检索结果-内蒙古大学图书馆

软件学报 2012年第1期23卷 1-20页

作者：王立才孟祥武张玉洁北京邮电大学计算机学院北京100876 智能通信软件与多媒体北京市重点实验室北京100876

近年来,上下文感知推荐系统已成为推荐系统研究领域最为活跃的研究领域之一.如何利用上下文信息进一步提高推荐系统的推荐精确度和用户满意度,成为上下文感知推荐系统的主要任务.从面向过程的角度对最近几年上下文感知推荐系统的研究进... 详细信息

近年来,上下文感知推荐系统已成为推荐系统研究领域最为活跃的研究领域之一.如何利用上下文信息进一步提高推荐系统的推荐精确度和用户满意度,成为上下文感知推荐系统的主要任务.从面向过程的角度对最近几年上下文感知推荐系统的研究进展进行综述,对其系统框架、关键技术、主要模型、效用评价以及应用实践等进行了前沿概括、比较和分析.最后,对上下文感知推荐系统有待深入的研究难点和发展趋势进行了展望.

关键词：上下文感知推荐系统推荐系统用户偏好上下文综述

来源：评论

学校读者我要写书评

暂无评论

上下文感知推荐系统若干关键技术研究

上下文感知推荐系统若干关键技术研究

引用

作者：王立才北京邮电大学

学位级别：博士

随着移动互联网、物联网、社交网络、普适计算、电子商务的发展,互联网的疆界被大大拓展,我们即将进入一个“大数据”时代。如何缓解泛在感知、普适计算环境下的海量数据给人们带来的“信息过载”问题,成为研究界和学术界关注的热点。... 详细信息

