融合有向关系与关系路径的层次注意力的知识图谱补全

doi:10.11772/j.issn.1001-9081.2024030321

《计算机应用》唯一官方网站 ›› 2025, Vol. 45 ›› Issue (4): 1148-1156.DOI: 10.11772/j.issn.1001-9081.2024030321

融合有向关系与关系路径的层次注意力的知识图谱补全

翟社平¹^,², 杨晴¹(), 黄妍¹, 杨锐¹

^1.西安邮电大学计算机学院，西安 710721
^2.陕西省网络数据分析与智能处理重点实验室（西安邮电大学），西安 710121

收稿日期:2024-03-21 修回日期:2024-04-28 接受日期:2024-04-29 发布日期:2024-06-04 出版日期:2025-04-10
通讯作者: 杨晴
作者简介:翟社平（1971—），男，陕西宝鸡人，教授，博士，CCF高级会员，主要研究方向：语义计算、区块链
杨晴（2000—），女，陕西渭南人，硕士研究生，主要研究方向：知识图谱
黄妍（2000—），女，陕西渭南人，硕士研究生，主要研究方向：知识图谱
杨锐（1976—），女，陕西咸阳人，讲师，硕士，主要研究方向：知识图谱。
基金资助:
大学生创新创业训练计划国家级项目(202211664053);陕西省重点研发计划项目(2022GY-038);西安邮电大学研究生创新基金资助项目(CXJJYL2022052);陕西省教育厅科学研究计划项目(18JK0697);陕西省社会科学基金资助项目(2016N008);工业和信息化部通信软科学项目(2018-R-26);西安市社会科学规划基金资助项目(17X63)

Knowledge graph completion using hierarchical attention fusing directed relationships and relational paths

Sheping ZHAI¹^,², Qing YANG¹(), Yan HUANG¹, Rui YANG¹

^1.School of Computer Science and Technology，Xi’an University of Posts and Telecommunications，Xi’an Shaanxi 710121，China
^2.Shaanxi Key Laboratory of Network Data Analysis and Intelligent Processing （Xi’an University of Posts and Telecommunications），Xi’an Shaanxi 710121，China

Received:2024-03-21 Revised:2024-04-28 Accepted:2024-04-29 Online:2024-06-04 Published:2025-04-10
Contact: Qing YANG
About author:ZHAI Sheping， born in 1971， Ph. D.， professor. His research interests include semantic computing， blockchain.
YANG Qing， born in 2000， M. S. candidate. Her research interests include knowledge graph.
HUANG Yan， born in 2000， M. S. candidate. Her research interests include knowledge graph.
YANG Rui， born in 1976， M. S.， lecturer. Her research interests include knowledge graph.
Supported by:
National Program of Innovation and Entrepreneurship Training Program for College Students(202211664053);Shaanxi Province Key Research and Development Program(2022GY-038);Xi’an University of Posts and Telecommunications Graduate Student Innovation Fund Project(CXJJYL2022052);Scientific Research Program of Education Department of Shaanxi Province(18JK0697);Shaanxi Provincial Social Science Foundation(2016N008);Ministry of Industry and Information Technology Communication Soft Science Project(2018-R-26);Xi’an Social Science Planning Fund （17X63）

摘要/Abstract

摘要：

已有的知识图谱补全（KGC）方法大多未充分挖掘三元组结构中的关系路径，仅考虑了图结构信息；同时现有模型在实体聚合过程中着重考虑邻域信息，对关系的学习相对简单。针对以上问题，提出融合有向关系和关系路径的图注意力模型DRPGAT。首先，将常规三元组转换为有向关系三元组，并引入注意力机制对不同的有向关系赋予不同的权重，从而完成实体信息的聚合，同时，建立关系路径模型，通过将关系位置嵌入路径信息区分不同位置之间的关系，并过滤无关路径得到有用的路径信息；其次，使用注意力机制对路径信息进行深度学习，以实现关系的聚合；最后，将实体与关系送入解码器，训练得到最终的补全结果。在2个真实数据集上进行链接预测实验，以验证所提模型的有效性。实验结果表明，在FB15k-237数据集上，相较于基线模型中的最优结果，DRPGAT的平均排名（MR）降低了13，平均倒数排名（MRR）、Hits@1、Hits@3、Hits@10分别提高1.9、1.2、2.3和1.6个百分点；在WN18RR数据集上，DRPGAT的MR降低了125，MRR、Hits@1、Hits@3、Hits@10分别提高了1.1、0.4、1.2和0.6个百分点，显示了所提模型的有效性。

