知识图谱从0到-1的笔记——4.知识抽取与知识挖掘

已于 2022-03-26 14:27:43 修改
阅读量1.4k 收藏 2
点赞数 3
分类专栏： 知识图谱 文章标签： 知识图谱 人工智能
于 2021-10-21 15:41:22 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY 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.youkuaiyun.com/weixin_43532000/article/details/120868784
版权

开始知识图谱从0到-1，用的书是《知识图谱方法、实践与应用》，做些阅读笔记，如有错误内容，望各位指正。

知识抽取与知识挖掘

知识抽取与知识挖掘

    知识抽取是构建大规模知识图谱的重要环节，而知识挖掘则是在已有知识图谱的基础上发现其隐藏的知识。

1.知识抽取问题

1.1 知识抽取的场景（数据源）：

  • 半（结构化）文本数据：百科知识中的Infobox、规范的表格、数据库、社交网络等

请添加图片描述

  • 非结构化文本数据：网页、新闻、社交媒体、论文等请添加图片描述
  • 多媒体数据：图片、视频
    请添加图片描述

1.2 信息抽取、知识抽取的区别与联系

信息抽取知识抽取
区别信息抽取获得结构化数据知识抽取获得机器可理解和处理的知识（知识表示）
联系知识抽取建立在信息抽取基础上，普遍利用到自然语言处理处理技术、基于规则的包装器和机器学习等技术

1.3 知识抽取的基本流程及相关任务

  • 知识抽取的总体流程：是自动化地从文本中发现和抽取相关信息，并将多个文本碎片的信息进行合并，将非结构化数据转换为结构化数据，包括某一特定领域的模型、实体关系或RDF三元组

在从文本抽取信息时，一般会涉及到以下一些任务：

  1. 命名实体识别：从文本中检测出预定义的类别：人物、组织、地点、时间等
  2. 关系抽取：从文本中识别出实体与实体之间的关系
  3. 事件抽取：从文本中识别出事件信息，如何时何地发生了什么事情

2.面向结构化数据的知识抽取

    垂直领域的知识往往来源于支撑企业业务系统的关系数据库，因此从数据库这种结构化数据中抽取知识也是一类重要的知识抽取方法。以下将介绍直接映射（Direct Mapping，DM），R2RMI两种映射语言，用于定义关系数据库中的数据如何转换为RDF数据的各种规则（URI的生成、RDF类和属性的定义、空节点的处理、数据间关联关系的表达等）

1.2.1 直接映射DM

    直接映射定义了一个从关系数据库到RDF图数据的简单转换，即将关系数据库表结构和数据直接转换为RDF图，关系数据库的数据结构直接反映在RDF图中。

  • 直接映射的规则主要如下：
抽取对象映射为
表(Table)类（Class）
列（Column）属性(Property)
行（Row）资源/示例（Resource/Instance）
单元(Cell)属性值(Property Value
外键(Foreign Key)指代(Reference)
  • 映射例子:
    例如从下面两个数据库表映射为RDF数据

People表

PK->Address(ID)
IDfnameAddress(ID)
7Bob18
8SueNuLL

Address表

PK
IDcitystate
18CambridgeMA

基于直接映射标准，上述的两个表可以映射为如下的RDF数据

@base <http://foo/example/DB/>.
@prefix xsd: <http://www.w3.org/2001/XMLSchema#> .

<People/ID=7> rdf:type <People> .
<People/ID=7> <People#ID> 7 .
<People/ID=7> <People#fname> "Bob" .
<People/ID=7> <People#addr> 18 .
<People/ID=7> <People#ref-addr> <Addresses/ID=18> .

<People/ID=8> rdf:type <People> .
<People/ID=8> <People#ID> 8 .
<People/ID=8> <People#fname> "Sue" .

<Addresses/ID=18> rdf:type <Addresses> . 
<Addresses/ID=18> <Addresses#ID> 18 . 
<Addresses/ID=18> <Addresses#city> "Cambrifge" .
<Addresses/ID=18> <Addresses#state> "MA".

