深度学习推荐算法？
谷歌人工智能写作项目：小发猫
社交网络的核心推荐算法有哪些？
对好友推荐算法非常熟悉，有些积累AI爱发猫。
近来学习聚类，发现聚类中有一个非常有趣的方向—社交网络分析，分享一下我的大致了解。这篇只是一篇概况，并没有太多的公式推导和代码，基本是用人话解释社交网络分析中的常用的几种算法。
详细到每个算法的以后有空再把详细的公式和代码补上。
社区发现算法，GN算法，Louvain算法，LPA与SLPALouvain算法思想不断遍历网络中的节点，尝试把单个节点加入能使模块度提升最大的社区，直到所有节点不再改变将第一阶段形成的一个个小的社区并为一个节点，重新构造网络。
这时边的权重为两个节点内所有原始节点的边权重之和。
重复以上两步LPA算法思想：初始化每个节点，并赋予唯一标签根据邻居节点最常见的标签更新每个节点的标签最终收敛后标签一致的节点属于同一社区SLPA算法思想：SLPA是LPA的扩展。
给每个节点设置一个list存储历史标签每个speaker节点带概率选择自己标签列表中标签传播给listener节点。
节点将最热门的标签更新到标签列表中使用阀值去除低频标签，产出标签一致的节点为社区。
深度学习主要是学习哪些算法？
深度学习是基于人工神经网络的更广泛的机器学习方法族的一部分。学习可以是有监督的、半监督的或无监督的。
深度学习架构，例如深度神经网络、深度信念网络、循环神经网络和卷积神经网络，已经被应用于包括计算机视觉、语音识别、自然语言处理、音频识别、社交网络过滤、机器翻译、生物信息学、药物设计、医学像分析、材料检查和棋盘游戏程序在内的领域，在这些领域中，它们的成果可与人类专家媲美，并且在某些情况下胜过人类专家。
神经网络受到生物系统中信息处理和分布式通信节点的启发。人工神经网络与生物大脑有各种不同。具体而言，神经网络往往是静态和象征性的，而大多数生物的大脑是动态和模拟的。
定义深度学习是一类机器学习算法：使用多个层逐步从原始输入中逐步提取更高级别的特征。例如，在像处理中，较低层可以识别边缘，而较高层可以识别对人类有意义的部分，例如数字/字母或面部。
业界现在有哪些比较成熟的基于深度学习的应用
应该说，CNN只是深度学习中的一种算法，并且由于Lenet_5等模型的原因目前应用较为广泛。
除了CNN之外，深度学习中还有其他的网络算法，比如Hinton的DBNs，对于语音和自然语言处理还是不错的。
常见的深度学习算法主要有哪些？
深度学习常见的3种算法有：卷积神经网络、循环神经网络、生成对抗网络。
卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之
循环神经网络是一类以序列数据为输入，在序列的演进方向进行递归且所有节点按链式连接的递归神经网络。
生成对抗网络是一种深度学习模型，是最近两年十分热门的一种无监督学习算法。
推荐算法有哪些？
推荐算法大致可以分为三类：基于内容的推荐算法、协同过滤推荐算法和基于知识的推荐算法。
协同过滤算法，原理是用户喜欢那些具有相似兴趣的用户喜欢过的商品，比如你的朋友喜欢电影哈利波特I，那么就会推荐给你，这是最简单的基于用户的协同过滤算法，还有一种是基于Item的协同过滤算法，这两种方法都是将用户的所有数据读入到内存中进行运算的，因此成为Memory-basedCollaborativeFiltering，另一种则是Model-basedcollaborativefiltering，包括AspectModel，pLSA，LDA，聚类，SVD，MatrixFactorization等，这种方法训练过程比较长，但是训练完成后，推荐过程比较快。
最后一种方法是基于知识的推荐算法，也有人将这种方法归为基于内容的推荐，这种方法比较典型的是构建领域本体，或者是建立一定的规则，进行推荐。
混合推荐算法，则会融合以上方法，以加权或者串联、并联等方式尽心融合。
推荐系统还包括很多方法，其实机器学习或者数据挖掘里面的方法，很多都可以应用在推荐系统中，比如说LR、GBDT、RF，社交网络里面的结构等，都可以说是推荐方法。
对于社交网络的数据挖掘应该如何入手，使用哪些算法
3月13日下午，南京邮电大学计算机学院、软件学院院长、教授李涛在CIO时代APP微讲座栏目作了题为《大数据时代的数据挖掘》的主题分享，深度诠释了大数据及大数据时代下的数据挖掘。