随着移动互联网、物联网、社交网络、普适计算、电子商务的发展,互联网的疆界被大大拓展,我们即将进入一个“大数据”时代。如何缓解泛在感知、普适计算环境下的海量数据给人们带来的“信息过载”问题,成为研究界和学术界关注的热点。上下文感知推荐系统通过将上下文信息引入推荐系统,兼具“普适计算”(信息和计算资源的获取与接入可以发生在“任何时间、任何地点、以任何形式”)和“个性化”(帮助用户从海量资源中获取满足其自身需要的内容)两种优势,能够进一步提高推荐精确度和用户满意度,具有重要的研究意义与实用价值。此研究领域主要涉及个性化服务与推荐系统、普适计算与上下文感知计算、用户建模与用户行为分析、认知心理学与决策学、云计算与大数据分析等理论与技术,并在电子商务、信息检索、物联网、移动互联网、多媒体信息服务、电子旅游、计算广告学、智能家居/交通/办公环境等诸多工业领域具有广阔的应用前景。目前,这个领域的研究刚刚起步,还有许多问题亟待解决。本文针对上下文感知推荐系统的一些关键问题进行研究,主要包括：如何通过分析上下文信息及其关联的用户历史行为来提取上下文用户偏好、如何缓解上下文感知推荐系统中存在的数据稀疏问题、如何利用情绪特征上下文提高推荐系统精确度、如何将社会化网络信息融入上下文感知推荐系统。在综述上下文感知推荐系统研究进展的基础上,本文主要取得以下几方面研究成果： (1)目前上下文感知推荐系统大多只关注推荐生成过程、而忽略上下文用户偏好提取过程,使其不易展开应用实践。针对这个问题,本文面向个性化移动网络服务领域,受加工水平模型和分布式认知理论的启发,提出一种基于认知心理学的上下文用户偏好提取方法：以包含上下文信息的用户历史行为为输入,在移动用户偏好信息结构建模的基础上引入服务加工水平认知、有效上下文认知的概念,并计算其对用户偏好提取的影响,然后分别提取基于服务加工水平认知和基于有效上下文认知的用户偏好,最终提取综合的用户偏好。该方法的实质是从研究层次化移动用户需求、有效上下文信息的分布式认知与差异化计算的角度,分析各种因素对偏好提取过程的影响,并逐步提取精确的用户偏好。仿真实验结果表明,该方法能够有效挖掘层次化移动用户需求以及上下文关联的移动用户行为数据,发现不同上下文类型及其实例对移动用户偏好的差异化影响程度,并降低噪音上下文因素带来的消极影响,从而提高个性化移动网络服务精确度。 (2)针对上下文感知推荐系统中存在的高维数据稀疏问题,提出一种基于高阶奇异值分解技术和上下文波动特征分析的上下文推荐方法。首先对多维度上下文用户偏好进行建模,并将已知的多维度上下文用户偏好分解为多个单维度上下文用户偏好,进而通过张量模型为它们构造相应的三阶张量；其次,利用高阶奇异值分解技术挖掘各个已知单维度上下文用户偏好张量的潜在语义关联,以预测未知的单维度上下文用户偏好；然后,提出一种在上下文感知推荐过程中计算上下文影响系数的方法,分析用户偏好受不同上下文类型影响的波动程度；最后,利用上下文影响系数和单维度上下文用户偏好,加权融合计算多维度上下文用户偏好,并生成推荐。仿真实验表明,该方法相比基准对比方法在推荐精确度方面具有明显优势,能够有效缓解上下文感知推荐系统数据稀疏性问题。 (3)从人类认知决策理论的角度来看,推荐系统可以被看作辅助人们进行决策的工具,而情绪因素在决策生成过程中占据重要作用。本文提出几种将情绪特征上下文引入推荐系统的方法：从是否考虑情绪对用户偏好的差异化影响的角度,提出两种单纯的基于情绪的基于用户的协同过滤方法；将改进的基于情绪的基于用户的协同过滤方法与传统的基于用户的协同过滤方法进行混合,提出基于相似度融合和基于评分预测融合的两种混合式协同过滤方法；为了缓解数据稀疏性问题,提出基于高阶奇异值分解技术的基于情绪的推荐方法。利用公开发布的Moviepilot挑战赛数据集展开实验分析,实验结果表明：情绪特征上下文在一定程度上对用户偏好是有影响的；单纯的基于情绪的基于用户的协同过滤方法并不优于传统的基于用户的协同过滤方法,而基于情绪的混合式协同过滤方法则优于传统基于用户的协同过滤方法；高阶奇异值分解技术相比传统矩阵分解技术、传统基于用户的协同过滤方法,能有效缓解“用户-项目-情绪”推荐数据的稀疏性。 (4)针对社会化网络环境下的上下文感知推荐问题,提出一种基于社会化网络分析的上下文感知推荐系统的定义,对其输入、输出、目标功能进行数学描述；然后,面向个性化移动网络服务研究领域,提出一种启发式的基于社会化网络的上下文感知推荐方法,综合考虑上下文移动用户偏好相似度计算和移动社会化网络的信任传递两方面因素,发现用户的最近邻居,并预测潜在上下文用户偏好以生成推荐。利用真实采集的数据集展开实验,表明该方法在推荐精确度方面相

关键词：上下文感知推荐系统上下文用户偏好推荐系统数据稀疏性情绪社会化网络

来源：评论

学校读者我要写书评

暂无评论

基于注意力交互网络的上下文感知推荐系统研究

基于注意力交互网络的上下文感知推荐系统研究

引用

作者：梅磊山东大学

学位级别：硕士

在大数据时代,伴随着移动互联网、云计算、物联网等的快速发展,互联网信息以及互联网访问者数量都出现了爆炸式的增长。虽然丰富的信息为我们带来了更多的可选择性,但同时也带来了严重的信息过载问题。面对这场数据洪流,用户希望从海量... 详细信息

