① 如何構建知識圖譜
自己建嗎可以下載圖譜軟體構建
http://www.cnblogs.com/R0b1n/p/5224065.html可以參考一下這個
SPSS: 大型統計分析軟體，商用軟體。具有完整的數據輸入、編輯、統計分析、報表、圖形繪制等功能。常用於多元統計分析、數據挖掘和數據可視化。
Bibexcel: 瑞典科學計量學家Persoon開發的科學計量學軟體，用於科學研究免費軟體。具有文獻計量分析、引文分析、共引分析、耦合分析、聚類分析和數據可視化等功能。可用於分析ISI的SCI、SSCI和A&HCI文獻資料庫。
HistCite: Eugene Garfield等人於2001年開發的科學文獻引文鏈接分析和可視化系統，免費軟體。可對ISI的SCI、SSCI和SA&HCI等文獻資料庫的引文數據進行計量分析，生成文獻、作者和期刊的引文矩陣和實時動態引文編年圖。直觀的反映文獻之間的引用關系、主題的宗譜關系、作者歷史傳承關系、科學知識發展演進等。
CiteSpace: 陳超美博士開發的專門用於科學知識圖譜繪制的免費軟體。國內使用最多知識圖譜繪制軟體。可用於追蹤研究領域熱點和發展趨勢，了解研究領域的研究前沿及演進關鍵路徑，重要的文獻、作者及機構。可用於對ISI、CSSCI和CNKI等多種文獻資料庫進行分析。
TDA: Thomson Data Analyzer（TDA）是Thomson集團基於VantagePoint開發文獻分析工具。商用軟體。具有去重、分段等數據預處理功能；可形成共現矩陣、因子矩陣等多種分析矩陣；可使用Pearson、Cosine等多種演算法進行數據標准化；可進行知識圖譜可視化展示。
Sci2 Tools: 印第安納大學開發的用於研究科學結構的模塊化工具可從時間、空間、主題、網路分析和可視化等多角度，分析個體、局部和整體水平的知識單元。
ColPalRed: Gradnada大學開發的共詞單元文獻分析軟體。商用軟體。結構分析，在主題網路中展現知識（詞語及其關系）；戰略分析，通過中心度和密度，在主題網路中為主題定位；動態分析，分析主題網路演變，鑒定主題路徑和分支。
Leydesdorff: 系類軟體。阿姆斯特丹大學Leydesdorff開發的這對文獻計量的小程序集合。處理共詞分析、耦合分析、共引分析等知識單元體系。使用「層疊圖」實現可視化知識的靜態布局和動態變化。
Word Smith: 詞頻分析軟體。可將文本中單詞出現頻率排序和找出單詞的搭配片語。
NWB Tools: 印第安納大學開發的對大規模知識網路進行建模、分析和可視化工具. 數據預處理；構建共引、共詞、耦合等多種網路；可用多種方法進行網路分析；可進行可視化展示.
Ucinet NetDraw: Ucinet是社會網路分析工具。包括網路可視化工具Net Draw。用於處理多種關系數據，可通過節點屬性對節點的顏色、形狀和大小等進行設置。用於社交網路分析和網路可視化。
Pajek: 來自斯洛維尼亞的分析大型網路的社會網路分析免費軟體。Pajek基於圖論、網路分析和可視化技術，主要用於大型網路分解，網路關系展示，科研作者合作網路圖譜的繪制。
VOSviewer: 荷蘭萊頓大學開發的文獻可視化分析工具。使用基於VOS聚類技術技術實現知識單元可視化工具。突出特點可視化能力強，適合於大規模樣本數據。四種視圖瀏覽：標簽視圖、密度視圖、聚類視圖和分散視圖。
[4]陳悅, 劉則淵, 陳勁等. 科學知識圖譜的發展歷程[J]. 科學學研究, 2008, (03): 449-460.
[5]Shiffrin, R.M., and Katy Börner. Mapping Knowledge Domains[C]. Proc. Proceedings of the National Academy of Sciences of the United States of America pp. 5183-5185.
[6]Börner, K., Chen, C.和Boyack, K.W. Visualizing knowledge domains[J]. Annual review of information science and technology, 2003, 37, (1): 179-255.
[7]CM, C. CiteSpace II: Detecting and visualizing emerging trends and transient patterns in scientific literature[J]. Journal of the American Society for Information Science and Technology, 2006, 57, (3): 359-377.
