检索结果-内蒙古大学图书馆

计算机应用 2020年第S01期40卷 109-112页

作者：陈平匡尧胡景懿王向阳蔡静武汉电力职业技术学院建设及管理系武汉430079 国网湖北省电力有限公司审计部武汉430072

针对电力审计领域的文本具有行业特征明显、文本特征相似度高、分类边界模糊的特性,提出了增强领域特征的电力审计文本分类方法。首先构建面向电力审计的专业词典,提出EF-Doc2VecC模型再联合专业词典增强文本的特征,最后送入BiLSTM分类... 详细信息

针对电力审计领域的文本具有行业特征明显、文本特征相似度高、分类边界模糊的特性,提出了增强领域特征的电力审计文本分类方法。首先构建面向电力审计的专业词典,提出EF-Doc2VecC模型再联合专业词典增强文本的特征,最后送入BiLSTM分类器实现专业领域的文本分类。实验结果表明,针对专业性显著的电力审计类文本分类,EF-Doc2Vec模型,在召回率、特异性、准确率和F1值分类指标上比对照模型Doc2VecC分别高出4,2,2,2个百分点;针对通用领域文本分类,EF-Doc2VecC模型在召回率、差异性、准确率和F1值分类指标上比对照模型Doc2VecC高出3,3,4,4个百分点。另外,EF-Doc2VecC模型在电力审计类的文本分类性能分别比通用领域高出4,5,3,3个百分点。因此,提出的文本向量表示方法及文本分类方法,不仅能提升通用领域的文本分类性能,还能显著提升垂直领域的文本细粒度分类性能。

关键词：电力审计文本分类增强特征 Doc2VecC 双向长短期记忆模型

来源：评论

学校读者我要写书评

暂无评论

基于改进LSTM模型的西安市房地产价格预测研究

基于改进LSTM模型的西安市房地产价格预测研究

引用

作者：赵瑞泽西安建筑科技大学

学位级别：硕士

房地产经济的良好发展对国民经济的稳定具有重要作用,随着市场环境的不断升级,房地产行业已进入一个全新的高质量阶段,并朝着更加良性的方向推进。房地产价格的波动亦是成为备受关注的民生问题。因此,本文以西安市为例,基于改进LSTM模... 详细信息

房地产经济的良好发展对国民经济的稳定具有重要作用,随着市场环境的不断升级,房地产行业已进入一个全新的高质量阶段,并朝着更加良性的方向推进。房地产价格的波动亦是成为备受关注的民生问题。因此,本文以西安市为例,基于改进LSTM模型对房地产价格进行预测研究。主文研究内容分为三个部分。首先,对房地产价格的传统影响因素进行分析,从供求关系的角度阐述了网络搜索数据与房地产价格波动之间的关联机理;在此基础上,以技术取词为主确定初始核心关键词,利用相关词义扩展取词等方法获得扩展关键词库,并运用斯皮尔曼相关性分析和时差相关分析对其进行筛选,确保所选的关键词是重要指标且具有先行性,将筛选后的核心关键词构建成为网络搜索数据指标体系。其次,为消除网络搜索数据中存在的噪声干扰,将自适应噪声完全集合经验模态分解法与改进小波阈值算法相结合对各指标进行分解与降噪处理,从而提高数据的质量,并对降噪后的指标进行ADF平稳性检验,以保证数据的平稳性,避免“伪回归”现象的发生。最后,基于对各基准模型原理的分析,利用粒子群算法优化双向长短期记忆神经网络模型,构建CEEMDAN-PSOBi LSTM神经网络预测模型,对西安市的房地产价格指数进行预测分析,并依据不同的评价指标比较模型的预测效果。随之结合预测结果,立于消费者、投资者、房地产开发商和政府的角度提出建议和措施,以求为我国房地产市场的发展贡献一些帮助。基于上述研究可得,网络搜索数据与房地产价格之间存在高相关性,且对于价格波动而言具有一定的超前滞后性,而构建优化模型不仅丰富了房地产价格预测的方法,也为房地产市场的维护提供了参考。

关键词：房地产价格网络搜索数据自适应噪声完全集合经验模态分解改进的小波阈值算法双向长短期记忆模型

来源：评论

学校读者我要写书评

暂无评论

基于BERT预训练模型的中医医案命名实体识别研究

基于BERT预训练模型的中医医案命名实体识别研究

引用

作者：刘彬湖南中医药大学

学位级别：硕士

目的:中医医案是中医师辨证论治、察明证素的记录,是中医临床经验传承的资料。从用自然语言描述的医案中抽取有效的命名实体、结构化医案,是利用机器学习、深度学习等技术深挖中医知识的基础。中医历经2000多年的发展,其医案中有大量的... 详细信息

目的:中医医案是中医师辨证论治、察明证素的记录,是中医临床经验传承的资料。从用自然语言描述的医案中抽取有效的命名实体、结构化医案,是利用机器学习、深度学习等技术深挖中医知识的基础。中医历经2000多年的发展,其医案中有大量的古文,且存在书写自由、术语表达丰富、结构复杂等特点,这给医案中命名实体的提取带来挑战。本研究旨在运用命名实体识别技术提取出医案中的症状、处方、证候等关键信息,结构化医案,为后期利用数据挖掘、知识图谱等技术提供结构化临床数据。方法:本研究团队从电子版中医医案《中国现代名中医医案精粹丛书》中提取了部分术语、构建了术语词典,用于自动标注医案文本。本研究提出了一种基于词典的双向最大匹配法的语料标注法,对400份医案中的身体部位、症状、疾病、药物等采用BIO方式进行标注,将标注好的文本再做人工核查确保标注的正确,最终获得了一个有五万余字的标注好的文本。医案中身体部位、药物、症状、疾病按双向最大匹配法进行标注,其它的内容标注为O。为了提高命名实体识别率,分析中医命名实体发现所需识别术语的部首极具特点,采用静态爬虫技术收集了偏旁部首,构建了部首词典。最后采用以BERT为基础模型,分别结合LSTM、CRF和部首特征构建基于深度学习的命名实体识别模型。其中BERT-LSTM-CRF-部首特征模型需要在BERT词向量中嵌入汉字部首并进行训练,且采用BiLSTM提取特征,使用CRF进行序列预测。结果:使用标注后的医案数据进行实验,本文模型的精确率为85.72%,召回率为86.62%,F1值为86.17%,与模型BERT、BERT-CRF、BERT-BiLSTM-CRF相比,其F1值分别提升了2.68%、2.47%、1.48%,表明本文模型在医案实体识别中效果最佳。结论:实验结果表明,在嵌入部首特征之后,模型的P值、R值、F1值均得到了提升。说明部首特征与医案中的实体联系紧密,嵌入之后使得模型对于实体的识别更具有针对性,能够用于中医医案命名实体的识别。同时,与其它方法相比,本文的方法具有更好的实体识别效果,为中医医案知识发现提供新的思路。

关键词：实体识别部首特征 BERT模型双向长短期记忆模型条件随机场

来源：评论

学校读者我要写书评

暂无评论

基于上下文语义的文本情感分类研究

基于上下文语义的文本情感分类研究

引用

作者：赵乐桂林理工大学

学位级别：硕士

社会化媒体,即网络社交媒体,是人们可以分享彼此观点、经验和见解等的工具或平台。如何对评论文本进行分类,提取出其中的有效信息,情感分类技术尤为重要。本研究旨在更好地捕获上下文语义信息,提取上下文语义特征,进一步提高情感分类效... 详细信息

社会化媒体,即网络社交媒体,是人们可以分享彼此观点、经验和见解等的工具或平台。如何对评论文本进行分类,提取出其中的有效信息,情感分类技术尤为重要。本研究旨在更好地捕获上下文语义信息,提取上下文语义特征,进一步提高情感分类效果,为此,在前人研究的基础上提取上下文语义特征,对特征向量进行改进,用以提高文本情感分类效果。首先,构建情感词典资源,包括基本情感词典、网络情感新词词典、否定词词典、连词词典、程度副词词典和停用词词典。前人对情感词研究较多,而对标点符号在文本中的情感作用研究较少,本文归纳了标点符号在文本中的情感作用,构建了情感符号词典,设置相应的权值。对基础词典进行扩展,通过研究,给出一种基于Simple Good-Turing平滑的SO-PMI情感词典扩展算法,构建扩展情感词集1;同时,结合Word2Vec词向量工具计算语义相似度得到扩展情感词集2;最后结合两种方法构建的扩展情感词典,进行融合、去重,人工筛选后,构建扩展情感词典。通过实验仿真表明,构建的情感词典是有效的。然后,研究句子级情感分类,提取情感单元,构建句子情感向量。根据句子是由多个不同词性和符号的组合构建而成这一特性,构建了5项情感单元,包括诸如连词、否定词、程度副词、情感词和情感符号等在内的上下文语义信息。在句子向量化中,利用Word2Vec工具对预处理后的句子进行向量表示,结合构建的情感单元,调整原词向量以获得句子情感向量,使用基于注意力机制的双向长短期记忆网络模型进行句子级情感分类。实验结果表明,该方法有效地提高了句子级情感分类。最后,结合句子级情感分类研究,展开篇章级情感分类。首先使用Doc2Vec模型将篇章进行向量化,结合句子情感倾向和句子位置等上下文语义特征对篇章向量进行调整,得到篇章级情感向量,将基于注意力机制的双向长短期记忆网络模型用于篇章级情感分类。实验结果表明,该方法有效地提高了篇章级情感分类。

关键词：上下文语义情感分类情感向量注意力机制双向长短期记忆模型

来源：评论

学校读者我要写书评

暂无评论

时序与注意力机制在空气质量预测中的应用研究

时序与注意力机制在空气质量预测中的应用研究

引用

作者：彭文高长江大学

学位级别：硕士

在中国特色社会主义新时代背景下,党中央将生态文明建设上升为国家持续发展的战略性大局。作为该建设的关键指标,空气质量日益成为公众关注的焦点。目前,众多城市依托空气监测站建立了全面的空气质量监测网络,不仅提升了监测能力,而且... 详细信息

在中国特色社会主义新时代背景下,党中央将生态文明建设上升为国家持续发展的战略性大局。作为该建设的关键指标,空气质量日益成为公众关注的焦点。目前,众多城市依托空气监测站建立了全面的空气质量监测网络,不仅提升了监测能力,而且为空气质量的科学研究提供了坚实的数据基础。依托相关数据构建精确的空气质量预测模型,能够提前掌握空气质量的变化趋势,对于积极应对空气污染挑战,保护民众健康起到了关键作用。尽管现有基于深度学习的模型在这一方面取得了进展,但仍面临着诸多挑战,包括模型拟合精度不足以及识别关键信息能力不够。针对以上问题,如何构建精确度高,泛化能力强的模型是本研究的关键点。本文选取武汉的空气质量监测站点的空气质量数据和气象数据作为数据集,对数据进行相关性分析,选取合适的特征,对数据分别进行时间相关性分析和空间相关性分析,挖掘时空相关关系,然后通过将TCN和Bi LSTM相结合,提出TCNBi LSTM模型组合模型,TCN网络通过层叠卷积层,优化了对细节和更广区域特征的捕捉以及其融合处理;Bi LSTM网络能够在时间序列分析中识别和记忆长期数据依赖关系,从而更好地处理空气质量数据中的复杂性和动态性。用相同的测试集验证,结果显示TCN-Bi LSTM组合模型在空气质量预测任务中各项评价指标均比其他基线模型好,表明TCN-Bi LSTM组合模型相较于单一模型提高了在空气质量预测任务中的准确性和整体学习性能。为使模型更加关注重要的时空特征,从而提高预测的准确性,采用TCNBi LSTM模型作为预测模型的基础架构,引入时空注意力机制,构建STA-TCNBi LSTM模型,通过消融实验,对比分析STA-TCN-Bi LSTM模型和单独引入时间或空间注意力机制模型的性能表现,结果表明在空气质量预测任务中的准确度和有效性都有一定提高,同时,时间注意力机制比空间注意力机制对模型预测性能的提升更为重要,并通过泛化性测试验证模型具有较好的泛化性。

关键词：空气质量预测时序卷积网络双向长短期记忆模型时空注意力机制

来源：评论

学校读者我要写书评

暂无评论

基于机器学习的跨站脚本攻击检测模型研究

基于机器学习的跨站脚本攻击检测模型研究

引用

作者：李志平中国民航大学

学位级别：硕士

随着互联网技术水平的提高,互联网极大的改善了人类的日常生活,人们对其依赖也不断地增加,与此同时互联网中的安全事件也不断地涌现出来。其中,跨站脚本漏洞是近几年来对互联网中Web应用造成影响最大的漏洞之一;并且对于该漏洞的相关研... 详细信息

随着互联网技术水平的提高,互联网极大的改善了人类的日常生活,人们对其依赖也不断地增加,与此同时互联网中的安全事件也不断地涌现出来。其中,跨站脚本漏洞是近几年来对互联网中Web应用造成影响最大的漏洞之一;并且对于该漏洞的相关研究一直以来也十分吸引安全领域研究者们的关注。本文对跨站脚本漏洞的原理进行了分析,在总结国内外研究的基础上,对跨站脚本漏洞的攻击检测方法进行了研究,提出了两种检测方法。针对基于传统规则以及动态测试的检测方法在检测未知的以及变形XSS攻击脚本效率低下等问题,本文提出一种基于单分类支持向量机的攻击检测模型。首先通过对攻击样本的规范化处理,得到足够丰富的攻击样本;然后利用基于n-gram的TF-DIF方法进行分词,得到样本的特征向量,最后基于单分类支持向量机进行模型的训练,通过参数设置获得最优的单分类检测模型。基于单分类支持向量机的检测模型相对于基于SVM模型在召回率的提升上效果并不是很明显,因此本文提出一种基于双向长短期记忆模型的跨站脚本攻击检测模型ABLSTM解决此文本分类问题。在研究双向LSTM的基础上,通过引用注意力机制对Bi-LSTM模型进行改进,使模型增加对与XSS相关性高的特征的关注,从而优化模型,不仅提高了模型检测的准确率,而且在召回率方面也有明显的提升。

关键词：跨站脚本文本分类单分类支持向量机注意力机制双向长短期记忆模型

来源：评论

学校读者我要写书评

暂无评论

文档级实体消歧技术的研究

文档级实体消歧技术的研究

引用

作者：吕亚茹辽宁大学

学位级别：硕士

网络中的数据量迅速增长,如何挖掘并利用网络数据中有用的信息是当前自然语言处理领域关注的重点问题。网络中的数据通常是以自然语言的形式存在,但计算机处理自然语言时只能获取到自然语言的一些表面信息而不能对其进行更高层次的语义... 详细信息

网络中的数据量迅速增长,如何挖掘并利用网络数据中有用的信息是当前自然语言处理领域关注的重点问题。网络中的数据通常是以自然语言的形式存在,但计算机处理自然语言时只能获取到自然语言的一些表面信息而不能对其进行更高层次的语义分析,因此不能有效挖掘到这些数据中的有用信息。知识图谱把非结构化的自然语言转换成结构化的形式,在对数据的描述方面具有特别大的优势。如果能把网络数据和知识图谱关联起来,运用知识图谱中的结构化信息,计算机在对网络数据进行处理时就能更深层次的理解数据的语义信息,这促进了自然语言处理领域的发展。将自然语言和知识图谱进行关联所使用的技术称为实体链接技术,实体链接技术是指在知识图谱中找到文本中出现的实体指称所对应的真实实体的过程。然而自然语言中的一些实体指称存在着一词多义或多词一义的现象,因此在将自然语言和知识图谱之间进行实体链接的时候,需要进行消歧操作找到文档中实体指称在知识图谱中所对应的实体。实体消歧技术分为局部消歧和全局消歧两种。局部消歧是指对文档中的实体指称单独进行消歧,没有考虑同一篇文档中的实体之间的关联信息;全局消歧利用文档中实体之间的关联信息对所有实体进行协同消歧,但如何提取实体之间的关联信息是需要考虑的问题。本文对实消歧技术进行研究,提出一种文档级的实体消歧技术。该技术将局部消歧和全局消歧相结合,包括以下两个方面的工作:首先利用文档中的实体指称的上下文信息对单个实体指称进行局部消歧。本文局部消歧采用基于深度学习的方法,利用Bi LSTM+Attention模型捕获文本中实体指称的上下文特征向量,利用Trans E模型来表示知识图谱中候选实体的特征向量,然后利用相似性函数计算实体指称和候选实体的之间的相似性得分,将相似性得分作为候选实体的局部消歧得分。其次利用文档中的所有实体指称之间的关联信息和候选实体的局部消歧得分,采用基于关联图和Page Rank算法的全局消歧模型进行对文档中的所有实体指称协同消歧。本文提出一种关联图的构造方法,基于知识图谱,将一篇文档中的所有实体指称的候选实体构成关联图。利用卡茨相关性计算实体之间的关联度,利用每个实体的局部消歧得分计算每个实体节点的Page Rank初始值。采用Page Rank算法对图进行迭代运算,每次迭代完成时,挑出得分最高的候选实体作为所对应实体指称的最佳匹配实体,逐步完成整个文档中所有实体指称的消歧。最后通过消融实验和对比实验对本文所提方法的消歧效果进行验证和分析。在消融实验中,通过设置消融模型以验证加入全局特征后对于消歧效果的积极影响。在对比实验中,通过与其他消歧方法的消歧效果进行对比来证明本文方法的有效性。将准确率、召回率、F1值和耗时作为实验的评价指标,实验结果表明本文的方法具有较好的消歧效果。

关键词：知识图谱实体链接实体消歧双向长短期记忆模型注意力机制 PageRank算法

来源：评论

学校读者我要写书评

暂无评论

疫情相关防控政策发布下网民情感分析

疫情相关防控政策发布下网民情感分析

引用

作者：汪明佳中南大学

学位级别：硕士

随着新型冠状肺炎突发公共卫生事件在全球范围内的爆发,各地为了减少确诊病例的新增,颁布了各种相关的防控政策。政策的发布与执行必然会对公众产生影响,微博等社交媒体便成为了公众表达相关情感的平台之一。政府想要及时了解政策所带... 详细信息

随着新型冠状肺炎突发公共卫生事件在全球范围内的爆发,各地为了减少确诊病例的新增,颁布了各种相关的防控政策。政策的发布与执行必然会对公众产生影响,微博等社交媒体便成为了公众表达相关情感的平台之一。政府想要及时了解政策所带来的影响并做出相应的对策,则要对公众的情感进行分析。目前,关于防控政策的研究主要集中于它对社会经济、自然环境、教育等方面的影响,针对公众心理情感的分析鲜少涉及。本文将政策和公众情感联系到一起,丰富了该主题的研究内容。通过网络爬虫技术获得了2022年4月1日至2022年5月31日上海“全域静态管理”政策执行期间,相关话题下网民所发表的博文数据以及他们的用户信息。本文采用加权word2vec模型进行特征提取,并使用支持向量机、朴素贝叶斯、随机森林、XGBoost四种机器学习算法和循环神经网络、双向长短期记忆模型两种深度学习算法来构建分类器模型并进行模型评价,最终发现双向长短期记忆模型效果最佳,准确率达到84%,AUC值达到0.91。使用双向长短期记忆模型来确定情绪类型,然后从性别、用户类型、地区、时间等维度对预测结果进行分析。研究发现,女性、未认证用户、非上海网民在政策执行期间情绪的表达更偏向于消极,官方积极政策和消息的发布能够引导公众情绪往正向延伸。最后,基于研究得出的结论,为政府减少政策可能带来的负面影响提供相关的建议。图15幅,表18个,参考文献62篇

关键词：情感分析防控政策深度学习 word2vec 双向长短期记忆模型

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的事件抽取技术研究

基于深度学习的事件抽取技术研究

引用

作者：张震杭州电子科技大学

学位级别：硕士

事件抽取是指在含有事件信息的非结构化文本中,自动检测并抽取出事件参与者、时间、地点等用户感兴趣的信息。事件抽取是其它高阶自然语言处理任务的基础,已被广泛用于知识图谱、文本自动摘要、文档检索、推荐系统和情感分析等领域。近... 详细信息

事件抽取是指在含有事件信息的非结构化文本中,自动检测并抽取出事件参与者、时间、地点等用户感兴趣的信息。事件抽取是其它高阶自然语言处理任务的基础,已被广泛用于知识图谱、文本自动摘要、文档检索、推荐系统和情感分析等领域。近年来深度学习模型在自然语言处理领域中表现卓越,基于深度学习的特征提取技术理论研究也变得更加成熟。本文就事件抽取任务中深度学习模型的应用问题展开深入研究,主要研究内容如下:(1)针对传统事件抽取过程出现的一词多义、特征提取不充分等问题,提出一种基于BERT预训练模型和多特征融合的事件抽取方法,将事件抽取过程分成两步:事件触发词抽取和事件元素抽取。在事件触发词抽取阶段,首先利用BERT预训练模型进行文本向量化表示;然后,融合卷积网络提取的词汇级别特征和图卷积网络提取的句子级别特征得到新的事件信息特征;最后将新的事件特征输入分类器,为事件句序列进行触发词标签预测,并利用条件随机场模型对预测标签进行约束。在事件元素抽取阶段,抽取过程与触发词抽取大致相同,唯一的区别是在融合词汇特征和句子特征时,需要加上触发词所代表的事件类型特征。在ACE2005英文数据集上进行实验验证,事件触发词分类任务和事件元素分类任务在测试集上的F1值分别为71.1%和56.4%。(2)从优化事件抽取过程的角度出发,提出无触发词的事件抽取思想,摒弃事件触发词位置的检测,利用组合标签策略将事件类型标签和事件元素角色标签重新组合成新的标签,利用Attention机制和Bi LSTM模型对事件进行新标签的序列标注,从而达到事件类型分类和事件元素的抽取目的。首先,利用BERT模型对文本进行向量化表示,然后利用Bi LSTM模型对事件序列进行双向编码,并引入注意力机制计算序列单词对事件特征的贡献度。通过单模型实现事件抽取任务,并采用Du EE中文数据集验证了提出方法的有效性。

关键词：深度学习事件抽取 BERT预训练模型特征融合图卷积神经网络注意力机制双向长短期记忆模型

来源：评论

学校读者我要写书评

暂无评论

基于神经网络的中文命名实体识别研究

基于神经网络的中文命名实体识别研究

引用

作者：王蕾南京师范大学

学位级别：硕士

命名实体识别任务是指从文本中识别出人名、地名和机构名等专有名词,是自然语言处理的关键技术之一,也是信息抽取、问答系统、机器翻译等应用的重要基础性工作。传统的基于统计学习模型的命名实体识别方法通常需要特征工程,特征对系统... 详细信息

命名实体识别任务是指从文本中识别出人名、地名和机构名等专有名词,是自然语言处理的关键技术之一,也是信息抽取、问答系统、机器翻译等应用的重要基础性工作。传统的基于统计学习模型的命名实体识别方法通常需要特征工程,特征对系统性能有较大影响,但是特征模板的设计需要大量人工参与和专家知识。为了减弱系统对人工特征设计的依赖,本文采用深度学习方法,结合中文命名实体识别任务的特点,研究基于神经网络的中文命名实体识别方法。本文的主要工作如下:(1)围绕命名实体识别任务和深度学习方法,讨论与分析了任务难点、常用的命名实体识别研究方法、深度学习方法基础、词向量以及常用的神经网络模型。(2)基于神经网络的字符标注方式实现了一个中文命名实体识别的基线(base1ine)系统。该方法采用双向长短期记忆模型,将中文命名实体识别任务看作一个序列标注问题,以中文句子中字符向量表示作为输入特征充分考虑上一下文信息,通过对中文序列中的每个字符分配标记完成命名实体识别任务。(3)对基于神经网络的片段级中文命名实体识别方法进行了探索性研究。由于中文句子中的单词间没有分隔符号,中文命名实体识别需要对给定的中文序列进行切分和实体分类。相比于对字符分配标记的方法,对切分片段整体分配标记更为合理,可以避免字符序列化标注方法中由局部标记区分实体边界的不足。本文首次提出了基于神经网络的片段级中文命名实体识别方法,采用两种基于神经网络的模型结构,将神经网络与半马尔可夫条件随机场模型相结合,通过对切分片段整体分配标记完成中文命名实体识别。本文对提出的中文命名实体识别方法进行了一系列实验,实验结果表明,基于神经网络的片段级中文命名实体识别方法相比于base1ine系统方法获得了显著的性能提升。

关键词：中文命名实体识别深度学习双向长短期记忆模型片段级中文命名实体识别

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：