开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

如何对一个因子的多个级别的组合响应求和？

对于一个因子的多个级别的组合响应求和，可以使用统计学中的方差分析（ANOVA）方法来实现。ANOVA是一种用于比较两个或多个组之间差异的统计方法，它可以帮助我们确定因子对于响应变量的影响程度。

具体步骤如下：

确定因子和响应变量：首先，确定需要研究的因子和响应变量。因子是影响响应变量的不同水平或类别，而响应变量是我们想要研究的结果或观测值。
设计实验：根据因子的级别和组合，设计实验来收集数据。实验设计应该包括所有可能的因子级别组合，并且应该随机分配给不同的组。
数据收集：根据实验设计，收集每个组的响应变量数据。
方差分析：使用方差分析方法来比较不同组之间的差异。方差分析将计算组内变异和组间变异，并根据这些变异来确定因子对响应变量的影响是否显著。
解释结果：根据方差分析的结果，可以得出因子对响应变量的影响是否显著。如果显著，可以进一步分析不同因子级别的效应大小。

在云计算领域，可以利用云计算平台提供的弹性计算能力和大规模数据处理能力来进行方差分析。腾讯云提供了一系列适用于数据分析和统计建模的产品和服务，例如腾讯云数据仓库（CDW）、腾讯云弹性MapReduce（EMR）等。这些产品可以帮助用户高效地进行数据处理和分析，从而实现对因子级别组合响应求和的目标。

腾讯云数据仓库（CDW）是一种高性能、可扩展的云端数据仓库服务，适用于大规模数据存储和分析。它提供了强大的数据处理和查询能力，可以支持复杂的数据分析任务，包括方差分析等统计建模方法。了解更多关于腾讯云数据仓库的信息，请访问：腾讯云数据仓库产品介绍

腾讯云弹性MapReduce（EMR）是一种大数据处理和分析服务，基于开源的Apache Hadoop和Apache Spark框架。它提供了强大的分布式计算能力，可以高效地处理大规模数据集。通过使用EMR，用户可以方便地进行数据处理和统计分析，包括方差分析等。了解更多关于腾讯云弹性MapReduce的信息，请访问：腾讯云弹性MapReduce产品介绍

相关搜索:如何对Axios响应中的特定键值求和如何组合对IEndpointRouteBuilder的多个委托调用？如何对django中的多个字段求和通过对Pandas中的某些列求和来组合多个数据帧如何在SAS中对不同公共变量的观测值求和组合获取一个向量的多重求和，该向量包含由NA除以的多个因子级别如何对多个表中的重叠时间段求和如何在Excel中对多个DATEDIF结果的输出求和 MySQL:如何对多个条件的连接查询(子查询)求和？如何将来自多个请求的响应组合为一个客户端的单个响应？如何自动对一个向量的特定部分求和？如何对一个动态的单元格求和？如何使用jquery中的每个函数对多个数字求和？MySQL -如何对同一列中的多个范围求和如何对一个数组多个对象的唯一属性的字段的值求和？使用另一个XSLT组合来自多个XSLT的响应如何对结束于某个单词的多个列进行求和，并在新的列中保持求和？如何创建一个执行多个组合的函数？如何为一个因子绘制具有多个频率的数据帧？如何对多个表中的数据进行计数，然后对所有计数求和以显示

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

什么是DOE？怎么做DOE分析？

一、前言DOE（Design of Experiments）是一种实验设计方法，用于探索和验证因素对结果的影响。在DOE中，通常会将实验分为多个组合，每个组合都会控制一个因素，并测量其对结果的影响。...作用：区组也是一个变量因子，使实验分析更为有效。例子：上午与下午有差异、跨度很长的时间分段……9、实验设计基本目标1）筛选目的：检测因子（自变量）对响应Y的影响程度——祛除非显著因子，保留显著因子。...------------------------------4）主效应与交互作用主效应：一个因素对输出响应的影响。交互作用：两种或以上的因素共同对输出响应值的影响。...均值分析：计算各因子每一个水平对Y的贡献（均值）通过Excel进行均值计算：本结构化矩阵表下载移步：DOE实验设计结构化矩阵表。27个排列组合中取出9个组合，其有一定的局限性。...利用最小二乘法等拟合方法，建立响应与多个因子之间的数学模型，亦称响应面模型。最终通过试验设计确定：使用 A 品牌，加工 5 分钟，并将火力调为 6.96 级。