[8]陳悅和劉則淵. 悄然興起的科學知識圖譜[J]. 科學學研究, 2005, (02): 149-154.
[9]邱均平. 信息計量學[M]. (武漢大學出版社, 2007. 2007).
[10]沙勇忠和牛春華. 信息分析[M]. (科學出版社, 2009. 2009).
[11]塞沃爾, 建軍和煦. 鏈接分析: 信息科學的研究方法[M]. (東南大學出版社, 2009. 2009).
[12]Egghe, L.和Rousseau, R. Introction to informetrics: Quantitative methods in library, documentation and information science[J]. 1990
[13]韓家煒, 坎伯, 裴健等. 數據挖掘: 概念與技術[M]. (機械工業出版社, 2007. 2007).
[14]Wasserman, S. Social network analysis: Methods and applications[M]. (Cambridge university press, 1994. 1994).
[15]Persson, O., R. Danell, J. Wiborg Schneider. How to use Bibexcel for various types of bibliometric analysis[C]. Proc. International Society for Scientometrics and Informetrics., Leuven, Belgium2009 pp. 9–24.
[16]Yang, Y., Akers, L., Klose, T.等. Text mining and visualization tools–impressions of emerging capabilities[J]. World Patent Information, 2008, 30, (4): 280-293.
[17]Börner, K., Huang, W., Linnemeier, M.等. Rete-netzwerk-red: analyzing and visualizing scholarly networks using the Network Workbench Tool[J]. Scientometrics, 2010, 83, (3): 863-876.
[18]廖勝姣. 科學知識圖譜繪制工具:SPSS和TDA的比較研究[J]. 圖書館學研究, 2011, (05): 46-49.
[19]Scott, M. WordSmith tools[M]. (Oxford: Oxford University Press, 1996. 1996).
[20]Batagelj, V.和Mrvar, A. Pajek - Program for Large Network Analysis[M]. (1998. 1998).
[21]Borgatti, S.P., Everett, M.G.和Freeman, L.C. Ucinet for Windows: Software for social network analysis[J]. 2002
[22]Van Eck, N.J.和Waltman, L. VOSviewer: A computer program for bibliometric mapping[J]. 2009
② 怎麼才能在四個月內把web前端學好學深入
在方法之前，請聽我一句話：不要怕吃苦，絕對不能怕吃苦。而且有一定要多敲代碼。這兩點是關鍵。
三是制定系統的學習計劃,必須制定學習計劃,建議學習半年的時間,半年的時間把所有的前端基礎閱讀和理解,前提是你不應該懶惰,,堅持是最重要的,大多數人還是半途而廢。四是能找到輔導盡可能的找,如果條件還可以,在網上找到一個教程類,有不懂的問老師,可以節省自己的時間,老師也可以給你一些建議,很容易學習,如果遇到很多問題,解決的時間非常久，就很容易失去信心。
