我國的數據挖掘技術現狀分析論文

來源:ruiwen  [  教育資訊中心   ]  責編:楊麗  |  侵權/違法舉報

16年的證書蓋的已經是全國數模組委會的章了

  摘要:數據挖掘學科的出現, 是對計算機領域的補充, 在計算機領域的發展下發展迅速, 引起了國內的重視, 并在國家的大力促進下不斷發展, 取得了階段性的成就, 但是發展現狀仍然不容樂觀, 本篇文章將針對數據挖掘的定義以及國內的現狀進行分析, 并對其發展趨勢進行預測, 目的在于加快我國的數據挖掘技術研究進程。

頂級:SIGKDD 二流:ICDM,SDM ,EDBT等 上面是專門的數據挖掘會議,其他像SIGMOD,VLDB,ICDE等數據庫類會議都會有專門的數據挖掘session ,下面是有人專門總結的,引用一下: 一流的:數據庫三大頂級會議SIGMOD,VLDB,ICDE,數據挖掘KDD,實際

  關鍵詞:數據挖掘; 中國; 現狀; 發展;

哈工大、清華、北大。我覺得你要是不嫌遠就去哈工大吧,他們的錄取線還行。至于人大,他們剛剛起步,就不要去了。廈門大學情況不知道,但那里你找不到適當的環境(實在想不出有什么學術結構或者公司和這個掛鉤)。 另外,建議你考慮北京的大學,

  0 引言

  隨著計算機的發展與數據量的增加, 其對于數據的處理技術如生成、收集、儲存數據等的水平要求越來越高, 因此新型的數據挖掘技術的出現是必然趨勢, 替代了傳統落后的數據處理技術。我國對于數據挖掘技術的研究已經取得矚目的效果, 但是應用程度不高, 提高數據挖掘技術的實際應用成為了主要的問題, 需要采取必要措施加快數據挖掘技術應用進程。

我本科學的是電子商務,專業課還可以,就是學校不是特別好。 想考研換個學校數據倉庫與數據挖掘方向,全國最好的就是復旦大學和中國人民大學了.清華北大!

  1 數據挖掘的定義

這個你可以看SIGKDD中論文的作者 國內清華的TANG Jie 國外UIUC的HAN Jiawei 其他的也有很多做的很好的,這里不一一列舉了

  數據挖掘 (DM) 是一個新興的學科, 學名叫做數據庫中發現知識 (KDD) , 其出現在20世紀90年代, 并在這三十年間發展迅速, 它的主要工作領域為數據庫系統以及數據庫應用領域, 其作用在于能夠從應用數據中提取隱藏的關鍵信息與知識, 應用數據的范圍廣泛, 不管是不完整的數據, 還是受干擾的數據, 數據挖掘技術都能夠通過對其數據的轉換分析或者模塊化處理進行識別與篩選, 并提取和處理其中的有用信息。數據挖掘的目的在于通過對數據中信息的處理, 篩選關鍵數據, 發現被忽略的數據, 從而尋找數據中的規律, 為決策者提供合理科學的數據分析報告, 幫助其作出最優化的決策。

從個人了解的信息,看最多是省部級的。參與評委都是各個大學的教授。僅供參考。

  數據挖掘技術學科的本質在于加深對數據的使用層次, 挖掘數據的內在含義并進行抽象化的概括, 改變了以往數據只能簡單查詢的低級層次。數據挖掘具有先知性、實用性以及科學性的特點, 同時數據挖掘的發展依賴于數據庫、人工智能統計學等計算機學科的快速發展, 因此吸引了一大批專業人才加入到其的研發過程中, 加快了其的研究發展進程。

頂級:SIGKDD 二流:ICDM,SDM ,EDBT等 上面是專門的數據挖掘會議,其他像SIGMOD,VLDB,ICDE等數據庫類會議都會有專門的數據挖掘session ,下面是有人專門總結的,引用一下: 一流的:數據庫三大頂級會議SIGMOD,VLDB,ICDE,數據挖掘KDD,

  2 數據挖掘在中國的現狀分析

  2.1 研究現狀分析

  我國開展數據挖掘技術的研究在1993年, 中科院合肥分院成為首個被自然科學基金支持進行數據挖掘技術研究, 從此以后, 我國掀開了研究數據挖掘研究的序幕, 主要研究機構與人員主要是相關專業的大學教授以及一些數據處理研究機構。近年來, 我國對數據挖掘的研究工作高度重視, 通過中國自然科學基金等對其進行資金支持, 同時, 政府創立“九五”計劃以及“863”計劃對其提供政策支持。