1.2.2 R2RML

R2RML是一种用于表示从关系数据库到RDF数据集的自定义映射语言。

  1. 提供了在RDF数据模型下查看现有关系型数据的能力
  2. 基于用户自定义的结构和目标词汇表示原有的关系型数据
  3. 直接映射生成的RDF图结构直接反映了数据库的结构，目标RDF词汇直接反映了数据库模型元素的名称，结构目标词汇 都不能改变。
  4. R2RML映射是通过逻辑表（Logic Tables）丛数据库中检索数据。逻辑表突破了关系数据库的物理结构的限制，为不改变数据库原来的结构而灵活地按需生成RDF数据奠定了基础。
  • R2RML的映射例子
    请添加图片描述
    映射为RDF数据，期望输出结果如下：
<http://data.exaple.com/employee/7369>  rdf:type ex:Employee .
<http://data.exaple.com/employee/7369> ex:name "SMITH".
<http://data.exaple.com/employee/7369> ex:department <http://data.exaple.com/department/10>
<http://data.exaple.com/department/10> rdf:type ex:Department.
<http://data.exaple.com/department/10> ex:name "APPSERVER".
<http://data.exaple.com/department/10> ex:location "NEW YORK"
<http://data.exaple.com/department/10> ex:staff 1.

R2RML的映射文档

@prefix rr:<http://www.w3.org/ns/r2rml#>.
@prefix ex:<http://exmaple.com/ns#>.
<#TripleMap1>
	rr:logicalTable [rr:tableName "EMP"];
	rr:subjectMap[
		rr:template “http://data/example.com/employee/{EMPNO}”;
		rr:class ex:Employee;
];
rr:predicateObjectMap[
	rr:predicate ex:name;
	rr:objectMap[ rr: column "ENAME"];
].

3.面向非结构化数据的知识抽取

    大量数据都是以非结构化数据（即自由文本）的形式存在，如新闻报道、科技文献等，而面向文本数据的知识抽取一直是广受关注的问题。是当前知识图谱构建的技术评价。其中关键的技术包括：实体识别，关系抽取，事件抽取

3.1 实体抽取

    实体抽取有称为命名实体抽取，母的就是从文本汇总抽取实体信息元素，即文本中的人名、组织、地理位置、时间、字符、数值等等。总体上可以将方法分为：基于规则的方法、基于统计模型的方法和基于深度学习的方法下。图为实体抽取的示例。
在这里插入图片描述

3.3.1 语料标注

    在进行预料标注时，通常采用Inside-Outside-Beginning(IOB)或Inside-Outside(IO)标注体系对文本进行人工标注。
即在IO体系中，“特朗普”、“白宫”是句子中的实体。在IOB体系中，“特朗普”、“白宫”是句子中的实体，其中“特”和“白”是实体词的起始词。
请添加图片描述

3.1.2 基于规则的方法

    采用人工编写规则的方式进行实体抽取，首先需要构建大量的实体抽取规则，通常需要一定领域知识的专家手工构建。然后将规则和文本字符进行匹配进行实体的提取。

3.1.3 基于统计学习的方法

    基于统计学习的方法主要包括：隐马尔科夫模型(HMM)、最大熵马尔科夫模型(MEMM)、条件随机场(CRF)、支持向量机(SVM)

3.1.3.1 隐马尔可夫模型
  • 有向图模型
  • 生成模型
  • 特征分布独立假设
    请添加图片描述
3.1.3.2 条件随机场
  • 无向图模型
  • 判别式模型
  • 无特征分布独立假设
    请添加图片描述
3.1.4 基于深度学习的方法

    基于深度学习的方法直接以文本中词的向量为输入，通过神经网络实现端到端的命名实体识别，不再依赖人工构建的特征。目前主要使用卷积神经网络(CNN)、循环卷积网络(RNN)、以及引入注意力机制的方法。通过输入到作为编码器的神经网络得到新的词向量表示，最后再通过CRF模型对每个词进行标注。

3.2 关系抽取

    关系抽取是从文本中取出两个或者多个实体之间的语义关系，主要分为：基于模板的关系抽取方法，基于监督学习的关系抽取方法，基于弱监督学习的关系抽取方法。

  • 语义关系：
    1. 是指隐藏在句法结构后面由词语的语义范畴建立起来的关系
    2. 在句子中地位很重要
    3. 连接文本中的实体
    4. 与实体一起表达出文本中的含义
    5. 并不是很难识别
      请添加图片描述
3.2.1 基于模板的关系抽取方法

