面向學術論義創新內容的知識圖譜構建與應用

曹樹金　趙浜

DOI.10.3969/j.issn.1008-0821.2021.12.003

[中圖分類號]G250.2 [文獻標識碼]A [文章編號]1008-082l（2021）12-0028-10

知識圖譜技術]作為人工智能領域的重要分支，于2012年被Google公司提出后迅速發展，實踐成果豐富，已成為目前最高效的知識表示和組織形式之一。知識圖譜本質上是以圖這種基本結構類型歸納信息的數據表示形式，它是實體和關系構成的大型網絡，與特定領域或組織有關。現有許多前沿知識圖譜項目，例如DBPedia、YAGO、XLORE都是從維基百科、百度百科等開放數據源中抽取實體和關系而構建的。

知識圖譜在學術領域也有廣泛應用，典型的包括Microsoft Academic Graph、Springer Nature SciGraph、AMINER（aminer.org），它們主要包含諸如作者、科研機構、研究主題和引用的實體及其之間的關聯信息，為學者進行科研關系網絡的梳理提供了巨大便利。然而，它們的主要局限性是：上述關聯關系都是和學術論文相關的粗粒度信息，而且它們通常將論文的內容表示為非結構化文本（標題、摘要或是全文），沒有對論文內容進行更細粒度的抽取和組織，因而無法對知識內容的脈絡（如理論發展路徑）進行有效梳理。而論文的具體內容才是知識的核心載體。因此，這個領域的一個重大挑戰是如何將學術論文中所表述的知識以圖譜的形式組織并顯陛地表示出來，以描述諸如研究方法、理論模型及影響因素、理論應用及學術貢獻等有價值的知識實體及其之間復雜的關系。目前，抽取學術論文中知識實體以及論文中知識實體的關聯，乃至論文間知識實體的關聯.并以此構建知識圖譜的研究較少。

國家標準將學術論文定義為：“學術論文是某一學術課題在實驗性、理論性或觀測性上具有新的科學研究成果或創新見解的知識和科學記錄：或是某種已知原理應用于實際中取得新進展的科學總結”。由此可見，學術論文的價值主要體現在其所提出的新方法、新理論、新應用等創新貢獻。將論文中的創新內容進行多粒度關聯，通過對創新內容的分解與重組，并用于創新知識圖譜等應用的實現具有可行性和巨大潛力，可以為科研用戶提供有力支持，助力學術創新。在此背景下，本研究提出構建面向學術論文創新內容的知識圖譜的新命題.旨在探索構建可以描述深層次論文內容及其關聯的知識圖譜，既為學術論文中創新情報的發現和組織提供工具，也為學術領域知識圖譜構建的由廣入深提供示例。

1相關研究

知識圖譜的構建按知識獲取的過程可劃分為信息抽取、知識融合與知識加工3個層次。其中信息抽取的核心為命名實體識別、屬性識別和關系識別，是圖譜構建的基礎環節;知識融合的關鍵是命名實體消歧和共指關系消解，是進行實體間有效關聯的必要前提：知識加工的主要工作是本體構建與知識推理。

3個層次的研究都有出色的進展。在信息抽取方面，部分研究成果針對知識元素（實體、關系、屬性）的抽取技術與方法，在限定領域、語言、主題的數據集上獲得了較好的效果，同時尚存限制條件多、擴展性不好的問題。特別地，在生物與醫學領域，命名實體與關系識別模型算法均有著良好的識別性能。而在情報學領域，由于學科本身的交叉融合性，研究會天然地涉及眾多學科領域，因而針對情報學相關學術論文的知識元素抽取是一項很大的挑戰。鄭彥寧等探討了信息與知識抽取技術在情報學中的難點與應用價值;王昊等應用Bi-LSTM-CRFs模型進行大規模語料訓練與測試，探尋較優的情報學理論與方法術語識別效果。針對理論術語的識別，趙洪等提出了一種深度學習自訓練算法以實現模型的弱監督學習，為理論術語抽取提供了有效方法;周萌等基于文本內容細粒度共現關系的抽取，揭示具體領域的整體、微觀知識結構和知識演化情況;陳鋒等驗證了CRF模型配合詞典法自動識別學術期刊中的理論的可行性，但選擇語義特征、語義標注和語義消歧是需要解決的新問題。在知識融合方面，實體消歧從傳統的規則匹配到統計、再到深度學習，有效的消歧模型往往整合了不同類型方法，以達到最優消歧效果。實體鏈接和跨語言知識庫對齊是知識融合的重要手段，清華知識工程實驗室構建的XLINK系統在這方面取得了一定的進展。另外，結合眾包平臺與知識庫對齊模型可以有效地提高知識融合的質量。同樣的，在知識加工方面，集成學習的知識推理效果要好于單個模型的知識推理;融合了領域主題詞表與網絡百科知識庫的兩階段領域本體自動化構建方案在大規模領域本體構建時是可行有效的。