关键词: 知识图谱, 知识图谱补全, 关系路径推理, 层次注意力, 链接预测

Abstract:

Most of the existing Knowledge Graph Completion （KGC） methods do not fully exploit the relational paths in the triple structure， and only consider the graph structure information； meanwhile， the existing models focus on considering the neighborhood information in the process of entity aggregation， and the learning of relations is relatively simple. To address the above problems， a graph attention model that integrates directed relations and relational paths was proposed， namely DRPGAT. Firstly， the regular triples were converted into directed relationship-based triples， and the attention mechanism was introduced to give different weights to different directed relationships， so as to realize the entity information aggregation. At the same time， the relational path model was established， and the relational positions were embedded into the path information to distinguish the relationships among different positions. And the irrelevant paths were filtered to obtain the useful path information. Secondly， the attention mechanism was used to carry out deep path information learning to realize the aggregation of relations. Finally， the entities and relations were fed into the decoder and trained to obtain the final completion results. Link prediction experiments were conducted on two real datasets to verify the effectiveness of the proposed model. Experimental results show that compared to the optimal results of the baseline models， on FB15k-237 dataset， DRPGAT has the Mean Rank （MR） reduced by 13， and the Mean Reciprocal Rank （MRR）， Hits@1， Hits@3， and Hits@10 improved by 1.9， 1.2， 2.3， and 1.6 percentage points， respectively； on WN18RR dataset， DRPGAT has the MR reduced by 125， and the MRR， Hits@1， Hits@3， and Hits@10 improved by 1.1， 0.4， 1.2， and 0.6 percentage points， respectively， indicating the effectiveness of the proposed model.

Key words: knowledge graph, Knowledge Graph Completion (KGC), relational path inference, hierarchical attention, link prediction

中图分类号:

TP391.1

翟社平, 杨晴, 黄妍, 杨锐. 融合有向关系与关系路径的层次注意力的知识图谱补全[J]. 计算机应用, 2025, 45(4): 1148-1156.

Sheping ZHAI, Qing YANG, Yan HUANG, Rui YANG. Knowledge graph completion using hierarchical attention fusing directed relationships and relational paths[J]. Journal of Computer Applications, 2025, 45(4): 1148-1156.

图/表 10

图1 知识图谱示例

Fig. 1 Examples of knowledge graph

图2 DRPGAT模型整体框架

Fig. 2 Overall framework of DRPGAT model

图3 有向关系图示

Fig. 3 Graphical representation of directed relationships

图4 关系路径中的位置嵌入

Fig. 4 Position embedding in relational paths

表1 数据集统计

Tab. 1 Statistics of datasets

数据集

实体数

关系数

训练集

样本数

验证集

样本数

测试集

样本数

表2 不同数据集上超参数的最优组合

Tab. 2 Optimal combination of hyperparameters on different datasets

数据集

学习率

嵌入

维度

dropout

批大小

注意力

头数

编码器

层数

表3 不同模型在FB15k-237和WN18RR数据集上的结果对比

Tab. 3 Comparison of results of different models on FB15k-237 and WN18RR datasets