③ 什麼是知識圖譜有哪些模型指標規則
「圖譜」的時代
知識圖譜自從2012年開始發酵，愈演愈烈，行業頂端的佼佼者紛紛發布企業知識圖譜應用，知識圖譜能為企業實現數據價值。只能說，圖技術快速發展，業務需求不論變化與否，知識圖譜是不可阻擋的趨勢。2020年4月20日，國家發改委明確人工智慧 「新基建」 的內涵，體現「重創新、補短板」的特徵：助力傳統基礎設施智能化改造，提高傳統基礎設計的運行效率。
圖1 中國知識圖譜效益增長規模——艾瑞咨詢
當前的人工智慧其實可以簡單劃分為感知智能（主要集中在對於圖片、視頻以及語音的能力的探究）和認知智能（ 涉及知識推理、因果分析等）。
人工智慧是新基建的重點領域，而知識圖譜是認知智能的底層支撐。 知識圖譜具有解釋數據、推理和規劃一系列人類的思考認知能力，基於大規模，關聯度高的背景知識。
————《面向人工智慧「新基建」的知識圖譜行業白皮書》
我們每天都在用知識圖譜
知識圖譜應用於各個領域，例如：電商（產品推薦）、醫療（智能診斷）、金融（風控）、證券（投研）。知名企業包括：Google Knowledge Graph、美團大腦、阿里巴巴·藏經閣計劃、騰訊雲·知識圖譜 TKG等。
知識圖譜在人工智慧多個領域發揮重要作用：語義搜索、智能問答、輔助語言理解、輔助大數據分析、增強機器學習的可解釋性、結合圖卷積輔助圖像分類等。同時，這也意味著技術難度大幅度增加。
知識圖譜的價值
您可能會以為知識圖就是捕獲和管理知識的最終目的。其實，知識圖擅長以自上而下的 關系連接方式顯式捕獲知識 。通過關系節點聯繫上下游關系，清楚的梳理關系網路。如下圖：
圖2 普適智能知識中台
高效直觀地刻畫目標主體（如企業、事件等）之間地關聯網路，從而全維度地對企業進行畫像，立體復現主體的真實情況和錯綜復雜的關系。其強大的互聯組織能力和可視化決策推理支持，為企業資產提供底層基礎。普適智能一站式「圖智能」應用， 擁有打開「百竅」的能力， 具體有以下幾方面的思考：
深度鏈接分析 有機可尋
拿我們最熟悉的金融領域舉例，知識圖譜常見的實體包括公司、產品、人員、相關事件等，常見的關系包括股權關系、任職關系、供應商關系、上下游關系、競爭關系等等。
這樣做的好處就是，通過知識圖譜的整合，讓原本復雜的數據形成直觀易懂的可視化圖譜， 在全球經濟一體化的趨勢下，分析師以及投資機構很可能先人一步觀察到競爭格局的改變，為尋找 新客戶、新投資機會提供線索。
圖3 企業上下游關系網路
多維度屬性 順藤摸瓜
知識圖譜的另一個價值是「可以簡單地處理多維度數據」。 目前在普適智能幫客戶分析超百億的實體（或節點）和關系（或邊緣）。
圖4 某股份制商業銀行基金產品關系網路截圖
「對於實益擁有權，我們經常會看到擁有六，七層或更多層的擁有權階層，尤其是在像中國這樣擁有大型企業的地方。」 「人們必須意識到一個擁有可以處理並查詢至少六到七層（如果沒有更多層）的拿手工具是解決問題的真正核心。」
每個公司、個人、新聞事件都可以是一個「點」，人工智慧引擎可將這些點進行聚集，對其中的相關性、相似度以及聚集程度進行多維度分析， 還原真實場景 ，才能 「順藤摸瓜」。
圖5 反欺詐圖應用
例如知識圖譜在傳統的風險管理流程中，多通過對目標主體簡單維度的特徵進行嚴格審核，無法判斷真實的關聯風險。
挑戰與機會
普適智能深耕於金融領域，其細分業務場景包含但不限於：反欺詐、反洗錢、盜刷排查、失聯催收、外匯異常監控、信用審核等，舉個具體項目中的例子：因圖構建本身流程較長，再加上每個場景的圖構建相對的獨立，給數據反復開發，數據不連通創造了必要條件， 繞不過去的是大量企業資產成本浪費問題。
圖6 傳統關系網路應用的構建模式
在工程落地方面，還存在圖譜建設周期長，應用構建專業程度高，跨行業遷移成本高等難題。由此帶來的挑戰會體現在—— 產品是否可以開箱即用 。
普適智能中台化思路
為了解決以上問題，普適智能自主研發將知識圖譜構建與應用平台升級為一站式的「圖智能」中台。
圖7 傳統關系網路應用的構建模式
一套中台和工廠模式平台的孕育而生，確保各式的場景對圖不同形態的需求和保證聯合查詢需求。「一竅通，百竅通」，一站式「圖智能」中台就是「那一竅」，以下：