  數據挖掘的研究引起了我國相關專業的人才的廣泛關注, 并在全國范圍內掀起了研究數據挖掘知識技術的理論與實際應用的熱潮, 其中包括高等學府與科研機構。例如:對于數據挖掘技術的算法計算與改造研究是復旦大學與華中理工大學等高校的研究方向, 非結構化數據知識的網頁數據挖掘技術是南京大學的主要研究方向, 而科研機構如北京系統工程研究院來說, 其主要研究方向是數據挖掘技術在模糊信息中的實際應用。

  2.2 應用現狀分析

  在我國, 能夠真正應用數據挖掘技術并取得成就的公司包括是廣州華工明天科技有限公司以及菲奈特-融通企業, 其中廣州華工明天科技有限公司主要進行多功能數據挖掘設備的研發, 而菲奈特-融通企業依賴于數據挖掘軟件的發展進行其商業智能套件的研發。

  2.3 研究成果分析

  近年來, 由于國家的大力扶植與資金支持, 我國數據挖掘技術研究取得了重要性的成果, 在亞太數據挖掘的國際會議中, 由南京大學周志華帶隊的數據挖掘技術研究小組表現突出, 同時參與數據挖掘編程大賽并奪得桂冠;同樣在了亞太數據挖掘國際會議上, 中國香港大學的電子商業科技研究院的黃哲學教授的論文獲得亞太數據挖掘國際會議論文大獎。

  2.4 國內外對比

  國內外的數據挖掘技術研究的進程具有很大的差距, 不僅表現在相關理論的研究上, 更在于對數據挖掘技術的實際應用的方面。與國外的數據挖掘技術研究進程相比, 我國的研究起步晚, 仍然處于發展的初級階段, 并且還沒有成熟的理論與技術應用成果, 目前的主要研究方向是對于數據的初級處理如模糊化處理, 技術尚不成熟。

  國外關于數據挖掘技術的軟件研發發展已經取得矚目的成就, 而國內的軟件研發尚不成熟, 研究的重心在于高等學府的人才, 同時都是屬于政府資助項目, 可能導致其成果要求較低, 從而阻塞了研發的步伐。

  3 數據挖掘在我國的未來發展

  3.1 研究方向展望

  近年來, 隨著計算機科學領域的快速發展, 數據挖掘技術作為一種新興的學科, 其研究熱度正在逐漸升溫, 研究的水平也在逐步提高, 同時由于政府的政策支持與資金支持, 越來越多的數據專業研究者被吸引加入其中。在數據挖掘技術未來的研究過程中, 其主要方向應包括以下幾點:

  (1) 參照于SQL語言的標準化的研究成果, 對數據挖掘技術進行形式化的描述, 即發現數據語言。 (2) 為實現關于數據額挖掘技術人機交互工作的順利開展, 應滿足用戶對知識發現過程的可視化進程。 (3) 研究在計算機領域的數據挖掘技術的發展, 可以通過數據挖掘服務器的有效配合的方式實現。

  3.2 面臨的問題

  (1) 挖掘方法與人機交互問題。我國數據挖掘技術的發展受限制于挖掘方法, 不管是知識類型的限制, 還是維度上的限制, 都是影響其發展的重要因素。 (2) 性能問題。能夠有效的解決數據挖掘技術算法中的問題是解決其性能問題的關鍵, 應對其有效性、可伸縮性等問題進行研究, 保證其算法能夠滿足用戶的性能要求。 (3) 數據類型多樣性問題。對于算法復雜的, 多維度的數據類型, 現有的研究水平很難去解決此類問題, 同時對于多跨度的全球化信息技術的挖掘水平仍然落后。

  4 結束語

  數據挖掘技術作為新興的數據應用工具, 能夠有效的加強對數據的處理程度, 但是由于我國研發起步晚, 導致我國的發展水平落后與國外水平。近年來, 國家對數據挖掘技術的政策與資金支持, 掀起了研究的熱潮。我國應重視數據挖掘算法研究以及其實際應用, 不斷地發展數據挖掘技術的研究。

  參考文獻

  [1]謝邦昌, 李揚.數據挖掘與商業智能的現況及未來發展[J].統計與信息論壇, 2015 (05) :94-96.

