自然語言處理NLP的案例
自然語言處理（NLP）的歷史及其發展方向
自然語言處理 (NLP) 的局限性是什么？
其中之一是改進交互式對話系統中的自然語言處理，其中包括基于知識的對話和對話代理，例如 Siri 或 Alexa —— 我們每天使用的這些助手。然而，在它們能夠像人類一樣做出反應之前，還有很長的路要走。
另一個限制是，大多數機器學習算法并不打算用于聊天機器人等實時情況，而是用于離線處理具有大量輸入變量和訓練數據集的數據集 —— 這意味著仍然沒有辦法預測未來事件或每種可能的情況。
我們想通過自然語言處理 (NLP) 實現什么？
科學家們希望創建能夠理解句子的含義和意圖的算法，并且盡可能少地使用單詞。他們打算創建一套算法，能夠掌握句子的含義和意圖，以便從中提取信息。這就是為什么我們想要通過自然語言處理實現的目標仍然沒有限制，只要它支持人類日常生活中的活動。他們說，開發 NLP 對日常生活中的人類有很大幫助。NLP 的發展背后有一些威脅，但也有很多機會。
自然語言處理幫助人們在日常生活中更流利地說話和閱讀，并讓他們打字的速度比在鍵盤上寫句子的速度更快。但主要威脅之一是，一些專家表示，開發自然語言處理將使人類失業，因為他們將被機器取代。
然而，也有人說自然語言處理會給人類帶來前所未有的新工作和機會，因為它太復雜了。
展開 基于python的神經網絡在圖像識別和自然語言處理上的應用
隨著計算機算力的不斷增長，基于機器學習（神經網絡）的方法成為了自然語言處理以及計算機圖像識別的新范式。在自然語言處理方面，RNN、LSTM等方法能夠有效提取語言之間的前后順序和相互關系，在機器翻譯、語言生成等任務取得了非常好的效果。在圖像識別、圖像檢測等方面，CNN等方法能夠有效提取圖像之中的模式，刷新了傳統圖像識別方法的效果。
針對自然語言處理（NLP），最常用的是長短期記憶網絡，通常被稱為 LSTM，是一種特殊的 RNN，能夠學習長期依賴性。LSTM 的關鍵是細胞狀態，細胞狀態有點像傳送帶。它貫穿整個鏈條，只有一些次要的線性作用。信息很容易以不變的方式流過。圖示如下所示：
根據常用數據集，通過編程實現，這里通常使用pytorch進行實現，部分代碼如下所示：
訓練過程中，loss不斷降低，如下圖所示：
可以看出啦，與RNN相比，LSTM的loss值更低，能夠有效有效處理長序列等類型的數據，廣泛應用在機器翻譯，語言生成等方面的應用。
在圖像處理方面，最常用的是卷積神經網絡（CNN），它受到人類視覺神經系統的啟發。能夠有效的將大數據量的圖片降維成小數據量、能夠有效的保留圖片特征，符合圖片處理的原則。普通卷積神經網絡如下所示：
同樣編程實現，部分代碼如下所示：
在訓練過程中可以得到以下結果：
可以看出，訓練過程中，loss值不斷下降，圖像識別率不斷上升，進一步對結果進行可視化，可以加深對卷積神經網絡的理解。首先對卷積神經網絡學習到的權重進行可視化，可以得到如下圖像：
不難看出，卷積神經網絡能夠準確識別出物體，并賦以較高的權重，以影響識別結果。目前卷積神經網絡已廣泛應用于圖片分類、檢索、目標定位檢測等領域。
由以上結果可以看出，神經網絡逐漸成為了人工智能的代名詞，并在各個領域中取得良好的結果。
展開 [譯] 自然語言處理真是有趣！
原文作者：Adam Geitgey
譯文出自：掘金翻譯計劃
本文永久鏈接：github.com/xitu/gold-m…
譯者：lihanxiang
校對者：FesonX、leviding、sakila1012
計算機如何理解人類的語言
計算機擅長處理結構化的數據，像電子表格和數據庫表之類的。但是我們人類的日常溝通是用詞匯來表達的，而不是表格，對計算機而言，這真是件棘手的事。
遺憾的是，我們并不是生活在處處都是結構化數據的時代。
這個世界上的許多信息都是非結構化的 —— 不僅僅是英語或者其他人類語言的原始文本。我們該如何讓一臺計算機去理解這些非結構化的文本并且從中提取信息呢？
自然語言處理，簡稱 NLP，是人工智能領域的一個子集，目的是為了讓計算機理解并處理人類語言。讓我們來看看 NLP 是如何工作的，并且學習一下如何用 Python 寫出能夠從原始文本中提取信息的程序。
注意：如果你不關心 NLP 是如何工作的，只想剪切和粘貼一些代碼，直接跳過至“用 Python 處理 NLP 管道”部分。
計算機能理解語言嗎？
自從計算機誕生以來，程序員們就一直嘗試去寫出能夠理解像英語這樣的語言的程序。這其中的原因顯而易見 —— 幾千年來，人類都是用寫的方式來記錄事件，如果計算機能夠讀取并理解這些數據將會對人類大有好處。
