深度学习在自动问答系统中的应用
基于深度学习的智能问答系统的设计与实现
基于深度学习的智能问答系统的设计与实现本文将探讨基于深度学习的智能问答系统的设计与实现，这是人工智能和自然语言处理领域的一个热门研究方向。
智能问答系统主要解决用户提出问题之后，能够提供准确、快速、智能的回答。
下面将从系统设计、模型构建、预训练模型、实现效果等方面进行阐述。
一、系统设计智能问答系统的设计要从多个方面考虑。
首先，需要确定系统的输入和输出，即确定用户提出问题作为输入，系统给出回答作为输出。
其次，需要设计模型，采用合适的算法和模型架构来实现。
最后，需要考虑如何优化模型，提高系统效率和准确度，总体目标是实现智能化、便捷化、高效化的问答系统。
二、模型构建基于深度学习的智能问答系统主要包括分词、向量化、模型训练、模型预测四个主要模块。
其中分词模块是将用户输入的问题进行分词处理，将一段文本拆分成一个个词语，方便后续处理；向量化模块是将分词后的问题转换成向量形式，便于输入到模型进行处理；模型训练模块是根据预备好的数据集进行训练模型，优化参数；模型预测模块是将用户输入的问题转换成向量形式输入已经训练好的模型，获得预测结果。
建议采用卷积神经网络（CNN）和长短时记忆网络（LSTM）等深度学习模型进行训练，通过大量数据进行训练，提高模型的准确度，同时采用交叉验证、正则化等技术来防止过拟合和提高模型泛化能力。
三、预训练模型预训练模型是指已经在大规模数据集上训练好的模型，在进行特定任务时可以进行微调，减少训练时间和提高效果。
建议使用BERT等预训练模型进行微调，通过修改预训练模型的输出层来进行多分类问题的解决，可以提高模型效率和准确度。
四、实现效果智能问答系统的实现效果可以用几个指标来衡量：Tops@1指标表示从模型预测中得分最高的回答是否为真实回答的概率。
MRR指标代表预测回答排在真实回答前的平均排名。
正确率指标表示在给定的数据集上，模型给出的回答与真实回答相同的比例。
实验表明，基于深度学习的智能问答系统的准确率可以达到80%以上，效果非常优秀。
基于深度学习的智能问答系统开发
基于深度学习的智能问答系统开发随着人工智能技术的不断发展，智能问答系统已经逐渐成为了一个备受关注的话题。
而基于深度学习的智能问答系统，则是目前市场上非常热门的方向。
那么，究竟什么是基于深度学习的智能问答系统？在其开发过程中，需要注意哪些技术要点和流程？接下来，本文将详细阐述这些问题。
一、什么是基于深度学习的智能问答系统？首先，让我们来了解一下什么是智能问答系统。
它是一种能够自动回答用户提问的系统，可以从海量的信息中，快速准确地找到答案并进行回复。
这是以往人工智能发展的基础上，对自然语言处理技术以及语义理解技术的不断深入研究，才逐渐得以实现的。
至于基于深度学习的智能问答系统，则是根据深度学习技术来实现的。
简单来讲，它可以通过深度学习模型，对输入的文本数据进行学习，从而在一定程度上实现“理解”这些数据。
进而从文本信息库中，根据用户提出的问题，寻找最佳答案并给出反馈。
这里说得有点抽象，接下来，我们将结合研发过程，为大家进一步解析。
二、基于深度学习的智能问答系统开发流程在深入解析开发流程之前，我们有必要在此提醒，基于深度学习的智能问答系统开发，属于一个复杂的工程化过程。
关于这点，大家需有清晰的认识，以避免盲目进入、浪费时间和精力的情况发生。
那么，具体的开发流程是怎样的呢？1.数据采集与处理大家都知道，任何一个智能系统的核心都是数据。
故而，最难得到的数据可能就是文本数据了。
在开发一个深度学习的智能问答系统之前，我们首先需要考虑获取哪些数据。
数据采集的方式有多种，主要包括采集网络上公开的数据、协议签订数据合作和自行搜集数据库数据等方式。
但是，因为自然语言处理的困难程度很高，所以在数据采集的过程中，需要花费大量的时间和精力进行数据清洗、整理和分类。
在数据清洗时，我们需要快速了解数据的结构、三种动态、静态形式的整理方式、数据的源头和标准形式等信息。
还需要对文本的分析、抽取、归类和拆分进行细致的处理。
2.数据特征提取与预处理在获取了足够的文本数据之后，我们就需要对这些数据进行处理和优化。