  [2]李菁菁, 邵培基, 黃亦瀟.數據挖掘在中國的現狀和發展研究[J].管理工程學報, 2016 (03) :10-15.

上一篇:將語言特性與幼兒語言學習特點完美結合論文 下一篇:認知語言學視角下的網絡流行詞成因探析論文

最新文章

擴展閱讀,根據您訪問的內容系統為您準備了以下內容,希望對您有幫助。

國內比較好的大數據 公司有哪些

“大數據”近幾年來可謂蓬勃發展,它不僅是企業趨勢,也是一個改變了人類生活的技術創新。大數據對行業用戶的重要性也日益突出。掌握數據資產,進行智能化決策,已成為企業脫穎而出的關鍵。因此,越來越多的企業開始重視大數據戰略布局,并重新定義自己的核心競爭力。

國內做大數據的公司依舊分為兩類:一類是現在已經有獲取大數據能力的公司,如百度、騰訊、阿里巴巴等互聯網巨頭以及華為、浪潮、中興等國內領軍企業,做大數據致店一叭柒叁耳領一泗貳五零,涵蓋了數據采集,數據存儲,數據分析,數據可視化以及數據安全等領域;另一類則是初創的大數據公司,他們依賴于大數據工具,針對市場需求,為市場帶來創新方案并推動技術發展。其中大部分的大數據應用還是需要第三方公司提供服務。

越來越多的應用涉及到大數據,這些大數據的屬性,包括數量,速度,多樣性等等都是呈現了大數據不斷增長的復雜性,所以,大數據的分析方法在大數據領域就顯得尤為重要,可以說是決定最終信息是否有價值的決定性因素。基于此,對大數據進行分析的產品有哪些比較倍受青睞呢?

而在這里面,最耀眼的明星當屬Hadoop,Hadoop已被公認為是新一代的大數據處理平臺,EMC、IBM、Informatica、Microsoft以及Oracle都紛紛投入了Hadoop的懷抱。對于大數據來說,最重要的還是對于數據的分析,從里面尋找有價值的數據幫助企業作出更好的商業決策。下面,我們就來看看以下十大企業級大數據分析利器吧。

隨著數據爆炸式的增長,我們正被各種數據包圍著。正確利用大數據將給人們帶來極大的便利,但與此同時也給傳統的數據分析帶來了技術的挑戰,雖然我們已經進入大數據時代,但是“大數據”技術還仍處于起步階段,進一步地開發以完善大數據分析技術仍舊是大數據領域的熱點。

在當前的互聯網領域,大數據的應用已經十分廣泛,尤其以企業為主,企業成為大數據應用的主體。大數據真能改變企業的運作方式嗎?答案毋庸置疑是肯定的。隨著企業開始利用大數據,我們每天都會看到大數據新的奇妙的應用,幫助人們真正從中獲益。大數據的應用已廣泛深入我們生活的方方面面,涵蓋醫療、交通、金融、教育、體育、零售等各行各業。

可視化分析

大數據分析的使用者有大數據分析專家,同時還有普通用戶,但是他們二者對于大數據分析最基本的要求就是可視化分析,因為可視化分析能夠直觀的呈現大數據特點,同時能夠非常容易被讀者所接受,就如同看圖說話一樣簡單明了。

2. 數據挖掘算法

大數據分析的理論核心就是數據挖掘算法,各種數據挖掘的算法基于不同的數據類型和格式才能更加科學的呈現出數據本身具備的特點,也正是因為這些被全世界統計

學家所公認的各種統計方法(可以稱之為真理)才能深入數據內部,挖掘出公認的價值。另外一個方面也是因為有這些數據挖掘的算法才能更快速的處理大數據,如

果一個算法得花上好幾年才能得出結論,那大數據的價值也就無從說起了。

3. 預測性分析

大數據分析最終要的應用領域之一就是預測性分析,從大數據中挖掘出特點,通過科學的建立模型,之后便可以通過模型帶入新的數據,從而預測未來的數據。

4. 語義引擎

非結構化數據的多元化給數據分析帶來新的挑戰,我們需要一套工具系統的去分析,提煉數據。語義引擎需要設計到有足夠的人工智能以足以從數據中主動地提取信息。

5.數據質量和數據管理。 大數據分析離不開數據質量和數據管理,高質量的數據和有效的數據管理,無論是在學術研究還是在商業應用領域,都能夠保證分析結果的真實和有價值。