面向學術科研領域，學者們在進行著知識圖譜構建的積極探索。Zhao H X等基于TextCNN的主題信息抽取模型，自動抽取文獻主題、標題、狀態、會議、組織機構等信息，構建技術領域知識圖譜。李肖俊等從多源異構學術數據中進行學術實體及關系的抽取，提出適用于學術領域的圖譜構建流程和本體模型。李嬌等采用自頂向下的方式，通過主題詞關聯設計，構建了包含期刊論文、期刊、科研機構、科研人員及專題實體類型的科研知識圖譜。張云中等從多源數據整合的視角，構建了可供知識問答的圖情學術領域知識圖譜。然而，諸多探索仍是將圖譜定位于學術論文本身粗粒度信息的關聯，少有研究從進一步挖掘論文中表述的更有價值的知識內容及論文中知識內容的關聯，乃至論文間知識內容的關聯的角度構建知識圖譜。

創新l生是決定論文學術價值的內在依據，因此論文創新點也是挖掘論文中具有核心價值知識內容的關鍵切入點。針對論文創新內容的識別，精細化的語義識別與分類方法，規則抽取結合BERT深度學習模型，以及主題詞表結合ALBERT深度學習模型等研究已取得一定的進展。筆者研究團隊在此方面也進行了一定的探索——以情報學期刊論文為例，以創新對象和創新維度為線索，基于BERT深度學習模型識別表述學術論文創新內容的句子，并構建了檢索入口。

綜上，本研究將基于團隊現有研究成果，進一步深入挖掘論文創新內容中蘊含的有價值知識實體以及知識實體間的關聯.構建面向學術論文創新內容的知識圖譜。

2知識圖譜構建的研究設計

2.1研究基礎

本研究基于部分現有研究成果：在對論文創新性特征識別歸納的基礎上，以情報學期刊論文為原始語料，分別訓練BERT語言模型抽取論文創新句。具體為：《數據分析與知識發現》（原《現代圖書情報技術》）2009—2019年發表的1667篇文獻中，抽取到的4518個創新句;《情報科學》2009—2019年發表的3793篇文獻中，抽取到的5181個創新句。以此為語料基礎，深入挖掘分析其中蘊含的創新內容，包括理論、方法、模型等實體及其之間的關聯關系。

2.2知識圖譜構建模式

知識圖譜由本體模型和實體數據構成，前者是后者的上層抽象與約束，后者是前者的具體對象，是圖譜的具體呈現。根據兩者的構建次序，知識圖譜可分為自頂向下和自底向上兩種構建模式。通常在知識體系和數據情況完備的情形下，采用自頂向下的模式，即先從高質量數據中提取本體和模式信息，再將實體數據加入知識庫中;而自底向上則是在面向開放的數據源以及沒有系統知識體系的情形下，先抽實體再構本體的模式。兩個模式并不互斥，實體和本體會隨著其反映的世界的變化而拓展與變化，知識的融合與更新也是一個持續迭代的過程。在學術領域，科學研究處在動態變化中，知識體系也隨之不斷地發生變革。因此，本研究將融合兩種模式，構建面向學術論文創新內容的知識圖譜。

2.3研究方法與框架

知識的表示是一項復雜的任務。秦春秀等從文獻的內外部特征，構建了面向科技文獻知識表示的知識元本體模型，將創新點分為理論創新點、方法創新點和技術創新點。閆欣陽基于創新句的詞頻分析將論文的創新對象分為模型、方法、算法等10種。而針對理論，Pettigrew K E等將模型、框架、概念等對某種觀點或理念的描述等同于理論的描述。由于知識體系的龐大以及描述形式的復雜多樣性，知識本體的構建也是一項復雜的任務，因此，不妨針對具體語料，由關鍵對象入手。

