精华内容
下载资源
问答
  • 操作系统的基本特征有四个即:并发、共享、虚拟、异步
    千次阅读
    2022-03-21 17:09:15

    操作系统的基本特征有四个即:并发性、共享性、虚拟性、异步性

    1、 并发性: 指的是两个或者多个事件在同一时间间隔内发生即这个设备一会执行这个事件一会执行那个文件,多个事件共同使用一个设备。

    操作系统的并发性是指计算机系统中同时存在多个运行着的程序,因此它应该具有处理和调度多个程序同时执行的能力。在这种多道程序环境下,一段时间内,宏观上有多个程序在同时运行,而在每一时刻,单处理器环境下实际仅能有一道程序执行,故微观上这些程序还是在分时地交替执行。操作系统的并发性是通过分时得以实现的。而并行则是指两个或者多个事件在同一时刻发生,即两个或者多个事件互不影响,计算机在同一时间完成两种或两种以上的工作。

    2、 共享性: 指系统中的资源供内存中的多道程序所共同使用。

    共享有两种方式:互斥共享和同时访问。(1)互斥共享指的是多道程序之间的共享是互斥的,资源分配后到释放前不能被其它进程所用。类似于打印机你用我便不能再使用,只有当别人使用完才能使用。(2)而同时访问方式是多道程序之间可以都对一个资源进行访问,她们之间互不影响,都可以进行,例如对磁盘的访问和学生对于雪梨网站的访问。

    3、 虚拟性 :指通过某种技术把一个物理实体变成若干个逻辑上的对应物。

    虚拟性是一种管理技术,把物理上的一个实体变成逻辑上的多个对应物,或把物理上的多个实体变成逻辑上的一个对应物的技术。采用虚拟技术的目的是为用户提供易于使用、方便高效的操作环境。例如分时系统将一机虚拟为多机就是未来使得用户资源共享更加方便。具体表现为两种虚拟:(1)虚拟内存:当前要处理的作业所占的内存比计算机的内存小时,先调入部分作业,当这部分作业处理完之后再调入接下来要处理的部分作业,因而程序认为计算机内存足够大,此即虚拟了更大内存(2)虚拟外设:当计算机连接多个外部设备时,让多个外设工作的时间差在可接受范围内,近似于同时工作,此即虚拟外设。

    4、 异步性: 指的是系统中并发执行的多道程序“走走停停”即随时可能面对中断,以不可预知的速度向前推进。

    在多道程序环境下,允许多个程序并发执行,但由于资源有限,进程的执行不是一贯到底。而是走走停停,以不可预知的速度向前推进,也就是进程的执行顺序和执行时间不确定。这就是进程的异步性。

    更多相关内容
  • 借鉴正向设计的思想,提出了通过创建截面轮廓线来重建一类具有复杂轮廓特征的方法:首先选取合适的轮廓截面并得到截面轮廓数据点,然后排序轮廓数据点、识别轮廓线型、拟合分段曲线以及提取约束关系,进而实现截面...
  • 运用人名实体的个人信息特征和作者文献话题等特征,采用多特征的融合方法充分挖掘与实体相关联的信息,实现人名消歧。实验使用爬取的某数据库文献数据,进行了人名消歧特征的选取和参数的确定等实验,结果表明提出的...
  • 提出并使用了两种类型的词表示特征,包括词嵌入特征和基于聚类的特征。 此外,在学习过程中还探索了外部疾病词典的功能。 基于公开可用的NCBI疾病语料库,我们结合这些词表示功能来评估基于CRFs的模型的性能。 结果...
  • 传统的统计模型特征设计难度大、领域适应差,一些神经网络模型则忽略了词本身所具有的形态学信息。针对上述问题,该文构建了一种基于细粒度词表示的端到端模型(Finger-BiLSTM-CRF)来进行命名实体识别任务。该文首先...
  • 运用人名实体的个人信息特征和作者文献话题等特征,采用多特征的融合方法充分挖掘与实体相关联的信息,实现人名消歧。实验使用爬取的某数据库文献数据,进行了人名消歧特征的选取和参数的确定等实验,结果表明提出的...
  • 研究表明,深度神经网络在实体关系抽取任务上具有可行,并优于传统关系抽取方法。目前的关系抽取方法大都使用卷积神经网络(CNN)和长短期记忆神经网络(LSTM),然而CNN只考虑连续词之间的相关性而忽略了非连续词...
  • 物联网的远景规划是实现...然后提出用于衡量物理实体搜索服务的特征,并利用这些特征具有代表的搜索服务进行总结、分析和对比,指出它们的优缺点;最后对物理实体搜索服务未来可能的研究策略与突破方向进行展望。
  • 实体关系抽取是信息抽取的关键任务之一, 是一种... 通过在公共数据集NYT上进行实验证明了我们工作的先进和显著, 我们的模型在保持高精度的情况下, 召回率有了显著的提升, 比以往工作中的方法具有更好的抽取性能.
  • 今天给大家再分享一篇关于命名实体识别的文章。 注意!! 是中文命名实体识别呦。 NER存在的问题及解决方案 在统计机器学习算法之后,命名实体识别进入了神经网络时代。研究人员开始基于字符嵌入和词嵌入使用循环...