20.2K3 1

提产提效，你需要DOE试验设计！

设计是研究作用因子X与关键质量特征CTQ之间关系的方法论，要达到的目的是分析得出“哪些自变量X对Y有显著影响，如何改变这些自变量X或这些自变量X取什么值会使Y达到最佳值”。...DOE试验设计基本术语：因子:也叫因子，是指那些影响响应变量(Y1，Y2，…Ym)的变量(X1，X2，…Xn)，也就是影响测试评价指标的量。因素分为可控因素和不可控因素。...水平:为了研究因子(x)对响应(y)的影响，需要两个或多个不同的因子值，称为因子的水平或设置。处置:各因素选定自己的等级后，其组合称为处置。...试验单位:指物体、材料或产品等载体，对其进行处理(和试验)的最小单位称为试验单位。...为了找出曲线之间的关系，“x”变量的级别需要超过2，比如3级。

4314 0

能「看到」的张量运算：因子图可视化

通过将图中的所有因子组合成单个因子，然后将每个灰色的变量求和，可以得到这个状态。现在剩下的是仅连接到未求和变量的单个因子——这就是收缩状态。示例中转变为因子 D 的绿色云很好地展示了这种收缩。...将许多因子组合成单个因子并求灰色变量的和的过程涉及到两个基本的计算操作：求和：移除仅有一条边的灰色节点求积：将两个因子合并成一个因子可以很容易看到，这样的操作能保留网络最终的收缩状态，所以如果我们不断应用它们直到只剩仅连接到未求和变量的单个因子...用爱因斯坦表示法，组合两个因子就等同于通过两个因子的项相乘而将两个因子当成一个，从而得到一个更大的因子： ? 这种求积是用一个因子中的每个元素与另一个因子的整体相乘。...另外，如果两个因子共享一个变量，则两条边会结合成单条边——在效果上是执行类似于轨迹动画中的对角运算。当收缩一个网络时，对变量求和并以不同的顺序组合因子会导致不同的计算成本。...作为一个有趣的练习，你可以试试解读矩阵链乘法（matrix chain multiplication）过程，并使用因子图理解寻找一个链矩阵积的总计算成本是如何受乘法顺序影响的。

1.2K4 0

当今最火10大统计算法，你用过几个？

判别分析对每个对应类中的预测器分布 X 分别进行建模，然后使用贝叶斯定理将其转换成根据 X 的值评估对应类别的概率。...线性判别分析（LDA）：为每个观察结果计算“判别值”来对它所处的响应变量类进行分类。这些分值可以通过找到自变量的线性连接来获得。...它假设每个类别的观察结果都从多变量高斯分布中获取，预测器变量的协方差在响应变量 Y 的所有 k 级别中都很普遍。二次判别分析（QDA）：提供另外一种方法。...非线性模型在统计学中，非线性回归属于一种回归分析形式，其中，观测数据使用模型参数的非线性组合的函数（依赖于一个或多个独立变量）建模。其使用逐次逼近法拟合数据。下方是几种处理非线性模型的重要技术。...包含多个类别的数据点的问题可以分解成多个"一对一"（one-versus-one）或"一对剩余"（one-versus-rest）的二分类问题。 10.

6.2K0 0

当今最火10大统计算法，你用过几个？

判别分析对每个对应类中的预测器分布 X 分别进行建模，然后使用贝叶斯定理将其转换成根据 X 的值评估对应类别的概率。...线性判别分析（LDA）：为每个观察结果计算“判别值”来对它所处的响应变量类进行分类。这些分值可以通过找到自变量的线性连接来获得。...它假设每个类别的观察结果都从多变量高斯分布中获取，预测器变量的协方差在响应变量 Y 的所有 k 级别中都很普遍。二次判别分析（QDA）：提供另外一种方法。...非线性模型在统计学中，非线性回归属于一种回归分析形式，其中，观测数据使用模型参数的非线性组合的函数（依赖于一个或多个独立变量）建模。其使用逐次逼近法拟合数据。下方是几种处理非线性模型的重要技术。...包含多个类别的数据点的问题可以分解成多个"一对一"（one-versus-one）或"一对剩余"（one-versus-rest）的二分类问题。 10.

