推薦要好于BP神經(jīng)網(wǎng)絡(luò)模型的推薦。

4　總結(jié)

本文基于抽樣的方法，依據(jù)獲取的人體特征部位尺寸數(shù)據(jù)和服裝對應(yīng)的部位尺寸數(shù)據(jù)，構(gòu)造了一個合身度評價函數(shù)，根據(jù)該函數(shù)我們結(jié)合獲取的人體特征部位數(shù)據(jù)建立了一個針對某款女襯衫的服裝號型推薦庫。另外一方面，我們利用建立好的服裝號型推薦庫，創(chuàng)新地采用SVM模型對服裝進(jìn)行號型推薦，并通過與BP神經(jīng)網(wǎng)絡(luò)模型的對比發(fā)現(xiàn)SVM分類模型更加準(zhǔn)確，穩(wěn)定性也更高。首先，SVM評估模型能夠在歷史數(shù)據(jù)積累較少，評估量較多的情況下準(zhǔn)備率比較高，降低錯誤推薦的概率。其次，SVM的魯棒性比較好，學(xué)習(xí)泛化能力比較強(qiáng)，有助于推廣。最后SVM模型在對推薦號型進(jìn)行分類的時候，預(yù)測準(zhǔn)確率比BP神經(jīng)網(wǎng)絡(luò)高。因此，對于目前網(wǎng)上購衣遇到困惑的消費(fèi)者來說，此模型能為他們提供一個借鑒性的幫助，該模型也將進(jìn)一步挖掘電子商務(wù)在服裝類商品銷售中的潛力。

[1] 于曉坤,王建萍. 人體體型與服裝號型的匹配關(guān)系及其在電子商務(wù)中的應(yīng)用[J].東華大學(xué)學(xué)報:自然科學(xué)版,2003,01: 43-57,76.

[2] 東苗,郝礦榮,丁永生. 基于模糊神經(jīng)網(wǎng)絡(luò)的服裝號型推薦專家系統(tǒng)[J].微型電腦應(yīng)用,2010,03: 21-23,26,69-70.

[3] Vapnik V N. Estimation of Dependencies Based on Empirical Data[M]. Berlin: Springer-Verlag,1982.

[4] Hsu C.W,Lin C J. A comparison of Methods for muti-class support vector machines[J]. IEEE Transactions on Neural Networks,2002,13(2): 415-425.

[5] 王璇. 服裝放松量的分析研究[J].紡織學(xué)報,2005,04: 126-128.

[6] 許軼超,丁永生. 服裝合體性評價的研究方法與應(yīng)用進(jìn)展[J]. 紡織學(xué)報,2007,10:127-130.

[7] 齊志泉,田英杰,徐志潔. 支持向量機(jī)中的核參數(shù)選擇問題[J]. 控制工程,2005,04:379-381.

Construction of Clothing Size Recommendation Model Based on SVM

Mao Lianzhong1，Hao Kuangrong1，2，Ding Yongsheng1，2
(1.College of Information Sciences and Technology,Donghua University,Shanghai 201620,China; 2. Engineering Research Center of Digitized Textile and Apparel Technology,Ministry of Education,Donghua University,Shanghai 201620,China)

In order to supply a convenient and efficient way of recommending the garment size for the consumers,a way based on support vector machine to construct a model of the size recommending system was designed and proposed,through this way it can solve the problems when choosing the clothing size. Firstly,on the basis of human feature size information and feature size information of clothing,define a garment fit assessment function to obtain suitable size for people with different figure,so it can construct a size categorization database. Then adopt a classification method based on support vector machine to verify the database. Compared to the model of BP neural network,it is found that the recommending accuracy of the model of support vector machine is higher,so it can prove that choosing the model of support vector machine is better way to recommend the clothing size.

Garment Size; Support Vector Machine; Garment Fit; Size Categorization; Neural Network

TP391.4

A

1007-757X(2016)03-0001-04

國家自然科學(xué)基金資助項目（61134009）；長江學(xué)者和創(chuàng)新團(tuán)隊發(fā)展計劃資助項目（IRT1220）；上海市優(yōu)秀學(xué)術(shù)帶頭人計劃資助項目（11XD1400100）；上海領(lǐng)軍人才專項資金資助項目；上海市科學(xué)技術(shù)委員會重點(diǎn)基礎(chǔ)研究資助項目（13JC1407500），11JC1400200）；上海市教育委員會科研創(chuàng)新項目（14ZZ067），中央高校基本科研業(yè)務(wù)費(fèi)專項資金資助。

毛連忠（1990-），男，上饒人，碩士研究生，研究方向：模式識別、智能系統(tǒng)，上海，201620郝礦榮（1964-），女，石家莊人，東華大學(xué)信息科學(xué)與技術(shù)學(xué)院，博士，教授，博士生導(dǎo)師，研究方向：機(jī)器視覺、模式識別、智能機(jī)器人、智能控制等研究，上海，201620丁永生（1967-），男，懷寧人，東華大學(xué)信息科學(xué)與技術(shù)學(xué)院，博士，教授，博士生導(dǎo)師，研究方向：智能系統(tǒng)、網(wǎng)絡(luò)智能、DNA計算、人工免疫系統(tǒng)、生物網(wǎng)絡(luò)結(jié)構(gòu)、生物信息學(xué)、數(shù)字化紡織服裝、智能決策與分析等研究，上海，201620

（2015.10.13）