从0到1构建一个基于知识图谱的智能问答系统

article/2025/11/6 18:31:04

目录

  • 一、前言
  • 二、知识图谱
    • 2.1 数据入库
      • 2.1.1 Nebula Graph搭建
      • 2.1.2数据导入
  • 三、后端
    • 3.1 搭建Flask框架，处理http请求
    • 3.2 处理请求(核心)
      • 3.2.1 实体提取和意图分类
        • 建立AC树
        • 实体提取
        • 建立意图特征库
        • 意图模板匹配
      • 3.2.2 转换成ngql语句
    • 3.3 连接nebula查询结果返回

一、前言

基于知识图谱的问答系统（Knowledge-Based Question Answering system: KBQA）在以下场景下比较有优势：

  • 对于领域类型是结构化数据场景：电商、医药、系统运维（微服务、服务器、事件）、产品支持系统等，其中作为问答系统的参考对象已经是结构化数据；
  • 问题的解答过程涉及多跳查询，比如“周杰伦的妈妈今年是本命年吗？”，“你们家的产品 v1 和 v2 的区别是什么？”；
  • 为了解决其他需求（风控、推荐、管理），已经构建了图结构数据、知识图谱的情况。

KBQA简单讲就是将把问题解析、转换成在知识图谱中的查询，查询得到结果之后进行筛选、翻译成方便人理解的结果。

问题到图谱查询的转换又有不同的方法可以实现：

  1. 对语义进行分析：理解问题的意图，针对不同意图匹配最可能的问题类型，从而构建这个类型问题的图谱查询，查得结果；
  2. 基于信息的抽取：从问题中抽取主要的实体，在图谱中获取实体的所有知识、关系条目（子图），再对结果根据问题中的约束条件匹配、排序选择结果。

这里一切从简，选择第一条对语义进行分析流程一般分为以下4步：

  1. 实体检测，获取问题的关键词，比如问题“周杰伦有哪些专辑？”，那么首先必须找到周杰伦，才可以进行下一步。
  2. 意图获取，一个问题，我们只获取了实体还不够，比如上面，只有周杰伦，还要有目的，不然可能我是想问周杰伦是哪里人，今年几岁了等等，所以需要找到问题的真实目的。
  3. 关系预测，有了实体和目的，那么我们就需要在知识库里面寻找双方的关系，想办法联系起来。
  4. 查询构建，将处理好的三元组带入知识库搜索答案。

二、知识图谱

知识图谱，本质上是一种揭示实体之间关系的语义网络。
知识图谱通过对错综复杂的文档的数据进行有效的加工、处理、整合，转化为简单、清晰的“实体,关系,实体”的三元组，最后聚合大量知识，从而实现知识的快速响应和推理。

2.1 数据入库

图数据库选用: Nebula Graph（星云图数据库）是一个以 Apache 2.0 许可证开源的分布式图数据库，地址：https://github.com/vesoft-inc/nebula

数据采用Nebula Graph官方测试数据 游戏中口袋怪物的数据关系
在这里插入图片描述

2.1.1 Nebula Graph搭建

根据官方手册安装步骤，安装Nebula Graph

# Centos 7 下载安装 3.0.1版本
$ wget https://oss-cdn.nebula-graph.com.cn/package/3.0.1/nebula-graph-3.0.1.el7.x86_64.rpm
$ sudo rpm -ivh nebula-graph-3.0.1.el7.x86_64.rpm# ubuntu 下载安装
wget https://oss-cdn.nebula-graph.com.cn/package/nightly/2021.11.24/nebula-graph-2021.11.24-nightly.ubuntu1804.amd64.deb
sudo dpkg -i nebula-graph-3.0.1.ubuntu1804.amd64.deb# 下载完成之后启动nebula
$ /usr/local/nebula/scripts/nebula.service start all
# 然后检查是否成功
$ /usr/local/nebula/scripts/nebula.service status all
# 关掉服务
$ /usr/local/nebula/scripts/nebula.service stop all# 卸载的话要卸载干净
$ rpm -qa|grep nebula
nebula-graph-studio-1.2.5-1.x86_64
nebula-2021.03.02_nightly-1.x86_64
$ sudo rpm -e nebula-2021.03.02_nightly-1.x86_64
$ sudo rpm -e nebula-graph-studio-1.2.5-1.x86_64
# 手动删掉文件夹
rm -rf /usr/local/nebula
rm -rf /vesoft

