知识图谱综述

最新推荐文章于 2022-09-28 15:01:04 发布
最新推荐文章于 2022-09-28 15:01:04 发布
阅读量4.2k 收藏 8
点赞数 1
分类专栏： 知识图谱
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/liangwqi/article/details/82225140
版权

随着计算资源的廉价和语料知识资源的积累，知识图谱在各大企业逐步开始尝试使用。本文结合王昊奋和漆桂林老师的知识图谱课件以及复旦知识工厂课件，尝试对知识图谱做个综述。

目录

知识图谱与语义技术概述

语义网典型知识库项目简介

cyc：常识库

Wordnet：词性消歧词库

conceptnet：常识知识库

freebase：

Wikidata：

Dbpedia：

Yago：

Babelnet：

Nell：

微软 Concept Graph：

知识图谱相关技术简介

知识表示

知识抽取

​ 知识抽取的主要方法：

知识存储

知识融合

知识推理

 

基于描述逻辑的推理: 本体推理

基于统计规则挖掘的推理

•基于关联规则挖掘方法 (AMIE)

基于表示学习的推理-Representational Learning

知识众包

知识搜索

知识问答

知识图谱例子

知识图谱与语义技术概述

web：以链接为中心的系统，以“链接”为中心的系统，在开放的互联网环境里面更加容易生长和扩长。语义网：从链接文本到链接数据web of Texts,web of documents –web of objects,web of data,web of things.事物之间有多种类型的连接，

Web视角 像建立文本之间的超链接一样,建立数据之间的语义链接,并支持语义搜索

NLP视角 怎样从文本中抽取语义和结构化数据

KR视角 怎样利用计算机符号来表示和处理知识

AI视角 怎样利用知识库来辅助理解人的语言

DB视角 用图的方式去存储知识

语义网典型知识库项目简介

cyc：常识库

Cyc是在1984年由Douglas Lenat开始创建。最初的目标是要建立人类最大的常识知识库。典型的常识知识如“Every tree is a plant” ,“Plants die eventually”等

 Cyc知识库主要由术语Terms和断言Assertions组成。Terms包含概念、关系和实体的定义。Assertions用来建立Terms之间的关系,这既包括事实Fact描述,也包含规则Rule的描述

 最新的Cyc知识库包含有50万条Terms和700万条Assertions。 Cyc的主要特点是基于形式化的知识表示方法来刻画知识。形式化的优势是可以支持复杂的推理。但过于形式化也导致知识库的扩展性和应用

的灵活性不够。Cyc提供开放版本OpenCyc

Wordnet：词性消歧词库

WordNet是最著名的词典知识库,主要用于词义消歧。WordNet由普林斯顿大学认识科学实验室从1985年开始开发

 WordNet主要定义了名词、动词、形容词和副词之间的语义关系。例如名词之间的上下位关系(如:“猫科动物”是“猫”的上位词),

动词之间的蕴含关系(如:“打鼾”蕴含着“睡眠”)等

 WordNet3.0已经包含超过15万个词和20万个语义关系

conceptnet：常识知识库

ConceptNet 是 常 识 知 识 库 。 最 早 源 于 MIT 媒 体 实 验 室 的 Open Mind Common Sense (OMCS)项目。OMCS项目是由著名人工智能专家Marvin Minsky于1999年建议创立

ConceptNet主要依靠互联网众包、专家创建和游戏三种方法来构建。新版本导入大量开放的结构化数据,如DBPedia、Wikinary,Wordnet等

ConceptNet知识库以三元组形式的关系型知识构成。ConceptNet5版本已经包含有2800万关系描述。与Cyc相比,ConceptNet采用了非形式化、更加接近自然语言的描述,而不是像Cyc那样采用形式化的谓词逻辑

与链接数据和谷歌知识图谱相比,ConceptNet比较侧重于词与词之间的关 系 。 从 这 个 角 度 看 , ConceptNet 更 加 接 近 于 WordNet , 但 是 又 比WordNet包含的关系类型多。此外,ConceptNet完全免费开放,并支持多种语言

freebase：

Freebase 是一个由元数据组成的大型合作知识库，内容主要来自其社区成员的贡献。它整合了许多网上的资源，包括部分私人wiki站点中的内容。Freebase 致力于打造一个允许全球所有人（和机器）快捷访问的资源库。它由美国软件公司Metaweb开发并于2007年3月公开运营。2010年7月16日被谷歌收购。 2014年12月16日，Google宣布将在六个月后关闭 Freebase ，并将全部数据迁移至 Wikidata 。