目前，計算機還不能像人類那樣完全了解英語 —— 但它們已經能做許多事了！在某些特定領域，你能用 NLP 做到的事看上去就像魔法一樣。將 NLP 技術應用到你的項目上能夠為你節約大量時間。
展開 PyTextRank---文本關鍵字(keywords)的自動取出
1 引言
從文本中抽取出關鍵字是自然語言處理NLP的一個重要應用領域。在《文本摘要生成的確定過程和隨機過程》中曾經討論過兩種摘要的產生方法。不幸的是, Gensim從4.0版本開始，移除了summarization模塊(目前的安裝版本是V4.0.1)，因此不能再使用gensim產生摘要和關鍵字。作為一種代替，我們使用PyTextRank庫來取出關鍵字。
2 PyTextRank簡介
PyTextRank是TextRank的一個Python實現，而TextRank是一種基于圖的關鍵詞和句子的提取算法, 它類似于谷歌的頁面排名算法。作為spaCy管道的擴展，用于基于圖的自然語言處理以及相關知識圖譜實踐以及文本提取短語和簡要總結。PyTextRank目前安裝的版本是V3.1.1. 這個庫的主要用途包括：短語提取---即關鍵字提取, 從文本文件中獲取排名靠前的短語; 對文本文件進行低成本的提取總結, 即產生摘要; 幫助從非結構化的文本中推斷出概念，使之成為更多的結構化表述, 即生成有意義的核心句子.
3 提取關鍵字
下面的例子顯示如何使用PyTextRank從一段文本中提取關鍵字. 這段文本取自Mandalawi M.A.等人(2019)的論文摘要. 該論文的題目是: Modelling and Analyses of Rock Bridge Fracture and Step-Path Failure in Open-Pit Mine Rock Slope(露天礦邊坡巖橋斷裂和階梯狀破壞的模擬與分析). 在原始的論文中, 作者給出的關鍵字有: Rock bridges, Rock slope stability, Tensile cracks, Shear cracks.
展開 
人工智能 |自然語言生成
NLP、NLG 和 NLU 之間的差異
自然語言處理 （NLP）、自然語言生成 （NLG） 和自然語言理解 （NLU） 是自然語言處理的三個不同但相互關聯的領域。以下是它們之間差異的簡要概述：
自然語言處理
自然語言生成
自然語言理解
定義
自然語言處理 （NLP） 是一個研究人類語言和計算機如何交互的大型科學領域。它包括有關口語的理解、解釋和生產的所有活動。
NLG 是 NLP 的一個子集，專注于計算機生成的類似于人類的語言。它需要將信息或結構化數據轉換為以自然語言編寫的文本。
NLU 是 NLP 的一個子集，主要關注計算機如何理解和解釋人類語言。它需要從文本信息中獲得意義。
目標
自然語言處理 （NLP） 的目標是使計算機能夠理解、解釋和生成有意義的、與上下文相關的人類語言。
自然語言生成 （NLG） 的目標是生成合乎邏輯、適合上下文且聽起來像人類語音的文本。目標是生成人類可讀的報告、摘要或內容的應用程序經常使用它。
NLU 旨在賦予機器理解人類語言的含義、上下文和意圖的能力。這包括情感分析、語言理解和實體識別等任務。
應用
自然語言處理 （NLP） 應用于多個領域，例如語音識別、機器翻譯、情感分析和信息檢索。
展開 NLP劃分句子的正則改進(tokenize)方法
1 引言
在自然語言處理NLP中，我們需要把一個段落劃分為單句。英語中單句的劃分是以句號"."為界的，也就是說，只要遇到"."就開始斷句。但如果句子中包含有Mr., Ph.D., Jr. 這樣的單詞時, 句子就不應該在此斷開。幸運的是，nltk的tokenize已經考慮了這些特殊詞匯。例如這樣一個段落：mytext ="Mr. Johnson Jr. got his Ph.D. in U.S.A but he worked for ABCD Associatess Ltd. in Canada. He had wide reaserch interests in geotechnical engineering, e.g. slope stability, underground excavation, machine foundation, earthquake engineering, etc. " .
