- 博客(43)
- 收藏
- 关注
RSS订阅原创 无监督深度图结构学习研究
近年来，基于图形的应用在化学、生物信息学和网络安全等多个领域得到了蓬勃发展。作为一种强大的深度学习工具，图神经网络(GNN)已经引起了越来越多的关注，并在各种图分析任务中取得了最先进的性能，包括节点分类[22，40]、链接预测[21，32]和节点聚类[42，55]。GNN通常遵循消息传递方案，其中节点表示通过聚集来自观察到的拓扑(即，原始图结构)上的邻居的信息来学习。大多数GNN依赖于一个基本假设，即原始结构足够可信，可以被视为用于模型训练的地面真实信息。
2025-08-27 10:52:48
1080
原创 GSLB：图结构学习基准
图是由顶点和边组成的结构，在现实世界的应用中随处可见。跨越社交网络[51，9]、分子特性预测[40，14]、假新闻检测[45，1]和欺诈检测[23，27]的各种应用都发现图有助于对复杂系统建模。近年来，图神经网络(GNN)因其强大的学习节点或图表示的能力而受到越来越多的关注。然而，大多数GNN严重依赖于这样的假设，即图的初始结构足够可信，可以作为训练的基础事实。
2025-08-26 10:59:40
1086
原创 对Graph Foundation模型进行基准测试
许多真实世界的数据自然地呈现在图结构中，包括一组节点和边，例如社交网络[10，34]，引用网络[15]，知识图[2]，推荐系统[7，38，39]和生物网络[21]。图神经网络（GNN）[10，15，32]是一种有效的图表示学习方法，用于对图结构数据进行建模。然而，端到端的训练范式限制了模型在来自域和不同图任务的各种数据集上的泛化能力[5，18]。随着大型语言模型（LLM）的成功[1，28]，已经提出了图形基础模型（GFM）来实现跨领域和跨任务的图形学习。
2025-08-21 16:46:35
888
原创 法规遵从性：用于法规QA的多代理知识图
医疗保健、药品和医疗器械的监管日益复杂，影响了市场准入和患者护理[HCB 24]。FDA [FDA 25]的广泛指南和规则要求严格遵守批准、上市后监督和质量体系[CDW 22]。与此同时，LLM，如GPT-o 1 [Z+24]，Qwen-2.5 [Y+24]和Pi-4 [A+24]在文本任务中表现出色，但在高风险监管环境中面临精确性，可验证性和领域专业化的独特挑战[WZ 24]。幻觉风险和有限的上下文理解强调了对坚固护栏的需求，特别是在安全关键应用中[H+24 a]，[L+24 b]。
2025-08-20 14:37:06
924
原创 面向任务的知识图推理研究现状、应用与展望
深度学习在感知智能任务中取得了巨大的成功，利用了大量的计算能力和大量的标记数据。然而，它在知识表示方面的局限性阻碍了它执行知识推理等复杂任务的能力。相比之下，知识图（KG）已经成为一种强大的技术，用于通过有向图结构表示实体及其关系来建模和利用知识[1]，[2]，例如一些着名的例子Freebase [3]，YAGO [4]，WordNet [5]，NELL [6]和DBpedia [7]。
2025-07-08 15:38:55
1002
原创 知识图谱构建技术综述-阅读笔记
知识图谱是结构化的语义知识库，用于以符号形式描述物理世界中的概念及其相互关系，基本组成单位是实体-关系-实体三元组，以及实体及其相关属性-值对，实体间通过关系互相联结构成网状的知识结构。通过推理实现概念检索。
2025-06-13 15:26:51
928
原创 如何读论文
Q1 论文试图解决什么问题Q2 这是否是一个新问题Q3 这篇文章要验证一个什么科学假设Q4 有哪些相关研究，如何归类，谁是这一课题领域值得关注的研究员Q5 论文中提到的解决方案的关键是什么Q6 论文中的实验是如何设计的Q7用于定量评估的数据集是什么，代码有没有开源Q8 论文中的实验及结果有没有很好地支持需要验证的科学假设Q9 这篇论文到底有什么贡献Q10 下一步呢？有什么工作可以继续深入？
2025-06-09 15:43:57
139
原创 图上合成：用于大型语言模型持续预训练的知识合成数据生成