Wikidata：

Wikidata 是一个可协同编辑的知识库，是继2006年的维基学院之后，第一个新的维基媒体基金会项目。这一项目与维基共享资源的工作方式类似，将为其他维基计划及各语种维基百科中的信息框、列表及跨语言链接等提供统一存放的数据，该项目在2012年10月30日投入使用。

Dbpedia：

DBPedia是早期的语义网项目。DBPedia意指数据库版本的Wikipedia,是从Wikipedia抽取出来的链接数据集。DBPedia

采用了一个较为严格的本体,包含人、地点、音乐、电影、组织机构、物种、疾病等类定义

 此外,DBPedia还与Freebase,OpenCYC、Bio2RDF等多个数据集建立了数据链接。DBPedia采用RDF语义数据模型,总共

包含30亿RDF三元组

Yago：

 YAGO是由德国马普研究所研制的链接数据库。YAGO主要集成了Wikipedia、WordNet和GeoNames三个来源的数据。

YAGO将WordNet的词汇定义与Wikipedia的分类体系进行了融合集成,使得YAGO具有更加丰富的实体分类体系

 YAGO还考虑了时间和空间知识,为很多知识条目增加了时间和空间维度的属性描述。目前,YAGO包含1.2亿条三元组知识。YAGO是IBM Watson的后端知识库之一

Babelnet：

 BabelNet是类似于WordNet的多语言词典知识库。BabelNet的目标是解决WordNet在非英语语种中数据缺乏的问题。BabelNet采用的方法是将WordNet词典与Wikipedia百科集成

 首先建立WordNet中的词与Wikipedia的页面标题的映射,然后利用Wikipedia中的多语言链接,再辅以机器翻译技术,来给WordNet增加多种语言的词汇

 BabelNet3.7包含了271种语言,1400万同义词组,36.4万词语关系和3.8亿从Wikipedia中抽取的链接关系,总计超过19亿RDF三元组。 BabelNet集成了WordNet在词语关系上的优势和Wikipedia在多语言语料方面的优势,构建成功了目前最大规模的多语言词典知识库。

Nell：

 NELL(Never-Ending Language Learner) 是卡内基梅隆大学开发的知识库。NELL主要采用互联网挖掘的方法从Web自动抽取

三元组知识

 NELL的基本理念是:给定一个初始的本体(少量类和关系的定义)和少量样本,让机器能够通过自学习的方式不断的从Web学习和抽取新的知识。目前NELL已经抽取了400多万条高置信度三元组知识

微软 Concept Graph：

 Concept Graph是以概念层次体系为中心的知识图谱。与Freebase等知识图谱不同,Concept Graph以概念定义和概念之间的IsA关系为主

 给定一个概念如“Microsoft”,Concept Graph返回一组与“微软”有IsA 关 系 概 念 组 , 如 : “ Company ” , “ Software Company ” ,

“Largest OS Vender”等。这被称为概念化“Conceptualization”

 Concept Graph可以用于短文本理解和语义消歧中。例如,给定一个短文本“the engineer is eating the apple”,可以利用Concept Graph来正确理解其中“apple”的含义是“吃的苹果”还是“苹果公司”。微软发布的第一个版本包含超过540万的概念,1255万的实体,和8760万的关系。Concept Graph主要通过从互联网和网络日志中挖掘来构建cnSchema: 开放的中文知识图谱Schema

 cnSchema.org是一个基于社区维护的开放的知识图谱Schema标准。cnSchema分类(classes)、数据类型(data type)的词汇集包括了上千种概念pes)、属性(propertities)和关系(relations)等常用概念定义,以支持知识图谱数据的通用性、复用性和流动性