基于深度学习的医疗智能问答系统研究
基于深度学习的医疗智能问答系统研究深度学习是一种人工智能技术，其在各个领域都取得了巨大的进展和成功。
医疗领域也对深度学习技术充满了期待，特别是在医疗智能问答系统方面。
医疗智能问答系统是一种利用深度学习技术，通过与医生类似的方式回答患者的咨询并提供医疗建议的智能系统。
本文将探讨基于深度学习的医疗智能问答系统的研究。
随着互联网的发展，越来越多的人习惯通过网络来获取医疗信息和咨询，而医疗智能问答系统正是为了满足人们的需求而设计的。
传统的医疗智能问答系统往往基于规则和关键词匹配，存在回答不准确和不全面的问题。
而基于深度学习的医疗智能问答系统通过自动学习和匹配，可以更加准确和灵活地回答用户的问题。
在基于深度学习的医疗智能问答系统中，最关键的是语义理解和问题回答两个模块。
语义理解模块负责将用户的问题转化为机器可以理解的形式，通常使用自然语言处理和文本表示技术。
而问题回答模块则利用深度学习的方法，通过模型训练和匹配来寻找与用户问题最相似的答案。
首先，语义理解模块需要对用户的问题进行分词、词性标注、语法分析等处理，将问题转化为语义表示向量。
常用的技术包括词嵌入和循环神经网络。
词嵌入可以将每个词转化为一个固定长度的向量表示，从而保留词的语义信息。
循环神经网络则可以建模词与词之间的依赖关系，将整个句子的语义表示为一个向量。
接下来，在问题回答模块中，可以采用经典的深度学习模型，比如卷积神经网络（CNN）和长短时记忆网络（LSTM）。
卷积神经网络可以用于捕捉句子的局部特征，通过卷积和池化操作将句子转化为固定长度的向量表示。
长短时记忆网络则可以用于建模句子的长期依赖关系，通过对不同时间步的输入进行递归处理，将整个句子的语义表示为一个向量。
在训练阶段，需要构建一个大规模的医疗问答语料库。
语料库中包含了问题和对应的正确答案，以及相似问题和对应的相似答案。
通过将问题和答案进行相似度计算和匹配训练，可以得到一个问题-答案匹配模型。
智能问答的实现方式
智能问答的实现方式智能问答是一种能够以人工智能技术为基础，通过分析和理解用户提出的问题，并给出准确、多样化、实时的答案的系统。
实现智能问答的方式有多种，下面将介绍几种常见的实现方式。
一、基于规则的智能问答系统基于规则的智能问答系统是一种通过建立一套规则库来实现问答功能的系统。
在这种系统中，开发者需要事先定义好一系列的规则，包括问题的模式和答案的匹配规则。
当用户提出问题时，系统会根据预先定义的规则进行匹配，然后给出相应的答案。
这种方式的优点是实现简单、效率高，但缺点是需要开发者事先定义好规则，对于规则库之外的问题，系统无法提供准确的答案。
二、基于统计的智能问答系统基于统计的智能问答系统是一种通过分析和统计大量的语料库来实现问答功能的系统。
在这种系统中，开发者会建立一个庞大的语料库，然后通过机器学习算法对语料库进行分析和训练，从而建立一个问题和答案的匹配模型。
当用户提出问题时，系统会根据模型进行匹配，并给出最有可能的答案。
这种方式的优点是可以提供更准确的答案，但缺点是需要大量的语料库和复杂的算法支持。
三、基于知识图谱的智能问答系统基于知识图谱的智能问答系统是一种通过建立一个庞大的知识图谱来实现问答功能的系统。
在这种系统中，开发者会收集和整理大量的知识，并将其组织成一个图谱。
当用户提出问题时，系统会在知识图谱中进行搜索和匹配，并给出相应的答案。
这种方式的优点是可以提供丰富的知识和准确的答案，但缺点是需要大量的知识整理和图谱构建工作。
四、基于深度学习的智能问答系统基于深度学习的智能问答系统是一种通过深度学习算法来实现问答功能的系统。
在这种系统中，开发者会使用深度学习模型，如循环神经网络（RNN）或卷积神经网络（CNN），对大量的问题和答案进行训练和建模。
当用户提出问题时，系统会通过深度学习模型进行匹配和推理，并给出相应的答案。
这种方式的优点是可以自动学习和理解问题，但缺点是需要大量的数据和计算资源支持。
基于深度学习的问答系统
基于深度学习的问答系统随着人工智能技术的发展，越来越多的领域开始应用深度学习技术，其中之一便是问答系统。
