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

给定两个列表，从这两个列表中找到一个随机的固定大小的子集，使得每个列表中至少有一个值(最好是均匀选择)

答案：

对于给定的两个列表，我们可以通过以下步骤找到一个随机的固定大小的子集，使得每个列表中至少有一个值（最好是均匀选择）：

确定要选择的子集大小n。
首先，从每个列表中随机选择一个元素，并将其放入选择的子集中。这样可以确保每个列表至少有一个值。
然后，对于剩余的n-2个元素，我们可以使用一些随机算法来选择。以下是一种可能的方法：
- 对于每个列表，计算出其剩余元素的数量m。
- 对于每个列表，计算出选择的子集中该列表元素的数量x（初始为1）。
- 对于每个列表，计算出选择该列表的概率p = (m - x) / m。这样可以保证选择较少元素的列表具有更高的概率被选择。
- 对于剩余的n-2个元素，按照上述概率选择列表，并将选中的元素放入选择的子集中。更新选择的子集中每个列表元素的数量x。

重复步骤3，直到选择的子集大小达到n。

这样，通过上述算法，我们可以得到一个随机的固定大小的子集，其中每个列表中至少有一个值，并且选择是相对均匀的。

腾讯云相关产品推荐：

对于云计算和存储方面，推荐使用腾讯云的CVM（云服务器）和COS（对象存储）服务。CVM提供了高性能的云服务器实例，支持多种操作系统和应用场景。COS是腾讯云提供的对象存储服务，具有高可靠性、低成本和高扩展性。
对于网络通信和网络安全方面，推荐使用腾讯云的VPC（私有网络）和SSL证书服务。VPC提供了安全可靠的私有网络环境，支持用户自定义网络拓扑和网络隔离。SSL证书服务提供了可信的数字证书，用于加密网络通信，确保数据安全性。
对于人工智能和物联网方面，推荐使用腾讯云的AI智能大脑和物联网通信平台。AI智能大脑提供了强大的人工智能能力，包括自然语言处理、图像识别和机器学习等。物联网通信平台提供了稳定可靠的物联网连接和通信服务，支持海量设备连接和数据传输。
对于移动开发方面，推荐使用腾讯云的移动应用开发套件（MSDK）和移动推送服务。MSDK提供了丰富的移动应用开发工具和服务，包括登录认证、支付、分享和统计分析等。移动推送服务提供了高效可靠的消息推送服务，用于实时推送通知和消息给移动设备。
对于区块链和元宇宙方面，推荐使用腾讯云的区块链服务和虚拟现实技术。区块链服务提供了安全可信的区块链网络和智能合约平台，支持多种区块链应用场景。虚拟现实技术提供了沉浸式的交互体验，用于构建虚拟世界和元宇宙应用。

你可以通过以下链接了解更多关于腾讯云相关产品的详细信息：

CVM（云服务器）：https://cloud.tencent.com/product/cvm
COS（对象存储）：https://cloud.tencent.com/product/cos
VPC（私有网络）：https://cloud.tencent.com/product/vpc
SSL证书服务：https://cloud.tencent.com/product/ssl
AI智能大脑：https://cloud.tencent.com/product/ai
物联网通信平台：https://cloud.tencent.com/product/iotexplorer
移动应用开发套件（MSDK）：https://cloud.tencent.com/product/msdk
移动推送服务：https://cloud.tencent.com/product/umeng_push
区块链服务：https://cloud.tencent.com/product/baas
虚拟现实技术：https://cloud.tencent.com/product/vr

相关搜索:所有下拉列表(每个列表行两个)都会在更改第一个列表行中的两个下拉列表时继承这些值我有两个列表，我需要从一个列表中随机选择一个样本，然后从第二个列表中选择相应的索引从两个列表创建数据框表，第一个列表包含标题，第二个列表将每个值作为Python中的行 VBA根据两个条件选择行；一个精确值，另一个值是另一个工作表上列表中的一个如何通过索引比较两个python列表，如果每个字符串中的索引匹配，则返回一个布尔值？编程学哪种语言好编程学什么语言好编程语言+erp 编程语言+sca 编程语言+吉祥物

