對(duì)于一般的短文本分類問(wèn)題，上文所述的簡(jiǎn)單的文本卷積網(wǎng)絡(luò)即可達(dá)到很高的正確率[1] 。若想得到更抽象更高級(jí)的文本特征表示，可以構(gòu)建深層文本卷積神經(jīng)網(wǎng)絡(luò)[2,3] 。
循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）
循環(huán)神經(jīng)網(wǎng)絡(luò)是一種能對(duì)序列數(shù)據(jù)進(jìn)行精確建模的有力工具 。實(shí)際上，循環(huán)神經(jīng)網(wǎng)絡(luò)的理論計(jì)算能力是圖靈完備的[4] 。自然語(yǔ)言是一種典型的序列數(shù)據(jù)（詞序列），近年來(lái)，循環(huán)神經(jīng)網(wǎng)絡(luò)及其變體（如long short term memory[5]等）在自然語(yǔ)言處理的多個(gè)領(lǐng)域 ， 如語(yǔ)言模型、句法解析、語(yǔ)義角色標(biāo)注（或一般的序列標(biāo)注）、語(yǔ)義表示、圖文生成、對(duì)話、機(jī)器翻譯等任務(wù)上均表現(xiàn)優(yōu)異甚至成為目前效果最好的方法 。
循環(huán)神經(jīng)網(wǎng)絡(luò)按時(shí)間展開(kāi)后如圖2所示：在第t時(shí)刻，網(wǎng)絡(luò)讀入第t個(gè)輸入Xt（向量表示）及前一時(shí)刻隱層的狀態(tài)值 ht-1（向量表示，h0一般初始化為0向量） ， 計(jì)算得出本時(shí)刻隱層的狀態(tài)值ht，重復(fù)這一步驟直至讀完所有輸入 。如果將循環(huán)神經(jīng)網(wǎng)絡(luò)所表示的函數(shù)記為f，則其公式可表示為：
其中Wxh是輸入到隱層的矩陣參數(shù)，Whh是隱層到隱層的矩陣參數(shù)，bh為隱層的偏置向量（bias）參數(shù) ， σ為sigmoid函數(shù) 。
在處理自然語(yǔ)言時(shí) ， 一般會(huì)先將詞（one-hot表示）映射為其詞向量表示，然后再作為循環(huán)神經(jīng)網(wǎng)絡(luò)每一時(shí)刻的輸入Xt 。此外，可以根據(jù)實(shí)際需要的不同在循環(huán)神經(jīng)網(wǎng)絡(luò)的隱層上連接其它層 。如，可以把一個(gè)循環(huán)神經(jīng)網(wǎng)絡(luò)的隱層輸出連接至下一個(gè)循環(huán)神經(jīng)網(wǎng)絡(luò)的輸入構(gòu)建深層（deep or stacked）循環(huán)神經(jīng)網(wǎng)絡(luò)，或者提取最后一個(gè)時(shí)刻的隱層狀態(tài)作為句子表示進(jìn)而使用分類模型等等 。
長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）
對(duì)于較長(zhǎng)的序列數(shù)據(jù) ， 循環(huán)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程中容易出現(xiàn)梯度消失或爆炸現(xiàn)象[6] 。LSTM能夠解決這一問(wèn)題 。相比于簡(jiǎn)單的循環(huán)神經(jīng)網(wǎng)絡(luò)，LSTM增加了記憶單元c、輸入門(mén)i、遺忘門(mén)f及輸出門(mén)o 。這些門(mén)及記憶單元組合起來(lái)大大提升了循環(huán)神經(jīng)網(wǎng)絡(luò)處理長(zhǎng)序列數(shù)據(jù)的能力 。若將基于LSTM的循環(huán)神經(jīng)網(wǎng)絡(luò)表示的函數(shù)記為F，則其公式為：
F由下列公式組合而成[7]：
其中，it ， ft，ct，ot，分別表示輸入門(mén) ， 遺忘門(mén)，記憶單元及輸出門(mén)的向量值，帶角標(biāo)的W及b為模型參數(shù)，tanh為雙曲正切函數(shù)，⊙表示逐元素（elementwise）的乘法操作 。輸入門(mén)控制著新輸入進(jìn)入記憶單元c的強(qiáng)度，遺忘門(mén)控制著記憶單元維持上一時(shí)刻值的強(qiáng)度，輸出門(mén)控制著輸出記憶單元的強(qiáng)度 。三種門(mén)的計(jì)算方式類似，但有著完全不同的參數(shù) ， 它們各自以不同的方式控制著記憶單元c ， 如圖3所示：
LSTM通過(guò)給簡(jiǎn)單的循環(huán)神經(jīng)網(wǎng)絡(luò)增加記憶及控制門(mén)的方式，增強(qiáng)了其處理遠(yuǎn)距離依賴問(wèn)題的能力 。類似原理的改進(jìn)還有Gated Recurrent Unit (GRU)[8]，其設(shè)計(jì)更為簡(jiǎn)潔一些 。這些改進(jìn)雖然各有不同，但是它們的宏觀描述卻與簡(jiǎn)單的循環(huán)神經(jīng)網(wǎng)絡(luò)一樣（如圖2所示），即隱狀態(tài)依據(jù)當(dāng)前輸入及前一時(shí)刻的隱狀態(tài)來(lái)改變，不斷地循環(huán)這一過(guò)程直至輸入處理完畢：
其中，Recrurent可以表示簡(jiǎn)單的循環(huán)神經(jīng)網(wǎng)絡(luò)、GRU或LSTM 。
棧式雙向LSTM（Stacked Bidirectional LSTM）
