检索结果-内蒙古大学图书馆

计算机工程与应用 2023年第22期59卷 144-150页

作者：郭晓陈艳平唐瑞雪黄瑞章秦永彬贵州大学公共大数据国家重点实验室贵阳550025 贵州大学计算机科学与技术学院贵阳550025 贵州财经大学信息学院贵阳550025

识别谓语中心词是理解句子的关键,对于分析汉语结构具有重要意义。汉语结构松散导致谓语中心词识别困难,成为中文信息处理中的难点问题。由于单个句子中只有一个谓语中心词,枚举跨度将会产生大量负样本,导致正负样本不平衡。谓语中心词... 详细信息

识别谓语中心词是理解句子的关键,对于分析汉语结构具有重要意义。汉语结构松散导致谓语中心词识别困难,成为中文信息处理中的难点问题。由于单个句子中只有一个谓语中心词,枚举跨度将会产生大量负样本,导致正负样本不平衡。谓语中心词及高度重叠的负例样本之间共享相同的上下文,语义相近,容易产生误报。为了解决这些问题,提出一种基于边界回归的谓语中心词识别方法。首先识别谓语中心词的边界,然后通过边界组合生成跨度,从而减少跨度负样本的数量并且降低计算的复杂度。通过边界回归模块,更新跨度在句子中相当于谓语中心词的位置,提高跨度边界的准确性。通过增加约束策略,输出唯一的谓语中心词。实验结果显示,该模型的F值达到了84.41%,验证了该模型识别谓语中心词的有效性。

关键词：谓语中心词跨度边界回归

来源：评论

学校读者我要写书评

暂无评论

基于边界回归的谓语中心词识别方法研究

基于边界回归的谓语中心词识别方法研究

引用

作者：尚千壹贵州大学

学位级别：硕士

随着互联网的快速发展,文本数据呈现爆炸式增长。如何通过获取句子的关键信息从而快速提取文本中的有效信息成为需要解决的问题。谓语中心词是句子的核心,在句子中具有唯一性。谓语中心词在表达动作、状态或过程时起着关键作用,因此识... 详细信息

随着互联网的快速发展,文本数据呈现爆炸式增长。如何通过获取句子的关键信息从而快速提取文本中的有效信息成为需要解决的问题。谓语中心词是句子的核心,在句子中具有唯一性。谓语中心词在表达动作、状态或过程时起着关键作用,因此识别谓语中心词有助于理解句子的结构和意义。然而,在谓语中心词的识别方法中,传统的识别方法大多使用序列标注算法,输出一条概率最大的标注路径。输出路径中可能包含多个谓语中心词,难以实现对谓语中心词的直接定位。针对此问题,本文提出了面向句子的谓语中心词边界回归方法和面向跨度的谓语中心词边界回归方法。分别介绍如下:(1)提出了一种面向句子的谓语中心词边界回归方法。该方法不同于传统分类方法预测候选谓语中心词的类别标签,而是创新性地采用回归网络,直接输出谓语中心词在句子中的开始位置和结束位置。有效解决了谓语中心词识别当中的唯一性问题。该模型将文本输入至BERT得到语义表示,接着利用Bi-LSTM层捕捉句子表征的信息,通过卷积层对其进行进一步的特征提取,获得整个句子的抽象表示。最后,使用两个回归层分别输出谓语中心词的开始边界和结束边界。该模型在实验数据集中取得了82.99%的F1值。(2)提出了一种面向跨度的谓语中心词边界回归方法。该方法以跨度作为输入,对跨度进行分类和筛选。通过分类预测跨度的类别,并预测相对于真实谓语中心词的偏移量。首先,文本经过编码层获得句子的向量表示。在句子向量表示的基础上,通过枚举谓语中心词的开始位置和结束位置得到候选跨度。然后,通过分类器检测候选跨度中的负样本,将其过滤,降低正负样本中的数据不平衡问题。最后,使用一个偏移预测模块来预测候选跨度相对于谓语中心词的左右边界偏移量。按照偏移量调整候选跨度,最后在跨度回归层中根据非极大值抑制算法去除冗余的候选跨度,得到谓语中心词的预测结果。该方法是面向句子的谓语中心词识别方法的补充。可以缓解生成长句子抽象表示时语义压缩导致的性能不足问题。该模型通过跨度将谓语中心词的开始和结束关联起来,在实验数据集中取得了83.18%的F1值,有效预测了数据集中的谓语中心词。