近年来，大型语言模型（LLM）在自然语言处理（NLP）领域取得了突破性的进展，证明了从非结构化文本中获取知识并执行复杂的知识密集型任务的能力。这些模型在各种应用中表现出卓越的性能，包括问答系统，机器翻译和会话代理。这一成功很大程度上归功于下一个词的预测目标香农（1951）结合大量的互联网数据基金会（2007）。
2025-06-07 16:55:23
1132
原创 合成连续预训练
除了使用上述测试查询Qtest进行评估外，我们还对持续预训练的LM进行了指令调整，并在查询后的更一般指令上对其进行评估。具体来说，我们通过提示他们生成仅给出标题和作者的QuALITY文章的摘要来评估他们的闭卷摘要能力。在本节中，我们介绍了我们的主要实验结果1。使用GPT-4（截至2024年8月19日的gpt-4-turbo模型）作为我们的提示模型LMaug，我们将EntiGraph应用于130万令牌QuALITY语料库Dsource，生成4.55亿令牌合成语料库2。
2025-06-06 13:28:52
800
原创 从上下文学习和微调看语言模型的泛化：一项对照研究 -附录
基元的组合使我们能够评估组合泛化-模型在训练中看到基元的组合上执行的能力，但不是在这些特定的组合中。例如，我们可以在[指数乘以多项式]和[对数乘以三角函数]上进行训练，并在[指数乘以对数函数]上进行评估。在我们的实验中，我们探索的数据效率的ICL和SFT通过创建数据集的“镜头”。𝑘例如，SFT的8个“shot”数据集由标准训练数据集中的8个示例组成。ICL的8次数据集包括8个过程示例（表达式输入和表达式输出），用于演示derivatoid过程，以及模型必须提供正确derivatoid的最终查询表达式。
2025-06-04 22:57:09
775
原创 从上下文学习和微调看语言模型的泛化：一项对照研究
在庞大的互联网文本语料库上预先训练的语言模型（LM）成为高效的上下文学习器;它们可以从一个任务的几个例子中归纳出答案来回答新的例子（Brown等人，2020年;双子座团队Google，2023年）。预训练的LM还可以使用相对较少的示例针对下游任务进行微调--尽管通过微调实现良好的泛化通常需要数百到数千个示例（例如Kirstain等人，2022年;维埃拉等人，2024年）的报告。事实上，对一个特定例子进行微调所得到的概括是非常有限的;
2025-06-04 19:21:59
1214
原创 无相关标签的精确零镜头密集检索
虽然密集检索已经被证明是跨任务和跨语言的有效和高效的，但是当没有可用的相关性标签时，仍然难以创建有效的完全零触发密集检索系统。在本文中，我们认识到零触发学习和编码相关性的困难。相反，我们建议以假设文档嵌入（HyDE）为中心。给定一个查询，HyDE第一个零触发提示一个遵循查询的语言模型（例如，指示GPT）生成一个假设文档。该文档捕获了相关性模式，但它是“假的”，可能包含幻觉。然后，无监督的对比学习编码器（例如，Contriever）将文档编码为嵌入向量。
2025-06-04 15:14:10
861
原创 逐步检索增强推理的跨知识库路由学习
检索增强生成（RAG）方法[2，28，44]使大型语言模型（LLM）能够从维基百科，研究论文和网页等文本来源访问外部知识[6，61，27]。这种外部信息作为一种形式的“记忆”，模型可以在推理过程中参考[4，15，62]，有助于减轻幻觉并提高许多知识密集型任务的性能[10，18，29]。然而，在现实世界的场景中，这样的外部“记忆”通常来自不同的知识库，例如图像-标题对、文本文档和表格数据。这些在支持模型获取用于回答查询的各种知识方面发挥着独特的作用。
2025-06-02 20:27:06
968
原创 知识图谱增强的大型语言模型编辑
大型语言模型（LLM）是推进自然语言处理（NLP）任务的关键，但其效率受到不准确和过时知识的阻碍。模型编辑是解决这些挑战的一个有前途的解决方案。然而，现有的编辑方法很难跟踪和整合与编辑相关的知识变化，这限制了PostEdit LLM处理编辑知识的概括能力。为了解决这些问题，我们提出了一种新的模型编辑方法，利用知识图来增强LLM编辑，即GLAME。具体来说，我们首先利用知识图增强模块来发现由于编辑而发生变化的相关知识，并在LLM中获得其内部表示。这种方法允许LLM内的知识变更通过外部图形结构反映出来。
