python词性标注_Python词性标注HMM+viterbi实现

最新推荐文章于 2024-07-24 20:06:28 发布
最新推荐文章于 2024-07-24 20:06:28 发布
阅读量1.1k 收藏 6
点赞数
文章标签： python词性标注
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/weixin_39559333/article/details/113677567
版权
本文介绍了Python中使用隐马尔科夫模型（HMM）进行词性标注的任务，详细讲解了HMM的理论背景，包括概率图模型、贝叶斯网络和马尔科夫模型。接着，通过代码展示了如何训练HMM参数、实现维特比算法进行隐序列解码。最后，给出了一个完整的词性标注例子。
摘要由CSDN通过智能技术生成

大纲：1. 任务描述

2.一些理论

3. 隐马尔科夫模型

4. HMM应用之——隐序列解码(词性标注)

5. 附录

6. 完整代码

1. 任务描述

标注英文句子中每个单词的词性,属于HMM任务中的预测过问题(已知参数和x,求z)。

场景：给定一个英文句子X=’I like …’其中每个单词由

equation?tex=x 表示，

equation?tex=z 表示那个单词对应的词性。

目标：给定一个句子

equation?tex=X%3Dx_1%2Cx_2%2Cx_3%2Cx_4%2Cx_5++ .可以得出每个单词对应的词性

2.一些理论

(1)概率图模型

利用图来表示与模型有关的变量的联合概率分布

(2) 贝叶斯网络

将随机变量作为结点，若两个随机变量相关或者不独立，则将二者连接一条边；若给定若干随机变量，则形成一个有向图，即构成一个网络。

如果该网络是有向无环图，则这个网络称为贝叶斯网络。

(3)马尔科夫模型

若贝叶斯网络退化成线性链，则得到马尔科夫模型。

已知 n个有序随机变量，根据贝叶斯定理，其联合分布可写成条件分布的连乘。

equation?tex=p%28x_1%2Cx_2%2C...%2Cx_n%29%3D%5Cprod_%7Bi%3D1%7D%5E%7Bn%7D+p%28x_i%7Cx_%7Bi-1%7D%2C...%2Cx_1%29%5C%5C

马尔科夫模型是指，假设序列中的任一随机变量只与它的前 1个变量有关，与更早的变量条件独立：

equation?tex=p%28x_i%7Cx_%7Bi-1%7D%2C...%2Cx_1%29%3Dp%28x_i%7Cx_i-1%29%5C%5C

在此假设下，其联合分布可简化为：

equation?tex=p%28x_1%2Cx_2%2C...%2Cx_n%29%3Dp%28x_1%29+%5Cprod_%7Bi%3D2%7D%5E%7Bn%7D+p%28x_i%7Cx_%7Bi-1%7D%29%5C%5C

为了表达当前变量与更早的变量之间的关系，可引入高阶马尔科夫性，指当前随机变量与它的前 m 个变量有关：

equation?tex=p%28x_1%2Cx_2%2C...%2Cx_n%29%3D%5Cprod_%7Bi%3D1%7D%5E%7Bn%7D+p%28x_i%7Cx_%7Bi-1%7D%2C...%2Cx_%7Bi-m%7D%29%5C%5C

3. 隐马尔科夫模型

对于离散型随机变量，隐状态：

equation?tex=Z%3Dz_1%2Cz_2%2C...%2Cz_n

可观测变量：

equation?tex=X%3Dx_1%2Cx_2%2C...%2Cx_n

X 已知，求解最大概率的 Z，即是最大化

equation?tex=+p%28Z%7CX%29

equation?tex=p%28Z%7CX%29%3Dp%28X%7CZ%29p%28Z%29%3Dp%28x_1%2Cx_2%2C...%2Cx_n%7Cz_1%2Cz_2%2C...%2Cz_n%29+p%28z_1%2Cz_2%2C...%2Cz_n%29%5C%5C