模型	FB15k-237					WN18RR
模型	MR↓	MRR↑	Hits@1↑	Hits@3↑	Hits@10↑	MR↓	MRR↑	Hits@1↑	Hits@3↑	Hits@10↑
TransE	339	0.270	0.191	0.295	0.426	6 175	0.200	0.223	0.370	0.428
PTransE	200	0.212	0.174	0.227	0.285	2 824	0.187	0.166	0.202	0.219
OPTransE	265	0.342	0.250	0.377	0.530	5 944	0.364	0.349	0.360	0.387
KPE-PTransE	155	0.371	—	—	0.594	2 140	0.450	—	—	0.609
DistMult	352	0.239	0.162	0.259	0.394	3 915	0.317	0.236	0.366	0.468
ComplEx	395	0.271	0.187	0.298	0.441	4 790	0.388	0.333	0.422	0.472
RotatE	177	0.338	0.241	0.375	0.533	3 340	0.475	0.428	0.492	0.571
RatE	172	0.344	0.261	0.382	0.541	—	—	—	—	—
ConvE	260	0.305	0.237	0.356	0.494	4 917	0.424	0.415	0.445	0.496
InteractE	—	0.354	0.263	—	0.535	—	0.463	0.430	—	0.528
CompGCN	231	0.355	0.264	0.390	0.535	3 533	0.479	0.443	0.494	0.546
KBGAT	210	0.352	—	—	0.539	2 563	0.412	—	—	0.554
MRGAT	—	0.358	0.266	0.386	0.542	—	0.481	0.443	0.501	0.568
Hic-KGQA	—	0.377	0.282	0.438	0.597	—	0.497	0.448	0.524	0.596
DRPGAT	142	0.396	0.294	0.461	0.613	2 438	0.508	0.452	0.536	0.615

图5 敏感性实验结果

Fig. 5 Sensitivity experiment results

表4 DRPGAT消融实验结果

Tab. 4 Results of DRPGAT ablation experiments

模型	FB15k-237			WN18RR
模型	MR	MRR	Hits@10	MR	MRR	Hits@10
DRPGAT-PE-path- DR-GAT	195	0.301	0.516	3 056	0.439	0.562
DRPGAT-PE-path- DR	172	0.331	0.531	2 883	0.461	0.575
DRPGAT-PE-path	166	0.340	0.556	2 762	0.473	0.590
DRPGAT-PE	151	0.375	0.591	2 509	0.495	0.599
DRPGAT	142	0.396	0.613	2 438	0.508	0.615

表5 过滤路径在路径层中的作用

Tab. 5 Role of filter paths at path layer

路径信息	相似度值	注意力值
$C h a r l i e C h a p l i n → p r o f e s s i o n C o m e d i a n$	1.000 0	—
$C h a r l i e C h a p l i n → i n f l u e n c e R o w a n A t k i n s o n → p r o f e s s i o n C o m e d i a n$	0.727 4	0.001 3
$C h a r l i e C h a p l i n → a w a r d h o n o r L a u r e n c e O l i v i e r → p r o f e s s i o n C o m e d i a n$	0.195 8（过滤）	—
$C h a r l i e C h a p l i n → p e r f o r m a n c e C h a p l i n → a c t o r D a v i d D u c h o v n y → p r o f e s s i o n C o m e d i a n$	0.386 9（过滤）	—
$T a y l o r S w i f t → l a n g u a g e s E n g l i s h L a n g u a g e$	1.000 0	—
$T a y l o r S w i f t → b r e a k u p p a r t i c i p a n t J o e J o n a s → l a n g u a g e s E n g l i s h L a n g u a g e$	0.684 9	0.001 3
$T a y l o r S w i f t → f r i e n d D e m i L o v a t o → l a n g u a g e s E n g l i s h L a n g u a g e$	0.711 2	0.001 6
$T a y l o r S w i f t → p e r f o r m a n c e H a n n a h M o n t a n a : T h e M o v i e → l a n g u a g e s E n g l i s h L a n g u a g e$	0.231 7（过滤）	—
$L e o n a r d o D i C a p r i o → p e r s o n n a t i o n a l i t y A m e r i c a$	1.000 0	—
$L e o n a r d o D i C a p r i o → p l a c e o f b i r t h L o s A n g e l e s → c o u n t r y A m e r i c a$	0.859 1	0.003 8
$L e o n a r d o D i C a p r i o → p e r f o m n a n c e T h e D e p a r t e d → f i l m r e l e a s e r e g i o n A m e r i c a$	0.463 4（过滤）	—
$L e o n a r d o D i C a p r i o → p e r f o r m a n c e S h u t t e r I s l a n d → a c t o r M i c h e l l e W i l l i a m s → p e r s o n n a t i o n a l i t y A m e r i c a$	0.228 4（过滤）	—