2.3.1基于詞頻以及互信息和左右信息熵的關鍵對象分析

互信息和左右信息熵可以有效地發現新詞和短語，也經常用于搜索引擎的自動推薦，是一種挖掘所關注領域關鍵信息的有效手段。

互信息（Mutual Information）是指兩個事物集合之間的相互依賴程度，在文本處理中，詞的互信息指兩個詞的相關程度，可以用式（1）來計算：

其中P（X，Y）是字符X與字符Y組合起來的字符在文本中出現的概率;P（X）是字符X在文本中出現的概率;P（Y）是字符Y在文本中出現的概率。互信息值越高，表明X和Y相關性越高，則X和Y組成短語的可能性越大;反之X和Y之間相關性越低，X和Y之間存在短語邊界的可能性越大。

熵是表示隨機變量不確定性的量度，熵越高就意味著不確定性越高，越難以預測。左右信息熵是通過計算一個字符片段左邊和右邊的信息熵，來反映一個詞是否有豐富的左右搭配，以致是否達到一定閾值而形成一個新詞。左右信息熵如式（2）、（3）：

基于關鍵詞頻以及上述互信息、左右信息熵的簡單求和，對語料基礎進行初步分析，得出創新的關鍵對象，以此作為預構建本體的重要參考。

2.3.2基于ALBERT模型的知識實體抽取

ALBERT，即“A Lite”Version of BERT，是基于BERT模型的一種輕量級預訓練語言模型。AL-BERT保留了BERT的模型結構，并在此基礎上加入了3種改進策略：針對嵌入矩陣的分解式嵌入參數（Factorized Embedding Parameterization）、針對所有層的跨層參數共享（Cross-layer Parameter Sha-ring）、面向語句順序預測的句間連貫性損失（Inter-sentence Coherence Loss）。使其有參數更少、訓練更高效的優勢，預訓練小模型也能獲得甚至超越BERT的性能。本研究預調用由Google提供的al-bert_base_zh中文語料，其參數量以及模型大小均為bert_base的1/10。同時，基于已獲得的創新關鍵對象，進行實體類型的訓練語料標注以及模型訓練與調優，隨之進行知識實體抽取。

2.3.3語義分析與圖譜構建工具

語義分析目前已有許多成熟的工具可供選擇，本研究選用完全開源的HanLP自然語言處理工具包。它基于PyTorch和TensorFlow 2.x雙引擎，借助世界上最大的多語種語料庫，可以完成中文分詞、詞性標注、命名實體識別、依存句法分析等多種自然語言處理任務，同時它的開源屬性可便于學者和開發者進行必要的功能拓展。

針對知識圖譜構建與可視化，本研究選用同樣開源的SmartKG。它是一款由Microsoft開發的輕量級知識圖譜構建與可視化工具，以屬性圖的方式存儲實體節點和關聯（Vertexes and Edges），并且實現了節點和關聯的檢索接口，以便在此之上開發上層應用，例如基于知識圖譜的智能對話。

2.3.4知識圖譜構建框架

與一般的知識圖譜構建方案不同的是，本研究將本體構建的流程橫跨整個知識獲取的過程，并在知識實體抽取前加入關鍵對象分析這一圖譜構建的預處理環節，使其帶有一定的目的，使圖譜更聚焦于想呈現的領域或關鍵內容，為知識本體的構建提供重要參考。本體從哲學角度看是對世界上客觀存在及其關聯的系統描述，從語言與計算機角度看是對某個領域甚至更廣范圍內概念及其之間關系的映射，并使之具有明確、一致的定義，以便人機以及機器間的交流。知識具有融合性，在考慮知識融合的過程中也會考慮本體的融合或者集成。知識圖譜的構建并非一蹴而就，因而本體的構建與完善從某種程度上也可以被認為貫穿了圖譜構建的始終。本研究采用的知識圖譜構建框架如圖1所示。

3知識圖譜構建流程

3.1圖譜構建的預處理——關鍵對象分析

利用Java環境下的HanLP自然語言處理框架，結合詞頻分析以及互信息和左右信息熵運算，對已經預先識別好的共計9699條論文創新句進行初步分析。首先得到詞頻數據（前10）如表1所示。

