Beranda>Terkait pemrograman>Kode Sumber AI
Unduh

MELD: Kumpulan Data Multi-Pihak Multimodal untuk Pengenalan Emosi dalam Percakapan

Catatan

Jika Anda tertarik dengan tes IQ LLM, lihat karya baru kami: AlgoPuzzleVQA

Kami telah merilis fitur visual yang diekstraksi menggunakan Resnet - https://github.com/declare-lab/MM-Align

Untuk baseline yang diperbarui, silakan kunjungi tautan ini: conv-emotion

Untuk mengunduh data gunakan wget: wget http://web.eecs.umich.edu/~mihalcea/downloads/MELD.Raw.tar.gz

Papan peringkat

Pembaruan

10/10/2020: Makalah baru dan SOTA dalam Pengenalan Emosi dalam Percakapan pada kumpulan data MELD. Lihat direktori COSMIC untuk kodenya. Baca makalah -- COSMIC: Pengetahuan COmmonSense untuk Identifikasi eMotion dalam Percakapan.

22/05/2019: MELD: Kumpulan Data Multimodal Multi-Partai untuk Pengenalan Emosi dalam Percakapan telah diterima sebagai makalah lengkap di ACL 2019. Makalah yang diperbarui dapat ditemukan di sini - https://arxiv.org/pdf/1810.02508. pdf

22/05/2019: Dyadic MELD telah dirilis. Ini dapat digunakan untuk menguji model percakapan diadik.

15/11/2018: Masalah di train.tar.gz telah diperbaiki.

Penelitian Bekerja menggunakan MELD

Zhang, Yazhou, Qiuchi Li, Dawei Song, Peng Zhang, dan Panpan Wang. "Jaringan Interaktif Terinspirasi Quantum untuk Analisis Sentimen Percakapan." IJCAI 2019.

Zhang, Dong, Liangqing Wu, Changlong Sun, Shoushan Li, Qiaoming Zhu, dan Guodong Zhou. "Memodelkan Ketergantungan Konteks dan Sensitif Pembicara untuk Deteksi Emosi dalam Percakapan Multi-pembicara." IJCAI 2019.

Ghosal, Deepanway, Navonil Majumder, Soujanya Poria, Niyati Chhaya, dan Alexander Gelbukh. "DialogueGCN: Jaringan Neural Konvolusional Grafik untuk Pengenalan Emosi dalam Percakapan." EMNLP 2019.

Perkenalan

Kumpulan Data EmotionLines Multimodal (MELD) telah dibuat dengan menyempurnakan dan memperluas kumpulan data EmotionLines. MELD berisi contoh dialog yang sama dengan yang tersedia di EmotionLines, tetapi juga mencakup modalitas audio dan visual bersama dengan teks. MELD memiliki lebih dari 1400 dialog dan 13000 ucapan dari serial TV Friends. Sejumlah pembicara berpartisipasi dalam dialog tersebut. Setiap ucapan dalam dialog diberi label oleh salah satu dari tujuh emosi berikut -- Marah, Jijik, Sedih, Sukacita, Netral, Terkejut, dan Takut. MELD juga memiliki anotasi sentimen (positif, negatif, dan netral) untuk setiap ucapan.

Contoh Dialog

Statistik Kumpulan Data

Statistik Kereta Dev Tes
# modalitas {a,v,t} {a,v,t} {a,v,t}
# kata-kata unik 10.643 2.384 4.361
Rata-rata panjang ucapan 8.03 7.99 8.28
Maks. panjang ucapan 69 37 45
Rata-rata # emosi per dialog 3.30 3.35 3.24
# dialog 1039 114 280
# ucapan 9989 1109 2610
# pembicara 260 47 100
# pergeseran emosi 4003 427 1003
Rata-rata durasi suatu ucapan 3,59 detik 3,59 detik 3,58 detik

Silakan kunjungi https://affective-meld.github.io untuk detail lebih lanjut.