在这里插入图片描述

# 安装客户端来连接nebula
# https://github.com/vesoft-inc/nebula-console/tags 找对应版本点Asset下载
# 将下载好的文件放进/usr/local/nebula/bin 目录下，然后改名
$ cd /usr/local/nebula/bin
$ mv nebula-console-linux-amd64-v3.0.0 nebula-console
# 设置权限
$ chmod 111 nebula-console# 进入nebula
$ ./nebula-console -addr=127.0.0.1 -port 9669 -u root -p nebula
# ./nebula-console -addr <ip> -port <port> -u <username> -p <password> [-t 120] [-e "nGQL_statement" | -f filename.nGQL]

在这里插入图片描述

# 安装可视化工具Nebula Graph Studio
# 下载 https://oss-cdn.nebula-graph.io/nebula-graph-studio/Nebula-Graph-Studio-2.1.9-beta-Linux.rpm
# Centos安装 
$ sudo rpm -ivh --replacepkgs Nebula-Graph-Studio-2.1.9-beta-Linux.rpm 
$ cd nebula-graph-studio
$ npm run start#  ubuntu 下载安装
# https://docs.nebula-graph.com.cn/3.0.1/nebula-studio/deploy-connect/st-ug-deploy/#tar_studio  选择版本对应的安装包安装
$ tar -xvf nebula-graph-studio-3.2.2.x86_64.tar.gz
$ cd nebula-graph-studio
$ ./server# 停止服务
$ kill $(lsof -t -i :7001)

可以看到如下页面,填写host 、用户名密码登录。
在这里插入图片描述
在这里插入图片描述
至此，nebula graph安装配置已完成~

2.1.2数据导入

# 首先进入nebula
$ cd /usr/local/nebula/bin
$ ./nebula-console -addr=127.0.0.1 -port 9669 -u root -p nebula# 将 Storage 节点加入 Nebula Graph 集群。等一分钟等他起来
$ ADD HOSTS 127.0.0.1:9779
$ SHOW HOSTS;

在这里插入图片描述
将上面测试数据下载下来： 游戏中口袋怪物的数据关系

# 导入数据
$ ./nebula-console -addr=127.0.0.1 -port 9669 -u root -p nebula -f monster.gql
# 导入完毕后，我们可以使用 Nebula Graph 服务做一些简单的查询。图语句使用可参考官方文档
# https://docs.nebula-graph.com.cn/3.0.1/3.ngql-guide/1.nGQL-overview/1.overview/

导入完成后就可以选择图空间进来。
在这里插入图片描述在这里插入图片描述
有了这个知识图谱，接下来的任务就是在它之上搭一个简单的基于语法解析的 QA 系统了~

三、后端

后端采用 Flask 框架作为web server来接收HTTP的POST请求，大体流程如下：

  1. 接收问句
  2. 处理之后访问知识图谱（图数据库）
  3. 将处理结果返回给用户

3.1 搭建Flask框架，处理http请求

先建一个我们的配置文件conf.json ,定义我们http信息跟日志信息。

{"httpserver": {"httpPoolNumber": 10,"httpMaxConn": 200,"port": 10001,"host": "0.0.0.0"},"log": {"filename": "KBQA_demo_log","dir": "../logs"}
}

然后是我们的服务启动文件main.py。简单的搭建一个Flask框架

import json
import logging
import os
from flask import Flaskapp = Flask(__name__)# 处理用户请求
@app.route('/query', methods=['GET', 'POST'])
def query():return "hello"# 封装一个启动引擎的类
class Engine(object):def __init__(self, http_cfg, log_cfg):self.port = http_cfg['port']self.host = http_cfg['host']self.logDir = log_cfg['dir']self.logFileName = log_cfg['filename']self.debug = Falsedef run(self):app.run(host=self.host, port=self.port, debug=self.debug, use_reloader=False)def set_log(self):# 创建app实例前先配置好日志文件fmt = '%(asctime)s [%(levelname)s] [%(message)s]'logging.basicConfig(level=logging.INFO,format=fmt,  # 定义输出log的格式datefmt='[%Y-%m-%d %H:%M:%S]')if not os.path.exists(self.logDir):  # 创建日志目录os.makedirs(self.logDir)# 实例对象从配置文件中加载配置app.config.from_object(logging.INFO)return appif __name__ == '__main__':# 载入配置conf = json.load(open('./conf.json', 'r'))eng = Engine(conf['httpserver'], conf['log'])eng.set_log()eng.run()