表5 过滤路径在路径层中的作用

Tab. 5 Role of filter paths at path layer

路径信息	相似度值	注意力值
$C h a r l i e C h a p l i n → p r o f e s s i o n C o m e d i a n$	1.000 0	—
$C h a r l i e C h a p l i n → i n f l u e n c e R o w a n A t k i n s o n → p r o f e s s i o n C o m e d i a n$	0.727 4	0.001 3
$C h a r l i e C h a p l i n → a w a r d h o n o r L a u r e n c e O l i v i e r → p r o f e s s i o n C o m e d i a n$	0.195 8（过滤）	—
$C h a r l i e C h a p l i n → p e r f o r m a n c e C h a p l i n → a c t o r D a v i d D u c h o v n y → p r o f e s s i o n C o m e d i a n$	0.386 9（过滤）	—
$T a y l o r S w i f t → l a n g u a g e s E n g l i s h L a n g u a g e$	1.000 0	—
$T a y l o r S w i f t → b r e a k u p p a r t i c i p a n t J o e J o n a s → l a n g u a g e s E n g l i s h L a n g u a g e$	0.684 9	0.001 3
$T a y l o r S w i f t → f r i e n d D e m i L o v a t o → l a n g u a g e s E n g l i s h L a n g u a g e$	0.711 2	0.001 6
$T a y l o r S w i f t → p e r f o r m a n c e H a n n a h M o n t a n a : T h e M o v i e → l a n g u a g e s E n g l i s h L a n g u a g e$	0.231 7（过滤）	—
$L e o n a r d o D i C a p r i o → p e r s o n n a t i o n a l i t y A m e r i c a$	1.000 0	—
$L e o n a r d o D i C a p r i o → p l a c e o f b i r t h L o s A n g e l e s → c o u n t r y A m e r i c a$	0.859 1	0.003 8
$L e o n a r d o D i C a p r i o → p e r f o m n a n c e T h e D e p a r t e d → f i l m r e l e a s e r e g i o n A m e r i c a$	0.463 4（过滤）	—
$L e o n a r d o D i C a p r i o → p e r f o r m a n c e S h u t t e r I s l a n d → a c t o r M i c h e l l e W i l l i a m s → p e r s o n n a t i o n a l i t y A m e r i c a$	0.228 4（过滤）	—