关键词：谓语中心词唯一性边界回归跨度回归

来源：评论

学校读者我要写书评

暂无评论

基于实体边界的实体关系抽取模型研究

基于实体边界的实体关系抽取模型研究

引用

作者：唐瑞雪贵州大学

学位级别：博士

随着大数据时代的到来,每天都有大量的非结构化文本数据产生,其中蕴藏着丰富的有价值的信息。面对海量的数据,信息抽取技术能够实现自动地从非结构化的文本中抽取出有价值的结构化数据,以便更好地为人们提供服务。实体关系抽取作为信息... 详细信息

随着大数据时代的到来,每天都有大量的非结构化文本数据产生,其中蕴藏着丰富的有价值的信息。面对海量的数据,信息抽取技术能够实现自动地从非结构化的文本中抽取出有价值的结构化数据,以便更好地为人们提供服务。实体关系抽取作为信息抽取中的核心任务,可以通过对文本信息建模,自动抽取出文本中的命名实体并确认实体之间存在的语义关系,形成<头实体,关系,尾实体>结构的三元组。抽取出的三元组是实现知识图谱自动构建的重要基础,可以应用于自动问答、搜索引擎、推荐系统等领域。近些年来深度学习发展迅速,其强大的参数学习和特征提取能力弥补了传统的机器学习算法和人工构建特征的不足,更加有利于实体关系抽取模型的构建。但是,目前模型依然存在诸多挑战,如:1)现有工作采用序列标注模型为每个单词分配唯一的标签,无法处理识别对象的多标签问题;2)现有工作采用管道方式,不仅存在错误传播问题,而且忽略了实体识别和关系抽取任务之间的交互;3)现有工作无法有效地利用与真实实例部分匹配的对象,由于语义特征相似,这些对象容易出现错检和漏检的情况,进而影响了模型性能;4)现有工作利用上下文特征进行分类,当识别对象在文本中相互重叠时,它们会共享相同的上下文特征,从而难以进行区分。在实体关系抽取任务中,命名实体具有唯一的开始边界和结束边界。同时,边界识别具有粒度小、不依赖于其他NLP任务;歧义小,更依赖局部特征等特点。在基于深度学习的实体关系抽取模型中,将实体定义为带边界参数的抽象语义表示,可以唯一标识文本中的实体和关系,区分文本中互相重叠的语义。为此,本文围绕上述挑战,结合实体边界信息,从识别多标签的对象、联合建模实体和关系之间交互关系、有效利用部分匹配对象和解决上下文特征重叠四个方面展开研究。本文主要工作包括以下几方面:(1)针对如何处理识别对象的多标签问题,本文提出了基于边界决定的实体关系抽取模型(Boundary Determination Model,BD)。该模型采用管道方式,通过实体边界来定位候选实体,支撑重叠语义识别,再将实体边界及相关信息进行特征组合,有效利用数据信息,学习到文本中关键语义信息和结构信息。实验表明,BD模型的性能超过了对比实验中的所有模型,验证了实体边界对实体关系抽取任务非常重要。(2)针对如何建模实体和关系之间的交互关系,本文在BD模型的基础上提出了一种基于边界组合的实体关系联合抽取模型(Boundary Assembling Model,BA)。该模型设计了边界检测、跨度分类和关系抽取三个共享任务。在训练过程中,将实体边界作为监督信息,通过在多任务之间共享模型参数,从而缓解管道方式中存在的错误传播和任务交互不足的问题,提升联合抽取模型的整体性能。实验表明,BA模型在四个公共数据集上优于对比模型。(3)针对如何有效地利用部分匹配对象,本文提出了基于边界回归的实体关系联合抽取模型(Boundary Regression Model,BR)。构建多目标学习框架,在预测类别标签的同时定位实体在文本中位置,对不准确的候选实体进行边界更新,以学习更加准确的文本表示和减少假阳性的影响。实验表明,BR模型在四个公共数据集上优于对比模型,验证了边界回归机制对抽取任务有效。(4)针对如何解决上下文特征重叠问题,本文提出了基于多尺度边界聚合的实体关系联合抽取模型(Multi-Scale Boundary Aggregation Model,MSBA)。通过交叉编码将实体跨度表示映射为二维实体表格,可以编码与关系相关的实体语义表示。这样,同一实体就可以学到不同的语义表示,以便区分重叠的关系三元组。此外,提出了多尺度特征增强模块来充分利用二维实体表格,具有聚合多尺度特征和增强实体表中语义相关性的能力。实验表明,MSBA模型在两个公共数据集上优于对比模型,可以很好地面对复杂语言场景。