1.2K10 0

数据科学家需要掌握的十大统计技术详解

判别分析对每个对应类中的预测器分布 X 分别进行建模，然后使用贝叶斯定理将其转换成根据 X 的值评估对应类别的概率。...线性判别分析（LDA）：为每个观察结果计算「判别值」来对它所处的响应变量类进行分类。这些分值可以通过找到自变量的线性连接来获得。...它假设每个类别的观察结果都从多变量高斯分布中获取，预测器变量的协方差在响应变量 Y 的所有 k 级别中都很普遍。二次判别分析（QDA）：提供另外一种方法。...非线性模型在统计学中，非线性回归属于一种回归分析形式，其中，观测数据使用模型参数的非线性组合的函数（依赖于一个或多个独立变量）建模。其使用逐次逼近法拟合数据。下方是几种处理非线性模型的重要技术。...包含多个类别的数据点的问题可以分解成多个「一对一」（one-versus-one）或「一对剩余」（one-versus-rest）的二分类问题。 10.

6563 0

WEB性能--HTTP 2.0介绍

SPDY引入了一个新的二进制分帧数据层，以实现多向请求和响应、优先次序、最小化及消除不必要的网络延迟，目的是更有效利用底层TCP连接。...HTTP2.0中新的二进制分帧层突破了这些限制，实现了多向请求和响应：客户端和服务器可以把HTTP消息分解为互不依赖的帧，然后乱序发送，最后再在另一端把它们重新组合起来。...事实上，这个机制会在整个Web技术栈中引发一系列连锁反应，从而带来巨大的性能提升，因为：可以并行交错的发送请求，请求之间互不影响；可以并行交错的发送响应，响应之间互不干扰；只使用一个连接即可并行发送多个请求和响应...4.6 流量控制在同一个TCP上传输多个数据流，就意味着要共享带宽。标定数据流的优先级有助于按序交付，但只有优先级还不足以确定多个数据流或多个连接间的资源分配。...4.7 服务器推送 HTTP2.0新增的一个强大的新功能，就是服务器可以对一个客户端请求发送多个响应。换句话说，除了对最初请求的响应外，服务器还可以额外想客户端推送资源，而无需客户端明确的请求。

9383 0

WTConv：小参数大感受野，基于小波变换的新型卷积 | ECCV24

这个发现有些令人惊讶，因为卷积层通常倾向于对输入中的高频部分作出响应。这与注意力头不同，后者已知对低频更加敏感，这在其他研究中得到了证实。...给定一个图像 $X$ ，在一个空间维度（宽度或高度）上的一层Haar小波变换由核为 $1,1/\sqrt{2}$ 和 $1,-1/\sqrt{2}$ 的深度卷积组成，之后是一个缩放因子为2的标准下采样操作...此操作不仅在频率分量之间分离了卷积，还允许较小的卷积核在原始输入的更大区域内操作，即增加了相对于输入的感受野。采用这种1级组合操作，并通过使用公式4中相同的级联原理进一步增加它。...也就是说，WT的 $\ell$ 级级联频率分解，加上每个级别的固定大小卷积核 $k$ ，使得参数的数量在级别数量上呈线性增长（ $ \ell\cdot4\cdot c\cdot k^2 $ ），而感受野则呈指数级增长...除了在标准基准上取得更好的结果，这些技术优势还转化为网络在以下方面的改进：与大卷积核方法相比的可扩展性、对于损坏和分布变化的鲁棒性，以及对形状的响应比对纹理的响应更强。

8121 0

达观数据推荐系统实践—实时演算用户动态数据提升运营效率

但是数据量的急剧增长也给推荐系统带来了一些挑战，包括如何开发高质量的推荐系统、如何快速响应用户行为变化和高并发请求、如何解决数据稀疏情况下的高覆盖问题等。...用户画像包括两方面信息，一是通过多种方式采集到基本人口统计学信息，二是通过对海量用户行为数据进行深入分析和挖掘，从多个维度来描述用户的基础属性、标签及兴趣点等，如对品牌、标签和类别的偏好，清晰并且准确地勾勒出用户的轮廓概貌...例如，某部电影的搞笑因子程度为5，而恐怖因子程度为1。取值大小反应了物品拥有这些因子的积极或者消极程度。给定一个用户，的维度值代表了用户对这些因子的偏好程度。...在算法层，经过多种推荐算法的处理，最终生成了候选的推荐物品集合，作为组合层的输入数据。 4）组合层，主要是对算法层的结果数据进行重排序。...三层体系协同工作，保证了推荐系统的高可靠、高并发的性能；同时高负荷和轻量级的算法并举，秒级响应用户行为反馈，保证了推荐结果的精准。

