หน้าแรก>การเขียนโปรแกรมที่เกี่ยวข้อง>ซอร์สโค้ดอื่น ๆ
ดาวน์โหลด

การสกัดความสัมพันธ์ที่ยอดเยี่ยม

Awesome_re

รายการทรัพยากรที่ยอดเยี่ยมที่อุทิศให้กับการแยกความสัมพันธ์ซึ่งได้รับแรงบันดาลใจจาก Awesome-NLP และการมองเห็นลึกสุดยอด

การบริจาค : โปรดอย่าลังเลที่จะทำการ ร้องขอการดึง

สารบัญ

  • แนวโน้มการวิจัยและการสำรวจ
  • เอกสาร
    • วิธีการดูแล
    • แนวทางการกำกับดูแลที่ห่างไกล
    • โมเดลที่ใช้ GNN
    • รูปแบบภาษา
      • การแสดงเข้ารหัสจากหม้อแปลง
      • การแสดงตัวถอดรหัสจากหม้อแปลง
    • วิธีการใช้กราฟความรู้
    • วิธีการเรียนรู้ไม่กี่ครั้ง
  • ชุดข้อมูล
  • วิดีโอและการบรรยาย
  • ระบบ
  • เฟรมเวิร์ก

แนวโน้มการวิจัยและการสำรวจ

  • ความคืบหน้าของ NLP: การสกัดความสัมพันธ์
  • การรับรู้เอนทิตีและการสกัดความสัมพันธ์: สถานะของศิลปะ (Nasar et al., 2021)
  • การสำรวจวิธีการเรียนรู้เชิงลึกสำหรับการสกัดสัมพันธ์ (Kumar, 2017)
  • การสำรวจการสกัดสัมพันธ์ (Bach and Badaskar, 2017)
  • การแยกความสัมพันธ์: การสำรวจ (Pawar et al., 2017)
  • การทบทวนการสกัดความสัมพันธ์ของเอนทิตี (Zhang et al., 2017)
  • การทบทวนวิธีการสกัดความสัมพันธ์: มีอะไรใหม่? (Konstantinova et al., 2014)
  • 100 GitHub ที่ดีที่สุด: การสกัดสัมพันธ์

เอกสาร

วิธีการดูแล

โมเดลที่ใช้ CNN

  • เครือข่ายนิวรัลการสกัดความสัมพันธ์ [กระดาษ] [รหัส] [รีวิว]
    • Chunyang Liu, Wenbo Sun, Wenhan Chao และ Wanxiang Che
    • ADMA 2013
  • การจำแนกประเภทความสัมพันธ์ผ่านเครือข่ายประสาทลึก convolutional [กระดาษ] [รหัส] [ตรวจสอบ]
    • Daojian Zeng, Kang Liu, Siwei Lai, Guangyou Zhou และ Jun Zhao
    • COLING 2014
  • การแยกความสัมพันธ์: มุมมองจากเครือข่ายประสาทสัมผัส [กระดาษ] [รหัส] [รีวิว]
    • Thien Huu Nguyen และ Ralph Grishman
    • NAACL 2015
  • การจำแนกความสัมพันธ์โดยการจัดอันดับด้วยเครือข่ายประสาทสัมผัส [กระดาษ] [รหัส]
    • Cicero Nogueira dos Santos, Bing Xiang และ Bowen Zhou
    • ACL 2015
  • เครือข่ายประสาทที่ใช้ความสนใจสำหรับการสกัดความสัมพันธ์แบบความหมาย [กระดาษ] [รหัส]
    • Yatian Shen และ Xuanjing Huang
    • Coling 2016
  • การจำแนกประเภทความสัมพันธ์ผ่านความสนใจหลายระดับ CNNs [กระดาษ] [รหัส]
    • Linlin Wang, Zhu Cao, Gerard de Melo และ Zhiyuan Liu
    • ACL 2016
  • MIT ที่ SEMEVAL-2017 ภารกิจที่ 10: การสกัดสัมพันธ์กับเครือข่ายประสาทสัมผัส [กระดาษ]
    • Ji Young Lee, Franck Dernoncourt และ Peter Szolovits
    • Semeval 2017