對(duì)于正常順序的循環(huán)神經(jīng)網(wǎng)絡(luò)，ht包含了t時(shí)刻之前的輸入信息，也就是上文信息 。同樣，為了得到下文信息 ， 我們可以使用反方向（將輸入逆序處理）的循環(huán)神經(jīng)網(wǎng)絡(luò) 。結(jié)合構(gòu)建深層循環(huán)神經(jīng)網(wǎng)絡(luò)的方法（深層神經(jīng)網(wǎng)絡(luò)往往能得到更抽象和高級(jí)的特征表示） ， 我們可以通過(guò)構(gòu)建更加強(qiáng)有力的基于LSTM的棧式雙向循環(huán)神經(jīng)網(wǎng)絡(luò)[9]，來(lái)對(duì)時(shí)序數(shù)據(jù)進(jìn)行建模 。
如圖4所示（以三層為例），奇數(shù)層LSTM正向，偶數(shù)層LSTM反向，高一層的LSTM使用低一層LSTM及之前所有層的信息作為輸入，對(duì)最高層LSTM序列使用時(shí)間維度上的最大池化即可得到文本的定長(zhǎng)向量表示（這一表示充分融合了文本的上下文信息，并且對(duì)文本進(jìn)行了深層次抽象） ， 最后我們將文本表示連接至softmax構(gòu)建分類模型 。
基于PaddlePaddle的實(shí)戰(zhàn)
PaddlePaddle簡(jiǎn)介
PaddlePaddle(paddlepaddle.org)是百度研發(fā)的深度學(xué)習(xí)框架 。除了核心框架之外，PaddlePaddle還提供了豐富的工具組件 。官方開(kāi)源了多個(gè)工業(yè)級(jí)應(yīng)用模型 ， 涵蓋自然語(yǔ)言處理、計(jì)算機(jī)視覺(jué)、推薦引擎等多個(gè)領(lǐng)域，并開(kāi)放了多個(gè)領(lǐng)先的預(yù)訓(xùn)練中文模型 。4月23日深度學(xué)習(xí)開(kāi)發(fā)者峰會(huì)上 ， PaddlePaddle發(fā)布了一系列新特性和應(yīng)用案例 。
數(shù)據(jù)集介紹
我們以IMDB情感分析數(shù)據(jù)集為例進(jìn)行介紹 。IMDB數(shù)據(jù)集的訓(xùn)練集和測(cè)試集分別包含25000個(gè)已標(biāo)注過(guò)的電影評(píng)論 。其中，負(fù)面評(píng)論的得分小于等于4，正面評(píng)論的得分大于等于7，滿分10分 。
aclImdb|- test |-- neg |-- pos|- train |-- neg |-- posPaddlePaddle在 dataset/imdb.py 中實(shí)現(xiàn)了imdb數(shù)據(jù)集的自動(dòng)下載和讀取，并提供了讀取字典、訓(xùn)練數(shù)據(jù)、測(cè)試數(shù)據(jù)等API 。
配置模型
在該示例中，我們實(shí)現(xiàn)了兩種文本分類算法，文本卷積神經(jīng)網(wǎng)絡(luò)，和棧式雙向LSTM 。我們首先引入要用到的庫(kù)和定義全局變量：
from __future__ import print_functionimport paddleimport paddle.fluid as fluidimport numpy as npimport sysimport mathCLASS_DIM = 2 情感分類的類別數(shù)EMB_DIM = 128 詞向量的維度HID_DIM = 512 隱藏層的維度STACKED_NUM = 3 LSTM雙向棧的層數(shù)BATCH_SIZE = 128 batch的大小文本卷積神經(jīng)網(wǎng)絡(luò)
車上security一閃一閃是什么意思？security燈亮怎么解除security燈代表的是安全提示燈 ， 符號(hào)一般有人形、氣囊、安全帶形狀的 。security燈一直閃，一般情況是代表駕駛?cè)藛T或副駕駛?cè)藛T沒(méi)有系好安 。
我們構(gòu)建神經(jīng)網(wǎng)絡(luò) convolution_net，示例代碼如下 。需要注意的是：fluid.nets.sequence_conv_pool 包含卷積和池化層兩個(gè)操作 。
文本卷積神經(jīng)網(wǎng)絡(luò)def convolution_net(data, input_dim, class_dim, emb_dim, hid_dim): emb = fluid.layers.embedding( input=data, size=[input_dim, emb_dim], is_sparse=True) conv_3 = fluid.nets.sequence_conv_pool( input=emb, num_filters=hid_dim, filter_size=3, act="tanh", pool_type="sqrt") conv_4 = fluid.nets.sequence_conv_pool( input=emb, num_filters=hid_dim, filter_size=4, act="tanh", pool_type="sqrt") prediction = fluid.layers.fc( input=[conv_3, conv_4], size=class_dim, act="softmax") return prediction網(wǎng)絡(luò)的輸入 input_dim 表示的是詞典的大?。琧lass_dim 表示類別數(shù) 。這里 ， 我們使用 sequence_conv_pool API實(shí)現(xiàn)了卷積和池化操作 。
棧式雙向LSTM
棧式雙向神經(jīng)網(wǎng)絡(luò)stacked_lstm_net的代碼片段如下：
