基于知识图谱的《红楼梦》人物关系可视化及问答系统（含码源）：命名实体识别、关系识别、LTP简单教学

最新推荐文章于 2024-04-22 07:52:40 发布
最新推荐文章于 2024-04-22 07:52:40 发布
阅读量2.6k 收藏 21
点赞数 2
分类专栏： AI项目大全：提升项目经验 文章标签： 知识图谱 人工智能 NLP 关系抽取 智能问答
涉及博主原创类文章，未经博主许可不允许转载
本文链接：https://blog.csdn.net/sinat_39620217/article/details/131591364
版权

基于知识图谱的《红楼梦》人物关系可视化及问答系统（含码源）：命名实体识别、关系识别、LTP简单教学

文件树:

  1. app.py是整个系统的主入口
  2. templates文件夹是HTML的页面

    |-index.html 欢迎界面

    |-search.html 搜索人物关系页面

    |-all_relation.html 所有人物关系页面

    |-KGQA.html 人物关系问答页面
  3. static文件夹存放css和js，是页面的样式和效果的文件
  4. raw_data文件夹是存在数据处理后的三元组文件
  5. neo_db文件夹是知识图谱构建模块

    |-config.py 配置参数

    |-create_graph.py 创建知识图谱，图数据库的建立

    |-query_graph.py 知识图谱的查询
  6. KGQA文件夹是问答系统模块

    |-ltp.py 分词、词性标注、命名实体识别
  7. spider文件夹是爬虫模块

    |- get_*.py 是之前爬取人物资料的代码，已经产生好images和json 可以不用再执行

    |-show_profile.py 是调用人物资料和图谱展示在前端的代码

部署步骤：

  • 0.安装所需的库 执行pip install -r requirement.txt
  • 1.先下载好neo4j图数据库，并配好环境（注意neo4j需要jdk8）。修改neo_db目录下的配置文件config.py,设置图数据库的账号和密码。
  • 2.切换到neo_db目录下，执行python create_graph.py 建立知识图谱
  • 3.去 这里 下载好ltp模型。ltp简介
  • 4.在KGQA目录下，修改ltp.py里的ltp模型文件的存放目录
  • 5.运行python app.py,浏览器打开localhost:5000即可查看

1.系统整体流程图：

项目码源见文章顶部或文末

https://download.csdn.net/download/sinat_39620217/87982770

2.主界面-基于知识图谱的《红楼梦》人物关系可视化及问答系统

网站示例:

欢迎界面

3.KGQA部分码源展示

#-*- coding: utf-8 -*-
import pyltp 
import os
LTP_DATA_DIR = '/Users/chizhu/data/ltp_data_v3.4.0'  # ltp模型目录的路径


def cut_words(words):
    segmentor = pyltp.Segmentor()
    seg_model_path = os.path.join(LTP_DATA_DIR, 'cws.model')
    segmentor.load(seg_model_path)
    words = segmentor.segment(words)
    array_str="|".join(words)
    array=array_str.split("|")
    segmentor.release()
    return array


def words_mark(array):

    # 词性标注模型路径，模型名称为`pos.model`
    pos_model_path = os.path.join(LTP_DATA_DIR, 'pos.model')
    postagger = pyltp.Postagger()  # 初始化实例
    postagger.load(pos_model_path)  # 加载模型
    postags = postagger.postag(array)  # 词性标注
    pos_str=' '.join(postags)
    pos_array=pos_str.split(" ")
    postagger.release()  # 释放模型
    return pos_array

def get_target_array(words):
    target_pos=['nh','n']
    target_array=[]
    seg_array=cut_words(words)
    pos_array = words_mark(seg_array)
    for i in range(len(pos_array)):
        if pos_array[i] in target_pos:
            target_array.append(seg_array[i])
    target_array.append(seg_array[1])
    return target_array

4.LTP简单教学

pyltp 是 LTP 的 Python 封装，提供了分词，词性标注，命名实体识别，依存句法分析，语义角色标注的功能。

关于各个模块任务的介绍、标注体系、性能指标，可以查阅 这里 的介绍。

pyltp 的所有输入的分析文本和输出的结果的编码均为 UTF-8。

如果您以非 UTF-8 编码的文本输入进行分析，结果可能为空。请注意源代码文件的默认编码。

由于 Windows 终端采用 GBK 编码显示，直接输出 pyltp 的分析结果会在终端显示为乱码。您可以将标准输出重定向到文件，以 UTF8 方式查看文件，就可以解决显示乱码的问题。