2.1K7 0

入门 | 从线性回归到无监督学习，数据科学家需要掌握的十大统计技术

判别分析对每个对应类中的预测器分布 X 分别进行建模，然后使用贝叶斯定理将其转换成根据 X 的值评估对应类别的概率。...线性判别分析（LDA）：为每个观察结果计算「判别值」来对它所处的响应变量类进行分类。这些分值可以通过找到自变量的线性连接来获得。...它假设每个类别的观察结果都从多变量高斯分布中获取，预测器变量的协方差在响应变量 Y 的所有 k 级别中都很普遍。二次判别分析（QDA）：提供另外一种方法。...非线性模型在统计学中，非线性回归属于一种回归分析形式，其中，观测数据使用模型参数的非线性组合的函数（依赖于一个或多个独立变量）建模。其使用逐次逼近法拟合数据。下方是几种处理非线性模型的重要技术。...包含多个类别的数据点的问题可以分解成多个「一对一」（one-versus-one）或「一对剩余」（one-versus-rest）的二分类问题。 10.

8156 0

统计学方差分析_python编写计算方差的函数

方差分析通过检验多个总体(同属于一个大整体)的均值是否相等来判断一个或多个分类型自变量对数值型因变量是否由显著影响。...2、方差分析包含的三个重要概念：（以小学六年级的学习成绩为例）因子：分类型自变量。例如：六年级的所有班级水平：某个因子下的不同取值。例如六年级有一班、二班、三班。...观测值：每个因子水平下的样本观测值。例如：六年级三个班各自的学生成绩。 1.1、单因素方差分析 1.1.1、概念理解 1、单因素方差分析就是只有一个因子自变量对因变量的影响。...多因素方差分析不仅能够分析多个因素对观测变量的独立影响，更能够分析多个控制因素的交互作用能否对观测变量的分布产生显著影响，进而最终找到利于观测变量的最优组合。...两个因子：不同班级、不同性别；不同班级和不同性别分别对成绩的影响即为单独影响；而班级与性别的交互(如一班女生，三班男生、二班女生即班级和性别产生的组合) 即为对成绩的交互影响；可以研究到底是哪个班的男生或女生的成绩是最好的

1K2 0

ASI 8年计划 paper7 生成模型、语言交流和主动推理

语言处理的顺序性质要求生成模型具有特定的因子结构——这是适应丰富的语言组合学所必需的。我们通过模拟一个能玩“二十个问题”游戏的合成主体来说明语言交流。...最后一步是通过将生成模型堆叠在一起来创建深层生成模型；这样，一个级别生成的结果为下一级别的初始状态提供（经验）先验。...在当前设置中，这意味着对于较低级别的连续单词的信念更新比对于较高级别的短语的信念更新更快 - 强制短语由多个单词组成。...关键是，较低层次的循环在上面一级的每次转换中重复。这由虚线框中的子图表示，这些子图被“重用”为更高层次展开。正是这种调度赋予了模型深层时间结构。初始状态的概率分布现在取决于上一级别的状态（当前时间）。...这涉及到使用更高层次的级别，在下一级别的初始状态上预先设定统一（经验）先验。换句话说，可以基于对特定事态的确信信念和完全不确定（具有统一先验）的离散化生成关于较低级别背景的信念分布。

1611 0

·d-vector解读(Deep Neural Networks for Small Footprint Text-Dependent Speaker Verification)

