Página Inicial>Relacionado com a programação>Código-Fonte de IA
Baixar

logotipo

NLP-Models-Tensorflow , reúne modelos de aprendizado de máquina e aprendizado profundo de tensorflow para problemas de PNL, código simplificado dentro de Jupyter Notebooks 100% .

Índice

  • Resumo Abstrativo
  • Bot de bate-papo
  • Analisador de Dependência
  • Marcação de entidade
  • Resumo Extrativo
  • Gerador
  • Detecção de idioma
  • Tradução automática neural
  • OCR
  • Marcação de PDV
  • Perguntas-Respostas
  • Pares de frases
  • Fala para texto
  • Correção ortográfica
  • Perguntas-respostas do SQUAD
  • Decadência
  • Aumento de texto
  • Classificação de Texto
  • Similaridade de texto
  • Conversão de texto para fala
  • Gerador de tópicos
  • Modelagem de Tópico
  • Resumo Extrativo Não Supervisionado
  • Vetorizador
  • Vocoder do velho para o jovem
  • Visualização
  • Atenção

Objetivo

As implementações originais são bastante complexas e não são muito amigáveis ​​para iniciantes. Então tentei simplificar a maior parte. Além disso, há toneladas de implementação de documentos ainda não divulgados. Portanto, sinta-se à vontade para usá-lo em sua própria pesquisa!

Anexarei repositórios do github para modelos que não implementei do zero, basicamente copio, colo e corrijo esses códigos para problemas obsoletos.

Versão do Tensorflow

Somente Tensorflow versão 1.13 e superior, não incluída a versão 2.X. 1,13 < Fluxo Tensor <2,0 

pip install -r requirements.txt

Conteúdo

Resumo Abstrativo

Treinado nas notícias da Índia.

Precisão baseada apenas em 10 épocas, calculada usando posições de palavras.

Lista completa (12 cadernos)
  1. LSTM Seq2Seq usando modelagem de tópicos, precisão de teste de 13,22%
  2. LSTM Seq2Seq + Luong Atenção usando modelagem de tópicos, precisão do teste 12,39%
  3. LSTM Seq2Seq + Beam Decoder usando modelagem de tópicos, precisão de teste de 10,67%
  4. LSTM Bidirecional + Luong Atenção + Decodificador de feixe usando modelagem de tópicos, precisão de teste 8,29%
  5. Pointer-Generator + Bahdanau, https://github.com/xueyouluo/my_seq2seq, precisão do teste 15,51%
  6. Copynet, precisão do teste 11,15%
  7. Pointer-Generator + Luong, https://github.com/xueyouluo/my_seq2seq, precisão do teste 16,51%
  8. Seq2Seq dilatado, precisão do teste 10,88%
  9. Seq2Seq dilatado + autoatenção, precisão do teste 11,54%
  10. BERT + CNN dilatado Seq2seq, precisão do teste 13,5%
  11. autoatenção + gerador de ponteiro, precisão do teste 4,34%
  12. Dilated-CNN Seq2seq + Pointer-Generator, precisão do teste 5,57%

Bot de bate-papo

Treinado no corpus Cornell Movie Dialog, tabela de precisão no chatbot.