from nltk import tokenizemytext = tokenize.sent_tokenize(mytext)
不過，tokenize把這個段落劃分成了三個句子，它未能正確處理"e.g."后的斷句問題.
(1) Mr. Johnson Jr. got his Ph.D. in U.S.A but he worked for ABCD Associatess Ltd. in Canada.
(2) He had wide reaserch interests in geotechnical engineering, e.g.
展開 Transformers之問題對答(Question Answering)
問題對答是信息檢索和自然語言處理NLP中的一項任務, 也是NLP中最難處理的一項內容, 該任務要求系統正確回答以人類自然語言提出的問題。在提取性問題解答方案中，通過提供一段文字，使用模型根據上下文來預測答案在段落中的位置。這是一項非常具有挑戰性的任務.
PyTextRank---文本關鍵字(keywords)的自動取出
使用Transformers確定句子之間的相似度
SentenceTransformers庫更新V2.0.0
聯合6種Transformers預訓練模型
2 模型簡介
盡管目前Question Answering模型共有307個,但本次測試使用的模型仍然是mrm8488/bert-multi-cased-finetuned-xquadv1. 該模型由谷歌創建，并在XQuAD之類的數據上進行了微調，用于多語言(11種不同的語言)的問答任務。BERT(base-multilingual-cased) fine-tuned for multilingual Q&A. 由于數據集基于SQuAD v1.1，所以數據中沒有無法回答的問題, 以便模型可以專注于跨語言的轉移。
3 調用方法
調用方法如下:
from transformers import pipeline
# pipeline模塊是一個抽象層，提供了簡單的API來執行各種任務。
展開 Bilingual Learning---巖石邊坡工程雙語教學的構想: 方法論和技術
1 引言
在《語義相似模型(Doc2Vec)在雙語教學中的應用》一文中曾經說過，兩年來，我一直想把自然語言處理NLP技術嵌入到雙語教學中，現在這個教學框架基本形成。本筆記簡要描述了巖石邊坡工程雙語教學的構想---方法論以及使用的技術。
2 選用教材
即使是中文教學，選擇合適的教材也不是一件容易的事情。在選用教材時，一方面需要考慮教學材料應該滿足專業知識的需要，另外一方面需要考慮學生的英文接受程度，語言的詞匯和句法盡量通俗易懂。由于國內與國外授課內容有較大差異，因此教材以自編為主，這樣做一方面兼顧國情，另一方面兼顧學生的英文接受水平。主要的參考資料有:
[1] Hoek, E. (2007). Practical Rock Engineering. Toronto: Rocscience, e‐book. 341p.
[2] Hoek, E., Kaiser, P.K. and Bawden, W.F. (1995). Support of Underground Excavations in Hard Rock.
[3] Wyllie, D.C. & Mah, C.W. (2004). Rock Slope Engineering in Civil and Mining Engineering. Taylor and Francis Group, London. 4th Edition. 456 pages.
[4] Wyllie, D.C. (2018) Rock Slope Engineering Civil Applications. Fifth Edition. 621p.
