原文towardsdatascience.com/topic-modeling-open-source-research-with-the-openalex-api-5191c7db9156?sourcecollection_archive---------7-----------------------#2024-07-15开源情报OSINT是能够为组织带来巨大价值的一项技术。从分析社交媒体数据、网络数据或全球研究中获得的洞察可以在支持各种分析时发挥重要作用。本文将概述如何使用主题建模来帮助我们理解成千上万的开源研究资料。https://medium.com/adavis08?sourcepost_page---byline--5191c7db9156--------------------------------https://towardsdatascience.com/?sourcepost_page---byline--5191c7db9156-------------------------------- Alex Davis·发表于Towards Data Science ·阅读时长 9 分钟·2024 年 7 月 15 日–https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/ee2aac991c4193c160d128a71f553a42.png“使用纸张…… #research# #proposal”由catherinecronin授权采用 CC BY-SA 2.0 许可。要查看此许可证的副本请访问creativecommons.org/licenses/by-sa/2.0/?refopenverse.什么是主题建模主题建模是一种无监督的机器学习技术用于分析文档并通过语义相似性识别“主题”。这类似于聚类但并非每个文档都独立属于一个主题。它更多的是将语料库中的内容进行分组。主题建模有许多不同的应用但主要用于更好地理解大量文本数据。https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/ae6dbdf009e015f0e89bfb45c5c4be55.png作者提供的图片例如一家零售连锁可以对客户调查和评论进行建模以识别负面评论并深入分析客户提到的关键问题。在这个案例中我们将导入大量的文章和摘要以理解数据集中的关键主题。注意在大规模应用中主题建模可能会消耗大量计算资源。在这个示例中我使用了 Amazon Sagemaker 环境以利用其 CPU 的优势。OpenAlexOpenAlex 是一个免费使用的全球研究目录系统。他们已经索引了超过 2.5 亿篇新闻、文章、摘要等。[## OpenAlex编辑描述openalex.org幸运的是他们提供了一个免费的但有限制灵活 API可以让我们快速获取成千上万篇文章并且应用过滤条件如年份、媒体类型、关键词等。创建数据管道在我们从 API 获取数据时我们会应用一些标准。首先我们只会获取年份在 2016 到 2022 年之间的文档。我们希望使用相对较新的语言因为某些主题的术语和分类法会随着时间的推移发生变化。我们还将添加关键术语并进行多次搜索。虽然通常我们可能会随机获取不同的主题领域但我们将使用关键术语来缩小搜索范围。通过这种方式我们可以了解有多少个高级主题并将其与模型的输出进行比较。下面我们创建一个可以添加关键术语并通过 API 进行搜索的函数。importpandasaspdimportrequestsdefimport_data(pages,start_year,end_year,search_terms): This function is used to use the OpenAlex API, conduct a search on works, a return a dataframe with associated works. Inputs: - pages: int, number of pages to loop through - search_terms: str, keywords to search for (must be formatted according to OpenAlex standards) - start_year and end_year: int, years to set as a range for filtering works #create an empty dataframesearch_resultspd.DataFrame()forpageinrange(1,pages):#use paramters to conduct request and format to a dataframeresponserequests.get(fhttps://api.openalex.org/works?page{page}per-page200filterpublication_year:{start_year}-{end_year},type:articlesearch{search_terms})datapd.DataFrame(response.json()[results])#append to empty dataframesearch_resultspd.concat([search_results,data])#subset to relevant featuressearch_resultssearch_results[[id,title,display_name,publication_year,publication_date,type,countries_distinct_count,institutions_distinct_count,has_fulltext,cited_by_count,keywords,referenced_works_count,abstract_inverted_index]]return(search_results)我们进行 5 次不同的搜索每次搜索涉及不同的技术领域。这些技术领域受到国防部“关键技术领域”的启发。详情请见[## USD(RE)战略愿景与关键技术领域 - 国防部研究与工程OUSD(RE)OUSD(RE)与军事服务部门、战区司令部、工业界、学术界以及其他利益相关方紧密合作……www.cto.mil这是一个使用所需 OpenAlex 语法进行搜索的示例#search for Trusted AI and Autonomyai_searchimport_data(35,2016,2024,artificial intelligence OR deep learn OR neural net OR autonomous OR drone)在整理我们的搜索结果并去除重复文档之后我们必须清理数据为主题模型做准备。