由上述詞頻數據可以得知，創新句子對模型的描述最為頻繁，其次是方法。以上關鍵詞包含了名詞及動詞。將二者結合，再進行互信息與左右信息熵的二元分析，得出結果如表2所示（已排除部分“動詞+動名詞”的無意義組合，例如“進行→分析”）。

上述結果中可以看出，創新句中對于方法和模型的確是最為關注的焦點，例如“分析→方法”“構建一模型”。由此可以將方法與模型作為本研究所欲呈現知識圖譜的關鍵范疇。另外，雖然“提出→新的”與“提出→改進”對于關鍵對象的分析并沒有實際意義，但是從側面驗證了本研究所基于的創新句的“創新性”。

以“模型”為例，進一步分析模型本體下可能關聯的實體類型。部分結果如表3所示。

由上述結果可以看出.對模型的描述可以包含特征、情境、因素、指標等，其中“因素→模型”的頻率較高，說明“因素”出現在“模型”附近的概率也較高，所以因素可當作構成模型本體的一種關鍵的實體類型。

3.2實體標注、模型訓練與知識抽取

以預處理結果為重要參考，構建新的實體類型集合，其中包括基本理論、方法、模型、影響因素、特征指標、研究貢獻。利用ALBERT深度學習模型，在Tensorflow_GPU1.15.0，CUDA10.0，Python3.7的系統環境下，進行實體標注、模型訓練以及知識實體抽取。首先針對新構建的實體類型，對基于ALBERT的一般命名實體識別任務代碼進行改造。本研究采用標準的BIO標注體系，即將每個元素標注為“B-X”“I-X”或者“O”。其中，“B-X”表示此元素所在的片段屬于X類型并且此元素在此片段的開頭，“I-X”表示此元素所在的片段屬于X類型并且此元素在此片段的中間或結尾位置，“O”表示不屬于任何類型。例如，將“X”表示為（Person，PER）人物，則BIO的3個標注為：B-PER（人名的開頭），I-PER（人名的中間或結尾），0（不是名詞短語）。針對標注改造的部分代碼片段如圖2所示。

本研究對9699條目標論文創新句隨機選取480條作為標注對象。在albert_base_zh預訓練模型的基礎上繼續進行模型訓練。隨后將余下的未標注語句導入模型中進行知識實體抽取，整理得到最終實體列表。

3.3實體關系梳理、實體消歧與知識融合

通過對知識實體的抽取，發現了不少熟知的理論模型，例如“信息系統持續使用模型”“期望確認模型”等，以及理論模型之間潛在的繼承與發展關系。但在實體類型上存在一些分類的異議，本研究做了一些人為的評判與處理。例如：模型和理論之間本身就存在著概念的重合，上述“信息系統持續使用模型”與“期望確認模型”被訓練過的AL-BERT識別為“模型”這一類型，而本研究人為地將這二者定為“基本理論”，因為二者影響深遠，在他們基礎上演化出了眾多模型，不少創新是基于這樣的“基本理論”實現的。針對繼承與發展的關系，分析后可分為兩種類型，一種是基于多個基本理論衍生出的另外一種模型，衍生的模型可能借鑒基本理論的相關影響因素，也可能借鑒基本理論的研究方法甚至是調查問卷的問項目或指標等，而這類模型和基本理論的應用方向又不完全一致;另外一種是基于一個基本理論派生出來的，新模型大多在基本理論基礎上新增了影響因素甚至是新的維度，此類模型和基本理論的應用方向基本一致。基于此，本研究將理論模型問的繼承發展關系定義為衍生和派生，這是從基本理論到新模型的關系方向：而將反向的相對應關系定義為使用和拓展。

抽取出來的理論、模型與方法有不少共指關系存在，例如“信息系統持續使用模型”與其對應英文簡稱“ECM-ISC”（Expectation Confirmation Model of IS Continuance），“德爾菲問卷調查”與“德爾菲法”這種不同的描述方式，以及“馬爾可夫鏈”與“馬爾科夫鏈”這種不同的譯名。同一實體的兩種不同表述出現在同個章節或句子時是一種共指消解問題，而兩種表述出現在不同文獻或數據源時準確說是一種實體對齊或者實體鏈接問題，它們針對的目的一致但處理方式是有所不同的，目前也沒有統一有效的方法同時解決上述問題。本研究的處理方式為將所有表述（實體）都存儲起來，并預先采用人工判斷的方式為不同表述構建一個統一的實體，同時將其他同義實體與之在數據庫層面建立一種指向的關聯，最終使用統一的實體作為圖譜中的真實節點。這樣做有兩個潛在目的：一是為以后針對更多數據源的實體抽取提供詞典支持：二是為與其他知識庫融合提供鏈接支持。