关键词：实体关系抽取实体边界边界决定边界组合边界回归多尺度边界聚合

来源：评论

学校读者我要写书评

暂无评论

基于边界的嵌套命名实体识别方法研究

基于边界的嵌套命名实体识别方法研究

引用

作者：武乐飞贵州大学

学位级别：硕士

命名实体识别是自然语言处理中一项基础性研究任务。传统方法使用浅层序列标注模型(如:隐马尔科夫、条件随机场)对每个字输出一个分类标签,分别表示实体的“开始”,“后续”和“外部”(B-I-O编码)。序列模型通常采用动态规划算法输出一... 详细信息

命名实体识别是自然语言处理中一项基础性研究任务。传统方法使用浅层序列标注模型(如:隐马尔科夫、条件随机场)对每个字输出一个分类标签,分别表示实体的“开始”,“后续”和“外部”(B-I-O编码)。序列模型通常采用动态规划算法输出一条概率最大的标注路径。由于传统命名实体识别主要针对单个句子进行处理,所以上下文特征稀疏问题非常严重。另外,输出一条概率最大的标注路径无法识别嵌套的命名实体。为了识别嵌套的命名实体,相关研究大多采用级联模型:先产生候选实体,再进行分类。级联模型只能对每个阶段进行优化,无法获得全局最优,而且容易产生级联失效(Cascading Failure)的问题。针对命名实体识别特征稀疏和嵌套实体识别困难的问题,本文提出了一种基于深度边界组合的模型(NNBA)。NNBA在边界组合算法的基础上,构建了基于BERT的级联模型。该模型采用基于Bi-LSTM-CRF的序列标注算法识别命名实体的开始边界和结束边界,通过边界组合后产生候选命名实体,最后采用MultiLSTM模型进行实体筛选。由于BERT能够利用外部数据自动获取词的抽象语义表示和上下文依赖,NNBA能够有效解决浅层学习模型面临的特征稀疏问题。在ACE2005中文数据集上的F1值达到了90.12%,超出对比方法17%。针对级联模型的缺点,本文在NNBA的基础上提出了端到端的边界回归模型(BR)。该模型借鉴了图像目标检测领域的算法思想,结合线性文本序列和命名实体识别的特点,采用了线性采样算法和边界回归算法。通过端到端的方式构建了基于神经网络和边界回归算法的多目标学习框架,在预测文本边框分类标签的同时,对其位置进行预测,可以更有效利用标注数据中的监督信息。BR模型在ACE2005中文数据集上取得了良好的性能,F1值达到了89.30%。

关键词：嵌套命名实体识别边界组合边界回归信息抽取深度学习

来源：评论

学校读者我要写书评

暂无评论

基于实体边界的关系抽取方法研究

基于实体边界的关系抽取方法研究

引用

作者：李昊贵州大学

学位级别：硕士

关系抽取旨在从文本中抽取实体与实体之间的语义关系。传统的流水线模型将命名实体识别和关系抽取分别看成两个独立的子任务,先进行命名实体识别,再在此基础上进行关系抽取。由于关系抽取是命名实体识别的上层任务,所以命名实体识别阶... 详细信息