    来源: AINLPer 微信公众号(每日更新…
    编辑: ShuYini
    校稿: ShuYini
    时间: 2021-11-18

    昨天给大家分享的是一篇EMNLP2021关于关系提取的文章,文章中将关系提取看作端到端任务进行处理,在关系提取和关系分类上都取得了不错的效果。今天给大家再分享一篇关于命名实体识别的文章。

    注意!! 是中文命名实体识别呦。

    NER存在的问题及解决方案

    在统计机器学习算法之后,命名实体识别进入了神经网络时代。研究人员开始基于字符嵌入和词嵌入使用循环神经网络(RNN)来识别句子中的命名实体,解决了传统统计方法存在的特征工程问题;然后,2015年双向长短期记忆 (Bi-LSTM) 网络首次被应用于中文命名实体识别,成为基线模型之一,命名实体识别任务的性能因此得到了极大的提高;最后基于Transformer的大规模预训练语言模型也应用到命名实体识别任务中来,自注意力机制可以更好地捕捉句子中的长距离依赖,并行设计适合海量计算,这些预训练的模型大大提升命名实体识别的性能。

    但特定问题上我们仍然需要更多的知识来提高它们的表现。在中文 NER 中,字符替换是一种复杂的语言现象。由于共享相同的组件或具有相似的发音,一些汉字非常相似。人们用相似的字符替换命名实体中的字符以生成新的搭配,但指的是同一个对象。它在互联网时代变得更加普遍,经常被用来避免互联网审查或只是为了好玩。这种字符替换对那些预先训练好的语言模型并不友好,因为新的搭配是偶然的。结果,它总是导致NER任务中无法识别或识别错误。

    针对上面我们遇到的问题,该篇文章提出了一种基于多特征融合嵌入(MFE)的中文命名实体识别方法,以加强中文的语言模式并处理中文命名实体识别中的字符替换问题。 MFE 将语义、字形和语音特征融合在一起。在字形域中,我们将汉字分解成组件来表示结构特征,以便具有相似结构的字符可以具有紧密的嵌入空间表示;除此之外还提出了一种改进的语音系统,使计算汉字之间的语音相似度变得合理。实验表明,我们的方法提高了中文 NER 的整体表现,尤其是在非正式语言环境中表现良好

    img

    本篇文章的主要贡献:

    • 特别针对汉字替换问题,提出了汉字的多特征融合嵌入方法。

    • 对于汉字替换中的字形特征,采用“五笔画”编码方式,表示汉字的结构模式,使得具有相似字形结构的汉字在嵌入空间中更加接近。

    • 为了表示汉字替换中的语音特征,我们提出了一种名为“转拼音”的新方法,使评估汉字之间的语音相似性成为可能。

    • 实验表明,我们的方法提高了 NER 模型的整体性能,并且可以更有效地找到替代的中文 NER。

    MFE算法介绍:

    如下图所示,本文 Multi-feature Fusion Embedding 主要由语义嵌入、带有“五笔画”的字形嵌入和合成语音嵌入三部分组成,我们认为它们在中文命名实体识别中是互补的。 所有三个嵌入部分的选择和设计都是基于相似性这一个简单原则
    在这里插入图片描述
    采用这种方法 Multi-feature Fusion Embedding 可以更好地表示汉字在嵌入空间中的分布。