根据马尔科夫假设，任一随机变量只与它的前 1个变量有关

equation?tex=p%28x_1%2Cx_2%2C...%2Cx_n%7Cz_1%2Cz_2%2C...%2Cz_n%29%3D%5Cprod_%7Bi%3D1%7D%5E%7Bn%7D+p%28x_i%7Cz_i%29+%5C%5C

equation?tex=p%28z_1%2Cz_2%2C...%2Cz_n%29%3D+p%28z_1%29+%5Cprod_%7Bi%3D2%7D%5E%7Bn%7D+p%28z_i%7Cz_%7Bi-1%7D%29%5C%5C

因此：

equation?tex=p%28Z%7CX%29%3D%5Cprod_%7Bi%3D1%7D%5E%7Bn%7D+p%28x_i%7Cz_i%29+p%28z_1%29+%5Cprod_%7Bi%3D2%7D%5E%7Bn%7D+p%28z_i%7Cz_%7Bi-1%7D%29%5C%5C

模型简化为3个部分：

发射概率矩阵：

equation?tex=B%3D%5Cprod_%7Bi%3D1%7D%5E%7Bn%7D+p%28x_i%7Cz_i%29

初始概率：

equation?tex=p%28z_1%29

转移概率矩阵：

equation?tex=+A%3D%5Cprod_%7Bi%3D2%7D%5E%7Bn%7D+p%28z_i%7Cz_%7Bi-1%7D%29

因此首先需计算HMM模型参数

equation?tex=%5Cpi%2CA%2CB ，再利用已知的x加上参数，求y(HMM的预测问题)

equation?tex=dp%5Bi%5D%5Bj%5D%3D%5Cmax%5Cleft%5C%7B%5Cbegin%7Bmatrix%7D++dp%5B0%5D%5Bi-1%5D%2B%5Clog+p%28adv%7Cadj%29%2B+%5Clog+p%28x_i%7Cadv%29%5C%5C++dp%5B1%5D%5Bi-1%5D%2B%5Clog+p%28adv%7Cadv%29%2B+%5Clog+p%28x_i%7Cadv%29%5C%5C++dp%5B2%5D%5Bi-1%5D%2B%5Clog+p%28adv%7Cend%29%2B+%5Clog+p%28x_i%7Cadv%29%5C%5C++dp%5B3%5D%5Bi-1%5D%2B%5Clog+p%28adv%7Csubj%29%2B+%5Clog+p%28x_i%7Cadv%29++%5Cend%7Bmatrix%7D%5Cright.%5C%5C+

简化：

对应到代码中：

# trans_p是转移概率矩阵A emit_p是发射概率矩阵B

dp[i,j]=max(dp[i -1][k]+ trans_p[k][j]+ emit_p[j][obs[i]] for k in range(T))

dp[i][j], path[i][j] = max(

(dp[i - 1][k] + trans_p[k][j] + emit_p[j][obs[i]], k)

for k in range(T))

----------------------------

不懂就看下面简单版

dp=[4,5,6]

T=3

a=max(dp[k] for k in range(T))

print(a) #6

dp=[4,5,6]

T=3

a,b=max((dp[k],k) for k in range(T))

print(a,b) #6 2

----------------------

4. HMM应用之——隐序列解码(词性标注)

import numpy as np, pandas as pd

(1)数据预处理

START = 'start' # 句始tag

END = 'end' # 句末tag

NOUN = 'subj' # 名词

ADV = 'adv' # 副词

ADJ = 'adj' # 形容词

corpus = np.array([

('我', NOUN), ('很', ADV), ('菜', ADJ), ('。', END),

('我', NOUN), ('好', ADV), ('菜', ADJ), ('。', END),

('我', NOUN), ('很', ADV), ('好', ADJ), ('。', END),

('他', NOUN), ('很', ADV), ('菜', ADJ), ('。', END),

('他', NOUN), ('好', ADV), ('菜', ADJ), ('。', END),

('他', NOUN), ('很', ADV), ('好', ADJ), ('。', END),

('菜', NOUN), ('很', ADV), ('好', ADJ), ('。', END),

('我', NOUN), ('菜', ADJ), ('。', END),

('我', NOUN), ('好', ADJ), ('。', END),

('他', NOUN), ('菜', ADJ), ('。', END),

('他', NOUN), ('好', ADJ), ('。', END),

('菜', NOUN), ('好', ADJ), ('。', END),

('我', NOUN), ('好', ADV), ('好', ADJ), ('。', END),

('他', NOUN), ('好', ADV), ('好', ADJ), ('。', END),

], dtype=str)