打通業務場景獨立圖譜構建 ，減少反復開發周期成本，為傳統應用形態賦能，提升服務質量和效率，簡單的圖應用可以在 1~2天 內實現，復雜的圖應用可以在傳統做法上縮短到 三分之一 ，加速企業資產的累積；
配合著打通部門數據 ，解決跨部門合作溝通周期長、配合難的問題；
圖譜交互友好程度高，可視化決策輔助業務場景，更易發現 隱藏的信息 ；
賦能專家行業專家，將領域專家的行業經驗的程序化，留存在平台， 企業知識資產沉澱。
實時可擴充 ，彈性十足
知識圖譜中台的價值還在於靈活可擴充，建立實時敏捷、靈活可擴展、具有彈性的數據基礎。 金融知識圖譜直接反饋金融行業的剛性需求，由於實際中，企業數據和業務變化靈活，數據源、數據結構、數據內容隨時會發生變動，對業務的理解以及對數據的解讀也隨之發生變化。
圖8 多維數據擴展查詢
如何有效的使用這些數據，需要員工具備專業的金融知識，深刻理解某個數據變動可能引發的關聯、傳導，知識圖譜將是最得心應手的工具。
圖技術是 知識圖譜應用的最強彈葯
企業需要能夠快速支持業務中迭代式的新模式。普適智能的「圖智能」中台具有計算引擎： 圖計算模型、圖匹配業務數據模型等， 助力企業完成這一目標。
圖規則計算： (例如：與黑名單客戶共用一個電話的客戶是可疑欺詐客戶)
圖指標計算： （例如：客戶兩度關系內黑名單客戶的比例）
圖機器學習 （以圖作為先驗知識讓特徵工程更有效）
社群識別 ：標簽預測（黑名單預測/潛在VIP客戶預測）
圖9 社區分析
最短路徑 ：優化加工路徑，節約數據加工成本。
圖10 路徑查詢
「工欲善其事,必先利其器」 。普適智能一站式「圖智能」應用，為描繪物理世界生產生活行為提供 有效的方法和工具 。Gartner：「圖時代已經到來」，讓我們一起「圖」起來！
④ 一名前端工程師的知識圖譜是什麼該如何入門並且提高
【1】能用html+css把頁面做出來，能用js實現動態效果。
【2】在1的基礎上保證瀏覽器兼容性。
【3】在2的基礎上開始出現代碼潔癖，代碼會逐漸趨向於簡潔高效
【4】在3的基礎上開始關注語義性、可用性和可重用性
【5】在4的基礎上開始關注頁面性能
【6】在5的基礎上開始費勁腦汁的去尋思怎麼能把開發效率也提升上來
⑤ 初學者如何在前端的道路上成長，成為一個前端工程師的知識圖譜是什麼拜託各位了 3Q
xhtml css js,一個都不能生疏，而且要看就看新書，這樣符合w3c 標准。要是自己練，ie8一下的就不用管兼容性了，畢竟佔有率很少很少。
學的差不多了再html5，css3
如果走高端路線，就css3多用，像樓上說的，切圖什麼的，一邊玩蛋去把。前端看的是用戶體驗，不是漂亮的風景畫和浮誇的按鈕
------------
csdn.net 等一些站有很多不錯的博主寫的文章，多看看
⑥ 百度知識圖譜和google知識圖譜的區別
知識圖譜（knowledge graph）是Google推出來的一項技術概念，是語義搜索的一個應用，背後涉及到NLP，語義數據分析，語義網技術等等。
目前來說，Google的知識圖譜從三個方面來提高搜索質量，消除歧義、右側知識卡片、知識發現。網路的「網路知心」也是知識圖譜的一個應用。歸根結底知識圖譜的技術基礎都是一樣的，那就是語義數據和語義網，只是在前端應用上兩個公司有所區別。。
⑦ 知識圖譜基礎（三）-schema的構建
在前面一篇文章《知識圖譜基礎（二）-知識表達系統》中介紹了知識圖譜的基礎知識表達系統，什麼是entity，什麼是relation，什麼是domain，什麼是type等等。本篇文章主要從應用角度來聊一聊如何構建schema以及shcema構建中需要考慮的問題。以下所講的schema構建主要是基於common sense進行構建的，弱關系圖譜構建會在應用中講到。