    早期的实体关系抽取方法大多是基于模板匹配实现的。
例如：
“【X】住在【Y】”即表示了住址的关系。

3.2.1 基于监督学习的关系抽取方法

    基于监督学习的关系抽取将关系抽取转化为分类问题，在大量标注数据的基础上，训练有监督学习模型进行关系抽取。

  • 一般流程：
    1. 标注数据
    2. 特征工程
    3. 选择分类模型
    4. 训练模型
    5. 评估模型
3.2.1 基于弱监督学习的关系抽取方法

    由于基于监督学习的关系抽取方法需要大量的标注数据。当语料不足时，弱监督学习的方法可以利用少量的标注数据进行模型学习。其方法主要包括远程监督方法和Bootstrapping方法。

  • 远程监督方法
        通过将知识图谱与非结构化文本对齐的方式自动构建大量的训练数据，减少模型对人工标注数据的依赖。
    远程监督的基本假设是如果两个实体在知识图谱中存在某种关系，则包含两个实体的句子均表达这种关系。
    例如：在某知识图谱中存在实体关系创始人（乔布斯，苹果公司），则包含实体乔布斯和苹果公司的句子“乔布斯是苹果公司的联合创始人和CEO”则可用作关系创始人的训练正例。
    一般步骤为：
  1. 从知识图谱中抽取存在的目标关系的实体对
  2. 从非结构化文本中抽取含有实体对的句子作为训练样例
  3. 训练监督学习模型进行关系抽取
  • Bootstrapping
    利用少量的示例作为初始种子集合，在种子集合上获得关系抽取模板，再利用模板抽取更多的实例，加入种子集合中，通过不断迭代，BootStrapping方法可以从文本中抽取出大量实例。

3.3 事件抽取

-事件：事件是发生在某个特定的时间点或时间段、某个特定的地域范围内，由一个或多个角色参与的一个或者多个动作组成的状态的改变

-事件抽取:从自然语言文本中抽取出用户感兴趣的事件并且以结构化的形式呈现出来，如什么人、组织，在什么时间，在什么地方，做了什么事情。

请添加图片描述

3.3.1 事件抽取的流水线的方法

    流水线方法将事件抽取任务分解为一系列基于分类的子任务，包括事件识别、元素抽取、属性分类和可报告行判别。其中每一个子任务都有一个机器学习分类器负责实施。

3.3.2 事件的联合抽取方法

    联合抽取方法首先建立事件抽取子任务的模型，然后将各个模型的目标函数进行组合，形成联合推断的目标函数

4.知识挖掘

    知识挖掘是从已有的实体及实体的关系出发挖掘新的知识，具体包括知识内容挖掘和知识结构挖掘

4.1 实体链接

    实体链接是一种知识内容挖掘的方法，是指将文本中的实体指称（Mention）链向其在给定知识库中目标实体的过程。

  • 指称(Mention):自然文本中表达实体的语言片段
  • 实体链接（Entity Linking）:把文本中的Mention链接到KG里的Entity的任务
    请添加图片描述
  • 实体链接的基本流程如下：实体指称识别、候选实体生成、候选实体消歧
    请添加图片描述
4.1.1 实体指称识别

实体链接的第一步就是要识别出实体的指称，主要是通过实体识别技术或者词典匹配技术。其中词典匹配技术需要首先构建问题领域的实体指称词典，通过直接与文本匹配识别指称。

4.1.2 候选实体生成

候选实体生成式确定文本中实体指称可能指向的实体集合。例如“乔丹”可能指向“NBA运动员乔丹”或是“深度学习的乔丹”

  • 表层名字拓展
    某些实体提及(Mention)是缩略词或者是全名的一部分,因此可以通过表层名字拓展技术，从实体提及识别到其他可能的变体（可能是实体全名）。例如："University of Illinois at Urbana-Champaign(UIUC)"

  • 基于搜索引擎的方法
    将实体提及和上下文文字提交至搜索引擎，可以根据搜索引擎返回的检索结果生成候选实体。

  • 构建查询实体引用表
    很多实体链接系统都基于维基百科数据构建查询实体引用表，建立实体提及与候选实体的对应关系。它可以看作是一个<键，值>对的映射
    请添加图片描述