众所周知，大数据时代的大数据挖掘已成为各行各业的一大热点。数据挖掘在大数据时代，数据的产生和收集是基础，数据挖掘是关键，数据挖掘可以说是大数据最关键也是最基本的工作。
通常而言，数据挖掘也称为DataMining，或知识发现KnowledgeDiscoveryfromData，泛指从大量数据中挖掘出隐含的、先前未知但潜在的有用信息和模式的一个工程化和系统化的过程。
不同的学者对数据挖掘有着不同的理解，但个人认为，数据挖掘的特性主要有以下四个方面：应用性：数据挖掘是理论算法和应用实践的完美结合。
数据挖掘源于实际生产生活中应用的需求，挖掘的数据来自于具体应用，同时通过数据挖掘发现的知识又要运用到实践中去，辅助实际决策。
数据挖掘来自于应用实践，同时也服务于应用实践，数据是根本，数据挖掘应以数据为导向，其中涉及到算法的设计与开发都需考虑到实际应用的需求，对问题进行抽象和泛化，将好的算法应用于实际中，并在实际中得到检验。
工程性：数据挖掘是一个由多个步骤组成的工程化过程。
数据挖掘的应用特性决定了数据挖掘不仅仅是算法分析和应用，而是一个包含数据准备和管理、数据预处理和转换、挖掘算法开发和应用、结果展示和验证以及知识积累和使用的完整过程。
而且在实际应用中，典型的数据挖掘过程还是一个交互和循环的过程。集合性：数据挖掘是多种功能的集合。
常用的数据挖掘功能包括数据探索分析、关联规则挖掘、时间序列模式挖掘、分类预测、聚类分析、异常检测、数据可视化和链接分析等。一个具体的应用案例往往涉及多个不同的功能。
不同的功能通常有不同的理论和技术基础，而且每一个功能都有不同的算法支撑。
交叉性：数据挖掘是一门交叉学科，它利用了来自统计分析、模式识别、机器学习、人工智能、信息检索、数据库等诸多不同领域的研究成果和学术思想。
同时一些其他领域如随机算法、信息论、可视化、分布式计算和最优化也对数据挖掘的发展起到重要的作用。数据挖掘与这些相关领域的区别可以由前面提到的数据挖掘的3个特性来总结，最重要的是它更侧重于应用。
应用性是数据挖掘的一个重要特性，是其区别于其他学科的关键，其应用特性与其他特性相辅相成，这些特性在一定程度上决定了数据挖掘的研究与发展，也为如何学习和掌握数据挖掘提出了指导性意见。
如从研究发展来看，实际应用的需求是数据挖掘领域很多方法提出和发展的根源。
从最开始的顾客交易数据分析、多媒体数据挖掘、隐私保护数据挖掘到文本数据挖掘和Web挖掘，再到社交媒体挖掘都是由应用推动的。
工程性和集合性决定了数据挖掘研究内容和方向的广泛性。其中，工程性使得整个研究过程里的不同步骤都属于数据挖掘的研究范畴。
而集合性使得数据挖掘有多种不同的功能，而如何将多种功能联系和结合起来，从一定程度上影响了数据挖掘研究方法的发展。比如，20世纪90年代中期，数据挖掘的研究主要集中在关联规则和时间序列模式的挖掘。
到20世纪90年代末，研究人员开始研究基于关联规则和时间序列模式的分类算法，将两种不同的数据挖掘功能有机地结合起来。
21世纪初，一个研究的热点是半监督学习和半监督聚类，也是将分类和聚类这两种功能有机结合起来。
近年来的一些其他研究方向如子空间聚类和分类也是将多种功能联系和结合在一起。
交叉性导致了研究思路和方法设计的多样化。
前面提到的是数据挖掘的特性对研究发展及研究方法的影响，数据挖掘的这些特性对如何学习和掌握数据挖掘提出了指导性的意见，对培养研究生、本科生均有一些指导意见，如应用性在指导数据挖掘时，应熟悉应用的业务和需求，需求才是数据挖掘的目的，业务和算法、技术的紧密结合非常重要，了解业务、把握需求才能有针对性地对数据进行分析，挖掘其价值。
在实际应用中需要的是一种既懂业务，又懂数据挖掘算法的人才。
工程性决定了要掌握数据挖掘需有一定的工程能力，一个好的数据额挖掘人员首先是一名工程师，有很强大的处理大规模数据和开发原型系统的能力，这相当于在培养数据挖掘工程师时，对数据的处理能力和编程能力很重要。
集合性使得在具体应用数据挖掘时，要做好底层不同功能和多种算法积累。交叉性决定了在学习数据挖掘时要主动了解和学习相关领域的思想和技术。
这些特性均是数据挖掘的特点，通过这四个特性可总结和学习数据挖掘。大数据的特征大数据一词经常被用以描述和指代信息爆炸时代产生的海量信息。