Lista completa (54 cadernos)
  1. Célula básica Seq2Seq-manual
  2. LSTM Seq2Seq-manual
  3. Manual GRU Seq2Seq
  4. Célula básica Seq2Seq-API Greedy
  5. LSTM Seq2Seq-API ganancioso
  6. GRU Seq2Seq-API ganancioso
  7. Célula básica bidirecional Seq2Seq-manual
  8. LSTM Bidirecional Seq2Seq-manual
  9. GRU Bidirecional Seq2Seq-manual
  10. Célula básica Bidirecional Seq2Seq-API Greedy
  11. LSTM Bidirecional Seq2Seq-API ganancioso
  12. GRU Bidirecional Seq2Seq-API Ganancioso
  13. Célula básica Seq2Seq-manual + Luong Atenção
  14. LSTM Seq2Seq-manual + Luong Atenção
  15. GRU Seq2Seq-manual + Luong Atenção
  16. Célula básica Seq2Seq-manual + Atenção Bahdanau
  17. LSTM Seq2Seq-manual + Bahdanau Atenção
  18. GRU Seq2Seq-manual + Bahdanau Atenção
  19. LSTM Bidirecional Seq2Seq-manual + Luong Atenção
  20. GRU Bidirecional Seq2Seq-manual + Luong Atenção
  21. LSTM Bidirecional Seq2Seq-manual + Atenção Bahdanau
  22. GRU Bidirecional Seq2Seq-manual + Atenção Bahdanau
  23. LSTM Bidirecional Seq2Seq-manual + retrocesso Bahdanau + avanço Luong
  24. GRU Bidirecional Seq2Seq-manual + retrocesso Bahdanau + avanço Luong
  25. LSTM Seq2Seq-API Ganancioso + Luong Atenção
  26. GRU Seq2Seq-API Ganancioso + Luong Atenção
  27. LSTM Seq2Seq-API Ganancioso + Atenção Bahdanau
  28. GRU Seq2Seq-API Ganancioso + Atenção Bahdanau
  29. Decodificador de feixe LSTM Seq2Seq-API
  30. Decodificador de feixe GRU Seq2Seq-API
  31. LSTM Seq2Seq-API Bidirecional + Atenção Luong + Decodificador de Feixe
  32. GRU Bidirecional Seq2Seq-API + Luong Atenção + Decodificador de feixe
  33. LSTM Bidirecional Seq2Seq-API + Bahdanau para trás + Luong para frente + Stack Bahdanau Luong Atenção + Decodificador de feixe
  34. GRU Bidirecional Seq2Seq-API + Bahdanau para trás + Luong para frente + Stack Bahdanau Luong Atenção + Decodificador de feixe
  35. Bytenet
  36. LSTM Seq2Seq + tf.estimador
  37. Camadas de cápsula + LSTM Seq2Seq-API Greedy
  38. Camadas de cápsula + LSTM Seq2Seq-API + Luong Atenção + Decodificador de feixe
  39. LSTM Bidirecional Seq2Seq-API + Bahdanau para trás + Luong para frente + Stack Bahdanau Luong Atenção + Decodificador de feixe + Dropout + L2
  40. DNC Seq2Seq
  41. LSTM Seq2Seq-API Bidirecional + Atenção Monótica Luong + Decodificador de Feixe
  42. LSTM Bidirecional Seq2Seq-API + Atenção Monótica Bahdanau + Decodificador de Feixe
  43. Rede de memória ponta a ponta + célula básica
  44. Rede de memória ponta a ponta + célula LSTM
  45. Atenção é tudo que você precisa
  46. Transformador-XL
  47. Atenção é tudo que você precisa + Beam Search
  48. Transformador-XL + LSTM
  49. GPT-2 + LSTM
  50. CNN Seq2seq
  51. Codificador de conversão + LSTM
  52. Decodificador Tacotron + Ganancioso
  53. Decodificador Tacotron + Beam
  54. Google NMT

Analisador de Dependência

Treinado em CONLL English Dependency. Conjunto de treinamento para treinar, conjuntos de desenvolvimento e teste para testar.

Stackpointer e Biaffine-attention originalmente de https://github.com/XuezheMax/NeuroNLP2 escrito em Pytorch.

Precisão baseada em arco, tipos e precisões de raiz somente após 15 épocas.

Lista completa (8 cadernos)
  1. RNN + CRF + Biaffin bidirecional, precisão de arco 70,48%, precisão de tipos 65,18%, precisão raiz 66,4%
  2. RNN bidirecional + Bahdanau + CRF + Biaffine, precisão de arco 70,82%, precisão de tipos 65,33%, precisão de raiz 66,77%
  3. RNN bidirecional + Luong + CRF + Biaffine, precisão de arco 71,22%, precisão de tipo 65,73%, precisão de raiz 67,23%
  4. BERT Base + CRF + Biaffin, precisão de arco 64,30%, precisão de tipo 62,89%, precisão de raiz 74,19%
  5. RNN bidirecional + Atenção Biafina + Entropia Cruzada, precisão de arco 72,42%, precisão de tipos 63,53%, precisão raiz 68,51%
  6. Base BERT + Atenção Biafina + Entropia Cruzada, precisão de arco 72,85%, precisão de tipos 67,11%, precisão raiz 73,93%
  7. RNN + Stackpointer bidirecional, precisão de arco 61,88%, precisão de tipos 48,20%, precisão raiz 89,39%
  8. Base XLNET + Atenção Biaffina + Entropia Cruzada, precisão de arco 74,41%, precisão de tipos 71,37%, precisão raiz 73,17%

Marcação de entidade

Treinado em CONLL NER.