Distribusi Kumpulan Data

Kereta Dev Tes
Amarah 1109 153 345
Menjijikkan 271 22 68
Takut 268 40 50
Sukacita 1743 163 402
Netral 4710 470 1256
Kesedihan 683 111 208
Kejutan 1205 150 281

Tujuan

Analisis data multimodal memanfaatkan informasi dari berbagai saluran data paralel untuk pengambilan keputusan. Dengan pesatnya pertumbuhan AI, pengenalan emosi multimodal telah mendapatkan perhatian penelitian yang besar, terutama karena potensi penerapannya dalam banyak tugas yang menantang, seperti pembuatan dialog, interaksi multimodal, dll. Sistem pengenalan emosi percakapan dapat digunakan untuk menghasilkan respons yang tepat dengan menganalisis emosi pengguna. Meskipun ada banyak penelitian yang dilakukan mengenai pengenalan emosi multimodal, hanya sedikit yang benar-benar fokus pada pemahaman emosi dalam percakapan. Namun, pekerjaan mereka hanya terbatas pada pemahaman percakapan diadik dan oleh karena itu tidak dapat diskalakan pada pengenalan emosi dalam percakapan multi-pihak yang memiliki lebih dari dua peserta. EmotionLines dapat digunakan sebagai sumber pengenalan emosi hanya untuk teks, karena tidak menyertakan data dari modalitas lain seperti visual dan audio. Pada saat yang sama, perlu dicatat bahwa tidak ada kumpulan data percakapan multi-pihak multimodal yang tersedia untuk penelitian pengenalan emosi. Dalam pekerjaan ini, kami telah memperluas, meningkatkan, dan mengembangkan lebih lanjut kumpulan data EmotionLines untuk skenario multimodal. Pengenalan emosi secara berurutan memiliki beberapa tantangan dan pemahaman konteks adalah salah satunya. Perubahan emosi dan aliran emosi dalam rangkaian dialog membuat pemodelan konteks yang akurat menjadi tugas yang sulit. Dalam kumpulan data ini, karena kami memiliki akses ke sumber data multimodal untuk setiap dialog, kami berhipotesis bahwa hal ini akan meningkatkan pemodelan konteks sehingga memberi manfaat pada kinerja pengenalan emosi secara keseluruhan. Kumpulan data ini juga dapat digunakan untuk mengembangkan sistem dialog afektif multimodal. IEMOCAP, SEMAINE adalah kumpulan data percakapan multimodal yang berisi label emosi untuk setiap ucapan. Namun, kumpulan data ini bersifat diadik, yang membenarkan pentingnya kumpulan data Multimodal-EmotionLines kami. Kumpulan data pengenalan sentimen dan emosi multimodal lainnya yang tersedia untuk umum adalah MOSEI, MOSI, MOUD. Namun, tidak satu pun dari kumpulan data tersebut yang bersifat percakapan.

Pembuatan Kumpulan Data

Langkah pertama berkaitan dengan menemukan stempel waktu setiap ucapan di setiap dialog yang ada dalam kumpulan data EmotionLines. Untuk mencapai hal ini, kami menelusuri file subtitle dari semua episode yang berisi stempel waktu awal dan akhir ucapan. Proses ini memungkinkan kami memperoleh ID musim, ID episode, dan stempel waktu dari setiap ucapan dalam episode tersebut. Kami memberikan dua batasan saat memperoleh stempel waktu: (a) stempel waktu ucapan dalam dialog harus dalam urutan yang meningkat, (b) semua ucapan dalam dialog harus berasal dari episode dan adegan yang sama. Batasan kedua kondisi ini menunjukkan bahwa di EmotionLines, beberapa dialog terdiri dari beberapa dialog alami. Kami menyaring kasus-kasus tersebut dari kumpulan data. Karena langkah koreksi kesalahan ini, dalam kasus kami, kami memiliki jumlah dialog yang berbeda dibandingkan dengan EmotionLines. Setelah mendapatkan stempel waktu setiap ucapan, kami mengekstrak klip audio visual yang sesuai dari episode sumber. Secara terpisah, kami juga mengeluarkan konten audio dari klip video tersebut. Terakhir, kumpulan data berisi modalitas visual, audio, dan tekstual untuk setiap dialog.

Kertas

Makalah yang menjelaskan kumpulan data ini dapat ditemukan - https://arxiv.org/pdf/1810.02508.pdf

Unduh datanya

Silakan kunjungi - http://web.eecs.umich.edu/~mihalcea/downloads/MELD.Raw.tar.gz untuk mengunduh data mentah. Data disimpan dalam format .mp4 dan dapat ditemukan dalam file XXX.tar.gz. Anotasi dapat ditemukan di https://github.com/declare-lab/MELD/tree/master/data/MELD.