研究大数据的意义在于发现和理解信息内容及信息与信息之间的联系。研究大数据首先要理清和了解大数据的特点及基本概念，进而理解和认识大数据。研究大数据首先要理解大数据的特征和基本概念。
业界普遍认为，大数据具有标准的“4V”特征：Volume：数据体量巨大，从TB级别跃升到PB级别。Variety：数据类型繁多，如网络日志、视频、片、地理位置信息等。
Velocity：处理速度快，实时分析，这也是和传统的数据挖掘技术有着本质的不同。
Value：价值密度低，蕴含有效价值高，合理利用低密度价值的数据并对其进行正确、准确的分析，将会带来巨大的商业和社会价值。上述“4V”特点描述了大数据与以往部分抽样的“小数据”的主要区别。
然而，实践是大数据的最终价值体现的唯一途径。
从实际应用和大数据处理的复杂性看，大数据还具有如下新的“4V”特点：Variability：在不同的场景、不同的研究目标下数据的结构和意义可能会发生变化，在实际研究中要考虑具体的上下文场景。
Veracity：获取真实、可靠的数据是保证分析结果准确、有效的前提。只有真实而准确的数据才能获取真正有意义的结果。
Volatility/Variance：由于数据本身含有噪音及分析流程的不规范性，导致采用不同的算法或不同分析过程与手段会得到不稳定的分析结果。
Visualization：在大数据环境下，通过数据可视化可以更加直观地阐释数据的意义，帮助理解数据，解释结果。以上“8V”特征在大数据分析与数据挖掘中具有很强的指导意义。
需用具体的应用数据作为驱动，以算法、工具和平台作为支撑，最终将发现的知识和信息应用到实践中去，从而提供量化的、合理的、可行的、且能产生巨大价值的信息。
挖掘大数据中隐含的有用信息需设计和开发相应的数据挖掘和学习算法。
算法的设计和开发需以具体的应用数据作为驱动，同时在实际问题中得到应用和验证，而算法的实现和应用需要高效的处理平台，这个处理平台可以解决波动性问题。
高效的处理平台需要有效分析海量数据，及时对多元数据进行集成，同时有力支持数据化对算法及数据可视化的执行，并对数据分析的流程进行规范。
总之，应用、算法、数据、平台这四个方面相结合的思想，是对大数据时代的数据挖掘理解与认识的综合提炼，体现了大数据时代数据挖掘的本质与核心。
这四个方面也是对相应研究方面的集成和架构，这四个架构具体从以下四个层面展开：应用层：关心的是数据的收集与算法验证，关键问题是理解与应用相关的语义和领域知识。
数据层：数据的管理、存储、访问与安全，关心的是如何进行高效的数据使用。算法层：主要是数据挖掘、机器学习、近似算法等算法的设计与实现。
平台层：数据的访问和计算，计算平台处理分布式大规模的数据。
数据挖掘的算法分为多个层次，在不同的层面有不同的研究内容，可以看到目前在做数据挖掘时的主要研究方向，如利用数据融合技术预处理稀疏、异构、不确定、不完整以及多来源数据；挖掘复杂动态变化的数据；测试通过局部学习和模型融合所得到的全局知识，并反馈相关信息给预处理阶段；对数据并行分布化，达到有效使用的目的。
在应用领域中，如医疗保健、高端制造、金融等，一个典型的数据挖掘任务往往需要复杂的子任务配置，整合多种不同类型的挖掘算法以及在分布式计算环境中高效运行。
在大数据时代进行数据挖掘应用的一个当务之急是要开发和建立计算平台和工具，支持应用领域的数据分析人员能够有效地执行数据分析任务。
之前提到一个数据挖掘有多种任务、多种功能及不同的挖掘算法，需要一个高效的平台。
大数据时代的数据挖掘和应用的当务之急，便是开发和建立计算平台和工具，支持应用领域的数据分析人员能够有效地执行数据分析任务。
相关产品现有的数据挖掘工具有Weka、SPSS和SQLServer，它们提供了友好的界面，方便用户进行分析，然而这些工具并不适合进行大规模的数据分析，在使用这些工具时用户很难添加新的算法程序。
流行的数据挖掘算法库如Mahout、MLC++和MILK，这些算法库提供了大量的数据挖掘算法。但这些算法库需要有高级编程技能才能进行任务配置和算法集成。
最近出现的一些集成的数据挖掘产品如Radoop和BC-PDM，它们提供友好的用户界面来快速配置数据挖掘任务。但这些产品是基于Hadoop框架的，对非Hadoop算法程序的支持非常有限。
没有明确地解决在多用户和多任务情况下的资源分配。