words = sorted(set(corpus[:, 0])) # 单词

tags = sorted(set(corpus[:, 1])) # 词性

W = len(words) # 词汇量

T = len(tags) # 词性数

word2id = {words[i]: i for i in range(W)} # 单词-id词典

tag2id = {tags[i]: i for i in range(T)} # 词性-id词典

id2tag = {i: tags[i] for i in range(T)} # id-词性词典

(2)HMM参数训练

equation?tex=A%2CB%2C%5Cpi

SMOOTHNESS = 1e-8 # 平滑参数

emit_p = np.zeros((T, W)) + SMOOTHNESS # 发射概率 B

start_p = np.zeros(T) + SMOOTHNESS # π

trans_p = np.zeros((T, T)) + SMOOTHNESS # 转移概率 A

prev_tag = START # 前一个tag

for word, tag in corpus: # 每一个单词 每一个词性

wid, tid = word2id[word], tag2id[tag] # 单词转id，词性转id

emit_p[tid][wid] += 1 # # 无论如何都要更新B 词性到单词

if prev_tag == START: # 句首

start_p[tid] += 1 # 更新π

else: # 不是句首，更新A 词性到词性

trans_p[tag2id[prev_tag]][tid] += 1

# 如果句子结束了 prev_tag = START 否则prev_tag=tag

prev_tag = START if tag == END else tag

(3)频数 --> 概率对数

取对数，防止下溢，乘法运算转换成更简单的加法运算

equation?tex=%5Csum_%7Bi%3D1%7D%5E%7Bn%7D%7B%5Cln+p%28x_i%7Cz_i%29%7D%2B%5Cln+p%28z_1%29+%2B+%5Csum_%7Bi%3D2%7D%5E%7Bn%7D%7B%5Cln+p%28z_i%7Cz_%7Bi-1%7D%29%7D%5C%5C

start_p = np.log(start_p / sum(start_p))

for i in range(T):

emit_p[i] = np.log(emit_p[i] / sum(emit_p[i]))

trans_p[i] = np.log(trans_p[i] / sum(trans_p[i]))

发射矩阵B

pd.DataFrame(emit_p, tags, words)

初始概率

equation?tex=%5Cpi

pd.DataFrame(start_p.reshape(1, T),['START'], tags)

状态转移矩阵A

pd.DataFrame(trans_p, tags, tags)

(4)维特比算法

sentence =list('菜好好。')

obs = [word2id[w] for w in sentence] # 观测序列

le = len(obs) # 序列长度 4

# 动态规划矩阵

dp = np.array([[-1e99] * T] * le) # 节点最大概率

path = np.zeros((le, T), dtype=int) # 节点转移记录

for j in range(T):

dp[0][j] = start_p[j] + emit_p[j][obs[0]]

path[0][j] = -1

for i in range(1, le):

for j in range(T):

dp[i][j], path[i][j] = max(

(dp[i - 1][k] + trans_p[k][j] + emit_p[j][obs[i]], k)

for k in range(T))

节点最大概率矩阵

pd.DataFrame(dp.T, tags, sentence)

节点转移记录矩阵

pd.DataFrame(path.T, tags, sentence)

隐态序列标号

states = [np.argmax(dp[le - 1])] # [2]

# 从后到前的循环来依次求出每个单词的词性

for i in range(le - 2, -1, -1):

states.insert(0, path[i + 1][states[0]]) # path[3][3] path[2][0] path[1][1]

注意states会动态变化

(5)标注结果打印

for word, tid inzip(sentence, states):

print(word, id2tag[tid])

菜 subj

好 adv

好 adj

。 end

5. 附录

语料地址：

GitHub地址：

6. 完整代码：

import numpy as np

"""配置"""