在大数据时代,伴随着移动互联网、云计算、物联网等的快速发展,互联网信息以及互联网访问者数量都出现了爆炸式的增长。虽然丰富的信息为我们带来了更多的可选择性,但同时也带来了严重的信息过载问题。面对这场数据洪流,用户希望从海量的信息中找到自己感兴趣的高质量信息,信息生产者则希望将正确的产品和服务定位到用户身上,以增加收入和用户的忠诚度,而推荐系统在其中扮演了关键的角色。通过挖掘和分析用户的历史行为、个人信息等方式,推荐系统对用户的兴趣爱好进行建模,并向用户推荐他们感兴趣的物品。传统的推荐系统在建模的过程中只考虑了用户和物品之间的交互关系,却忽略了用户和物品交互时所处的上下文环境,而上下文环境中包含的丰富上下文信息会对用户的行为产生微妙但强大的影响。与传统的推荐系统相比,上下文感知推荐系统通过考虑上下文环境的影响可以更准确地建模用户对物品的兴趣,从而提高推荐的效果。现有的主流上下文感知推荐算法主要建立在隐语义模型的基础上,它们将上下文环境对用户和物品的通用作用表示成一个多维张量。为了建模上下文环境对用户和物品的作用,这类模型利用这个多维张量、用户特征向量(或物品特征向量)以及上下文环境的特征向量三者之间的线性操作为用户(或物品)生成上下文感知的表示。上下文感知的用户表示和物品表示可以理解为在上下文环境影响下发生了变化的用户兴趣以及物品属性,而两者进一步的内积操作则可以得到在当前上下文环境中用户对物品的喜好评分。虽然现有的上下文感知推荐算法相比于传统的推荐系统在推荐效果上有了很大的提升,但是仍然存在诸多缺陷。首先,这些模型仅仅借助简单的线性操作无法有效地建模上下文环境的复杂和非线性的作用,其次,上下文环境中不同类型的上下文对用户和物品的作用是不同,然而现有的模型无法区分它们的重要性。为了解决现有算法存在的问题,本文探索了深度学习在上下文感知推荐领域的应用并提出了一种新的神经网络模型——注意力交互网络。具体地,注意力交互网络包含了三个核心的功能模块,即交互中心模块、注意力模块和用户/物品中心模块。交互中心模块关注到上下文环境中每个上下文和用户、物品之间的交互,并捕获每个上下文对用户和物品的作用。注意力模块学习每个上下文作用的重要性,并加权合成得到当前上下文环境对用户的整体作用。同样地,我们可以得到当前上下文环境对物品的整体作用。最后,用户/物品中心模块建模整体作用会对用户兴趣的物品属性产生什么样的影响,得到的上下文感知的用户表示和物品表示用于下一步的评分预测。实验方面,本文在两个显式反馈数据集和一个隐式反馈数据集上进行了大量的实验。实验结果表明,与现有的最先进的上下文感知推荐算法相比,注意力交互网络在评分预测和个性化排序任务上的效果都有显著的提升。通过进一步的分析实验,我们还发现注意力交互网络在向用户生成推荐的过程中能够提供更好的可解释性。

关键词：上下文感知推荐系统注意力机制交互网络可解释性推荐

来源：评论

学校读者我要写书评

暂无评论

基于因式分解机模型的上下文感知推荐系统研究

基于因式分解机模型的上下文感知推荐系统研究

引用

作者：秦大路郑州大学

学位级别：硕士

推荐系统是一门涵盖了多个学科内容,始于90年代中期关于协同过滤算法研究,之后便开始作为一门独立的研究领域走进研究者的视野。目前,关于传统的推荐系统已经有很充分的研究,根据推荐系统产生的方法差异,将其分为基于内容的推荐,协同过... 详细信息

推荐系统是一门涵盖了多个学科内容,始于90年代中期关于协同过滤算法研究,之后便开始作为一门独立的研究领域走进研究者的视野。目前,关于传统的推荐系统已经有很充分的研究,根据推荐系统产生的方法差异,将其分为基于内容的推荐,协同过滤推荐和混合推荐三大类别。不同的项目可使用不同的推荐方法,或者是混合使用,这得到了越来越多的研究者的共识。同时,研究者发现了推荐系统的冷启动问题、数据稀疏问题、推荐解释等问题,分别提出了诸如:标签法、社交网络法、矩阵分解法、贝叶斯推理法等方法。然而,伴随着个性化需求的不断发展,如何针对每一个用户给出合理、适当的推荐,成为推荐系统任务的重中之重。因此,上下文感知推荐应运而生。上下文感知推荐,在拥有传统推荐系统的优点的同时,考虑时间、地点、同伴等上下文信息,这些改进措施提高了推荐预测的准确度,更好地满足了用户的个性化需求,提高了推荐系统的信任度,近几年也渐渐受到研究者的重视。在前人的基础上,本文做了以下工作:(1)提出上下文层次化因式分解机模型,该模型对因式分解机模型进行改进,考虑上下文信息的同时,对上下文进行层次化处理,增强了评分数据之间的整体关系,更有效的提高评分预测。(2)提出混合logistic函数和贝叶斯方法的因式分解机模型。该模型在对因式分解机模型贝叶斯处理的基础上,进一步的对伽马函数的形状参数进行logistic函数处理,更好的区分不同特征参数,从而提高评分预测精度。(3)在多个数据集上做了对比实验,实验证实了本文提出的改进的因式分解机模型具有线性的时间复杂度,较高的预测精度,以及较好的适应数据稀疏性的优点。