基于深度学习的问答系统通过学习人类的语言模式和语义理解，能够实现对用户的自然语言提问进行准确的回答。
该技术应用广泛，可以应用于智能客服、智能助手、语音识别等领域。
下面就来了解一下基于深度学习的问答系统的原理和应用。
一、基于深度学习的问答系统是如何工作的？基于深度学习的问答系统主要通过深度神经网络来实现，这些网络会接受问题和答案作为输入，然后进行训练以学习它们之间的语义关系。
该系统通常包括三个主要的模块：问答匹配模块、语义理解模块和答案生成模块。
1、问答匹配模块：该模块负责对问题和答案进行匹配，以确定最匹配的答案。
该模块通常采用卷积神经网络或循环神经网络来实现，这些网络通过学习问题和答案之间的关系来生成匹配得分，最终选择与问题最匹配的答案。
2、语义理解模块：该模块负责理解问题，提取出问题的实际含义和意图，以便更好地回答问题。
语义理解模块通常利用自然语言处理技术，包括词性标注、命名实体识别、句法分析、情感分析等等。
3、答案生成模块：该模块负责根据匹配得分和语义理解模块提供的信息生成答案。
答案生成模块通常基于生成式模型或检索式模型实现。
对于生成式模型，它会直接从语言模型中生成答案，而检索式模型会根据候选答案的相关性进行排名，选择最优答案。
二、基于深度学习的问答系统的应用场景1、智能客服：目前许多企业都采用基于深度学习的问答系统来实现智能客服。
用户可以通过语音或文本与智能客服进行交互，提出问题并获得及时准确的回答。
2、智能助手：基于深度学习的问答系统还可以用于智能助手中，例如Siri或Alexa。
用户可以通过语音或文本与智能助手进行交互并获得相关的信息或指导。
3、语音识别：基于深度学习的问答系统还可以用于语音识别技术中。
该系统可以通过语音指令对设备进行控制、查询等操作。
三、基于深度学习的问答系统的优势和不足之处优势：1、准确性高：基于深度学习的问答系统可以学习和理解人类的语言模式和语义，从而提供更准确和有用的回答。
基于深度学习的在线问答系统设计与实现
基于深度学习的在线问答系统设计与实现随着互联网技术的飞速发展，人们在日常生活中越来越依赖网络搜索来获取所需信息。
在线问答系统是一种由机器自动回答用户提出的问题的系统，它能够帮助用户快速获取所需信息，提高工作效率和生活品质。
基于深度学习的在线问答系统是一种高效、准确的问答系统，具有较高的智能化水平。
本文将从系统设计、实现和优化方面介绍基于深度学习的在线问答系统。
一、系统设计1. 数据预处理在线问答系统需要基于大量的数据集训练，考虑到互联网数据庞杂、不规则的特点，我们需要对原始数据进行预处理。
预处理的具体步骤包括：中文分词、去除停用词、去除特殊符号等。
特别的，对于一些实体类问题，在进行分词处理的同时，需要进行实体识别和命名实体识别，以便更准确地响应答案。
2. 模型选择深度学习模型有卷积神经网络（CNN）、递归神经网络（RNN）和长短时记忆网络（LSTM）等，不同的模型拥有各自的适用场景。
为了达到准确性和响应速度的平衡，我们选择使用LSTM模型来构建在线问答系统。
3. 用户界面设计用户界面设计应该结合所针对的用户群体特点，界面尽量简洁明了，方便用户使用。
通常的设计方式是包括搜索框、热门问题推荐、历史记录等模块。
二、系统实现1. 数据收集在线问答系统需要大量的语料库作为数据源进行训练。
数据可以从互联网上收集，也可以依靠人工标注的方法来获取。
另外，我们还可以使用一些开源数据集进行训练，如中文问答数据集和某度搜索数据集。
2. 模型训练在数据预处理完成后，我们可以使用Python等编程语言构建模型，使用Keras、Tensorflow等深度学习框架来实现在线问答系统。
在训练过程中，需要设置好超参数，以优化模型的性能。
模型训练的结果将被保存为可重复使用的模型文件。
3. 系统部署为了让用户能够正常使用在线问答系统，我们需要将系统部署到服务器上，并配置好相关的环境和参数。
我们可以使用Web应用或移动应用来提供用户服务。
基于深度学习的智能问答系统设计
基于深度学习的智能问答系统设计引言：随着人工智能领域的迅速发展，智能问答系统成为了人们生活中重要的一部分。
