一种语义角色分析方法、装置、设备以及存储介质与流程 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本技术实施例涉及自然语言处理技术领域，尤其涉及一种语义角色分析方法、装置、设备以及存储介质。背景技术：2.语义角色分析任务的目的是，给定一个句子，以及句子中的一个动词，分析句子中其它词在给定动词的语义结构中的语义角色。3.现阶段往往使用编码器和解码器组成的模型实现语义角色分析，但该方案对于句子中的词与词之间的信息利用率较差，存在性能差的缺陷。技术实现要素：4.以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。5.本公开实施例的主要目的在于提出一种语义角色分析方法、装置、设备以及存储介质，同时利用词与词之间的依存句法关系以及依存句法关系类型更新每一个词的隐向量，提高了对待分析语句进行语义角色分析的精确度。6.为实现上述目的，本公开实施例的第一方面提出了一种语义角色分析方法，所述语义角色分析方法包括：7.获取待分析语句；8.从所述待分析语句中提取每个词的隐向量、每两个词之间的依存句法关系及其依存句法关系类型；9.根据所述每两个词之间的依存句法关系及其依存句法关系类型，对所述每个词的隐向量进行增强，得到每个词的增强后隐向量；10.根据所述每个词的增强后隐向量，计算得到每个词的语义角色标签。11.在一些实施例中，所述从所述待分析语句中提取每个词的隐向量，包括：12.采用bert编码器对所述待分析语句进行编码，得到每个词的隐向量。13.在一些实施例中，所述根据所述每两个词之间的依存句法关系及其依存句法关系类型，对所述每个词的隐向量进行增强，包括：14.采用注意力关系图卷积网络，并根据所述每两个词之间的依存句法关系及其依存句法关系类型，对所述每个词的隐向量进行增强。15.在一些实施例中，所述注意力关系图卷积网络为多层注意力关系图卷积网络，其中，所述多层注意力关系图卷积网络中的第l+1层所述注意力关系图卷积网络通过如下方式对每个词的隐向量进行增强：16.获取第l层的所述注意力关系图卷积网络输出的每个词的第l层隐向量；17.将所述待分析语句中每两个词之间的依存句法关系类型，映射为所述每两个词之间的关系矩阵和关系偏移向量；18.根据所述每两个词之间的依存句法关系和所述每个词的第l层隐向量，计算每两个词之间的权重；19.根据所述每两个词之间的权重、所述每两个词之间的关系矩阵和关系偏移向量，对所述每个词的第l层隐向量进行增强，得到每个词的第l+1层隐向量。20.在一些实施例中，所述计算每两个词之间的权重的公式包括：[0021][0022]其中，表示第i个词xi和第j个词xj之间的权重，ai,j表示xi和xj之间的依存句法关系，表示xi的第l层隐向量，表示xj的第l层隐向量，w(l)表示第l层所述注意力关系图卷积网络的权重矩阵，n表示所述待分析语句中的词数量。[0023]在一些实施例中，所述对所述每个词的第l层隐向量进行增强的公式包括：[0024][0025]其中，表示xi的第l+1层隐向量，表示xi和xj之间的关系偏移向量，表示xi和xj之间的关系矩阵。[0026]在一些实施例中，所述根据所述每个词的增强后隐向量，得到每个词的语义角色标签，包括：[0027]提取所述待分析语句中的动词和非动词；[0028]将第v个动词xv的增强后隐向量和第i个非动词xi的增强后隐向量串联，得到串联向量；[0029]将所述串联向量输入softmax解码器，得到所述softmax解码器输出的xi的语义角色标签。[0030]为实现上述目的，本公开实施例的第二方面提出了一种语义角色分析装置，所述语义角色分析装置包括：[0031]语句获取单元，用于获取待分析语句；[0032]参数提取单元，用于从所述待分析语句中提取每个词的隐向量、每两个词之间的依存句法关系及其依存句法关系类型；[0033]向量增强单元，用于根据所述每两个词之间的依存句法关系及其依存句法关系类型，对所述每个词的隐向量进行增强，得到每个词的增强后隐向量；[0034]语义分析单元，用于根据所述每个词的增强后隐向量，计算得到每个词的语义角色标签。[0035]为实现上述目的，本公开实施例的第三方面提出了一种电子设备，包括至少一个存储器；[0036]至少一个处理器；[0037]至少一个计算机程序；[0038]所述计算机程序被存储在所述存储器中，处理器执行所述至少一个计算机程序以实现：[0039]如第一方面实施例任一项所述的语义角色分析方法。