当前输出存在两个主要问题。摘要以倒排索引的形式返回出于法律原因。然而我们可以利用这些索引返回原始文本。一旦我们获得原始文本它将是未经处理的原始数据产生噪声并影响我们的模型表现。我们将进行传统的 NLP 预处理以便为模型做好准备。以下是一个从倒排索引中返回原始文本的函数。defundo_inverted_index(inverted_index): The purpose of the function is to undo and inverted index. It inputs an inverted index and returns the original string. #create empty lists to store uninverted indexword_index[]words_unindexed[]#loop through index and return key-value pairsfork,vininverted_index.items():forindexinv:word_index.append([k,index])#sort by the indexword_indexsorted(word_index,keylambdax:x[1])#join only the values and flattenforpairinword_index:words_unindexed.append(pair[0])words_unindexed .join(words_unindexed)return(words_unindexed)现在我们已经得到了原始文本我们可以进行传统的预处理步骤如标准化、去除停用词、词形还原等。下面是可以映射到一系列文档的函数。defpreprocess(text): This function takes in a string, coverts it to lowercase, cleans it (remove special character and numbers), and tokenizes it. #convert to lowercasetexttext.lower()#remove special character and digitstextre.sub(r\d,,text)textre.sub(r[^\w\s],,text)#tokenizetokensnltk.word_tokenize(text)return(tokens)defremove_stopwords(tokens): This function takes in a list of tokens (from the preprocess function) and removes a list of stopwords. Custom stopwords can be added to the custom_stopwords list. #set default and custom stopwordsstop_wordsnltk.corpus.stopwords.words(english)custom_stopwords[]stop_words.extend(custom_stopwords)#filter out stopwordsfiltered_tokens[wordforwordintokensifwordnotinstop_words]return(filtered_tokens)deflemmatize(tokens): This function conducts lemmatization on a list of tokens (from the remove_stopwords function). This shortens each word down to its root form to improve modeling results. #initalize lemmatizer and lemmatizelemmatizernltk.WordNetLemmatizer()lemmatized_tokens[lemmatizer.lemmatize(token)fortokenintokens]return(lemmatized_tokens)defclean_text(text): This function uses the previously defined functions to take a string and\ run it through the entire data preprocessing process. #clean, tokenize, and lemmatize a stringtokenspreprocess(text)filtered_tokensremove_stopwords(tokens)lemmatized_tokenslemmatize(filtered_tokens)clean_text .join(lemmatized_tokens)return(clean_text)现在我们已经有了一系列经过预处理的文档我们可以创建我们的第一个主题模型创建主题模型对于我们的主题模型我们将使用 gensim 创建一个潜在狄利克雷分配LDA模型。LDA 是最常见的主题建模模型因为它在识别语料库中的高层次主题方面非常有效。下面是用于创建模型的包。importgensim.corporaascorporafromgensim.corporaimportDictionaryfromgensim.models.coherencemodelimportCoherenceModelfromgensim.models.ldamodelimportLdaModel在创建模型之前我们必须准备我们的语料库和 ID 映射。这只需要几行代码就能完成。#convert the preprocessed text to a listdocumentslist(data[clean_text])#seperate by to tokenize each articletexts[x.split( )forxindocuments]#construct word ID mappingsid2wordDictionary(texts)#use word ID mappings to build corpuscorpus[id2word.doc2bow(text)fortextintexts]现在我们可以创建一个主题模型。