4.1分句

使用 pyltp 进行分句示例如下

#-*- coding: utf-8 -*-
from pyltp import SentenceSplitter
sents = SentenceSplitter.split('元芳你怎么看？我就趴窗口上看呗！')  # 分句
print '\n'.join(sents)

结果如下

4.2分词

#-*- coding: utf-8 -*-
import os
LTP_DATA_DIR = '/path/to/your/ltp_data'  # ltp模型目录的路径
cws_model_path = os.path.join(LTP_DATA_DIR, 'cws.model')  # 分词模型路径，模型名称为`cws.model`

from pyltp import Segmentor
segmentor = Segmentor()  # 初始化实例
segmentor.load(cws_model_path)  # 加载模型
words = segmentor.segment('元芳你怎么看')  # 分词
print '\t'.join(words)
segmentor.release()  # 释放模型

结果如下

words = segmentor.segment('元芳你怎么看') 的返回值类型是 native 的 VectorOfString 类型，可以使用 list 转换成 Python 的列表类型，例如

...
>>> words = segmentor.segment('元芳你怎么看')
>>> type(words)
<class 'pyltp.VectorOfString'>
>>> words_list = list(words)
>>> type(words_list)
<type 'list'>
>>> print words_list
['\xe5\xae\xa2\xe6\x9c\x8d', '\xe5\xa4\xaa', '\xe7\xb3\x9f\xe7\xb3\x95', '\xe4\xba\x86']

4.2.1使用分词外部词典

pyltp 分词支持用户使用自定义词典。分词外部词典本身是一个文本文件（plain text），每行指定一个词，编码同样须为 UTF-8，样例如下所示

示例如下

#-*- coding: utf-8 -*-
import os
LTP_DATA_DIR = '/path/to/your/ltp_data'  # ltp模型目录的路径
cws_model_path = os.path.join(LTP_DATA_DIR, 'cws.model')  # 分词模型路径，模型名称为`cws.model`

from pyltp import Segmentor
segmentor = Segmentor()  # 初始化实例
segmentor.load_with_lexicon(cws_model_path, '/path/to/your/lexicon') # 加载模型，第二个参数是您的外部词典文件路径
words = segmentor.segment('亚硝酸盐是一种化学物质')
print '\t'.join(words)
segmentor.release()

4.2.2使用个性化分词模型

个性化分词是 LTP 的特色功能。个性化分词为了解决测试数据切换到如小说、财经等不同于新闻领域的领域。 在切换到新领域时，用户只需要标注少量数据。 个性化分词会在原有新闻数据基础之上进行增量训练。 从而达到即利用新闻领域的丰富数据，又兼顾目标领域特殊性的目的。

pyltp 支持使用用户训练好的个性化模型。关于个性化模型的训练需使用 LTP，详细介绍和训练方法请参考 个性化分词 。

在 pyltp 中使用个性化分词模型的示例如下

#*- coding: utf-8 -*-
import os
LTP_DATA_DIR = '/path/to/your/ltp_data'  # ltp模型目录的路径
cws_model_path = os.path.join(LTP_DATA_DIR, 'cws.model')  # 分词模型路径，模型名称为`cws.model`

from pyltp import CustomizedSegmentor
customized_segmentor = CustomizedSegmentor()  # 初始化实例
customized_segmentor.load(cws_model_path, '/path/to/your/customized_model') # 加载模型，第二个参数是您的增量模型路径
words = customized_segmentor.segment('亚硝酸盐是一种化学物质')
print '\t'.join(words)
customized_segmentor.release()

同样，使用个性化分词模型的同时也可以使用外部词典

#-*- coding: utf-8 -*-
import os
LTP_DATA_DIR = '/path/to/your/ltp_data'  # ltp模型目录的路径
cws_model_path = os.path.join(LTP_DATA_DIR, 'cws.model')  # 分词模型路径，模型名称为`cws.model`

from pyltp import CustomizedSegmentor
customized_segmentor = CustomizedSegmentor()  # 初始化实例
customized_segmentor.load_with_lexicon(cws_model_path, '/path/to/your/customized_model', '/path/to/your/lexicon') # 加载模型
words = customized_segmentor.segment('亚硝酸盐是一种化学物质')
print '\t'.join(words)
customized_segmentor.release()