    预训练模型选择

    在中文句子中,单个字符并不代表一个词,因为中文语法中没有自然分词。从技术上讲,我们有两种选择来获取中文嵌入。第一种方式是词嵌入,即试图将中文句子分成词并得到词的嵌入,但受限于分词工具的准确性。另一种是字符嵌入,将汉字映射到语义空间中的不同嵌入向量。在实践中,它在命名实体识别中表现更好。我们的工作需要使用字符嵌入,因为字形和语音嵌入是针对单个汉字的。 BERT Kenton & Toutanova (2019) 有中文版本,可以更准确地表达汉字的语义特征,因此在NER任务中表现更好

    “五笔画”编码

    如下图所示:汉字‘pu3’(某处靠近河流)被汉字书写习惯分成四个不同的字根,稍后将它们映射到英文字符,以便我们通过引入one-hot来对它们进行编码。 对于每个字符根,我们可以得到一个 25 维向量。 在本文中,为了降低空间复杂度,我们将这些 25 维向量汇总为字形嵌入向量。 我们还列出了两个不同的字符,“fu3”(“甫”:官方职位)和“qiao2”(“桥”:桥梁),并计算它们之间的相似度。 “pu3”和“fu3”这两个字符在嵌入空间中具有相似的分量,而“qiao2”和“pu3”则相距更远,这为NER模型提供了额外的识别模式。
    img
    拼音嵌入
    img

    但是,“拼音”系统有一个重要的缺陷。一些相似的读音用完全不同的音标表示。对于上图中的示例,“cao3”(草)和“zao3”(早期)的发音非常相似,因为两个助词“c”和“z”的发音几乎相同,许多母语人士可能会混淆它们。这种相似性无法用拼音系统中的音标来表示,其中“c”和“z”是独立的助词。为此本文提出了“转拼音”系统来表示字符发音,其中助词和元音被转换成标准形式,并保持在“拼音”系统中的音调。转换后,‘c’变成’ts’,‘z’变成’ts0’,只是语音权重不同。我们还对现有的映射规则进行了一些调整,使“拼音”中相似的音标可以具有相似的发音。通过结合“拼音”和国际标准音标系统,可以很好地描述和评估汉字发音之间的相似性。

    多特征融合嵌入

    这里并不是直接融合这三个特征部分,因为每个部分都来自不同的域。 这里给出三种融合方案:

    Concat 连接三个嵌入部分似乎是最直观的方式,我们可以将它们放在一起,让 NER 模型做其他工作。 在本文中,我们选择这种融合策略是因为它表现得非常好。
    在这里插入图片描述
    Concat+Linear 如果我们放置一个线性层来帮助进一步融合它们也是有意义的。 从技术上讲,它可以节省空间并提高NER模型的训练速度.【作者不推荐使用】
    在这里插入图片描述
    Multiple LSTMs 还有一种复杂的方法来融合所有三个特征。 有时,我们将不同的功能混合在一起是没有意义的。 所以,我们也可以让他们分开,从不同方面训练NER模型,并使用一个线性层来计算结果的加权平均值。 在这项工作中,我们使用 BiLSTM 从不同的嵌入中提取模式,并使用一个线性层来计算加权平均值。

    实验结果

    1、在中文简历、人民日报、MSRA、微博、替代测试数据集上,对语义嵌入进行比较
    img
    2、多种特征混合方式的对比
    img

    推荐阅读

    1、【南洋理工&&含源码】鲁棒问答的内省蒸馏(IntroD)

    2、【NLP论文速递】邮件主题生成 && 舆论检测及立场分类

    3、【英国谢菲尔德大学&&含源码】社交媒体舆论控制(RP-DNN)

    4、【硬核干货,请拿走!!】历年IJCAI顶会论文整理(2016-2021)

    5、论文下载收费?有它不用怕!!

    6、必看!!【AINLPer】自然语言处理(NLP)领域知识&&资料大分享

    7、收藏!「自然语言处理(NLP)」你可能用到的数据集(一)

    8、收藏!「自然语言处理(NLP)」你可能用到的数据集(二)

    9、重磅!「自然语言处理(NLP)」一千多万公司企业注册数据集

    10、收藏!!「自然语言处理(NLP)」学术界全球知名学者教授信息大盘点(全)!

    11、「自然语言处理(NLP)论文推送」清华大学XQA数据集(含源码)!

