排行榜書名號（書名號 直排）

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于排行榜書名號的問題，以下是小編對此問題的歸納整理，讓我們一起來看看吧。

開始之前先推薦一個非常厲害的Ai人工智能工具，一鍵生成原創(chuàng)文章、方案、文案、工作計劃、工作報告、論文、代碼、作文、做題和對話答疑等等

只需要輸入關(guān)鍵詞，就能返回你想要的內(nèi)容，越精準，寫出的就越詳細，有微信小程序端、在線網(wǎng)頁版、PC客戶端

官網(wǎng)：https://ai.de1919.com，如需相關(guān)業(yè)務(wù)請撥打電話175-8598-2043，或添加微信：1454722008

本文目錄:

• 1、九鍵的公怎么打

• 2、求歷屆快樂女聲、男聲排名

• 3、簡書用戶畫像 之 如何挖掘用戶的電影喜好

• 4、現(xiàn)在最流行的歌曲都有哪些？

一、九鍵的公怎么打

九鍵怎么打您好!親 1、首先點擊輸入框調(diào)出鍵盤，在彈出的鍵盤上邊選擇鍵盤小圖標，然后選擇拼音九宮格。2、練習打字，以你們好為例。在拼音鍵左側(cè)是精確的拼音，如果顯示的不是我們需要的字，可選擇正確的拼音?！澳恪笔怯衝i拼音，所以按拼音順序，點擊46?！皞儭笔怯衜en拼音，所以按拼音順序，點擊636?！昂谩弊质怯衕ao拼音，按拼音順序點擊42。3、現(xiàn)在可以看到鍵盤上方準確的出現(xiàn)在鍵盤上方，點擊這三個文字，就準確完成了輸入。4、如果聯(lián)想出來的文字不是需要的文字，可以點擊文字右側(cè)向右書名號按鈕。5、可以看到有很多字可以選擇。6、點擊鍵盤左下角的符字按鈕，可以打開符號鍵盤，有常用到序號共九種可以選擇。7、點擊左下角的返回可返回九宮格鍵盤。按鈕“123”可以打開數(shù)字鍵盤，123右側(cè)的按鈕為空格鍵，中/英為中文英文切換。



問題還沒解決？快來咨詢專業(yè)答主~

九鍵怎么打

在線

2663位答主在線答

服務(wù)保障

專業(yè)

響應(yīng)快

馬上提問

40345人對答主服務(wù)作出評價

回答切中要害老師態(tài)度很好回答專業(yè)迅速回答很耐心認真大平臺保障，服務(wù)好回答切中要害老師態(tài)度很好回答專業(yè)迅速回答很耐心認真大平臺保障，服務(wù)好

搶首贊

分享評論

鍵盤小鍵盤-京東電腦辦公排行榜，趕快了解一下!



萌可兒 mini迷你小鍵盤數(shù)字鍵盤筆記本外接鍵盤財務(wù)會計辦公專用女生可愛2.4G無線接收器 黑紅混彩

￥79.9 元



萌可兒 mini迷你小鍵盤數(shù)字鍵盤筆記本外接鍵盤財務(wù)會計辦公專用女生可愛2.4G無線接收器 藍色混彩

￥79.9 元



萌可兒 mini迷你小鍵盤數(shù)字鍵盤筆記本外接鍵盤財務(wù)會計辦公專用女生可愛2.4G無線接收器 綠色混彩

￥79.9 元



萌可兒 mini迷你小鍵盤數(shù)字鍵盤筆記本外接鍵盤財務(wù)會計辦公專用女生可愛2.4G無線接收器 檸檬黃混彩

￥79.9 元



USB小鍵盤2鍵復(fù)制粘貼ctrl一鍵密碼多組合鍵自定義快捷鍵osu音游改鍵JEQLO 黑色 紅軸

￥52 元

京東廣告

10大鍵盤排行榜-京東電腦辦公，十大性價比排行榜，鉅惠送不停!