运行起来可以看到，已经走通了。
在这里插入图片描述
ok,那稍微修改下我们的query函数,使用户的问题在body里面question关键字的value里。

import question_solve
# 处理用户请求
@app.route('/query', methods=['GET', 'POST'])
def query():# 采用form表单的方式请求， question = request.form.to_dict().get("question", "")if question:answer = Solve().query(question)else:answer = "Sorry, I can't understand what you say."return jsonify({"answer": answer})

接下来question_solve就是核心处理请求的逻辑了~

3.2 处理请求(核心)

按照我们上面说的步骤来：

a. 实体提取和意图分类
b. 转换成在知识图谱中的查询语句
c. 查询结果格式化输出

这里，我们把a.的逻辑放在analyze里; b，c.的逻辑放在transfer_ngql里.

a. HTTP请求的问题句子question传过来，用analyze解析它的意图和句子实体
b. 用意图和句子实体构造action，转化成ngql语言。
c. 连接图数据库执行，获取结果，并将结果格式化输出。

代码段：question_solve.py

from src.transfer_ngql import TransferNgql
from src.analyze import Analyzeclass Solve(object):def __init__(self):self.analyze = Analyze()self.transfer_ngql = TransferNgql()def query(self, question):anal = self.analyze.solve(question)result = self.transfer_ngql.solve(anal)return result

3.2.1 实体提取和意图分类

analyze需要在get(question)方法里将句子中的实体和句子的意图解析、分类出来。一般做法是NLP分词实现，这里只是是通过判断输入问句中是否存在特定的实地类别和特定的意图词，来进行意图判断，属于模板匹配。
我们这里实现了五类意图的问题：

从属关系：比如小刚有小拳石吗？

进化情况：皮卡丘进化变成啥？

类别情况：喷火龙是龙属性吗？

伤害情况：电系打飞行系伤害加倍吗？

数量问题：小智有多少个神奇宝贝?

建立AC树

实体提取是利用知识图谱中实体名字构成的特征库，建立AC树（Aho-Corasick Algorithm ），利用AC算法，匹配问句中是否存在特征词，即查询问句中是否存在知识图谱实体名字来实现实体提取。此种提取方式为硬提取方式，不具有模糊推测能力，后续改进应该用 NLP 里的分词的方法来做。

代码段：src/analyze.py

import ahocorasickdef build_ac_tree(self) -> None:# 建立AC树self.ac_tree = ahocorasick.Automaton()# wordlist为3类实体所有名字构成的特征词库for index, word in enumerate(self.entity_type_map.keys()):self.ac_tree.add_word(word, (index, word))self.ac_tree.make_automaton()

wordlist特征库样例如下所示，包含了3类实体的所有名字。
在这里插入图片描述

实体提取

代码段：src/analyze.py

def get_match_entities(self, question: str) -> dict:# 实体提取entities_matched = []for i in self.ac_tree.iter(question):entities_matched.append(i[1][1])print(i)stop_wds = []for wd1 in entities_matched:for wd2 in entities_matched:if wd1 in wd2 and wd1 != wd2:stop_wds.append(wd1)final_wds = [i for i in entities_matched if i not in stop_wds]return {entity: self.entity_type_map[entity] for entity in final_wds}

来测试一下，可以看到，已经匹配到了Giovanni 是个人，rapidash（烈焰马）是个monster。
在这里插入图片描述

建立意图特征库

这里，将匹配的规则写在intention.yaml中，后面增加规则只需更新配置文件就可以了。在实际场景下，训练模型去做匹配效果会更好。

intents:relationship:action:RelationshipActionkeywords:- owm- have- holddamage:action:DamageActionkeywords:- damage- double- half- reduce- increase- addition- add- constantproperty:action:PropertyActionkeywords:- monster_type- belongto- type- belongevolution:action:EvolutionActionkeywords:- evolute- evolution- change- growcount:action:CountActionkeywords:- count- num- number- amount- manydrawback:action:DrawbackActionkeywords: []