基于現有語料抽取到多數基本理論無法追溯到其文獻源頭，本研究采用人工采集的方式將相關實體信息補全至數據庫。

3.4知識存儲與圖譜可視化呈現

本研究采用MongoDB作為數據庫存儲知識。MongoDB是一種基于分布式文件存儲的數據庫，以高拓展性和高性能的優勢著稱，作為NoSQL非關系型數據庫的代表，多年以來在非關系型數據庫的選擇上都是業界最受歡迎的。實際上有部分大型知識庫項目就是采用MongoDB作為存儲的，進行適當的設計與改造后，MongoDB同樣可以作為一種有效的圖數據庫使用。相比于更適合諸如最短路徑、社區發現等圖運算的以Neo4j為代表的圖數據庫，基于MongoDB構建上層應用系統會有更好的拓展性和適應性。

本研究將實體和關系以屬性圖的方式存儲，屬性圖主要包含頂點（Vertex）和邊（Edge）。相比于RDF三元組，屬性圖的結構更接近于圖，也更利于圖運算的效率。利用SmartKG，最終將存儲的知識以圖譜的形式呈現出來。圖3為本研究所構建知識圖譜的局部效果展示，呈現的基本內容為學術論文圍繞“信息系統持續使用模型”展開的一系列理論與應用創新。圖4（a）為聚焦于實體“信息系統持續使用模型”時呈現的與之直接相關的理論模型問的繼承發展關系，包括“信息系統持續使用模型”自身的理論基礎，以及在其基礎上衍生派生的模型;圖4（b）為展開具體的某一模型實體所呈現的信息，包括與該模型相關的文獻、理論基礎及新增的影響因素、理論與應用貢獻等。

4知識圖譜的應用

本研究基于學術論文創新內容所構建的知識圖譜目前僅是一個雛形，未來將結合更多智能化手段實現當前流程中的人工處理環節，同時也將嘗試與多種現有知識庫的融合。在構建圖譜的基礎上，將在多個方向進行應用探索，以多種方式進行應用構建。

4.1語義搜索

Google提出知識圖譜的主要目的就是為搜索引擎賦予更具智慧的思維，它將傳統的搜索從Web鏈接轉向概念鏈接，將搜索的原理從字符串的匹配轉向主題和實體關聯的匹配。通過對實體及屬性的提取、同義拓展、關聯推理等技術，可以實現更精準的語義關系判斷，從而提供更符合用戶搜索意圖的結果。面向學術論文創新內容，可以搭建針對細粒度創新內容的檢索系統，更加智能化地將搜索語句關聯到論文創新點、創新句以及創新點對應的章節。同時，以語義搜索作為基礎可為更復雜的應用如智能問答、推薦系統等提供服務支持。

4.2智能問答

通過對用戶以自然語言提出的問題進行語法及語義分析，智能理解用戶問題進而將其轉化成結構化形式的查詢語句，甚至是查詢語句集，隨后在知識圖譜中高效檢索其所需知識，并呈現最相關的答案。如圖5所示，為本研究通過SmartKG實現的與理論發展相關的智能問答示例。如“某某理論模型派生的模型有哪些？”這類問題，智能問答機器人可以有效地回答基于這些基本理論而產生的理論創新有哪些。再如“某某模型在某某理論的基礎上新增的影響因素”這類問題，同樣可以有效得出這些新理論模型的具體創新點。目前的實現原理并不復雜，通過對問題語句進行分詞和語義分析，提取出其中包含的實體與關系類型，并在圖譜數據庫中進行關聯匹配與映射，輸出對應的結果集合。