展開 Clinc合作福特 提供車載語音識別技術
據Clinc公司首席執行官Jason Mars博士所說，該公司的汽車平臺于2018年9月推出，可讓乘客和駕駛員在福特網聯車實驗室（Ford’s connected car lab）中使用自然語言控制汽車系統。乘客和駕駛員口頭提出要求，就可打開空調、調整續航控制、檢查燃油續航里程或是詢問是否有足夠的汽油到達特點地址。
Clinc的技術類似于蘋果的Siri或是谷歌助手（Google Assistant），會結合利用自然語言處理（NLP）引擎、機器學習和深度神經網絡來理解人類語言。該公司表示，其技術能夠通過分析語音模式等數十種因素，提取上下文和意圖，此外，隨著時間推移，該技術還能通過吸收新經驗得以改進提升。
在與福特合作之前，Clinc公司主要為土耳其最大的私人銀行???bank等大型金融機構以及Bankjoy（為信用社和小型銀行提供移動銀行應用程序）等金融科技初創公司提供NLP解決方案。此外，該公司還參與了英特爾、IBM公司以及美國國家科學基金會（National Science Foundation）的研究項目，并于去年推出了一款面向免下車餐廳的產品。
2017年2月，Clinc公司在由Drive Capital 領投的A輪融資中籌集了63億美元（約合477億元人民幣），融資總額達75億美元（約合509億元人民幣）。
但是，Clinc不是唯一一家將語音識別技術引入汽車的公司。據語音控制游戲軟件Voicebot最近的一份研究顯示，1.14億美國成年人曾嘗試過在汽車上使用語音助手，而現在每月有7700萬人使用語音助手。去年9月，SoundHound宣布與梅賽德斯-奔馳合作，推出了車載梅賽德斯-奔馳用戶體驗（MBUX）助手，并且兩家公司還分別與英偉達（Nvidia）合作，在英偉達的Drive自動駕駛汽車平臺推出了會話界面。
展開 AI 中的機器翻譯
?
語言的機器翻譯是指使用人工智能 （AI） 和機器學習算法自動將文本或語音從一種語言翻譯成另一種語言。這項技術經過多年的發展，并且變得越來越復雜，能夠為多種語言提供準確的翻譯。本文探討了更多關于機器翻譯的信息，我們為什么需要它及其應用。
目錄
什么是機器翻譯？
機器翻譯的主要方法有哪些？
為什么我們需要 NLP 中的機器翻譯？
機器翻譯有什么應用？
人工翻譯可以被 AI 取代嗎？
?
什么是機器翻譯？
是計算語言學的一個子領域，專注于開發能夠自動將文本或語音從一種語言翻譯成另一種語言的系統。在自然語言處理 （NLP） 中，機器翻譯的目標是生成不僅語法正確而且準確傳達原始內容含義的翻譯。
?
編輯
機器翻譯模型
機器翻譯的歷史
將文本從一種自然語言（源）自動翻譯成另一種自然語言稱為機器翻譯（目標）。它是最早被想象的計算機應用程序之一（Weaver，1949 年）。
過去，機器翻譯有三種主要用途：
粗略的翻譯，例如免費互聯網服務提供的翻譯，傳達了外國聲明或文件的“要點”，但充斥著不準確之處。公司利用預先編輯的翻譯以多種語言發布文檔和銷售材料。
原始源內容是用有限的語言編寫的，這使得機器翻譯更容易，并且輸出通常由一個人編輯以糾正任何缺陷。
受限來源翻譯是完全自動化的，但僅適用于高度刻板的語言，例如天氣預報。
展開 干貨：機器人如何在與客戶的互動中表達共鳴
最初的聲明讓人感覺很真誠，而后者聽起來很自然。
第二條規則是提供選項。當你問一個人“你今天感覺怎么樣?”，他們可能會打斷你，說一句“我很好”，其實一點都不好。為客戶解釋它有助于機器人更好地傾聽和理解客戶，當你知道顧客有過不好的體驗時，讓他們從“實際上，我感覺很糟糕”或“我現在感覺好多了”中選擇，可以更好地體會他們的感受。
既然我們已經看到了共鳴可以讓人與聊天機器人的對話變得更好，那么讓我們看看開發者是如何讓聊天機器人產生共鳴并學習人類的思維方式的。
自然語言處理
由于自然語言處理(NLP)的發展，聊天機器人不再需要被描述為機器人。這項技術使得聊天機器人能夠通過一組詳細的基于文本的命令來理解語言工作的細微差別，幫助它們理解被詢問的內容并生成相關的答案。