对于每一个意图来说：

  • intents.<名字>代表名字

  • action代表后边在要实现的相应的xxxAction的类，比如EvolutionAction将是用来处理进化关系这样的问题的Action类

  • keywords代表在句子之中匹配的关键词，比如问句里出现evolute，evolution，change,grow的字眼的时候，将会匹配进化的问题

代码段：src/analyze.py

def load_data(self) -> None:path = os.path.abspath(os.path.dirname(os.getcwd())) + os.path.sep# 加载意图特征库with open(f"{path}intention.yaml", "r") as file:self.intents = yaml.safe_load(file)["intents"]for name, intent in self.intents.items():self.intents_map.update({keyword: name for keyword in intent['keywords']})# 加载实体库self.entity_type_map.update({key: "person" for key in self.entities['person'].keys()})self.entity_type_map.update({key: "monster" for key in self.entities['monster'].keys()})self.entity_type_map.update({key: "property" for key in self.entities['property'].keys()})

意图模板匹配

代码段：src/analyze.py

# 意图模板匹配
def check_intent_words(self, question: str):intents_words = set()for word in self.intents_map.keys():if word in question:intents_words.add(self.intents_map[word])return intents_words

测试一下，同样的匹配到了relationship关键词。
在这里插入图片描述
到这里已经能返回解析、分类出来的意图和实体了，下一步它们将会被传给Actions去执行知识图谱的查询。

3.2.2 转换成ngql语句

该模块根据实体提取和意图分类返回的结果，生成对应意图的ngql语句。
代码段：src/transfer_ngql.py

import os
import yamlclass TransferNgql(object):def __init__(self) -> None:self.intents = {}self.load_data()def load_data(self) -> None:path = os.path.abspath(os.path.dirname(os.getcwd())) + os.path.sep# 加载意图特征库with open(f"{path}intention.yaml", "r") as file:self.intents = yaml.safe_load(file)["intents"]def solve(self, intent: dict):intent_name = "drawback"if len(intent["intents"]) > 0:intent_name = intent["intents"][0]act_name = self.intents.get(intent_name).get("action")result = ''# 根据匹到的不同意图，生成对应意图的ngql语句if act_name == 'RelationshipAction':result = relationship_action(intent)elif act_name == 'DamageAction':result = damage_action(intent)elif act_name == 'PropertyAction':result = property_action(intent)elif act_name == 'EvolutionAction':result = evolution_action(intent)elif act_name == 'CountAction':result = count_action(intent)return result

最后，来实现其中一个方法，比如relationship_action()对应的代码如下：

def relationship_action(intent):try:nodes = {key: value for value, key in intent["entities"].items()}person, monster = nodes['person'], nodes['monster']person_vid = data_load().get_vid(person)monster_vid = data_load().get_vid(monster)# 拼接ngql语句query = f"""USE Game_Monsters;MATCH p=(v)-[e:own*1]->(v1:monster)WHERE id(v) == '{person_vid}' and id(v1) == '{monster_vid}'RETURN p LIMIT 1000;"""# 连接nebula查询result = data_load().get_nebula_connect(query)if result.is_empty():answ = f'{person} does not have {monster}.'else:answ = f'Yes! {person} has a lovely monster named {monster}.'return answexcept Exception:print(f"关系实体识别错误！intent: {intent}")return ''

3.3 连接nebula查询结果返回

首先安装nebula3-python，如果nebula graph是2+的版本请安装nebula2-python
https://github.com/vesoft-inc/nebula-python

from nebula3.gclient.net import ConnectionPool
from nebula3.Config import Configdef get_nebula_connect(self, query):config = Config()config.max_connection_pool_size = 10connection_pool = ConnectionPool()connection_pool.init([(self.nebula_conf['host'], self.nebula_conf['port'])], config)with connection_pool.session_context(self.nebula_conf['username'], self.nebula_conf['passwd']) as session:result = session.execute(query)if not result.is_succeeded():return f"连接nebula时出错！{query}"return result

ok 至此后端已经搭建完成，让我们来测试一下~

开始启动~
在这里插入图片描述
postman 模拟发送一下请求，可以看到，已经返回结果了
在这里插入图片描述
换一个神奇宝贝，可以看到，Sabrina 是有venomoth（末入蛾 ）的。
在这里插入图片描述


http://chatgpt.dhexx.cn/article/Zso9icLH.shtml

相关文章

智能问答系统产品设计详解

智能问答系统产品设计详解

问答系统的概述 我想大家肯定看过很多关于自然语言处理&#xff08;简称&#xff1a;NLP&#xff09;技术方面的书籍或者论文&#xff0c;但在这里我不会详细叙述NLP技术方面的知识&#xff0c;而是想通过产品化思路结合NLP相关技术来搭建一个基础版的问答系统。本文通过基于问…
阅读更多...
基于Bert的知识库智能问答系统

基于Bert的知识库智能问答系统

项目完整地址&#xff1a;https://github.com/1105425455/Bert/tree/master 有训练好的模型 可以先看一下Bert的介绍。 Bert简单介绍 一.系统流程介绍。 知识库是指存储大量有组织、有结构的知识和信息的仓库。这些知识和信息被存储为实体和实体关系的形式&#xff0c;通常用于…
阅读更多...
智能问答系统实践——答案选择

智能问答系统实践——答案选择

问题描述 这个问题来自于SemEval-2015Task3: Answer Selection in Community Question Answering. 简单的说就是从一堆问题和答案中找出他们之间的相关性。 这个Task包含两个Subtasks： 1.给定一个问题和一些答案，将答案进行为3类：good/potential/bad。 2.给定一个判定问题…
阅读更多...
构建一个完整的中文智能问答系统

构建一个完整的中文智能问答系统

向AI转型的程序员都关注了这个号&#x1f447;&#x1f447;&#x1f447; 机器学习AI算法工程 公众号&#xff1a;datayx 简略概述要求&#xff1a; 构建一个完整的QA系统整个系统由三部分构成&#xff1a;前台&#xff0c;后台&#xff0c;知识库前台&#xff1a;请设计一个…
阅读更多...
智能问答

智能问答

问答系统是信息检索的一种高级形式&#xff0c;它能用准确、简洁的自然语言回答用户用自然语言提出的问题。其研究兴起的主要原因是人们对快速、准确地获取信息的需求。其中问答系统是目前人工智能和自然语 言处理领域中倍受关注并具有广泛发展前景的研究方向。不同类型的问答系…
阅读更多...
智能答疑系统

智能答疑系统

问答系统是目前自然语言处理领域中的研宄热点&#xff0c;它既能让用户通过自然语言直接发问&#xff0c;又能直接向用户返回精确、简洁的答案&#xff0c;而不是一系列相关网页。 从算法与模型上来说&#xff0c;问答系统主要分成两个流派&#xff0c;一派是搜索式问答&#x…
阅读更多...
人工智能AI系列 - 问答系统

人工智能AI系列 - 问答系统

目录&#xff1a; http://aias.top/ 问答系统 问答系统(Question Answering System, QA)是信息检索系统的一种高级形式&#xff0c;它能用准确、简洁的自然语言回答用户用自然语言提出的问题。其研究兴起的主要原因是人们对快速、准确地获取信息的需求。问答系统是人工智能和…
阅读更多...
智能问答系统：问句预处理、检索和深度语义匹配技术

智能问答系统：问句预处理、检索和深度语义匹配技术

更多干货内容敬请关注「平安寿险PAI」（公众号ID：PAL-AI），文末有本期分享内容资料获取方式。 智能问答系统是人机交互的核心技术之一，常见的应用场景主要是智慧客服。通过构建该系统，机器人可以快速找到与用户问题相匹配的答案并自动回答，从而大大减少企业的人力成本；除…
阅读更多...
自然语音处理（NLP）系列（五）——详解智能问答系统

自然语音处理（NLP）系列（五）——详解智能问答系统

为方便客户进行网上登记&#xff0c;提升各大官网系统的智能化水平&#xff0c;很多官网已上线“智能小客服”。“智能小客服”支持语音引导、机器人24小时智能问答、文字提问、上传图片咨询、关联问题推荐、远程人工客服等多种便利化的贴心咨询服务。这些服务中运用到了自然语…
阅读更多...
FAQ智能问答系统设计与实现

FAQ智能问答系统设计与实现

一、项目介绍 FAQ&#xff08;FAQ&#xff0c;frequently-asked questions&#xff09;问答系统表示常见问题问答系统&#xff0c;常用于一些特定领域的智能客服&#xff0c;将用户经常问到的高频问答对索引起来&#xff0c;当新的提问命中时可以快速回答&#xff0c;准确而高…
阅读更多...
react全家桶实战

react全家桶实战

整个目录结构如下&#xff1a; package.json代码如下&#xff1a; {"name": "active","version": "0.1.0","private": true,"dependencies": {"react": "^16.4.1","react-dom"…
阅读更多...
React全家桶学习

React全家桶学习

来源&#xff1a;尚硅谷视频教程 - 张天禹 一、React简介 1 react特点 React&#xff1a;用于构建用户界面的javascript库。是一个将数据渲染为HTML视图的开源JavaScript库。 react的特点&#xff1a; 1.采用组件化模式、声明式编码&#xff0c;提高开发效率及组件复用率。…
阅读更多...
react全家桶实战（千峰教育）

react全家桶实战（千峰教育）

说明&#xff1a;本笔记为本人基于千锋教育2022版React全家桶教程_react零基础入门到项目实战完整版的学习笔记&#xff0c;知识点不清或不全&#xff0c;可以到视频教程中学习 文章目录 一、安装create-react-app&#xff0c;新建react项目1、安装脚手架create-react-app<s…
阅读更多...
搭建react全家桶

搭建react全家桶

1.安装react项目 ①使用webpack安装 npx create-react-app my-app cd my-app npm start ②使用vite安装 创建Vite项目 npm create vitelatest my-vue-app --template react cd my-app npm run dev 配置vite.config.js import { defineConfig } from vite import react from vit…
阅读更多...
React 全家桶

React 全家桶

文章目录 前言一、React是什么&#xff1f;二、基础内容1. React 相关 js 库2. React 开发者调试工具3. JSX语法规则4. 模块与组件、模块化与组件化5. 类的基本知识 三、React 面向组件编程1. 函数式组件2. 类式组件3. 组件实例的三个核心属性&#xff1a; state、refs、props-…
阅读更多...
React全家桶

React全家桶

文章目录 第1章&#xff1a;React入门1.1. React简介1.1.1. 官网1.1.2. 介绍描述1.1.3. React的特点1.1.4. React高效的原因 1.2. React的基本使用1.2.1. 效果1.2.2. 相关js库1.2.3. 创建虚拟DOM的两种方式1.2.4. 虚拟DOM与真实DOM 1.3. React JSX1.3.1. 效果1.3.2. JSX1.3.3. …
阅读更多...
react全家桶有哪些？（详细）

react全家桶有哪些？（详细）

一 、 create-react-app脚手架 对于现在比较流行的三大框架都有属于自己的脚手架&#xff08;目前这些脚手架都是使用node编写的&#xff0c;并且都是基于webpack的&#xff09;&#xff1a; Vue的脚手架&#xff1a;vue-cliAngular的脚手架&#xff1a;angular-cliReact的脚手…
阅读更多...
React全家桶详细讲解-图文并茂

React全家桶详细讲解-图文并茂

文章目录 前言一、React-表单处理受控组件使用步骤多表单元素优化非受控组件 二、React-组件综合案例需求分析搭建任务的模板渲染列表添加任务删除任务 三、React-组件进阶组件通讯介绍组件的props 四、react-组件通讯的三种方式react-父组件传递数据给子组件react-子组件传递数…
阅读更多...
【尚硅谷React】——React全家桶笔记

【尚硅谷React】——React全家桶笔记

文章目录 第1章 React简介1.1 React的特点1.2 引入文件1.3 JSX1.3.1 为什么要用JSX1.3.2 JSX语法规则 1.4 虚拟DOM1.5 模块与组件1.5.1 模块1.5.2 组件 第2章 React面向组件编程2.1 创建组件2.1.1 函数式组件2.1.2 类式组件 2.2 组件实例的三大属性2.2.1 state属性2.2.2 props属…
阅读更多...
React全家桶（收藏吃灰必备！）

React全家桶（收藏吃灰必备！）

文章目录 ECMAScript61、ES6简介1.1、什么是ES61.2、ECMAScript和JavaScript的关系1.3、为什么要学习ES6&#xff1f; 2、ES6环境搭建2.1、前期准备2.2、ES6环境搭建 3、let与const3.1、let命令3.2、const命令 4、ES6解构赋值4.1、解构赋值概述4.2、解构模型4.3、数组的解构赋值…
阅读更多...
推荐文章

Copyright @ 2022~2023