 结合中文的特点,我们复用、连接并扩展了Schema.org,Wikidata, Wikipedia等已有的知识图谱Schema标准,为中文领域的开放知

识图谱、聊天机器人、搜索引擎优化等提供可供参考和扩展的数据描述和接口定义标准

知识图谱相关技术简介

知识表示

知识图谱的分布式表示：在保留语义的同时,将知识图谱中的实体和关系映射到连续的稠密的低维向量空间

 

知识抽取

 

知识抽取的主要方法：

知识工程

 正则表达式

 模板匹配

BootStrap: 从种子数据中识别Patterns,用于抽取更多数据,提取更多Patterns

 规则约束

POS、NER约束、距离约束等

基于本体的抽取

 知识挖掘 (推理)

PRA 基于图的抽取

TransE系列 基于Embedding的抽取

基于模型的抽取

 模型

SVM, Logistic Model

条件随机场 (CRF)

LSTM等循环神经网络

 训练

有监督学习

无监督聚类

远程监督 (Distant Supervision),从已有知识库获取少量训练数据

 

知识存储

 知识比数据的结构更加复杂,知识的存储需要综合考虑图的特点、复杂的知识结构存储、索引和查询 (支持推理)的优化等问题

 典型的知识存储引擎分为基于关系数据库的存储和基于原生图的存储

 在实践中,多为混合存储结构,图存储并非必须

 

知识融合

 其它相关叫法:Record Linkage,Entity Resolution,Data Linking,Knowledge Fusion,Entity Alignment......

 都是指在不同数据集中找出同一个实体的描述记录,主要目的是对不同数据源中的实体信息进行整合,形成更加全面的实体信息

 Dedupe, 基于Python的工具包,实现了包括fuzzy matching, deduplication, entity resolution在内的常见任务。主要处理流程是先对所有records通过Clustering/Blocking的方法进行分组,然后在组内部通过计算相似度特征和机器学习分类模型对任一一对records进行预测是否为同一实体。

 适合于两个数据集有相似的结构,如果两个数据集的实体属性个数差异很大,不建议采用。

 

 Limes: A Time-Efficient Approach forLarge-Scale Link Discovery on theWeb of Data. IJCAI2013

 专门针对链接数据Linked Data设计的链接框架,不要求两个数据集的实体具有相似的结构

 可灵活配置匹配规则,自定义距离计 算 模 型 , 也 支 持 基 于 Active Learning的机器学习方法

 

知识推理

简单而言,推理是指基于已知事实推出未知的事实的计算过程。

按解决方法分类: 按推理类型分类:

1基于描述逻辑的推理 1缺省推理 Default reasoning

2基于规则挖掘的推理 2连续变化推理 Continuous Change

3基于概率逻辑的推理 3空间推理 Spatial reasoning

4基于表示学习与神经网络的推理 4因果关系推理 Causality reasoning

5…

 

基于描述逻辑的推理: 本体推理

 描述逻辑(description logic)是一种用于知识表示的逻辑语言和以其

为对象的推理方法,主要用于描述概念分类及其概念之间的关系。

描述逻辑是当前语义网发展中本体的理论基础。

 主要方法:

 基于表运算(Tableaux)及改进的方法:FaCT++、Racer、 Pellet Hermit等

 基于一阶查询重写的方法(Ontology based data access,基于本体的数

据访问)

 基于产生式规则的算法(如rete):Jena 、Sesame、OWLIM等

 基于Datalog转换的方法如KAON、RDFox等。

 回答集程序 Answer set programming

 

基于统计规则挖掘的推理

主要方法 :

•基于路径排序学习方法 (PRA,Path ranking

Algorithm)

•基于关联规则挖掘方法 (AMIE)

基于表示学习的推理-Representational Learning

Representation Learning

•将实体和关系都表示为向量

•通过向量之间的计算代替图的遍历和搜索来预测三元组的存在,由于向量的表示已经包含了实体原有的语义信息,计算含有一定的推理能力。

•可应用于链接预测,基于路径的多度查询等。

知识众包

知识搜索

知识问答

 

