没有合适的资源?快使用搜索试试~ 我知道了~
基于多语言生成语言模型的跨语言事件论元抽取的研究与应用
+v:mala2277获取更多论文多语言生成语言模型在零镜头跨语言事件论元抽取中的应用黄宽浩†加州大学洛杉矶分校计算机科学系美国南加州{khhuang,kwchang,violetpeng}@cs.ucla.edu{ihunghsu,pnataraj}@isi.edu摘要我们提出了一项研究,利用多语言预训练生成语言模型的零镜头跨语言事件参数提取(EAE)。通过将EAE公式化为语言生成任务,我们的方法有效地编码了事件结构并捕获了参数之间的依赖关系。我们设计了语言无关的模板来表示事件参数结构,这些模板与任何语言都兼容,从而促进了跨语言迁移。我们提出的模型微调多语言预训练的生成语言模型,以生成句子,填充语言不可知模板与参数提取的输入通道。该模型在源语言上进行训练,然后直接应用于目标语言进行事件参数提取。实验表明,该模型优于目前的国家的最先进的零杆跨语言EAE模型。全面的研究和错误分析,以更好地理解使用生成语言模型的优势和当前的局限性,零杆跨语言迁移EAE。1介绍事件论元抽取(EAE)的目的是识别事件论元中的实体并确定它们的角色。如图1中的英语示例所示,给定用于Zero-shot跨语言EAE已经引起了相当大的关注,因为它消除了在低资源语言中构建EAE模型对标记数据的需求(Subburathinam et al. ,2019; Ahmad et al. ,2021; Nguyen和Nguyen,作者贡献相等。攻击者澳大利亚突击队,他们一直在地方深入到伊拉克摧毁了一个目标指挥和控制位置t并杀死了一名士兵的数量。接近高级军官的消息灵通人士目标说,南斯拉夫军队不会离攻击者开军营去干涉反对派我的图1:跨语言事件陈述提取的图示。给定任意语言的句子及其事件触发器(destroyed和起义),模型需要识别参数(突击队,伊拉克和postv.s. 军队和反对派)及其相应的角色(攻击者、目标和地点)。2021年)。在这种设置下,模型在源语言的示例上进行训练,并直接在目标语言的实例上进行测试。最近,基于世代的模型1在单语结构化预测任务上表现出了很强的性能(Yan et al. ,2021;Huang et al. ,2021b; Paolini et al. ,2021),包括EAE(Li et al. ,2021; Hsu et al. ,2021年)。这些作品微调预先训练的生成语言模型,以生成输出遵循设计的模板,使得最终的预测可以很容易地从输出解码。与传统的基于分类的模型(Wang et al. ,2019; Wadden etal. ,2019; Lin et al. ,2020),它们更好地捕获实体之间的结构和依赖关系,因为模板提供了额外的声明性信息。尽管取得了成功,但现有工作中的模板设计是依赖于语言的,这使得难以扩展到零镜头跨语言迁移设置(Subburathinam et al. ,2019;Ah-madet al. ,2021年)。天真地将这些在源语言上训练的模型应用到目标语言上, get语言通常会生成代码切换输出,从而导致zero-shot1我们使用预训练的生成语言模型来指代具有编码器-解码器结构的预训练模型,例如BART(Lewis et al. ,2020)、T5(Raffel et al. ,2020)和mBART(Liu etal. ,2020)。对于适应这些预训练的生成模型以生成用于下游应用的文本的模型,我们将其表示为基于生成的模型。arXiv:2203.08308v1 [cs.CL] 2022年3月+v:mala2277获取更多论文跨语言迁移,2正如我们将在5.4节中实证显示的那样。如何设计与语言无关的跨语言结构化预测模型仍然是一个悬而未决的问题。在这项工作中,我们提出了一项研究,利用多语言预训练的生成模型进行零镜头跨语言事件参数提取,并提出了X-G(跨语言生成E事件参数提取R)。给定一个输入段落和一个精心设计的包含事件触发器和相应的语言无关模板的提示符,X-G训练生成一个句子,用参数填充语言无关模板。X-G继承了基于生成的模型的优势,该模型比基于分类的模型更好地捕获事件此外,预先训练的解码器固有地将命名实体识别为事件变元的候选,并且不需要额外的命名实体识别模块。