大數據分析的基礎就是以上五個方面,當然更加深入大數據分析的話,還有很多很多更加有特點的、更加深入的、更加專業的大數據分析方法。

大數據的技術

數據采集: ETL工具負責將分布的、異構數據源中的數據如關系數據、平面數據文件等抽取到臨時中間層后進行清洗、轉換、集成,最后加載到數據倉庫或數據集市中,成為聯機分析處理、數據挖掘的基礎。

數據存取: 關系數據庫、NOSQL、SQL等。

基礎架構: 云存儲、分布式文件存儲等。

數據處理:

自然語言處理(NLP,Natural Language

Processing)是研究人與計算機交互的語言問題的一門學科。處理自然語言的關鍵是要讓計算機”理解”自然語言,所以自然語言處理又叫做自然語言理解也稱為計算語言學。一方面它是語言信息處理的一個分支,另一方面它是人工智能的核心課題之一。

統計分析:

 假設檢驗、顯著性檢驗、差異分析、相關分析、T檢驗、 方差分析 、

卡方分析、偏相關分析、距離分析、回歸分析、簡單回歸分析、多元回歸分析、逐步回歸、回歸預測與殘差分析、嶺回歸、logistic回歸分析、曲線估計、

因子分析、聚類分析、主成分分析、因子分析、快速聚類法與聚類法、判別分析、對應分析、多元對應分析(最優尺度分析)、bootstrap技術等等。

數據挖掘:

分類 (Classification)、估計(Estimation)、預測(Prediction)、相關性分組或關聯規則(Affinity

grouping or association rules)、聚類(Clustering)、描述和可視化、Description and

Visualization)、復雜數據類型挖掘(Text, Web ,圖形圖像,視頻,音頻等)

模型預測 :預測模型、機器學習、建模仿真。

結果呈現: 云計算、標簽云、關系圖等。

大數據的處理

1. 大數據處理之一:采集

大數據的采集是指利用多個數據庫來接收發自客戶端(Web、App或者傳感器形式等)的

數據,并且用戶可以通過這些數據庫來進行簡單的查詢和處理工作。比如,電商會使用傳統的關系型數據庫MySQL和Oracle等來存儲每一筆事務數據,除

此之外,Redis和MongoDB這樣的NoSQL數據庫也常用于數據的采集。

在大數據的采集過程中,其主要特點和挑戰是并發數高,因為同時有可能會有成千上萬的用戶

來進行訪問和操作,比如火車票售票網站和淘寶,它們并發的訪問量在峰值時達到上百萬,所以需要在采集端部署大量數據庫才能支撐。并且如何在這些數據庫之間

進行負載均衡和分片的確是需要深入的思考和設計。

2. 大數據處理之二:導入/預處理

雖然采集端本身會有很多數據庫,但是如果要對這些海量數據進行有效的分析,還是應該將這

些來自前端的數據導入到一個集中的大型分布式數據庫,或者分布式存儲集群,并且可以在導入基礎上做一些簡單的清洗和預處理工作。也有一些用戶會在導入時使

用來自Twitter的Storm來對數據進行流式計算,來滿足部分業務的實時計算需求。

導入與預處理過程的特點和挑戰主要是導入的數據量大,每秒鐘的導入量經常會達到百兆,甚至千兆級別。

3. 大數據處理之三:統計/分析

統計與分析主要利用分布式數據庫,或者分布式計算集群來對存儲于其內的海量數據進行普通

的分析和分類匯總等,以滿足大多數常見的分析需求,在這方面,一些實時性需求會用到EMC的GreenPlum、Oracle的Exadata,以及基于

MySQL的列式存儲Infobright等,而一些批處理,或者基于半結構化數據的需求可以使用Hadoop。

統計與分析這部分的主要特點和挑戰是分析涉及的數據量大,其對系統資源,特別是I/O會有極大的占用。

4. 大數據處理之四:挖掘

與前面統計和分析過程不同的是,數據挖掘一般沒有什么預先設定好的主題,主要是在現有數

據上面進行基于各種算法的計算,從而起到預測(Predict)的效果,從而實現一些高級別數據分析的需求。比較典型算法有用于聚類的Kmeans、用于

統計學習的SVM和用于分類的NaiveBayes,主要使用的工具有Hadoop的Mahout等。該過程的特點和挑戰主要是用于挖掘的算法很復雜,并

且計算涉及的數據量和計算量都很大,常用數據挖掘算法都以單線程為主。

國內數據挖掘實力比較強的有哪些實驗室?哪些教授?

