信息检索报告.docx
《信息检索报告.docx》由会员分享，可在线阅读，更多相关《信息检索报告.docx（17页珍藏版）》请在冰豆网上搜索。
信息检索报告
在自动文本检索中词加权处理
摘要——在过去的20年里累积的实验证据表明基于分配单一词合适的权重的文本索引系统产生的检索结果优越于那些更复杂详尽的文本检索系统代表。
这些结果很依赖于有效的词项加权系统的选择。
这篇文章概述了在自动文本词加权方面改进的深刻见解，而且提供了单一搜索词索引模型和那些更复杂的内容分析过程可以对比的基线标准。
1自动文本分析
在1950年代后期，卢恩首次表明自动文本检索系统可以基于存储文本附加的内容标识符和用户的查询信息的内容标识符的对比被设计出来。
典型的，某一词从文档中提取出来，而且查询可以被用于内容鉴定。
两者选一的，文本代表可以被手动的选择通过熟悉考虑主语区域训练的索引器或通过熟悉文档收集的内容训练的索引器。
不论哪一种情况，文档都可以被这种形式的检索词向量代表。
在这种形式里，每一个tk识别一个内容词被分配给一些样例的文档D。
（1）
类似的，信息请求，或查询将会要么被被向量形式代表，要么被布尔表述形式代表。
因此，一个典型的查询Q可能表述作为
（2）
或者
。
（3）
在这里，qk再一次代表一个搜索词分配给查询Q。
一个更加正式的检索词向量方程式
（1）和
（2）的表示通过所有可能的内容检索词包含在每一个向量当中可以获得。
这些内容检索词被允许出现在系统中，增加检索词权重分配以提供在检索词之间的区分。
因此，如果Wdk（或者Wqk）代表在文档D（或查询Q）的检索词tk的权重，而且t检索词在所有的内容代表中可用的，那么这个文档D和查询Q的检索词向量可以被写成
和
（4）
在前面讲述的公式中，这个设想是当检索词没有被分配给文档D（或Q）Wdk（或Wqk）等于0，对于被分配的检索词Wdk（或Wqk）等于1。
考虑到，反应式（4）的向量表示，一个查询文档相似值可以通过与相应的向量对比被获得。
例如，使用传统的向量内积。
（5）
当检索词的权重局限于在先前的建议中的0和1时，这公式（5）的向量内积测量了同时被分配给查询Q和文档D的检索词的数量。
实际上，这被证明是有效的，比权值只有0和1有可能在被分配给内容代表检索词之间提供一个更大程度的区分。
特别的，检索词权重可以被赋予按照检索词重要程度递减的顺序。
在这种情况下，权值Wdk（或Wqk）可以被允许是0到1之间连续变化的任意值。
越重要的检索词，它的权值越高越接近1，然而，越不重要的检索词，它的权值越低越接近于0。
在一些情况下，这可能对于使用标准的权值分配是有效的。
这样，单一检索词的权重一定程度上依赖于在同一向量中其他检索词的权值。
一个典型的检索词权值使用一个向量长度归一化函数是
对于文档（或
对于查询）。
当长度规范化检索词权值系统和向量相似函数公式（5）一起使用，获得一个众所周知的余弦向量相似性函数，这已经在实验的聪明的检索系统中被广泛使用。
。
（6）
一个表现总体的比较在查询和文档向量之间的向量匹配系统提供以在Q和D之间计算的相似性递减的顺序排序的检索输出。
这样一个排序输出是有效的，因为现在检索文档的大小是可控的。
基于继承查询再形成的迭代检索策略是简化的。
一个首次检索这些项目被认为是对用户主要感兴趣的系统将必然的证明在交互式信息检索中有帮助的。
在设计自动文本检索系统中，有两个主要的问题必须面对。
首先，在文档和查询代表中包含哪些合适的内容单元。
第二，对于内容标识检索词权重的决定是否有能力区别重要的检索词和那些不重要的检索词。
就第一次内容检索词的选择而言，各种各样的可能性必须被考虑。
在大多数的早期的实验中，单一的检索词被使用作为内容代表，经常由从文档文本和自然语言查询公式中提取的单词组成。
在很多情况下，通过使用单一检索词内容代表，可以获得非常高效的检索输出。
最后，然而单一检索词集合不能提供文档内容的完全识别。
因为这个原因，多年以来，很多在内容分析和文本索引程序的增强功能被提议，企图形成复杂的文本代表。
在这一点上下面的可能性已经被考虑。