櫻桃（CHERRY）STREAM有線鍵盤輕音辦公商務(wù)家用磨砂質(zhì)感十大功能按鍵鍵盤黑色

￥189 元



櫻桃（CHERRY）STREAM有線鍵盤輕音辦公商務(wù)家用磨砂質(zhì)感十大功能按鍵鍵盤黑色

￥199 元



櫻桃（CHERRY）STREAM有線鍵盤輕音辦公商務(wù)家用磨砂質(zhì)感十大功能按鍵鍵盤白色

￥189 元



櫻桃（CHERRY）STREAM有線鍵盤輕音辦公商務(wù)家用磨砂質(zhì)感十大功能鍵盤白色

￥199 元



悅磁 真機械鍵盤104鍵吃雞電競游戲朋克筆記本臺式電腦通用辦公打字有線發(fā)光背光LOL鍵盤鼠標鍵鼠套裝 黑色混光黑軸-旋鈕朋克版【二十種燈效 電鍍圓鍵】

￥149 元

京東廣告

九鍵怎么打



生活老師小貝

服務(wù)態(tài)度好

您好親親，1、首先點擊輸入框調(diào)出鍵盤，在彈出的鍵盤上邊選擇鍵盤小圖標，然后選擇拼音九宮格。2、練習打字，以你們好為例。在拼音鍵左側(cè)是精確的拼音，如果顯示的不是我們需要的字，可選擇正確的拼音。3、現(xiàn)在可以看到鍵盤上方準確的出現(xiàn)在鍵盤上方，點擊這三個文字，就準確完成了輸入。4、如果聯(lián)想出來的文字不是需要的文字，可以點擊文字右側(cè)向右書名號按鈕。5、可以看到有很多字可以選擇。6、點擊鍵盤左下角的符字按鈕，可以打開符號鍵盤，有常用到序號共九種可以選擇。7、點擊左下角的返回可返回九宮格鍵盤。按鈕“123”可以打開數(shù)字鍵盤，123右側(cè)的按鈕為空格鍵，中/英為中文英文切換。

二、求歷屆快樂女聲、男聲排名

1、2004年超級女聲：冠軍：安又琪，亞軍：王緹，季軍：張含韻。

2、2005年超級女聲：冠軍：李宇春，亞軍：周筆暢，季軍：張靚穎。

3、2006年超級女聲：冠軍：尚雯婕，亞軍：譚維維，季軍：劉力揚。

4、2007年快樂男聲：冠軍：陳楚生，亞軍：蘇醒，季軍：魏晨。

5、2009年快樂女聲：冠軍：江映蓉，亞軍：李霄云，季軍：黃英。

6、2010年快樂男聲：冠軍：李煒；亞軍：劉心；季軍：武藝。

7、2011年快樂女聲：冠軍：段林希，亞軍：洪辰，季軍：劉忻。

8、2013年快樂男聲：冠軍：華晨宇，亞軍：歐豪，季軍：白舉綱。 

9、2016年超級女聲：冠軍：史兆怡，亞軍：方圓，季軍：張曉鈺。

10、2017年快樂男聲：冠軍：魏巡，亞軍：養(yǎng)雞，季軍：尹毓恪。

擴展資料：

相關(guān)冠軍人物介紹：

1、安又琪

安又琪，中國內(nèi)地流行樂女歌手、影視演員，畢業(yè)于北京電影學(xué)院。代表作品：《你好，周杰倫》、《有你陪著我》、《談情說愛》、《因瞰朵》、《Miss安》、《大愛Crazy Love》等。

2、李宇春

李宇春，中國流行女歌手、演員、詞曲創(chuàng)作人、演唱會導(dǎo)演。代表作品：《下個路口見》、《和你一樣》、《再不瘋狂我們就老了》、《野蠻生長》等。

3、尚雯婕

尚雯婕，中國內(nèi)地女歌手、演員、音樂人。代表作品：《最終信仰》、《Big up》 、《鹿 be free》、《single boy》等。

三、簡書用戶畫像 之 如何挖掘用戶的電影喜好

我在 《爬取百萬頁面 分析用戶畫像》 中分析了用戶的書籍喜好，這里繼續(xù)嘗試通過影評文章的抓取、內(nèi)容清洗、影評句子提取，建立機器學(xué)習情緒預(yù)測模型，挖掘分析用戶對流行電影的喜好。

涉及的NLP（自然語言處理）知識點：

涉及的ML（機器學(xué)習）知識點：

電影的拍攝成本高、票價也不低，消費者投入的關(guān)注度和觀看成本高（最終的投入成本是包括注意力投入、金錢投入、時間投入和感情投入）。

簡單算下觀看一部電影的成本（步驟）：先看下預(yù)告內(nèi)容，做下同期上映電影的比較，覺得導(dǎo)演、演員陣容都不錯，下定決心要看了，跟男／女友／老婆 ／老公／基友／閨密做推薦，推薦成功后去選座買票，觀影當天說不定還得先吃個飯，飯后乖乖的在影院呆上90分鐘（關(guān)鍵時刻還得憋尿），觀影結(jié)束后指不定還得來個夜宵、開個房間探討下人生什么的。。。