北大軟件學院,武漢大學國際軟件學院,安徽工智能與數據挖掘實驗室,南京師范Web數據挖掘實驗室(李藝、楊曉江),復旦大學智能信息處理實驗室,這些應該都不錯吧

國內數據挖掘競賽那個好?

16年的證書蓋的已經是全國數模組委會的章了

數據挖掘類的國際頂尖會議有哪些?

*:SIGKDD

二流:ICDM,SDM ,EDBT等

上面是專門的數據挖掘會議,其他像SIGMOD,VLDB,ICDE等數據庫類會議都會有專門的數據挖掘session ,下面是有人專門總結的,引用一下:

一流的:數據庫三大*會議SIGMOD,VLDB,ICDE,數據挖掘KDD,實際相關的還有機器學習ICML,還有信息檢索的SIGIR;數據庫的理論會議PODS,但它是理論的會議所以和咱們就不大相關了

二流的:EDBT,ICDT,CIKM,SDM,ICDM,PKDD,還有ECML歐洲的機器學習會議(這個應該是1.5檔的,比一般的二流好)

SIGMOD:97分,數據庫的最高會議,涉及范圍廣泛,稍偏應用(因為理論文章有PODS)。沒說的,景仰如滔滔江水。這個會議不僅是double-blind review,而且有rebuttal procedure,可謂獨樹一幟,與眾不同。

VLDB:95分,非常好的數據庫會議。與SIGMOD類似,涉及范圍廣泛,稍偏應用。

從文章的質量來說,SIGMOD和VLDB難分伯仲,沒有說誰比誰更高。他們的范圍也幾乎一樣。

不少牛人都認為,今年的rebuttal procedure其實并不怎么成功。投稿太多,很難做到每一

篇都公平公正。很多rebuttal沒人看。

double-blind是把雙刃劍。這幾年來每年都有人冒充牛人的風格來投稿,有的還真進去了。

反而VLDB的審稿質量一直很高。每年的VLDB都有很理論的paper。

一般來說,我感覺大家還是認為SIGMOD要好那么一點點。根據我個人讀過的文章,也有這樣的感覺。不過這個并不重要了,有差別也是那么一點。

PODS:95分。是“數據庫理論的最好會議,也是一個很好的理論會議”。每年總是co-located with SIGMOD。感覺其中算法背景的人占主流(你可以數數PODS文章中有多少來自Motwani group),也有一部分AI背景的人(畢竟SIGART也是主辦者之一)。它的影響力遠不及SIGMOD,然而其中文章的質量比較整齊,variance小于SIGMOD(以及其他任何數據庫會議)。有一位牛人說:“PODS never had a really bad paper,”這是它值得驕傲的地方。

KDD::full paper 95分,poster/short paper 90分。數據挖掘的最高會議。由于歷史積累不足以及領域圈子較小,勿用諱言KDD目前比SIGMOD尚有所不如。我覺得我們可以這樣類比:KDD:SIGMOD=CRYPTO:STOC。回顧密碼學的歷史,真正最牛的文章一般發在STOC/FOCS而非C

RYPTO/EUROCRYPT,這和今天的數據挖掘何等類似!然而你看看今天的密碼學文章,已經有*的密碼學家(恕我不便寫出名字)不再往STOC/FOCS投稿。我覺得同樣的事情在不久的將來也會發生在數據挖掘中,讓我們拭目以待。

這幾年來KDD的質量都很高。其full paper的質量高于SIGMOD/VLDB中數據挖掘方面的paper的質量。原因是SIGMOD/VLDB審稿人中數據挖掘的人很少,審稿標準不一定能掌握得很好。

這幾年好幾篇SIGMOD/VLDB的數據挖掘paper都follow一些KDD的paper。而在KDD,要拿一篇full paper真難。去年復旦拿了一篇,實屬難能可貴。今年他們又拿了一個SIGMOD demo,說明工作的確很扎實。

聽說在很多地方,如果能有一篇SIGMOD/VLDB/KDD,就能博士畢業,能有兩篇就能找到不錯的工作。“*尚未成功,同志仍需努力!”