棧式雙向LSTMdef stacked_lstm_net(data, input_dim, class_dim, emb_dim, hid_dim, stacked_num): assert stacked_num % 2 == 1 計(jì)算詞向量 emb = fluid.layers.embedding( input=data, size=[input_dim, emb_dim], is_sparse=True) 第一層棧 全連接層 fc1 = fluid.layers.fc(input=emb, size=hid_dim) lstm層 lstm1, cell1 = fluid.layers.dynamic_lstm(input=fc1, size=hid_dim) inputs = [fc1, lstm1] 其余的所有棧結(jié)構(gòu) for i in range(2, stacked_num1): fc = fluid.layers.fc(input=inputs, size=hid_dim) lstm, cell = fluid.layers.dynamic_lstm( input=fc, size=hid_dim, is_reverse=(i % 2) == 0) inputs = [fc, lstm] 池化層 fc_last = fluid.layers.sequence_pool(input=inputs[0], pool_type=max) lstm_last = fluid.layers.sequence_pool(input=inputs[1], pool_type=max) 全連接層，softmax預(yù)測(cè) prediction = fluid.layers.fc( input=[fc_last, lstm_last], size=class_dim, act=softmax)return prediction以上的棧式雙向LSTM抽象出了高級(jí)特征并把其映射到和分類類別數(shù)同樣大小的向量上 。最后一個(gè)全連接層的’softmax’激活函數(shù)用來(lái)計(jì)算分類屬于某個(gè)類別的概率 。
重申一下，此處我們可以調(diào)用 convolution_net 或 stacked_lstm_net 的任何一個(gè)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行訓(xùn)練學(xué)習(xí) 。我們以 convolution_net 為例 。
接下來(lái)我們定義預(yù)測(cè)程序（inference_program） 。預(yù)測(cè)程序使用convolution_net 來(lái)對(duì) fluid.layer.data 的輸入進(jìn)行預(yù)測(cè) 。
def inference_program(word_dict): data = https://www.45baike.com/post/fluid.layers.data( name="words", shape=[1], dtype="int64", lod_level=1) dict_dim = len(word_dict) net = convolution_net(data, dict_dim, CLASS_DIM, EMB_DIM, HID_DIM)net = stacked_lstm_net(data, dict_dim, CLASS_DIM, EMB_DIM, HID_DIM, STACKED_NUM)return net我們這里定義了 training_program 。它使用了從 inference_program 返回的結(jié)果來(lái)計(jì)算誤差 。我們同時(shí)定義了優(yōu)化函數(shù) optimizer_func。
因?yàn)槭怯斜O(jiān)督的學(xué)習(xí)，訓(xùn)練集的標(biāo)簽也在fluid.layers.data中定義了 。在訓(xùn)練過(guò)程中，交叉熵用來(lái)在fluid.layer.cross_entropy中作為損失函數(shù) 。
在測(cè)試過(guò)程中，分類器會(huì)計(jì)算各個(gè)輸出的概率 。第一個(gè)返回的數(shù)值規(guī)定為cost 。
def train_program(prediction): label = fluid.layers.data(name="label", shape=[1], dtype="int64") cost = fluid.layers.cross_entropy(input=prediction, label=label) avg_cost = fluid.layers.mean(cost) accuracy = fluid.layers.accuracy(input=prediction, label=label) return [avg_cost, accuracy] 返回平均cost和準(zhǔn)確率acc優(yōu)化函數(shù)def optimizer_func(): return fluid.optimizer.Adagrad(learning_rate=0.002)訓(xùn)練模型
定義訓(xùn)練環(huán)境
定義你的訓(xùn)練是在CPU上還是在GPU上：
use_cuda = False 在cpu上進(jìn)行訓(xùn)練place = fluid.CUDAPlace(0) if use_cuda else fluid.CPUPlace()定義數(shù)據(jù)提供器
下一步是為訓(xùn)練和測(cè)試定義數(shù)據(jù)提供器 。提供器讀入一個(gè)大小為 BATCH_SIZE的數(shù)據(jù) 。paddle.dataset.imdb.word_dict 每次會(huì)在亂序化后提供一個(gè)大小為BATCH_SIZE的數(shù)據(jù)，亂序化的大小為緩存大小buf_size 。
注意：讀取IMDB的數(shù)據(jù)可能會(huì)花費(fèi)幾分鐘的時(shí)間，請(qǐng)耐心等待 。