传统的搜索引擎无法满足用户对于问题的准确、高效需求，而基于深度学习的智能问答系统则能够通过理解和推理问题来提供更精准的回答。
本文将探讨基于深度学习的智能问答系统的设计。
一、智能问答系统的背景智能问答系统是在人工智能技术支持下实现的，通过自然语言处理和机器学习等技术，能够根据用户的提问，从大量的知识库中提取有用的信息，并给出准确、有逻辑的回答。
在互联网应用方面，智能问答系统可以广泛应用于搜索引擎、智能助手等领域。
二、基于深度学习的智能问答系统的设计1. 数据收集要设计一个高效的智能问答系统，首先需要收集大量的数据，包括问题和答案。
数据可以来自互联网上的各种问答社区、论坛等平台。
通过爬虫技术，可以自动化地收集这些数据，并进行清洗和处理，以消除噪声和错误。
2. 数据预处理收集到的数据需要进行清洗和预处理，包括分词、词义消歧、实体识别等步骤。
这些处理可以提高系统对问题和答案的理解能力，减少歧义和模糊性。
3. 模型选择和训练基于深度学习的智能问答系统需要选择适当的模型来进行训练。
目前常用的模型包括卷积神经网络（CNN）、循环神经网络（RNN）和注意力机制（AttentionMechanism）等。
根据问题的特点，可以选择合适的模型进行训练，并利用大量的数据进行迭代优化。
4. 特征提取和表示通过深度学习模型的训练，可以得到问题和答案的特征表示。
这些特征表示可以包括词向量、句子向量等，用于衡量问题和答案之间的相似度和关联程度。
5. 问题匹配和回答生成在提供回答之前，智能问答系统需要对用户的问题进行匹配，找到与问题相关联的问题和答案。
可以利用问题和答案的特征表示，计算它们之间的相似度，使用最相关的答案作为回答。
6. 交互界面设计一个好的智能问答系统不仅需要具备高效的问题回答能力，还需要考虑用户体验。
因此，在实际应用中，需要设计一个友好的用户界面，使用户能够方便地输入问题，并快速获取答案。
基于深度学习的自动问答系统设计与实现
基于深度学习的自动问答系统设计与实现自动问答系统是一种基于人工智能技术的应用，通过模拟人类问答过程，能够根据用户提出的问题，自动给出相应的答案。
随着深度学习技术的发展，基于深度学习的自动问答系统在实践中表现出了强大的能力和广泛的应用前景。
本文旨在探讨基于深度学习的自动问答系统的设计与实现。
首先，基于深度学习的自动问答系统需要具备以下几个核心模块：问句理解模块、检索模块、答案生成模块以及答案排序与评分模块。
在问句理解模块中，系统需要将用户输入的问题进行自然语言处理，将其转化为计算机能够理解的表示形式。
常用的方法是采用词向量模型，如Word2Vec或GloVe，将词语转化为向量表示。
同时，还可以引入注意力机制来更好地捕捉问题中的关键信息。
接下来是检索模块，其主要任务是从知识库或语料库中快速检索到与问题相关的信息。
这一步可以使用传统的信息检索技术，如倒排索引或TF-IDF算法，也可以采用基于深度学习的方法，如循环神经网络（RNN）或卷积神经网络（CNN）。
在答案生成模块中，系统将根据检索到的信息和问题表示，生成与问题相关的答案。
这可以是一个基于模板的简单方法，也可以采用更复杂的生成式模型，如循环神经网络语言模型（RNNLM）或基于注意力机制的神经机器翻译模型（NMT）。
最后是答案排序与评分模块，系统需要对生成的答案进行排序，以确保将最相关的答案展示给用户。
这一步可以基于答案的质量进行评分，也可以结合用户的反馈信息进行个性化排序。
在设计与实现基于深度学习的自动问答系统时，还需要考虑以下几个方面：首先是数据集的准备。
深度学习的模型通常需要大量的数据进行训练，因此需要构建适合的问答数据集。
这可以通过人工标注问题和答案对的方式获取，也可以利用网络上的公开数据集。
其次是模型的选择与训练。
根据问题与应用场景的特点，可以选择合适的深度学习模型进行训练。
在训练过程中，需要注意避免过拟合问题，可以采用数据增强、正则化等方法提高模型的泛化能力。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
infoqchina
深度学习与自然语言处理
助力JIMI颠覆京东的咨询模式
JIMI
+
深度神经 网络
真实神经元 VS 人工神经元