FIU-Miner为解决现有工具和产品在大数据挖掘中的局限性，我们团队开发了一个新的平台——FIU-Miner，它代表了AFast,Integrated,andUser-FriendlySystemforDataMininginDistributedEnvironment。
它是一个用户友好并支持在分布式环境中进行高效率计算和快速集成的数据挖掘系统。与现有数据挖掘平台相比，FIU-Miner提供了一组新的功能，能够帮助数据分析人员方便并有效地开展各项复杂的数据挖掘任务。
与传统的数据挖掘平台相比，它提供了一些新的功能，主要有以下几个方面：用户友好、人性化、快速的数据挖掘任务配置。基于“软件即服务”这一模式，FIU-Miner隐藏了与数据分析任务无关的低端细节。
通过FIU-Miner提供的人性化用户界面，用户可以通过将现有算法直接组装成工作流，轻松完成一个复杂数据挖掘问题的任务配置，而不需要编写任何代码。灵活的多语言程序集成。
允许用户将目前最先进的数据挖掘算法直接导入系统算法库中，以此对分析工具集合进行扩充和管理。
由于FIU-Miner能够正确地将任务分配到有合适运行环境的计算节点上，所以对这些导入的算法没有实现语言的限制。异构环境中有效的资源管理。
FIU-Miner支持在异构的计算环境中运行数据挖掘任务。FIU-Miner综合考虑各种因素来优化计算资源的利用率。
有效的程序调度和执行。应用架构上包括用户界面层、任务和系统管理层、逻辑资源层、异构的物理资源层。
这种分层架构充分考虑了海量数据的分布式存储、不同数据挖掘算法的集成、多重任务的配置及系统用户的交付功能。一个典型的数据挖掘任务在应用之中需要复杂的主任务配置，整合多种不同类型的挖掘算法。
开发和建立这样的计算平台和工具，支持应用领域的数据分析人员进行有效的分析是大数据挖掘中的一个重要任务。
FIU-Miner系统用在了不同方面：如高端制造业、仓库智能管理、空间数据处理等，TerraFlyGeoCloud是建立在TerraFly系统之上的、支持多种在线空间数据分析的一个平台。
提供了一种类SQL语句的空间数据查询与挖掘语言MapQL。它不但支持类SQL语句，更重要的是可根据用户的不同要求，进行空间数据挖掘，渲染和画查询得到空间数据。
通过构建空间数据分析的工作流来优化分析流程，提高分析效率。制造业是指大规模地把原材料加工成成品的工业生产过程。高端制造业是指制造业中新出现的具有高技术含量、高附加值、强竞争力的产业。
典型的高端制造业包括电子半导体生产、精密仪器制造、生物制药等。这些制造领域往往涉及严密的工程设计、复杂的装配生产线、大量的控制加工设备与工艺参数、精确的过程控制和材料的严格规范。
产量和品质极大地依赖流程管控和优化决策。制造企业不遗余力地采用各种措施优化生产流程、调优控制参数、提高产品品质和产量，从而提高企业的竞争力。
在空间数据处理方面，TerraFlyGeoCloud对多种在线空间数据分析。对传统数据分析而言，其难点在于MapQL语句比较难写，任务之间的关系比较复杂，顺序执行之间空间数据分许效率较低。
而FIU-Miner可有效解决以上三个难点。总结而言，大数据的复杂特征对数据挖掘在理论和算法研究方面提出了新的要求和挑战。大数据是现象，核心是挖掘数据中蕴含的潜在信息，并使它们发挥价值。
数据挖掘是理论技术和实际应用的完美结合。数据挖掘是理论和实践相结合的一个例子。--。
如何利用深度学习技术训练聊天机器人语言模型
数据预处理模型能聊的内容也取决于选取的语料。如果已经具备了原始聊天数据，可以用SQL通过关键字查询一些对话，也就是从大库里选取出一个小库来训练。
对于英语，需要了解NLTK，NLTK提供了加载语料，语料标准化，语料分类，PoS词性标注，语意抽取等功能。
另一个功能强大的工具库是CoreNLP，作为Stanford开源出来的工具，特色是实体标注，语意抽取，支持多种语言。