Deskripsi file .csv

Spesifikasi Kolom

Nama Kolom Keterangan
Tuan Tidak. Nomor seri ucapan terutama untuk merujuk pada ucapan jika versinya berbeda atau salinannya banyak dengan subset berbeda
Ucapan Ucapan individu dari EmotionLines sebagai string.
Pembicara Nama pembicara yang terkait dengan ucapannya.
Emosi Emosi (netral, gembira, sedih, marah, terkejut, takut, jijik) yang diungkapkan penutur dalam tuturannya.
Sentimen Sentimen (positif, netral, negatif) yang diungkapkan penutur dalam tuturannya.
Dialog_ID Indeks dialog dimulai dari 0.
Ucapan_ID Indeks ujaran tertentu dalam dialog dimulai dari 0.
Musim Musim no. Acara TV Friends yang memuat ucapan tertentu.
Episode Episode no. Acara TV Friends pada musim tertentu di mana ucapan tersebut berasal.
Waktu Mulai Waktu mulai ujaran pada episode tertentu dengan format 'hh:mm:ss,ms'.
Akhir Waktu Waktu akhir ujaran pada episode tertentu dengan format 'hh:mm:ss,ms'.

File-file itu

  • /data/MELD/train_sent_emo.csv - berisi ucapan di set pelatihan beserta label Sentimen dan Emosi.
  • /data/MELD/dev_sent_emo.csv - berisi ucapan di set pengembang bersama dengan label Sentimen dan Emosi.
  • /data/MELD/test_sent_emo.csv - berisi ucapan di set pengujian bersama dengan label Sentimen dan Emosi.
  • /data/MELD_Dyadic/train_sent_emo_dya.csv - berisi ucapan dalam set pelatihan varian diadik MELD bersama dengan label Sentimen dan Emosi. Untuk mendapatkan klip video yang sesuai dengan ucapan tertentu, lihat kolom 'ID_Dialog Lama' dan 'ID_Ucapan Lama'.
  • /data/MELD_Dyadic/dev_sent_emo_dya.csv - berisi ucapan dalam kumpulan pengembangan varian diadik bersama dengan label Sentimen dan Emosi. Untuk mendapatkan klip video yang sesuai dengan ucapan tertentu, lihat kolom 'ID_Dialog Lama' dan 'ID_Ucapan Lama'.
  • /data/MELD_Dyadic/test_sent_emo_dya.csv - berisi ucapan dalam set pengujian varian diadik beserta label Sentimen dan Emosi. Untuk mendapatkan klip video yang sesuai dengan ucapan tertentu, lihat kolom 'ID_Dialog Lama' dan 'ID_Ucapan Lama'.

Deskripsi File Acar

Ada 13 file acar yang berisi data dan fitur yang digunakan untuk melatih model dasar. Berikut adalah penjelasan singkat dari masing-masing file acar.

File acar data:

  • data_emotion.p, data_sentiment.p - Ini adalah file data utama yang berisi 5 elemen berbeda yang disimpan sebagai daftar.
    • data : Terdiri dari kamus dengan pasangan kunci/nilai berikut.
      • teks : kalimat asli.
      • split : train/val/test - menunjukkan bagian mana dari tupel tersebut.
      • y : label kalimat.
      • dialog : ID dialog tempat ucapan tersebut berada.
      • ucapan : nomor ucapan dari ID dialog.
      • num_words : jumlah kata dalam ucapan.
    • W: matriks penyematan sarung tangan
    • vocab: kosakata kumpulan data
    • word_idx_map: pemetaan setiap kata dari vocab ke indeksnya di W.
    • max_sentence_length: jumlah maksimum token dalam sebuah ucapan di kumpulan data.
    • label_index: pemetaan setiap label (emosi atau sentimen) ke indeks yang ditetapkan, misalnya. label_index['netral']=0 
 import pickle
data , W , vocab , word_idx_map , max_sentence_length , label_index = pickle . load ( open ( filepath , 'rb' ))
  • text_glove_average_emotion.pkl, text_glove_average_sentiment.pkl - Terdiri dari 300 dimensi vektor fitur tekstual dari setiap ucapan yang diinisialisasi sebagai rata-rata penyematan Glove dari semua token per ucapan. Ini adalah daftar yang terdiri dari 3 kamus untuk train, val dan test set dengan masing-masing kamus diindeks dalam format dia_utt , di mana dia adalah id dialog dan utt adalah id ucapan. Misalnya. train_text_avg_emb['0_0'].bentuk = (300, ) 
 import pickle
train_text_avg_emb , val_text_avg_emb , test_text_avg_emb = pickle . load ( open ( filepath , 'rb' ))
  • audio_embeddings_feature_selection_emotion.pkl,audio_embeddings_feature_selection_sentiment.pkl - Terdiri dari vektor fitur audio berdimensi 1611/1422 dari setiap ucapan yang dilatih untuk klasifikasi emosi/sentimen. Fitur-fitur ini awalnya diekstraksi dari openSMILE dan kemudian dilanjutkan dengan pemilihan fitur berbasis L2 menggunakan SVM. Ini adalah daftar yang terdiri dari 3 kamus untuk train, val dan test set dengan masing-masing kamus diindeks dalam format dia_utt , di mana dia adalah id dialog dan utt adalah id ucapan. Misalnya. train_audio_emb['0_0'].bentuk = (1611, ) atau (1422, ) 
 import pickle
train_audio_emb , val_audio_emb , test_audio_emb = pickle . load ( open ( filepath , 'rb' ))