一种新型的基于DNN的背景model用于直接对说话人进行建模。 DNN经过训练将给定上下文中的帧级特征映射到对应的说话人身份目标。...PREVIOUS WORK i-vector和PLDA [5,7]的组合已成为与文本无关的说话人识别的主要方法。 i-vector表示名为的低维空间中的话语总可变性空间。...与i-vector方法一样，我们寻找扬声器声学帧的更抽象和紧凑的表示，但使用DNN而不是生成因子分析模型。为此，我们首先构建了一个在框架级操作的受监督DNN，以对开发集中的说话人进行分类。...其次，我们观察到从最后一个隐藏层输出中对未训练的说话人有更好的推广（softmax对训练label响应非常灵敏，更加倾向于表征某个人，而不是特征向量）。...尽管可以在特征级别设计更复杂的组合，但是我们在图3中的初步结果是使用称为求和融合的简单组合获得的，其对每个试验的每个单独系统提供的分数求和。在两个系统中应用先前的t-标准阶段以促进分数的组合。

1.3K3 0

Man Numeric：创新性统计风险模型

这种方法不预指定风险因子；相反，它允许市场讲述故事，因此对宏观风险更为敏感，而这些风险通常会随时间变化。让我们以2022年在我们的全球发达市场中出现的一个未知因子为例。...图2表示这个因子的组成，每个形状代表一个单独的公司。颜色表示公司在未知因子投资组合中的投资组合权重，黄色表示多头暴露，绿色表示空头暴露。此外，形状的大小代表公司的市值。公司按行业聚集在一起。...值得注意的是，风险模型随时间也有适应性，如图4-5所示的SFRM识别的能源或中国海外上市风险的百分比。黑箱方法与玻璃箱的结合尽管风险模型具有响应性，并不是所有的风险都被SFRM捕捉到。...此外，'+'因子完全集成在SFRM框架内，从而保留了统计风险模型的所有属性，并使得投资组合风险测量或控制无缝进行。为了看看这个框架是如何工作的，我们回到中国海外上市的风险。...在将这个额外的风险因子加入SFRM模型并估计每只股票对其的敞口后，这个因子干净地将海外中国上市与新兴市场证券的其余部分隔离开来（见图6）。

1981 0

大数据处理引擎应该怎么选择

这三个引擎都与内存缓存密切配合，以在不改变后端存储格式的情况下提高处理性能，实现亚秒级响应时间。HBase拥有BlockCache，Hive拥有LLAP IO层，Druid拥有几个内存缓存选项。...通常，为了响应查询，需要解析请求并去持久存储检索用户感兴趣的数据子集，这是一个耗时的过程。...这些功能使引擎能够将数据存储方式与访问方式结合起来，实现快速分析，同时优化硬件效率并充分利用可用的CPU和RAM。最后一个相似之处是这些引擎的企业级可用性。...Hive + LLAP的组合用于自由查询分析、计算大量聚合和低延迟报告。Hive的一个很好的用例是为用户每天生成报表；重复查询不仅利用了LLAP缓存，还利用了“查询结果缓存”功能。...除此之外，通过使用Hive来创建一个数据仓库，用户可以从多个数据源中组合和查询数据，同时运行多个查询，并使用ACID事务来保持数据一致性。

2681 0

AI编程L1-L5超全分级来了！GitHub Copilot仅L1，Devin是L4

L3级工具的一个关键特性在于，它们能够通过与项目管理工具（如Jira）和源代码平台（如GitHub）集成，实现软件开发多个步骤的自动化，包括需求收集、代码生成、拉取请求创建和部署。...这一级别的工具，如Devin、Marblism和Cosine的Genie等，旨在访问终端和部署工具，管理整个开发活动的流程。...AI软件工程师（L4）产品 L5：AI开发团队在L5级别，AI编程进入了一个全新的领域，可能涉及一个包含多个AI软件工程师的AI系统。...面对如此丰富多样的AI编程工具，开发者应如何选择呢？这需要依据自身的需求和项目的复杂程度来决定。如果仅仅是需要代码补全功能，那么L1级别的工具，如GitHub Copilot，就能够满足需求。...倘若你勇于尝试新事物，对项目级自动化感兴趣，那么L3级别的工具，如Codegen或Sweep，将是一个不错的起点。开发者不必局限于使用单个级别的工具，完全可以根据实际需求，组合使用不同级别的工具。