SMOOTHNESS = 1e-8

START = 'start' # 句始tag

END = 'end' # 句末tag

NOUN = 'subj' # 名词

ADV = 'adv' # 副词

ADJ = 'adj' # 形容词

"""数据预处理"""

corpus = np.array([

('我', NOUN), ('很', ADV), ('菜', ADJ), ('。', END),

('我', NOUN), ('好', ADV), ('菜', ADJ), ('。', END),

('我', NOUN), ('很', ADV), ('好', ADJ), ('。', END),

('他', NOUN), ('很', ADV), ('菜', ADJ), ('。', END),

('他', NOUN), ('好', ADV), ('菜', ADJ), ('。', END),

('他', NOUN), ('很', ADV), ('好', ADJ), ('。', END),

('菜', NOUN), ('很', ADV), ('好', ADJ), ('。', END),

('我', NOUN), ('菜', ADJ), ('。', END),

('我', NOUN), ('好', ADJ), ('。', END),

('他', NOUN), ('菜', ADJ), ('。', END),

('他', NOUN), ('好', ADJ), ('。', END),

('菜', NOUN), ('好', ADJ), ('。', END),

('我', NOUN), ('好', ADV), ('好', ADJ), ('。', END),

('他', NOUN), ('好', ADV), ('好', ADJ), ('。', END),

], dtype=str)

words = sorted(set(corpus[:, 0]))

tags = sorted(set(corpus[:, 1]))

W = len(words) # 词汇量

T = len(tags) # 词性种类数

word2id = {words[i]: i for i in range(W)}

tag2id = {tags[i]: i for i in range(T)}

id2tag = {i: tags[i] for i in range(T)}

"""HMM训练"""

emit_p = np.zeros((T, W)) + SMOOTHNESS # emission_probability

start_p = np.zeros(T) + SMOOTHNESS # start_probability

trans_p = np.zeros((T, T)) + SMOOTHNESS # transition_probability

prev_tag = START # 前一个tag

for word, tag in corpus:

wid, tid = word2id[word], tag2id[tag]

emit_p[tid][wid] += 1

if prev_tag == START:

start_p[tid] += 1

else:

trans_p[tag2id[prev_tag]][tid] += 1

prev_tag = START if tag == END else tag # 句尾判断

# 频数 --> 概率对数

start_p = np.log(start_p / sum(start_p))

for i in range(T):

emit_p[i] = np.log(emit_p[i] / sum(emit_p[i]))

trans_p[i] = np.log(trans_p[i] / sum(trans_p[i]))

def viterbi(sentence):

"""维特比算法"""

obs = [word2id[w] for w in sentence.strip()] # 观测序列

le = len(obs) # 序列长度

# 动态规划矩阵

dp = np.zeros((le, T)) # 记录节点最大概率对数

path = np.zeros((le, T), dtype=int) # 记录上个转移节点

for j in range(T):

dp[0][j] = start_p[j] + emit_p[j][obs[0]]

for i in range(1, le):

for j in range(T):

dp[i][j], path[i][j] = max(

(dp[i - 1][k] + trans_p[k][j] + emit_p[j][obs[i]], k)

for k in range(T))

# 隐序列

states = [np.argmax(dp[le - 1])]

# 从后到前的循环来依次求出每个单词的词性

for i in range(le - 2, -1, -1):

states.insert(0, path[i + 1][states[0]])

# 打印

for word, tid in zip(sentence, states):

print(word, id2tag[tid])

"""测试"""

x = '菜好好。'

viterbi(x)

补充：马尔科夫网络、马尔科夫模型、马尔科夫过程、贝叶斯网络的区别将随机变量作为结点，若两个随机变量相关或者不独立，则将二者连接一条边；若给定若干随机变量，则形成一个有向图，即构成一个网络。