参考文献 30

1	杜雪盈，刘名威，沈立炜，等. 面向链接预测的知识图谱表示学习方法综述［J］. 软件学报， 2024， 35（1）： 87-117.
	DU X Y， LIU M W， SHEN L W， et al. Survey on representation learning methods of knowledge graph for link prediction ［J］. Journal of Software， 2024， 35（1）： 87-117.
2	BOLLACKER K， EVANS C， PARITOSH P， et al. Freebase： a collaboratively created graph database for structuring human knowledge ［C］// Proceedings of the 2008 ACM SIGMOD International Conference on Management of Data. New York： ACM， 2008： 1247-1250.
3	MILLER G A. WordNet： a lexical database for English ［J］. Communications of the ACM， 1995， 38（11）： 39-41.
4	LEHMANN J， ISELE R， JAKOB M， et al. DBpedia — a large-scale， multilingual knowledge base extracted from Wikipedia ［J］. Semantic Web， 2015， 6（2）： 167-195.
5	SUDHAHAR S， PIERLEONI A， ROBERTS I. Reasoning over paths via knowledge base completion ［C］// Proceedings of the 13th Workshop on Graph-Based Methods for Natural Language Processing. Stroudsburg： ACL， 2019： 164-171.
6	张文豪，徐贞顺，刘纳，等. 知识图谱补全方法研究综述［J］. 计算机工程与应用， 2024， 60（12）：61-73.
	ZHANG W H， XU Z S， LIU N， et al. Overview of knowledge graph completion methods［J］. Computer Engineering and Applications， 2024， 60（12）：61-73.
7	BORDES A， USUNIER N， GARCIA-DURÁN A， et al. Translating embeddings for modeling multi-relational data ［C］// Proceedings of the 26th International Conference on Neural Information Processing Systems — Volume 2. Red Hook： Curran Associates Inc.， 2013： 2787-2795.
8	LIN Y， LIU Z， SUN M， et al. Learning entity and relation embeddings for knowledge graph completion ［C］// Proceedings of the 29th AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2015， 2181-2187.
9	NICKEL M， TRESP V， KRIEGEL H P. A three-way model for collective learning on multi-relational data ［C］// Proceedings of the 28th International Conference on Machine Learning. Madison， WI： Omnipress， 2011： 809-816.
10	TROUILLON T， WELBL J， RIEDEL S， et al. Complex embeddings for simple link prediction ［C］// Proceedings of the 33rd International Conference on Machine Learning. New York： JMLR.org， 2016： 2071-2080.
11	LIN Y， LIU Z， LUAN H， et al. Modeling relation paths for representation learning of knowledge bases ［C］// Proceedings of the 2015 Conference on Empirical Methods in Natural Language Processing. Stroudsburg： ACL， 2015： 705-714.
12	XIONG W， HOANG T， WANG W Y. DeepPath： a reinforcement learning method for knowledge graph reasoning ［C］// Proceedings of the 2017 Conference on Empirical Methods in Natural Language Processing. Stroudsburg： ACL， 2017： 564-573.
13	DETTMERS T， MINERVINI P， STENETORP P， et al. Convolutional 2D knowledge graph embeddings ［C］// Proceedings of the 32nd AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2018： 1811-1818.
14	VASHISHTH S， SANYAL S， NITIN V， et al. InteractE： improving convolution-based knowledge graph embeddings by increasing feature interactions ［C］// Proceedings of the 34th AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2020： 3009-3016.
15	VASHISHTH S， SANYAL S， NITIN V， et al. Composition-based multi-relational graph convolutional networks ［EB/OL］. ［2024-01-23］..
16	LI Z， LIU H， ZHANG Z， et al. Learning knowledge graph embedding with heterogeneous relation attention networks ［J］. IEEE Transactions on Neural Networks and Learning Systems， 2022， 33（8）： 3961-3973.
17	WANG Z， ZHANG J， FENG J， et al. Knowledge graph embedding by translating on hyperplanes ［C］// Proceedings of the 28th AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2014： 1112-1119.
18	XIAO H， HUANG M， HAO Y， et al. TransA： an adaptive approach for knowledge graph embedding ［EB/OL］. ［2023-12-19］. .
19	YANG B， YIH W T， HE X， et al. Embedding entities and relations for learning and inference in knowledge bases ［EB/OL］. ［2023-11-14］. .
20	SCHLICHTKRULL M， KIPF T N， BLOEM P， et al. Modeling relational data with graph convolutional networks ［C］// Proceedings of the 2018 European Semantic Web Conference， LNCS 10843. Cham： Springer， 2018： 593-607.
21	NATHANI D， CHAUHAN J， SHARMA C， et al. Learning attention-based embeddings for relation prediction in knowledge graphs ［C］// Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics. Stroudsburg： ACL， 2019： 4710-4723.
22	DAI G， WANG X， ZOU X， et al. MRGAT： multi-relational graph attention network for knowledge graph completion ［J］. Neural Networks， 2022， 154： 234-245.
23	WANG J， LI W， LIU F， et al. Hic-KGQA： improving multi-hop question answering over knowledge graph via hypergraph and inference chain ［J］. Knowledge-Based Systems， 2023， 277： No.110810.
24	LAO N， COHEN W W. Relational retrieval using a combination of path-constrained random walks ［J］. Machine Learning， 2010， 81（1）： 53-67.
25	ZHU Y， LIU H， WU Z， et al. Representation learning with ordered relation paths for knowledge graph completion ［C］// Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing. Stroudsburg： ACL， 2019： 2662-2671.
26	ZHANG Y， YAO Q， CHEN L. Interstellar： searching recurrent architecture for knowledge graph embedding ［C］// Proceedings of the 34th International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2020： 10030-10040.
27	PENG Z， YU H， JIA X. Path-based reasoning with K-nearest neighbor and position embedding for knowledge graph completion［J］. Journal of Intelligent Information Systems， 2022， 58（3）： 513-533.
28	VASWANI A， SHAZEER N， PARMAR N， et al. Attention is all you need ［C］// Proceedings of the 31st International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2017： 6000-6010.
29	SUN Z， DENG Z H， NIE J Y， et al. RotatE： knowledge graph embedding by relational rotation in complex space ［EB/OL］. ［2024-01-12］. .
30	HUANG H， LONG G， SHEN T， et al. RatE： relation-adaptive translating embedding for knowledge graph completion ［C］// Proceedings of the 28th International Conference on Computational Linguistics. ［S.l.］： International Committee on Computational Linguistics， 2020： 556-567.