941 0

数据科学家需要掌握的10项统计技术，快来测一测吧

逻辑回归是一种预测分析，在用于描述数据时，解释一个二进制因变量与一个或多个序数、区间等变量之间的关系。逻辑回归可以检验的问题类型有：每增加一磅体重或一天抽一包香烟对肺癌的概率有变化吗？...在判别分析中，在每个响应类中分别对预测因子X的分布进行建模，然后利用贝叶斯定理将这些变量翻转到给定X值的响应类别的概率估计中。这样的模型可以是线性的也可以是二次型的。...线性判别分析计算每个观察的判别分数来分类它所处的响应变量类别，这些分数是通过寻找独立变量的线性组合得到，预测变量的协方差在响应变量Y的所有k级上都是相同的。...最佳子集选择：对P个预测变量的所有可能组合分别使用最小二乘法进行拟合，最后在所有可能模型(2P)选择一个最优模型；向前逐步选择：以一个不包含任何预测变量的零模型开始，依次向模型中添加一个变量，妹子只将能够最大限度地提升模型效果的变量加入模型中...它首先识别出一组小的特征集合，然后通过对新的M个特征最小二乘拟合成线性模型。与主成分回归不同的是偏最小二乘法利用响应变量识别新特性。

6214 0

DolphinDB：金融高频因子流批统一计算神器！

每个组件的功能亦针对量化金融的需求进行精心优化。与金融机构现有系统相比，DolphinDB的性能有10-1000倍的提升，实现行情历史数据毫秒级查询与秒级计算响应，以及亚毫秒级实时因子计算。...公众号将会有一个专题系列来测评DolphinDB这款神器，同时会叠加多个量化金融场景。大家敬请期待！今天我们先从如何实现批流一体这个让很多机构头疼的问题讲起。...今天的推文为大家介绍如何使用DolphinDB发布的响应式状态引擎（Reactive State Engine）高效开发与计算带有状态的高频因子，实现流批统一计算。...代入SQL引擎，可以实现对历史数据的计算；代入响应式状态引擎，可以实现对流数据的计算。这在第3章的序言部分已经举例说明。...7、展望响应式状态引擎内置了大量常用的状态算子，支持自定义状态函数，也可与其他流式计算引擎以流水线的方式任意组合，方便开发人员快速实现复杂的金融高频因子。

4K0 0

企业如何建立网络事件应急响应团队？

一些组织可能会根据需要添加其他角色，具体取决于其特定需求和 IT 环境。五、监控和支持团队除了应急响应团队之外，您还需要确保有一个永久的 24h/7d 技术支持团队。...但不确定的网络钓鱼攻击可能不太严重——在这种情况下，1 级或 2 级支持人员可以按照既定流程隔离机器或重新启动密码。六、如何建立成功的应急响应团队为应急响应团队选择合适的人员很重要，但过程并不止于此。...SOAR 用于自动响应常见安全信号 - 例如您可能在策略中定义或在 SIEM 中识别的信息。选择此选项可以自动化并简化检测和响应；C....选择此选项的目的是：通过高级威胁检测、调查和响应，对安全事件做出更统一、更明智的响应。正如您所知，这些工具中的每一个都是为不同的角色而设计的，因此不一定要选择最好的工具。...相反，组织通常会使用工具组合来创建分层响应。一种常见的组合是使用 SIEM 进行可见性和检测，同时使用 SOAR 进行自动响应，这些工具通常会用于集成使用。

2181 0

【深度学习 | 核心概念】那些深度学习路上必经的常见问题解决方案及最佳实践，确定不来看看？（一）

针对这种情况，可以考虑以下方法来处理不足的训练数据和类别不平衡的问题：数据增强（Data Augmentation）：通过对现有数据进行变换、旋转、缩放、裁剪等操作，生成新的合成数据。...定义损失函数：根据问题的特定需求和模型类型，选择适当的损失函数。...下面是一个示例代码，展示了如何使用class_weight参数来处理这些问题： from sklearn.utils import class_weight import numpy as np from...选择评估指标：选择一个评估指标来衡量模型的性能，如准确率、F1分数、均方误差等。这个指标将用于比较不同超参数组合的性能。选择搜索方法：确定超参数搜索的方法。...选择最佳超参数组合：根据评估指标选择性能最佳的超参数组合作为最终的模型配置。超参数调优是一个迭代的过程，需要多次尝试不同的超参数组合并进行评估。

4262 0

点击加载更多

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