4.1.3 候选实体消歧

在确定文本的实体指称和它们的候选实体后，实体链接系统需要为每一个实体指称确定其指向的实体

  • 基于图的方法
    基于图的方法将实体指称、实体以及他们之间的关系通过图的形式表示出来，然后在图上对实体指称之间、候选实体之间、实体指称与候选实体之间的关联关系进行协同推理。
  • 基于概率生成模型
    基于概率生成模型对实体提及和实体的联合概率进行建模，可以通过模型的推理求解实体消歧问题
  • 基于主题模型的方法
    基于同一文本中出现的实体应该与文本表示的主题相关的思想，通过实体-主题模型，可以对实体在文本中的相容度，实体与话题的一致性进行联合建模，从而提升实体链接的结果。
  • 基于深度学习的方法
    在候选实体消歧的过程中，准确计算实体的相关度十分重要。因为在利用上下文中信息或进行协同实体消歧时，需要评价实体与实体的相关度。

参考

  1. https://github.com/npubird/KnowledgeGraphCourse
知识图谱——知识抽取（1）
流晨的博客
07-21 5813
文章目录知识抽取任务定义概念目的数据源子任务面向非结构化数据的知识抽取实体抽取关系抽取事件抽取 本文主要是归纳整理了王昊奋《知识图谱：方法、实践与应用》这本书里有关知识抽取的非结构化数据抽取的部分。 知识抽取任务定义 概念 知识抽取的概念最早是20世界70年代后期出现在自然语言处理领域的，它是指自动化地从文本中发现和抽取相关信息，并将多个文本碎片中的信息进行合并，将非结构化数据转换为结构化数据。 具体是什么意思呢，我们看一个例子。 这是一段关于苹果公司的介绍文字，它是属于非结构化数据，通过知识抽取，我
知识图谱--知识抽取
weixin_52185313的博客
06-13 2812
知识抽取是知识图谱与NLP的交叉领域；知识图谱工程 可以从关系型数据库中获取知识 从视觉数据获取知识,（Scene Graph Construction之前的Caption-LSTM看图说话也可以理解为从视觉数据获取知识） 从文本获取知识 核心就是NLP的序列标注问题，这里不再赘述；最开始先是机器学习模型HMM为主，后被深度学习模型取代BiLSTM-CRF；总结一下HMM模型即可对于网络的Head部分有这样几个常用的结构Softmax层，简单粗暴CRF层，考虑上下文信息(在CRF层之前是一个映射到类别的FC
带你从入门到精通——知识图谱（四. 关系抽取）
最新发布
2401_86480334的博客
04-04 954
关系抽取是指从给定的、包含两个及以上实体的文本中，预测实体之间的关系并抽取出关系三元组〈S，P，O〉，其中S表示subject，即主语、主实体、头实体P表示predicate，即谓语、关系O表示object，即宾语、客实体、尾实体，因此，关系抽取也属于文本分类任务。关系抽取需要完成两大任务：首先是识别出文本中的实体对，其次是预测实体对直接的关系并抽取出关系三元组，正常来说关系三元组是没有重叠的，但是在某些情况下可能会出现问题或者EPO（Entity Pair Overlap）问题。
知识图谱入门 (三) 知识抽取
热门推荐
pelhans的博客
04-20 5万+
欢迎大家关注我的博客 http://pelhans.com/ ，所有文章都会第一时间发布在那里哦~ 本节介绍了针对结构化数据、非结构化数据、半结构化数据的知识抽取方法。 知识抽取的概念 知识抽取，即从不同来源、不同结构的数据中进行知识提取，形成知识(结构化数据)存入到知识图谱。大体的任务分类与对应技术如下图所示： 知识抽取的子任务 命名实体识别 检测: 北京是忙碌...
知识图谱学习笔记——（四）知识图谱的抽取与构建
lucky7213的专栏
05-05 3628
知识图谱学习笔记——（四）知识图谱的抽取与构建
知识图谱学习笔记四（知识抽取与挖掘）
liuhuabing760596103的专栏
08-12 1242