如你所见下面有许多不同的参数会影响模型的表现。你可以在 gensim 的文档中阅读关于这些参数的更多信息。#build LDA modellda_modelLdaModel(corpuscorpus,id2wordid2word,num_topics10,decay0.5,random_state0,chunksize100,alphaauto,per_word_topicsTrue)最重要的参数是主题的数量。在这里我们设置了一个任意的 10。由于我们不知道应该有多少个主题这个参数肯定需要优化。但我们如何衡量模型的质量呢这时连贯性得分就显得尤为重要。连贯性得分是一个介于 0 和 1 之间的量度。连贯性得分通过确保主题是合理且独特的来衡量我们主题的质量。我们希望在定义明确的主题之间有清晰的边界。虽然这在最终上是有些主观的但它能让我们对结果的质量有一个很好的了解。#compute coherence scorecoherence_model_ldaCoherenceModel(modellda_model,textstexts,dictionaryid2word,coherencec_v)coherence_scorecoherence_model_lda.get_coherence()print(coherence_score)这里我们得到了大约 0.48 的连贯性得分虽然不是太差但还不能投入生产使用。可视化我们的主题模型主题模型可能很难进行可视化。幸运的是我们有一个很棒的模块‘pyLDAvis’它能够自动生成一个交互式可视化允许我们在向量空间中查看主题并深入探讨每个主题。importpyLDAvis#create Topic Distance VisualizationpyLDAvis.enable_notebook()lda_vizpyLDAvis.gensim.prepare(lda_model,corpus,id2word)lda_viz如下所示这生成了一个很好的可视化图我们可以快速了解模型的表现。通过查看向量空间我们可以看到一些主题是明确且定义良好的。然而也有一些主题是重叠的。https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/528452b69c598401246c2e00ad1dcb42.png图片来源作者我们可以点击一个主题查看最相关的词汇。当我们调整相关性度量lambda时可以通过将其向左滑动来查看特定于主题的词汇而通过将其向右滑动则可以看到相关但不那么特定于主题的词汇。当点击每个主题时我可以隐约看到我最初搜索的主题。例如主题 5 似乎与我的‘人机界面’搜索一致。也有一簇看起来与生物技术相关的主题但有些更为明确有些则不太清楚。优化主题模型从 pyLDAvis 界面和我们的连贯性得分 0.48 来看肯定还有提升的空间。在我们的最后一步先编写一个函数让我们可以循环通过不同参数的值并尝试优化我们的连贯性得分。下面是一个测试不同主题数量和衰减率值的函数。该函数为每一组参数组合计算连贯性得分并将其保存在数据框中。deflda_model_evaluation(): This function loops through a number of parameters for an LDA model, creates the model, computes the coherenece score, and saves the results in a pandas dataframe. The outputed dataframe contains the values of the parameters tested and the resulting coherence score. #define empty lists to save resultstopic_number,decay_rate_list,score[],[],[]#loop through a number of parametersfortopicsinrange(5,12):fordecay_ratein[0.5,0.6,0.7]:#build LDA modellda_modelLdaModel(corpuscorpus,id2wordid2word,num_topicstopics,decaydecay_rate,random_state0,chunksize100,alphaauto,per_word_topicsTrue)#compute coherence scorecoherence_model_ldaCoherenceModel(modellda_model,textstexts,dictionaryid2word,coherencec_v)coherence_scorecoherence_model_lda.get_coherence()#append parameters to liststopic_number.append(topics)decay_rate_list.append(decay_rate)score.append(coherence_score)print(Model Saved)#gather result into a dataframeresults{Number of Topics:topic_number,Decay Rate:decay_rate_list,Score:score}resultspd.DataFrame(results)return(results)通过将几个小范围的值传递给两个参数我们找出了能够将我们的连贯性得分从 0.48 提高到 0.55 的参数取得了显著的改善。下一步为了继续构建一个生产级别的模型我们需要在参数上进行大量实验。由于 LDA 计算开销较大我将上述实验限定在比较大约 20 个不同的模型。但如果有更多的时间和计算能力我们可以比较数百个模型。此外我们的数据管道也有待改进。我注意到有几个词可能需要添加到停用词列表中。像“use”和“department”这样的词并没有提供任何语义价值特别是对于不同技术领域的文档来说。还有一些技术术语未能正确处理结果变成了单个字母或一组字母。我们可以花一些时间做一个词袋分析以识别这些停用词机会。这将有助于减少数据集中的噪音。结论在本文中我们了解了主题建模和 OpenAlex 数据源的基本概念构建了一个数据管道用于从 API 中获取数据并为 NLP 模型做准备构建了一个 LDA 模型并使用 pyLDAvis 可视化结果编写了代码来帮助我们找到最优参数讨论了模型改进的下一步这是我在 Medium 上的第一篇文章希望你喜欢。请随时留下反馈、提问或提出其他话题的请求