โมเดลที่ใช้ RNN

  • การจำแนกความสัมพันธ์ผ่านเครือข่ายประสาทที่เกิดขึ้นซ้ำ [กระดาษ]
    • Dongxu Zhang และ Dong Wang
    • Arxiv 2015
  • เครือข่ายหน่วยความจำระยะสั้นระยะยาวแบบสองทิศทางสำหรับการจำแนกประเภทความสัมพันธ์ [กระดาษ]
    • Shu Zhang, Dequan Zheng, Xinchen Hu และ Ming Yang
    • Paclic 2015
  • การแยกความสัมพันธ์แบบครบวงจรโดยใช้ LSTMs ในลำดับและโครงสร้างต้นไม้ [กระดาษ]
    • Makoto Miwa และ Mohit Bansal
    • ACL 2016
  • เครือข่ายหน่วยความจำระยะยาวระยะยาวแบบสองทิศทางสำหรับการจำแนกประเภทความสัมพันธ์ [กระดาษ] [รหัส]
    • Peng Zhou, Wei Shi, Jun Tian, ​​Zhenyu Qi, Bingchen Li, Hongwei Hao และ Bo Xu
    • ACL 2016
  • การจำแนกความสัมพันธ์แบบความหมายผ่านเครือข่ายประสาทที่เกิดขึ้นตามลำดับชั้นด้วยความสนใจ [กระดาษ]
    • Minguang Xiao และ Cong Liu
    • Coling 2016
  • การจำแนกความสัมพันธ์แบบความหมายผ่านเครือข่าย LSTM แบบสองทิศทางที่มีความสนใจอย่างตระหนักถึงเอนทิตีโดยใช้การพิมพ์เอนทิตีแฝง [กระดาษ] [รหัส]
    • Joohong Lee, Sangwoo Seo และ Yong Suk Choi
    • Arxiv 2019

แบบจำลองการพึ่งพา

  • ความหมายขององค์ประกอบผ่านช่องว่างเมทริกซ์-เวกเตอร์แบบเรียกซ้ำ [กระดาษ] [รหัส]
    • Richard Socher, Brody Huval, Christopher D. Manning และ Andrew Y. Ng
    • EMNLP-Conll 2012
  • แบบจำลองการฝังองค์ประกอบตามปัจจัย [กระดาษ]
    • Mo Yu, Matthw R. Gormley และ Mark Dredze
    • NIPS Workshop เกี่ยวกับการเรียนรู้ Semantics 2014
  • เครือข่ายประสาทตามการพึ่งพาสำหรับการจำแนกความสัมพันธ์ [กระดาษ]
    • Yang Liu, Furu Wei, Sujian Li, Heng Ji, Ming Zhou และ Houfeng Wang
    • ACL 2015
  • การจำแนกความสัมพันธ์ผ่านเครือข่ายหน่วยความจำระยะยาวระยะยาวตามเส้นทางการพึ่งพาที่สั้นที่สุด [กระดาษ] [รหัส]
    • Xu Yan, Lili Mou, Ge Li, Yunchuan Chen, Hao Peng และ Zhi Jin
    • EMNLP 2015
  • การจำแนกความสัมพันธ์แบบความหมายผ่านเครือข่ายประสาทแบบ Convolutional ด้วยการสุ่มตัวอย่างเชิงลบอย่างง่าย [กระดาษ]
    • Kun Xu, Yansong Feng, Songfang Huang และ Dongyan Zhao
    • EMNLP 2015
  • ปรับปรุงการจำแนกความสัมพันธ์โดยเครือข่ายประสาทที่เกิดขึ้นใหม่ด้วยการเพิ่มข้อมูล [กระดาษ]
    • Yan Xu, Ran Jia, Lili Mou, Ge Li, Yunchuan Chen, Yangyang Lu และ Zhi Jin
    • Coling 2016
  • เครือข่ายประสาทแบบ convolutional แบบสองทิศทางสำหรับการจำแนกประเภทความสัมพันธ์ [กระดาษ]
    • Rui Cai, Xiaodong Zhang และ Houfeng Wang
    • ACL 2016
  • การสกัดความสัมพันธ์ของระบบประสาทผ่านการลดเสียงรบกวนภายในประโยคและการถ่ายโอนการเรียนรู้ [กระดาษ]
    • Tianyi Liu, Xinsong Zhang, Wanhao Zhou, Weijia Jia
    • EMNLP 2018