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

概率数据结构：Hyperloglog算法

现在我们想要实时统计有多少用户访问我们的网站，这是一个相当简单的任务，一般的做法是存储用户ID，然后计算任意时刻集合中不同ID的个数即为网站实时访问量，这是一种可行的做法，但是慢慢就会发现随着用户的不断增长，存储集合数据所需要的空间越来越大，所需要的统计成本也越来越高，因此我们需要另外一种算法来解决这个问题，即本次我们要介绍的hyperloglog概率数据结构。

02

文心一言 VS 讯飞星火 VS chatgpt （133）-- 算法导论11.2 5题

首先，让我们回顾一下散列表的基本工作原理。散列表是一种数据结构，它使用一个哈希函数将键（key）映射到数组中的一个位置，该位置即为槽位。然后，可以将与该键关联的值存储在该槽位中。理想情况下，如果所有的键都是唯一的，那么每个键都将映射到数组的不同位置，这样我们就可以在O(1)的时间复杂度内进行查找、插入和删除操作。然而，在实际应用中，往往会有多个键映射到同一个槽位的情况，这就导致了所谓的散列冲突。

06

掌握机器学习数学基础之概率统计（二）

标题：机器学习为什么要使用概率概率学派和贝叶斯学派何为随机变量和何又为概率分布？条件概率，联合概率和全概率公式：边缘概率独立性和条件独立性期望、方差、协方差和相关系数常用概率分布贝叶

05

复杂性思维中文第二版七、物理建模

到目前为止，我们所看到的细胞自动机不是物理模型；也就是说，他们不打算描述现实世界中的系统。但是一些 CA 用作物理模型。

01

文心一言 VS 讯飞星火 VS chatgpt （245）-- 算法导论18.1 3题

B树是一种自平衡的树，它保持数据有序，并允许我们对树进行插入、删除和查找操作，同时保持对数的时间复杂度。B树的每个节点可以有多于两个的子节点，这取决于B树的阶数t。阶数t定义了树的一些性质，比如一个非根节点最多有t-1个关键字和t个子节点，根节点则最多有2t-1个关键字。

02

关于洗牌的研究（二）——你的扑克洗乱了吗？

写再前面：本系列作品由MathMagician独家首发，一共有七篇，从数学和魔术两个角度对日常生活中“洗牌”这一现象作了挂一漏万的分析。之所以说是挂一漏万，是因为无论数学还是魔术，洗牌中的任何一个小点都够写几篇了。所以，本系列主要选取了一些常见的洗牌方式和相关内容展开作了一些介绍，包括洗牌分类，混乱度评价，过程建模，近似计算，以及几个基本但是及其巧妙的利用洗牌规律设计的魔术。相信聪明的你读完以后，会在数学和魔术上，都对“洗牌”这一现象有着更加深入的认识。

02

Numpy库的简单用法（3）

根据布尔值数组的特点，True会被强制为1，False会被强制为0，因此可以计算布尔值数组中True的个数；并且对布尔值数组有两个有用的方法any和all。any检查数组中是否至少有一个True，all检查是否全都是True。

01

鸽巢原理(抽屉原理)的详解

抽屉原理百科名片桌上有十个苹果，要把这十个苹果放到九个抽屉里，无论怎样放，我们会发现至少会有一个抽屉里面放两个苹果。这一现象就是我们所说的“抽屉原理”。抽屉原理的一般含义为：“如果每个抽屉代表

07

跳跃表原理和实现

有时候会被问到链表如果做到二分搜索，可能会有部分的人会去把链表中的值保存到数组来进行二分，但是如果知道跳跃表的话，那么这个数据结构就可以解决这个困惑，它允许快速查询一个有序连续元素的数据链表，它的效率可以做到和二分相同，都是O(logn)的平均时间复杂度，其空间复杂度为O(n)。

03

【教程】用GraphSAGE和UnsupervisedSampler进行节点表示学习

Stellargraph Unsupervised GraphSAGE是论文中所述GraphSAGE方法的实现：大图上的归纳表征学习。W.L. Hamilton, R. Ying, and J. Leskovec arXiv:1706.02216 [cs.SI], 2017。