ICDE:92分。很好的數據庫會議,也是一個大雜燴。好處是覆蓋面廣、包容性強,壞處是文章水平參差不齊。

EDBT:88分,不錯的數據庫會議,錄取率很低然而歷史積累不足,影響還明顯不及ICDE。

ICDT:88分,PODS的歐洲版,數據庫理論第二會議。

和SIGMOD/VLDB一樣,ICDE和EDBT在質量和影響上都不相上下。

其它的如CIKM,ICDM,SDM,SSDBM,PKDD等等都比以上的會議差一截。

CIKM:85分。

SDM:full paper 90分,poster/short paper 85分。SIAM的數據挖掘會議,與ICDM并列為數據挖掘領域的第二位,比KDD有明顯差距。好像其中統計背景的人比較多,也有一部分機器學習背景的人,比較iversified。

ICDM:full paper 90分,poster/short paper 85分。IEEE的數據挖掘會議,與SDM并列為數據挖掘領域的第二位,比KDD有明顯差距。

PKDD:83分(因為poster/short paper數量很少,所以不予區分)。好像是KDD的歐洲版,但與KDD差距很大。

國內大學在數據挖掘方面的排名

哈工大、清華、北大。我覺得你要是不嫌遠就去哈工大吧,他們的錄取線還行。至于*,他們剛剛起步,就不要去了。廈門大學情況不知道,但那里你找不到適當的環境(實在想不出有什么學術結構或者公司和這個掛鉤)。

另外,建議你考慮北京的大學,畢竟這里的圈子多一些。所以看看北郵或者北航,語言大學或者北科就不要考慮了。或者試試中科院。

  • 行政法視角下公共政策制定原則論
  • 社會學視野下畢摩社會資本簡述論
  • 社會學途徑比較與整合簡述論文
  • 談行政法視角下的個人信息保護論
  • 廣播電臺播音主持語言表現力分析
  • 漆畫語言中抽象表現論文
  • 行政相對人抵抗權的內涵與意義論
  • 個人信息保護行政法的論文
  • 個人信息保護行政法的論文
  • 社會網絡環境的信息組織與共享模
  • 數字電視播控系統關鍵技術探索論
  • 廣播電視安全播出機房維護技術分
  • 地質災害防治項目治理與社會網絡
  • 影視作品細節來源分析論文
  • 您真正地關注您的學生了嗎的論文
  • 分析幾起市電異常引起的設備故障
  • 工商管理專業畢業生論文
  • 2017大學學術論文格式
  • 大學生會計畢業論文
  • 大學本科論文格式模板
  • 大學畢業論文怎么寫
  • 大專畢業生畢業論文
  • 大學音樂專業論文
  • 大學本科畢業論文范文
  • 大學生心理健康論文怎么寫
  • 大學數學建模論文
  • 大學碩士畢業論文
  • 工商管理碩士mba論文
  • www.kjnfab.live true http://www.kjnfab.live/wrrview/lunwen/2444988.html report 17423 為您提供全方面的我國的數據挖掘技術現狀分析論文相關信息,根據用戶需求提供我國的數據挖掘技術現狀分析論文最新最全信息,解決用戶的我國的數據挖掘技術現狀分析論文需求,  摘要:數據挖掘學科的出現,是對計算機領域的補充,在計算機領域的發展下發展迅速,引起了國內的重視,并在國家的大力促進下不斷發展,取得了階段性的成就,但是發展現狀仍然不容樂觀,本篇文章將針對數據挖掘的定義以及國內的現狀進行分析,并對其發展趨勢進行預測,目的在于加快我國的數據挖掘技術...
    • 猜你喜歡
    • 24小時熱文
    • 本周熱評
    圖文推薦
    精彩推薦
    讀過此文的還讀過
    上海时时乐开奖号碼 大乐透 顧家官方商城 在保定跑美团赚钱吗 平安彩票安卓 188即时比分网 视频编辑自媒体赚钱 电竞比分网007 江西抚州麻将 北单比分投注 麻将来了怎么邀请好友 wow 捕鱼大师的工具箱 nba文字比分直播 河里拉沙赚钱吗 足彩比分直播雪缘园 08欧洲杯新浪体育 乐胡麻将下载免费 甘肃