print("Loading IMDB word dict....")word_dict = paddle.dataset.imdb.word_dict()print ("Reading training data....")train_reader = paddle.batch( paddle.reader.shuffle( paddle.dataset.imdb.train(word_dict), buf_size=25000), batch_size=BATCH_SIZE)print("Reading testing data....")test_reader = paddle.batch(paddle.dataset.imdb.test(word_dict), batch_size=BATCH_SIZE)feed_order = [words, label]pass_num = 1word_dict 是一個(gè)字典序列，是詞和label的對(duì)應(yīng)關(guān)系，運(yùn)行下一行可以看到具體內(nèi)容：
word_dict每行是如（’limited’: 1726）的對(duì)應(yīng)關(guān)系，該行表示單詞limited所對(duì)應(yīng)的label是1726 。
構(gòu)造訓(xùn)練器
訓(xùn)練器需要一個(gè)訓(xùn)練程序和一個(gè)訓(xùn)練優(yōu)化函數(shù) 。
main_program = fluid.default_main_program()star_program = fluid.default_startup_program()prediction = inference_program(word_dict)train_func_outputs = train_program(prediction)avg_cost = train_func_outputs[0]test_program = main_program.clone(for_test=True)sgd_optimizer = optimizer_func()sgd_optimizer.minimize(avg_cost)exe = fluid.Executor(place)該函數(shù)用來(lái)計(jì)算訓(xùn)練中模型在test數(shù)據(jù)集上的結(jié)果
def train_test(program, reader): count = 0 feed_var_list = [ program.global_block().var(var_name) for var_name in feed_order ] feeder_test = fluid.DataFeeder(feed_list=feed_var_list, place=place) test_exe = fluid.Executor(place) accumulated = len([avg_cost, accuracy]) * [0] for test_data in reader(): avg_cost_np = test_exe.run( program=program, feed=feeder_test.feed(test_data), fetch_list=[avg_cost, accuracy]) accumulated = [ x[0]x[1][0] for x in zip(accumulated, avg_cost_np) ] count= 1 return [x / count for x in accumulated]提供數(shù)據(jù)并構(gòu)建主訓(xùn)練循環(huán)
feed_order 用來(lái)定義每條產(chǎn)生的數(shù)據(jù)和 fluid.layers.data 之間的映射關(guān)系 。比如，imdb.train 產(chǎn)生的第一列的數(shù)據(jù)對(duì)應(yīng)的是words這個(gè)特征 。
Specify the directory path to save the parametersparams_dirname = "understand_sentiment_conv.inference.model"feed_order = [words, label]pass_num = 1 訓(xùn)練循環(huán)的輪數(shù)程序主循環(huán)部分def train_loop():啟動(dòng)上文構(gòu)建的訓(xùn)練器feed_var_list_loop = [ main_program.global_block().var(var_name) for var_name in feed_order]feeder = fluid.DataFeeder(feed_list=feed_var_list_loop,place=place) exe.run(star_program) 訓(xùn)練循環(huán) for epoch_id in range(pass_num): for step_id, data in enumerate(train_reader()): 運(yùn)行訓(xùn)練器metrics = exe.run(main_program, feed=feeder.feed(data), fetch_list=[var.name for var in train_func_outputs]) 測(cè)試結(jié)果 print("step: {0}, Metrics {1}".format( step_id, list(map(np.array, metrics)))) if (step_id1) % 10 == 0: avg_cost_test, acc_test = train_test(test_program, test_reader) print(Step {0}, Test Loss {1:0.2}, Acc {2:0.2}.format( step_id, avg_cost_test, acc_test)) print("Step {0}, Epoch {1} Metrics {2}".format( step_id, epoch_id, list(map(np.array, metrics)))) if math.isnan(float(metrics[0])): sys.exit("got NaN loss, training failed.") if params_dirname is not None: fluid.io.save_inference_model(params_dirname, ["words"], prediction, exe) 保存模型train_loop()訓(xùn)練過(guò)程處理