โมเดลที่ใช้ GNN

  • การจับคู่ช่องว่าง: ความคล้ายคลึงกันแบบกระจายสำหรับการเรียนรู้ความสัมพันธ์ [กระดาษ]
    • Livio Baldini Soares, Nicholas Fitzgerald, Jeffrey Ling, Tom Kwiatkowski
    • ACL 2019
  • ความสัมพันธ์ของความสัมพันธ์: กระบวนทัศน์ใหม่ของปัญหาการสกัดความสัมพันธ์ [กระดาษ]
    • Zhijing Jin, Yongyi Yang, Xipeng Qiu, Zheng Zhang
    • EMNLP 2020
  • GDPNET: การกลั่นกราฟหลายมุมมองแฝงสำหรับการสกัดสัมพันธ์ [กระดาษ] [รหัส]
    • Fuzhao Xue, Aixin Sun, Hao Zhang, Eng Siong Chng
    • Aaai 21
  • Recon: การสกัดความสัมพันธ์โดยใช้บริบทกราฟความรู้ในเครือข่ายประสาทกราฟ [parer] [รหัส]
    • Anson Bastos, Abhishek Nadgeri, Kuldeep Singh, Isaiah Onando Mulang ', Saeedeh Shekarpour, Johannes Hoffart, Manohar Kaul
    • www'21

แนวทางการกำกับดูแลที่ห่างไกล

  • การกำกับดูแลที่ห่างไกลสำหรับการสกัดสัมพันธ์โดยไม่มีข้อมูลที่มีป้ายกำกับ [กระดาษ] [ตรวจสอบ]
    • Mike Mintz, Steven Bills, Rion Snow และ Dan Jurafsky
    • ACL 2009
  • การกำกับดูแลที่อ่อนแอตามความรู้สำหรับการสกัดข้อมูลของความสัมพันธ์ที่ทับซ้อนกัน [กระดาษ] [รหัส]
    • Raphael Hoffmann, Congle Zhang, Xiao Ling, Luke Zettlemoyer และ Daniel S. Weld
    • ACL 2011
  • การเรียนรู้แบบหลายฐานข้อมูลหลายฐานสำหรับการสกัดความสัมพันธ์ [กระดาษ] [รหัส]
    • Mihai Surdeanu, Julie Tibshirani, Ramesh Nallapati และ Christopher D. Manning
    • EMNLP-Conll 2012
  • การกำกับดูแลที่ห่างไกลสำหรับการสกัดสัมพันธ์ผ่านเครือข่ายประสาทเทียมเป็นชิ้น ๆ [กระดาษ] [ตรวจสอบ] [รหัส]
    • Daojian Zeng, Kang Liu, Yubo Chen และ Jun Zhao
    • EMNLP 2015
  • การแยกความสัมพันธ์กับเครือข่ายประสาทหลายฐานข้อมูลแบบอินสแตนซ์ [กระดาษ] [รีวิว] [รหัส]
    • Xiaotian Jiang, Quan Wang, Peng Li, Bin Wang
    • Coling 2016
  • การรวมเส้นทางความสัมพันธ์ในการสกัดความสัมพันธ์ของระบบประสาท [กระดาษ] [ทบทวน]
    • Wenyuan Zeng, Yankai Lin, Zhiyuan Liu และ Maosong Sun
    • EMNLP 2017
  • การแยกความสัมพันธ์ของระบบประสาทด้วยความสนใจในการเลือกอินสแตนซ์ [กระดาษ] [รหัส]
    • Yankai Lin, Shiqi Shen, Zhiyuan Liu, Huanbo Luan และ Maosong Sun
    • ACL 2017
  • การเรียนรู้บริบทในท้องถิ่นและระดับโลกโดยใช้แบบจำลองเครือข่ายที่เกิดขึ้นซ้ำ ๆ สำหรับการจำแนกประเภทความสัมพันธ์ในข้อความชีวการแพทย์ [กระดาษ] [รหัส] [รหัส]
    • Desh Raj, Sunil Kumar Sahu และ Ashish Anan
    • Conll 2017
  • การสกัดความสัมพันธ์แบบลำดับชั้นด้วยความสนใจแบบหยาบถึงละเอียด [กระดาษ] [รหัส]
    • Xu Han, Pengfei Yu ∗, Zhiyuan Liu, Maosong Sun, Peng Li
    • EMNLP 2018
  • อาศัยอยู่: การปรับปรุงการสกัดความสัมพันธ์ของระบบประสาทที่อยู่ห่างไกลโดยใช้ข้อมูลด้านข้าง [กระดาษ] [รหัส]
    • Shikhar Vashishth, Rishabh Joshi, Sai Suman Prayaga, Chiranjib Bhattacharyya และ Partha Talukdar
    • EMNLP 2018
  • การสกัดด้านการกำกับดูแลที่ห่างไกลด้วยความสนใจภายในถุงและระหว่างถุง [กระดาษ] [รหัส]
    • Zhi-Xiu Ye, Zhen-Hua Ling
    • NAACL 2019