如果该网络是有向无环图，则这个网络称为贝叶斯网络。

如果这个图退化成线性链的方式，则得到马尔科夫模型；因为每个结点都是随机变量，将其看成各个时刻(或空间)的相关变化，以随机过程的视角，则可以看成是马尔科夫过程。

若上述网络是无向的，则是无向图模型，又称马尔科夫随机场。

如果在给定某些条件的前提下，研究这个马尔科夫随机场，则得到条件随机场。

如果使用条件随机场解决标注问题，并且进一步将条件随机场中的网络拓扑变成线性的，则得到线性链条件随机场

总结：

先利用训练集训练模型参数

equation?tex=A%2CB%2C%5Cpi ，此时已知x和模型参数，利用维特比算法，求z

参考：Python词性标注HMM+viterbi实现_ArYe-CSDN博客_hmm_viterbi python3​blog.csdn.net025b4e5ff10b71f9aebb50e3896a4201.png

weixin_39559333
关注
  • 0
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
[Python知识图谱] 三.Jieba工具中文分词、添加自定义词典及词性标注详解
杨秀璋的专栏
07-28 2万+
本系列文章主要结合Python语言实现知识图谱构建相关工程，具有一定创新性和实用性，非常希望各位博友交流讨论，相互促进成长。前面两篇文章详细讲解了哈工大Pyltp工具，包括中文分词、词性标注、实体识别、依存句法分析和语义角色标注等。但是其中文分词效果不是很理想，如“贵州财经大学”总是切分成“贵州”、“财经”和“大学”，这是因为词典中这些词的权重较高。这篇文章主要介绍最经典的自然语言处理工具之一——Jieba，包括中文分词、添加自定义词典及词性标注等内容。
2020/11/18 python实现词性标注（含词库文件）
qq_38524083的博客
11-19 2941
文章目录问题描述问题分析求解步骤1.读取词库traindata.txt,统计出四个字典：tag2id,id2tag，word2id,id2word2.读入数据总结欢迎使用Markdown编辑器新的改变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 图表FLowchart流程图导
python实现的基于hmm模型的词性标注系统
say_c_box的博客
11-16 1万+
python实现的基于hmm模型的词性标注系统任务定义实现一个词性标注系统，输入分好词的单词序列，输出一个词性标注后的结果序使用的语料库为人民日报98年公开语料库，一共约18000行语料。在用户交互模式下，所有语料库均用作训练。在文件读写模式下，前3000行语句用来做测试，后面的语句用来做训练。方法描述隐马尔科夫模型理解 隐马尔科夫模型是结构最简单的动态贝叶斯网络。描述由一个隐藏的马尔科夫链随机生成
python-NLP：2词性标注与命名实体识别
最新发布
总裁余（余登武）博客
07-24 962
python-NLP：2词性标注与命名实体识别
用python处理对词语进行词性标注
缘 源 园
02-09 2874
读取整段文本 # 导入库 import jieba.posseg as pseg import pandas as pd with open('article1.txt') as fn: string_data = fn.read() # 使用read方法读取整段文本 分词+词性标注 words = pseg.cut(string_data) # 分词 words_pd = pd.DataFrame(words, columns=['word', 'type']) # 创建结果数..
中文分词的python实现-基于HMM算法
热门推荐
orlandowww的博客
09-29 1万+
隐马尔科夫模型（HMM）模型介绍HMM模型是由一个“五元组”组成: StatusSet: 状态值集合 ObservedSet: 观察值集合 TransProbMatrix: 转移概率矩阵 EmitProbMatrix: 发射概率矩阵 InitStatus: 初始状态分布
词性标注，python代码
weixin_42599558的博客
12-23 418
好的，我会用中文回答你的问题，并在代码中给出词性标注。 如果你想要了解 Python 中的词性标注，你可以使用 Python 内置的 nltk 库。例如，你可以使用 nltk.pos_tag 函数来标注单词的词性，例如名词、动词、形容词等。 下面是一个示例代码，它使用 nltk.pos_tag 函数对句子中的单词进行词性标注： import nltksentence = "这是一个示例句子" #...
基于HMM+Viterbi算法的词性标注 Python
Chase1998的博客
11-16 7281
1 概述 隐含马尔可夫模型（HMM）被认为是解决大多数自然语言处理问题最快速、有效的方法； 20世纪70年代被应用在语音处理上，后被广泛应用在汉 语自动分词、词性标注、统计机器翻译等方面。 本次文章将介绍基于HMM和Viterbi算法进行词性标注。 2 理论描述 2.1 HMM五元组 HMM是一个五元组(O,Q,O0O_0O0​,A,B): O:{o1o_1o1​…oto_tot​}是状态集合,...