知识图谱例子

远洋之帆
关注
  • 1
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
NELL-995 知识图谱 数据集
03-28
Format of the dataset raw.kb: the raw kb data from NELL system kb_env_rl.txt: we add inverse triples of all triples in raw.kb, this file is used as the KG for reasoning entity2vec.bern/relation2vec.bern: transE embeddings to represent out RL states, can be trained using TransX implementations by thunlp tasks/: each task is a particular reasoning relation tasks/${relation}/*.vec: trained TransH Embeddings tasks/${relation}/*.vec_D: trained TransD Embeddings tasks/${relation}/*.bern: trained TransR Embedding trained tasks/${relation}/*.unif: trained TransE Embeddings tasks/${relation}/transX: triples used to train the KB embeddings tasks/${relation}/train.pairs: train triples in the PRA format tasks/${relation}/test.pairs: test triples in the PRA format tasks/${relation}/path_to_use.txt: reasoning paths found the RL agent tasks/${relation}/path_stats.txt: path frequency of randomised BFS
psl-er-product
05-13
知识图推理 问题 在此示例中，我们尝试根据嘈杂的事实和本体构建知识图。 数据集 该数据集最初来自CMU的永无止境的语言学习（NELL）项目。 NELL是一个大型知识图，试图从Internet上的自然语言中提取事实。 该数据是Nell的一些原始提取器的输出（在将其添加到知识图之前）。 起源 该示例是Pujara等人的论文之一的简化​​版本：“知识图识别”： @conference {pujara:iswc13, title = {Knowledge Graph Identification}, booktitle = {International Semantic Web Conference (ISWC)}, year = {2013}, note = {Winner of Best Student Paper award}, author = {Pujara, Ja
知识图谱01：知识图谱的定义
大雄没有叮当猫的博客
10-05 5036
公众号：数据挖掘与机器学习笔记 知识图谱(knowledge graph)是以图的形式表现客观世界中的实体(概念、人、事物)及其之间的关系的知识库。2012年，谷歌提出了知识图谱的概念，自此，知识图谱得到了广泛的关注和应用研究，现已发展成为语义搜索、智能问答、决策支持等智能服务的基础技术一。 知识图谱是以图的形式表现客观世界中的实体(概念)及其之间关系的知识库. 知识图谱的研究起源 于语义Web. 在2000年的XML大会上, Tim Berners Lee提出了语义Web的理念, 目标是为Web网页添加语
知识图谱之NELL数据集简介
qq_42397330的博客
12-21 6096
1 NELL数据集简介 来源：NELL 1.1 目录结构 train_tasks.json dev_tasks.json test_tasks.json ent2ids relation2ids path_graph e1rel_e2.json rel2candidates.json 1.2 对应文件的解释 训练集：每个关系所在的三元组的数量在50到500之间 51个关系 验证集：每个关系所在的三元组的数量在50到500之间 5个关系 测试集：每个关系所在的三元组的数量在50到500之
知识图谱（knowledge graph）——概述
bobobe的专栏
04-10 4139
知识图谱总结概念技术链概括通用知识图谱和垂直领域知识图谱国内外开放知识图谱技术链详解知识获取知识融合知识表示知识推理功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图...
论文阅读记录 DeepPath: A Reinforcement Learning Method for Knowledge Graph Reasoning(强化学习+知识图谱+路径推理)
qq_21366993的博客
09-28 2146
论文阅读记录：该论文首次使用了强化学习来进行知识图谱路径推理，介绍了论文的大概思路以及数据集情况
ConceptNet概述
qq_40260529的博客
11-29 6852
ConceptNet的作用是提供一个足够大的、免费的知识图，重点关注自然语言中使用的单词（非命名实体）的常识意义。这种对单词的关注使得它特别符合将单词的意思表示为向量的思想。
从零学习知识图谱——04（常见知识库及知识图谱的知识表示方法 ）
weixin_43924162的博客
10-05 1952
知识库 Cyc Cyc 是持续时间最久，影响范围较广，争议也较多的知识库项目。Cyc 知识库的知识表示框架主要由术语 Terms 和断言 Assertions 组成。Terms 包含概念、关系和实体的定义。Assertions 用来建立 Terms 之间的关系，这既包括事实 Fact 描述，也包含规则 Rule 的描述。最新的 Cyc 知识库已经包含有 50 万条 Terms 和700 万条 Assertions。 Cyc 的主要特点是基于形式化的知识表示方法来刻画知识。形式化的优势是可以支持复杂的推理。
A Comprehensive Survey on Graph Neural Networks 2019 ——图神经网络综述
weixin_43153762的博客
06-19 627
论文地址：https://arxiv.org/pdf/1901.00596.pdf 摘要 深度学习近年来彻底改变了许多机器学习任务，从图像分类和视频处理到语音识别和自然语言理解。这些任务中的数据通常表示在欧几里德空间中。然而，越来越多的应用程序从非欧几里德域生成数据，并表示为具有复杂关系和对象之间相互依赖性的图。图数据的复杂性给现有的机器学习算法带来了重大挑战。 ...
【知识图谱】知识图谱概论
盛夏光年
08-19 1219
文章目录一、知识图谱与语义技术概述应用二、典型知识图谱三、知识图谱技术概览1、技术体系2、知识表示（1）RDF：Triple-based Assertion model（2）RDF Graph：Directed Labeled Graph（3）RDFS：Simple Vocabulary and Schema（4）RDF的序列化格式（5）OWL：Web Ontology Language3、知识存...
语义网络ConceptNet.zip
07-16
ConceptNet是一个语义网络，其中包含了大量计算机应该了解的关于这个世界的信息，这些信息有助于计算机做更好的搜索、回答问题以及理解人类的意图。它由一些代表概念的结点构成，这些概念以自然语言的单词或者短语形式表达，并且其中标示了这些概念的关系。ConceptNet5是一个开源项目，其使用GPLv3协议进行开源   标签：ConceptNet
引文索引数据 nell_data.tar.gz
01-14
引文索引数据 nell_data.tar.gz ，包括很多引文索引文件，做引文分析时所用的数据
清华大学-科技知识图谱数据集
12-17
43清华大学-科技知识图谱数据集 数据集 SciKG是一个以科研为中心的大规模知识图谱，目前包含计算机科学领域，由概念、专家和论文组成。其中，科技概念及其关系是从ACM计算分类系统中提取出来的，并辅以每个概念的定义（大多数来自维基百科）。http://unopencity.com/project/data-list?sec_cate=text-classifier&fir_cate=nlp
知识图谱综述—中文版
12-25
了解知识图谱 • 知识图谱定义为 G = {E,R,F}，其中 E、R、F分别是实体、关系和事实的集合。事实可以被表示为一个三元组 (h,r,t) ∈ F。三元组 (h,r,t)可以描述为主谓宾(实体，关系，实体)。知识图谱补全的任务是...
知识图谱综述2020.pdf
03-20
知识图谱综述2020.pdf
最全知识图谱综述:概念以及构建技术
01-27
本文来自csdn，本文主要通过介绍了关于知识图谱的技术全面综述，涵盖基本定义与架构、代表性知识图谱库、构建技术、开源库和典型应用【导读】知识图谱技术是人工智能技术的组成部分，其强大的语义处理和互联组织能力...
知识图谱综述研究进展
01-01
介绍了知识图谱的最新进展，总结了主要挑战和可能的解决方案，并展望了研究方向和应用前景，是非常好的学习资源，无论是对学习者还是研究者都会有很大启发
知识图谱的经典知识库总结
weiyaner的博客
11-15 4267