รูปแบบภาษา

การแสดงเข้ารหัสจากหม้อแปลง

  • เพิ่มคุณค่าแบบจำลองภาษาที่ผ่านการฝึกอบรมมาก่อนด้วยข้อมูลเอนทิตีสำหรับการจำแนกความสัมพันธ์ [กระดาษ]
    • Shanchan Wu, Yifan เขา
    • Arxiv 2019
  • ลุค: การเป็นตัวแทนของนิติบุคคลที่มีบริบทอย่างลึก
    • Ikuya Yamada, Akari Asai, Hiroyuki Shindo, Hideaki Takeda, Yuji Matsumoto
    • EMNLP 2020
  • Spanbert: การปรับปรุงการฝึกอบรมก่อนโดยเป็นตัวแทนและทำนายช่วง [กระดาษ] [รหัส]
    • Mandar Joshi, Danqi Chen, Yinhan Liu, Daniel S. Weld, Luke Zettlemoyer และ Omer Levy
    • Tacl 2020 (ธุรกรรมของสมาคมภาษาศาสตร์เชิงคำนวณ)
  • การสกัดความสัมพันธ์ทางไกลที่มีประสิทธิภาพด้วย DG-Spanbert [Paper]
    • Jun Chen, Robert Hoehndorf, Mohamed Elhoseiny, Xiangliang Zhang

การแสดงตัวถอดรหัสจากหม้อแปลง

  • การปรับปรุงการสกัดความสัมพันธ์โดยการเป็นตัวแทนภาษาก่อนหน้า [กระดาษ] [รีวิว] [รหัส]
    • Christoph Alt, Marc Hübner, Leonhard Hennig
    • AKBC 19

วิธีการใช้กราฟความรู้

  • KGPOOL: การเลือกบริบทกราฟความรู้แบบไดนามิกสำหรับการสกัดความสัมพันธ์ [กระดาษ] [รหัส]
    • Abhishek Nadgeri, Anson Bastos, Kuldeep Singh, Isaiah Onando Mulang, Johannes Hoffart, Saeedeh Shekarpour และ Vijay Saraswat
    • ACL 2021 (ผลการวิจัย)

วิธีการเรียนรู้ไม่กี่ครั้ง

  • ไม่กี่คน: ชุดข้อมูลการจำแนกประเภทความสัมพันธ์แบบไม่กี่ตัวที่มีการดูแลขนาดใหญ่พร้อมการประเมินที่ทันสมัย ​​[กระดาษ] [เว็บไซต์] [รหัส]
    • Xu Han, Hao Zhu, Pengfei Yu, Ziyun Wang, Yuan Yao, Zhiyuan Liu, Maosong Sun
    • EMNLP 2018

เบ็ดเตล็ด

  • การสกัดความสัมพันธ์ร่วมกันกับความสัมพันธ์ระดับผ่านการจัดอันดับลึกที่มีประสิทธิภาพ [กระดาษ]
    • Hai Ye, Wenhan Chao, Zhunchen Luo และ Zhoujun Li
    • ACL 2017
  • การสกัดความสัมพันธ์ของระบบประสาทแบบครบวงจรด้วยการเพิ่มประสิทธิภาพทั่วโลก [กระดาษ]
    • Meishan Zhang, Yue Zhang และ Guohong Fu
    • EMNLP 2017
  • การฝึกอบรมฝ่ายตรงข้ามสำหรับการสกัดสัมพันธ์ [กระดาษ]
    • Yi Wu, David Bamman และ Stuart Russell
    • EMNLP 2017
  • แบบจำลองข้อต่อประสาทสำหรับเอนทิตีและการสกัดความสัมพันธ์จากข้อความชีวการแพทย์ [กระดาษ]
    • Fei Li, Meishan Zhang, Guohong Fu และ Donghong Ji
    • BMC Bioinformatics 2017
  • การสกัดร่วมกันของหน่วยงานและความสัมพันธ์โดยใช้การเรียนรู้การเสริมแรงและการเรียนรู้อย่างลึกซึ้ง [กระดาษ]
    • Yuntian Feng, Hongjun Zhang, Wenning Hao และ Gang Chen
    • วารสารการคำนวณข่าวกรองและประสาทวิทยาศาสตร์ 2017
  • TDEER: สคีมาการถอดรหัสการแปลที่มีประสิทธิภาพสำหรับการสกัดร่วมกันของเอนทิตีและความสัมพันธ์ [กระดาษ] [รหัส]
    • Xianming Li, Xiaotian Luo, Chenghao Dong, Daichuan Yang, Beidi Luan และ Zhen เขา
    • EMNLP 2021