簡而言之，NLP將人類語言組織為聊天機器人系統可以理解的結構。這種結構在短語、語法和句法分析的基礎上發生。
在理解了一個句子之后，NLP計劃并給出語言上正確的短語作為回應。
NLP還使用文本解析來理解的情感共鳴結果。它們被分為消極的、積極的、混合的和中性的，以識別用戶的行為以及如何在將來回應客戶的詢問。這種技術還可以幫助品牌識別客戶最喜歡的特性，以及哪些是關鍵的問題點。
深度學習
深度學習是NLP和機器學習的混合體。它使用神經網絡讓機器通過視覺記憶來學習所需的特征。例如，區分火車和汽車的圖片。
深度學習已被用于聊天機器人，并已成功地映射出客戶的情緒并做出相應反應。
清華大學的研究學者提供了23000個短語的數據，每個短語都與情緒基調有關。聊天機器人不僅能夠分析與人類的對話，探測對話的情緒，還能夠給出相關的、適當的答案。
人工智能
人工智能是一個超越聊天機器人的領域。人工智能情感主要使用面部識別和語音識別來理解情緒。
展開 
FPGA技術將如何發展？
根據這種尺寸，28nm的FPGA具有高速處理和高效率等優點，預計將迅速增長。這些特性幫助它在各種行業中得到采用，包括汽車、高性能計算和通信。由于發展中國家消費能力的提高有助于增加市場對新設備的需求，消費電子行業似乎對FPGA很有希望。市場參與者正在開發用于物聯網設備、自然語言處理(NLP)、基于信息娛樂、多媒體系統和各種工業智能解決方案的FPGA。根據應用需求，可選擇低端、中端或高端FPGA配置。
FPGA架構概述
一般的FPGA架構設計包括三類模塊。它們是I/O塊、開關矩陣和可配置邏輯塊(CLB)。FPGA是一種半導體器件，由通過可編程連接耦合的邏輯塊組成。
邏輯塊由帶有一組輸入的查找表(LUT)組成，使用基本內存(如SRAM或Flash)來保存布爾函數。為了支持時序電路，每個LUT都連接到一個多路復用器和一個觸發器寄存器。類似地，可以構建許多LUT來處理復雜的函數。根據FPGA的配置，FPGA分為三種類型:低端、中端和高端。Xilinx的Artix-7/Kintex-7系列，Lattice半導體公司的ECP3和ECP5系列是一些流行的低功耗和低設計密度的FPGA設計。而Xilinx的Virtex家族，Microsemi的ProASIC3家族，Intel的Stratix家族都是為高性能和高設計密度而設計的。
FPGA固件開發
由于FPGA是一個可編程邏輯陣列，因此必須對邏輯進行配置以滿足系統的需要。固件是數據的集合，提供配置。
展開 人工智能如何改變客戶服務團隊的工作方式
其中兩個與客戶服務最相關的是機器學習和自然語言處理。在我們轉向人工智能如何改變客戶服務之前，讓我們先簡要看看這些是什么。
機器學習——在機器學習中，網絡或系統得到大量的數據。然后，它使用這些數據來“學習”如何執行任務。
自然語言處理(NLP)——NLP專注于人與計算機之間的交互。它處理機器編程，使其理解人類自然使用的語言。
人工智能如何改變客戶服務
現在我們在人工智能方面有了更好的基礎，讓我們來談談它對客戶服務的影響。正如我們已經提到的，客戶服務團隊正越來越多地轉向人工智能。各種形式和規模的公司都把這項技術看作是一種更智能、更有效的提高客戶體驗的方式。
人工智能可以通過多種方式應用于客戶服務。當我們更廣泛地看待這個領域時，我們將討論這些用途。人工智能流程和功能的采用將對客戶服務團隊產生顯著影響。
以下是人工智能改變團隊工作方式的四種主要方式:自助服務和自動化支持、客戶服務流程的自動化、授權代理人提供更多、積極的解決問題。
1：自助服務和自動化支持
客戶服務是一門多渠道的學科。也就是說，我們的意思是客戶有一系列的途徑來尋求幫助。大多數公司使用統一通信作為服務平臺來提供支持渠道的選擇。客戶可以通過電話、電子郵件、社交渠道等方式與代理商取得聯系。因此，由人工智能聊天機器人支持的實時聊天有可能改變客戶支持。對于許多簡單的請求或查詢，它可以將服務代理完全排除在外。