关键词：推荐系统协同过滤上下文感知推荐系统矩阵分解因式分解机上下文层次化贝叶斯推理

来源：评论

学校读者我要写书评

暂无评论

基于上下文感知及特征交互建模的个性化推荐系统研究

基于上下文感知及特征交互建模的个性化推荐系统研究

引用

作者：马鹏程齐鲁工业大学

学位级别：硕士

随着大数据时代的到来,互联网的存储信息量增长迅速。人们享受着大数据带来的福利,同时也面临着被数据信息包围的困扰,也就是“信息过载”问题。个性化推荐系统能够自发的学习用户的行为、了解用户的信息,并以此来对用户的兴趣进行学习... 详细信息

随着大数据时代的到来,互联网的存储信息量增长迅速。人们享受着大数据带来的福利,同时也面临着被数据信息包围的困扰,也就是“信息过载”问题。个性化推荐系统能够自发的学习用户的行为、了解用户的信息,并以此来对用户的兴趣进行学习,因此,个性化推荐系统成为解决“信息过载”问题最有效的方式之一。上下文感知推荐系统是一种典型的个性化推荐方法。上下文感知推荐系统的优点是能够充分考虑上下文环境对用户兴趣的影响,因此相较于传统的推荐系统方法,上下文感知推荐系统拥有更高的推荐准效率,引起了人们的广泛关注。当前上下文感知推荐算法都是简单地将多域特征(用户、项目和上下文信息特征)映射到共享的隐语义空间中,然后将其连接到深度神经网络或其他专门设计的网络中。在这些研究中,多域特征之间进行了简单非结构化的组合,因此,其建模特征交互的方式缺乏一定的灵活性和显式性;此外,将上下文和用户(或项目)映射到共享的隐语义空间中来捕获上下文对用户(或项目)的交互作用,只能学习到上下文和用户(或项目)之间简单的交互关系,而隐藏在上下文-用户(或项目)交互中的协同信号没有被学习到,因此推荐效率较差。为了解决以上问题,我们做了以下工作:(1)基于图神经网络和上下文感知的行为预测及推荐我们提出利用图结构来直接表示多域特征,构造了上下文-用户(或项目)特征交互图,图中的每个节点代表一个域特征,不同的域特征能够通过图中的边来进行连接和交互,因此,建模上下文-用户(或项目)特征交互关系的任务可以转换为对图上的节点交互进行建模。为此,我们设计了一个新的模型——上下文感知图神经网络(CA-GNN)。这种利用图结构来建模多域特征间交互的方法,能够以灵活和显式的方式建模不同域特征之间复杂的交互关系。实验证明,我们提出的CAGNN算法在Food数据集和Yelp数据集上的效果都优于其他基线方法。与之前较为先进的模型相比,在Food数据集上,CA-GNN模型在RMSE指标上提高了2.2%,在MAE指标上,CA-GNN比之前较为先进的注意力交互网络模型模型提高了1.8%;在Yelp数据集上,CA-GNN模型在RMSE指标上提高了1.4%,在MAE指标上提高了1.3%。(2)基于注意力交互图神经网络的上下文感知推荐系统研究我们提出将上下文-用户(或项目)的特征交互关系构造成二部图结构,利用图卷积网络来优化用户和项目的嵌入向量。同时,我们还利用注意力机制学习到不同上下文因素对用户(或项目)的重要影响度。为此,我们设计了一个新的模型——注意力交互图卷积网络(Ai-GCN),它可以建模上下文-用户(或项目)图中的高阶连通性,有效地将上下文和用户(或项目)间的协同信号以显式的方式注入到嵌入过程中。实验证明,我们的Ai-GCN模型在Frappe数据集上的表现都优于其他基准模型。具体的,与之前较为先进的模型相比,在Precision@5指标上,Ai-GCN提高了0.2%;在Precision@10指标上,Ai-GCN提高了1.2%;在Recall@5指标上,Ai-GCN提高了2.4%;在Recall@10指标上,Ai-GCN提高了8.6%。本文建立的CA-GNN模型和Ai-GCN模型都兼具“普适计算”和“个性化”两种优势,通过考虑上下文环境的影响,它们能够进一步提高推荐精确度和用户满意度。在未来的应用场景中,CA-GNN模型能够很好的适用于推荐系统的评分预测任务中,Ai-GCN模型能够很好的适用于推荐系统的个性化排序任务中。

关键词：上下文感知推荐系统个性化推荐特征交互图结构注意力机制

来源：评论

学校读者我要写书评

暂无评论

基于差分隐私技术的上下文推荐算法研究

基于差分隐私技术的上下文推荐算法研究

引用

作者：朱凯丽江西理工大学

学位级别：硕士

近年来,因为个性化推荐系统能够缓解信息过载的问题而得到了大家的重点关注,目前在互联网各个领域几乎都可以看到推荐系统的应用,它可以使得用户在众多的数据里面迅速发现对自己有用的信息,节约了用户大量的查找信息的时间。有研究表明... 详细信息

近年来,因为个性化推荐系统能够缓解信息过载的问题而得到了大家的重点关注,目前在互联网各个领域几乎都可以看到推荐系统的应用,它可以使得用户在众多的数据里面迅速发现对自己有用的信息,节约了用户大量的查找信息的时间。有研究表明,把相关的上下文信息与传统的推荐系统相融合有利于提高推荐结果的准确率并且更能满足用户的需求。如果上下文推荐想要得到更高的推荐精度,则需要搜集和利用大量的与用户有关的上下文信息,但是这样会泄露更多的用户的个人隐私,这也是人们所担心的问题。如果在数据搜集和使用前没有考虑到隐私安全的问题,那么攻击者很有可能直接或者间接的获取用户的敏感信息。如果这些信息被攻击者非法利用,那么这将会造成大量的经济和精神损失,给人们的日常生活也带来了严重的威胁,所以个人隐私保护问题在推荐系统中是值得重点研究的对象。在众多的隐私保护技术中,差分隐私技术因其可以抵挡攻击者具有相关背景信息下的攻击而得到了重点关注,它是一种经过严格推敲证明的隐私保护技术,可以给人们的信息提供强有力的保障。差分隐私技术虽然已经得到了研究人员的认可和使用,但是在上下文推荐系统中的研究仍存在不足之处。所以为了进一步保障推荐系统中用户的信息安全,本文将差分隐私和上下文推荐相结合,根据上下文信息处理的方式,设计相关的差分隐私保护策略,本文主要进行了如下的研究:(1)根据用户上下文兴趣建模时的隐私保护问题,本文采用了一种基于差分隐私和贝叶斯网络的上下文推荐算法。因为不同的上下文信息对每个用户的作用力是不同的,所以利用贝叶斯技术把上下文信息以不同的概率融入到推荐系统中,求出在相关上下文环境下用户的偏好,改进了用户相似度计算方法。通过在计算用户平均评分和用户相似度的过程中进行了差分隐私保护,并且基于数据稀疏性问题,利用聚类算法对项目进行聚类处理。最后实验验证本文使用的上下文推荐算法能够在保障用户隐私安全的基础上略微提高推荐的精度。(2)在给用户做个性化推荐时,考虑历史上下文之间的相似性会在一定程度上提高推荐精度,但是在计算上下文相似度的过程中会造成相关信息泄露。基于这个问题,本文采用了一个基于差分隐私和上下文相似度的推荐算法。如果多个上下文信息比较相似,那么用户在一种上下文条件下对这个物品给出的评分也适用于与它相似的另一种上下文环境。利用上下文与项目之间的关联计算上下文之间的相似度,并且对用户评分矩阵和在上下文相似度的计算过程中利用差分隐私技术添加相应的噪声进行隐私保护,最后实验证明算法的有效性。

关键词：差分隐私上下文感知推荐系统贝叶斯方法聚类上下文相似性

来源：评论

学校读者我要写书评

暂无评论

基于粗糙集和协同过滤的上下文感知推荐方法研究

基于粗糙集和协同过滤的上下文感知推荐方法研究

引用

作者：董涛北京工业大学

学位级别：硕士

随着近几年互联网与信息技术的发展,互联网的规模得到了巨大的提升,它向用户提供的信息也正在急剧增加,我们正在面对一个“大数据”的时代。在这海量的数据中,如何获取最为符合个人需求的资源,是一个相当突出的问题。现有的传统搜索引... 详细信息

随着近几年互联网与信息技术的发展,互联网的规模得到了巨大的提升,它向用户提供的信息也正在急剧增加,我们正在面对一个“大数据”的时代。在这海量的数据中,如何获取最为符合个人需求的资源,是一个相当突出的问题。现有的传统搜索引擎与门户站点,能够在一定程度上缓解这一问题,然而它们仍不能完全满足人们的要求。当下,推荐系统作为解决海量数据给人们带来的这一“信息过载”问题的有效方案,得到了学术与工业界的广泛关注,在实际应用中也已经取得了大量成果。上下文信息对推荐系统具有重要的作用,上下文感知推荐系统把上下文信息加入推荐过程中,从而在保留了“普适计算”的特点的同时,获得了“个性化”的优势,与传统推荐系统相比之下具有更高的推荐精确度和用户满意度,其研究意义与实用价值相当高。在现有的上下文感知推荐系统中,不同的上下文维度对推荐结果的影响通常被认为是拥有相同的权重;然而,在实际应用中,不同的上下文维度(如位置、同伴、时间等)对用户的价值往往大不相同。如何计算这些上下文对推荐结果的影响程度,并把这些影响加入到推荐结果的计算过程中,以提高推荐系统的预测精度和推荐质量,是一个非常有价值的研究课题。针对这一问题,本文完成的工作如下:(1)对上下文感知推荐系统进行了研究,比较了它与传统推荐系统的异同,并分析了上下文感知推荐的整个流程。(2)根据粗糙集理论的重要度定义,提出了一种上下文维度的约简算法。通过计算上下文属性的重要度,约简对推荐结果没有影响的上下文维度,从而提高推荐精度和效率。(3)将约简后的上下文信息加入到协同过滤的推荐算法中,设计了基于粗糙集的上下文感知推荐算法,构建了包含上下文信息的用户相似度计算方式,并根据用户之间的相似度实现了上下文感知协同过滤推荐。(4)对比了基于粗糙集的上下文感知推荐算法与现有的上下文感知推荐算法,并进行了仿真对比实验。实验结果证明,基于粗糙集的上下文感知推荐算法对提升推荐系统的推荐精度具有显著的效果,是一种有效的算法。

关键词：上下文感知推荐系统协同过滤粗糙集理论上下文维度约简

来源：评论

学校读者我要写书评

暂无评论

社交网络中上下文感知协同过滤算法

引用

计算机应用与软件 2017年第7期34卷 231-236,313页

作者：汪涛湖北民族学院理学院湖北恩施445000

围绕上下文感知推荐技术和社会化网络推荐技术的局限性展开研究,提出一种基于社会化网络环境下的名为HCCF的上下文感知协同过滤方法。在充分考虑上下文感知推荐系统实际问题的基础上,首先量化了不同维度的上下文对推荐系统所产生的影响... 详细信息

围绕上下文感知推荐技术和社会化网络推荐技术的局限性展开研究,提出一种基于社会化网络环境下的名为HCCF的上下文感知协同过滤方法。在充分考虑上下文感知推荐系统实际问题的基础上,首先量化了不同维度的上下文对推荐系统所产生的影响,并在此基础上定义了上下文影响系数。在此基础上引入了社会化网络环境中不同用户之间的相互影响,并采用社会化网络用户信任度进行衡量,最后对上下文因素和社会化网络用户信任度进行综合考虑,提出一种新的相似度计算方法。理论分析和在真实数据集上的实验结果表明,相对于单纯基于上下文的系统过滤算法以及社会化网络推荐方法而言,该算法的准确性和推荐效率均得到一定程度的提升。

关键词：上下文感知推荐系统社交网络推荐系统上下文感知

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：