与语言无关的模板可以防止模型过度拟合源语言我们在两个多语言EAE数据集上进行实验:ACE-2005(Doddington et al. ,2004)和ERE(Song et al. ,2015)。结果表明,X-G的性能优于最先进的零杆跨语言EAE模型。我们进一步进行消融研究来证明我们的设计,并提出全面的错误分析,以了解使用基于多语言生成的模型进行零激发跨语言迁移的局限性。我们的代码可以在https://github.com/PlusLabNLP/X-Gear2相关工作零镜头跨语言结构化预测。Zero-shot跨语言学习是一个新兴的研究课题,因为它消除了低资源语言中训练模型对标记数据的需求(Ruderet al. ,2021; Huang et al. ,2021a)。已经研究了各种结构化预测任务,包括命名实体识别(Pan et al. ,2017; Huang et al. ,2019; Hu etal. ,2020)、依赖性解析(Ahmad et al. ,2019b,a; Meng2例如,TANL(Paolini et al. ,2021年)接受培训,以生成“[两名士兵|目标]被攻击“来表示两名士兵是目标参数。当直接应用于中文时,TANL的基本事实是--“[ 两位数]|目标]被击中”,这是一个中英文交替的句子。等人,2019)、关系提取(Zou et al. ,2018;Ni 和 Florian , 2019 ) 和 事 件 论 点 提 取( Subburathinametal., 2019;NguyenandNguyen,2021; Fincke et al. ,2021年)。它们中的大多数是基于分类的模型,在多语言预训练的掩蔽语言模型之上构建分类器。 为了进一步处理语言之间的差异,其中一些需要广告信息,例如双语词典(Liu et al. ,2019;Ni and Florian,2019),translation pairs(Zouetal., 2018 ) 和 依 赖 性 解 析 树(Subburathinam et al. ,2019; Ahmad et al. ,2021;Nguyen和Nguyen,2021)。然而,如先前文献所指出的(Li et al. ,2021; Hsu et al. ,2021),与基于生成的模型相比,基于分类的模型对实体之间的依赖性建模的能力较低。基于世代的结构化预测。几项工作已经证明了基于生成的模型在单语结构化预测任务中的巨大成功,包括命名实体识别(Yan et al. ,2021 ) 、 关 系 提 取 ( Huang et al. , 2021b;Paolini et al. ,2021)和事件提取(Du et al. ,2021; Li et al. ,2021; Hsu et al. ,2021; Lu etal. ,2021年)。然而,如第1节所述,它们设计的生成目标是依赖于语言的。因此,直接将他们的方法应用于零触发跨语言设置将导致不太优选的性能。检测方法。最近,人们越来越感兴趣的是在预先训练的语言模型上加入提示,以指导模型的行为或引出知识(Peng et al. ,2019; Sheng etal., 2020;Shin 等 人 , 2020;SchickandSchütze,2021;QinandSchütner,2021;Scao andRush,2021)。 根据(Liu etal. ,2021),这些方法可以根据语言模型的参数是否被调整以及是否引入可训练提示来分类。我们的方法属于固定的提示和调整的语言模型的参数的类别。尽管激励方法的研究蓬勃发展,但对多语言任务的关注有限(Winata etal. ,2021年)。3零次跨语言事件论元提取我们专注于零镜头跨语言EAE。