[0040]为实现上述目的，本公开实施例的第四方面还提出一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行：[0041]如第一方面实施例任一项所述的语义角色分析方法。[0042]本技术实施例第一方面提供了一种语义角色分析方法，本方法在提取待分析语句中每个词的语义角色标签的过程中，同时利用词与词之间的依存句法关系以及依存句法关系类型更新每一个词的隐向量，从而更全面地利用语句的依存句法信息，提高了依存句法信息的利用率，进而提高对待分析语句进行语义角色分析的精确度。[0043]可以理解的是，上述第二方面至第四方面与相关技术相比存在的有益效果与上述第一方面与相关技术相比存在的有益效果相同，可以参见上述第一方面中的相关描述，在此不再赘述。附图说明[0044]为了更清楚地说明本技术实施例中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术实施例的一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。[0045]图1是本技术一个实施例提供的一种语义角色分析方法的流程示意图；[0046]图2是本技术一个实施例提供的依存句法关系的示意图；[0047]图3是本技术一个实施例提供的注意力关系图卷积网络结构图；[0048]图4是本技术一个实施例提供的一种语义角色分析装置的结构示意图；[0049]图5是本技术一个实施例提供的一种电子设备的结构示意图。具体实施方式[0050]为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本技术，并不用于限定本技术。[0051]需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。[0052]除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本技术实施例的目的，不是旨在限制本技术。[0053]在对本技术实施例进行介绍说明之前，首先对现阶段的语义角色分析任务进行说明：[0054]现阶段，通常使用编码器和解码器组成的模型实现语义角色分析，令输入的语句为：x＝x1,x2,x3…xn，其中n表示语句中的词的个数，语句中第i个词记为xi。给定的动词是语句中的第v个词，记为xv。分析语义角色的过程为：[0055]步骤1、使用编码器对x编码，得到第i个词xa对应的隐向量hi。其中，动词xv对应的隐向量记为hv。[0056]步骤2、使用解码器，通过第i个词xi对应的隐向量hi和动词隐向量hv，预测第i个词xi的语义角色标签yi。具体过程为：[0057]步骤2.1，把第i个词xi对应的隐向量hi和动词隐向量hv串联，得到串联向量oi；[0058]步骤2.2，把串联向量oi送入解码器，得到第i个词xi的语义角色标签yi。[0059]如上述，现阶段往往使用编码器和解码器组成的模型实现语义角色分析，但该方案存在性能差的问题。现有的研究在上述步骤1和步骤2之间加入图卷积网络，但没有利用语句的词与词之间的依存句法关系及依存句法关系的关系类型，从而导致对依存句法信息利用不完全，出现性能差的问题。[0060]本技术同时利用词与词之间的依存句法关系以及依存句法关系类型更新每一个词的隐向量，从而提高网络模型进行语义角色分析的性能。[0061]请参照图1，图1是本技术一个实施例提供的一种语义角色分析方法，应理解，本技术实施例的语义角色分析方法包括但不限于步骤s101至s104，下面结合图1对步骤s101至步骤s104进行详细介绍：[0062]步骤s101、获取待分析语句。[0063]在本实施例的步骤s101中，待分析语句是指需要进行语义角色分析的语句，本技术对待分析语句的来源不进行具体限制，其可以是由用户输入，也可以是基于人工智能技术进行获取。[0064]步骤s102、从待分析语句中提取每个词的隐向量、每两个词之间的依存句法关系及其依存句法关系类型。[0065]在本技术的一些实施例中，可以采用bert编码器对待分析语句进行编码，得到每个词的隐向量。需要注意的是，采用bert编码器提取语句的隐向量为公知常识，此处不再细述。[0066]在本技术的一些实施例中，可以使用现有的依存句法分析工具处理待分析语句，从而得到每两个词之间的依存句法关系及其依存句法关系类型。[0067]以图2为例，示出了依存句法关系的例子。