1,相关检索词集合的产生是基于统计学的在文档集合的某一上下文的单词的共同特征。
这正常做出的假设是在文档集合共同出现足够多的频率的单词实际上是互相相关的。
2，检索短语的形成由一个或多个统治地位的检索词（短语头）和相应的从属检索词（短语组件）。
短语经常通过使用单词的频率计数和其它统计学的方法被选择，可能通过语法程序补充。
语法程序被设计检测统地位的检索词和从属检索词的语法关系。
3，这种类型的单词分组方法的使用通过辞海提供，在这把相关词的种类分为共同的标题。
这些类的标题然后可以被分配给内容识别，而不是包含在类中的个体词。
非此即彼的，对内容识别有用的检索词关系可以通过使用现存的机器可读的字典词典获得。
4，知识库的建立和相关人工智能结构目的在于代替在考虑之中的主语区域的内容，然后知识库的词目被用于代替文档和查询的内容。
从一开始，这是明显的，复杂文本代表的建立和识别是非常困难的。
特别的，大多数仅仅在局部的文档里提取最初的从属检索词组的自动推导检索词依赖性是有效的变得清晰。
这意味着从属检索词组不能指望产生有用的内容标识在与那些最初使用的新建文档上下文。
从自动产生检索短语的使用获得的实验证明同样地令人沮丧，对于一些集合，在检索效果上的改进达到20%（在研究召回率和准确率）可以获得的通过使用短语识别代替单一检索词。
但是对于其他文档集合，这些相同的短语程序没有提供任何改进。
而且甚至复杂的语法分析程序不能被依赖产生有用的复杂内容识别。
至于预先构建的词汇表调度和检索词分类的使用，问题是可行的程序对于有效的词汇表工具覆盖合理范围的主题区域的建设好像是完全缺乏的。
同样地想得到目的在于反映信息披露领域的知识库的构建。
直到更多的关于字典，词典的形式和内容的渴望变得出名，从这些在文本分析和文档索引的工具获得的收获很少可以预料到。
再回顾在过去的25年里信息检索系统评估领域积累的大量的文学，非常明确的证据是明智的使用单一检索词识别比更多复杂的实体的合并更好。
这些实体从文本自身提取或从有效的词汇表调度获得。
两个主要的问题出现在产生复杂的文本识别中。
1，当严格条件被用于复杂识别的建设，作为通过使用限制性的频率标准和有限的共存上下文为了检索短语的识别的典型，然后很少新的标识有可能变得可利用的。
复杂识别的检索系统的性能与单一检索词索引获得的结果只有少量的不同。
2，另一方面，当对于复杂的实体的建设标准是不严格的，不仅可以获得一些好的识别，而且许多边界的没有证明是有用的。
总的来说，单一检索词索引通常是优先选的。
当单一检索词被用于内容识别，在个体检索词之间一定引进区别，以他们作为文档描述符假设的值为基础。
这导致了检索词权重的使用。
检索词的权重附加到项目标识符。
注意事项控制有效的加权因子的产生在下一部分简单的概述。
2检索词权重详述
一个检索词加权系统的主要函数是检索效力的放大。
有效的检索取决于两个主要因素：
一，项目可能与用户的需求相关的必须被找回；二，项目可能是没有关联的必须被拒绝。
两个策略通常被用于评价一个系统在文档集合里召回相关的和拒绝非关联的项目的能力。
它们分别作为召回率和准确率而出名。
召回率是找回的相关文档比例，通过找回的相关文档的数量比上文档集合里相关文档总体数量测量；准确率，另一方面，是检索相关的文档比例，通过找回的相关文档的数量比上找回文档的总体数量测量。
大体上，一个体系被认为比较好。
它有高的召回率是通过找回相关的任何项目和高的准确率是通过拒绝所有没有关联的项目。
检索的召回函数好像是通过使用宽阔的，高频的检索词可以最好的服务。
这些检索词在文档集合的很多文档中都出现。
这样的检索词可能被期望从很多文档中取出，包括许多的相关的文档。
准确度因素，然而，可能通过使用狭窄的高度的专用词汇可以最好的服务。
这些检索词能够从大量非相关文档中隔离出少量相关文档。
实际上，通常选取折中的方法，通过使用足够频繁的检索词获得合理的召回率，同时不会产生不合理的低准确率。
召回和准确的要求不同，所以喜欢使用同时包含召回和准确增强组件的复合的检索词加权因子。
在这一点上，有三个主要的注意事项显得重要。
首先，在个别的文档或文档节选里频繁提到的检索词好像是有用的作为召回设备。