File acar keluaran model:

  • text_glove_CNN_emotion.pkl, text_glove_CNN_sentiment.pkl - Terdiri dari fitur tekstual 100 dimensi yang diperoleh setelah pelatihan di jaringan berbasis CNN untuk pengkalsifikasi emosi/sentimen. Ini adalah daftar yang terdiri dari 3 kamus untuk train, val dan test set dengan masing-masing kamus diindeks dalam format dia_utt , di mana dia adalah id dialog dan utt adalah id ucapan. Misalnya. train_text_CNN_emb['0_0'].bentuk = (100, ) 
 import pickle
train_text_CNN_emb , val_text_CNN_emb , test_text_CNN_emb = pickle . load ( open ( filepath , 'rb' ))
  • text_emotion.pkl, text_sentiment.pkl - File ini berisi representasi fitur kontekstual seperti yang dihasilkan oleh model uni-modal bcLSTM. Ini terdiri dari vektor fitur tekstual 600 dimensi untuk setiap ucapan untuk klasifikasi emosi/sentimen yang disimpan sebagai kamus yang diindeks dengan id dialog. Ini adalah daftar yang terdiri dari 3 kamus untuk train, val dan test set. Misalnya. train_text_emb['0'].shape = (33, 600), dimana 33 adalah jumlah maksimal ucapan dalam sebuah dialog. Dialog dengan ucapan yang lebih sedikit diisi dengan vektor nol. 
 import pickle
train_text_emb , val_text_emb , test_text_emb = pickle . load ( open ( filepath , 'rb' ))
  • audio_emotion.pkl, audio_sentiment.pkl - File ini berisi representasi fitur kontekstual seperti yang dihasilkan oleh model uni-modal bcLSTM. Ini terdiri dari vektor fitur audio 300/600 dimensi untuk setiap ucapan untuk klasifikasi emosi/sentimen yang disimpan sebagai kamus yang diindeks dengan id dialog. Ini adalah daftar yang terdiri dari 3 kamus untuk train, val dan test set. Misalnya. train_audio_emb['0'].shape = (33, 300) atau (33, 600), dimana 33 adalah jumlah maksimal ucapan dalam sebuah dialog. Dialog dengan ucapan yang lebih sedikit diisi dengan vektor nol. 
 import pickle
train_audio_emb , val_audio_emb , test_audio_emb = pickle . load ( open ( filepath , 'rb' ))
  • bimodal_sentiment.pkl - File ini berisi representasi fitur kontekstual seperti yang dihasilkan oleh model bi-imodal bcLSTM. Ini terdiri dari vektor fitur bimodal (teks, audio) 600 dimensi untuk setiap ucapan untuk klasifikasi sentimen yang disimpan sebagai kamus yang diindeks dengan id dialog. Ini adalah daftar yang terdiri dari 3 kamus untuk train, val dan test set. Misalnya. train_bimodal_emb['0'].shape = (33, 600), dimana 33 adalah jumlah maksimal ucapan dalam sebuah dialog. Dialog dengan ucapan yang lebih sedikit diisi dengan vektor nol. 
 import pickle
train_bimodal_emb , val_bimodal_emb , test_bimodal_emb = pickle . load ( open ( filepath , 'rb' ))