กลับไปด้านบน

ชุดข้อมูล

  • Semeval-2010 งาน 8 [กระดาษ] [ดาวน์โหลด]
    • การจำแนกประเภทความสัมพันธ์เชิงความหมายหลายทางระหว่างคู่ของการเสนอชื่อ
  • New York Times (NYT) Corpus [Paper] [ดาวน์โหลด]
    • ชุดข้อมูลนี้สร้างขึ้นโดยการจัดแนวความสัมพันธ์ Freebase กับ NYT Corpus โดยมีประโยคจากปี 2548-2549 ใช้เป็นคลังการฝึกอบรมและประโยคจากปี 2550 ที่ใช้เป็นคลังการทดสอบ
  • ไม่กี่คน: ชุดข้อมูลการจำแนกประเภทความสัมพันธ์ไม่กี่ครั้ง [PAPER] [เว็บไซต์]
    • ชุดข้อมูลนี้เป็นชุดข้อมูลการจำแนกประเภทความสัมพันธ์แบบไม่กี่ตัว คลังข้อมูลคือวิกิพีเดียและฐานความรู้ที่ใช้ในการใส่คำอธิบายประกอบคลังข้อมูลคือวิกิดาต้า
  • TACRED: ชุดข้อมูลการแยกความสัมพันธ์ TAC [PAPER] [เว็บไซต์] [ดาวน์โหลด]
    • เป็นชุดข้อมูลการสกัดความสัมพันธ์ขนาดใหญ่ที่สร้างขึ้นเหนือ Newswire และข้อความเว็บจากคลังข้อมูลที่ใช้ในความท้าทายฐานความรู้ TAC ฐาน (TAC KBP) ประจำปี
  • ACE05: [เว็บไซต์] [Download-info]
    • ชุดข้อมูลนี้แสดงถึงข้อความที่แยกออกมาจากแหล่งข้อมูลที่หลากหลาย: การสนทนาออกอากาศ, ข่าวออกอากาศ, กลุ่มข่าว, เว็บบล็อก 6 ประเภทความสัมพันธ์ระหว่าง 7 ประเภทในเอนทิตี: Acility (FAC), Geo-PoliticalEntity (GPE), ที่ตั้ง (LOC), องค์กร (org), บุคคล (ต่อ), ยานพาหนะ (ยานพาหนะ), อาวุธ (WEA)
  • Semeval-2018 Task 7 [Paper] [เว็บไซต์] [ดาวน์โหลด]
    • คลังข้อมูลถูกรวบรวมจากบทคัดย่อและการแนะนำเอกสารทางวิทยาศาสตร์และมีความสัมพันธ์เชิงความหมายหกประเภท มีสามงานย่อยของมัน: Subtask 1.1 และ Subtask 1.2 คือการจำแนกประเภทความสัมพันธ์กับข้อมูลที่สะอาดและมีเสียงดังตามลำดับ; Subtask 2 คือการสกัดความสัมพันธ์มาตรฐาน