簡單來說，一個知識圖譜的schema就是相當於一個領域內的數據模型，包含了這個領域裡面有意義的概念類型以及這些類型的屬性。任何一個域的schema主要由類型（type）和屬性（property）來表達。圖1是plantdata內的創投schema，主要是為了發掘一級市場的投資和融資構建的schema。該schema主要是去定義需求，哪些數據對創投有用，才往上構建，例如：人物都有身高 體重，但是這些數據對創投來說意義不大，在schema中就不用構建了。關注創投的人會關注這些基金與人物投資了哪些公司，投資的公司所屬行業，投資的公司屬於哪一類企業，在該schema中就需要詳細構建。
1.如何構建域（domain）
域（domain）的概念是凌駕於所有類型之上，對於域的定義應該盡量的抽象，不應該具體，同時域與域之間應盡量做到相互獨立，不交叉。例如，省份就不應該是一個域的概念，在思考是否應該把一個概念當做域時，需要考慮到該概念是否能夠繼續向上抽象，例如：省份；城市；國家；縣等等，他們同屬於地理位置域。在明確域的概念時，應該定義好域的邊界，這樣比較容易區分不同域之間的區域劃分。
2.如何確定一個域的類型（type）
這里需要產品經理去思考，構建這個schema的核心需求是什麼，到底需要解決用戶什麼問題。為了滿足這些核心需求，我們需要創造出哪些概念？
舉個例子，在汽車領域，用戶主要關心什麼問題，例如：汽車的品牌、車系、發動機。
在NBA領域，用戶主要關心球隊、所屬聯盟、教練、球員等等。
針對不同的需求，需要在域下面構建不同的類型來滿足用戶的需求。
3.如何確定屬性（property）
思考的角度如下：
1.以用戶需求為出發點
2.以數據統計為證據
比如在構建完足球領域中的球隊類型後，該類型集合了所有的球隊實體，站在用戶角度觸發，用戶會關注球隊的哪些關系？
圖2是我簡單的針對足球領域構建的一個圖譜，上麵包含了梅西（球隊的球員）， 埃內斯托·巴爾韋德 （球隊的教練），西甲（球隊的所屬聯賽），其中梅西、西甲、埃內斯托.巴爾韋德又分屬於不同的類型：足球球員，足球聯賽，足球教練，這些所有的類型構成了足球域。
從上圖的common sense配合圖查詢和自然語言處理技術已經可以支持基礎的問答了，例如，梅西是哪個球隊的？埃內斯托巴爾韋德是哪些球員的教練？西甲有哪些球隊在踢球？等等
schema的應用是產品經理需要重點考慮的內容，因為產品需求決定了schema應該怎麼構建，構建的是否完備。而產品的具體應用則主導了schema的整體構建方式，如果不仔細考慮產品應用的話，最慘的情況可能構建了很久的schema會因為一個邏輯坑而徹底報廢掉，由於知識圖譜又是一個牽一發而動全身的工程，根據實際經驗來說，如果圖譜構建和應用有部分脫節，可能修改圖譜schema比重新構建圖譜schema的成本還要高。所以，首先確認好具體的應用場景對於一個schema構建的成功與否是至關重要的。
筆者寫一套曾經用過的確認schema的流程
先將應用根據需求的強弱劃分，分為基礎核心需求，schema特色需求，錦上添花需求，未來擴展性需求。
基礎核心需求：是經過需求分析後，構建這個schema需要完成最核心的需求，該需求優先順序最高
schema特色需求：構建圖譜時可能會經常遇到圖譜可以實現而其他方法實現比較困難的特色需求，這類需求可能需求強度不是很高，但是由於能夠實現一定的差異性，經常會有意想不到的效果。
錦上添花需求：非基礎核心需求，做了更好，不做也可以接受
未來擴展性的需求：確認schema的時候要充分考慮到未來的擴展性，因為這類需求有可能會大改圖譜的schema結構
在構建schema的時候，根據上述分類，需要去考慮該schema一期需要滿足哪些具體的功能，將功能一一列下來，哪些功能是需要放在第二期、第三期完成的，未來的擴展性需求需要在構建的哪一塊區域留下可擴展的內容。
常用的方法可以使用excel去列出一、二、三期所需要的功能點。
列出上述的功能點後，針對每一個功能點在後面備注好該功能的構建要點（註：這個非常重要），通常需求只需要將產品需求轉化成一定的查詢結構即可，筆者原來用的是cypher查詢語法。以圖2為例，我要支持某個教練教了哪些球員？轉化成查詢語言就是（a:足球教練）<-{b:教練}-（c:球隊）-{d:球員}-（e:足球球員） return e。將a變成參數，輸入a即可返回所有的e，即輸入埃內斯托巴爾韋德，返回就是梅西。