Deskripsi Data Mentah

  • Ada 3 folder (file .tar.gz) -train, dev dan test; masing-masing sesuai dengan klip video dari ucapan-ucapan dalam 3 file .csv.
  • Di folder mana pun, setiap klip video dalam data mentah berhubungan dengan satu ucapan di file .csv terkait. Klip video diberi nama dalam format: diaX1_uttX2.mp4, dengan X1 adalah Dialogue_ID dan X2 adalah Utterance_ID sebagaimana disediakan dalam file .csv terkait, yang menunjukkan ucapan tertentu.
  • Misalnya, pertimbangkan klip video dia6_utt1.mp4 di train.tar.gz . Ucapan yang sesuai untuk klip video ini akan ada di file train_sent_emp.csv dengan Dialogue_ID=6 dan Utterance_ID=1 , yaitu 'Anda menyukainya? Anda sangat menyukainya?'

Membaca Data

Ada 2 skrip python yang disediakan di './utils/':

  • read_meld.py - menampilkan jalur file video yang sesuai dengan ucapan dalam file .csv dari MELD.
  • read_emorynlp - menampilkan jalur file video yang sesuai dengan ucapan dalam file .csv dari kumpulan data Deteksi Emosi Multimodal EmoryNLP.

Pelabelan

Untuk eksperimen, semua label direpresentasikan sebagai pengkodean one-hot, indeksnya adalah sebagai berikut:

  • Emosi - {'netral': 0, 'kejutan': 1, 'takut': 2, 'kesedihan': 3, 'kegembiraan': 4, 'jijik': 5, 'marah': 6}. Oleh karena itu, label yang sesuai dengan emosi 'kegembiraan' adalah [0., 0., 0., 0., 1., 0., 0.]
  • Sentimen - {'netral': 0, 'positif': 1, 'negatif': 2}. Oleh karena itu, label yang sesuai dengan sentimen 'positif' adalah [0., 1., 0.]

Bobot Kelas

Sebagai dasar klasifikasi emosi, bobot kelas berikut digunakan. Pengindeksannya sama seperti yang disebutkan di atas. Bobot Kelas: [4.0, 15.0, 15.0, 3.0, 1.0, 6.0, 3.0].

Jalankan garis dasar

Silakan ikuti langkah-langkah berikut untuk menjalankan baseline -

  1. Unduh fiturnya dari sini.
  2. Salin fitur ini ke ./data/pickles/
  3. Untuk melatih/menguji model dasar, jalankan file: baseline/baseline.py sebagai berikut:
    • python baseline.py -classify [Sentiment|Emotion] -modality [text|audio|bimodal] [-train|-test]
    • contoh perintah untuk melatih teks unimodal untuk klasifikasi sentimen: python baseline.py -classify Sentiment -modality text -train
    • gunakan python baseline.py -h untuk mendapatkan teks bantuan untuk parameter.
  4. Untuk model terlatih, unduh bobot model dari sini dan tempatkan file acar di dalam ./data/models/ .

Kutipan

Silakan kutip makalah berikut jika Anda merasa kumpulan data ini berguna dalam penelitian Anda

S. Poria, D. Hazarika, N. Majumder, G. Naik, E. Cambria, R. Mihalcea. MELD: Kumpulan Data Multi-Pihak Multimodal untuk Pengenalan Emosi dalam Percakapan. ACL 2019.

Chen, SY, Hsu, CC, Kuo, CC dan Ku, LW EmotionLines: Korpus Emosi Percakapan Multi-Pihak. arXiv pracetak arXiv:1802.08379 (2018).

Kumpulan Data Pengenalan Emosi EmoryNLP Multimodal

Keterangan

Kumpulan Data Deteksi Emosi EmoryNLP Multimodal telah dibuat dengan menyempurnakan dan memperluas kumpulan data Deteksi Emosi EmoryNLP. Ini berisi contoh dialog yang sama yang tersedia dalam kumpulan data Deteksi Emosi EmoryNLP, tetapi juga mencakup modalitas audio dan visual bersama dengan teks. Ada lebih dari 800 dialog dan 9000 ucapan dari serial TV Friends yang ada di kumpulan data multimodal EmoryNLP. Beberapa pembicara berpartisipasi dalam dialog. Setiap ucapan dalam dialog diberi label oleh salah satu dari tujuh emosi berikut -- Netral, Gembira, Damai, Kuat, Takut, Gila, dan Sedih. Anotasi dipinjam dari kumpulan data asli.