    最后不是最后

    关注 AINLPer 微信公众号(每日都有最新的论文推荐给你!!

    展开全文
  • 同时还将构建出的领域实体知识应用到文本分类中,结果显示,当训练集具有一定规模时,以实体特征的分类模型的准确率较以词为特征分类模型的准确率有显著提高,说明实体知识在实际应用中的有效。提出的方法具有较...
  • 物理实体可融合射频识别与传感技能,应具有可标识、可感知、可通讯、可抑制的平安智能体的特征,但并非所有的物理实体均要实现全部功能,有些实体仅需实现可标识、可通讯等局部功能。 2)异构化特征。智能标识与感知...

    与传统的互联网相比,物联网具有以下基本特征:

    1)融合物理实体。物理实体可融合射频识别与传感技能,应具有可标识、可感知、可通讯、可抑制的平安智能体的特征,但并非所有的物理实体均要实现全部功能,有些实体仅需实现可标识、可通讯等局部功能。

    2)异构化特征。智能标识与感知技能由标识与传感技能融合而成,性子上具有异构性,且不同环境下的智能标识与感知体选取不同技能实现,具体表现为不同标识及传感器的底层实现技能各不相同,如特定环境下的标识技能不同,实现技能也不同;同样,不同环境下的传感技能也呈现chu差异化。

    3)海量信息的存储、共享、传播及管理。网络承担数据存储、共享、传播及管理的功能,研讨证明:物联网所产生的数据量巨大。海量数据的存储、共享、传播及管理,给网络提出了新的挑战,需要适当的体系结构来满足海量数据的传播、存储和共享问题。

    4)泛在性与普适计算相联合。物联网中,通过将物理实体与射频识别、无线传感等技能相融合,通讯对象扩展到日常生活用品,实现人与物及物与物之间的通讯,从而使信息与通讯技能获得一个新维度,将任何时间、任何地点连接任何人,扩展到任何物体之间的信息交换;普适计算建立在分布式计算、通讯网络、移动计算、嵌入式系统、传感器等技能之上。

    人工智能、大数据、云计算和物联网的未来发展值得重视,均为前沿产业,多智时代专注于人工智能和大数据的入门和科谱,在此为你推荐几篇优质好文:
    物联网商业化,主要分为10个步骤
    物联网、人工智能、区块链,你会怎么选?
    物联网项目的失败,主要存在哪几个主要原因


    多智时代-人工智能大数据学习入门网站|人工智能、大数据、物联网云计算的学习交流网站

    多智时代-人工智能大数据学习入门网站|人工智能、大数据、云计算、物联网的学习服务的好平台
    展开全文
  • 2.实体型:具有相同属性的实体必然具有共同的性质和特征。用实体名及其属性名集合来抽象和刻画同类实体,称为实体型。如学生(学号,姓名,性别,出生年月,所在院系,入学时间)就是一个实体型 3.实体集:同一类型...
  • 命名实体的消歧

    千次阅读 2019-07-05 17:45:36
    文章目录定义任务基于聚类的实体消歧基本思路核心问题挑战基于链接的实体消歧主要步骤:如何进行行实体链接? 定义 命名实体的歧义指的是一个实体指称项可...同一指称项具有近似的上下文 利用聚类算法进行消歧 核...

    定义

    命名实体的歧义指的是一个实体指称项可对应到多个真实世界实体
    确定一个实体指称项所指向的真实世界实体,这就是命名实体消歧

    任务

    基于聚类的实体消歧

    把所有实体指称项按其指向的目标实体进行聚类
    每一个实体指称项对应到一个单独的类别

    基本思路

    同一指称项具有近似的上下文
    利用聚类算法进行消歧

    核心问题

    选取何种特征对于指称项进行表示,通常可以选择以下几种特征:
    1.词袋模型(Bagga et al., COLING, 1998)
    利用待消歧实体周边的词来构造向量
    利用向量空间模型来计算两个实体指称项的相似度,进行聚类

    2.语义特征(Pederson et al., CLITP, 2005)
    词袋模型,没有考虑词的语义信息
    利用SVD分解挖掘词的语义信息
    利用词袋和浅层语义特征,共同来表示指称项,利用余弦相似度来计算两个指称项的相似度

    3.社会化网络(Bekkerman et al., WWW, 2005)
    不同的人具有不同的社会关系
    MJ, Pippen, Buckley, Ewing, Kobe等的社会化关联信息所表 现出来的网页链接特征,对网页进行聚类,从而实现网页内的人名聚类消歧。

    4.维基百科的知识(Han and Zhao, CIKM, 2009)
    Wikipedia中相关实体具有链接关系
    这种链接关系反映条目之间的语义相关度
    用实体上下文的维基条目对于实体进行向量表示
    利用维基条目之间的相关度计算指称项之间的相似度(解决 数据稀疏问题)

    5.多源异构语义知识融合(Han and Zhao, ACL, 2010)
    多源异构知识的表示框架:语义图
    等同概念识别
    概念连接
    同时捕捉显式语义知识和结构化语义知识
    语义图的边(显式语义知识)——建模了所有从知识源中直接抽取出的 概念之间的显式语义关联
    语义图的结构(结构化语义知识)——建模了概念之间的隐藏语义关联
    语义图中语义知识的挖掘和融合算法
    计算原则:“如果一个概念的邻居概念与另一个概念存在语义关联,则这 个概念也与另一个概念存在语义关联”
    语义关联在图中的传递性

    挑战

    消歧目标难以确定
    缺乏实体的显式表示

    基于链接的实体消歧

    将实体指称项与目标实体列表中的对应实体进行链接实现消歧
    任务
    给定实体指称项和它所在的文本,将其链接到给定知识库中的相应 实体上

    主要步骤:

    1.候选实体的发现
    给定实体指称项,链接系统根据知识、规则等信息找到实体指称项的候选实体

    2.候选实体的链接
    系统根据指称项和候选实体之间的相似度等特征,选择实体指称项的目标实体

    如:
    迈克尔乔丹是有名的篮球运动员 为 实体指称项文本
    找到候选实体如下:
    1.迈克尔乔丹(篮球运动员)
    2.迈克尔乔丹(教授)
    3.迈克尔杰克逊(歌手)
    通过与1链接就完成了正确的实体链接

    如何根据实体指称项找出候选实体?
    可以根据百科的信息
    可以利用上下文信息

    如何进行行实体链接?

    基本方法
    计算实体指称项和候选实体的相似度,选择相似度最大的候选实体
    单一实体链接
    BOW模型 (Honnibal TAC 2009, Bikel TAC 2009)
    加入候选实体的类别特征(Bunescu et al., EACL 2006)
    加入候选实体的流行度等特征(Han et al., ACL 2011)
    协同实体链接
    利用实体之间类别的共现特征(Cucerzan, EMNLP 2007)
    利用实体之间链接关系(Kulkarni et al., KDD 2009)
    利用同一篇文档中不同实体之间存在的语义关联特征(Han et al., SIGIR 2011)

    基于词袋模型计算相似度:
    将实体指称项上下文文本与候选实体上下文文本表示成词袋子向量 形式,通过计算向量间的夹角确定指称项与候选实体相似度,系统选择相似度最大的候选实体进行链接

    展开全文
  • 第二十六章 命名实体识别和实体消歧 1 命名实体识别概论 PART1 什么是命名实体识别 PART2 命名识别识别的应用 PART3 简历中抽取关键信息 2 命名实体识别不同方法 PART1 实体识别方法 基于规则的方法 基于...
  • 命名实体:中文命名实体识别简介

    千次阅读 2018-01-22 10:46:00
    一切具有特定属性集合的物体都可以称为实体。 2、命名实体 一般包括三大类(实体类、时间类、数字类),七小类(人名、机构名、地名、时间、日期、货币和百分比)。 3、命名实体识别过程 (1)确定实体的...
  • 实体-联系模型

    千次阅读 2020-12-20 22:08:32
    实体-联系(Entity-Relationship, ...(可从面向对象的类含义类似)实体集是相同类型即具有相同性质(或属性)的一个实体集合。在建模汇中,我们通常抽象地使用术语“实体集”,而不是指某个个别实体的特别集合。 实体
  • 第14课:动手实战中文命名实体提取

    千次阅读 2020-09-22 12:18:32
    命名实体识别(Named ...由于命名实体数量不断增加,通常不可能在词典中穷尽列出,且其构成方法具有各自的一些规律,因而,通常把对这些词的识别从词汇形态处理(如汉语切分)任务中独立处理,称为命名实体识别。...
  • 软件具有的特点

    千次阅读 2020-11-28 22:23:43
    1.软件是一种逻辑实体,而不是具体的物理实体,因而它具有抽象。 2.软件的生产与硬件不同,它没有明显的制造过程。要提高软件的质量,必须在开发方面下功夫。 3.在软件的运行和使用期间,不会出现硬件中所出现的...
  • 命名实体识别以及词性自动标注

    千次阅读 2018-07-09 12:04:26
    一、命名实体识别大数据风靡的今天,不从里面挖出点有用的信息都不好意思见人,人工智能号称跨过奇点,统霸世界,从一句话里都识别不出一个命名实体?不会的,让我们大话自然语言处理的囊中取物,看看怎么样能让...
  • 进程的特征

    千次阅读 2020-04-17 10:37:44
    进程的实质是进程实体的执行过程,因此,动态就是进程的最基本的 特征。动态还表现在:“它由创建而产生,由调度而执行,由撤消而消亡。”可见,进 程实体有一定的生命期,而程序则只是一组有序指令的集合,并...
  • 本文研究了卷积神经网络应用于实体关系抽取的应用,采用了SemEval-2010 Task 8数据集作为实验测试数据,使用GloVe对句子进行词向量表示,接着获取两个实体之间的距离特征共同作为Embedding层输入,通过拼接的方式将...
  • 数据库实体联系模型与关系模型

    千次阅读 2020-03-02 19:11:33
    每个实体具有特征称为属性 ,一个实体可以由若干属性来描述, 属性都有其取值范围,称为值集或值域 。例如,课程实体可以由课程编号、课程名称、授课老师、类别、简课程介、价格等属性组成。 唯一地标识实体的属性...
  • 进程的四个特征

    千次阅读 2021-05-23 10:21:37
    2、动态:进程的实质是进程实体的一次执行过程,因此,动态是进程最基本的特征。 3、独立:进程实体是一个独立运行、独立分配资源和独立接受调度的基本单位。 4、异步:指进程按各自独立的、不可预知的速度...
  • 本发明涉及计算机领域,具体而言,涉及一种知识图谱中的实体对齐方法及装置。背景技术:在构建大规模知识库的任务中,需要处理大量...具有相同条目名称的实体也许表示着语义上的同一事物,也许表示着两种事物。在...
  • 进程的特征以及进程的基本状态

    千次阅读 2020-02-13 16:42:58
    进程的特征:动态,并发,独立,异步 注意:异步是指进程是按异步方式运行的,即按各自独立的、不可预知的速度向前推进。 进程的基本状态: 就绪,执行,阻塞(有的课本加了创建状态和终止状态。个人感觉...
  • 实体消歧综述整理

    千次阅读 2022-01-29 21:46:09
    文章目录分类按实体任务领域划分按有无目标知识库划分按链接知识库类型划分词义消岐命名实体识别方法基于无监督聚类的消岐系统(1) 基于词袋模型的聚类方法(2) 基于语义特征的聚类方法(3) 基于社会化网络的聚类方法(4...
  • 【命名实体识别(NER)】(1):命名实体识别综述

    万次阅读 多人点赞 2019-03-23 09:41:44
    命名实体一般指的是文本中具有特定意义或者指代强的实体**,通常包括人名、地名、机构名、日期时间、专有名词等。通常包括两部分: 实体的边界识别 确定实体的类型(人名、地名、机构名或其他) NER系统就是从.....
  • 深度特征融合---高低层(多尺度)特征融合

    万次阅读 多人点赞 2019-03-09 23:00:07
    低层特征分辨率更高,包含更多位置、细节信息,但是由于经过的卷积更少,其语义更低,噪声更多。高层特征具有更强的语义信息,但是分辨率很低,对细节的感知能力较差。如何将两者高效融合,取其长处,弃之糟泊,是...
  • 实体链接小结(一)

    千次阅读 2019-01-27 11:59:38
    实体链接 实体链接(Entity linking,EL),将文本中的实体提及映射到给定的知识库(KB),在许多领域起到了非常有趣的基础作用,例如问题回答、语义搜索和信息提取。 【主要阶段】 (i)候选生成,为每个提及在KB...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 87,905
精华内容 35,162
关键字:

具有实体性特征