2025-05-30 21:09:35
1594
原创 时态知识图预测的历史链推理
时态知识图预测的目的是根据给定的历史数据预测未来的事实。最新的基于图的模型在捕获TKG中的结构信息方面表现出色，但缺乏语义理解能力。目前，随着LLM的兴起，基于LLM的TKG预测模型应运而生。然而，现有的基于LLM的预测模型存在三个不足：（1）只关注一阶历史信息进行预测，而忽略了高阶历史信息，导致线性回归模型所能提供的信息极其有限。(2)在历史信息负载繁重的情况下，LLM难以获得最佳推理性能。(3)对于TKG预测，单独的LLM的时间推理能力是有限的。
2025-05-27 16:39:11
1073
原创 图上思维：基于知识图的大型语言模型的深层可靠推理
大型语言模型（LLM）（Ouyang等人，2022年;OpenAI，2023年;Thoppilan等人，2022;Brown等人，2020年a;乔杜里等人，2022年;Touvron等人，2023）在各种自然语言处理任务中表现出了卓越的性能。这些模型利用应用于大量文本语料库的预训练技术来生成连贯且上下文适当的响应。尽管LLM具有令人印象深刻的性能，但它们在面对复杂的知识推理任务时具有实质性的局限性（Petroni等人，2021年;Talmor等人，2019年;Talmor & Berant，2018年;
2025-05-09 21:18:56
1230
1
原创 神经子图同构计数
计算子图同构的目的是确定给定图的匹配的子图的数量（即，同构于）感兴趣的特定图案图。它是知识发现和数据挖掘应用中有用的图相关任务之一，例如，在生物信息学中发现蛋白质相互作用[1，34]，在化学信息学中为新药开发寻找活性化合物[24]，以及在在线社交网络分析中挖掘社交结构[30]。此外，寻找子结构对于异构信息网络（HIN）（如知识图和推荐系统）是有用的[13，25，26，59]。HIN模式上的丰富类型提供了有意义的语义，因此计数本身对于各种类型的查询都很有价值。
2025-04-14 20:05:27
1126
1
原创 图神经网络可以计算子结构吗？
近年来，图神经网络（GNN）在处理来自各个领域的数据方面取得了经验性的成功，例如社交网络，量子化学，粒子物理学，知识图和组合优化[4，5，9，10，12，13，29，31，47，55，58，66，67，69，70，71，73，74]。由于这些进展，人们对研究GNN的表达能力越来越感兴趣。其中一项工作是研究它们区分非同构图的能力。在这方面，Xu等人。[64]和Morris等人。
2025-04-13 11:51:37
818
原创 知识图引导的检索增强生成
近来，大型语言模型（LLM）（Li等人，2024年;Ren等人，2024年;Touvron等人，2023;Brown等人，2020）已经在包括问题回答在内的广泛的现实世界任务中取得了显著的成功（Sen等人，2023），辅助书写（Calamo等人，2023）、代码生成（Cheng等人，2024），以及许多其他人（Kaddour等人，2023年;Wu等人，2023年）的报告。然而，幻觉（Xu等人，2024 b;Liu等人，2024 a）成为关键的挑战，这通常是由于包含过时的信息或缺乏特定于域的知识而导致的。
2025-03-29 17:29:24
882
原创 生成信息提取的大型语言模型综述
信息提取（IE）是自然语言处理（NLP）中的一个关键领域，它将纯文本转换为结构化知识（例如，实体，关系和事件），并作为广泛的下游任务的基本要求，如知识图构建[1]，知识推理[2]和问题回答[3]。典型的IE任务包括命名实体识别（NER），关系提取（RE）和事件提取（EE）[4，5，6，7]。然而，执行IE任务本身就是一项挑战。这是因为IE涉及从各种来源提取信息，并处理复杂和不断变化的领域需求[8]。与传统的NLP任务不同，IE包含广泛的目标，如实体提取，关系提取等。