4.3推薦系統

從用戶的角度，推薦系統是在信息過載情況下，解決高效獲取感興趣信息難題的重要工具。知識圖譜可為處于推薦系統邏輯架構核心位置的推薦模型提供高效的運算支持，挖掘潛在關聯需求并聚焦于關鍵數據。甚至可以為推薦理由進行可視化呈現，增強用戶體驗。在有了智能語義搜索服務的基礎上，推薦系統可以根據用戶的個性化設置以及系統活動記錄，提取出用戶階段性的興趣點，啟發式地主動挖掘潛在“搜索語句”并呈現結果。比如推薦系統發現了用戶對信息系統持續使用模型相關的創新很感興趣，并檢索了特別是問答社區這類平臺的研究，推薦系統可以更加深入地縱向挖掘其中的實體關聯，為用戶提供更細致的研究進展，推薦系統也可以橫向地挖掘該理論模型在其他類型平臺或領域的創新，為用戶呈現。

4.4知識發現

基于圖數據結構，系統可以便捷地根據知識實體之間的關系，應用邏輯規則以及置信度評估知識的合理性，并通過知識圖譜的自動構建、知識更新以及知識推理技術，實現從非結構化文本中提煉潛在知識，即知識圖譜內邏輯規則的推理，甚至是知識實體之間缺失關系的補全，從而挖掘出以往未得到的新知識。以上述智能問答應用示例中的問題領域為例，對基本理論演化出的眾多新模型中各自新增的影響因素在模型間進行相互對比，分析其語義問的異同，就可以挖掘出哪些因素可能被重復新增，哪些因素最具獨特性，甚至以此可以推測出新模型的創新性指標。

4.5科研成果評價

通過對學術論文創新內容與研究貢獻的抽取與圖譜構建，可以有效關聯學術論文中具有核心價值的知識內容，以及不同相關論文間理論與應用的發展脈絡與創新程度，為科研成果的質量評價提供重要參考依據。將對樹立以創新質量為導向的學術氛圍、對“破五唯”進展起到積極推動作用。

目前，團隊已經初步完成了面向學術論文創新內容的語義搜索與智能問答的簡易實現，日后將進行更加細致的功能分析和更完善的系統構建，并以此為基礎，進一步結合用戶情境以及適當的規則機制，開展推薦系統、知識發現乃至科技成果創新評價等方面的研究。

5結論與展望

從論文內具有核心價值的創新內容中挖掘知識與知識問的關聯，對于各領域的科學研究都有重要意義。本文從挖掘情報學領域的部分期刊論文的創新文本內容入手，結合多種語義分析方法、深度學習模型以及業界先進經驗，構建面向學術論文創新內容的知識圖譜，為可以描述深層次論文內容及其關聯的知識圖譜構建探索合理的切入點，并探討及構建與之相關的實際應用。研究得出以下主要結論：

1）為構建面向學術論文創新內容的知識圖譜，不拘泥于自底向上或是自頂向下的單一圖譜構建模式，并利用互信息與左右信息熵，在實體抽取之前加入關鍵對象分析這一知識圖譜構建的預處理環節，可有效地挖掘具體領域的關鍵范疇，為知識圖譜中的本體初步構建提供重要參考。

2）知識圖譜的構建需要采用多種技術工具與模型，本研究成功結合HanLP與ALBERT，Smart-KG與MongoDB等，構成了創新知識圖譜的核心技術框架：同時，在完成論文創新內容實體問關系識別等復雜任務時，進行必要的人工分析和干預能夠使構建的知識圖譜更具邏輯性與拓展性，可為進一步的知識融合創造便利條件。

3）基于學術論文創新知識圖譜，可以進一步開發面向論文創新內容的多粒度語義檢索、智能問答、智能推薦、知識發現乃至創新性評價等系統或功能。

然而目前的研究仍有局限：①知識實體關系的抽取和實體消歧的工作依賴人工的分析處理，且實體屬性的抽取并未深入進行：②對某些具體理論模型影響因素的抽取識別并不精準，特別是基于多個理論衍生出的新理論：③所選基礎語料數據來源單一。

未來的研究希望可以加大智能化圖譜構建相關技術的結合：深入探索本體構建與圖譜構建在不同環節的相互影響，以求為知識的融合與更新過程提供更合理的機制：繼續深挖基礎語料的其他非關鍵知識實體，并嘗試融合更多領域的創新內容文本數據源，拓展面向學術論文創新內容的知識圖譜：另外，嘗試融合現有的以文獻、作者、研究主題、科研機構為主要實體的學術知識圖譜，真正實現學術領域知識圖譜的由廣入深。

（責任編輯：孫國雷）