文章目录1 早期的知识库项目1、Cyc2、WordNet3、ConceptNet2 互联网时代的知识图谱1 Freebase2 DBpedia3 Schema.org4 Wikidata5 BabeINet6 NELL(Never-Ending Language Lcamer)7 Yago8 Microsoft ConceptGraph9 LOD3 中文开放知识图谱4 垂直领域的知识图谱 自人工智能概念提出依以来，构建大规模的知识库一直都是AI,NLP领域的核心任务之一。下面分别介绍早期的知识库项目、互联网
知识图谱综述 2019 icdm
最新发布
07-17
### 回答1： 知识图谱（Knowledge Graph）是一种用于表示和存储大规模结构化和半结构化数据的图形数据库。它将实体、关系和属性组织在一张图中，并通过丰富的语义关系连接起来。知识图谱的构建和使用已经在各个领域中得到了广泛的应用。 2019年的ICDM（International Conference on Data Mining）上，关于知识图谱的研究和应用有许多重要的进展和综述。这些综述主要涉及以下几个方面： 1. 知识图谱构建方法：综述中介绍了多种知识图谱构建方法，包括基于文本挖掘的方法、基于结构化数据的方法和基于众包的方法等。这些方法能够从不同的数据源中提取实体、关系和属性，并将其组织成一个完整的知识图谱。 2. 知识图谱表示学习：综述中介绍了知识图谱表示学习的方法，包括传统的基于矩阵分解的方法和最新的基于深度学习的方法。这些方法能够将知识图谱中的实体和关系映射到低维向量空间中，以便进行后续的数据分析和推理。 3. 知识图谱应用：综述还介绍了知识图谱在不同领域中的应用，例如自然语言处理、推荐系统和智能问答等。这些应用能够从知识图谱中获取更丰富的信息，并对用户的需求进行更准确的响应。 总的来说，知识图谱综述2019 ICDM反映了知识图谱领域的最新研究和发展趋势。通过了解和应用这些研究成果，我们可以更好地利用知识图谱来解决实际问题，推动人工智能和大数据的发展。 ### 回答2： 知识图谱是一个用于表示和组织大规模信息的结构化知识库，它以图的形式将实体、关系和属性表示为节点和边。它的目标是提供一个计算机可理解的知识表达形式，以帮助机器理解和推理人类知识。近年来，知识图谱在信息检索、问答系统、社交网络分析等领域取得了显著的进展。 2019年icdm（IEEE International Conference on Data Mining）上，对知识图谱的研究进行了广泛综述。研究者们关注了知识图谱的构建、表示学习、推理和应用等方面。 首先，研究者们讨论了知识图谱的构建方法。这包括自动从结构化和非结构化数据中抽取实体、关系和属性，以及采用人工注释和知识编辑的方式进行构建。还有一些研究致力于解决构建中的挑战，如噪声数据处理、实体消歧和关系抽取等。 其次，关于知识图谱表示学习的研究也被广泛涵盖。这些方法旨在将知识图谱中的实体和关系映射到低维向量空间，从而捕捉它们之间的语义关系。一些流行的方法包括基于图卷积网络（Graph Convolutional Networks, GCN）和深度生成模型（Deep Generative Models）的表示学习方法。 此外，知识图谱的推理方法也是icdm研讨的重点。推理可以通过图匹配、规则推理和基于规则的推理等方式来实现。这些方法可以帮助发现实体之间的隐藏关联和新的知识。 最后，icdm还关注了知识图谱在各种应用领域的应用。这包括推荐系统、信息检索、问答系统、社交网络分析等。研究者们探索了如何使用知识图谱的结构化表示来提高这些领域中的性能。 综上所述，2019 icdm对知识图谱的研究进行了广泛综述，涵盖了从构建到推理的各个方面，并展示了知识图谱在不同应用领域的潜力和前景。 ### 回答3： 知识图谱是一种能够存储和表示知识的图形化数据结构，它通过将知识组织成实体、属性和关系的形式来描述现实世界中的事物和概念。而2019年的ICDM（International Conference on Data Mining）会议就是在这一领域进行的重要学术会议之一。 2019年ICDM知识图谱方向的研究主题包括但不限于知识图谱的构建、表示和推理。首先，研究人员关注如何有效地构建大规模的知识图谱。这涉及到对知识源的挖掘和知识抽取技术的应用，以从不同的元数据中自动提取和整合实体、属性和关系。 其次，关于知识图谱的表示方法是研究的重点。学者们致力于寻找有效的表示方法，以将知识图谱映射到低维空间中，从而能够更好地支持各类图谱相关的任务，如检索、推荐和分类等。此外，还有一些学者关注于如何利用深度学习和图神经网络等高级模型来提升知识图谱的表示能力。 最后，推理技术在知识图谱中也起到重要作用。知识图谱推理能够通过检测图谱中的潜在推理规则和模式，从中获得新的知识。这项研究的目标是能够自动发现和推理出更多的隐藏知识，从而拓展和完善知识图谱的内容。 综上所述，2019年ICDM会议以知识图谱为主题，聚焦于知识图谱的构建、表示和推理等方面的研究。这些研究对于促进知识图谱的发展和应用具有重要意义，将为相关领域的学术研究和实践应用提供新的思路和方法。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值