使用 OpenAlex API 进行开源研究的主题建模
原文towardsdatascience.com/topic-modeling-open-source-research-with-the-openalex-api-5191c7db9156?sourcecollection_archive---------7-----------------------#2024-07-15开源情报OSINT是能够为组织带来巨大价值的一项技术。从分析社交媒体数据、网络数据或全球研究中获得的洞察可以在支持各种分析时发挥重要作用。本文将概述如何使用主题建模来帮助我们理解成千上万的开源研究资料。https://medium.com/adavis08?sourcepost_page---byline--5191c7db9156--------------------------------https://towardsdatascience.com/?sourcepost_page---byline--5191c7db9156-------------------------------- Alex Davis·发表于Towards Data Science ·阅读时长 9 分钟·2024 年 7 月 15 日–https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/ee2aac991c4193c160d128a71f553a42.png“使用纸张…… #research# #proposal”由catherinecronin授权采用 CC BY-SA 2.0 许可。要查看此许可证的副本请访问creativecommons.org/licenses/by-sa/2.0/?refopenverse.什么是主题建模主题建模是一种无监督的机器学习技术用于分析文档并通过语义相似性识别“主题”。这类似于聚类但并非每个文档都独立属于一个主题。它更多的是将语料库中的内容进行分组。主题建模有许多不同的应用但主要用于更好地理解大量文本数据。https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/ae6dbdf009e015f0e89bfb45c5c4be55.png作者提供的图片例如一家零售连锁可以对客户调查和评论进行建模以识别负面评论并深入分析客户提到的关键问题。在这个案例中我们将导入大量的文章和摘要以理解数据集中的关键主题。注意在大规模应用中主题建模可能会消耗大量计算资源。在这个示例中我使用了 Amazon Sagemaker 环境以利用其 CPU 的优势。OpenAlexOpenAlex 是一个免费使用的全球研究目录系统。他们已经索引了超过 2.5 亿篇新闻、文章、摘要等。[## OpenAlex编辑描述openalex.org幸运的是他们提供了一个免费的但有限制灵活 API可以让我们快速获取成千上万篇文章并且应用过滤条件如年份、媒体类型、关键词等。创建数据管道在我们从 API 获取数据时我们会应用一些标准。首先我们只会获取年份在 2016 到 2022 年之间的文档。我们希望使用相对较新的语言因为某些主题的术语和分类法会随着时间的推移发生变化。我们还将添加关键术语并进行多次搜索。虽然通常我们可能会随机获取不同的主题领域但我们将使用关键术语来缩小搜索范围。通过这种方式我们可以了解有多少个高级主题并将其与模型的输出进行比较。下面我们创建一个可以添加关键术语并通过 API 进行搜索的函数。importpandasaspdimportrequestsdefimport_data(pages,start_year,end_year,search_terms): This function is used to use the OpenAlex API, conduct a search on works, a return a dataframe with associated works. Inputs: - pages: int, number of pages to loop through - search_terms: str, keywords to search for (must be formatted according to OpenAlex standards) - start_year and end_year: int, years to set as a range for filtering works #create an empty dataframesearch_resultspd.DataFrame()forpageinrange(1,pages):#use paramters to conduct request and format to a dataframeresponserequests.get(fhttps://api.openalex.org/works?page{page}per-page200filterpublication_year:{start_year}-{end_year},type:articlesearch{search_terms})datapd.DataFrame(response.json()[results])#append to empty dataframesearch_resultspd.concat([search_results,data])#subset to relevant featuressearch_resultssearch_results[[id,title,display_name,publication_year,publication_date,type,countries_distinct_count,institutions_distinct_count,has_fulltext,cited_by_count,keywords,referenced_works_count,abstract_inverted_index]]return(search_results)我们进行 5 次不同的搜索每次搜索涉及不同的技术领域。这些技术领域受到国防部“关键技术领域”的启发。详情请见[## USD(RE)战略愿景与关键技术领域 - 国防部研究与工程OUSD(RE)OUSD(RE)与军事服务部门、战区司令部、工业界、学术界以及其他利益相关方紧密合作……www.cto.mil这是一个使用所需 OpenAlex 语法进行搜索的示例#search for Trusted AI and Autonomyai_searchimport_data(35,2016,2024,artificial intelligence OR deep learn OR neural net OR autonomous OR drone)在整理我们的搜索结果并去除重复文档之后我们必须清理数据为主题模型做准备。当前输出存在两个主要问题。摘要以倒排索引的形式返回出于法律原因。然而我们可以利用这些索引返回原始文本。一旦我们获得原始文本它将是未经处理的原始数据产生噪声并影响我们的模型表现。我们将进行传统的 NLP 预处理以便为模型做好准备。以下是一个从倒排索引中返回原始文本的函数。defundo_inverted_index(inverted_index): The purpose of the function is to undo and inverted index. It inputs an inverted index and returns the original string. #create empty lists to store uninverted indexword_index[]words_unindexed[]#loop through index and return key-value pairsfork,vininverted_index.items():forindexinv:word_index.append([k,index])#sort by the indexword_indexsorted(word_index,keylambdax:x[1])#join only the values and flattenforpairinword_index:words_unindexed.append(pair[0])words_unindexed .join(words_unindexed)return(words_unindexed)现在我们已经得到了原始文本我们可以进行传统的预处理步骤如标准化、去除停用词、词形还原等。下面是可以映射到一系列文档的函数。defpreprocess(text): This function takes in a string, coverts it to lowercase, cleans it (remove special character and numbers), and tokenizes it. #convert to lowercasetexttext.lower()#remove special character and digitstextre.sub(r\d,,text)textre.sub(r[^\w\s],,text)#tokenizetokensnltk.word_tokenize(text)return(tokens)defremove_stopwords(tokens): This function takes in a list of tokens (from the preprocess function) and removes a list of stopwords. Custom stopwords can be added to the custom_stopwords list. #set default and custom stopwordsstop_wordsnltk.corpus.stopwords.words(english)custom_stopwords[]stop_words.extend(custom_stopwords)#filter out stopwordsfiltered_tokens[wordforwordintokensifwordnotinstop_words]return(filtered_tokens)deflemmatize(tokens): This function conducts lemmatization on a list of tokens (from the remove_stopwords function). This shortens each word down to its root form to improve modeling results. #initalize lemmatizer and lemmatizelemmatizernltk.WordNetLemmatizer()lemmatized_tokens[lemmatizer.lemmatize(token)fortokenintokens]return(lemmatized_tokens)defclean_text(text): This function uses the previously defined functions to take a string and\ run it through the entire data preprocessing process. #clean, tokenize, and lemmatize a stringtokenspreprocess(text)filtered_tokensremove_stopwords(tokens)lemmatized_tokenslemmatize(filtered_tokens)clean_text .join(lemmatized_tokens)return(clean_text)现在我们已经有了一系列经过预处理的文档我们可以创建我们的第一个主题模型创建主题模型对于我们的主题模型我们将使用 gensim 创建一个潜在狄利克雷分配LDA模型。LDA 是最常见的主题建模模型因为它在识别语料库中的高层次主题方面非常有效。下面是用于创建模型的包。importgensim.corporaascorporafromgensim.corporaimportDictionaryfromgensim.models.coherencemodelimportCoherenceModelfromgensim.models.ldamodelimportLdaModel在创建模型之前我们必须准备我们的语料库和 ID 映射。这只需要几行代码就能完成。#convert the preprocessed text to a listdocumentslist(data[clean_text])#seperate by to tokenize each articletexts[x.split( )forxindocuments]#construct word ID mappingsid2wordDictionary(texts)#use word ID mappings to build corpuscorpus[id2word.doc2bow(text)fortextintexts]现在我们可以创建一个主题模型。如你所见下面有许多不同的参数会影响模型的表现。你可以在 gensim 的文档中阅读关于这些参数的更多信息。#build LDA modellda_modelLdaModel(corpuscorpus,id2wordid2word,num_topics10,decay0.5,random_state0,chunksize100,alphaauto,per_word_topicsTrue)最重要的参数是主题的数量。在这里我们设置了一个任意的 10。由于我们不知道应该有多少个主题这个参数肯定需要优化。但我们如何衡量模型的质量呢这时连贯性得分就显得尤为重要。连贯性得分是一个介于 0 和 1 之间的量度。连贯性得分通过确保主题是合理且独特的来衡量我们主题的质量。我们希望在定义明确的主题之间有清晰的边界。虽然这在最终上是有些主观的但它能让我们对结果的质量有一个很好的了解。#compute coherence scorecoherence_model_ldaCoherenceModel(modellda_model,textstexts,dictionaryid2word,coherencec_v)coherence_scorecoherence_model_lda.get_coherence()print(coherence_score)这里我们得到了大约 0.48 的连贯性得分虽然不是太差但还不能投入生产使用。可视化我们的主题模型主题模型可能很难进行可视化。幸运的是我们有一个很棒的模块‘pyLDAvis’它能够自动生成一个交互式可视化允许我们在向量空间中查看主题并深入探讨每个主题。importpyLDAvis#create Topic Distance VisualizationpyLDAvis.enable_notebook()lda_vizpyLDAvis.gensim.prepare(lda_model,corpus,id2word)lda_viz如下所示这生成了一个很好的可视化图我们可以快速了解模型的表现。通过查看向量空间我们可以看到一些主题是明确且定义良好的。然而也有一些主题是重叠的。https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/528452b69c598401246c2e00ad1dcb42.png图片来源作者我们可以点击一个主题查看最相关的词汇。当我们调整相关性度量lambda时可以通过将其向左滑动来查看特定于主题的词汇而通过将其向右滑动则可以看到相关但不那么特定于主题的词汇。当点击每个主题时我可以隐约看到我最初搜索的主题。例如主题 5 似乎与我的‘人机界面’搜索一致。也有一簇看起来与生物技术相关的主题但有些更为明确有些则不太清楚。优化主题模型从 pyLDAvis 界面和我们的连贯性得分 0.48 来看肯定还有提升的空间。在我们的最后一步先编写一个函数让我们可以循环通过不同参数的值并尝试优化我们的连贯性得分。下面是一个测试不同主题数量和衰减率值的函数。该函数为每一组参数组合计算连贯性得分并将其保存在数据框中。deflda_model_evaluation(): This function loops through a number of parameters for an LDA model, creates the model, computes the coherenece score, and saves the results in a pandas dataframe. The outputed dataframe contains the values of the parameters tested and the resulting coherence score. #define empty lists to save resultstopic_number,decay_rate_list,score[],[],[]#loop through a number of parametersfortopicsinrange(5,12):fordecay_ratein[0.5,0.6,0.7]:#build LDA modellda_modelLdaModel(corpuscorpus,id2wordid2word,num_topicstopics,decaydecay_rate,random_state0,chunksize100,alphaauto,per_word_topicsTrue)#compute coherence scorecoherence_model_ldaCoherenceModel(modellda_model,textstexts,dictionaryid2word,coherencec_v)coherence_scorecoherence_model_lda.get_coherence()#append parameters to liststopic_number.append(topics)decay_rate_list.append(decay_rate)score.append(coherence_score)print(Model Saved)#gather result into a dataframeresults{Number of Topics:topic_number,Decay Rate:decay_rate_list,Score:score}resultspd.DataFrame(results)return(results)通过将几个小范围的值传递给两个参数我们找出了能够将我们的连贯性得分从 0.48 提高到 0.55 的参数取得了显著的改善。下一步为了继续构建一个生产级别的模型我们需要在参数上进行大量实验。由于 LDA 计算开销较大我将上述实验限定在比较大约 20 个不同的模型。但如果有更多的时间和计算能力我们可以比较数百个模型。此外我们的数据管道也有待改进。我注意到有几个词可能需要添加到停用词列表中。像“use”和“department”这样的词并没有提供任何语义价值特别是对于不同技术领域的文档来说。还有一些技术术语未能正确处理结果变成了单个字母或一组字母。我们可以花一些时间做一个词袋分析以识别这些停用词机会。这将有助于减少数据集中的噪音。结论在本文中我们了解了主题建模和 OpenAlex 数据源的基本概念构建了一个数据管道用于从 API 中获取数据并为 NLP 模型做准备构建了一个 LDA 模型并使用 pyLDAvis 可视化结果编写了代码来帮助我们找到最优参数讨论了模型改进的下一步这是我在 Medium 上的第一篇文章希望你喜欢。请随时留下反馈、提问或提出其他话题的请求