讀一本書的成本（步驟）：1.打開書/電子閱讀器/手機；2. 讀！

這樣對比看一部電影比讀一本書的投入成本高多了！

因此觀眾給出的反饋自然也比書籍會強烈一些，特別是滿懷期待看完卻發(fā)現(xiàn)是一部爛片，有種上當受騙的感覺。

因此對電影光是通過詞頻作為喜好度是不夠的，用戶可能反復(fù)的在罵呢。

所以需要引入多一個分析的因子：情緒。用戶提及某個電影時的情緒是怎么樣的，是積極愉悅、還是負面憤怒，加上這個才能有效判定用戶對電影或者某個事物的喜好。

在豆瓣上，用戶的評分就是最直接的情緒數(shù)值：5力薦，4推薦，3還行，2較差，1很差。

但在這類寫作平臺上，發(fā)布文章時是沒有一個選項來填寫分數(shù)，也沒提供選擇心情的選項。

“所言即其所思”，這是普遍人性。每個用戶寫下的文字表達想法，在字里行間都會不經(jīng)意的使用一些情緒用詞來表達，這些便是我可以獲取的“原始數(shù)據(jù)”。

精準推薦！用戶談?wù)摰枚嗟臇|西未必是TA所喜愛的，也許是TA痛恨的（比如說前任）。如果用戶在自己大力差評某部電影的文章底部看到另一部相似爛片的推薦，推薦文案還寫著“親，我猜你還喜歡看這些”，估計這用戶會有種吃了蒼蠅剛吐出來發(fā)現(xiàn)迎面又飛來幾只的感覺。

通過用戶在討論某事物時上下文的情緒分析，來判斷對該事物的喜惡，將預(yù)測結(jié)果加入對事物的打分計算中，最后得出一個可量化、可計算的分數(shù)值，便是一個精準推薦系統(tǒng)的需要解決的問題。

理論上只需要一句話：要識別出文章中提及的電影，以及作者對該電影的評論，是好評還是差評，作為文章作者對該電影的喜惡，并根據(jù)評論的情緒強烈程度轉(zhuǎn)化為喜惡程度即可。

那實際上，就要解決以下問題：

下面逐一細說。

我采集了上幾個比較受歡迎的電影專題以及一個大V帳號文章（數(shù)據(jù)截止至采集數(shù)據(jù)時）：

但由于對專題頁面加了訪問限制，每個專題只能訪問到最新的200個列表頁面，因而每個專題可獲取2~3000篇文章，以此作為抽樣數(shù)據(jù)樣本。

要分析對電影的評價，首先就要獲取到文章中提到電影名稱有哪些，最簡單的匹配規(guī)則便是提取書名號 《》 內(nèi)的內(nèi)容。

而實際獲取到的電影名稱真可謂“臟亂差”，有電影名、書籍名、文章名等，有些電影名稱會用縮寫引用（如《變1》、《復(fù)聯(lián)》、《生化危機4/5/6》），或者中英文混合在一起（如《機器人總動員(wall-e)》），甚至還有錯漏別字（如《那些年，我們一起追過的女孩》，多了個“過”字），以及包含中英文特殊標點空白符號等，例如：

因此需要進行一輪“數(shù)據(jù)大清洗”，我使用如下清洗策略：

其中“電影專用詞典”，是通過采集了 「貓眼 影片總票房排行榜」 2000~2017年間上榜的所有電影，約有3000+部，如圖：

再根據(jù)文章中所收集到的電影名稱的候選文本，抓取「豆瓣網(wǎng)」的官方電影名字（遭遇了豆瓣業(yè)內(nèi)聞名的反爬策略就不多說了），合并去重后約有8400多部?？匆谎鄄虐l(fā)現(xiàn)好多電影連聽都沒聽過，有些電影名稱還挺有趣，以后有時間還可以做下電影名稱的分析。

為了解決錯別字，我通過文本相似性算法，在電影專用詞典里找出與之最相似名稱。

知名的相似算法有不少，如：

經(jīng)過簡單比較，我選擇了其中表現(xiàn)最好的 jaro_winkler_distance

運用到文章內(nèi)容上，可得到相似電影名稱，感覺效果還可以：

構(gòu)建一個Pipeline用于提取頁面中電影名稱，對單個頁面測試效果如下：

運用到所有頁面上：

至此完成了電影名稱的提取、清洗，得出每篇文章提及的電影名稱，如圖：

判斷一篇文章的情緒，最簡單的做法是通過提取所有情緒詞來統(tǒng)計下詞頻及其權(quán)重可得到一個粗糙的結(jié)果，但這樣的結(jié)果對“影評”類文章不是很準確。

根據(jù)觀察，一篇電影評論文章中，往往會有大段的電影情節(jié)描述，然后夾雜一兩句評論。而有些電影本身劇情就是比較負面、陰暗的（如災(zāi)難片類的），但影片本身質(zhì)量很高（如《釜山行》，豆瓣評分8.2），如果文章內(nèi)容包含大量的劇情描述，那么得到關(guān)鍵詞會偏向于負面情緒，并不能用于表達出作者對電影的喜好情緒。

因此我使用了這樣的提取策略：

評論句子提取的結(jié)果示例如下：

這樣的策略對有些內(nèi)容不是很適用，例如這樣的標題：《同樣是豆瓣9.2分，它或許比《摔跤吧！爸爸》更深》，這是典型的“借勢營銷”型文案，文章內(nèi)容中推介的是另外一部韓國電影《熔爐》，而時下《摔跤吧！爸爸》正熱，標題中帶上這個會更吸引用戶點擊。

另外一個思路是對文章進行摘要提取，然后對摘要進行情緒識別。而對于文章的主題提取，可以使用在ML算法中的用于解決 主題模型 問題的算法（如LDA），但不確定是否適合影評這種混合了大量劇情描述的文章內(nèi)容。

得到相關(guān)評論文本后，便可對文本進行分詞及情緒識別，這里有兩種做法，一是使用帶有情緒情感度的專業(yè)詞典，配合專有算法；另外一種是使用機器學(xué)習算法。

一開始我使用了大連理工大學(xué)的《大連理工情感詞匯本體庫》，是目前最權(quán)威的中文情緒詞典，共含有情感詞共計27466個，包含了詞語的詞性種類、情感類別、情感強度及極性等信息，例如：

中文情感詞匯本體的情感分類體系是在國外比較有影響的Ekman的6大類情感分類體系的基礎(chǔ)上構(gòu)建的。在Ekman的基礎(chǔ)上，詞匯本體加入情感類別“好”對褒義情感進行了更細致的劃分。最終詞匯本體中的情感共分為7大類21小類，如圖：

把情感詞典加入分詞詞典，對候選每個句子進行分詞，得出情感詞組，并累加每個情感詞的強度值作為句子的情感值。

但經(jīng)過測試后，發(fā)現(xiàn)預(yù)測效果并不理想，究其原因發(fā)現(xiàn)是情感詞典中命中的詞語太少，在句子中得不到相關(guān)詞語，也就無法判斷情感極性和強度。

使用情感詞典的測試結(jié)果：

而專業(yè)詞典的擴展需要專業(yè)領(lǐng)域知識，擴展起來很困難，我目前沒找到更新的專業(yè)詞典，國內(nèi)這塊的資料相當匱乏，而國外有個知名的SentiWordNet庫，中文NLP研究的難度系數(shù)可想而知。

鑒于情感詞典的資源限制，決定嘗試使用機器學(xué)習來對文本做正、負面情緒預(yù)測。

1). 構(gòu)建分詞詞典：

分詞需要構(gòu)建專用領(lǐng)域的詞典，這樣得到的分詞結(jié)果才會更精確。

因為只需要有正負情感類別、不需要有情感強度及極性等信息，我使用了網(wǎng)絡(luò)上公開的一些情感詞典，：

合并、清洗和去重后，最終構(gòu)建出了 14000+ 個詞的積極情緒詞典， 18000+ 個詞的消極情緒詞典。

積極詞典：

消極詞典：

2). 準備訓(xùn)練語料

從網(wǎng)上搜集到幾個帶有積極、消極的標注的評論語料數(shù)據(jù)集，分別包含了書籍、DVD、音樂、購物領(lǐng)域的各有4000條評論，如下圖：

可惜沒找到中文影評相關(guān)的語料，但找到 國外英文的影評語料 ，對，英文資料很豐富。。。

3). 訓(xùn)練模型

由于是文本型特征，分類算法上選擇了 樸素貝葉斯 ，把數(shù)據(jù)分為2份，一半訓(xùn)練，另一半做測試。

使用 jieba 分詞工具，對文本進行分詞得到候選詞組，把得到的詞組作為特征輸入來訓(xùn)練情緒預(yù)測模型。

訓(xùn)練后的模型測試結(jié)果如下：

訓(xùn)練后的模型在書籍、音樂、影碟及購物評論的語料上都有不錯的效果。

在提取出的影評短句上測試：

又是“無聊”、“又俗又傻”而一個“但”字就反轉(zhuǎn)了情緒，真是難為分類器了：

經(jīng)過反復(fù)對比實驗，發(fā)現(xiàn)語料的質(zhì)量決定了模型的精度，而語料的擴展對比擴展專業(yè)詞典卻容易多了。例如幾年前都沒有“ 因吹斯汀 ”這些網(wǎng)絡(luò)流行詞，更不知道它代表是正面情緒，以后只要不斷更新相關(guān)領(lǐng)域的語料庫來重新訓(xùn)練則可得到更精確的模型。

俗話說“是騾子是馬拉出來遛遛”。

得到一個預(yù)測情緒的模型后，便可對影評文章進行預(yù)測，但預(yù)測的結(jié)果是否準確？準確率又有多高？這又是個問題。

每當事情陷入停滯，我就會想起日本漫畫大師安達充說過“當故事情節(jié)發(fā)展不下去的時候，加入一個新角色，是最簡單的做法”。

這時需要祭出一個“旁證”了。這所謂的“旁證”，也就是目前大家比較認可的電影評分網(wǎng)站——豆瓣網(wǎng)。

大家都知道豆瓣網(wǎng)上的電影用戶通過打星（5力薦，4推薦，3還行，2較差，1很差），轉(zhuǎn)換得出的10分制的評分，我們可簡單把1 4.9分視作負面評價、5 10分視作正面評價，沒有分數(shù)的視作中性評價。再把豆瓣的評價結(jié)果視作大部分人認同的結(jié)果，當然這樣肯定是有偏差的。

大膽假設(shè)，小心求證，先試試看吧。

根據(jù)電影名詞典再次去抓取豆瓣網(wǎng)上的電影信息，這次包含了電影分數(shù)：：

使用獲取到的電影專題『電影院』文章內(nèi)容測試，結(jié)果如下：

1048篇中，豆瓣評分結(jié)果與模型預(yù)測符合的有974篇，準確率是92.9%，WOW！真的這么準嗎？

看下詳細結(jié)果，豆瓣評分是正面的有1022條，預(yù)測對了973篇，例如：

而豆瓣評分是負面的有28條記錄，而模型只預(yù)測出1篇是負面的：

真的是模型預(yù)測錯了嗎？

從負面例子中抽樣看看模型分解的結(jié)果：

評論《麻煩家族》（豆瓣評分4.8）的：

從自動摘要出來的句子來看，實際上文章作者表現(xiàn)出正面情緒，模型預(yù)測為正面，預(yù)測正確 😊。

再看評論同一部電影的另外一個文章的評論：

作者顯然是給了個差評，但模型給了出的預(yù)測是正面，預(yù)測錯誤 😞。

負例的預(yù)測準確率低，有兩個原因，一個是豆瓣評分正負標準的閥值設(shè)定不夠精準，二是訓(xùn)練數(shù)據(jù)不平衡。

之前使用的閥值策略是：“簡單把1 4分視作負面評價、5 10分視作正面評價，沒有分數(shù)的視作中性評價”。

我猜測在4~5分這個區(qū)間應(yīng)該是灰度地帶，正負面評論都會有。為了驗證這個猜想，使用獲取到的所有豆瓣電影分數(shù)，導(dǎo)入數(shù)據(jù)分析工具中，排除掉沒有分數(shù)的條目后得到6500+條電影數(shù)據(jù)，其中最低是2.1，最高是9.7。

查看評分分布的直方圖與比例餅圖：

調(diào)整區(qū)間閥值，把 2.1-4.9 劃分為一個區(qū)間，系統(tǒng)自動分成了3組分值：

發(fā)現(xiàn)5分以下電影僅占12%。

從評分分布結(jié)果看，在上大部分人寫文章是針對高分（好評）電影為主，低分（差評）電影的文章數(shù)量很少，從提取出來的數(shù)據(jù)量看，兩者比率約為100:3。

訓(xùn)練數(shù)據(jù)不平衡導(dǎo)致正例過擬合，而負例欠擬合。

要解決數(shù)據(jù)不平衡問題，可以重新采樣訓(xùn)練集。有兩種方法使不平衡的數(shù)據(jù)集來建立一個平衡的數(shù)據(jù)集——欠采樣和過采樣，解釋如下：

由于訓(xùn)練數(shù)據(jù)不多，我使用了 過采樣 中的自舉方案。我將另外一個的電影專題『影視天堂』中模型預(yù)測結(jié)果與豆瓣評分結(jié)果一致的內(nèi)容作為訓(xùn)練數(shù)據(jù)集來強化訓(xùn)練模型：

然后再對電影專題『電影院』測試一次：

負例的準確率改善了一些些，這說明效果是有的，以后只需繼續(xù)獲取到新的數(shù)據(jù)再“喂”給模型，模型預(yù)測結(jié)果會越來越精準。

至此，得到一個不算成熟的電影情緒預(yù)測模型，可以用來做一些有趣的統(tǒng)計分析了。

將『影視天堂』專題的分析結(jié)果在數(shù)據(jù)分析工具上進行數(shù)據(jù)可視化展示，得到一個「長尾圖」：

從報表中可得到這些信息：

注1：嚴格來說《歡樂頌》不是電影而是電視劇作品，在用豆瓣網(wǎng)的數(shù)據(jù)構(gòu)建電影詞典時我沒有做嚴格區(qū)分

注2：專題的數(shù)據(jù)獲取是在5月份完成的，以及專題的最新收錄文章有訪問限制，無法獲取到舊的文章，因此得到的當時熱門影視作品的影評，從而呈現(xiàn)出信息跟當時熱播作品比較相關(guān)　

再對先前獲取到的 1萬個用戶的近60萬篇文章內(nèi)容 ，運行相應(yīng)的Pipeline進行電影情緒數(shù)據(jù)的提取。

可視化數(shù)據(jù)后得到圖表：

現(xiàn)在可以看看，上用戶給予好評的電影有哪些，使用「詞云圖」展示如下：

用戶給予差評的電影有哪些：

現(xiàn)在也可以精準了解每一個用戶的電影口味了，以 『毒舌電影 - 』 為例子：

注3：本文發(fā)表時上“毒舌電影”經(jīng)歷過被封事件后已改名為“Sir電影”；專題“影視天堂”已改名為“電影”

以后做電影個性化推薦可就不要推薦錯了 😉。

四、現(xiàn)在最流行的歌曲都有哪些？

(都是精選精挑的好聽歌曲)

李玖哲《想太多》，《你好嗎》，《圍墻》，《退后》，《快點來愛我》

潘瑋柏《玩酷》，《愛不離》

周蕙《學(xué)會》

唐禹哲《最愛還是你》，《吻到一公里之外》,《愛我》

蘇打綠《無與倫比的美麗》

蔡景佑《我可以》

歷娜

灰色幸福

張惠妹《如果你也聽說》

張韶涵《不想懂得》

陶喆:《普通朋友》《自導(dǎo)自演的悲劇》《黑色柳丁》《寂寞的季節(jié)》

張靚穎:《個人秘密》

蔡依林/陶喆:《今天你要嫁給我》

F.I.R:《天天夜夜》

容祖兒:《愛情復(fù)興》

王心凌:《彩虹的微笑》

花兒樂隊:《我的果汁分你一半》

蔡依林:《乖乖牌》

蔡健雅:《Beautiful

Love》

古巨基:《愛得太遲》

何潔:《發(fā)光體》

陳綺貞《旅行的意義》

周筆暢《別愛我像愛個朋友》

周杰倫&溫嵐《屋頂》

五月天《溫柔》

TANK《給我你的愛》《三國戀》.

如果你也聽說

張惠妹

月牙灣

f.i.r

↑

玩酷

潘瑋柏

↑

G大調(diào)的悲傷

張靚穎

↓

酷愛

張敬軒

↓

新專輯《酷愛》

出神入化

飛輪海

↑

窮開心

花兒樂隊

↓

特務(wù)J

蔡依林

↑

蔡依林一貫的風格，熟悉的那段前奏

1

百度網(wǎng)友點評

愛的期限

薛之謙

純音樂

Kiss

The

Rain

神秘園之歌

天空之城

再見警察

卡農(nóng)

夏日香氣

迷情仙境

Tears

dream

catcher

被遺忘的天使

我在那一角落患過傷風

很流行的韓日歌曲

rain-sadtango

李孝利

TOC

TOC

TOC

李孝利

不要愛上他

所以

冰淇淋

MC夢

愛情過后

勁舞歌曲

30次左右

question

ha,yoo

sun

i

believe

勁舞歌曲

堅持

us

never

say

goodbye

u

superjunior

聽我說

papaya

不能遺忘你

tonight,i

feel

close

to

you

倉木麻衣&孫燕姿

我的人

sg

wannabe

試著說

WaWa

2年零2月

fod

一個人/兩個人/只有你

蔡妍

花樣

松隆子

Come

on/飛機

烏龜

relove

徐智英

最流行的英文歌：

I'm

Gonna

Getcha

Good!--Shania

Twain

<一定要聽這首哦>

Never

Had

A

Dream

Come

True--S

Club

7

最近開始聽這首歌的,太好聽了

Any

Man

Of

Mine--Shania

Twain

還有這個

My

name

is

--Emimem阿姆的經(jīng)典之作

Happy

Boys

&

Girls---Aqua

他\她們的歌很活潑

Barbie

Girl--Aqua

When

You

Say

Nothing

At

All--Alison

Krauss細心品味,我很喜歡這首歌的

Candy

Shop--50

Cent

相信很多人聽過吧

Back

to

you--Bryan

Adams

The

Power

Of

Love--Celine

Dion

yellow--coldplay

I

COULD

BE

THE

ONE--Donna

Lewis

聲音很甜

Without

Me--Eminem

又一首阿姆的經(jīng)典之作

Don't

Turn

Off

the

Light--Enrique

Iglesias

Any

one

Of

Us--Gareth

Gates

經(jīng)典

American

Idiot--Green

Day

朋克樂,我很喜歡

Boulevard

of

Broken

Dreams--Green

Day

Moonlight

Shadow

--Groove

Coverage

Yesterday

Yes

A

Day--Jane

Birkin

Because

You

Live--Jesse

McCartney

人又帥歌又好

When

You

Believe--Mariah-Carey

很多地方介紹這首經(jīng)典的

Nothing

gonna

chang

my

love

for

you

We

Will

Rock

You--Queen

搖滾中的經(jīng)典

better

man--Robbie

Williams

第一首:Stand

第二首:peerless

第三首:floorfiller

第四首:sosforlove(又名:愛情求救號)

第五首:hey-oh

第六首:OneForDaMoney

第七首:Ein

Kleines

Lied

第八首:la

isla

alizee

第九首:groove

coverage

第十首:LET'S

TALK

ABOUT

A

MAN

第十一首:Human

Sacrifice

第十二首:Wet

Wet

Wet

第十三首:

冰河時代2

第十四首:i

saw

you

walking

in

the

rain

第十五首:You`re

Not

Gonna

Score

第十六首:Self

Control

Laura

Bran

第十七首:doo

be

di

boy

第十八首:dreams

come

true

``

第十九首:I

Saw

You

Walking

In

The

Rain

``

第二十首:sound

of

my

dream

``

DJ舞曲：

TIME

TO

ROCK

舞曲大帝國

大爆炸

lalalove

Its　Ok

i'm

gonna

getcha

good

!

仙尼亞

唐恩

辛巴達

皇冠一刻鐘

AU堅持

ARE

YOU

DJ

talala

walking

in

the

sun

one

for

da

money

move

somethin

do

somethin

Close

to

You

Radio

Jay

Delano

DJ

Let

s

Talk

About

A

Man

La

Club

king

chipz

in

black

我敢保證一定很好聽，只選好聽的，不選多的，樓主聽下吧。好聽記得加分哦！謝謝

以上就是關(guān)于排行榜書名號相關(guān)問題的回答。希望能幫到你，如有更多相關(guān)問題，您也可以聯(lián)系我們的客服進行咨詢，客服也會為您講解更多精彩的知識和內(nèi)容。

推薦閱讀：

裝飾公司排行榜

菏澤美食排行榜（菏澤美食排行榜最新）

漢朝小說排行榜（漢朝小說排行榜前十名）

紅色在logo中的含義（紅色的logo有哪些）

草的排行榜（草品種大全）