给定输入通道和事件触发器,+v:mala2277获取更多论文解码<代理人>联盟/代理人>受害者>平民[和]妇女/受害者><仪器>导弹/仪器>地点>房屋/地点>生成输出字符串多语言生成模型输入通道提示(记者顾正龙)据目击者说,以美国为首的联军战斗机13日凌晨向伊拉克北部城市巴格达发射了一枚导弹,击中了5名伊拉克平民的房屋,造成5人死亡Given TriggerTemplate for Life:Die事件解码隔壁军/Agent>< Victim>青年/Victim>乐器>霰弹<[and[和]实弹仪器>地点>[无]地点>生成输出字符串多语言生成模型输入通道提示Inthis paper,the author introduces theprinciple and applicationof the mechanismofmechanicalmechanism.Given TriggerTemplate for Life:Die事件i=1i=1----<触发器>杀死的模板><代理>[无]/代理>受害者>[无]受害者>乐器>[无]/乐器>地点>[无]/地点><触发器>触发器模板><代理>[无]/代理>受害者>[无]受害者>乐器>[无]/乐器>地点>[无]/地点>培训剂联盟受害者平民、妇女仪器导弹地方房屋零次跨语言迁移测试剂以军受害者青年仪器燃烧弹地方没有一图2:X-G的概述。给定一个输入段落和一个精心设计的包含事件触发器和与语言无关的模板的提示符,X-G将使用事件参数填充与语言无关的模板。模型标识参数及其对应的角色。 更具体地,如图2中的训练示例所示,给定属于事件类型e(生命:死亡)的输入通道x和事件触发器t(被杀死),EAE模型预测一系列参数a=[a1,a2,., al](联盟、平民、女人、导弹、房屋)和它们相应的角色r=[r1,r2,..,rl](代理人、受害人、受害人、工具、地点)。在零次跨语言设置中,训练集Xtrain= (xi,ti,ei,ai,ri)N属于源语言,而测试集Xtest=(xi,ti,ei,ai,ri)M是目标语言.与单语EAE类似,零触发跨语言EAE模型有望捕获参数之间的依赖关系,并使结构化。预测。 然而,与单语EAE,零射击跨语言EAE模型需要处理差异(例如,语法,单词或- der)之间的语言和学习转移知识从源语言到目标语言。4推荐方法:X-G法我们将零射击跨语言EAE制定为语言生成任务,并提出X-G任务,这是一个跨语言生成E事件规则,如图2所示。这个公式提出了两个挑战:(1)输入语言在训练和测试过程中可能会有所不同;(2)生成的输出字符串需要很容易地解析为最终预测。因此,输出字符串必须相应地反映输入语言的变化,同时保持良好的结构化。我们通过设计与语言无关的模板来应对这些挑战。具体地,给定输入段落x和包含给定触发器t、其事件类型e和语言不可知模板的设计提示,X-G学习生成输出字符串,该输出字符串用从输入段落提取的信息填充语言不可知模板语言无关模板以结构化的方式设计,使得从生成的输出中解析最终参数预测a和角色预测r此外,由于模板是语言不可知的,它促进跨语言迁移。X-G 微 调 多 语言预 训 练 的生 成 模 型 , 如mBART-50(Tang et al. ,2020)或mT5(Xueet al. ,2021),并增加了一个复制机制,以更好地适应输入语言的变化。我们将其详细介绍如下,包括语言无关的模板,目标输出字符串,输入格式和训练细节。4.1不可知论模板我们为每个事件类型e创建一个与语言无关的模板Te,其中我们列出所有可能的关联角色3,并为该事件类型e形成唯一的HTML标记样式模板。例如,在图2中,Life:Die事件与四个角色相关联:Agent、Victim、Instrument和Place。因此,Life:Die事件的模板设计为:3可以通过略读训练数据或直接从注释指南(如果提供)获得相关角色。+v:mala2277获取更多论文Y∈Σ<代理>[无]/代理><受害者>[无]/受害者><仪器>[无]/仪器><地点>[无]/地点>。为了便于理解,我们使用英语单词来呈现模板。但是,这些令牌([None]、Agent>、/Agent>、Victim>等)被编码为预先训练的模型从未见过的特殊令牌4,因此需要从头开始学习由于这些特殊的标记不与任何语言相关联,并且没有预先训练,因此它们被认为是语言不可知的。4.2目标输出字符串X-G学习生成遵循语言无关模板形式的目标输出字符串。为了组成用于训练的目标输出字符串,给定一个实例(x,t,e,a,r),我们首先为事件类型e选择语言无关的模板Te,然后根据它们的角色r将T e中的所有“[None]“替换如果一个角色有多个参数,我们用一个特殊的标记“[and]“连接它们例如,图2中的训练示例有两个Victim角色的参数(平民和妇女),输出字符串的相应部分为<受害者>平民[和]妇女/受害者>。