不過，人工智能并不意味著客服的終結。如上所示，消費者并不認為聊天機器人是人類服務的替代品。相反，他們認為這是一種獲得簡單答案的途徑，或者是獲得進一步幫助的渠道。
2、客戶服務流程的自動化
公司越大，它對客戶支持的“幕后”流程的需求就越多。以一家每天收到數千封電子郵件詢問和投訴的公司為例。為了有效地處理這些電子郵件，該公司需要一個向代理傳遞信息的程序。
展開 客戶服務類型有哪些？
而市面上有很多款專門的社會媒體客服系統將幫助你處理所有的社會媒體互動對話。
擴展服務
既然您已經在三個最主要的渠道中建立了您的客戶服務體系，那么是時候開始擴展支持選項了。當你的業務增長時，你應該為你的客戶提供更多與你聯系的渠道。
4、“我們將立即解決這個問題”——實時聊天
41%的客戶選擇在線聊天而不是其他客服渠道，你知道嗎？通過在線聊天達到的滿意率高達92%？在你的網站或手機應用中嵌入一個聊天小工具可以幫助你的客戶更容易地聯系到你。在聊天軟件的幫助下，你可以很容易地鎖定你的客戶和識別潛在客戶。
5、常見問題-客戶自助服務
擁有不同的自助服務選擇對你的團隊和客戶都是有益的。客戶可以很容易地找到常見問題的答案。這反過來又減少了重復對話的工作量。如果您收到的常見查詢的數量減少了，這意味著您的知識庫運行良好。
詳細的知識庫還可以幫助代理從單個渠道獲得所需的信息，而不必到處搜索。這將更好地通知代理商并幫助他們提供高質量的客戶服務。
聊天機器人也相當有效地提供正確的常見問題和知識庫文章給客戶。
6、不想等待-聊天機器人的服務
在最近的一項研究中，44%的受訪者說他們更喜歡聊天機器人而不是人類的客服服務。聊天機器人可以堅持您的sla(服務水平協議)，并進一步幫助降低關鍵指標，如第一次響應時間，它們還允許您提供24/7的支持，并通過自己解決常見的查詢來減少您的客服團隊需要解決的對話查詢的數量。
另一方面，人工智能驅動的定制機器人可以說是最先進的基于技術的客戶服務形式，它使用機器學習(ML)和自然語言處理(NLP)來識別客戶查詢的類型，并利用所有現成的信息立即解決常見的問題。
7、“你好，你想聽我說什么?””——語音助手
在當今的數字世界里，谷歌語音助手、Siri和Alexa都是大家熟悉的。但是你想知道這對客戶服務有什么幫助嗎？
展開 AI 中的智能系統
語音識別：機器可以將語言轉錄成文本，并賦予機器能力以及他或她應該如何響應人類語音的可能性。
傳感器集成：使用具有多個視角的傳感器有助于集成不同的輸出，從而獲得更深入的數據。攝像頭、麥克風和觸摸傳感器有助于創建一種確定周圍環境的方法。
智能系統中的語言智能
語言智能 （AI） 包括掌握、破譯和生成人類可以理解的語言的能力。這主要是通過自然語言處理 （NLP） 實現的，其中包括：
文本分析：使用 NLP 進行主要文本分析，例如情感分析和主題建模。
機器翻譯：傾向于提出一種解決方案，當機器系統嘗試將文本從一種語言翻譯成另一種語言（如 Google 翻譯）時，由機器系統完成。
對話系統：提出可以使用自然語言與人類互動的語言對話代理或聊天機器人，例如 Siri 和 Alexa 等虛擬助手。
智能系統中的問題解決
智能系統為了它而解決問題。第一個認知功能是識別問題、制定計劃并執行它以找到解決方案。使用的技術包括：
搜索算法：探索深度優先搜索、廣度優先搜索和 A* 算法等技術，這些技術用于縱橫交錯地提供可能的解決方案，以找到最佳解決方案。
啟發式方法：通常，這些啟發式方法為過程的方法提供了一些邊界，這是此類問題的關鍵。
優化技術：用作遺傳算法和模擬退火的方法，以通過大多數可用的可能性來優化搜索。
智能系統的核心部件
智能系統集成了 AI 技術的各種組件，包括機器學習算法、自然語言處理、機器人和專家系統等：
1. 機器學習 （ML）
機器學習算法允許系統從數據模式中學習并隨著時間的推移改進其決策，而無需明確編程。ML 模型用于從商業中的預測分析到醫療保健中的診斷系統的各種應用。
2.
展開 