2025-03-28 18:13:19
1294
原创 leetcode hot100(五）
这个只要读懂了就很好理解，首先定义两个指针作为边界，因为装雨水的话就像木桶效应一样，关键是看短的那一条，能装下的就是两个边界之间的距离乘以两个边界中的最小值，接下来就是一个移动指针的思考，因为主要是看短边，所以移动长边事没意义的，因此选择移动短边并重新计算对应的雨水，迭代的过程不断更新ans取最大值,最后当两个指针相遇时结束。轴共同构成的容器可以容纳最多的水。今天是2025年3月17日星期一。找出其中的两条线，使得它们与。返回容器可以储存的最大水量。
2025-03-19 22:10:34
287
原创 leetcode hot100(四）
这个逻辑真的很巧妙，我也说不清楚为什么可以这样，自己用demo 手动模拟了一遍，感觉就是每次当right 所指的数不是0 的时候，交换了与left 的数值，如果换了之后还不是0 ，因为left 右移了，所指的数也更新了，然后就会继续交换，left 继续后指直到 right 所指的数变为0,right 后移。循环结束的条件是right 等于vector 的size,因为正常index 从0开始，当right = n 的时候说明已经指到了数组的最后一个位置的后面一个地方，表示已经处理完毕了。
2025-03-17 10:34:14
287
原创 leetcode hot 100(三）
生成长度的首先判断哈希表中是否有该元素的前一个值，如果有就跳过不执行，如果没有，初始化一个当前数值的记录以及长度为1，接下来进入while循环，如果哈希表中存在当前数值的后一个值，则更新当前数值为下一个数，长度也相应增加。初始化一个返回的答案长度为0，之后遍历每一个哈希表中的数的时候都会生成一个新的长度，在每一个数的时候都进行迭代更新取两者之间的最大值。，找出数字连续的最长序列（不要求序列元素在原数组中连续）的长度。创建了一个哈希表，可以去掉重复的元素。今天是2025年3月14日。最后返回最终答案即可。
2025-03-14 16:53:38
326
原创 代码小白勇闯leetcode100（二）
今天是2025年3月13日给你一个字符串数组，请你将组合在一起。可以按任意顺序返回结果列表。是由重新排列源单词的所有字母得到的一个新单词。感觉自己水平只能把题解看懂。
2025-03-13 14:54:30
368
原创 代码小白勇闯leetcode hot100
重生之我要成为算法大佬！今天是2025年3月12日，我下定决心从今天开始每天做一道算法题！给定一个整数数组nums和一个整数目标值target，请你在该数组中找出target的那整数，并返回它们的数组下标。你可以假设每种输入只会对应一个答案，并且你不能使用两次相同的元素。你可以按任意顺序返回答案。好吧，我承认自己没做出来，照着题解敲了一遍，但是我只要慢慢学，以后一定可以做出来的！
2025-03-12 21:15:14
238
原创 CODE-ACCORD：一个为自动合规检查生成规则而构建监管数据的语料库
建筑规范制定了规定建筑物和构筑物最低安全和福利要求的法规和标准。在建筑的整个生命周期内，包括设计、施工和翻新/拆除，遵守这些规范对于保证建筑设计的稳定性、安全性、可用性和可靠性至关重要。尽管合规检查传统上是手动进行的，但由于手动方法需要大量的时间和人力资源，现在越来越多的人希望自动化这一过程1、2。语义更丰富的建筑信息模型（BIM）的进步进一步鼓励了这一趋势，使自动合规性检查（ACC）成为可能3。
2025-03-12 15:01:10
785
原创 利用图神经网络学习计算同构-技术附录
我们在Alg.1中展示了训练CountGNN的算法。在第1行中，我们初始化所有参数以及目标L。在第3-13行中，我们累加给定训练元组的损失。具体地说，在第4-8行中，我们进行了递归的以边为中心的聚合。在第5-7行中，我们计算每条边的边中心表示。然后，在第9行和第10行中，我们通过分别聚合查询图和输入图的所有包含边中心表示来形成图表示。在行11中，采用计数器模块来预测Gi的同构于Qi的子图的数目.在第12行中，我们累计损失。在第14行中，我们形成了总体目标。最后，在第15行中，我们通过最小化目标L来优化模型。