知识抽取任务以及相关竞赛 知识抽取基本定义 实现自动化构建大规模知识图谱的重要技术。目的在于从不同来源、不同结构的数据中进行知识提取并存储在知识图谱中。 知识抽取子任务 命名实体识别（如：人物、组织、地点、时间等）； 关系抽取（实体与实体之间的关系） 事件抽取（识别出文本中关于事件的相关信息，并以结构化的形式呈现） 知识抽取相关竞赛 1.消息理解会议（MUC）：指出召回率、精确率是评价信息抽取系统性能的...
知识图谱学习笔记（七）——关系抽取
aidanmo的博客
12-31 1259
关系抽取 1. 关系抽取任务定义 定义：Alexander Schutz等人认为关系抽取是自动识别由一对概念和联系这对概念的关系构成的相关三元组。 eg. 特朗普是美国的总统。 总统（特朗普，美国） 网络文本信息结构 结构化数据（infobox）：置信度高，规模小，缺乏个性化的属性信息 半结构化数据：置信度较高，规模较大，个性化的信息，形式多样，含有噪声 纯文本：置信度低，复杂多样...
知识图谱学习笔记（一）—— 知识图谱介绍
淡蓝苏打的博客
05-19 2635
1.知识图谱的研究目标与意义 知识图谱（Knowledge Graph）以结构化的形式描述客观世界中概念、实体及其关系，将互联网的信息表达成更接近人类认知世界的形式，提供了一种更好地组织、管理和理解互联网海量信息的能力。 知识图谱技术是指知识图谱建立和应用的技术，是融合认知计算、知识表示与推理、信息检索与抽取、自然语言处理与语义 Web、数据挖掘与机器学习等方向的交叉研究。 知识图谱的应用： 知识融合：当前互联网大数据具有分布异构的特点，通过知识图谱可以 对这些数据资源进行语义标注和链接，建立以知识为中心
知识图谱笔记（1）——知识图谱基础
aidanmo的博客
07-02 1676
文章目录1. 什么是知识图谱2. 知识图谱的计算3. 知识图谱的存储3.1 RDF存储3.2 图数据库存储3.3 RDF与图数据存储的区别 1. 什么是知识图谱 知识图谱（Knowledge Graph）是由谷歌公司2012年提出来的新名词，其初衷是优化搜索殷勤返回的结果，增强用户搜索质量及体验。 实际上，知识图谱并不是一个全新的概念，早在 2006 年就有文献提出了语义网（Semantic Network）的概念，呼吁推广、完善使用本体模型来形式化表达数据中的隐含语义，RDF（resource descr
知识图谱学习笔记（八）——事件抽取
aidanmo的博客
12-31 1591
事件抽取 1.事件抽取的任务定义 事件抽取是信息抽取中的难点问题 事件抽取依赖实体抽取和关系抽取 相较于实体抽取和关系抽取，事件抽取难度更大 实体抽取：1992年10月3日，奥巴马，米歇尔，三一联合基督教堂 关系抽取：夫妻关系：奥巴马，米歇尔 事件抽取：事件类型：结婚事件，配偶：奥巴马，配偶：米歇尔，事件：1992年10月3日，地点：三一联合基督教堂 事件的定义：事件起源于认知科学，...
学习笔记——《知识图谱导论》陈华钧第一章·知识图谱概述
weixin_44694174的博客
10-21 1157
目录 1.1语言与知识 1.2知识图谱的起源 1.3知识图谱的价值 1.4知识图谱的技术内涵 1.5建立知识图谱的系统工程观 1.1语言与知识 人工智能的流派——连接主义、符号主义连接主义：主张人工智能的实现应该模拟人脑的生理结构，即用计算机模拟人脑的神经网络连接（深度神经网络）；符号主义：主张只能的实现应该模拟人类的心智，即用计算机符号记录人脑的记忆，表示人脑中的知识（知识工程与专家系统）。 1.2知识图谱的起源 1.3知识图谱的价值 1.4知识图谱的技术内涵 ..
知识图谱学习笔记——知识抽取概述
bingo_csdn_的博客
02-02 2210
文章目录0. 前言1. 实体抽取1.1 基于规则的方法1.2 基于统计模型的方法1.2.1 训练语料标注1.2.2 特征定义1.2.3 训练模型1.3 基于深度学习的方法2. 关系抽取2.1 基于模板的关系抽取方法2.2 基于监督学习的关系抽取方法 0. 前言 最近在看王昊奋老师的《知识图谱》，打算做一下学习笔记，当作是知识梳理。 这篇文档主要梳理知识图谱中的知识抽取方面的内容。在知识抽取中，有面向非结构化数据，半结构化数据，以及结构化数据的知识抽取。非结构化数据指的是平时看到的文本，比如新闻文稿；结构化数