#coding:utf8"""SegmenterwithChinese"""importjiebaimportlangiddefsegment_chinese_sentence:"""Returnsegmentedsentence."""seg_list=seg_sentence=u"".joinreturnseg_sentence.strip.encodedefprocess_sentence:"""OnlyprocessChineseSentence."""iflangid.classify[0]=="zh":returnsegment_chinese_sentencereturnsentenceif__name__=="__main__":print)print)以上使用了langid先判断语句是否是中文，然后使用jieba进行分词。
在功能上，jieba分词支持全切分模式，精确模式和搜索引擎模式。全切分：输出所有分词。精确：概率上的最佳分词。所有引擎模式：对精确切分后的长句再进行分词。
jieba分词的实现主要是分成下面三步：加载字典，在内存中建立字典空间。字典的构造是每行一个词，空格，词频，空格，词性。
上诉书3n上诉人3n上诉期3b上诉状4n上课650v建立字典空间的是使用python的dict，采用前缀数组的方式。
使用前缀数组的原因是树结构只有一层-word:freq，效率高，节省空间。
比如单词"dog",字典中将这样存储：{"d":0,"do":0,"dog":1#value为词频}字典空间的主要用途是对输入句子建立有向无环，然后根据算法进行切分。
算法的取舍主要是根据模式-全切，精确还是搜索。对输入的语句分词，首先是建立一个有向无环。有向无环,Directedacyclicgraph。
【3-2】DAGDAG对于后面计算最大概率路径和使用HNN模型识别新词有直接关系。
按照模式，对有向无环进行遍历，比如，在精确模式下，便利就是求最大权重和的路径，权重来自于在字典中定义的词频。对于没有出现在词典中的词，连续的单个字符也许会构成新词。
然后用HMM模型和Viterbi算法识别新词。精确模型切词：使用动态规划对最大概率路径进行求解。
最大概率路径：求route=，使得Σweight最大。Wi为该词的词频。更多的细节还需要读一下jieba的源码。
自定义字典jieba分词默认的字典是:1998人民日报的切分语料还有一个msr的切分语料和一些txt小说。开发者可以自行添加字典，只要符合字典构建的格式就行。jieba分词同时提供接口添加词汇。
Wordembedding使用机器学习训练的语言模型，网络算法是使用数字进行计算，在输入进行编码，在输出进行解码。wordembedding就是编解码的手段。
【3-3】wordembedding,Ref.#7wordembedding是文本的数值化表示方法。
表示法包括one-hot，bagofwords，N-gram，分布式表示，共现矩阵等。Word2vec近年来，word2vec被广泛采用。
word2vec-train""-output"data/review.model"-cbow1-size100-window8-negative25-hs0-sample1e-4-threads20-binary1-iter15-train""表示在指定的语料库上训练模型-cbow1表示用cbow模型，设成0表示用skip-gram模型-size100词向量的维度为100-window8训练窗口的大小为8即考虑一个单词的前八个和后八个单词-negative25-hs0是使用negativesample还是HS算法-sample1e-4采用阈值-threads20线程数-binary1输出model保存成2进制-iter15迭代次数在训练完成后，就得到一个model，用该model可以查询每个词的词向量，在词和词之间求距离，将不同词放在数学公式中计算输出相关性的词。
比如：vector-vector+vector=vector"对于训练不同的语料库，可以单独的训练词向量模型，可以利用已经训练好的模型。
其它训练词向量空间工具推荐：Glove。
Seq2Seq2014年，SequencetoSequenceLearningwithNeuralNetworks提出了使用深度学习技术，基于RNN和LSTM网络训练翻译系统，取得了突破，这一方法便应用在更广泛的领域，比如问答系统，像字幕，语音识别，撰写诗词等。
在使用Seq2Seq的过程中，虽然也研究了它的结构，但我还不认为能理解和解释它。