如果一个角色没有对应的参数,我们在T e中保留通过应用此规则,图2中训练示例的完整输出字符串变为<物剂>联盟/物剂><受害者>平民[和]妇女/受害者><工具>导弹/工具><地点>房屋/地点>。由于输出字符串是HTML标记样式的,因此我们可以通过一个简单的基于规则的算法从生成的输出字符串中轻松解码参数和角色预测4.3输入格式如前所述,零触发跨语言EAE的生成公式的关键是引导模型以所需格式生成输出字符串为了促进这一行为,我们将输入通道x以及提示符提供给X-G,如图2所示。提示符包含所有4实际上,特殊令牌可以被任何其他格式替换,例如在这里,我们使用和/Agent>来突出显示这两个特殊标记之间的参数对应于Agent角色。用于模型进行预测的有价值的信息,包括触发器t和与语言无关的模板Te。请注意,我们没有在提示符中显式地包含事件类型e,因为模板Te隐式地包含此信息。在第6.1节中,我们将展示在提示语中显式添加事件类型e的实验,并讨论其对跨语言迁移的影响4.4培训为了使X-G语言能够生成不同语言的句子,我们采用多语言预训练生成模型作为我们的基础模型,其在给定先前生成的令牌和编码器c的输入上下文的情况下对生成新令牌的条件概率进行建模,即,P(x|c)=Pge n(xi|x来表示Attack事件类型。表4显示了结果。在大多数情况下,在提示符中包含事件类型信息会表5:ACE-2005模板中不同角色顺序的消融研究。演出原因之一是一种语言中的一个词可以映射到另一种语言中的几个词。例如,生活事件类型与结婚、离婚、出生和死亡四个子事件类型相关在英语中,我们可以用一个词Life来涵盖所有四种子事件类型。然而,在中文中,当谈到结婚和离婚时,Life应该翻译为“生活”;当谈到出生和死亡时,Life应该翻译为“生命”。在提示中考虑事件类型时,这种不匹配可能会导致性能下降我们把如何在跨语言环境中有效地使用事件类型信息作为未来的工作。模板中角色顺序的影响。设计的语言无关模板中的角色顺序可能会影响性能。在设计模板时,我们有意使角色的顺序接近自然句子中的顺序8为了研究不同顺序的效果,我们使用具有不同随机顺序的模板训练X-G训练器,并在表5中报告结果。随机排序的X-G算法仍能获得较好的性能,但比原排序算法稍差这表明,X-G任务对不同的模板不是很敏感,而提供适当的角色顺序可以导致一个小的改进。在模板中使用英语标记代替角色的特殊标记。在第4节中,我们提到我们使用与语言无关的模板8例如,与主体和对象相关的类型列在第一位,与方法和位置相关的类型列在最后。mBART-50-大号 51.639.847.248.243.247.246.2- 无副本50.942.249.650.643.548.747.6X-Gβ(mT5-碱基)54.3 41.4 51.449.4 46.7 51.049.1w/英语代币53.3 39.3 52.349.2 46.5 49.248.3w/翻译的令牌51.7 40.4 52.249.8 45.6 48.848.1w/特殊代币52.3 39.7 51.849.0 45.4 49.347.9mT5-碱基54.341.451.449.446.751.049.1- 无副本52.139.547.648.142.748.546.4模型enxxarxxzhxxxx埃森xx阿布尔xx兹赫avgX-Gβ(mT5-碱基)54.3 41.4 51.449.4 46.7 51.049.1w/随机顺序154.4 38.9 50.848.7 45.1 50.148.0w/随机顺序252.1 40.4 51.448.3 45.9 49.748.0w/随机顺序353.7 40.8 50.750.8 45.8 48.648.4+v:mala2277获取更多论文⇒⇒⇒⇒⇒⇒⇒代理人:[无]SEP>受害人:[无]SEP>仪器:[无]SEP>地点:[无]X-GEAR的误差分布(aren)X-GEAR的误差分布(zhen)百百分之百百百百百百百百占单语和跨语言模型的错误对不同语言划分的语言之间的语法差异注释错误别人单语和跨语言模型的错误标记不同语言划分的不一致生成未出现在文章中的单词生成正确的预测,但在中文中注释错误别人图3:X-G测序(mT5-base)的误差分布。