论文阅读小结：Infrared head pose estimation with multi-scales feature fusion on the IRHP database for human
福尔摩斯帅双的博客
10-01 326
参考文献： Hai Liu, Xiang Wang, Wei Zhang, et al. Infrared head pose estimation with multi-scales feature fusion on the IRHP database for human attention recognition. 2020, 411:510-520. 红外图像在抵抗光照改变和强透射光的场景下具有独一无二的优势。该论文主要建立了一个红外头部姿态数据集并在此数据集的基础上提出了一个新的CNN网络。
知识图谱之知识抽取
jinhao_2008的专栏
10-20 5399
知识抽取是知识图谱构建的核心技术之一，是实现自动化构建大规模知识图谱的重要技术。其目的主要从不同来源、不同结构的数据中进行知识提取并存入知识图谱中。知识抽取任务主要包括以下三个子任务：实体抽取、关系抽取和事件抽取。
9.知识图谱和知识挖掘的了解
人生是一场修行
11-01 1434
知识图谱想做的，就是在不同数据（来自现实世界）之间建立联系，从而带给我们更有意义的搜索结果。比如：用 Google 搜索自然语言处理，右侧会显示研究领域和相关概念。点击这些知识点，又可以深入了解；再比如，搜索一个人名时，右侧会给出此人的生平、背景、居住位置、作品等信息。
第19课：知识挖掘与知识图谱概述
春华秋实
09-22 1163
搜索技术日新月异，如今它不再是搜索框中输入几个单词那么简单了。不仅输入方式多样化，并且还要在非常短的时间内给出一个精准而又全面的答案。目前，谷歌给出的解决方案就是——知识图谱（Knowledge Graph）。 知识图谱能做什么？ 知识图谱想做的，就是在不同数据（来自现实世界）之间建立联系，从而带给我们更有意义的搜索结果。 比如，在上图中，用 Google 搜索自然语言处理，右侧会显示研究领域和...
知识图谱入门 【四】- 知识挖掘
Rnan_prince的博客
07-07 2109
知识挖掘 知识挖掘是指从数据中获取实体及新的实体链接和新的关联规则等信息。主要的技术包含实体的链接与消歧、知识规则挖掘、知识图谱表示学习等。其中实体链接与消歧为知识的内容挖掘，知识规则挖掘属于结构挖掘，表示学习则是将知识图谱映射到向量空间而后进行挖掘。 实体消歧与链接 实体链接的流程如上图所示，这张图在前一章出现过，那里对流程进行了简要说明。此处对该技术做进一步的说明。 示例一: 基于生成模型的 entity-mention 模型 该模型的流程如上图所示，文字表述为: 我们有两..
如何用知识图谱挖掘商业数据背后的宝藏？
Python大本营的博客
08-23 323
这是一个商业时代，一个数据为王的时代，也是一个 AI 迎来黄金发展期的时代。据史料记载，商业在商朝已初具规模。斗转星移，时光流转，到 2019 年，商业形式已发生翻天覆...
知识图谱（二）知识抽取
weixin_38527856的博客
10-11 873
一、知识抽取任务（实体抽取、关系抽取、事件抽取构建数据库） 从不同来源、结构的数据中进行知识抽取，形成知识存入到知识图谱 结构化数据：链接数据、数据库 半结构化数据：表格列表 纯文本数据（NLP领域--信息抽取） 最终形成RDF三元组、多元组事件、时序信息 子任务： 命名实体识别：检测及分类 术语抽取---文献资料、MOOC进行术语的抽取，形成知识点知识图谱 关系抽取 事件抽取：...
装备领域知识图谱构建与文本抽取教程-SPN模型实现
6. 装备领域文本抽取与知识图谱构建：这是一个特定的应用场景，涉及到从装备相关领域的文本中抽取信息，并构建一个专注于该领域的知识图谱。这需要对装备领域有足够的专业知识，以及对相关术语和实体有充分的理解。 ...
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