人工神经网络 VS 深度学习
深度学习是模拟人 脑进行分析学习的 神经网络，它模仿 人脑的机制来解释 数据，处理数据。
传统神经网络
深度神经网络
深度学习发展历程
1986，BP ， Nature Rumelhart, Hinton, Williams 2011 PhD candidate of Hinton, MSR 2015 Deeper Network
用户画像系统
命名实体识别
深度学习 命名实识别 用户意图识别
用户画像
命名实体识别
对用户的输入进行识别 对识别后的命名实体进行抽取
文本
命名实体 识别
人名 地名 商品名 …… 机构名
更好地理解用户语言和意图
命名实体识 别后的文本
用户意图识别
意图识别是JIMI系统里面非 常重要的一部分 , 它首先要 通过用户的问话 , 知道用户 想要做什么，只有意图识 别对了 , 才能在相应的类别 里面反馈用户的答案
聊天机器人
1
• 聊天机器人属于自动问答(Question Answering)的一个方向。
• 模仿人的对话，交互式问答
• 如果一台计算机能像人一样对话，它 就能像人一样思考——图灵
2
3
常见的聊天机器人
IBM Watson
Apple SIRI
小 i 机器人
微软小冰
京东JIMI
目录
一、自动问答系统与聊天机器人 二、深度学习与自然语言处理 三、深度学习在自动问答系统中的应用
深度学习在自动问答系统中的 应用
李成华 京东
目录
一、自动问答系统与聊天机器人 二、深度学习与自然语言处理 三、深度学习在自动问答系统中的应用
自动问答系统
Q&A
Q&A
Q&A
•What？ •Why？ •How？
什么是自动问答系统
一
• 将积累的无序语料信息，进行有序和科学的整理 • 建立基于知识的分类模型。
文本
用户意图 识别
订单 售后 商品 ……
闲聊
意图识别后的 文本
意图识别架构
训练过程
训练文本预处理 测试文本特征提取 选择和降维 测试过程
特征提取
分类器构建 DNN
意图分类
输出类别 特征选择/降维
自动问答
问题1 问题2 问题3 问题4
对用户的问题进行意图识别 确定问题的分类
自动问答系统
答案匹配，抽取和排序
2014-11
入驻客服中心
与人工同台竞技
开放售前咨询
商品、活动咨询、导购
单日服务用户 数突破26万
在过去的两年，JIMI已服务2500万用户！
11.11当天接待量
45天
=
推动产品持续创新和改善
产品上线推动用户使用
JIMI
收集用户交互反馈
挖掘分析用户数据改进产品
使产品更懂用户，更加智能
数据
用户
深度学习在JIMI上的应用流程
回锅肉怎么做？
你开心，所以我快乐：闲聊、天气、实时资讯、知识百科
JIMI售前应答
那您的体重是多少呢？
身高162，我穿多大合适？ 50公斤
基于您的身高和体重，建议您选购M码。
可以便宜点吗？
现价满300立减100，很优惠了哦
有其他尺码吗？
这款是M码，本款还有L，S码。
从哪里发货呀？
从山东济南发货的呢~
Big Data
信息抽取与知识挖掘
智能机器人简介
JIMI 售前咨询
Pre-sales Consulting
这款笔记本支持双显卡吗？
精准响应：准确定位问题，快速反馈用户。
售后服务
After-sales service
路由器怎么设置，快帮我一下下。
售后MM：退货办理，投诉处理，电器维修，故障自检
生活伴侣 Life Partner
机器学习
基于大数据的智能聊天机器人！
Intelligence）
搜索引擎技术
Search Engine
知识图谱构建
Knowledge Graph
7×24 小时服务 无限量接待用户
用户画像技术
User profile
响应迅速 ge Processing
自然语言处理
主要自动问答系统介绍
Start Askjeeves Answer Bus MULDER LAMP
• MIT，历史，地理，文化，体育， 科技，娱乐等
• Askjeeves公司检索系统，自然语 言提问，反馈网页 • 密歇根大学，多语言，反馈URL • 华盛顿大学， 网络作为知识库， 抽取答案
• 分析搜索引擎反馈的网页信息， 抽取答案
二