我們?cè)谟?xùn)練主循環(huán)里打印了每一步輸出，可以觀察訓(xùn)練情況 。
開(kāi)始訓(xùn)練
最后，我們啟動(dòng)訓(xùn)練主循環(huán)來(lái)開(kāi)始訓(xùn)練 。訓(xùn)練時(shí)間較長(zhǎng) ， 如果為了更快的返回結(jié)果，可以通過(guò)調(diào)整損耗值范圍或者訓(xùn)練步數(shù) ， 以減少準(zhǔn)確率的代價(jià)來(lái)縮短訓(xùn)練時(shí)間 。
train_loop(fluid.default_main_program())應(yīng)用模型
構(gòu)建預(yù)測(cè)器
和訓(xùn)練過(guò)程一樣，我們需要?jiǎng)?chuàng)建一個(gè)預(yù)測(cè)過(guò)程 ， 并使用訓(xùn)練得到的模型和參數(shù)來(lái)進(jìn)行預(yù)測(cè)，params_dirname 用來(lái)存放訓(xùn)練過(guò)程中的各個(gè)參數(shù) 。
place = fluid.CUDAPlace(0) if use_cuda else fluid.CPUPlace()exe = fluid.Executor(place)inference_scope = fluid.core.Scope()生成測(cè)試用輸入數(shù)據(jù)
【百度情感分析API原理 百度情感分析api】為了進(jìn)行預(yù)測(cè)，我們?nèi)我膺x取3個(gè)評(píng)論 。請(qǐng)隨意選取您看好的3個(gè) 。我們把評(píng)論中的每個(gè)詞對(duì)應(yīng)到word_dict中的id 。如果詞典中沒(méi)有這個(gè)詞，則設(shè)為unknown 。然后我們用create_lod_tensor來(lái)創(chuàng)建細(xì)節(jié)層次的張量
reviews_str = [ read the book forget the movie, this is a great movie, this is very bad]reviews = [c.split() for c in reviews_str]UNK = word_dict[]lod = []for c in reviews: lod.append([word_dict.get(words, UNK) for words in c])base_shape = [[len(c) for c in lod]]tensor_words = fluid.create_lod_tensor(lod, base_shape, place)應(yīng)用模型并進(jìn)行預(yù)測(cè)
現(xiàn)在我們可以對(duì)每一條評(píng)論進(jìn)行正面或者負(fù)面的預(yù)測(cè)啦 。
with fluid.scope_guard(inference_scope): [inferencer, feed_target_names, fetch_targets] = fluid.io.load_inference_model(params_dirname, exe)reviews_str = [ read the book forget the moive’,’this is a great moive, this is very bad]reviews = [c.split() for c in reviews_str]UNK = word_dict[]lod = []for c in reviews: lod.append([np.int64(word_dict.get(words, UNK)) for words in c])base_shape = [[len(c) for c in lod]]tensor_words = fluid.create_lod_tensor(lod, base_shape,place)assert feed_target_names[0] == "words"results = exe.run(inferencer, feed={feed_target_names[0]: tensor_words}, fetch_list=fetch_targets, return_numpy=False) np_data = https://www.45baike.com/post/np.array(results[0]) for i, r in enumerate(np_data): print("Predict probability of ", r[0], " to be positive and ", r[1], " to be negative for review \", reviews_str[i], "\")感興趣的小伙伴可以在PaddlePaddle官網(wǎng)上閱讀其他相關(guān)文檔內(nèi)容：http://www.paddlepaddle.org/
參考文獻(xiàn)：