Lista completa (9 cadernos)
  1. RNN + CRF bidirecional, precisão do teste 96%
  2. RNN bidirecional + Luong Atenção + CRF, precisão do teste 93%
  3. RNN bidirecional + Atenção Bahdanau + CRF, precisão do teste 95%
  4. Char Ngrams + RNN bidirecional + Atenção Bahdanau + CRF, precisão do teste 96%
  5. Char Ngrams + RNN bidirecional + Atenção Bahdanau + CRF, precisão do teste 96%
  6. Char Ngrams + Rede Residual + Atenção Bahdanau + CRF, precisão do teste 69%
  7. Char Ngrams + Atenção é tudo que você precisa + CRF, precisão do teste 90%
  8. BERT, precisão do teste 99%
  9. XLNET-Base, precisão de teste de 99%

Resumo Extrativo

Treinado no conjunto de dados da CNN News.

Precisão baseada em ROUGE-2.

Lista completa (4 cadernos)
  1. LSTM RNN, precisão do teste 16,13%
  2. CNN dilatada, precisão do teste 15,54%
  3. Atenção Multihead, precisão do teste 26,33%
  4. BERT-Base

Gerador

Treinado no conjunto de dados de Shakespeare.

Lista completa (15 cadernos)
  1. RNN + LSTM em termos de caracteres
  2. Pesquisa RNN + Beam por caracteres
  3. RNN + LSTM + incorporação de caracteres
  4. RNN + LSTM em termos de palavras
  5. RNN + LSTM + incorporação em palavras
  6. Em termos de caracteres + Seq2Seq + GRU
  7. Em termos de palavras + Seq2Seq + GRU
  8. Atenção RNN + LSTM + Bahdanau em termos de personagem
  9. RNN + LSTM + Atenção Luong em termos de personagem
  10. Em termos de palavras + Seq2Seq + GRU + Beam
  11. Em termos de personagem + Seq2Seq + GRU + Bahdanau Atenção
  12. Em termos de palavras + Seq2Seq + GRU + Bahdanau Atenção
  13. Pesquisa Dilated CNN + Beam por caracteres
  14. Pesquisa de transformador + feixe
  15. Pesquisa Transformer XL + Beam

Detecção de idioma

Treinado no conjunto de dados Tatoeba.

Lista completa (1 caderno)
  1. Caracteres de texto rápido N-gramas

Tradução automática neural

Treinado em inglês-francês, tabela de precisão em tradução automática neural.

Lista completa (53 cadernos)

1.basic-seq2seq 2.lstm-seq2seq 3.gru-seq2seq 4.basic-seq2seq-contrib-ganancioso 5.lstm-seq2seq-contrib-ganancioso 6.gru-seq2seq-contrib-ganancioso 7.basic-birnn-seq2seq 8.lstm-birnn-seq2seq 9.gru-birnn-seq2seq 10.basic-birnn-seq2seq-contrib-ganancioso 11.lstm-birnn-seq2seq-contrib-ganancioso 12.gru-birnn-seq2seq-contrib-ganancioso 13.básico -seq2seq-luong 14.lstm-seq2seq-luong 15.gru-seq2seq-luong 16.basic-seq2seq-bahdanau 17.lstm-seq2seq-bahdanau 18.gru-seq2seq-bahdanau 19.basic-birnn-seq2seq-bahdanau 20.lstm-birnn-seq2seq-bahdanau 21.gru-birnn-seq2seq-bahdanau 22.basic-birnn-seq2seq-luong 23.lstm-birnn-seq2seq-luong 24.gru-birnn-seq2seq-luong 25.lstm-seq2seq-contrib-greedy-luong 26.gru-seq2seq-contrib-greedy-luong 27.lstm-seq2seq-contrib-greedy-bahdanau 28.gru-seq2seq-contrib-greedy-bahdanau 29.lstm-seq2seq- contrib-beam-luong 30.gru-seq2seq-contrib-beam-luong 31.lstm-seq2seq-contrib-beam-bahdanau 32.gru-seq2seq-contrib-beam-bahdanau 33.lstm-birnn-seq2seq-contrib-beam-bahdanau 34.lstm-birnn-seq2seq-contrib-beam-luong 35.gru-birnn-seq2seq-contrib-beam-bahdanau 36.gru-birnn-seq2seq-contrib-beam-luong 37.lstm-birnn-seq2seq-contrib-beam -luongmonotônico 38.gru-birnn-seq2seq-contrib-beam-luongmonotic 39.lstm-birnn-seq2seq-contrib-beam-bahdanaumonotonic 40.gru-birnn-seq2seq-contrib-beam-bahdanaumonotic 41.residual-lstm-seq2seq-greedy-luong 42.residual-gru-seq2seq-greedy-luong 43.residual-lstm-seq2seq-greedy-bahdanau 44.residual-gru-seq2seq-greedy-bahdanau 45.memory-network-lstm-decoder-greedy 46.google-nmt 47 .transformer-codificador-transformador-decodificador 48.transformador-codificador-lstm-decodificador-ganancioso 49.bertmultilíngue-codificador-bertmultilíngue-decodificador 50.bertmultilíngue-codificador-lstm-decodificador 51.bertmultilíngue-codificador-transformador-decodificador 52.bertenglish-encoder-transformador-decodificador 53.transformador -t2t-2gpu