[1]	徐梓芯, 易修文, 鲍捷, 李天瑞, 张钧波, 郑宇. 面向流行病学调查的知识图谱构建与应用[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1340-1348.
[2]	王利琴, 耿智雷, 李英双, 董永峰, 边萌. 基于路径和增强三元组文本的开放世界知识推理模型[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1177-1183.
[3]	徐春, 吉双焱, 马欢, 孙恩威, 王萌萌, 苏明钰. 基于知识图谱和对话结构的问诊推荐方法[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1157-1168.
[4]	张学飞, 张丽萍, 闫盛, 侯敏, 赵宇博. 知识图谱与大语言模型协同的个性化学习推荐[J]. 《计算机应用》唯一官方网站, 2025, 45(3): 773-784.
[5]	袁成哲, 陈国华, 李丁丁, 朱源, 林荣华, 钟昊, 汤庸. ScholatGPT：面向学术社交网络的大语言模型及智能应用[J]. 《计算机应用》唯一官方网站, 2025, 45(3): 755-764.
[6]	杨燕, 叶枫, 许栋, 张雪洁, 徐津. 融合大语言模型和提示学习的数字孪生水利知识图谱构建[J]. 《计算机应用》唯一官方网站, 2025, 45(3): 785-793.
[7]	王猛, 张大千, 周冰艳, 马倩影, 吕继东. 基于时序知识图谱补全的CTCS-3级列控车载接口设备故障诊断方法[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 677-684.
[8]	李瑞, 李贯峰, 胡德洲, 高文馨. 融合路径与子图特征的知识图谱多跳推理模型[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 32-39.
[9]	赵文博, 马紫彤, 杨哲. 基于有向超图自适应卷积的链接预测模型[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 15-23.
[10]	吕学强, 王涛, 游新冬, 徐戈. 层次融合多元知识的命名实体识别框架——HTLR[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 40-47.
[11]	程子栋, 李鹏, 朱枫. 物联网威胁情报知识图谱中潜在关系的挖掘[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 24-31.
[12]	薛桂香, 王辉, 周卫峰, 刘瑜, 李岩. 基于知识图谱和时空扩散图卷积网络的港口交通流量预测[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2952-2957.
[13]	武杰, 张安思, 吴茂东, 张仪宗, 王从宝. 知识图谱在装备故障诊断领域的研究与应用综述[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2651-2659.
[14]	赵宇博, 张丽萍, 闫盛, 侯敏, 高茂. 基于改进分段卷积神经网络和知识蒸馏的学科知识实体间关系抽取[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2421-2429.
[15]	李健京, 李贯峰, 秦飞舟, 李卫军. 基于不确定知识图谱嵌入的多关系近似推理模型[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1751-1759.

融合有向关系与关系路径的层次注意力的知识图谱补全

Knowledge graph completion using hierarchical attention fusing directed relationships and relational paths

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 10

参考文献 30

相关文章 15

编辑推荐

Metrics