1. Kim Y. Convolutional neural networks for sentence classification[J]. arXiv preprint arXiv:1408.5882, 2014.
2. Kalchbrenner N, Grefenstette E, Blunsom P. A convolutional neural network for modelling sentences[J]. arXiv preprint arXiv:1404.2188, 2014.
3. Yann N. Dauphin, et al. Language Modeling with Gated Convolutional Networks[J] arXiv preprint arXiv:1612.08083, 2016.
4. Siegelmann H T, Sontag E D. On the computational power of neural nets[C]//Proceedings of the fifth annual workshop on Computational learning theory. ACM, 1992: 440-449.
5. Hochreiter S, Schmidhuber J. Long short-term memory[J]. Neural computation, 1997, 9(8): 1735-1780.
6. Bengio Y, Simard P, Frasconi P. Learning long-term dependencies with gradient descent is difficult[J]. IEEE transactions on neural networks, 1994, 5(2): 157-166.
7. Graves A. Generating sequences with recurrent neural networks[J]. arXiv preprint arXiv:1308.0850, 2013.
8. Cho K, Van Merri?nboer B, Gulcehre C, et al. Learning phrase representations using RNN encoder-decoder for statistical machine translation[J]. arXiv preprint arXiv:1406.1078, 2014.
9. Zhou J, Xu W. End-to-end learning of semantic role labeling using recurrent neural networks[C]//Proceedings of the Annual Meeting of the Association for Computational Linguistics. 2015.

— 完 —
誠(chéng)摯招聘
量子位正在招募編輯/采訪人員，工作地點(diǎn)在北京中關(guān)村 。期待有才氣、有熱情的同學(xué)加入我們！相關(guān)細(xì)節(jié) ， 請(qǐng)?jiān)诹孔游还娞?hào)(QbitAI)對(duì)話界面，回復(fù)招聘兩個(gè)字 。
量子位 QbitAI · 頭條號(hào)簽約作者
?? ? 追蹤AI技術(shù)和產(chǎn)品新動(dòng)態(tài)
心想夢(mèng)成：一個(gè)叫杰克的美國(guó)人，在中國(guó)內(nèi)地的風(fēng)景區(qū)建了個(gè)度假村 。由于生意忙，很久沒(méi) 能回家和家人團(tuán)聚，他十分思念他的故鄉(xiāng)，一個(gè)靠近海邊的小鎮(zhèn) 。一天 ， 他突發(fā)奇想，在職工大會(huì)上宣布：誰(shuí)要是能讓他做一個(gè)夢(mèng)，夢(mèng)見(jiàn)自己坐著 船乘風(fēng)破浪地回到大洋彼岸的海...

猜你喜歡

• 一只賈小蝶百度百科 賈淺淺百度百科
• 愛(ài)情是一種高級(jí)情感包括什么 情感包括什么
• 情感和感情一樣嗎 情感包括什么
• 情感語(yǔ)錄簡(jiǎn)介 情感簡(jiǎn)介
• 人類情感大全
• 百度ai 情感分析
• 情感和愛(ài)的起源和進(jìn)化最能表現(xiàn)人情感的
• 婚姻情感網(wǎng)
• 百度詞條官網(wǎng)入口 百度詞條
• 百度詞條是誰(shuí)寫(xiě)的 百度詞條