pos.zip_POS 词性_remain4vb_词性标注
09-21
在本压缩包“pos.zip_POS 词性_remain4vb_词性标注”中，包含了一个名为“pos.py”的Python脚本，这可能是一个实现词性标注的程序。"remain4vb"可能表示该程序特别关注动词的词性识别，因为动词在句子中起着关键作用...
HMM代码整理与hmmlearn安装详细教程_hmmpython实现_
09-30
2. 自然语言处理：在词性标注、句法分析等任务中，HMM能够捕捉词与词之间的依赖关系。 3. 生物信息学：在基因定位、蛋白质结构预测等问题上，HMM也是常用工具。 通过本教程的学习，你将能够掌握HMM的基本概念，理解...
用python对小说进行词性标注
weixin_35754962的博客
12-31 550
在 Python 中，可以使用 jieba 库来进行中文词性标注。 首先，需要安装 jieba 库，可以使用如下命令进行安装： pipinstall jieba 然后，就可以使用 jieba.posseg 模块来对文本进行词性标注了。 例如，对于文本 "我爱北京天安门"，可以使用如下代码进行词性标注： import jieba.possegas pseg text = "我爱北京天安门" #...
Python-基于UniversalTransformerCRF的中文分词和词性标注
08-10
Sequence labeling base on universal transformer (Transformer encoder) and CRF; 基于Universal Transformer CRF 的中文分词和词性标注
自己实现了一个维特比(Viterbi)算法的Python版本
08-11
NULL 博文链接：https://rangerwolf.iteye.com/blog/2229319
自然语言处理 中英文分词、词性标注与命名实体识别——文本和代码
05-24
中英文分词工具有很多，今天我们来使用Jieba、SnowNlp、nltk、thunlp、NLPIR、Stanford等六种工具来对给定中英文文本进行分词、词性标注与命名实体识别。
采用维特比算法完成词性标注（含python代码）
weixin_50706330的博客
10-20 1105
采用维特比算法完成词性标注（含python代码）
catia孔深度符号标注_一文看懂词性标注（基本概念+4种方法+7种工具）
weixin_39987926的博客
12-24 471
什么是词性标注？维基百科上对词性的定义为：In traditional grammar, a part of speech (abbreviated form: PoS or POS) is a category of words (or, more generally, of lexical items) which have similar grammatical properties.词性指...
python词性标注_文本分类的词性标注
weixin_39872624的博客
12-15 634
我是一个新的python，正在处理一个文本分类问题。我用不同的在线资源开发了一个代码。但是这个代码并没有做词性标注。有人能帮我找出我的代码中我真正出错的那一行吗。我在代码中做词性标记，但结果中没有显示。我也试过用nltk做词性标注，但这对我也不起作用。如有任何帮助，我们将不胜感激。谢谢。在# Add the Data using pandasCorpus = pd.read_csv(r"U:\FA...
python 自然语言处理 词性标注
水野与小太郎的博客
12-01 1818
一、词性标注简介 import nltk text1=nltk.word_tokenize("It is a pleasant day today") print(nltk.pos_tag(text1)) Number Tag Description 1. CC Coordinating conjunction ...
做了一个标注工具原型版本【转自 彭瀚 的脉脉专栏】
weixin_43650977的博客
10-27 541
RT 前段时间有个基于labelme的标注工具功能开发需求，总结了一个文档，为了展示给领导和供应商，自己也简单做了个工具原型（粗坯）。 需求总结： 标注模块需实现功能： （1）.缩/放图片后的自由拖动（以当前鼠标点为中心） （2）.位置定标十字线（横纵顶到头） （3）.图片中的label和list中的label可以通过点击相互定位，方便检查修改等操作 （4）.渲染色填充框，方便识别对比度低下的label轮廓 （5）.自动贴点/贴边(通过按键切换) （6）.当前图片...
怎么用python实现HMM词性标注
04-17
您好，关于如何用Python实现HMM词性标注，我可以为您提供一些参考。HMM（隐马尔可夫模型）是一种基于概率统计的方法，用来描述由隐藏的状态和可观测的输出组成的过程。在词性标注任务中，HMM模型可以被用来通过给定...
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
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