左:从阿拉伯语转换为英语的模型的分布;右:在中文上训练并在英语上测试的模型的分布模型enxxarxxzhxxxx埃森xx阿布尔xx兹赫avgX-Gβ(mT5-碱基)54.3 41.4 51.449.4 46.7 51.049.1w/英语代币51.4 39.3 49.746.6 44.7 49.046.8表6:在模板中使用英语标记和特殊标记的比较。“en以促进跨语言迁移。进一步验证语言无关模板的有效性我们使用英语标记语作为模板进行实验。具体来说,我们设置格式成为“生命之死”活动的模板因此,对于非英语实例,目标输出字符串是代码切换序列。表6列出了结果。我们可以观察到,应用语言不可知模板平均带来X-G2.3 F1分数的提高6.2误差分析我们对X-G语言(mT5-base)进行了阿拉伯语到英语的转换和汉语到英语的转换的错误分析对于每种情况,我们抽取了30个失败的示例,并在图3中显示了各种错误类型的分布。单语和跨语言模型的错误。我们比较了X-G模型的预测结果,en)与X-G(enen),或来自X-G(zhen)与X-G(enen)。如果他们的预测相似,当与黄金产量相比时,我们将错误归为这一类。为了克服这类错误,潜在的解决方案是改进EAE任务的单语模型。过度发电这类错误在X-G(ar en)中更常见。这可能是因为阿拉伯语中的实体通常比英语中的子单词长得多根据我们的统计数据,阿拉伯语的平均实体跨度长度为2.85,英语为2.00(子词长度)。这会导致我们的X-G代币(aren)自然地过度生成一些代币,即使它们已经捕获了正确的概念。一个例子是,模型预测标签不同语言分裂的分歧不同语言拆分的ACE数据集的注释包含一些模糊性。例如,给定的句子“他现在还主张让美国军队对伊拉克发动战争,即使它是一个穆斯林国家。” 而查询到的触发词“war”,英语注释往往将伊拉克标注为事件发生地,而其他语言的类似情况则将伊拉克标注为战争目标。语言之间的语法差异这一类别的一个例子是“...黑石集团将收购威望迪并且所查询的触发器为 我们观察到,X-G(aren)预测Videndi是被出售的产品,部门是卖方,而X-G(enen)+v:mala2277获取更多论文⇒⇒⇒能正确理解Videndi是卖方,Division是卖方。我们推测原因是阿拉伯语和英语中的语法差异。“维旺迪主题公园分部”这句话在阿拉伯语中的语序模型X-G(mBART-50-大号)w/约束解码X-Gβ(mT5-碱基)w/约束解码X-G系列 (mT5-大)w/约束解码单语 跨语言 全部平均63.937.446.262.437.645.967.839.749.167.039.948.969.742.2 51.368.843.1 51.6也就是说,这种差异导致了这类错误。生成文章中没有出现的单词在X-G(zh en)中,我们观察到几种情况下,生成的单词没有出现在文章中。有两种典型的情况。第一种情况是X-G(zh en)混淆了单数名词和复数名词。例如,模型生成这可能是因为汉语没有复数名词的形态变化第二种情况是X-G(zh en)将生成中文的随机预测。生成正确的预测,但在中文。这是“生成未出现在文章中的单词”的一个特例在这一范畴中,我们观察到,虽然预测是用中文的(因此,是一个错误的预测),但如果我们把预测翻译成英文,它是正确的6.3约束解码在所有的错误中,我们强调了两个具体类别-这些错误可以通过应用约束解码来解决(Caoet al. ,2021),以强制所有生成的令牌出现输入。表7呈现了具有约束解码的X-G解码我们观察到,调整这样的限制确实有助于跨语言的迁移能力,但它也损害了在一些单语情况下的性能。我们对预测进行了定性检验。观察结果是,约束解码算法虽然保证了所有生成的令牌出现在输入中,但强制方法打破了学习的整体序列因此,在许多单语示例中,一旦其中一个标记通过约束解码被校正,则其随后生成的序列改变很多,而原始预测序列表7:应用约束解码的结果。细目编号见附录C。根据训练和测试之间的训练语言是否相同,我们将结果分为单语和跨语言,并报告每个类别的相应平均值。7结论我们提出了第一代为基础的零杆跨语言事件参数提取模型。