OCR (reconhecimento óptico de caracteres)

Lista completa (2 cadernos)
  1. CNN + LSTM RNN, precisão do teste 100%
  2. Im2Latex, precisão do teste 100%

Marcação de PDV

Treinamento em CONLL POS.

Lista completa (8 cadernos)
  1. RNN + CRF bidirecional, precisão do teste 92%
  2. RNN bidirecional + Luong Atenção + CRF, precisão do teste 91%
  3. RNN bidirecional + Atenção Bahdanau + CRF, precisão do teste 91%
  4. Char Ngrams + RNN bidirecional + Atenção Bahdanau + CRF, precisão do teste 91%
  5. Char Ngrams + RNN bidirecional + Atenção Bahdanau + CRF, precisão do teste 91%
  6. Char Ngrams + Rede Residual + Atenção Bahdanau + CRF, precisão do teste 3%
  7. Char Ngrams + Atenção é tudo que você precisa + CRF, precisão do teste 89%
  8. BERT, precisão do teste 99%

Perguntas-Respostas

Treinado no conjunto de dados bAbI.

Lista completa (4 cadernos)
  1. Rede de memória ponta a ponta + célula básica
  2. Rede de memória ponta a ponta + célula GRU
  3. Rede de memória ponta a ponta + célula LSTM
  4. Memória Dinâmica

Par de frases

Treinado em Cornell Movie - Dialogs Corpus

Lista completa (1 caderno)
  1. BERTO

Fala para texto

Treinado no conjunto de dados de fala de Toronto.

Lista completa (11 cadernos)
  1. Tacotron, https://github.com/Kyubyong/tacotron_asr, precisão do teste 77,09%
  2. BiRNN LSTM, precisão do teste 84,66%
  3. BiRNN Seq2Seq + Luong Atenção + Entropia Cruzada, precisão do teste 87,86%
  4. BiRNN Seq2Seq + Atenção Bahdanau + Entropia Cruzada, precisão do teste 89,28%
  5. BiRNN Seq2Seq + Bahdanau Atenção + CTC, precisão do teste 86,35%
  6. BiRNN Seq2Seq + Luong Atenção + CTC, precisão do teste 80,30%
  7. CNN RNN + Bahdanau Atenção, precisão do teste 80,23%
  8. CNN RNN dilatado, precisão do teste 31,60%
  9. Wavenet, precisão do teste 75,11%
  10. Deep Speech 2, precisão do teste 81,40%
  11. Wav2Vec Transfer learning BiRNN LSTM, precisão do teste 83,24%

Correção ortográfica

Lista completa (4 cadernos)
  1. BERT-Base
  2. Base XLNET
  3. BERT-Base Rápido
  4. BERT-Base preciso

Perguntas-respostas do SQUAD

Treinado no conjunto de dados SQUAD.

Lista completa (1 caderno)
  1. Bert, 
{ "exact_match" : 77.57805108798486 , "f1" : 86.18327335287402 }

Decadência

Treinado em Lematização Inglesa.