• 允许用户以自然语言的形式查询信息 • 例如：世界上最大的宫殿是什么宫殿
三
• 直接提供用户准确、简洁的答案 • 例如：紫禁城/故宫
为什么需要自动问答系统
• 一，信息过载，爆炸 • - 互联网的高速发，语言而非语义层面 2，反馈的信息太多 • 三，问答系统 1，语义分析，自然语言理解， 2，快速定位，直接，高效，准确。
给用户反馈最佳答案和建议
答案1 答案2 答案3 答案4
…
答案1 答案2 答案3 答案4
答案匹配，候选 答案抽取和排序
DNN
Baseline
实验结果比较
105.00% 100.00% 95.00% 90.00% 85.00% 80.00% 75.00%
Error Reduction Rate 21.60% 15.00% 14.50% 13.25%
深度学习在自然语言处理
DCNN（Deep Convolutional Neural Networks）深度卷积神 经网络
向量空间模型Vector space model
1
• 维度高 • Time consuming
2
• 一词多意和多 词一意 • Misclassification
3
• 缺乏词和词之 间的相关性 • Poor performance
扩展应用
开放式智能服务
跨平台电商客服智能化解决方案
智能硬件中枢
电视机，快换一个频道！
智能家电：让你的家用电器也能听你的“话”
垂直领域专家
最近腿抽筋，吃点啥补补？
JIMI教授：医药咨询、旅游咨询、儿童教育
移动式私人助理，解决日常衣食住行，吃喝玩乐
私人随身助理
JIMI，到天安门怎么走?
Q&A
谢谢！
@InfoQ
“Car”
? ?
“Automobile”
“Tank“
Word2vec
目录
一、自动问答系统与聊天机器人 二、深度学习与自然语言处理 三、深度学习在自动问答系统中的应用
Who is JIMI
Deep Neural Network
深度神经网络
Machine Learning
JIMI（JD Instant Messaging
怎么实现
找到最相似的问题 FAQ库 用户问题
所有问题
答案
所有答案
返回对应的答案
自动问答系统发展历程
“Eliza” 是1966年 实现的第 1950年， 一个问答 图灵测 系统 试
Start 是 1993年第 一个面向 互联网的 自然语言 问答系统
1995年 Dr. Richard开 发设计第 一个聊天 机器人 Alice
ImageNet Classification
Speech
2006 DBN
2012 DNN ImageNet Classification
Science
G.E. Hinton
深度学习与人工智能
2012 2012年10月09日 2013 2013年01月19日 谷歌 成立了深度学习的 谷歌te of Deep Learacebook 宣布成立人工智能实验室, 聘请伊恩•勒坤 (Yann LeCun )为实验室主任。 2014 2014年06月22日 2014年07月14日 2014年09月09日 2014年11月03日 腾讯在ICML展示了 Deep Learning Platform 深度学习平台。 微软曝光深度学习研究项目 Adam。 京东 挂牌成立了京东深度神经网络实验室， JD DNN Lab 阿里组建团队成立 IDST (Institute of Data Science & Tech )
评价关 注度高 已婚
是的，土豪，赶紧买个吧，顺便给老婆也 买一台，像我这样的穷人是买不起的~
钻石 用户 土豪
发展历程
售后咨询上线
退款、物流、查询
移动端上线
店铺个性化机器人上线
覆盖6000+第三方店铺
深度神经网络
NLP领域最前沿
2012-12
2013-05
2013-11
2014-05
2014-07
2014-10
有小孩 男 28岁
手机好不好，大家说了算，96%的购买用 户给了好评，请相信群众！
摄像头是800万像素，随时拿起它给你的 小孩拍张照片，留住每一个精彩瞬间。
白领
身高：181cm 体重：75kg
屏幕尺寸4.7寸，分辨率1334×750，基 于您1米81的身高，5.5寸屏的iphone 6plus可能更适合您。