4.3词性标注

使用 pyltp 进行词性标注示例如下

#-*- coding: utf-8 -*-
import os
LTP_DATA_DIR = '/path/to/your/ltp_data'  # ltp模型目录的路径
pos_model_path = os.path.join(LTP_DATA_DIR, 'pos.model')  # 词性标注模型路径，模型名称为`pos.model`

from pyltp import Postagger
postagger = Postagger() # 初始化实例
postagger.load(pos_model_path)  # 加载模型

words = ['元芳', '你', '怎么', '看']  # 分词结果
postags = postagger.postag(words)  # 词性标注

print '\t'.join(postags)
postagger.release()  # 释放模型

结果如下

参数 words 是分词模块的返回值，也支持 Python 原生的 list 类型，例如

words = ['元芳', '你', '怎么', '看']
postags = postagger.postag(words)

LTP 使用 863 词性标注集，详细请参考 词性标注集 。

  • 使用词性标注外部词典

pyltp 词性标注同样支持用户的外部词典。词性标注外部词典同样为一个文本文件，每行指定一个词，第一列指定单词，第二列之后指定该词的候选词性（可以有多项，每一项占一列），列与列之间用空格区分。示例如下

##命名实体识别

使用 pyltp 进行命名实体识别示例如下

#-*- coding: utf-8 -*-
import os
LTP_DATA_DIR = '/path/to/your/ltp_data'  # ltp模型目录的路径
ner_model_path = os.path.join(LTP_DATA_DIR, 'ner.model')  # 命名实体识别模型路径，模型名称为`pos.model`

from pyltp import NamedEntityRecognizer
recognizer = NamedEntityRecognizer() # 初始化实例
recognizer.load(ner_model_path)  # 加载模型

words = ['元芳', '你', '怎么', '看']
postags = ['nh', 'r', 'r', 'v']
netags = recognizer.recognize(words, postags)  # 命名实体识别

print '\t'.join(netags)
recognizer.release()  # 释放模型

其中，words 和 postags 分别为分词和词性标注的结果。同样支持 Python 原生的 list 类型。

结果如下

LTP 采用 BIESO 标注体系。B 表示实体开始词，I 表示实体中间词，E 表示实体结束词，S 表示单独成实体，O 表示不构成命名实体。

LTP 提供的命名实体类型为: 人名（Nh）、地名（Ns）、机构名（Ni）。

B、I、E、S 位置标签和实体类型标签之间用一个横线 - 相连；O 标签后没有类型标签。

详细标注请参考 命名实体识别标注集 。

4.4依存句法分析

使用 pyltp 进行依存句法分析示例如下

#-*- coding: utf-8 -*-
import os
LTP_DATA_DIR = '/path/to/your/ltp_data'  # ltp模型目录的路径
par_model_path = os.path.join(LTP_DATA_DIR, 'parser.model')  # 依存句法分析模型路径，模型名称为`parser.model`

from pyltp import Parser
parser = Parser() # 初始化实例
parser.load(par_model_path)  # 加载模型

words = ['元芳', '你', '怎么', '看']
postags = ['nh', 'r', 'r', 'v']
arcs = parser.parse(words, postags)  # 句法分析

print "\t".join("%d:%s" % (arc.head, arc.relation) for arc in arcs)
parser.release()  # 释放模型

其中，words 和 postags 分别为分词和词性标注的结果。同样支持 Python 原生的 list 类型。

结果如下

arc.head 表示依存弧的父节点词的索引。ROOT 节点的索引是 0，第一个词开始的索引依次为 1、2、3…

arc.relation 表示依存弧的关系。

arc.head 表示依存弧的父节点词的索引，arc.relation 表示依存弧的关系。

标注集请参考 依存句法关系 。

4.5语义角色标注

使用 pyltp 进行语义角色标注示例如下

#-*- coding: utf-8 -*-
import os
LTP_DATA_DIR = '/path/to/your/ltp_data'  # ltp模型目录的路径
srl_model_path = os.path.join(LTP_DATA_DIR, 'srl')  # 语义角色标注模型目录路径，模型目录为`srl`。注意该模型路径是一个目录，而不是一个文件。

from pyltp import SementicRoleLabeller
labeller = SementicRoleLabeller() # 初始化实例
labeller.load(srl_model_path)  # 加载模型

words = ['元芳', '你', '怎么', '看']
postags = ['nh', 'r', 'r', 'v']
#arcs 使用依存句法分析的结果
roles = labeller.label(words, postags, arcs)  # 语义角色标注

#打印结果
for role in roles:
    print role.index, "".join(
        ["%s:(%d,%d)" % (arg.name, arg.range.start, arg.range.end) for arg in role.arguments])
labeller.release()  # 释放模型

结果如下

3 A0:(0,0)A0:(1,1)ADV:(2,2)

第一个词开始的索引依次为 0、1、2…

返回结果 roles 是关于多个谓词的语义角色分析的结果。由于一句话中可能不含有语义角色，所以结果可能为空。

role.index 代表谓词的索引， role.arguments 代表关于该谓词的若干语义角色。

arg.name 表示语义角色类型，arg.range.start 表示该语义角色起始词位置的索引，arg.range.end 表示该语义角色结束词位置的索引。

例如上面的例子，由于结果输出一行，所以 “元芳你怎么看” 有一组语义角色。 其谓词索引为 3，即 “看”。这个谓词有三个语义角色，范围分别是(0,0) 即“元芳”，(1,1)即 “你”，(2,2) 即“怎么”，类型分别是 A0、A0、ADV。

arg.name 表示语义角色关系，arg.range.start 表示起始词位置，arg.range.end 表示结束位置。

项目码源见文章顶部或文末

https://download.csdn.net/download/sinat_39620217/87982770

汀、人工智能
关注
  • 2
    点赞
  • 踩
  • 21
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
【知识图谱】实践篇——基于知识图谱的《红楼梦》人物关系可视化及问答系统实践：part2知识获取与图谱构建、服务搭建
让算法融入生活，改变生活！
07-09 2631
前序文章：其中原项目提供了关系数据如下： 其中五列数据表示：人物1，人物2，人物1与人物2关系，人物1所属家族，人物2所属家族。关系说明：以第一列为例，贾演是贾代化的父亲。下面我们就将这个数据放到neo4j中。这些需要去连接，需要安装这个包： 程序中，我使用去读取配置文件， 其中为了保持配置全局唯一性，使用单例的写法。 后面就是创建构建关系文件，构建neo4j图谱数据了，如下： 后期可能会将构建图谱内容使用flask去生成命令行的方式构建，暂时在开发的过程查看构建情况，便于调试。导入关系后，我们再查看
基于知识图谱的《红楼梦》人物关系可视化及问答系统
风口IT猪的成长录
04-23 613
flask基础web开发js动态可视化技术ltp简单的NLP功能，比如分词、实体识别、词性标注Neo4j基础语法html+css+js网页基础开发app.py是整个系统的主入口templates文件夹是HTML的页面|-index.html 欢迎界面|-search.html 搜索人物关系页面|-all_relation.html 所有人物关系页面|-KGQA.html 人物关系问答页面static文件夹存放css和js，是页面的样式和效果的文件。
KGQA_SG:基于知识图谱的《三国演义》人物关系可视化及问答系统
03-11
这个项目的代码基于这个红楼梦项目的 。现在只实现了all_relation.html 所有人物关系页面的部分，代码也比较乱，之后我会慢慢整理这个项目的，试图创建一个知识图谱来教程方便大家学习。 <!--|-index.html 欢迎界面<br> --> <!--|-search.html 搜索人物关系页面<br>--> <!--|-all_relation.html 所有人物关系页面<br>--> <!--|-KGQA.html 人物关系问答页面<br>--> <!--|-config.py 配置参数<br>--> <!--|-create_graph.py 创建知识图谱，图数据库的建立<br>--> <!--|-query_graph.py 知识图谱的查询<br>--> <!--|-ltp.py 分词、词性标注、命名实体识别<br>--> <!--|- get_*.py
红楼梦关系问答系统java使用neo4j开法
个人博客地址为https://elikgrade.gitee.io/
04-22 137
title: 红楼梦人物关系问答系统。
基于知识图谱的多轮对话系统
qq_37056779的博客
11-05 3192
基于知识图谱的多轮对话demo
基于知识图谱的《红楼梦》人物关系可视化及问答系统的实现
liguo_yao的博客
04-20 4046
源码：https://github.com/chizhu/KGQA_HLM 在实现这个问答系统的过程中，遇到了很多坑，在这里分享下自己的经验。 以下是github中给出的步骤。 0.安装所需的库 执行pip install -r requirement.txt 1.先下载好neo4j图数据库，并配好环境（注意neo4j需要jdk8）。修改neo_db目录下的配置文件config.py,设置图数据库的账号和密码。 2.切换到neo_db目录下，执行python create_graph.py 建立知