Lista completa (6 cadernos)
  1. LSTM + Seq2Seq + Feixe
  2. GRU + Seq2Seq + Feixe
  3. LSTM + BiRNN + Seq2Seq + Feixe
  4. GRU + BiRNN + Seq2Seq + Feixe
  5. DNC + Seq2Seq + Ganancioso
  6. BiRNN + Bahdanau + Copynet

Aumento de texto

Lista completa (8 cadernos)
  1. Luva pré-treinada
  2. Probabilidade TF GRU VAE-seq2seq-beam
  3. Probabilidade TF LSTM VAE-seq2seq-beam
  4. GRU VAE-seq2seq-beam + Bahdanau Atenção TF-probabilidade
  5. VAE + Atenção Determinística Bahdanau, https://github.com/HareeshBahuleyan/tf-var-attention
  6. Atenção VAE + VAE Bahdanau, https://github.com/HareeshBahuleyan/tf-var-attention
  7. BERT-Base + Amostragem de Núcleo
  8. XLNET-Base + Amostragem de Núcleo

Classificação de texto

Treinado em conjunto de dados de sentimento em inglês, tabela de precisão na classificação de texto.

Lista completa (79 cadernos)
  1. Célula básica RNN
  2. Célula básica RNN + Dobradiça
  3. Célula básica RNN + Huber
  4. RNN bidirecional de célula básica
  5. Célula Básica Bidirecional RNN + Dobradiça
  6. Célula Básica Bidirecional RNN + Huber
  7. Célula LSTM RNN
  8. Célula LSTM RNN + Dobradiça
  9. Célula LSTM RNN + Huber
  10. Célula LSTM RNN bidirecional
  11. Célula LSTM RNN bidirecional + Huber
  12. Célula LSTM RNN + Dropout + L2
  13. Célula GRU RNN
  14. Célula GRU RNN + Dobradiça
  15. Célula GRU RNN + Huber
  16. Célula GRU RNN bidirecional
  17. Célula GRU RNN Bidirecional + Dobradiça
  18. Célula GRU Bidirecional RNN + Huber
  19. LSTM RNN + Conv2D
  20. K-max Conv1d
  21. LSTM RNN + Conv1D + Rodovia
  22. LSTM RNN + Atenção Básica
  23. LSTM RNN dilatado
  24. Célula LSTM de norma de camada RNN
  25. Somente Rede Neural de Atenção
  26. Rede Neural de Atenção Multihead
  27. Máquina de Turing Neural
  28. LSTM Seq2Seq
  29. LSTM Seq2Seq + Atenção Luong
  30. LSTM Seq2Seq + Bahdanau Atenção
  31. LSTM Seq2Seq + decodificador de feixe
  32. LSTM Bidirecional Seq2Seq
  33. Rede de ponteiro
  34. Célula LSTM RNN + Bahdanau Atenção
  35. Célula LSTM RNN + Luong Atenção
  36. Célula LSTM RNN + Stack Bahdanau Luong Atenção
  37. Célula LSTM RNN bidirecional + Bahdanau para trás + Luong para frente
  38. Bytenet
  39. LSTM rápido-lento
  40. Rede Siamesa
  41. LSTM Seq2Seq + tf.estimador
  42. Camadas de cápsula + RNN LSTM
  43. Camadas de cápsula + LSTM Seq2Seq
  44. Camadas de cápsula + LSTM Seq2Seq bidirecional
  45. LSTM aninhado
  46. LSTM Seq2Seq + Rodovia
  47. Perda tripla + LSTM
  48. DNC (computador neural diferenciável)
  49. ConvLSTM
  50. Rede de Convênios Temporais
  51. Perda tripla em lote + LSTM
  52. Texto rápido
  53. Rede de Convolução Fechada
  54. Unidade Recorrente Simples
  55. Rede de Atenção Hierárquica LSTM
  56. Transformadores bidirecionais
  57. Rede de memória dinâmica
  58. Rede de entidades
  59. Rede de memória ponta a ponta
  60. Rede esparsa profunda BOW-Chars
  61. Rede residual usando Atrous CNN
  62. Rede residual usando Atrous CNN + Bahdanau Atenção
  63. Pirâmide profunda CNN
  64. Transformador-XL
  65. Transferência de aprendizagem GPT-2 345M
  66. Quase-RNN
  67. Tacotron
  68. Fatia GRU
  69. Fatia GRU + Bahdanau
  70. Ondanet
  71. Transferência de aprendizagem BERT Base
  72. Transferência de aprendizagem XL-net Large
  73. LSTM BiRNN global máximo e pooling médio
  74. Transferência de aprendizagem BERT Base drop 6 camadas
  75. Transferência de aprendizagem BERT Large drop 12 camadas
  76. Transferência de aprendizagem XL-net Base
  77. Transferir aprendizagem ALBERT
  78. Transferência de aprendizagem ELECTRA Base
  79. Transferência de aprendizagem ELECTRA Large

Similaridade de texto

Treinado em MNLI.