2025-03-11 14:02:31
595
原创 DeepSeek-R1：通过强化学习激励LLM的推理能力
近年来，大型语言模型（LLM）一直在经历快速的迭代和演变（Anthropic，2024;OpenAI，2024 a），逐渐缩小了与人工通用智能（AGI）的差距。最近，后训练已成为整个训练流水线的一个重要组成部分。它可以提高推理任务的准确性，与社会价值观保持一致，并适应用户的偏好，同时相对于预训练，它只需要相对最少的计算资源。在推理能力方面，OpenAI的o 1（OpenAI，2024 b）系列模型是第一个通过增加思维链推理过程的长度来引入推理时间缩放的模型。
2025-03-10 13:08:46
839
原创 管理和挖掘图形数据（二）
图挖掘与管理近年来已成为一个热门的研究领域，因为它在计算生物学、软件缺陷定位和计算机网络等广泛的实际领域得到了广泛的应用。不同的应用程序会产生不同大小和复杂性的图形。相应的，不同的应用对底层挖掘算法有不同的要求。在本章中，我们将提供不同类型的图挖掘和管理算法的调查。我们还将讨论一些依赖于图表示的应用程序。我们将讨论不同的图挖掘算法如何适应不同的应用程序。最后，我们将讨论该领域未来研究的重要途径。图挖掘近年来在计算生物学、软件缺陷定位和计算机网络等领域得到了广泛的应用，已成为一个热门的研究领域。
2025-02-27 23:14:27
1180
原创 基于图神经网络的图摘要研究综述
随着大规模图的日益普及，在提取、处理和解释大型图数据方面出现了越来越多的计算挑战。因此，寻找方法来总结这些扩展图，同时保留它们的关键特征是很自然的。在过去，大多数图形摘要技术都试图从统计上捕捉图形中最重要的部分。然而，今天，现代图数据的高维和复杂性使得深度学习技术更加流行。因此，本文对基于图神经网络(gnn)的深度学习总结技术的进展进行了全面的综述。我们的研究包括对当前最先进的方法的回顾，包括循环gnn，卷积gnn，图自编码器和图注意力网络。
2025-02-27 23:14:08
1042
原创 回答子图查询的为什么问题
子图查询已被应用于搜索富属性图中的实体，例如知识库[1]和社交网络[2]。子图查询Q是具有指定“焦点”实体uo的图模式，用于指定感兴趣的实体。给定一个图G，它返回G (w.r.t)中的(top k)个实体Q(G)。一种排序函数，它与理想的属性值相匹配，并满足拓扑约束。对子图查询的查询处理进行了广泛的研究[3]。然而，对于最终用户来说，编写这样的查询是一项重要的任务。由于对数据的先验知识很少，用户通常必须多次修改查询才能找到理想的答案。因此，查询重写所支持的解释功能有助于他们将查询调优到理想的答案。
2025-02-27 23:13:17
588
原创 图数据的管理与挖掘
Web看起来怎么样?我们如何区分一个“不正常的”社交网络和一个“正常的”社交网络?这些和类似的问题在许多领域都很重要，因为这些领域的数据可以直观地转换为图表;例子包括计算机网络、社会学、生物学等等。实际上，数据库术语M:N关系都可以表示为图。许多问题可以归结为以下内容:“我们如何生成合成但真实的图形?”为了回答这个问题，我们必须首先了解现实世界图表中常见的模式，从而可以将其视为常态/现实主义的标志。本调查概述了在这些问题上所做的令人难以置信的各种工作。
2025-02-27 23:12:44
976
原创 子图匹配的综合调查和实验研究：趋势、无偏性和相互作用
在大型图中搜索特定结构是图挖掘的基本操作，正式定义为子图匹配。如图1所示，给定一个大型数据图𝐺和一个查询图𝑄，子图匹配枚举所有嵌入𝑓，这些嵌入将𝑄中的每个顶点映射到𝐺中同态子图的相应顶点。在本文中，我们主要研究无向图和有标记顶点的连通图。注意，带有标记边的图也将在4.3节中讨论。一般来说,我们认为查询图𝑄=(𝑉𝑄,𝐸𝑄,Σ,𝐿𝑄)和数据图𝐺=(𝑉𝐺,𝐸𝐺,Σ,𝐿𝐺),在𝑉𝑄和𝑉𝐺顶点集,𝐸𝑄和𝐸𝐺套边,Σ是一组标签,和𝐿𝑄:𝑉𝑄→Σ和𝐿𝐺:?