Python-基于知识图谱的红楼梦人物关系可视化及问答系统
08-11
基于知识图谱的《红楼梦》人物关系可视化及问答系统
【知识图谱】实践篇——基于知识图谱的《红楼梦》人物关系可视化及问答系统实践：part7项目优化与打包
让算法融入生活，改变生活！
07-10 2068
前序文章：本部分主要是对项目进行优化，已经打包发布到github上。在学习flask时我们知道，flask支持自定义命令行命令去实现一些功能。在实现该功能之前，我们先将neo4j数据库进行清空，在neo4j页面端执行如下命令： 在KGQAHLM/serve目录下创建db.py文件，内容如下： 然后就是把该内容注册到app应用中，如下： 效果测试，即在终端输入：即可，如下： 数据库查看： 那么原来的KGQAHLM/build_graph.py就可以删除了。这一步就是配置项目在其他环境中，通过pip i
【知识图谱】实践篇——基于知识图谱的《红楼梦》人物关系可视化及问答系统实践：part6基于图谱的问答实现
让算法融入生活，改变生活！
07-10 2005
前序文章：本部分则是整个项目的核心内容——基于图谱的问答。需要实现的是对于“简单问题”进行解析，然后从图谱数据库中查询与该人员及其相关人员信息，返回到前端并显示该人员的基本信息。除此之外，用户可以点击返回的结果人员节点，页面能够显示该用户的个人基本信息。那么现在就开始吧。根据源码实现问答形式，其实是比较简单的。原代码中使用ltp对问题进行分词，选取具有名次词性的关键词进行处理。 ltp配置稍许麻烦，我使用jieba分词工具对问题进行分词，然后再按照原文提取问句中人物及关系，然后构建cypher neo4j查
【知识图谱】实践篇——基于知识图谱的《红楼梦》人物关系可视化及问答系统实践：part4检索人物关系实现
让算法融入生活，改变生活！
07-10 1902
前序文章：这个阶段开始，我们会查询很多neo4j数据库中的内容。为了方便，下面对以往的程序进行优化。将与neo4j连接放到config中，其他地方使用时，导入即可。调整如下：KGQAHLM/utils/config.py 那么对应的KGQAHLM/build_graph.py中的代码调整如下： 后续查询和处理问答相关数据的功能实现，我会统一放到一个包中，KGQAHLM/KGQA。原代码中已经为各人物爬取好了对应的图片，我将该图片资源放到：KGQAHLM/serve/static 目录下，并更名为people
【知识图谱】实践篇——基于知识图谱的《红楼梦》人物关系可视化及问答系统实践：part5人物关系全貌与问答初入
让算法融入生活，改变生活！
07-10 1663
前序文章：本部分主要是实现页面中查看所有任务关系并在前端展示的功能以及进行问答模块的准备。当图谱数据量比较大的时候，就不适合将所有的数据放到前端展示，因为前端在面临大量数据时渲染可能会存在一些问题。源代码中使用加载离线的关系数据。为了便于查看，我截图如下： 我将这个数据放到KGQAHLM/serve/static/data.json中。供待会页面加载使用。这时该功能的前端代码如下：KGQAHLM/templates/relation.html 效果查看： 那么到这里几个基本功能就实现了，下面就要开始整个
基于社会网络分析技术的《红楼梦》人物关系分析
03-02
选用图模型设计与表示《红楼梦》人物关系网，并以文件形式保存相关信息；运用社会网络分析技术与算法对红楼梦人物关系网进行分析，获取有意义的结果，并以图形方式呈现；提供对人物属性与人物关系的查询功能。
人物关系可视化图谱
07-25
利用python对电影《釜山行》剧本分词处理，识别人物实体及人物关系，再用图数据软件genphi建立电影人物关系的知识图谱。文件中包含电影剧本、python处理的脚本文件、抽取出的电影人物及关系csv文件。
中文人物关系知识图谱项目,内容包括中文人物关系图谱构建-python
06-18
中文人物关系知识图谱项目,内容包括中文人物关系图谱构建,基于知识库的数据回标,基于远程监督与bootstrapping方法的人物关系抽取,基于知识图谱的知识问答等应用.
软考高级系统分析师教材第3章操作系统基本原理—高清全思维导图
11-24
软考高级系统分析师复习资料，根据教材所列考试内容整理成高清思维导图供考试复习用，本部分为教材第3章内容思维导图，操作系统基本原理
Python基于知识图谱的红楼梦人物关系可视化及问答系统程序源代码数据集
01-03
1) app.py是整个系统的主入口 ... |-search.html 搜索人物关系页面 ... |-ltp.py 分词、词性标注、命名实体识别 7) spider文件夹是爬虫模块 |- get_*.py 是之前爬取人物资料的代码，已经产生好ima
基于知识图谱的红楼梦人物关系可视化及问答系统python源码+详细说明步骤.zip
最新发布
05-03