流程如下：query:埃內斯托巴爾韋德帶了哪些球員？→語義解析→轉化成上述查詢，將埃內斯托巴爾韋德作為參數a代入查詢→返回結果→前端包裝展示
註：上面在每個功能點後面備注了構建要點，當大部分功能點的構建要點都寫完的時候，需要集中查看構建要點，因為如果需求本身比較大的話，不同的需求很容易造成schema的構建沖突，正如前面所講，schema盡量要保證少出錯。這個時候由於備注了構建要點，可以全局的來審視這個schema中間有沒有邏輯黑洞。常出現的問題主要是在屬性的設計，以及知識融合上。
拿著上述文件去找開發，確認一下哪些是比較好實現的，一般來說做到這種程度大多數需求開發都是會接的。如果開發同學足夠專業的話，他會從他的視角去給你提出他的寶貴意見。通常產品經理在思考schema這一塊更傾向於思考這個schema的作用，而開發同學會思考工程實現、實現效率、運行效率、計算量等問題。
大規模構建schema的時候需要認真考慮數據源的情況，由於不同公司掌握的數據不同，所應用的對策也不同。
通常筆者會將數據源分為如下幾種：
1.已經清洗好的結構化數據：這部分數據一般是公司的核心數據，或者其他公司的核心數據，構建的時候應該優先考慮這類數據。這部分數據通常只需要改變數據格式即可入圖譜。
2.清洗好的結構化數據，但數據殘缺：這部分數據通常需要數據挖掘，知識融合。清洗難度是由殘缺比例決定的。
3.無數據：沒有這部分數據，但是又需要這部分數據，通常只能去選擇讓BD去購買數據，或者讓爬蟲組去專業網站爬取，例如：企業數據可以去企查查，電影的數據可以去貓眼，產業的數據可以去產業信息網等等。
假設需要構建的圖譜entity數量在千萬級別，開發力量不夠強大的時候，慎用純數據挖掘方案，有條件的話筆者建議直接去買結構化數據，因為可能挖掘和知識融合在經濟上的成本比直接買數據要高，而且時間周期也會很長。
個人認為，大規模構建schema最難的地方就在於挖掘數據的知識融合上，舉個例子：全國有10000個叫王剛的人，爬蟲從A網站挖下來5000個「王剛」，從B網站挖下來7000個「王剛」，那麼這5000個王剛和那7000個王剛到底是不是一個人？在沒有身份證號碼的情況下如何確定哪些王剛是一個人呢？常規的做法是去挖掘出「王剛」的其他信息，例如出生年月，任職信息，籍貫等等，然後通過一定的演算法進行知識融合。通常，網站的數據不一定全面，即使經過知識融合後，挖掘的數據中一定會有大量的噪音，不同的需求對噪音的承受能力是不同的，構建schema的時候需要充分考慮數據出現噪音的可能性，去評價這部分需求對噪音的承受能力。
如果知識融合完成了話，大規模構建其實就是一個導數據的過程，由於圖譜數據結構的關系，一般存2張表（點、邊）或者使用RDFs存儲，在entity數量上千萬以後，圖譜的查詢壓力會比較大，單機查詢可能會直接跪掉，開發一般會採用graphX的分布式的存儲，不過由於點和邊的切割方式的問題，會有一定的副作用。
⑧ 知識圖譜怎樣入門
在開始做前端開發之前（當然我也不是完全做前端開發的，至少我的工作合同上沒寫我要寫程序），我的背景是這樣的：不是學計算機、不是科班出身；因為經常幫別人出圖，所以PS，AI，ID都很熟悉；因為那時候做實驗的原因常用（改）Fortran和（用）C++；後來機緣巧合研究了一陣子分布式資料庫，主要精力放在了Cassandra上面。從去年7月真正開始做前端的第一個項目，從最開始什麼都不知道亂寫jQuery開始，到9月底搞定了手頭上第一個項目。後來前端的開發基本上就中斷了，今年4月份又撿起來，寫了一個前端（瀏覽器端）的項目。被一個前端大神批判了一遍，幾乎重寫了一遍，然後繼續接受批判，同時接受各種復雜的需求，導致最終又重寫了一遍。等於一個項目寫了三遍，在第三遍的時候我已經可以實現所有自己的想法了——當然一定要可行的。7月的時候開始node.js使用愈發頻繁，用node / express做了一個不算小的項目。從9月開始基本上前端相關的只剩下圖形相關的工作了——先嘗試了一下Canvas發現還是不如svg好寫。到最近寫了個svg的庫。現在我可以保證想做什麼東西，只要功能不是太過復雜，一個星期之內做完原型。