为了克服语言之间的差异,我们设计了与语言无关的模板,并提出了X-G算法,该算法能够很好地捕获输出依赖,并且无需额外的命名实体提取模块即可使用。我们的实验结果表明,X-G的预测性能优于目前的最先进的,这表明使用语言生成框架来解决零镜头跨语言结构化预测任务的潜力。致谢我们感谢匿名评论者提供的有用反馈。我们感谢UCLA PLUSLab和UCLA-NLP小组的宝贵讨论和意见。我们还要感谢史蒂文·芬克、山塔努·阿加瓦尔和伊丽莎白·博舍在阿拉伯语数据准备方面提供的这项工作得到了情报高级研究项目活动(IARPA)的部分支持,合同号为。2019-19051600007,以及由思科和谷歌赞助的研究奖项伦理考虑我们提出的模型是基于多语言预训练的语言模型,该模型是在大型文本语料库上训练的。众所周知,预先训练的语言模型可以捕获反映训练数据的偏差。因此,我们的模型可能会生成由预训练语言模型学习的攻击性或有偏见的内容。我们建议在任何实际应用中部署我们的模型使用波束解码的后缀序列实际上正确.这导致性能下降。9[9]事实上,类似的情况也发生在跨语言的案例中;然而由于跨语言转换的原始性能不够高,所以校正标记的益处比这个缺点更显著。+v:mala2277获取更多论文引用Wasi Uddin Ahmad , Nanyun Peng , and Kai-WeiChang. 2021. GATE:图形注意力Transformer编码器,用于跨语言关系和事件提取。第35届AAAI人工智能会议(AAAI)张志松,马学哲,常开伟,彭南云. 2019年a。使用无标记辅助语言的跨语言依存分析。在2019年SIGNLL计算自然语言学习会议(CoNLL)上。作者:张志松,马学哲,吴晓松. Hovy,Kai-WeiChang,and Nanyun Peng. 2019年b.语序差异下跨语言迁移的困难--依存句法分析的一个实例。在计算语言学协会北美分会2019年
下载后可阅读完整内容,剩余1页未读,立即下载
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![docx](https://img-home.csdnimg.cn/images/20210720083331.png)
![application/msword](https://img-home.csdnimg.cn/images/20210720083327.png)
![-](https://csdnimg.cn/download_wenku/file_type_lunwen.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://profile-avatar.csdnimg.cn/default.jpg!1)
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
我的内容管理 收起
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
会员权益专享
最新资源
- 京瓷TASKalfa系列维修手册:安全与操作指南
- 小波变换在视频压缩中的应用
- Microsoft OfficeXP详解:WordXP、ExcelXP和PowerPointXP
- 雀巢在线媒介投放策划:门户网站与广告效果分析
- 用友NC-V56供应链功能升级详解(84页)
- 计算机病毒与防御策略探索
- 企业网NAT技术实践:2022年部署互联网出口策略
- 软件测试面试必备:概念、原则与常见问题解析
- 2022年Windows IIS服务器内外网配置详解与Serv-U FTP服务器安装
- 中国联通:企业级ICT转型与创新实践
- C#图形图像编程深入解析:GDI+与多媒体应用
- Xilinx AXI Interconnect v2.1用户指南
- DIY编程电缆全攻略:接口类型与自制指南
- 电脑维护与硬盘数据恢复指南
- 计算机网络技术专业剖析:人才培养与改革
- 量化多因子指数增强策略:微观视角的实证分析
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)