Lista completa (10 cadernos)
  1. BiRNN + Perda contrastiva, precisão do teste 73,032%
  2. BiRNN + Entropia cruzada, precisão do teste 74,265%
  3. BiRNN + Perda de círculo, precisão do teste 75,857%
  4. BiRNN + perda de proxy, precisão do teste 48,37%
  5. Base BERT + Entropia cruzada, precisão do teste 91,123%
  6. BERT Base + Perda de círculo, precisão do teste 89,903%
  7. ELECTRA Base + Entropia cruzada, precisão do teste 96,317%
  8. ELECTRA Base + Perda de círculo, precisão do teste 95,603%
  9. XLNET Base + Entropia cruzada, precisão do teste 93,998%
  10. XLNET Base + Perda de círculo, precisão do teste 94,033%

Texto para fala

Treinado no conjunto de dados de fala de Toronto.

Lista completa (8 cadernos)
  1. Tacotron, https://github.com/Kyubyong/tacotron
  2. CNN Seq2seq + vocoder CNN dilatado
  3. Seq2Seq + Atenção Bahdanau
  4. Seq2Seq + Luong Atenção
  5. CNN dilatada + atenção monotônica + vocoder CNN dilatado
  6. CNN dilatada + autoatenção + vocoder CNN dilatado
  7. Deep CNN + atenção monotônica + vocoder CNN dilatado
  8. Deep CNN + Autoatenção + Vocoder CNN dilatado

Gerador de tópicos

Treinado nas notícias da Malásia.

Lista completa (4 cadernos)
  1. TAT-LSTM
  2. TAV-LSTM
  3. MTA-LSTM
  4. CNN dilatada Seq2seq

Modelagem de Tópico

Extraído do conjunto de dados de sentimento em inglês.

Lista completa (3 cadernos)
  1. LDA2Vec
  2. Atenção
  3. XLNET Atenção

Resumo Extrativo Não Supervisionado

Treinado em livros aleatórios.

Lista completa (3 cadernos)
  1. Vetor de pensamento ignorado
  2. Rede residual usando Atrous CNN
  3. Rede residual usando Atrous CNN + Bahdanau Atenção

Vetorizador

Treinado em conjunto de dados de sentimento em inglês.

Lista completa (11 cadernos)
  1. Vetor de palavras usando amostra CBOW softmax
  2. Vetor de palavras usando estimativa contrastiva de ruído CBOW
  3. Vetor de palavras usando amostra skipgram softmax
  4. Vetor de palavras usando estimativa contrastiva de ruído skipgram
  5. Integrado supervisionado
  6. Perda tripla + LSTM
  7. Codificador automático LSTM
  8. LSTM com perda de trigêmeos em lote
  9. Texto rápido
  10. ELMO (biLM)
  11. Perda tripla + BERT

Visualização

Lista completa (4 cadernos)
  1. Mapa de calor de atenção em Bahdanau Atenção
  2. Mapa de calor de atenção em Luong Atenção
  3. Atenção BERT, https://github.com/hsm207/bert_attn_viz
  4. Atenção XLNET

Vocoder do velho para o jovem

Treinado no conjunto de dados de fala de Toronto.

Lista completa (1 caderno)
  1. CNN dilatada

Atenção

Lista completa (8 cadernos)
  1. Bahdanau
  2. Luong
  3. Hierárquico
  4. Aditivo
  5. Macio
  6. Atenção sobre atenção
  7. API Bahdanau
  8. API Luong

Aprendizado não profundo

  1. Bot de bate-papo Markov
  2. Resumo de decomposição (3 cadernos)
Expandir
Informações adicionais
Aplicativos Relacionados
Recomendado para você
Informações Relacionadas Todos