其中“我”与“吃”存在依存句法关系，其依存句法关系的类型为“名词性主语”，即nsubj；“吃”与“苹果”之间存在依存句法关系，其依存句法关系类型为“直接宾语”，即dobj。[0068]步骤s103、根据每两个词之间的依存句法关系及其依存句法关系类型，对每个词的隐向量进行增强，得到每个词的增强后隐向量。[0069]在本技术的一些实施例中，采用注意力关系图卷积网络，并根据每两个词之间的依存句法关系及其依存句法关系类型，对每个词的隐向量进行增强。具体如下：[0070]注意力关系图卷积网络为多层注意力关系图卷积网络，其中，第l+1层注意力关系图卷积网络通过如下方式对每个词的隐向量进行增强：[0071]步骤s1031、获取第l层的注意力关系图卷积网络输出的每个词的第l层隐向量。[0072]需要注意的是，每个词的第l层隐向量是指第l层的注意力关系图卷积网络输出的词的隐向量，当l＝1时，第1层的注意力关系图卷积网络的输入为bert编码器提取的词的隐向量，当l≠1时，后一层注意力关系图卷积网络的输入包括：前一层注意力关系图卷积网络的输出、每两个词之间的依存句法关系及其依存句法关系类型。[0073]步骤s1032、将待分析语句中每两个词之间的依存句法关系类型，映射为每两个词之间的关系矩阵和关系偏移向量。[0074]步骤s1033、根据每两个词之间的依存句法关系和每个词的第l层隐向量，计算每两个词之间的权重。[0075]在本技术的一些实施例中，步骤s1033中的计算每两个词之间的权重的公式如下所示：[0076][0077]其中，表示第i个词xi和第j个词xj之间的权重，ai,j表示xi和xj之间的依存句法关系，表示xi的第l层隐向量，表示xj的第l层隐向量，w(l)表示第l层注意力关系图卷积网络的权重矩阵，n表示待分析语句中的词数量。[0078]与现阶段不同的是，本方法使用注意力关系图卷积网络，对提取的依存句法信息(词与词之间的依存句法关系及其依存句法关系类型)建模，通过对不同的依存句法信息加权(即上述权重计算公式)，实现对不同句法知识在特定语境下重要程度的识别，能提高模型分析语义的准确度。[0079]步骤s1034、根据每两个词之间的权重、每两个词之间的关系矩阵和关系偏移向量，对每个词的第l层隐向量进行增强，得到每个词的第l+1层隐向量。[0080]在本技术的一些实施例中，对每个词的第l层隐向量进行增强的公式包括：[0081][0082]其中，表示xi的第l+1层隐向量，表示xi和xj之间的关系偏移向量，表示xi和xj之间的关系矩阵。[0083]步骤s104、根据每个词的增强后隐向量，计算得到每个词的语义角色标签。[0084]本方法同时利用词与词之间的依存句法关系，以及依存句法关系类型，提高了依存句法信息的利用率，从而提高了模型进行语义角色分析的性能；本方法使用注意力关系图卷积网络，对提取的依存句法信息建模，通过对不同的依存句法信息加权，实现对不同句法知识在特定语境下重要程度的识别，能提高模型分析语义的准确度。[0085]参照图3，为了便于本领域技术人员的理解，以下提供一组方法实施例，本方法包括但不限于步骤s201至s204：[0086]步骤s201、使用bert编码器对语句x编码，得到n个编码隐向量h＝{hi|1《＝i《＝n}，其中，第i个编码隐向量记为hi。[0087]步骤s202、使用现有的依存句法分析工具处理语句x，得到语句x的依存句法信息。从依存句法信息中，构建语句x的邻接矩阵a＝{ai,j}n*n和关系矩阵r＝{ri,j}n*n。其步骤为：[0088]步骤s2021、如果第i个词xi与第j个词xj之间存在依存句法关系，那么ai,j的值为1；否则，ai,j的值为0。从而构建邻接矩阵a。例如，图2所示的例子中，第1个词“我”与第2个词“吃”之间存在依存句法关系，那么ai,j＝1；第1个词“我”与第3个词“苹果”之间不存在依存句法关系，那么ai,j＝0。[0089]步骤s2022、如果第i个词xi与第j个词xj之间存在依存句法关系，那么ri,j的值为第i个词xi与第j个词xj之间的依存句法关系类型。从而构建关系矩阵r。例如，图2所示的例子中，第1个词“我”与第2个词“吃”之间存在类型为“nsubj”的依存句法关系类型那么r1,＝“nsubj”；第1个词“我”与第3个词“苹果”之间不存在依存句法关系，那么r1,＝“none”。[0090]步骤s203、使用l层的注意力关系图卷积网络，对编码隐向量h，邻接矩阵a，关系矩阵r建模，得到最后一层输出的n个增强隐向量o＝{oi|1《＝i《＝n}，其中第i个增强隐向量记为oi。[0091]上述步骤s203的l层注意力关系图卷积网络中，第l层的注意力关系图卷积网络的输入为第l-1层的注意力关系图卷积网络的输出。第一层注意力关系图卷积网络的输入为n个编码隐向量h。每一层注意力关系图卷积网络包括，关系计算模块、权重计算模块、前向计算模块。[0092]记第l层的注意力关系图卷积网络的输入为n个第l层的输入向量h()＝输出为第l+1层的输入向量从输入到输出的计算过程为：[0093]步骤s2031、使用第l层的关系计算模块，把第i个词xi与第j个词xj之间的依存句法关系类型ri,j映射为第l层第i个词xi与第j个词xj的关系矩阵和第l层第i个词xi与第j个词xj的关系偏移向量[0094]步骤s2032、在第l层的权重计算模块中，使用下式公式，计算第i个词xi与第j个词xj的权重[0095][0096]其中，w()是第l层的权重矩阵。[0097]步骤s2033、在第l层的前向计算模块中，使用公式，计算第l+1层的第i个输入向量[0098][0099]其中relu是激活函数。[0100]步骤s204、使用解码器，通过第i个词xi对应的增强隐向量oi和第v个词(即动词)对应的动词增强隐向量ov，预测第i个词xi的语义角色标签yi。具体过程为：[0101]步骤s2041、把第i个词xi对应的增强隐向量oi和动词增强隐向量ov串联，得到串联向量ui；[0102]步骤s2042、把串联向量ui送入softmax解码器，得到第i个词xi的语义角色标签yi。[0103]本技术的主要有如下优势：[0104](1)本技术同时利用词与词之间的依存句法关系，以及依存句法关系类型，从而更全面地利用语句的依存句法信息，提高了依存句法信息的利用率，提高了模型进行语义角色分析的性能；[0105](2)本发明使用注意力关系图卷积网络，对提取的句法信息建模，通过对不同的句法信息加权，实现对不同句法知识在特定语境下重要程度的识别，提高了模型进行语义角色分析的性能。[0106]请参照图4，图4是本技术一些实施例提供的语义角色分析装置的模块框图。在一些实施例中，所述语义角色分析装置包括：语句获取单元1100、参数提取单元1200、向量增强单元1300和语义分析单元1400，其中：[0107]语句获取单元1100用于获取待分析语句。[0108]参数提取单元1200用于从待分析语句中提取每个词的隐向量、每两个词之间的依存句法关系及其依存句法关系类型。[0109]向量增强单元1300用于根据每两个词之间的依存句法关系及其依存句法关系类型，对每个词的隐向量进行增强，得到每个词的增强后隐向量。[0110]语义分析单元1400用于根据每个词的增强后隐向量，计算得到每个词的语义角色标签。[0111]本装置在提取待分析语句中每个词的语义角色标签的过程中，同时利用词与词之间的依存句法关系以及依存句法关系类型更新每一个词的隐向量，从而更全面地利用语句的依存句法信息，提高了依存句法信息的利用率，进而也提高了对待分析语句进行语义角色分析的精确度。[0112]需要说明的是，本技术实施例的语义角色分析装置与前述的语义角色分析方法是基于同一个发明构思，因此，本技术实施例的语义角色分析装置与前述的语义角色分析方法相对应，具体的实现过程请参照前述的语义角色分析方法，在此不再赘述。[0113]本技术实施例还提供了一种电子设备，本电子设备包括：[0114]至少一个存储器；[0115]至少一个处理器；[0116]至少一个程序；[0117]程序被存储在存储器中，处理器执行至少一个程序以实现本公开实施上述的语义角色分析方法。[0118]该电子设备可以为包括手机、平板电脑、个人数字助理(personal digital assistant，pda)、车载电脑等任意智能终端。[0119]本技术实施例的电子设备，用于执行上述语义角色分析方法，在提取待分析语句中每个词的语义角色标签的过程中，同时利用词与词之间的依存句法关系以及依存句法关系类型更新每一个词的隐向量，从而更全面地利用语句的依存句法信息，提高了依存句法信息的利用率，进而也提高了对待分析语句进行语义角色分析的精确度。[0120]下面结合图5对本技术实施例的电子设备进行详细介绍。[0121]如图5，图5示意了另一实施例的电子设备的硬件结构，电子设备包括：[0122]处理器1600，可以采用通用的中央处理器(central processing unit，cpu)、微处理器、应用专用集成电路(application specific integrated circuit，asic)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本公开实施例所提供的技术方案；[0123]存储器1700，可以采用只读存储器(read only memory，rom)、静态存储设备、动态存储设备或者随机存取存储器(random access memory，ram)等形式实现。存储器1700可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1700中，并由处理器1600来调用执行本公开实施例的语义角色分析方法。[0124]输入/输出接口1800，用于实现信息输入及输出；[0125]通信接口1900，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如usb、网线等)实现通信，也可以通过无线方式(例如移动网络、wifi、蓝牙等)实现通信；[0126]总线2000，在设备的各个组件(例如处理器1600、存储器1700、输入/输出接口1800和通信接口1900)之间传输信息；[0127]其中处理器1600、存储器1700、输入/输出接口1800和通信接口1900通过总线2000实现彼此之间在设备内部的通信连接。[0128]本公开实施例还提供了一种存储介质，该存储介质是计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令用于使计算机执行上述语义角色分析方法。[0129]本技术实施例的存储介质，用于执行上述语义角色分析方法，在提取待分析语句中每个词的语义角色标签的过程中，同时利用词与词之间的依存句法关系以及依存句法关系类型更新每一个词的隐向量，从而更全面地利用语句的依存句法信息，提高了依存句法信息的利用率，进而也提高了对待分析语句进行语义角色分析的精确度。[0130]存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。[0131]本公开实施例描述的实施例是为了更加清楚的说明本公开实施例的技术方案，并不构成对于本公开实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本公开实施例提供的技术方案对于类似的技术问题，同样适用。[0132]本领域技术人员可以理解的是，图中示出的技术方案并不构成对本公开实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。[0133]以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。[0134]本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。[0135]本技术的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。[0136]应当理解，在本技术中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：只存在a，只存在b以及同时存在a和b三种情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。[0137]在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。[0138]作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。[0139]另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。[0140]集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台电子设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序的介质[0141]以上是对本技术实施例的较佳实施进行了具体说明，但本技术实施例并不局限于上述实施方式，熟悉本领域的技术人员在不违背本技术实施例精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本技术实施例权利要求所限定的范围内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!