SVM推導(dǎo)步驟

SVM（Support Vector Machine概荷，支持向量機(jī)）是最經(jīng)典的分類算法食茎，本文主要整理（為了應(yīng)付考試）SVM的推導(dǎo)方式融涣，不包含SMO算法求解最后的約束。

借鑒博客：
https://cuijiahua.com/blog/2017/11/ml_8_svm_1.html

https://www.cnblogs.com/90zeng/p/Lagrange_duality.html

一般的崩瓤，SVM就是一個(gè)分類器，只是相對于傳統(tǒng)的線性分類器踩官，它添加了一個(gè)支持向量的概念却桶。這樣相對于傳統(tǒng)分類器可能存在的多個(gè)解，SVM由于約束的存在一般只有單解蔗牡，并且表現(xiàn)更好颖系。

從圖片上解釋，對于一組數(shù)據(jù)辩越，傳統(tǒng)的線性分類器使用一條直線將數(shù)據(jù)分類嘁扼，而SVM在使用直線的同時(shí)要求數(shù)據(jù)點(diǎn)距離這條直線的最小距離最大，也就是說分類器和數(shù)據(jù)之間要有足夠大的“間隔”黔攒。這樣做的好處是很明顯的趁啸，越大的“間隔”代表了更大的轉(zhuǎn)圜空間，在得到新的數(shù)據(jù)之后更容易將其正確分類亏钩。

而SVM的工作就是求解這個(gè)最大間隔莲绰，也就是最優(yōu)化問題。對于線性可分的數(shù)據(jù)姑丑，可以直接套用線性規(guī)劃的知識(shí)進(jìn)行推導(dǎo)蛤签，但如果數(shù)據(jù)線性不可分，就需要核函數(shù)進(jìn)行數(shù)據(jù)升維栅哀，進(jìn)行超平面分類震肮。

二分類問題的數(shù)據(jù)點(diǎn)

傳統(tǒng)的線性分類器

SVM的分類方式，要求“間隔”最大

下面是具體的建模推導(dǎo)過程：

一·決策面方程

我們現(xiàn)在二維場景下考慮分類方程留拾，所以決策面也就是決策線戳晌。

考慮在二維場景下，我們描述一條直線的方法是：

$y=ax+b$

簡單替換痴柔，將 $y$ 替換為 $x_2$ 沦偎，將 $x$ 替換為 $x_1$ ，簡單獲得以下公式：

$x_2=ax_1+b$

=> $ax_1-x_2+b=0$

將上述公式轉(zhuǎn)換為向量形式：

$[a,-1][\begin{array}{c} x_1 \\ x_2\end{array}] +b=0$

也就是 $\omega ^Tx+\gamma =0, 其中，\omega=[a,-1]^T,x=[x_1,x_2]^T$

這個(gè)式子的幾何意義是原式子的法向量豪嚎。而如果我們將上述式子推廣到高維空間搔驼，就是我們需要的決策面方程。也就是：

$\omega ^Tx+\gamma =0, 其中侈询，\omega=[\omega_1, \dots, \omega_n]^T,x=[x_1,\dots,x_n]^T$

二·分類間隔方程

在獲取決策面方程之后舌涨，我們需要獲知決策面方程中的 $\omega$ 和 $\gamma$ 的具體值，而求解這個(gè)值的核心就是靠分類間隔方程所施加的約束條件扔字。

首先我們需要副系以下間隔的含義囊嘉，在SVM中，“間隔”指的是分類器距離樣本點(diǎn)的最小距離革为，我們需要找一個(gè)使這個(gè)最小距離最大的分類器作為我們的最優(yōu)解扭粱。因此我們的約束條件是很好想到的，高中學(xué)過的距離公式：

$\begin{equation} \left\{ \begin{array}{**lr**} d=\frac{Ax_0+By_0+C}{\sqrt{A^2+B^2} } , & \\點(diǎn)(x_0,y_0),直線Ax+By+C=0\end{array} \right. \end{equation}$

而在超平面上篷角，只需要簡單的推廣以上公式焊刹，結(jié)合我們之前獲得的決策面方程，

$\omega ^Tx+\gamma =0, 其中恳蹲，\omega=[\omega_1, \dots, \omega_n]^T,x=[x_1,\dots,x_n]^T$

我們不難得到虐块，在我們所得到的直線（超平面上），某個(gè)樣本與其的距離是：

$d=\frac{|\omega^Tx+\gamma|}{||\omega||}$ ?

分母是指 $\omega$ 的二范數(shù)嘉蕾，也就是平方和求導(dǎo)贺奠。這樣我們的問題就轉(zhuǎn)化為，求最大的 $W$ 错忱，其中 $W=2d$ 儡率，也就是求 $\max \limits_{}d$ 。

三·約束條件

獲取了上述分類間隔方程以清，但是這個(gè)方程只是來評判我們的分類器是否是好的儿普，我們并不能確定

（1）分類器是否能正確分類

（2）如何選擇正確的支持向量點(diǎn)

這兩個(gè)問題是限制我們隨意計(jì)算 $d$ 的限制條件，在SVM中掷倔，以下列方式處理這些限制條件眉孩。

首先仍然只考慮線性可分的二分類情況，在這種情況下只有兩類數(shù)據(jù)勒葱，我們對這兩類數(shù)據(jù)分別賦值為1和-1浪汪，也就是：

$y=\begin{equation} \left\{ \begin{array}{**lr**} 1 , 數(shù)據(jù)屬于第一類& \\-1.數(shù)據(jù)屬于第二類\end{array} \right. \end{equation}$

分類還是很直觀的，事實(shí)上我們在有監(jiān)督學(xué)習(xí)里面基本也這么賦值凛虽。這樣賦值之后死遭，假設(shè)我們所得到的分類器可以正確分類兩類數(shù)據(jù)，那么我們的分類器可以得出什么結(jié)果凯旋？不難得到以下形式：

$y=\begin{equation} \left\{ \begin{array}{**lr**} \omega^T+\gamma>0, y_i=1& \\\omega^T+\gamma<0, y_i=-1\end{array} \right. \end{equation}$

如果我們嚴(yán)格一點(diǎn)（或者說運(yùn)氣很好）呀潭，我們得到的分類器是SVM的最優(yōu)解钉迷，那么根據(jù)上面的距離公式，我們可以簡化得到：

$\begin{equation} \left\{ \begin{array}{**lr**} \frac{|\omega^Tx+\gamma|}{||\omega||}\ge d, y_i=1& \\\frac{|\omega^Tx+\gamma|}{||\omega||}\le -d, y_i=-1\end{array} \right. \end{equation}$

$\Rightarrow \begin{equation} \left\{ \begin{array}{**lr**} \omega_d^Tx+\gamma_d\ge 1, y_i=1& \\\omega_d^Tx+\gamma_d\le 1, y_i=-1\end{array} \right. \end{equation}$

其中：

$\omega_d^T=\frac{\omega}{||\omega||d}$ ? ?? $\gamma_d=\frac{\gamma}{||\omega||d}$

分母都是標(biāo)量蜗侈，所以除以 $d$ 并不影響原式子的幾何含義篷牌，也就是法向量。那么我們事實(shí)上拿掉這個(gè) $d$

也不會(huì)影響最后的結(jié)果踏幻。最后對以上式子進(jìn)行整理，即可獲得一個(gè)不等式：

$y_i(\omega^Tx+\gamma)\ge 1, \forall x_i$

這里的 $\omega$ 與上文中的 $\omega$ 在數(shù)值上不同戳杀，但是在幾何意義上是一樣的该面。

四·優(yōu)化問題描述

在三中，我們考慮了如果我們的分類器可以正確分類信卡，我們的公式要如何進(jìn)行約束隔缀，那么現(xiàn)在我們需要解決第二個(gè)問題了，如果選取支持向量點(diǎn)傍菇？

這個(gè)問題比較好考慮猾瘸，支持向量點(diǎn)有一個(gè)特征，那就是對于一個(gè)支持向量點(diǎn) $x_i$ ,必然有

$|\omega^Tx_i+\gamma| = 1$

那么在我們預(yù)先定義好的距離公式 $d=\frac{|\omega^Tx+\gamma|}{||\omega||}$ 中丢习，我們發(fā)現(xiàn)帶入上式子的結(jié)果牵触，有

$d=\frac{1}{||\omega||}$

那么我們對 $d$ 的最大值約束就變化為對 $\omega$ 的最小值約束，也就是求解 $min\frac{1}{2}||\omega||^2,其中y_i(\omega^Tx_i+b)\ge 1,i=1,2,\dots,n$

五·求解準(zhǔn)備

在得到上述式子之后咐低，我們發(fā)現(xiàn)這是一個(gè)帶有不等式約束的規(guī)劃問題揽思，為了解決這種問題，我們一般采用構(gòu)造拉格朗日函數(shù)的方法见擦，使用對偶性解決問題钉汗。

5.1·拉格朗日函數(shù)

首先，我們先要從宏觀的視野上了解一下拉格朗日對偶問題出現(xiàn)的原因和背景鲤屡。

我們知道我們要求解的是最小化問題损痰，所以一個(gè)直觀的想法是如果我能夠構(gòu)造一個(gè)函數(shù)，使得該函數(shù)在可行解區(qū)域內(nèi)與原目標(biāo)函數(shù)完全一致酒来，而在可行解區(qū)域外的數(shù)值非常大卢未，甚至是無窮大，那么這個(gè)沒有約束條件的新目標(biāo)函數(shù)的優(yōu)化問題就與原來有約束條件的原始目標(biāo)函數(shù)的優(yōu)化問題是等價(jià)的問題役首。

這就是使用拉格朗日方程的目的尝丐，它將約束條件放到目標(biāo)函數(shù)中，從而將有約束優(yōu)化問題轉(zhuǎn)換為無約束優(yōu)化問題衡奥。

隨后爹袁，人們又發(fā)現(xiàn)，使用拉格朗日獲得的函數(shù)矮固，使用求導(dǎo)的方法求解依然困難失息。進(jìn)而譬淳，需要對問題再進(jìn)行一次轉(zhuǎn)換，即使用一個(gè)數(shù)學(xué)技巧：拉格朗日對偶盹兢。

所以邻梆，顯而易見的是，我們在拉格朗日優(yōu)化我們的問題這個(gè)道路上绎秒，需要進(jìn)行下面二個(gè)步驟：

將有約束的原始目標(biāo)函數(shù)轉(zhuǎn)換為無約束的新構(gòu)造的拉格朗日目標(biāo)函數(shù)

使用拉格朗日對偶性浦妄，將不易求解的優(yōu)化問題轉(zhuǎn)化為易求解的優(yōu)化

下面，進(jìn)行第一步：將有約束的原始目標(biāo)函數(shù)轉(zhuǎn)換為無約束的新構(gòu)造的拉格朗日目標(biāo)函數(shù)

先寫下原始式子：

$min\frac{1}{2}||\omega||^2,其中y_i(\omega^Tx_i+b)\ge 1,i=1,2,\dots,n$

我們首先將其變形见芹，將其變?yōu)槿缦赂袷剑?/p>

$L(\omega,b,\alpha)=\frac{1}{2}||\omega||^2-\sum_{i=1}^n \alpha_i[y_i(\omega^Tx_i+b)-1]$

其中 $\alpha_i \ge 0$ 被稱為拉格朗日乘子剂娄，當(dāng)然雖然名字很嚇唬人，事實(shí)上它是我們隨意引入的一個(gè)參數(shù)玄呛。這個(gè)參數(shù)是用來構(gòu)造等價(jià)問題的阅懦。

我們令 $\theta(\omega,b)=\max \limits_ {\alpha_i \ge 0}\ L(\omega,b,\alpha)$ 。

也就是當(dāng)前這個(gè)方程和 $\alpha_i$ 無關(guān)徘铝，當(dāng)某個(gè)點(diǎn) $x_i$ 不在可行解區(qū)域中耳胎，也就是 $y_i(\omega^Tx_i+b) < 1$ ,我們將 $\alpha_i$ 設(shè)置為無窮大，顯然此時(shí) $\theta(\omega,b)$ 也是無窮大的惕它。而當(dāng)該點(diǎn)在可行域區(qū)域內(nèi)怕午， $y_i(\omega^Tx_i+b) \ge 1$ ，那么 $\max \limits_ {\alpha_i \ge 0}\ L(\omega,b,\alpha)$ 的結(jié)果顯然是 $\frac{1}{2}||\omega||^2$ （因?yàn)楹蟀氩糠直厝淮笥诘扔?怠缸，那么為了保證最大诗轻，當(dāng)然是等于0）。這樣揭北， $\theta(\omega,b)$ 就可以轉(zhuǎn)化為：

$\theta(\omega,b)=\begin{equation} \left\{ \begin{array}{**lr**} \frac{1}{2}||\omega||^2, x_i在可行域\\+\infty扳炬，x_i不在可行域\end{array} \right. \end{equation}$

顯然在可行域內(nèi)， $\theta$ 是一個(gè)凸函數(shù)搔体，是必然有極小值的恨樟，因此問題被轉(zhuǎn)化為求此函數(shù)的最小值，也就是：

$\min \limits_{\omega,b}\theta(\omega,b)=\min \limits_{\omega,b}\max\limits_{\alpha_i\ge0}L(\omega,b,\alpha)=p^*$

這個(gè)式子事實(shí)上也不好求疚俱，因?yàn)閮?nèi)層的 $max$ 仍然帶有不等式的限制條件劝术，因此我們要使用拉格朗日對偶方法將其轉(zhuǎn)化為易求的對偶形式。

5.2 拉格朗日對偶及其證明

拉格朗日對偶的定義如下：

以我們剛剛獲得的式子 $\min \limits_{\omega,b}\theta(\omega,b)=\min \limits_{\omega,b}\max\limits_{\alpha_i\ge0}L(\omega,b,\alpha)=p^*$ 為例呆奕，我們先針對 $\alpha$ 作為未知數(shù)構(gòu)造一個(gè)函數(shù)：

$\theta(\alpha)=\min \limits_{\omega,b}L(\omega,b,\alpha)$

考慮其極大化养晋，也就是 $\max\limits_{\alpha;\alpha_i\ge0}\theta(\alpha)=\max\limits_{\alpha;\alpha_i\ge0}\min \limits_{\omega,b}L(\omega,b,\alpha)$

這個(gè)問題就是原始問題的對偶問題了。假設(shè)我們使 $\max\limits_{\alpha;\alpha_i\ge0}\theta(\alpha)=\max\limits_{\alpha;\alpha_i\ge0}\min \limits_{\omega,b}L(\omega,b,\alpha)=d^*$

則可以證明 $d^*\le p^*$

證明方式：對于任意的 $\alpha,\omega和b$ 梁钾，有 $\theta_d(\alpha)=\min\limits_{\omega,b}L(\omega,b,\alpha)\le L(\omega,b,\alpha)\le \max\limits_{\alpha\ge 0}L(\omega,b,\alpha)\le \theta_p(\omega,b)$

不難推論绳泉，當(dāng) $d^*=p^*$ 時(shí)，此時(shí) $\omega^*,b^*,\alpha^*$ 均為最優(yōu)解姆泻。

那么如何使得上述相等情況成立呢零酪？這就需要滿足KKT條件冒嫡。

5.3·KKT條件

KKT條件的全稱是Karush-Kuhn-Tucker條件，KKT條件是說最優(yōu)值條件必須滿足以下條件：

條件一：經(jīng)過拉格朗日函數(shù)處理之后的新目標(biāo)函數(shù)L(w,b,α)對x求導(dǎo)為零：

條件二：h(x) = 0四苇；

條件三：α*g(x) = 0孝凌；

我們的式子已經(jīng)滿足此條件，具體的嘛……反正我也不懂月腋，先記下來以后補(bǔ)= =

六·最終結(jié)果

已知 $\max\limits_{\alpha;\alpha_i\ge0}\theta(\alpha)=\max\limits_{\alpha;\alpha_i\ge0}\min \limits_{\omega,b}L(\omega,b,\alpha)=d^*$

$L(\omega,b,\alpha)=\frac{1}{2}||\omega||^2-\sum_{i=1}^n \alpha_i[y_i(\omega^Tx_i+b)-1]$

首先固定 $\alpha$ ,針對內(nèi)層最小化求導(dǎo)蟀架，可以得到：

$\frac{\alpha L}{\alpha \omega}=0 \Rightarrow \omega=\sum_{i=1}^n \alpha_iy_ix_i$

$\frac{\alpha L}{\alpha b}=0 \Rightarrow \sum_{i=1}^n \alpha_iy_i=0$

帶入原式：

$\begin{equation}\begin{aligned}L(\omega,b,\alpha)&=\frac{1}{2}||\omega||^2-\sum_{i=1}^n \alpha_i[y_i(\omega^Tx_i+b-1) ] \\&=\frac{1}{2}\omega^T\omega-\omega^T\sum_{i=1}^n\alpha_iy_ix_i-b\sum_{i=1}^n\alpha_iy_i+ \sum_{i=1}^n\alpha_i \\&=\frac{1}{2}\omega^T\sum_{i=1}^n\alpha_iy_ix_i-\omega^T\sum_{i=1}^n\alpha_ix_iy_i-b*0+\sum_{i=1}^n\alpha_i\\&=\sum_{i=1}^n\alpha_i-\frac{1}{2}(\sum_{i=1}^n\alpha_iy_ix_i)^T\sum_{i=1}^n\alpha_iy_ix_i\\&=\sum_{i=1}^n\alpha_i-\frac{1}{2}\sum_{i,j=1}^n\alpha_i\alpha_jy_iy_jx_i^Tx_j\end{aligned}\end{equation}$

此時(shí)只有一個(gè)參數(shù)， $\alpha_i$

然后我們計(jì)算外層的最大化罗售，

$\max\limits_{\alpha}\sum_{i=1}^n\alpha_i-\frac{1}{2}\sum_{i,j=1}^n\alpha_i\alpha_jy_iy_jx_i^Tx_j\\s.t.\ \alpha_i \ge0, \ \ i =1,2,\dots,n\\\sum_{i=1}^n\alpha_iy_i=0$

現(xiàn)在我們的優(yōu)化問題變成了如上的形式辜窑。對于這個(gè)問題，我們有更高效的優(yōu)化算法寨躁，即序列最小優(yōu)化（SMO）算法。我們通過這個(gè)優(yōu)化算法能得到α牙勘，再根據(jù)α职恳，我們就可以求解出w和b，進(jìn)而求得我們最初的目的：找到超平面方面，即"決策平面"放钦。

七·非線性與核函數(shù)

前面六個(gè)部分都是建立在數(shù)據(jù)線性可分的情況之下，而當(dāng)數(shù)據(jù)不可分時(shí)恭金，我們需要使用一些方法將其升維操禀，使其在高維空間成為可分的。

總體而言横腿，經(jīng)過SMO計(jì)算出 $\alpha$ 之后颓屑，可以得到最后的方程：

$f(x) = \sum_{i=1}^n\alpha_iy_ix_i^Tx + b$

使用內(nèi)積表示它：

$f(x) = \sum_{i=1}^n\alpha_iy_i<x_i,x> + b$

如果數(shù)據(jù)是不可分的，我們使用一個(gè)非線性映射（不管這個(gè)映射是什么樣的耿焊，事實(shí)上往往不知道這是什么映射揪惦，映射獲得的結(jié)果也可能無法計(jì)算）將數(shù)據(jù)映射到高維空間，使其在高維空間可分罗侯，則上式可以改寫為：

$f(x) = \sum_{i=1}^n\alpha_iy_i<\phi (x_i),\phi(x)> + b$

其中 $\phi(x)$ 是一個(gè)映射器腋，它表示輸入空間到特征空間的映射。

這種映射結(jié)果钩杰，牽扯到高維空間的內(nèi)積運(yùn)算纫塌，而高維空間維度越高我們需要的計(jì)算量就越大，有時(shí)候甚至是無限維的讲弄，導(dǎo)致不能直接計(jì)算措左。因此我們定義了一個(gè)核函數(shù)(kernel function)，其本質(zhì)是在輸入空間的一個(gè)函數(shù) $\kappa$ 垂睬，我們?nèi)绻梢允沟?img class="math-inline" src="https://math.jianshu.com/math?formula=%5Ckappa(x_i%2C%20x)%3D%3C%5Cphi(x_i)%2C%5Cphi(x)%3E" alt="\kappa(x_i, x)=<\phi(x_i),\phi(x)>" mathimg="1">媳荒，那么計(jì)算就可以局限在輸入空間的低緯度抗悍，減少計(jì)算資源的消耗。

所以直接就給出一個(gè)定義：核是一個(gè)函數(shù)k钳枕，對所有x,z∈X缴渊，滿足k(x,z)=<?(xi),?(x)>，這里?(·)是從原始輸入空間X到內(nèi)積空間F的映射鱼炒。

在實(shí)際使用中衔沼，有多種比較常見的核函數(shù)形式（所以核函數(shù)實(shí)際上都是一種近似）：

常用的核函數(shù)

最后編輯于：2018.12.26 08:57:57

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者

人面猴
序言：七十年代末，一起剝皮案震驚了整個(gè)濱河市昔瞧，隨后出現(xiàn)的幾起案子指蚁，更是在濱河造成了極大的恐慌，老刑警劉巖自晰，帶你破解...
沈念sama閱讀 217,826評論 6贊 506
死咒
序言：濱河連續(xù)發(fā)生了三起死亡事件凝化，死亡現(xiàn)場離奇詭異，居然都是意外死亡酬荞，警方通過查閱死者的電腦和手機(jī)搓劫，發(fā)現(xiàn)死者居然都...
沈念sama閱讀 92,968評論 3贊 395
救了他兩次的神仙讓他今天三更去死
文/潘曉璐我一進(jìn)店門，熙熙樓的掌柜王于貴愁眉苦臉地迎上來混巧，“玉大人枪向，你說我怎么就攤上這事∵值常” “怎么了秘蛔？”我有些...
開封第一講書人閱讀 164,234評論 0贊 354
道士緝兇錄：失蹤的賣姜人
文/不壞的土叔我叫張陵，是天一觀的道長傍衡。經(jīng)常有香客問我深员，道長，這世上最難降的妖魔是什么聪舒？我笑而不...
開封第一講書人閱讀 58,562評論 1贊 293
?港島之戀（遺憾婚禮）
正文為了忘掉前任辨液，我火速辦了婚禮，結(jié)果婚禮上箱残，老公的妹妹穿的比我還像新娘滔迈。我一直安慰自己，他們只是感情好被辑，可當(dāng)我...
茶點(diǎn)故事閱讀 67,611評論 6贊 392
惡毒庶女頂嫁案：這布局不是一般人想出來的
文/花漫我一把揭開白布燎悍。她就那樣靜靜地躺著，像睡著了一般盼理。火紅的嫁衣襯著肌膚如雪谈山。梳的紋絲不亂的頭發(fā)上，一...
開封第一講書人閱讀 51,482評論 1贊 302
城市分裂傳說
那天宏怔，我揣著相機(jī)與錄音奏路，去河邊找鬼畴椰。笑死，一個(gè)胖子當(dāng)著我的面吹牛鸽粉，可吹牛的內(nèi)容都是我干的斜脂。我是一名探鬼主播，決...
沈念sama閱讀 40,271評論 3贊 418
雙鴛鴦連環(huán)套：你想象不到人心有多黑
文/蒼蘭香墨我猛地睜開眼触机，長吁一口氣：“原來是場噩夢啊……” “哼帚戳！你這毒婦竟也來了？” 一聲冷哼從身側(cè)響起儡首，我...
開封第一講書人閱讀 39,166評論 0贊 276
萬榮殺人案實(shí)錄
序言：老撾萬榮一對情侶失蹤片任，失蹤者是張志新（化名）和其女友劉穎，沒想到半個(gè)月后蔬胯，有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體对供，經(jīng)...
沈念sama閱讀 45,608評論 1贊 314
?護(hù)林員之死
正文獨(dú)居荒郊野嶺守林人離奇死亡，尸身上長有42處帶血的膿包…… 初始之章·張勛以下內(nèi)容為張勛視角年9月15日...
茶點(diǎn)故事閱讀 37,814評論 3贊 336
?白月光啟示錄
正文我和宋清朗相戀三年氛濒，在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了犁钟。大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
茶點(diǎn)故事閱讀 39,926評論 1贊 348
活死人
序言：一個(gè)原本活蹦亂跳的男人離奇死亡泼橘，死狀恐怖，靈堂內(nèi)的尸體忽然破棺而出迈勋，到底是詐尸還是另有隱情炬灭，我是刑警寧澤，帶...
沈念sama閱讀 35,644評論 5贊 346
?日本核電站爆炸內(nèi)幕
正文年R本政府宣布靡菇，位于F島的核電站重归，受9級特大地震影響，放射性物質(zhì)發(fā)生泄漏厦凤。R本人自食惡果不足惜鼻吮，卻給世界環(huán)境...
茶點(diǎn)故事閱讀 41,249評論 3贊 329
男人毒藥：我在死后第九天來索命
文/蒙蒙一、第九天我趴在偏房一處隱蔽的房頂上張望较鼓。院中可真熱鬧椎木，春花似錦、人聲如沸博烂。這莊子的主人今日做“春日...
開封第一講書人閱讀 31,866評論 0贊 22
一樁弒父案，背后竟有這般陰謀
文/蒼蘭香墨我抬頭看了看天上的太陽禽篱。三九已至畜伐，卻和暖如春，著一層夾襖步出監(jiān)牢的瞬間躺率，已是汗流浹背玛界。一陣腳步聲響...
開封第一講書人閱讀 32,991評論 1贊 269
情欲美人皮
我被黑心中介騙來泰國打工万矾，沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留，地道東北人慎框。一個(gè)月前我還...
沈念sama閱讀 48,063評論 3贊 370
代替公主和親
正文我出身青樓良狈，卻偏偏與公主長得像，于是被迫代替她去往敵國和親鲤脏。傳聞我的和親對象是個(gè)殘疾皇子们颜，可洞房花燭夜當(dāng)晚...
茶點(diǎn)故事閱讀 44,871評論 2贊 354