关系抽取旨在从文本中抽取实体与实体之间的语义关系。传统的流水线模型将命名实体识别和关系抽取分别看成两个独立的子任务,先进行命名实体识别,再在此基础上进行关系抽取。由于关系抽取是命名实体识别的上层任务,所以命名实体识别阶段出现错误,就会导致错误扩散,并且无法充分利用两个子任务之间的依存信息,最后影响命名实体识别和关系抽取的整体性能。为了有效缓解和解决错误扩散问题以及忽视两个子任务之间的关系依赖问题,本文提出了基于实体边界的关系抽取方法,分别如下:(1)针对错误扩散问题,本文提出了一种基于实体边界组合的关系抽取方法。通过对一种基于深度边界组合的嵌套命名实体识别模型研究发现,其中实体开始边界的F1值为94.06,实体结束边界的识别F1值为94.88,而最终的实体识别性能则为80.12,实体识别的性能低于实体边界识别的性能。与识别实体相比,实体边界粒度小且具有二义性,更易识别,具有更高的准确率和性能,可以有效的缓解错误扩散的问题。因此该方法不直接使用实体来进行关系抽取,而是跳过实体,转而采用实体边界来进行关系抽取。并且再通过特征组合的方法将实体类型特征和位置特征加入模型中使得模型能够进一步考虑到句子的结构信息,使性能进一步得到了提升,再次减轻了错误扩散带来的影响。实验结果表明,在ACE2005英文数据集上的F1值达到了76.21%,超出对比方法14.11个百分点。(2)针对流水线方法中存在的缺点,本文在实体边界组合的关系抽取方法的基础上提出了一种端到端的基于实体边界回归关系抽取方法。不同于流水线方法中将两个子任务分开进行,该方法采用边界回归的方法同时识别实体在句子中的位置和实体之间的关系。该方法是一种端到端的方法,可以有效地解决流水线方法中存在的错误扩散问题以及忽视两个子任务之间的关系依赖问题。同时,该方法对边界回归算法的应用是关系抽取任务中一种全新的尝试,对未来的关系抽取研究具有积极的推动作用。实验结果表明,边界回归模型在ACE2005英文数据集上取得了良好的性能,验证了边界回归算法在关系抽取中的有效性。

关键词：关系抽取边界回归实体边界组合神经网络

来源：评论

学校读者我要写书评

暂无评论

基于行为主体检测的视频行为快速检测

引用

计算机工程 2019年第12期45卷 257-262页

作者：张杰豪陈华杰姚勤炜侯新雨杭州电子科技大学自动化学院

现有视频行为检测方法在生成候选区域时采用滑窗操作,处理长视频速度较慢。针对该问题,通过对静态行为主体进行定位,提出一种快速检测方法。将长视频分割为若干个视频单元,在每个单元的第1帧中运用Fast R-CNN算法进行行为主体检测,对检... 详细信息

现有视频行为检测方法在生成候选区域时采用滑窗操作,处理长视频速度较慢。针对该问题,通过对静态行为主体进行定位,提出一种快速检测方法。将长视频分割为若干个视频单元,在每个单元的第1帧中运用Fast R-CNN算法进行行为主体检测,对检测到行为主体的单元划定时间区域生成行为发生候选区域,以减少行为检测网络的输入数据。在此基础上,采用3D卷积神经网络判别候选区域类别,对行为类区域进行边界回归,得到准确的行为时间轴定位。实验结果表明,该方法检测速度较TURN方法提升2倍以上,其mAP指标只降低0.7%。

关键词：行为检测行为主体检测边界回归 3D卷积神经网络视频单元

来源：评论

学校读者我要写书评

暂无评论

基于时序分割的复杂行为识别方法研究

基于时序分割的复杂行为识别方法研究

引用

作者：张堃青岛科技大学

学位级别：硕士

行为识别是计算机视觉中一个热门研究方向,但是多数研究在分割过的视频中进行,视频中只有一个行为,而实际采集到的视频往往包含多个需要识别的行为,同时夹杂无关背景信息,在这类未分割的长视频中识别行为的同时确定起止时间坐标,就是时... 详细信息