下面谈两点感受：a.RNN保存了语言顺序的特点，这和CNN在处理带有形状的模型时如出一辙，就是数学模型的设计符合物理模型。
【3-5】RNN,Ref.#6b.LSTMCell的复杂度对应了自然语言处理的复杂度。
【3-6】LSTM,Ref.#6理由是，有人将LSTMCell尝试了多种其它方案传递状态，结果也很好。【3-7】GRU,Ref.#6LSTM的一个替代方案：GRU。
只要RNN的Cell足够复杂，它就能工作的很好。
使用DeepQA2训练语言模型准备工作，下载项目：gitclonecdDeepQA2open#根据安装依赖包DeepQA2将工作分成三个过程：数据预处理：从语料库到数据字典。
训练模型：从数据字典到语言模型。提供服务：从语言模型到REStAPI。预处理DeepQA2使用CornellMovieDialogsCorpus作为demo语料库。原始数据就是和。
在语料库中，大于该长度的部分会被截断。程序运行后，会生成文件，它加载到python中是一个字典：word2id存储了{word:id}，其中word是一个单词，id是int数字，代表这个单词的id。
id2word存储了{id:word}。trainingSamples存储了问答的对话对。
比如[[[1,2,3],[4,5,6]],[[7,8,9],[10,11,12]]]..12都是wordid。[1,2,3]和[4,5,6]构成一个问答。
[7,8,9]和[10,11,12]构成一个问答。开始训练cp#modifykeyspython是配置文件,根据进行修改。
训练的时间由epoch，learningrate,maxlength和对话对的数量而定。
大约100行，完成数据字典加载、初始化tensorflow的session，saver，writer、初始化神经元模型、根据epoch进行迭代，保存模型到磁盘。
session是网络，由placeholder,variable,cell,layer,output组成。saver是保存model的，也可以用来恢复model。
model就是实例化variable的session。writer是查看lossfn或者其他开发者感兴趣的数据的收集器。writer的结果会被saver保存，然后使用tensorboard查看。
每次训练，model会被存储在save路径下，文件夹的命名根据机器的hostname，时间戳生成。
提供服务在TensorFlow中，提供了标准的serving模块-tensorflowserving。
但研究了很久，还专门看了一遍《C++Essentials》，还没有将它搞定，社区也普遍抱怨tensorflowserving不好学，不好用。
训练结束后，使用下面的脚本启动服务，DeepQA2的serve部分还是调用TensorFlow的pythonapi。
cdDeepQA2/save/deeplearning.cobra.vulcan.2017012175256/deepqa2/servecpdb.sample.sqlite3db.sqlite3pythonrunserver0.0.0.0:8000测试POST/api/v1/questionHTTP/1Host:120.0.1:8000Content-Type:application/jsonAuthorization:BasicYWRtaW46cGFzc3dvcmQxMjM=Cache-Control:no-cache{"message":"goodtoknow"}response{"rc":0,"msg":"hello"}serve的核心代码在中。
使用脚本启动训练启动Tensorboard启动服务对模型的评价目前代码具有很高的维护性，这也是从DeepQA项目进行重构的原因，更清晰的数据预处理、训练和服务。
有新的变更可以添加到deepqa2/models中，然后在和变更一下。有待改进的地方a.新建,使用dropout。
d.代码支持多机多GPU运行。e.目前训练的结果都是QA对，对于一个问题，可以有多个答案。
f.目前没有一个方法进行accuracy测试，一个思路是在训练中就提供干扰项，因为当前只有正确的答案，如果提供错误的答案，就可以使用recall_at_k方法进行测试。
文章为作者独立观点，不代表股票交易接口观点
相关文章
股民评论