|-ltp.py 分词、词性标注、命名实体识别 spider文件夹是爬虫模块 |- get_*.py 是之前爬取人物资料的代码，已经产生好images和json 可以不用再执行 |-show_profile.py 是调用人物资料和图谱展示在前端的代码
基于知识图谱的豆瓣书籍推荐可视化及问答系统python源码+部署说明.zip
08-21
基于知识图谱的豆瓣书籍推荐可视化及问答系统python源码+部署说明.zip 1、该资源内项目代码都是经过测试运行成功，功能ok的情况下才上传的，请放心下载使用！ 2、本项目适合计算机相关专业(如计科、人工智能、通信...
写一个BERT-LTP-BILSTM-CRF的命名实体识别算法
07-15
这是一个使用BERT-LTP-BILSTM-CRF模型进行命名实体识别的示例代码： ```python import torch from transformers import BertModel, BertTokenizer import torch.nn as nn import torch.optim as optim # 定义BERT-LTP-BILSTM-CRF模型 class BERT_LTP_BILSTM_CRF(nn.Module): def __init__(self, num_tags): super(BERT_LTP_BILSTM_CRF, self).__init__() self.bert = BertModel.from_pretrained("bert-base-chinese") self.dropout = nn.Dropout(0.1) self.lstm = nn.LSTM(self.bert.config.hidden_size, hidden_size=256, num_layers=2, batch_first=True, bidirectional=True) self.hidden2tag = nn.Linear(512, num_tags) self.crf = CRF(num_tags) def forward(self, input_ids, attention_mask): outputs = self.bert(input_ids=input_ids, attention_mask=attention_mask) sequence_output = outputs[0] sequence_output = self.dropout(sequence_output) lstm_output, _ = self.lstm(sequence_output) logits = self.hidden2tag(lstm_output) mask = attention_mask.bool() tags = self.crf.decode(logits, mask) return tags # 加载预训练的BERT模型和分词器 tokenizer = BertTokenizer.from_pretrained("bert-base-chinese") # 加载训练好的BERT-LTP-BILSTM-CRF模型 model = BERT_LTP_BILSTM_CRF(num_tags) # 定义损失函数和优化器 criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(model.parameters(), lr=0.001) # 训练过程 for epoch in range(num_epochs): for input_ids, attention_mask, targets in dataloader: optimizer.zero_grad() outputs = model(input_ids, attention_mask) loss = criterion(outputs.view(-1, num_tags), targets.view(-1)) loss.backward() optimizer.step() # 在测试集上进行预测 with torch.no_grad(): for input_ids, attention_mask, _ in test_dataloader: outputs = model(input_ids, attention_mask) # 处理预测结果 ``` 这只是一个基本的示例，实际使用时需要根据具体的数据集和任务进行适当的调整和优化。同时，还需要实现CRF层的代码，并根据实际情况进行数据预处理和数据加载。希望对你有所帮助！

“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
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

打赏作者

汀、人工智能

十分感谢您的支持

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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