สำหรับผลลัพธ์ที่ทันสมัยตรวจสอบ nlpprogress.com เกี่ยวกับการแยกความสัมพันธ์

กลับไปด้านบน

วิดีโอและการบรรยาย

  • มหาวิทยาลัยสแตนฟอร์ด: CS124, Dan Jurafsky
    • (วิดีโอ) สัปดาห์ที่ 5: การแยกความสัมพันธ์และคำถาม
  • มหาวิทยาลัยวอชิงตัน: ​​CSE517, Luke Zettlemoyer
    • (สไลด์) การสกัดความสัมพันธ์ 1
    • (สไลด์) การสกัดความสัมพันธ์ 2
  • มหาวิทยาลัยนิวยอร์ก: CSCI-GA.2590, Ralph Grishman
    • (สไลด์) การสกัดความสัมพันธ์: วิธีการตามกฎ
  • มหาวิทยาลัยมิชิแกน: Coursera, Dragomir R. Radev
    • (วิดีโอ) การบรรยาย 48: การแยกความสัมพันธ์
  • มหาวิทยาลัยเวอร์จิเนีย: CS6501-NLP, Kai-Wei Chang
    • (สไลด์) การบรรยาย 24: การสกัดสัมพันธ์

กลับไปด้านบน

ระบบ

  • ลึกล้ำ
  • สแตนฟอร์ดสกัดความสัมพันธ์

กลับไปด้านบน

เฟรมเวิร์ก

  • Opennre [GitHub] [กระดาษ]
    • เป็นชุดเครื่องมือโอเพนซอร์ซและขยายได้ซึ่งให้กรอบการทำงานแบบครบวงจรเพื่อใช้แบบจำลองระบบประสาทสำหรับการสกัดสัมพันธ์ (RE) ระหว่างหน่วยงานที่มีชื่อ มันถูกออกแบบมาสำหรับสถานการณ์ต่าง ๆ สำหรับ RE รวมถึงระดับประโยค RE, Re-Level Re, Refer Level ระดับเอกสารและอีกไม่กี่นัด มันมีโมดูล RE ที่ใช้งานได้หลายแบบโดยใช้ทั้ง tensorflow และ pytorch เพื่อรักษาความเป็นโมดูลและการขยายที่เพียงพอทำให้ง่ายต่อการรวมโมเดลใหม่เข้ากับเฟรมเวิร์ก
  • Arekit [GitHub] [Paper ที่ใช้งานวิจัยได้]
    • เป็นชุดเครื่องมือโอเพนซอร์ซและขยายได้มุ่งเน้นไปที่การเตรียมข้อมูลสำหรับองค์กรสกัดความสัมพันธ์ระดับเอกสาร มันเติมเต็มฟังก์ชั่น OpenNRE เช่นเดียวกับในแง่หลัง การตั้งค่า RE ระดับเอกสารไม่ได้สำรวจอย่างกว้างขวาง (2.4 [กระดาษ]) ฟังก์ชั่นหลักรวมถึง (1) API สำหรับการนำเสนอเอกสารด้วยการเชื่อมโยง EL (เอนทิตี, เช่นวัตถุคำพ้องความหมาย) สำหรับการเตรียมความสัมพันธ์ระดับประโยค (ขนานนามว่าเป็นบริบท) (2) API สำหรับการสกัดบริบท (3) ความสัมพันธ์ที่ถ่ายโอนจากระดับประโยคลงไปในระดับเอกสาร
  • dere [gitHub] [กระดาษ]
    • เป็นเฟรมเวิร์ก โอ เพนซอร์ซสำหรับ การ ศึกษา ที่ ชัดเจนและอนุญาตให้ประกาศงานของคุณเอง (ใช้ XML Schemas) และใช้โมเดลที่ใช้งานด้วยตนเอง (โดยใช้ API ที่ให้ไว้) การประกาศงานสร้างขึ้นบน ช่วง และ ความสัมพันธ์ระหว่างช่วง ในแง่ของหลังผู้เขียนเสนอ เฟรม ที่ทุกเฟรม yelds ของ: (1) ทริกเกอร์ (span) และ (2) n -slots ซึ่งทุกช่องอาจอ้างถึง เฟรม หรือ ช่วง เฟรมเวิร์กไม่มีข้อ จำกัด ทางทฤษฎีไปยังหน้าต่างที่สกัดเฟรม ดังนั้นแนวคิดนี้อาจครอบคลุมระดับประโยคระดับเอกสารและงานหลายเอกสาร

กลับไปด้านบน

ใบอนุญาต

ตามขอบเขตที่เป็นไปได้ภายใต้กฎหมายจูฮงลีลีได้สละสิทธิ์ลิขสิทธิ์และสิทธิที่เกี่ยวข้องหรือใกล้เคียงกับงานนี้ทั้งหมด

ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด