美團基於知識圖譜的個性化新聞推薦系統

分享嘉賓：劉丹陽 博士 美團 實習生

編輯整理：毛佳豪 中國平安浙江分公司(實習)

出品平臺：DataFunTalk

導讀： 新聞閱讀是人們日常生活中必不可少的活動，隨著新聞逐漸從紙質端轉變到電子端，大家可以從各種社交平臺上進行新聞的閱讀。同時，我們身處資訊爆炸的時代，一天可能就有上萬篇的新聞文章產生，這對於使用者來說，會造成非常嚴重的資訊過載的問題。因此，個性化新聞推薦系統就應運而生，它可以有效地提升了新聞服務的質量。本次分題目為《結合知識圖譜的個性化新聞推薦系統》，主要介紹：

• 背景介紹

• 新聞知識圖譜

• 知識圖譜與新聞推薦的準確性

• 知識圖譜與新聞推薦的可解釋性

01

背景介紹

閱讀新聞是人們日常生活中必不可少的活動，並且由於新聞閱讀逐漸從紙質端轉變到電子端，現在大家可以從各種社交平臺上進行新聞的閱讀。同時，身處資訊爆炸的時代，一天可能就有上萬篇的新聞文章產生，這樣對於使用者來說會造成非常嚴重的資訊過載的問題。因此，個性化新聞推薦系統就應運而生，它能有效地提升新聞服務的質量。

個性化新聞推薦系統的構建有兩種方法 ：

• 基於傳統方法 ：通過特徵工程的方法構建使用者和新聞的匹配。比如，將新聞的tf-idf特徵和使用者之前閱讀的新聞的tf-idf特徵進行直接匹配。

• 基於深度學習 ：通過學習使用者和新聞的隱式語義表示，在隱向量空間裡進行匹配，再對使用者進行推薦。

知識圖譜能給個性化推薦系統帶來哪些好處？

首先，知識圖譜為物品引入了更多的語義關係， 可以更深層次地發現使用者的興趣 。比如使用者看一個電影，通過知識圖譜就可以知道電影的各種各樣的資訊，因此通過知識圖譜就可以引入高質量的資訊，包括使用者的表示。同時，因為知識圖譜是構建非常優良的圖結構，通過連線使用者和商品、商品和商品，就可以找到非常有意義的路徑，並通過這些路徑來構建可解釋理由。因此，通過知識圖譜就可以在給出推薦的同時，也給出推薦的理由， 增強使用者對推薦系統的滿意度和接受度 。

02

新聞知識圖譜

1. 新聞知識圖譜的研究動機

對於特定的推薦領域，需要專門設計的領域知識圖譜，因為特定領域的知識圖譜對該領域會更加適用，比如美團外賣就有外賣知識圖譜，醫療應用有醫療知識圖譜。而新聞推薦與其他領域比如外賣、醫療相比，它有其非常獨到的特點——內容非常龐雜。新聞領域會涉及到各個方面的資訊，並且由大量的文字構成。接下來，我會以例子去介紹，我們是如何去構建一個新聞知識圖譜的，如何把和新聞無關的資訊去掉，同時增加一些和新聞緊密相關的資訊。

2. 新聞知識圖譜的研究方法

首先，做新聞推薦一般都是用類似於百科的知識圖譜，百科式的知識圖譜構造非常精良，格式統一，知識全面。但是這也就存在了一個問題：包含了大量的與新聞推薦無關的資訊，即它裡面會包含大量的冗餘資訊。比如特朗普眼睛的顏色，這樣的資訊對於新聞推薦是沒有太大的作用的。

構建圖相關的應用的時候，節點會有很多的鄰居，如果在取樣的時候，取樣到資訊量比較少的節點，就會非常影響最終的推薦效果。

所以我們設計了一個非常簡單的選擇演算法，把跟新聞相關的資訊選擇進來，主要思想是：

首先統計大量的新聞語料，我們收集了可能幾十萬上百萬篇的新聞語料。然後，把出現在新聞語料中的知識實體當成種子節點，再以這些種子節點為中心，往外層擴充套件，比如擴充套件一跳或者兩跳，如果一跳或者兩跳能到達一些最初的種子節點範圍內，就認定這個是跟新聞更加相關的關係。最後，對一跳、兩跳分別賦予不同的權重，並統計各種關係的權重，然後把最重要的關係保留下來，同時儲存這個關係下的三元組，這就是選擇與新聞相關資訊的方法。

同時，我們也補充了一些跟新聞相關的特定資訊，比如使用者在閱讀新聞的時候，會非常關注新聞的主題，並且每個使用者的興趣都是比較固定的，比較喜歡某一類的新聞。因此，主題對新聞推薦來說，是至關重要的。所以， 我們增加了兩種型別的主題節點：顯式主題節點、隱式主題節點。

顯式主題節點 是新聞本身所屬的類別，這在編輯中就能體現出來，比如它是體育新聞，是NBA新聞還是足球新聞等等；同時，我們通過LDA topic model也可以對它訓練一些隱式的語義節點，作為主題節點增加進來。然後我們通過連接出現在這篇新聞中的實體和主題節點，來構建與新增加的主題相關的三元組。同時，雖然一些新聞實體在知識圖譜中沒有直接相連，但是它們其實能強烈地體現在新聞閱讀習慣中。比如經常出現在同一篇新聞中的實體，或者同一使用者感興趣的實體，這些實體其實反映了使用者行為或者新聞本身特徵的一個協同關係。舉例說明，比如你是個足球迷，你在看到梅西相關新聞的時候，可能也會關注C羅，但是他們在知識圖譜中沒有直接相連，然後我們通過增加這樣的一些連線關係，來豐富新聞領域的知識圖譜。

3. 實驗過程

①圖譜資料統計

下圖是通用知識圖譜和我們修改得到的新聞知識圖譜的資料對比情況，KG是原始的新聞知識圖譜，News-Relevant KG是去掉無關關係後的知識圖譜，Collaborative Relations in NG是增加了協同關係的知識圖譜, Topic Entities in NG是主題節點的知識圖譜。

②實驗資料介紹

我們選取了 MSN新 聞四周的語料用來測試我們通用知識圖譜和新聞知識圖譜，進行對比。同時我們在多種推薦任務上都進行了測試，比如我們最擅長的個性化新聞推薦任務還有新聞分類任務。

③實驗模型介紹

為了更直觀地驗證效果，我們選擇了非常簡單的模型， 僅僅用到了新聞向量和使用者向量，再加上通過知識圖譜預訓練得到的實體向量 。其中，我們對比了兩種實體向量，分別是通用知識圖譜訓練出來的實體向量以及新聞知識圖譜訓練出來的實體向量。如下圖所示，在不同的任務上，我們使用了不同的架構。

④實驗結果

下圖是實驗結果，對比的是不使用知識圖譜的結果、使用通用知識圖譜以及新聞知識圖譜的結果，上面的表格各模型在個性化推薦任務上的表現，下面的表格是模型在不同的新聞分類任務上的表現。可以看到，新聞知識圖譜相對於通用知識圖譜是有提升的，說明了新聞知識圖譜構建的有效性。而我們也會將新聞知識圖譜作為一個基礎，應用到後面的工作中。

03

知識圖譜與新聞推薦的準確性

1. 新聞推薦特點

新聞推薦系統與其他推薦系統相比，還是存在非常鮮明的不同點的。

• 首先， 新聞推薦有很強的時效性 ，比如我們不會關注一週前發生了什麼新聞，只關心今天發生了什麼新聞，這樣會造成非常嚴重的冷啟動問題。

• 其次， 理解新聞內容本身的內容是非常重要的 。新聞裡包含了大量的知識實體，比如人名、地名、事件等等，而知識圖譜可以給新聞帶來一個非常好的補充，因此知識圖譜對新聞推薦有獨特的重要意義。

• 最後， 使用者在閱讀新聞的時候，興趣也是多樣的 ，比如既關心政治又關心體育。並且隨著時間推移以及熱點新聞的不斷出現，他們的興趣也會發生一些動態的演化。

因此， 對於新聞推薦來說，最主要的幾個模組是：如何建模新聞、如何根據使用者新聞閱讀歷史建模使用者、如何將新聞建模與使用者建模進行個性化的匹配。

2. 知識圖譜與新聞推薦結合的研究動機

接下來的工作是我們發表在Recsys2020會議中的一個工作，該工作介紹瞭如何更好地利用新聞中的知識實體來提升新聞的表示。

首先，介紹一下該工作的問題背景：新聞中包含了大量的知識實體，這些知識實體可以非常好地幫助我們理解新聞內容，不過一篇新聞文章可能會包含幾十個實體，每個實體出現的次數可能都不一樣，該如何衡量這些知識實體的重要性？並且如何將知識實體和新聞本身的表示進行結合也是非常棘手的問題。同時，因為NLP技術、新聞文字表示技術都在日新月異地發展，我們不可能在每一個新的模型出來時，再針對性地設計一個結合知識的模型，這樣工作量就會比較大。所以我們研究的是如何將知識資訊融合到我們預訓練好的新聞表示中，得到一個更好的表示，來提升最終新聞推薦的效果。

3. 知識圖譜與新聞推薦結合的研究方法

①模型結構

為此，我們設計了一個模型，該模型主要核心有三層：實體表示層、語境嵌入層、資訊蒸餾層。通過這三層，給根據NLP模型得到的新聞表示DV注入一個知識實體的資訊，得到一個知識增強的新聞表示。

第一層是實體表示層 。首先，把出現在這篇新聞中的實體通過預訓練的方式取出，但是不同的實體在知識圖譜中有各種各樣的鄰居，這些鄰居也能夠豐富它的表示，因此我們採取一種KGAT的方式，通過考慮它不同的關係，來聚合它的鄰居資訊，從而得到更全面的出現在新聞中的實體表示。

第二層是語境嵌入層 ，這一層主要考慮實體在新聞文章當中的嵌入特點，比如出現的位置是在文章的title裡還是body又或者是出現的頻次、實體類別是人物還是地點等等。這些資訊對於實體資訊都是有非常重要的作用，所以我們設計了語境嵌入層來更加全面地建模這個實體。

第三層是資訊蒸餾層 ，其目的是判斷不同的實體在不同的新聞中的重要性。比如體育新聞中，體育明星的重要性會更高，湖人隊的新聞中，可能詹姆斯的重要性會更高一些。所以我們將新聞的文字表示作為監測訊號，去監督不同實體的重要性並進行重要性的加權，最後拼接到本身的初始新聞表示上，得到知識增強的新聞表示。

②訓練框架

同時我們的框架也可以採取一種 多工學習的方式 ，因為對於不同的新聞推薦任務來說，任務之間的各種標籤會提供一些額外的資訊。比如我們通過本地新聞預測任務，來預測新聞是不是與本地相關。在此任務中，知識實體也可以提供不同程度的幫助，有些知識實體是地點，對於本地新聞預測任務就會起到很好的幫助。並且，不同的新聞任務之間也會傳遞一些資訊，通過知識實體來把不同任務之間的標籤進行傳遞，從而對不同任務起到促進作用。

③實驗結果

下圖是個性化推薦任務上的結果，我們採用了兩種基礎的新聞向量表示方法，一種是實際業務中使用的LDA+DSSM，另一種是學術界使用非常多的BERT模型。根據這兩種模型得到新聞的預訓練表示之後，再結合知識實體，並通過我們設計的模型去增強這兩種表示。結果顯示，無論是在LDA+DSSM模型還是BERT模型上，我們對於這兩種基礎向量都取得了效果上的提升。因為BERT模型具有強大的表示能力，並且有非常強大的預訓練的庫，所以會比業務中使用的LDA+DSSM模型效果表示得好一些。

下圖是在不同新聞分類任務上的結果：

在item2item的推薦實驗上，我們的模型也是取得了比之前baseline更好的效果。

我們也進行了 消融實驗 ，將我們模型核心的三層模組進行比較，通過消融實驗證明我們每個模組都起到了非常好的作用。由於我們的模型是在預訓練表示的基礎上再注入知識，所以效率其實是非常高的。相對於以前的一些模型，無論是在訓練還是測試任務上，我們的模型在效率上還是非常佔優勢的。

④視覺化分析

同時我們也做了 視覺化的分析 ，下圖展示了模型在一篇新聞中最終學到的weight在不同知識實體上的表現。可以看到，對於這篇新聞來說，重要的實體會學習到更高的權重。

下圖是我們對於最終生成的向量表示做的一個視覺化，以此來證明向量在不同的類別上有更加明顯的區分，也說明我們得到的知識增強的向量所學習到的資訊是更好的。

4. 我所做的工作

①研究動機

接下來介紹我在美團做的工作，我的工作主要動機有三個：

首先，上文講述瞭如何通過知識圖譜增強新聞的表示，但對於新聞推薦來說，準確地表示使用者興趣也非常關鍵，所以我們更深層次地研究如何利用知識圖譜來更加全面地建模使用者在新聞閱讀過程中的興趣的表示。

其次，新聞中其實包含了大量的新聞實體，這些實體能反映一篇新聞複雜多樣的興趣。新聞不同於商品，內容更加複雜，一篇新聞中往往會包含各種各樣的興趣，所以引入知識可以更加全面地瞭解一篇新聞的興趣。在此基礎上，我們就可以進一步瞭解使用者的多樣的、動態的興趣。

②研究方法

下面介紹一下具體的工作。

首先是 異構圖表示學習的方法 。新聞本身包含了豐富的文字資訊，同時我們通過把它和知識圖譜進行連線，得到一個空間的結構化資訊。所以我們一方面可以通過一些預訓練的模型，得到文字資訊的表示，同時也可以通過圖學習的結構資訊，得到空間結構的表示，最後通過異構圖學習的方式，將這兩種不同的資訊表示融合到一個向量空間裡。

接下來，我又設計了 雙記憶網路模型來建模使用者的多種多樣的資訊表示 。使用記憶網路是因為它有兩個非常顯著的優勢。

• 對於建模序列化資訊，它有非常好的優勢。記憶網路，顧名思義，相對於GRU或者LSTM來說，具有更強的記憶能力，因此在建模更長的序列資訊時，它有更好的學習能力。

• 多槽的構造使它對於學習使用者的多興趣或者多向量表示，有天生的結構優勢。

因此我這裡採用了一個 雙記憶網路 ，用興趣記憶網路學習興趣的表示，同時使用者記憶網路去建模序列化資訊。其中，對於興趣，我們也 從兩個方面進行建模：

首先，從文章總體的興趣考慮；其次，因為文章中包含很多實體，所以我們從更細粒度的層次——實體角度，來建模使用者的興趣表示。最終會得到使用者總體的興趣分佈和細粒度的興趣分佈，這兩個興趣分佈具有相輔相成的作用。

下圖是我們的資料集，同時應用了Microsoft News還有美團的點評資料集。

③實驗結果

從下表可見，模型在兩種不同的資料集上都取得了比baseline更好的效果。

同時，我們對於不同的資料集實驗了不同的興趣數量，可以看到，在Microsoft news上，興趣數量要比點評資料集上稍微多一點，主要是因為Microsoft news的新聞更加多樣性，可以反映使用者更多的興趣。

下圖是我們做的可解釋性的簡略分析。引入知識圖譜的一個好處是在分析使用者興趣的時候，不光可以在新聞的層次上進行分析，還可以在更加基本更加底層的實體表示層次進行興趣分析，這樣它的興趣會更加直觀。 

04

知識圖譜與新聞推薦的可解釋性

1. 研究動機

隨著技術的發展，很多推薦系統的效果已經非常優良了，所以我們現在更多時候會關注一些更深層次的東西，比如可解釋性的效果，這個對於提升使用者接受度和滿意度是非常有幫助的。

商品推薦可能已經有可解釋性工作了， 那新聞推薦和商品推薦的可解釋性工作有什麼不同的地方？

首先，新聞中包含了大量的實體，並且新聞知識圖譜也比商品知識圖譜要複雜得多，比如新聞知識圖譜關係可能有上千種，但亞馬遜的商品知識圖譜可能只有十幾種關係。因此，對於如此複雜的資料和圖，如何生成可解釋路徑是非常有挑戰性的工作。

現在也有一些解決的方法，有基於路徑的方法，比如KPRN模型，它先搜尋使用者和商品之間所有的路徑，然後對所有路徑進行打分，再進行排序，最終選擇比較優秀的可解釋路徑。還有一些基於強化學習的方法，比如PGPR模型，它從使用者出發，進行遊走，遊走到一個item後，就把這個遊走的路徑作為一個可解釋路徑。不過新聞中包含了大量實體，所以如果在使用者與新聞之間，只給出一條可解釋路徑，可能會與使用者在閱讀新聞時關注的地方不同。這樣的話，也會造成不全面的問題。

2. 研究方法

針對這個問題，我們另闢蹊徑地設計了一個比較新穎的可解釋的正規化—— 錨點知識圖。 具體原理是：

在做可解釋推薦之前，對於每篇新聞都相對應地生成一個錨點知識圖，所謂的錨點知識圖就是以這篇新聞的節點出發，去搜索與這篇新聞緊密相關的知識實體，比如節點的一跳是包含在這篇新聞中的實體，那我會在這些實體中選擇對這篇新聞來說比較重要的實體，並繼續選擇這些實體在圖譜中的鄰居。通過這樣的選擇機制，我們可以給每篇新聞生成一個針對於它的一個緊密的子圖，這個圖的規模一般在百這種數量級上。在給每篇新聞生成一個錨點知識圖之後，我們就可以通過兩篇新聞之間的錨點知識圖的互動，生成解釋路徑。相關的新聞之間可能會生成多條路徑，而不相關的新聞可能就不需要可解釋路徑了。

生成錨點知識圖採取的方法也是基於強化學習的方法 ， 我們設計了一個MDP決策過程，定義了狀態、動作、狀態轉移三個模組 。其中，比較創新的地方在於我們設計了多種多樣的獎勵機制，比如即時獎勵和終止獎勵，即時獎勵就是在生成錨點知識圖的過程中，我們會立刻賦予它一個獎勵數值，例如在走到知識圖譜上的一個節點的時候，我會立即判斷一下，該節點是不是與知識圖譜緊密相關的。同時在錨點知識圖生成結束之後，會有一個終止獎勵，即知識圖生成之後，我們會判斷一下這個錨點知識圖是不是真的與相關的新聞之間產生了比較高質量的解釋路徑，同時錨點知識圖的生成，也會選擇一些與新聞比較相關的節點，這些知識節點是不是真的對於新聞推薦有幫助，我們通過這樣不同的獎勵機制來保證學習過程。

接下來，我們採用演員評論家(actor-critic)演算法來訓練強化學習網路。演員會根據策略函式，來選擇加入錨點知識圖中的實體，而我們會通過最大化期望去學習這個演員網路，同時評論家會根據值函式來評估動作選擇的好壞。這個過程通過最小化TD error來進行訓練。

並且我們也採取了 多種學習策略 來使它更容易學習。首先是 熱啟動訓練 ，我們會選取一個小資料集，去列舉一些路徑，通過這個路徑來產生監督學習的label，再通過這些label來去初始訓練actor-critic網路。同時因為新聞知識圖譜比較複雜，對於兩篇新聞來說，如果我們選取到完全不相關的兩篇新聞作為負樣本的話，可能學習不到有用的資訊。因此我們採取了在知識圖譜上進行遊走的策略，讓它能更加有效地學習。最後我們會聯合訓練推薦任務和推理任務，來達到一個多工學習的更好的效果。

3. 實驗結果

我們這裡採取的是微軟的新聞推薦資料集還有一個工業資料集：

如下表所示，我們選取了兩類baseline與我們的模型進行對比。一類是DKN、NAML等傳統的新聞推薦方法，這些方法是不具有可解釋性的。另一類是基於強化學習的推薦演算法PGPR、ADAC，這些推薦演算法不能有效利用新聞的文字資訊，因此效果比較差。而我們的方法既可以生成可解釋路徑，同時因為錨點知識圖的生成，它也會選取一些跟新聞緊密相關的實體，在一定程度上增強了新聞的表示，在推薦上也取得了不錯的效果。

下表是消融實驗的結果。可以看到，去除一些模組，效果會有明顯下降。

下圖是可解釋性分析，上面區域展示了部分錨點知識圖。可以看到，對一個新聞來說，它會朝著與它相關的方向去選擇錨點知識圖，而跟新聞不太相關的知識實體如”US”就沒有包含在錨點知識圖中。在下面區域展示了兩篇新聞通過錨點知識圖的互動就可以產生多條的可解釋路徑。

4. 可解釋性分析

同時我們對可解釋性也做了一個 量化分析 。模型中本就包含RNN模組，所以我們用RNN模組的分數來粗略評估可解釋路徑的質量，可以看到我們在數量還有質量上都比baseline模型要高。

這就是今天介紹的結合知識圖譜的個性化新聞推薦系統。我即將入職美團知識計算組，我們組會涉及各種各樣圖學習的內容，比如會有豐富的業務場景落地，同時我們也在開發平臺和訓練引擎，也會做很多基礎研究，歡迎所有對圖學習感興趣的同學進群交流。下圖是我們的微信交流群，如果想交流或者加入計算組可以掃描二維碼。

05

問答環節

Q1：做推薦的時候，是否可以通過構造事件圖譜來進行推薦，比如買了房子接下來要裝修，裝修就會涉及到買窗簾、硬裝、軟裝之類的？

A1：做新聞的時候確實會包含事件，很多時候不能把新聞的人物、地點單獨考慮，通過事件會更加全面一些。但是事件構建難度較大，因為我並不是知識圖譜構建的專家，所以我在嘗試後，並沒有找到很好的方法。但是這個在製作方面確實是非常有意義的，如果能在圖譜中加入事件的節點，對新聞推薦肯定會有非常好的幫助。不過，對於新聞來說，很多事件是突然發生的，可能之前知識中並沒有該事件，這個就屬於動態圖的研究範疇了，即增加新知識，這是非常有挑戰的。

Q2：商品的庫存與銷售可以做知識圖譜嗎？

A2：我認為是可以的。知識圖譜是非常廣泛的概念，新聞知識圖譜更類似於百科式的，實際上我們在美團業務中，用的知識圖譜更多的是把使用者和商戶、使用者和商品做一個連線。其實只要通過構圖能夠提升它的表示或增強了解，我們認為圖譜都是有用的，都可以通過構圖來學習。所以商品的庫存與銷售可以通過合理的方式來構建圖譜，比如庫存，可能具體的數字會帶來噪音，但你可以把大於1000的、500-1000的等等，對應到節點上，然後加入到圖中，這個估計對知識圖譜會有很好的補充作用。

Q3：在建模過程中，會用到如隨機遊走或者負取樣等策略，在知識圖譜中會不會去專門挖掘一些比如pattern的整一塊的知識嗎？

A3：你所提到的圖的pattern類似於metagraph，這個別的工作裡確實也有，通過關係來構建Metapath或者Metagraph，這個也是非常有效的，尤其是在一些簡單的商品知識圖譜中。但對於新聞來說，就比較複雜，因為它可能存在上千種關係， Metagraph下來就非常複雜了，所以暫時就沒有考慮。但是我相信，如果設計好的話，是非常有用的。

Q4：請問老師，現在有開源的知識圖譜嗎？

A4：開源的知識圖譜是非常多的，不過每個公司也都有私有的知識圖譜，來適應各自的業務。現在開源知識圖譜用的比較多的是wiki data、DBPedia等等，大概有十幾個，如果你想了解不同知識圖譜的對比的話，市面上有相關書籍和部落格將開源圖譜的資料進行對比，你可以根據自己需求去選擇最適用的知識圖譜。對於我們新聞來說，wikidata是最適合的知識圖譜，也是目前還在更新，比較全的知識圖譜。

Q5：能否在開源圖譜上進行預訓練，使得在構建自己業務的知識圖譜的時候，能夠效率更高一點。

A5：這個主要取決於業務和開源圖譜的相關性，假如兩者的資料比較類似，那開源圖譜甚至可以直接拿來用，但是資料沒有那麼相關的話，可以採取預訓練的方法，我覺得這應該是非常有效的。

Q6: 在現在推薦領域的研究，更多的是在開源知識圖譜上做還是要自己收集資料、自己構建，再進行研究?

A6: 從科研角度上看，利用開源圖譜會更加方便，比如我這幾個工作裡的新聞推薦就是基於wikidata的。但是如果涉及到具體業務的話，那還是要根據自己的業務進行改造，效果會更好一些。

今天的分享就到這裡，謝謝大家。

在文末分享、點贊、在看，給個3連擊唄~

01 / 分享嘉賓

02 / 專題電子書 限時免費送

03 / 報名看直播 免費領PPT

04 / 關於我們

DataFun： 專注於大資料、人工智慧技術應用的分享與交流。發起於2017年，在北京、上海、深圳、杭州等城市舉辦超過100+線下和100+線上沙龍、論壇及峰會，已邀請超過2000位專家和學者參與分享。其公眾號 DataFunTalk 累計生產原創文章800+，百萬+閱讀，14萬+精準粉絲 。

  分享、點贊、在看 ，給個 3連擊 唄！ :point_down: