检索结果-内蒙古大学图书馆

作者：段俊文哈尔滨工业大学

学位级别：博士

经过多年的发展,证券行业积累大量的结构化和非结构化数据。证券行业大数据在给市场参与者提供更加丰富和全面的信息的同时,也带来大数据分析和处理的新挑战。传统的依靠人对海量数据阅读分析并做出投资决策的模式在大数据时代已经变得... 详细信息

经过多年的发展,证券行业积累大量的结构化和非结构化数据。证券行业大数据在给市场参与者提供更加丰富和全面的信息的同时,也带来大数据分析和处理的新挑战。传统的依靠人对海量数据阅读分析并做出投资决策的模式在大数据时代已经变得不再现实。将机器智能分析逐渐代替人工分析已经成为行业未来发展的一大趋势。文本的表示是智能分析的关键步骤,前人的研究通过设计特征模板,从原始数据中提取特征表示作为机器学习算法的输入。这类特征模板的设计需要人工参与,费时费力,且常常需要领域专家的知识。同时,对于较复杂的应用,特征的维度可能非常高(高达千万维)且稀疏,且这些特征往往只能运用于特定的领域,无法很好地在不同应用和语言中进行迁移。证券市场行情的变化高度复杂,需要对信息的深度理解。基于深度神经网络的文本表示学习相对于基于离散特征的模型能够更好地表示文本语义,且具有强大的非线性拟合能力,能够更好地刻画特征与学习目标之间的联系。如何将其运用于证券市场行情预测是一个非常值得深入研究和探索的课题。然而相关工作才刚刚起步,还存在预测模型建立在浅层的文本理解基础上、没有有效融合知识、模型的可解释性不足等问题。针对以上问题,我们提出了本文的研究点:市场行情预测中融合知识的事件表示学习:针对现有的事件驱动的预测模型主要是基于单一事件,没有有效地利用背景知识和上下文知识的问题。本文提出了基于融合知识图谱的事件表示和融合上下文知识的事件表示的市场行情预测模型,以更好地表示事件隐含的语义信息。在三个不同市场行情预测任务中的实验结果表明,相对于离散事件表示和不依赖于外部知识的事件表示,融合知识图谱和上下文知识模型在这三个任务中都取得了非常显著的提升。市场行情预测中目标依赖的关键句子表示学习:针对基于事件的模型需要依赖于事件抽取工具,而现有句子表示模型无法有效捕获远距离依赖的问题。本文提出了一个基于树结构网络的目标依赖的句子表示模型,对篇章的摘要进行表示学习。整个模型基于编码器-解码器结构,通过强化学习探索可能的二叉树结构,对能够提高预测结果的结构进行奖励,从而获得更好的目标依赖的句子表示。在基于新闻摘要的累积超额收益预测任务上的实验结果表明,相对于其它基线方法,模型能够取得了更好的预测效果。此外,模型生成的树结构能够帮助理解句子的语义是如何根据特定的目标进行组合的。市场行情预测中目标依赖的篇章表示学习:针对已有篇章表示模型无法针对特定目标建模的问题,本文提出了一个目标依赖的篇章表示框架。该框架的主要思想是使用目标依赖的新闻摘要的表示来衡量新闻中句子的重要性,从而选择和组合最有意义的句子来进行建模。在基于新闻文档的累积超额收益预测任务上,本文的框架给出了目前最好的表现;同时,当结合来自多个新闻文档的信息时,本文提出的方法相对于句子级基线方法的优势更加明显。基于文本表示学习的可解释市场行情预测:针对现有的文本驱动的预测模型可解释性不足的问题。本文提出一个只依赖于文档级(任务级)标签训练的可解释的预测框架。该框架能够在给出预测结果的同时从篇章中抽取关键句子为预测提供解释。在两个不同任务的实验结果表明,本文的方法优于无监督的抽取方法和已有的文档表示模型。同时,模型抽取的结果与人类标注的标准答案高度一致。总之,针对当前文本表示学习在证券市场行情预测中存在的问题,本文致力于两方面的研究,一方面是基于不同粒度的文本(事件级,句子级和篇章级)的表示学习的预测模型,以更好地对不同粒度的文本信息建模。另一方面,本文也研究了构建于文本表示学习模型基础之上的预测模型的可解释性。虽然本文的模型主要针对的是证券市场预测问题,但是本课题提出的基于文本表示的方法是通用的,也将能够被运用于其它文本驱动的预测任务中。

关键词：文本表示学习证券市场行情预测目标依赖的文本表示可解释的预测模型

来源：评论

学校读者我要写书评

暂无评论

面向信息泄露检测的文本表示学习研究及应用

面向信息泄露检测的文本表示学习研究及应用

引用

作者：李锦清中国科学院大学

学位级别：硕士

近年来，随着我国信息化建设的不断推进和互联网应用的日趋普及，通过网络的信息共享大大方便了个人、企业及政府等各级用户的信息传递，然而，高度的公开性、透明性以及数字化，导致敏感信息泄露的可能性以及发生率逐年剧增。大量敏感... 详细信息

近年来，随着我国信息化建设的不断推进和互联网应用的日趋普及，通过网络的信息共享大大方便了个人、企业及政府等各级用户的信息传递，然而，高度的公开性、透明性以及数字化，导致敏感信息泄露的可能性以及发生率逐年剧增。大量敏感数据被贩卖、窃取和无授权滥用，这些信息碎片在高技术助力下可以聚合、叠加，严重危害到个人隐私、企业发展甚至国家安全。信息泄露主要方式为文本泄露，传统的文本信息泄露检测主要判断待检测文本是否包含敏感信息，检测方法可归纳为三种:基于关键词匹配技术、基于传统机器学习方法及基于深度学习方法。基于关键词的信息泄露检测核心在于匹配模式的制定以及关键词集合的构建。随着越来越多的对抗检测手段的出现，仅依靠人工制定模式或扩充关键词集合，已经不能满足检测需求。基于传统机器学习方法的信息泄露检测，虽然比基于关键词匹配技术的检测准确性更高，但是严重依靠手工特征的构建。基于深度学习方法的信息泄露检测虽然解决了端到端执行问题，但是循环神经网络（及其变体）与递归神经网络计算消耗较大，且检测的文本长度受限。　　传统的文本信息泄漏检测通常只判断文本是否是敏感文本，无法提供更细粒度的文本的类型，且无法检测当前的文本是否能与现存已知的敏感文本对应，检测能力存在不足。为弥补上述不足，本文丰富并扩展了传统的信息泄露检测形式，将信息泄露检测分为两种类型:语境检测与片段信息检测，前者进行细粒度的敏感语境分类，后者实现敏感源信息定位。在语境检测任务中，本文细化为两个子任务:单语境检测与多语境检测。单语境检测为待检测文本分配单个语义标签，本文使用基于CNN与基于BERT的方法，后者在各方面评价指标均优于前者;多语境检测为待检测文本分配多个语义标签，由于领域数据集构建困难，本文在细粒度实体分类任务上进行实验，利用开源数据集进行评价，通过施加两种关系归纳偏置约束来增强标签表示，在三个开源数据集上取得最优效果。为了实现泄露信息的定位，本文又进行了片段信息检测。在片段信息检测任务中，本文也将其细化为两个子任务，片段相似检测（复述检测）与片段包含检测（部分语义包含检测）。对于片段相似检测，为了适应大规模数据下的快速检测，本文使用基于Minhash的方法;基于交互的文本相似计算具有精细的匹配粒度，但是计算复杂度高，因此本文提出公共词敏感的文本相似计算技术，只在句子对的公共单词上进行一一交互，降低了时间复杂度，且适用于长文本相似性检测。对于片段包含检测，本文自行构建片段包含数据集，并且使用基于Transformer的局部信息检索方法进行建模，通过构建多粒度的匹配特征，进行二分类。　　本文也提供了两个在线可调用接口进行敏感信息泄露的检测:误告警检测引擎与相似性检测引擎。误告警检测引擎可对基于关键词匹配召回的敏感文本进行深度语义检测，判断其是否为真实告警的数据。相似性检测引擎可支持多种对抗形式的文本相似检测，定位信息泄露项。

关键词：信息泄露检测文本表示学习图神经网络局部信息检索关键词匹配召回

来源：评论

学校读者我要写书评

暂无评论

量子启发的可解释文本表示学习模型

量子启发的可解释文本表示学习模型

引用

作者：李赞天津大学

学位级别：硕士

随着网络大数据的快速积累以及算力的持续提升,针对文本数据的表示学习方法逐渐朝着网络层数更深、语料数据更大、模型结构更复杂的方向发展,这不可避免地加剧其模型原理不透明、决策行为难理解、语义可解释性匮乏等问题。而量子理论以... 详细信息

随着网络大数据的快速积累以及算力的持续提升,针对文本数据的表示学习方法逐渐朝着网络层数更深、语料数据更大、模型结构更复杂的方向发展,这不可避免地加剧其模型原理不透明、决策行为难理解、语义可解释性匮乏等问题。而量子理论以其强大的理论兼容性、可解释性以及信息内涵已经被广泛证明可以作为描述文本对象的“形式化语言”。因此,本文从理论和实践两个方面对量子基础理论以及量子启发的可解释文本表示学习模型进行了探索。在理论上,本文引入了拟密度算子的概念,并着重分析和证明了由局域正交变换生成的拟密度算子的性质。特别地,在已有的信息化公理体系下,本文介绍了如何通过引入后验信息上界公理导出标准量子系统,这对于理解量子力学的信息内涵具有显著意义。在实践上,本文结合量子理论形式化以及拟密度算子框架,从如下两个不同的角度对可解释文本表示学习展开研究:(1)量子纠缠(Quantum Entanglement,QE)为建模复合量子系统各个子系统的非局域相关性提供了有效手段。基于QE形式化,本文拓展了语义空间的表示框架及特征提取操作,且能够有效挖掘文本数据与类别标签的语义关联。另外,结合拟密度算子框架,本文所提出的模型能够有效判断量子态的纠缠状态并提供更丰富的概率模式。最后,基于上述方案,本文实现了两种QE驱动的表示学习模型并应用于文本分类任务。(2)量子弱测量(Quantum Weak Measurement,QWM)作为比标准量子测量更一般化的理论,能够有效解决现有量子启发网络存在的部分局限性问题。从理论出发,本文深入研究了QWM的实验结果——复弱值的性质,及其在建模文本互补信息方面的潜力,从而进一步探索复值特征的可解释性。相应地,本文提出了QWM启发的表示学习框架,并实现了适配于问答匹配和文本分类任务的具体模型。经过实验和分析论证,上述模型相较于部分对比模型显示出较好的泛化性能,并具有良好的透明度和一定程度的可解释性。

关键词：文本表示学习量子纠缠拟密度算子量子弱测量可解释性

来源：评论

学校读者我要写书评

暂无评论

基于文本表示学习的司法领域文本相似度计算

基于文本表示学习的司法领域文本相似度计算

引用

作者：张冬良湘潭大学

学位级别：硕士

文本相似性度量的目标是自动确定一个分数,以指示文本的语义相似性。在司法领域,司法公开化的推进给予了人民群众参与司法的机会,但“类案不同判”的问题随之暴露,已经成为影响司法公信力的主要负面因素之一。相似案例匹配成为解决该问... 详细信息

文本相似性度量的目标是自动确定一个分数,以指示文本的语义相似性。在司法领域,司法公开化的推进给予了人民群众参与司法的机会,但“类案不同判”的问题随之暴露,已经成为影响司法公信力的主要负面因素之一。相似案例匹配成为解决该问题的重要方式之一,在判案时为法官提供相似案例作为判案参照,以降低审判偏离度,对实现司法公正具有重要意义。同时它作为一种新的法律服务形式,满足了公众的法律咨询诉求,降低不合理的诉讼预期。而如何度量司法领域文本相似性就是相似案例匹配的核心问题。司法领域文本具有很强的特殊性、专业性、严谨性等性质,文本较长且高度程式化,语句结构复杂严谨,蕴含了复杂场景下的主客体之间的法律关系和要件事实,但这些信息细微琐碎且分散于整个法律文本中,且相对冗余。现有的方法难以实现对复杂的法律关系和要件事实的捕捉,缺乏领域知识和概念层次知识的指导,难以表示司法领域文本,存在长文本表征问题。针对以上问题,本文提出了基于文本表示学习的司法领域文本相似度计算。在司法领域文本表示方面,考虑到知识图谱拥有极强的异构信息的表示能力和灵活的建模能力,本文通过对司法领域文本构建案情知识图谱,以表示要件事实和法律关系,不仅避免了司法领域文本中要件事实的冗余性问题,还引入了概念层次的知识和领域知识,丰富了对案情信息的表示。在知识表示方面,提出了案情知识图谱的无标签化和泛化操作,增强知识图谱的运算能力和特征表达能力。在文本相似度计算方面,本文构建了图卷积神经网络和孪生卷积神经网络对案情知识图谱进行特征提取,以学习案情知识图谱的特征表示作为文本特征向量计算司法领域文本之间的相似度,并且提出了Drop＿node抑制图卷积神经网络的过拟合。本文采用了“中国法研杯”司法人工智能挑战赛的数据集,在该数据集上的实验结果表明,本文提出的基于文本表示学习的方法在司法领域文本相似度问题上取得了很好的效果。

关键词：文本表示学习知识图谱文本相似度图卷积孪生网络

来源：评论

学校读者我要写书评

暂无评论

基于深度哈希的文本表示学习

引用

计算机系统应用 2022年第6期31卷 158-166页

作者：邹傲郝文宁田媛陆军工程大学指挥控制工程学院南京210007

文本表示学习作为自然语言处理的一项重要基础性工作,在经历了向量空间模型、词向量模型以及上下文分布式表示的一系列发展后,其语义表示能力已经取得了较大突破,并直接促进模型在机器阅读、文本检索等下游任务上的表现不断提升.然而,... 详细信息

文本表示学习作为自然语言处理的一项重要基础性工作,在经历了向量空间模型、词向量模型以及上下文分布式表示的一系列发展后,其语义表示能力已经取得了较大突破,并直接促进模型在机器阅读、文本检索等下游任务上的表现不断提升.然而,预训练语言模型作为当前最先进的文本表示学习方法,在训练阶段和预测阶段的时空复杂度较高,造成了较高的使用门槛.为此,本文提出了一种基于深度哈希和预训练的新的文本表示学习方法,旨在以更低的计算量实现尽可能高的文本表示能力.实验结果表明,在牺牲有限性能的情况下,本文所提出的方法可以大幅降低模型在预测阶段的计算复杂度,在很大程度上提升了模型在预测阶段的使用效率.

关键词：深度哈希预训练语言模型 Transformer结构文本表示学习深度学习注意力机制

来源：评论

学校读者我要写书评

暂无评论

基于文本表示学习的金融市场行情预测

基于文本表示学习的金融市场行情预测

引用

第十五届中国自然语言处理青年学者研讨会(YSSNLP2018)

作者：丁效哈工大社会计算与信息检索研究中心

分析了自然语言处理+金融优势互补，知识图谱在各个领域精耕细作，逐渐显露价值，事理图谱相关研究越来越吸引研究者关注，知识图谱与事理图谱的融合，让事理图谱在金融领域发挥更大作用。

关键词：金融市场行情预测文本表示学习事理图谱

来源：评论

学校读者我要写书评

暂无评论

面向文本的结构——内容联合表示学习模型

引用

计算机应用研究 2020年第S1期37卷 66-68页

作者：张旭王旭强杨青王扬国网天津市电力公司信息通信公司天津300000

随着信息技术的发展,包含文本信息的数据正在爆炸式增长,如何从中获取有用信息具有重要研究价值。由此,文本表示学习成为了自然语言处理领域的一个热点问题。现如今广泛存在的文本数据不仅包含其本身的文字内容,而且还具有文本之间的结... 详细信息

随着信息技术的发展,包含文本信息的数据正在爆炸式增长,如何从中获取有用信息具有重要研究价值。由此,文本表示学习成为了自然语言处理领域的一个热点问题。现如今广泛存在的文本数据不仅包含其本身的文字内容,而且还具有文本之间的结构关系,如论文引用、微博转发等关系。但现有方法通常仅考虑文本内容,忽略了文本间的结构关系。针对该问题,提出一种面向文本的结构—内容联合表示学习模型(SCJL)。该模型可以同时建模文本的内容信息和结构信息,进而得到更全面的表示。在公开数据集上进行了文本分类实验,实验结果证明了该模型的有效性。

关键词：文本表示学习文本结构关系文本分类

来源：评论

学校读者我要写书评

暂无评论

结合表示学习和迁移学习的跨领域情感分类

引用

北京大学学报（自然科学版） 2019年第1期55卷 37-46页

作者：廖祥文吴晓静桂林黄锦辉陈国龙福州大学数学与计算机科学学院福州350116 福建省网络计算与智能信息处理重点实验室(福州大学) 福州350116 福建省信息处理与智能控制重点实验室(闽江学院) 福州350116 香港中文大学系统工程与工程管理学系

针对现有跨领域情感分类方法中文本表示特征忽略了重要单词与句子的情感信息,且在迁移过程中存在负面迁移的问题,提出一种将文本表示学习与迁移学习算法相结合的跨领域情感分类方法。首先,利用低维稠密的词向量对文本进行初始化,通过分... 详细信息

针对现有跨领域情感分类方法中文本表示特征忽略了重要单词与句子的情感信息,且在迁移过程中存在负面迁移的问题,提出一种将文本表示学习与迁移学习算法相结合的跨领域情感分类方法。首先,利用低维稠密的词向量对文本进行初始化,通过分层注意力网络,对文本中重要单词与句子的情感信息进行建模,从而学习源领域与目标领域的文档级分布式表示。随后,采用类噪声估计方法,对源领域中的迁移数据进行检测,剔除负面迁移样例,挑选高质量样例来扩充目标领域的训练集。最后,训练支持向量机对目标领域文本进行情感分类。在大规模公开数据集上进行的两个实验结果表明,与基准方法相比,所提方法的均方根误差分别降低1.5%和1.0%,说明该方法可以有效地提高跨领域情感分类性能。

关键词：文本表示学习迁移学习类噪声估计跨领域情感分类

来源：评论

学校读者我要写书评

暂无评论

融合文本和引用特征的科学技术互动社区识别研究

引用

信息资源管理学报 2024年第6期14卷 116-130页

作者：王嘉杰侯万方马亚雪孙建军南京大学数据智能与交叉创新实验室南京210023 南京大学信息管理学院南京210023

科学与技术间的良好互动模式是催生重大创新的关键,针对以论文和专利为代表的科技创新成果,探索融合文本和引用特征的科学技术互动社区识别方法,有助于研究人员和创新管理者深入理解科学技术互动模式、优化科技创新成果转化和发现科技... 详细信息

科学与技术间的良好互动模式是催生重大创新的关键,针对以论文和专利为代表的科技创新成果,探索融合文本和引用特征的科学技术互动社区识别方法,有助于研究人员和创新管理者深入理解科学技术互动模式、优化科技创新成果转化和发现科技交叉创新路径。本研究基于文本表示学习、图自编码器和相似性网络融合等算法,提出一种融合论文和专利的文本和引用特征的科学技术互动社区识别方法,并从互动社区的互动内容和互动强度角度对特定领域的科学技术互动情况进行全面分析;选取基因工程疫苗领域进行实证分析,并设置对比实验验证该方法的有效性。结果显示,所识别到的科学技术互动社区能够有效描述领域内科学技术互动情况,展示领域内科技交叉创新热点以及互动演化情况,还原科学技术互动社区的发展脉络,为科学技术互动研究提供全新的知识单元和应用场景。

关键词：科学技术互动社区发现图自编码器文本表示学习网络融合

来源：评论

学校读者我要写书评

暂无评论

基于多语境词向量与注意力网络的文本情感分析方法与应用

基于多语境词向量与注意力网络的文本情感分析方法与应用

引用

作者：郑元春中国科学院大学

学位级别：博士

随着互联网技术的高速发展和人工智能的复兴，自然语言处理正在逐渐改变着人们的生产和生活状态，成为继计算机视觉之后又一个全球科研热点。同时，便携式智能设备与无线网络的普及使得用户更加方便的发送实时信息。人们通过门户网站、... 详细信息

随着互联网技术的高速发展和人工智能的复兴，自然语言处理正在逐渐改变着人们的生产和生活状态，成为继计算机视觉之后又一个全球科研热点。同时，便携式智能设备与无线网络的普及使得用户更加方便的发送实时信息。人们通过门户网站、社交媒体、网络博客和手机应用等方式表达自己的情感，为文本情感分析和意见挖掘提供了丰富的非结构化文本数据，同时也为数据处理和文本表示带来了挑战。对文本情感分类任务而言，文本表示学习和文本情感特征的抽取是最重要的两个部分，现有的文本分布式表示学习方法通过语言建模的方式让学习得到的词向量带有一定的语义信息，但是这些方法都假设每个单词只有一个词向量，无法解决一词多义问题。因此，本文利用多语境建模的思想构造了多语境词向量单元，并提出了MS-CBOW和MS-Skip-Gram两个模型，利用层次归一化算法和增强负采样算法分别对模型进行了优化求解。对于文本情感特征的抽取，则是利用语境融合注意力网络来实现，提出了单词级别和句子级别的融合模型，进一步提升了文本情感分类的性能。本文的主要贡献如下:　　（一）多语境词向量文本表示学习单一语境词向量模型的前提是为每个单词只分配一个词向量，因此无法很好的解决一词多义问题。而现有的多语境词向量模型则是利用上下文聚类的方式或是高斯混合建模的方式对上下文信息进行建模，此类方法对于语境数目的设定往往是人工设置固定数值，造成了单一语境单词和单义词的语义分散问题。本文基于现有的分布式表示学习模型，构造了了多语境词向量单元MSWEU，此单元包含了多语境词向量及其对应的语境信息与语境占比信息。并在MSWEU的基础上提出了MS-CBOW和MS-Skip-Gram两个语言模型。通过在学习过程中利用上下文信息与当前语境信息相匹配从而动态决定需要训练的多语境词向量，能够自适应学习单词在语料库中的实际语境分布，从而在一定程度上解决了一词多义问题和单义词语义分散问题。本文将训练得到的多语境词向量分别进行了内外部评测和多语境相似度评测，实验结果显示提出的多语境词向量模型不仅与现有的单一语境词向量模型保持性能一致，而且学习到的多语境信息还超越了其他的多语境模型。　　（二）语境融合注意力文本情感分类深度学习技术的快速发展为文本情感分析提供了强有力的工具，许多的深度网络开始逐渐应用到文本情感分类任务中。卷积神经网络利用多个宽度不同的一维卷积核提取文本句子的局部特征，并通过分层的方式逐渐抽取文本的全局特征。而循环神经网络则是通过自回归的建模方式在编码当前单词的时候利用所有的历史信息。然而，卷积网络会丢失一部分词序信息，循环网络无法建立长距离的依赖关系。本文在注意力机制基础之上，将文本建模成拥有多个通道信息的序列模型，并结合多语境词向量文本表示学习思想，将每个文本序列通道看作是句子的一种语境分量，从而提出了语境融合注意力分类模型SFA-Net，并分别在单词级别和语境级别利用注意力权重进行语境的融合。SFA-Net模型不仅考虑了语境信息对句子信息表达的影响，还通过注意力思想将不同的语境信息进行重组融合。实验结果表明，语境融合注意力分类模型在文本情感分类数据集上表现出了良好的分类性能。　　（三）文本情感分类技术在股票市场上的实证研究股票市场是一个充满各种不确定性因素的复杂系统，其波动受到多方面的影响，因此对股票市场行情的预测以及波动分析不仅有着实际的经济效益，在一定程度还可以提前对股市进行预警，维护市场的健康发展。本研究从投资者情感方面人手，从专业的股票在线评论网站爬取了大量的文本数据并采用人工交叉标注的方式构建了一份股票评论文本情感数据集。利用本文提出的多语境词向量模型和语境融合注意力模型训练出了一个股票文本情感分类器，并将剩余的股票评论进行了自动标注，从而提取了投资者和股票的日度情感特征。在实证分析研究一中，利用情感特征对股市行情进行预测的性能要优于传统的利用交易数据的方式。在实证分析研究二中，通过情感特征构建动态复杂网络并利用网络特征来分析投资者在不同阶段的羊群效应模型，实验结果显示出股票上涨时期，投资者之间的羊群效应要比平时更显著。综合来看，两个基于文本情感分析技术的实证分析为股票市场的研究提供了新的思路和方向。

关键词：文本分类情感分析词向量注意力网络文本表示学习

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：