2025-02-27 23:12:23
829
原创 机器视觉论文阅读（四）
在过去的十年中，计算机图形学在基于图像的渲染领域经历了一波活动，因为研究人员探索了捕捉真实世界的样本作为图像并使用它们合成新视图的想法，而不是从头开始重建整个物理世界。这反过来又激发了人们对基于图像的纹理合成算法的兴趣。这样的算法应该能够获取纹理样本并生成无限数量的图像数据，这些图像数据虽然与原始图像不完全相同，但会被人类感知为相同的纹理。此外，能够将纹理从一个对象转移到另一个对象将是有用的。剪切和粘贴任意对象上的材料属性的能力)。在本文中，我们提出了一个非常简单的算法来解决纹理合成问题。
2024-12-12 12:53:11
843
1
原创 机器视觉论文阅读（三）
纹理合成一直是计算机视觉中一个活跃的研究课题，无论是作为验证纹理分析方法的一种方式，还是作为其本身的一种方式。一个成功的纹理合成算法的潜在应用是广泛的，包括遮挡填充、有损图像和视频压缩、前景去除等。纹理合成的问题可以表述如下：让我们将纹理定义为无限二维平面上的某种视觉图案，在某种尺度上具有固定分布。给定来自某些纹理（图像）的有限样本，目标是合成来自相同纹理的其他样本。如果没有额外的假设，这个问题显然是病态的，因为给定的纹理样本可能是从无数不同的纹理中提取的。
2024-12-11 22:58:45
1183
1
原创 机器视觉论文阅读（二）
当今显示设备的多样性和多功能性对数字媒体提出了新的要求。例如，设计师必须为网页内容创建不同的替代方案，并为不同的设备设计不同的布局。此外，HTML以及其他标准可以支持页面布局和文本的动态更改。然而，到目前为止，图像虽然是数字媒体中的关键元素之一，但通常在大小上保持刚性，不能自动变形以适应不同的布局。在其他情况下，图像的大小或宽高比必须改变，以适应不同的显示器，如手机或pda，或在给定的纸张尺寸或分辨率上打印。标准的图像缩放是不够的，因为它与图像内容无关，通常只能均匀地应用。
2024-12-11 16:13:35
1321
1
翻译 机器视觉作业（一）阅读论文Hybrid images
在这里，我们利用人类视觉的多尺度感知机制来创造视觉错觉（混合图像），其中可以通过改变观看距离或呈现时间来感知图像的两种不同解释。我们使用并扩展了Schyns和Oliva [1994；1997;1999]。图1示出由两个图像组装的混合图像的示例这些面孔表现出不同的情绪。高空间频率对应于带有“悲伤”表情的脸。低空间频率对应于具有“高兴”和“惊讶”情绪的同一张脸（即，情绪从左到右依次为：高兴、惊讶、高兴和高兴）。要从一种解释转换到另一种解释，可以离图片几米远。
2024-11-22 17:51:44
259
原创 图数据管理与挖掘（十二）图模式挖掘
图的顶点集用表示，边集用表示。标签函数，将顶点或边映射到标签。图是另一个图的子图，如果存在从到的子图同构，用表示。被称为的超图。对于两个有标签的图和.子图同构是一个映射函数使得其中和分别是图和的标签函数，被称为在中的嵌入。给定一个带标签的图数据集和子图的支持图组。푔的支持。频繁图是指其支持度不小于最小支持阈值的图。一个重要的性质，称为反单调性，是限制频繁子图挖掘的搜索空间的关键。反单调性意味着一个大小为。
2024-10-30 20:24:12
1275
原创 图管理与挖掘（七）精确和不精确图匹配：方法和应用
经过多年的研究，模式识别、机器学习和数据挖掘等领域已经达到了很高的成熟度[4]。用于分类、聚类、信息检索和其他任务的强大方法已经出现。然而，这些方法中的绝大多数依赖于以特征向量的形式给出的对象表示。这样的对象表示有许多有用的属性。例如，用欧几里得距离可以很容易地计算出两个物体的不相似度或距离。此外，对于智能信息处理中的数据挖掘、信息检索和相关任务，已经有了大量完善的方法。然而，最近人们对基于图的对象表示越来越感兴趣[16]。图是功能强大且通用的数据结构，能够显式地为给定对象的子结构之间的关系网络建模。
2024-10-24 12:31:42
1334
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人