03

Improved Object Categorization and Detection Using Comparative Object Similarity

由于在现实世界中物体的固有长尾分布，我们不太可能通过为每个类别提供许多视觉示例来训练一个目标识别器/检测器。我们必须在目标类别之间共享视觉知识，以便在很少或没有训练示例的情况下进行学习。在本文中，我们证明了局部目标相似信息(即类别对是相似的还是不同的)是一个非常有用的线索，可以将不同的类别联系在一起，从而实现有效的知识转移。关键洞见:给定一组相似的目标类别和一组不同的类别，一个好的目标模型应该对来自相似类别的示例的响应比来自不同类别的示例的响应更强烈。为了利用这种依赖于类别的相似度正则化，我们开发了一个正则化的核机器算法来训练训练样本很少或没有训练样本的类别的核分类器。我们还采用了最先进的目标检测器来编码对象相似性约束。我们对来自Labelme数据集的数百个类别进行的实验表明，我们的正则化内核分类器可以显著改进目标分类。我们还在PASCAL VOC 2007基准数据集上评估了改进的目标检测器。

05

对语言模型能否替代知识图谱的再思考

知识图谱（KGs）包含了许多真实世界的知识，在许多领域都发挥着重要重用，但是大型的知识图谱构建过程需要大量的人工介入。随着语言模型（LMs）的发展，其参数囊括的知识也是极其丰富且应用广泛的，同时语言模型的训练并不需要太多人工干涉。因此，有不少研究证明LMs可以替代KGs，但是这真的是正确的吗？或许我们需要重新审视一下这个观点。

02

普林斯顿算法讲义（四）

根据弹性碰撞的法则使用事件驱动模拟模拟 N 个碰撞粒子的运动。这种模拟在分子动力学（MD）中被广泛应用，以理解和预测粒子级别的物理系统的性质。这包括气体中分子的运动，化学反应的动力学，原子扩散，球体堆积，围绕土星的环的稳定性，铈和铯的相变，一维自引力系统以及前沿传播。相同的技术也适用于其他涉及粒子系统的物理建模领域，包括计算机图形学，计算机游戏和机器人技术。我们将在第七章再次讨��其中一些问题。

01

学界 | CIFAR-10+ImageNet=？CINIC-10！

CINIC-10 可以直接替代 CIFAR-10。由于 CIFAR-10 太小（太简单），而 ImageNet 又太大（太难），所以我们将 CINIC-10 编译为基准数据集。虽然 ImageNet32 和 ImageNet 64 比 ImageNet 小，但是它们却更难。CINIC-10 填补了基准数据集的这一空隙。

03

python学习笔记（1）

1、变量名必须以字母或下划线开头，但以下划线开头的变量在Python中有特殊含义：

04

t-SNE：如何理解与高效使用

尽管t-SNE对于可视化高维数据非常有用，但有时其结果可能无法解读或具有误导性。通过探索它在简单情况下的表现，我们可以学会更有效地使用它。

02

t-SNE：如何理解与高效使用

尽管t-SNE对于可视化高维数据非常有用，但有时其结果可能无法解读或具有误导性。通过探索它在简单情况下的表现，我们可以学会更有效地使用它。

02

计算与推断思维八、随机性

在前面的章节中，我们开发了深入描述数据所需的技能。数据科学家也必须能够理解随机性。例如，他们必须能够随机将个体分配到实验组和对照组，然后试图说明，观察到的两组结果之间的差异是否仅仅是由于随机分配，或真正由于实验所致。

03

数据结构

每个元素不仅链向下一个元素和上一个元素，而且头部和尾部的元素也相连，形成一个闭环。

01

看动画学算法之:hashtable

java中和hash相关并且常用的有两个类hashTable和hashMap,两个类的底层存储都是数组，这个数组不是普通的数组，而是被称为散列表的东西。

02

Python数据分析（中英对照）·Building and Examining NumPy Arrays 构建和检查 NumPy 数组

NumPy provides a couple of ways to construct arrays with fixed,start, and end values, such that the other elements are uniformly spaced between them. NumPy提供了两种方法来构造具有固定值、起始值和结束值的数组，以便其他元素在它们之间均匀分布。 To construct an array of 10 linearly spaced elements starting with 0 and ending with 100, we can use the NumPy linspace function. 要构造一个由10个线性间隔元素组成的数组，从0开始到100结束，我们可以使用NumPy linspace函数。 In this case, I’m going to type np.linspace. 在本例中，我将键入np.linspace。 The first argument is the starting point, which is 0. 第一个参数是起点，即0。 The second is the ending point, which will be included in the NumPy array that gets generated. 第二个是结束点，它将包含在生成的NumPy数组中。 And the final argument is the number of points I would like to have in my array. 最后一个参数是数组中的点数。 In this case, NumPy has created a linearly spaced array starting at 0 and ending at 100. 在本例中，NumPy创建了一个从0开始到100结束的线性间隔阵列。 Now, to construct an average of 10 logarithmically spaced elements between 10 and 100, we can do the following. 现在，要构造10个10到100之间的对数间隔元素的平均值，我们可以执行以下操作。 In this case we use the NumPy logspace command. 在本例中，我们使用NumPy logspace命令。 But now careful, the first argument that goes into logspace is going to be the log of the starting point. 但是现在要小心，进入日志空间的第一个参数将是起点的日志。 If you want the sequence to start at 10, the first argument has to be the log of 10 which is 1. 如果希望序列从10开始，则第一个参数必须是10的log，即1。 The second argument is the endpoint of the array, which is 100. 第二个参数是数组的端点，它是100。 And again, we need to put in the log of that, which is 2. 再一次，我们需要把它放到日志中，也就是2。 And the third argument as before, is the number of elements in our array. 和前面一样，第三个参数是数组中的元素数。 in this case, what NumPy has constructed is an array consisting of 10 elements where the first element is 10 and the last element is 100. 在本例中，NumPy构造了一个由10个元素组成的数组，其中第一个元素是10，最后一个元素是100。 All of the other elements are uniformly spaced between those two extreme points in the logarithmic space. 所有其他元素均匀分布在对数空间的两个端点之间。 To construct array of ten logarithmically spaced elements between numbers say 250 and 500,

02

读写模型整理笔记

常见实现：hash，时间复杂度可以接近 O(1)；B 树或变种：时间复杂度接近 O(log(n))。

02

普林斯顿算法讲义（三）

一个有向图（或有向图）是一组顶点和一组有向边，每条边连接一个有序对的顶点。我们说一条有向边从该对中的第一个顶点指向该对中的第二个顶点。对于 V 个顶点的图，我们使用名称 0 到 V-1 来表示顶点。

01

创建合成CT图像数据

本文我们描述了一种从一组小样本中创建合成医学图像的方法，我们的方法基于随机部分变形，因此无需深度学习（不需要GANs）。

02

从这道字符串处理的难题，寻找解决复杂问题的套路

今天是LeetCode专题的第39篇文章，我们一起来看下LeetCode第68题 Text Justification。

03

机器学习数学基础：随机事件与随机变量

所谓机器学习和深度学习，背后的逻辑都是数学，所以数学基础在这个领域非常关键，而统计学又是重中之重，机器学习从某种意义上来说就是一种统计学习。

02

高数期末有救了？AI新方法解决高数问题，性能超越Matlab

机器学习的传统是将基于规则的推断和统计学习对立起来，很明显，神经网络站在统计学习那一边。神经网络在统计模式识别中效果显著，目前在计算机视觉、语音识别、自然语言处理等领域中的大量问题上取得了当前最优性能。但是，神经网络在符号计算方面取得的成果并不多：目前，如何结合符号推理和连续表征成为机器学习面临的挑战之一。

02

OpenCV学习入门（三）：kmeans原理及代码

该文介绍了如何使用k-means算法对大规模图像数据集进行聚类分析。首先介绍了聚类算法的基本概念和实现方法，然后详细描述了k-means算法的步骤和流程。最后通过一个实际的图像聚类案例，展示了k-means算法在图像处理领域的应用。

05

训不动Mixtral，要不试试LLaMA-MoE？

随着各种各样增强版LLaMA的出现，Mixture-of-Expert(MoE)类模型越来越受大家关注。而LLaMA-MoE正是基于LLaMA系列和SlimPajama的MoE模型。它显著的一个好处是减小了模型大小，降低了训练代价。通过以下两个步骤进行构建：

01

机器学习之特征工程（一）

本文介绍了特征工程与特征选择方法，包括基于统计方法的过滤法、基于树模型的特征选择、基于机器学习的方法、以及特征选择方法的评价指标。同时，还介绍了在Python中使用sklearn库进行特征选择的方法，包括递归特征消除法、相关系数法、基于惩罚项的特征选择和基于树模型的特征选择。

05

让图网络更稳健！谷歌提出SR-GNN，无惧数据标记偏差和领域转移

---- 新智元报道编辑：David 【新智元导读】图神经网络（GNN）是机器学习的强大工具之一，但在训练数据上往往依赖于特定领域，为了解决由领域转移和数据标记偏差造成的性能下降，谷歌提出了一种新方法。图神经网络（GNN），是在机器学习中利用图形结构数据的强大工具。图是一种灵活的数据结构，可以对许多不同类型的关系进行建模，并已被用于不同的应用，如交通预测、谣言和假新闻检测、疾病传播建模等。作为机器学习的标准之一，GNN假设训练样本是均匀随机选择的（即独立和相同分布样本）。这个假设对于标准

02

InnoDB数据锁–第5部分“并发队列”

到目前为止，我们已经看到当前授予和等待授予的访问权限表示为内存中的记录锁和表锁对象，我们可以通过performance_schema.data_locks进行检查。我们还了解到，它们形成了“队列”，从概念上讲每种资源都有一个队列。我们省略了技术细节，队列本身是一个数据结构，可以从许多（也许是数千个）线程中并行访问。我们如何确保队列的完整性和快速的并行操作？具有讽刺意味的是，锁系统本身似乎需要某种形式的闩锁。

04

如何评估神经网络的"鲁棒性"？一种通用方法：CLEVER

神经网络鲁棒性评估一直是深度学习领域中一个热门的研究方向，该论文是通用评估神经网络鲁棒性方法的开山之作。作者将神经网络鲁棒性问题转换成局部Lipschitz常数的估计问题，并利用极值理论方法进行评估，进而提出了一种度量神经网络鲁棒性的通用方法-CLEVER，该方法可以对不可知的攻击方式进行评估，并且对于大规模的神经网络计算成本较少。该论文涉及到大量的数学推导，需要沉下心来慢慢琢磨。

07

理解概率密度函数

概率密度函数是概率论中的核心概念之一，用于描述连续型随机变量所服从的概率分布。在机器学习中，我们经常对样本向量x的概率分布进行建模，往往是连续型随机变量。很多同学对于概率论中学习的这一抽象概念是模糊的。在今天的文章中，SIGAI将直观的解释概率密度函数的概念，帮你更深刻的理解它。

04

挑战NumPy100关，全部搞定你就NumPy大师了 | 附答案

原作者: 2016 Nicolas P. Rougier MIT协议翻译版权归我所有

03

python数据科学系列：numpy入门详细教程

python数据科学基础库主要是三剑客：numpy，pandas以及matplotlib，每个库都集成了大量的方法接口，配合使用功能强大。平时虽然一直在用，也看过很多教程，但纸上得来终觉浅，还是需要自己系统梳理总结才能印象深刻。本篇先从numpy开始，对numpy常用的方法进行思维导图式梳理，多数方法仅拉单列表，部分接口辅以解释说明及代码案例。最后分享了个人关于axis和广播机制的理解。

01

随机过程（2）——极限状态的平稳分布与周期（上），一些特殊的马尔科夫链

这一节我们接着上一节的内容，继续介绍与状态分类有关的一些内容。包括上一节最后，利用图来划分状态的方法的解释。以及在这基础上，我们也会对极限状态进行一些探讨。

05

详解机器学习中的熵、条件熵、相对熵、交叉熵

熵 (entropy) 这一词最初来源于热力学。1948年，克劳德·爱尔伍德·香农将热力学中的熵引入信息论，所以也被称为香农熵 (Shannon entropy)，信息熵 (information entropy)。本文只讨论信息熵。首先，我们先来理解一下信息这个概念。信息是一个很抽象的概念，百度百科将它定义为：指音讯、消息、通讯系统传输和处理的对象，泛指人类社会传播的一切内容。那信息可以被量化么？可以的！香农提出的“信息熵”概念解决了这一问题。

02

命题逻辑几道题

一个疯狂的科学家有1000瓶酒，其中一瓶是有毒的。他也有数量有限的试纸，毒酒将永久改变试纸的颜色，但是只在十天后显示出来。这位科学家想在第十一天举行一个聚会，为此需要筛选出有毒的酒。他怎样使用最低数量的试纸找出那瓶毒酒？

03

Procedural Noise Adversarial Examples for Black-Box Attacks on Deep Neural Networks 论文笔记(2)

该文章提出一种利用程序化噪声来生成对抗样本的方法, 所提出的方法和那些通过梯度不断修改以至于到达分类器的边界的方法不一样, 上述方法需要对目标的模型有一定的了解.

01

索引分几种？

年前特地买了一台笔记本，结果过年没打开过两次，读书时代带书回也没翻过，这么多年依旧如此。

01

浅谈容斥原理

假设元素 a 被 x 个集合包含，显然左式中该元素的贡献为 1，因为在并集内一个元素仅计算一次。

02

机器学习数学基础之概率统计

1、我们借助概率论来解释分析机器学习为什么是这样的，有什么依据，同时反过来借助概率论来推导出更多机器学习算法。很多人说机器学习是老中医，星座学，最主要的原因是机器学习的很多不可解释性，我们应用概率知识可以解释一部分，但还是很多值得我们去解释理解的东西，同时，什么时候机器学习更多的可解释了，反过来，可以用那些理论也可以继续为机器学习的，对人工智能创造推出更多的理论，等到那一天，也许真的能脱离更多的人工智障了。

06

【算法优化】文本相似性去重算法优化实践【终结篇】

显然这里是一个两层循环，平方的时间复杂度，如果列表有1万个元素，这就变成了1亿次循环（平方就是这么可怕）！

01

使用模式构建系列总结

现在到了我们总结使用模式构建系列的时候，这是一个很好的机会回顾一下这个系列涵盖的模式所解决的问题，并着重复习每个模式所具有的一些好处以及做出的权衡。关于模式设计，最常见的问题是“我正在设计一个要做某某事情的应用程序，如何对数据建模？”正如我们希望你在学习本系列过程中可以体会到的那样，要回答这个问题，需要考虑很多事情。不过我们提供了一个应用场景示例图，这至少有助于为通用的数据建模提供一些初级的指导。

02

函数依赖及范式理论

先吐槽一下，，最近上数据库的课，属于是越来越懵了。尤其是范式理论这章我属实是懵了。课本排版好乱，属实是很难蚌得住。

02

python 字符串方法大全

字符串还支持两种类型的字符串格式化的，一个提供了很大程度的灵活性和定制（见str.format()，格式化字符串的语法和自定义字符串格式化）和其他基于C printf风格的格式，处理范围较窄的类型，是稍硬使用正确，但对于它可以处理的情况（printf样式的字符串格式）通常更快。

00

Python 部分系统类的常用方法整理

下面是常用的几个系统类的常用方法整理: list: 列表[1, 2,...] set: 集合,无重复元素{1, 2,...} str: 字符串 dict: 字典{a:'a', b:'b',...} TextIOWrapper: 文件对象 append(x) 将x添加到序列的末尾 extend(t) 将t的内容添加到列表末尾,t可以为列表 insert(i, x) 将x插入到列表i处 count(x) 统计x在列表中出现的次数 index(x, [start, end]) 返回x在列表中第一次出现的下标(指

02

对称、群论与魔术（二）——用群来描述对称性

上一篇我们提到了在物理世界很常见的一类变换——几何变换，它们有着特殊的结构，在数学上是一个双射，而且其操作和结果有着一一映射关系，可以用排列来描述。于是我们可以单独拎出这个数学对象来，并抽象其数学部分，反哺物理的同时，形成数学自身的系统。

02

详解机器学习中的熵、条件熵、相对熵、交叉熵

目录信息熵条件熵相对熵交叉熵总结一信息熵 (information entropy) 熵 (entropy) 这一词最初来源于热力学。1948年，克劳德·爱尔伍德·香农将热力学中的熵引入信息论，所以也被称为香农熵 (Shannon entropy)，信息熵 (information entropy)。本文只讨论信息熵。首先，我们先来理解一下信息这个概念。信息是一个很抽象的概念，百度百科将它定义为：指音讯、消息、通讯系统传输和处理的对象，泛指人类社会传播的一切内容。那信息可以被量化么？可以的！

08

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