Statistik Kumpulan Data

Statistik Kereta Dev Tes
# modalitas {a,v,t} {a,v,t} {a,v,t}
# kata-kata unik 9.744 2.123 2.345
Rata-rata panjang ucapan 7.86 6.97 7.79
Maks. panjang ucapan 78 60 61
Rata-rata # emosi per adegan 4.10 4.00 4.40
# dialog 659 89 79
# ucapan 7551 954 984
# pembicara 250 46 48
# pergeseran emosi 4596 575 653
Rata-rata durasi suatu ucapan 5,55 detik 5,46 detik 5,27 detik

Distribusi Kumpulan Data

Kereta Dev Tes
Menyenangkan 1677 205 217
Gila 785 97 86
Netral 2485 322 288
Tenang 638 82 111
Kuat 551 70 96
Sedih 474 51 70
Takut 941 127 116

Data

Klip video dataset ini dapat diunduh dari tautan ini. File anotasi dapat ditemukan di https://github.com/SenticNet/MELD/tree/master/data/emorynlp. Ada 3 file .csv. Setiap entri di kolom pertama file csv ini berisi ucapan yang klip videonya dapat ditemukan di sini. Setiap ucapan dan klip videonya diindeks berdasarkan nomor musim, nomor episode, id adegan, dan id ucapan. Misalnya, sea1_ep2_sc6_utt3.mp4 menyiratkan klip tersebut sesuai dengan ucapan dengan musim no. 1, episode no. 2, scene_id 6 dan ucapan_id 3. Sebuah adegan hanyalah sebuah dialog. Pengindeksan ini konsisten dengan kumpulan data asli. File .csv dan file video dibagi menjadi set pelatihan, validasi, dan pengujian sesuai dengan dataset asli. Anotasi dipinjam langsung dari kumpulan data EmoryNLP asli (Zahiri dkk. (2018)).

Deskripsi file .csv

Spesifikasi Kolom

Nama Kolom Keterangan
Ucapan Ucapan individu dari EmoryNLP sebagai string.
Pembicara Nama pembicara yang terkait dengan ucapannya.
Emosi Emosi (Netral, Gembira, Damai, Kuat, Takut, Gila dan Sedih) yang diungkapkan penutur dalam tuturannya.
Adegan_ID Indeks dialog dimulai dari 0.
Ucapan_ID Indeks ujaran tertentu dalam dialog dimulai dari 0.
Musim Musim no. Acara TV Friends yang memuat ucapan tertentu.
Episode Episode no. Acara TV Friends pada musim tertentu di mana ucapan tersebut berasal.
Waktu Mulai Waktu mulai ujaran pada episode tertentu dengan format 'hh:mm:ss,ms'.
Akhir Waktu Waktu akhir ujaran pada episode tertentu dengan format 'hh:mm:ss,ms'.

Catatan : Ada beberapa ucapan yang kami tidak dapat menemukan waktu mulai dan berakhirnya karena beberapa ketidakkonsistenan dalam subjudulnya. Ucapan seperti itu telah dihilangkan dari kumpulan data. Namun, kami mendorong pengguna untuk menemukan ucapan yang sesuai dari kumpulan data asli dan membuat klip video yang sama.

Kutipan

Silakan kutip makalah berikut jika Anda merasa kumpulan data ini berguna dalam penelitian Anda

S. Zahiri dan JD Choi. Deteksi Emosi pada Transkrip Acara TV dengan Jaringan Neural Konvolusional Berbasis Urutan. Dalam Lokakarya AAAI tentang Analisis Konten Afektif, AFFCON'18, 2018.

S. Poria, D. Hazarika, N. Majumder, G. Naik, E. Cambria, R. Mihalcea. MELD: Kumpulan Data Multi-Pihak Multimodal untuk Pengenalan Emosi dalam Percakapan. ACL 2019.

Memperluas
Informasi Tambahan
Aplikasi Terkait
Direkomendasikan untuk Anda
Informasi Terkait Semua