这表明检索词频率因素被作为检索词加权系统测量检索词在文档或查询文本中出现频率的一部分。
检索词频率权重已经在自动索引环境中被使用很多年。
第二，单独的检索词频率因子不能确保可接受的检索性能。
特别的，当高频检索词不集中于一个很小的特别文档，而是在倾向于被检索的所有文档，整个文档集合中是普遍的，这影响查找精度。
因此，一个新的集合依赖因子必须被引进，它支持检索词集中在一个文档集的一些文档中。
出名的倒置文档频率表现这个功能。
Idf因子使一个检索词被赋予的文档数量n比上文档集合总数量N倒转的变化。
一个典型的idf因子可能被计算为log（N/n）。
检索词区别的注意事项表明对于文档内容识别最好的检索词是那些有能力从剩余的文档集合区分某一个别的文档。
这意味着最好的检索词应该有高的检索词频率而且低的全部的文档集合频率。
一个合理的检索词重要性测量可以通过使用检索词频率和倒置文档频率的乘积（tf*idf）获得。
文本区分模型被争议，因为它没有表现出很好的证实的理论的性能。
如果把该模型与信息检索的概率模型（把文档相关性考虑在内）相比，概率模型考虑文档的相关属性而且理论的有效的文本相关权重被推导出来。
把文本相关权重定义为文本出现在相关文档与不相关文档中的比例，然而，在没有得到文本在在相关文档与不相关文档中的出现的概率时，无法对其进行立即计算。
在缺少完整相关信息条件下，有很多被提议进行估算检索词相关因子的方。
，这些方法表明，在明确条件的情况下，文本相关性能弱化为一种形式为
的倒置文档频率。
复合的
文本加权系统因此可以直接与其他优秀的检索模型相关联。
除了词频和倒置文档频率，第三个文本加权要素，好像在不同的向量长度的系统中有效。
在很多情况下，我们倾向于用短文本向量表示短文档，用长文本向量表示长文档。
当大量的检索词用于文档的表示，在查询和文档中检索词的匹配机会比较高，因此长文档比短文当更容易被检索到。
通常，对于检索目的，所有相关文档都应该有相同的重要性。
这表明把归一化因子加入检索词权重公式可以均衡文档的向量长度。
假设W表示检索词t的权重，则最后的权重可能被定义为
。
在之前的检索词权重系统的讨论中，我们都假定文档和查询用加权的检索词集合或者向量表示。
文本权重系统也被应用于布尔表达式查询中，同时，设计扩展的布尔查询系统有效的处理简化的向量形式。
在某种程度上，前面提到的检索词权重系统也可以用于布尔查询程序。
3文本加权实验
在本文的剩余部分介绍一些检索词加权实验。
在这些实验中，使用词频，集合频率和长度标准化组件的组合来处理六个不同大小，覆盖不同领域的文档集合。
在每一个情况下，用户查询集合作为检索目标，用可用的用户查询的数量代表平均性能。
在每个实验中，平均检索精度由3个不同的召回点进行计算，包括低召回率0.25，平均召回率0.50和高召回率0.75。
这些平均搜索精确度然后进一步的平均对于所有可用的用户查询。
除此之外，对于精度的测量，我们将采用性能降序排列的加权方法作为评测标准。
在实验中使用了1800个不同的检索词加权组合，发现了287个界限分明的组合，第一位的为结果最好的，而287是最差。
在最近的试验中，每个检索词加权组合都由2个三元组表示。
分别是词频，集合频率和向量标准长度分别代表文档文本（第一个三元组）和查询索引项（第二个三元组）。
表1定义主要的加权衡量值。
使用了3个不同的词频衡量值，包括一个二进制权重（b），标准词频（t）以及标准化词频（n）（0.5到1之间）。
这3个词频衡量值代表忽略了集合频率的1（x）的倍数，传统的倒置的集合频率因子（f），和倒置的概率集合频率（p）。
最后，长度标准化元素可以存在（c）或不存在（这种情况x就是第三个衡量值）。
在先前提到的1800个不同检索词权重的组合，不包含在表1中的附加的加权也被测试了。
这些附加的分量没有提供任何本质上的新想法或优点。
表2展示了一些出名的检索词加权系统的实际公式。
协调层匹配，简单地反映了在文档和查询中相匹配的检索词数目，分别地，由6倍的bxx*bxx描述。
同样地，概率二进制独立加权系统使用二进制文档文本检索，但是一个查询文本的概率逆向集合频率加权表示为bxx*bpx。
一个典型的复杂文本加权方案，描述为tfc*nfx，使用规格化的tf*idf作为文档的检索词权重，以一个增强但不标准化的tf*idf元素来作为查询。
（因为查询向量对于所有一个集合的所有文档是始终保持不变，对于所有查询文档相似度测量的查询，查询标准化简单的增加一个常量因子，这不影响最终的文档排名）。
表3在实验中使用的6个文档集合具有的特征的统计信息。
最小的集合是一个关于生物医学（MED）的集合，由1033个文档和30个查询组成。
最大的集合（INSPES）涵盖计算机工程领域，由12684个文档和84个查询组成。
就一切情况而论，查询向量比相应文档向量要短得多。
由11429文档和100查询组成的NPL集合使仅仅有索引形式的（以文档和查询向量的形式）不是原始的自然语言形式。
这可能说明了它有点特别的组成。
在NPL集合中文档和查询向量都比在其他集合短的多，还有在查询的变化很小。
此外，对于NPL集合，检索词频率特别低，每个查询词在一次查询中正好出现一次，检索词的平均频率在文档中唯一。
在这些情况下，检索词频权重和长度归一化操作不能表现预期的功能。
一个可以猜想NPL索引关键词是仔细挑选的，可能事实上代表特别的受控的检索词而不是自由选择的自然语言条目。
在表4和表5展示典型的评估结果。
一些特例中，表4的5个集合的结果是类似的，在这种情况下，最佳结果均由同一文本加权系统产生，最差的结果也是一样。
表4的结果和用表5的NPL集合获得的结果有很大不同。
首先考虑表4的结果，显然可以得到下列结论：
1，方法1和方法2对所有集合产生可比较的结果，长度归一化对文档十分重要，而且增强查询权重是有效的。
这些方法都适用于传统的的自然语言文档及其摘要。
2，方法3不包括向量长度的归一化以及增强查询权重操作。
这种非归一化的加权方法（tf*idf）对于像CRAN和MED这样的短查询且长度偏差小的查询效果很差。
在这种情况下，增强查询权重（n因子）证明十分重要。
3，方法4是最好的概率加权系统。
此方法比方法1和方法2的增加权重的方案效果要差。
尤其对于像CISI和INSPEC这种使用长查询向量并且文本需靠文本权重区别的集合来说。
4，方法5-7分别代表古典逆向文档频率加权，独立二进制概率系统和古典文本频率加权。
可以看到，通常这些方法对所有集合的检索效果都不好。
5，二进制向量表示的协调层匹配是最差的检索策略之一。
表5中NPL集合实验的结果与表4的明显不同。
在这里，使用概率方案用二进制加权查询和非标准化的文档向量更好。
下面特殊条件下查询和文档的集合的直接结果：
短查询需要全加权文本（b=1），并且应避免通常情况下有效的文本加权，因为很多重要的文本将会在短文档中降级。
应优先选择增强词频权重（n因子）或者全加权（b=1）。
早期NPL所得到的检索结果用于展示概率文本加权系统的优越性。
表4和表5的结果不支持传统的自然语言文档和查询。
4推荐
下列结论可以从本实验研究的实验证据得出：
4.1查询向量
1.词频分量
1短查询向量，每个检索词都很重要，应当提高优先的查询文本的权重：
前件n
2长查询向量需要对文本检索词进行基于检索词出现频率的更大区分：
前件t
3当所有查询文本出现的频率都相等且为1时，词频因子可以忽略。
2.集合频率分量
1倒置文档频率因子f与概率文本独立因子p十分相似时：
最好使用f。
3.归一化分量
1查询归一化查询不影响查询文档的排序或整体性能；使用x。
4.2文件向量
1.词频分量
1对于专业词汇和有意义的词（CRAN,MED集合），使用增强的频率权重：
前件n。
2对于更多不同的词汇，用传统频率加权进行区分。
前件t
3对于可能基于受控的词汇短文档的向量，使用全加权文本：
前件b=1。
2.集合频率分量
1逆向文档频率因子f与概率词独立性权值p十分相似，通常使用f。
2对于有很多变化的动态文档集合，f需要更新，在此情况下忽略第二个分量，使用x。
3.长度归一化分量
1当向量长度偏差比较大，常见于文本检索系统，使用长度归一化因子c。
2长度均等的短文档向量，归一化因子可忽略，这种情况下使用x。
下面的单词加权系统应该作为标准，与使用辞典或其他知识工具来产生复杂文本内容识别的增强的文本检索系统比较：
最好的文档加权tfc，nfc（或者tpc，npc）
最好的查询加权nfx，tfx，bfx（或者npx，tpx，bpx）
报告评语
教师签字：
日期：
成绩
走到茶几边，我认出了外婆的杯子，但是哪一个才是妈妈的杯子呢？
突然之间，我觉得，自己真得太不了解父母了。
当妈妈为我倒水时，我却不知她的杯子是什么样的；当妈妈为我夹我喜欢吃的菜时，我却没想过他们是爱吃淡一点，还是浓一点。
。
。
。
。
。
2009年到了，意味着过去一年的逝去和新的一年的到来。
妈妈为我操劳了一整年，仔细想想，现在的我也应该为她做一点点事了。
于是，我决定先将茶沏好再找杯子。
学着爸爸平时沏茶的顺序，我先从茶柜里找出了一罐普洱茶，再往烧水的壶里加入水放在电茶炉上烧，接着，我将爸爸已经掰好的普洱茶片拿了两片放在盖碗里，等了一会，水开了，我小心地将水注入盖碗，将盖盖上，把盖碗里第一遍的茶水滤掉，然后再次注水，盖上盖，焖一会才两手并用地将茶水倒入茶海里，因为第一次自己动手，盖碗的烫手是我所没想到的，手忙脚乱的我弄得茶几上一片片的水渍。
重复几次这样的程序后，我先帮外婆倒了一杯茶，因为外婆特别喜欢喝茶。
当外婆从厨房走出来的时候我已经把茶都给倒好了，这时，外婆才告诉我哪一个是妈妈的杯子。
妈妈起床了，我双手捧着水杯送到她的面前，就像捧着一颗温热的心。
妈妈一愣，随即脸上露出了微笑，她一手接过水杯，伸出另一只手将我拉进了她的怀里，那手轻轻柔柔地在我的头上抚摸着，接着妈妈在我的脸上深深地亲了一口。
虽然妈妈经常亲我，但这一刻的亲吻却最让我感到幸福。
我抬起头对妈妈说：
“妈妈快喝吧，要不茶要凉了。
”妈妈仰起了脖子，张着嘴巴，“咕咚，咕咚”地喝了几大口。
看她那甜蜜蜜的样子，仿佛微苦的普洱茶也是蜜一般甜。
我记得在我小学的时侯，就读过一首曹值的七步诗：
“煮豆持作梗，辘毂以为汁；秸在釜下燃，豆在釜中泣；本是同根生，相煎何太急”。
那时只知其大意，只知道曹操的长子曹丕继位，他在一些奸臣的影响下，担心他的同胞弟弟曹值篡位，便逼迫曹值在七步之内作出一首诗来，否则处死；结果他的弟弟就在七步之内写出了流传至今的“七步诗”。
当时这首诗对曹丕也是一种极大的潮讽。
几个世纪过去了，社会和生活都发生了极大的变化；应该说人的素质也应有所提高；一个人生活在世上，是离不开亲情、友情和爱情的；有人说：
打架亲兄弟，上阵父子兵，但是，兄弟姐妹的团结并不是真对与他人打架斗殴，在生活上，事业上应是不可或缺的照应；俗话说“一根筷子容易断，十双筷子断就难”；可见，团结是一种力量，只有团结才有攻不破的堡垒。
然而，就在生活优越的今天，兄弟姐妹往往因为一点小事，一点利益而你争我斗，反目成仇，甚而相残；我和我的朋友在聊天时有时聊及这个问题，有人这样评论：
一个人生活在世上，如果不顾亲情，对兄弟姐妹甚至父母于不顾，那他在这个社会上和任何人都不要谈“情”字，特别是友情。
树大分枝，各自成立家庭后，在生活中一些小事是难免发生的，但要看你怎样去对待，把金钱和利益看的太重，那麽，你就会值亲情于不顾；看淡名利，注重亲情才是做人的底线；争则不足，让则有余，在利益和金钱面前，我们何不礼让一点，做一个有道德、有素质、有亲情的人呢？
家和万事兴，团结是一种力量，让我们团结友爱，和睦共处，为个人的事业、为家庭的生活、为国家的兴盛而看重亲情、友情、爱情；把金钱和利益看淡一些吧！
人过留名，雁去留声，希望在几十年之后，当你离开这个世界的时侯，留给后人的不是唾泣，而是美愉。
今天是她父亲的生日,她要回家和父亲一起过生日.我很理解她的想法,更理解她的思念之情.是的,她父亲已经六十多岁了,为了子女的成长与幸福,含辛茹苦,真的的不容易.话说过来,人一辈子真的很不容易.人年老时非常希望能够和子女在一起,即使不能在一起,哪怕一个电话甚至一个短信,父母也已经很知足了.我由于长期在外,很想念爸爸妈妈.想起过去,心里真的很辛酸,父母亲为了我们的成长真的付出了很多,然而他们现在又生活得怎么样呢?
想起过去的一幕一幕,我心里很难受!
我很希望做做子女的我们,踏踏实实地做好每一件事情,不让父母担忧,这是最基本的我们应当做的事情.
谈到这里我不由自主地想起一部电影《我的兄弟姐妹》,这是一部关于亲情的影片,暂且不管故事的真实性,主要考究它的内涵. 主人公齐思甜和哥哥齐忆苦、妹妹奇妙、弟弟齐天生活在一个不富裕却充满温馨和爱的家。
然而在一个暴风雪的夜晚，他们的母亲旧病复发，咳得吐血了。
父亲背她去医院，却出了意外，他们俩都亡故了。
次日，另一家人搬进了四个孩子的家。
性格刚强的哥哥无法忍受这个新家庭的种种，无奈地带着弟弟妹妹离开了家。
他们开始四处奔波，寻找落脚之处。
当实在没有能力照顾弟弟妹妹的时候，他把妹妹齐思甜送给一对正要出国的夫妇；把弟弟送给他的舅妈一家；又把小妹妹带到一对老人家中请他们收养。
他自己和弟弟妹妹们便各奔东西……20年后，齐忆苦在北京当上了出租车司机；齐思甜出国受到良好的教育，成了音乐家；齐天成为东北大学学生；齐妙却当上了舞厅小姐。
在北京的音乐会上，思甜蓦然回首的瞬间，音乐霎时凝固了。
他们四人拥抱在一起，泪水顺着另一支悠扬的乐曲落下，听众的掌声久久不息……终于，他们有了一次永久的重逢。
齐思甜的父亲是一个音乐教师，他们一家人都生活在音乐的天堂里，这也为后来思甜成为音乐家打好了基础。
父亲说：
“人生路上有许多困难的事情，只要有音乐在，你的灵魂便不再寂寞。
”这位父亲是伟大的，他乐观开朗，以身作则。
尽管他和蔼可亲，但同时又是一个严厉的父亲。
有一回，齐忆苦偷邻居家的鸡蛋，是为了满足妹妹小小的心愿。
而他却因此挨了父亲的鞭子，还罚他站在雪地里很久。
在父亲被分配到别的地方边劳动边教音乐时，他对这“莫须有的罪名”并没有悲愤倒下，而是瞒着家人当搬运工挨家挨户送木材，还干各种各样的粗活。
他也没有一丝怨言，还对孩子说：
“我没事。
”懂事的孩子们也拿起了工具，帮父亲干活。
他哼着小调，阳光幸福地洒在他们脸上。
可见,这位父亲是多么伟大，他以他的行动告诉了孩子们音乐的重要性及如何面对生活的苦难。
那么，又是一种什么样的力量，使后来的四个孩子重逢，使他们欢聚，使他们接受心灵的洗礼？
毋庸置疑，是亲情。
寒冷的冬天，四个孩子依偎在车站。
他们在为下一餐饭而担心着。
“哥，我饿。
”、“哥，我冷。
”、“哥，我想回家……”弟妹们的话刺痛了哥哥。
他说：
“只要我还有一口气，就不让你们受委屈。
”事实上他也这么做了。
如果不是亲情，他又何必活得如此累呢？
他又怎能忘记，那一晚，父母临走时对他的嘱咐：
“你是哥哥，要照顾好弟弟妹妹。
”
生活改变了许多人和事，也改变了他们。
但是，亲情是始终不渝的。
最小的妹妹齐妙长大后竟成了舞厅小姐！
她离开原来的家后，养父母去世得早，加上无人看管，就开始堕落下去了。
她在20年后与齐思甜相遇时，大言不惭地对她说她满足于当前腐朽昏暗的生活方式。
但是自那以后，她回忆起以前的一点一滴，又不免伤感和懊悔。
她发现自己对不起所有爱她的人，她的良心受到了谴责。
于是，亲情的归来使她的精神方面的巨人复活了！
她的灵魂才得以解放。
亲情给人以新生，亲情又犹如一支镇心剂。
亲情是心中的太阳，照耀着我们；亲情是温柔的
升级会员 