行为识别是计算机视觉中一个热门研究方向,但是多数研究在分割过的视频中进行,视频中只有一个行为,而实际采集到的视频往往包含多个需要识别的行为,同时夹杂无关背景信息,在这类未分割的长视频中识别行为的同时确定起止时间坐标,就是时序行为检测。现有的时序行为检测方法大多采用先生成行为提议后分类的方式,主要问题有生成的行为提议中真实行为的占比较低、行为提议分类识别率不高等,由于算法复杂度高、计算量大,导致处理速度较慢。本文针对上述问题提出了两种算法,主要围绕以下两个方面展开研究:首先,提出了一种基于双流卷积神经网络结合边界回归的时序行为检测方法,可以在时域范围内生成不同长度的行为提议。使用一种聚类算法生成行为提议,相比滑动窗口更为灵活高效,这种方法通过聚合时域上高概率发生行为的区域产生提议,再使用非极大值抑制去除冗余。行为提议通过多层感知机进行边界回归,使得边界坐标更贴近真实数据,建立了一种三段式特征描述,可以为行为提议片段添加时间上下文信息。该方法在时序行为检测任务通用的大型数据集THUMOS14和ActivityNet中进行实验,识别率分别可以达到30.1%和33.19%,证明该方法可以有效地提升分类准确率。另外,本文基于C3D网络设计了一种可以快速进行时序行为检测的方法,主要针对现有算法运算量大、识别速度慢的问题。该方法借鉴了目标检测中的YOLO和SSD算法,没有额外的特征提取和行为提议生成阶段,在一个端到端的网络中进行时序行为检测,所以运行速度非常快。实验在THUMOS14数据集上进行,准确率为29.1%,相比上述算法略有降低,但是运行速度大大提升,达到了683帧/秒。本文对时序行为检测任务进行了深入研究,针对不同的问题提出了两种解决方案,实验验证后证明了所提出算法的有效性,提升了时序行为检测的准确率和运行速度。

关键词：行为识别卷积神经网络时序行为检测边界回归三维卷积

来源：评论

学校读者我要写书评

暂无评论

当代中国语境下能动司法的合理性研究

当代中国语境下能动司法的合理性研究

引用

作者：周超南京师范大学

学位级别：硕士

在积极应对国际金融危机,切实担负“保增长、保民生、保稳定”的重大司法使命的过程中,能动司法的意义得到了前所未有的凸显。通过司法实务界和法学理论界的不断探讨与总结,目前,我国能动司法的内涵、运行、方法和边界等重要问题逐步明... 详细信息

在积极应对国际金融危机,切实担负“保增长、保民生、保稳定”的重大司法使命的过程中,能动司法的意义得到了前所未有的凸显。通过司法实务界和法学理论界的不断探讨与总结,目前,我国能动司法的内涵、运行、方法和边界等重要问题逐步明确,一些基本共识在人民法院内部业已初步形成,这为探讨能动司法的深层次问题奠定了基础。但是,对能动司法为什么会在金融危机下的中国提出并为我国司法实务界普遍接受的问题却没有作出合理的解释。本文试图在理清能动司法基本内涵和相关概念的基础上,对能动司法在当代中国产生并发挥作用的必要性和可行性进行分析,以弥补能动司法理论上的欠缺,更好地指导能动司法在法院司法活动中的运用。本文的基本思路是：首先,根据现有文献对能动司法的内涵作一个阶段性总结,并对相关概念进行辨析；其次,从法律史、法哲学和现实需求等角度对能动司法的必要性进行分析；再次,从理论基础和现实基础两方面对能动司法的可行性进行论述；最后,强调能动司法的边界回归,防止盲目能动、过度能动,破坏司法权威,倡导一种温和的能动司法。

关键词：能动司法中国语境必要性可行性边界回归

来源：评论

学校读者我要写书评

暂无评论

端到端的嵌套命名实体识别方法研究

端到端的嵌套命名实体识别方法研究

引用

作者：邓力源贵州大学

学位级别：硕士

传统的命名实体识别方法通常采用分类的方法对句子中的每个词进行分类。通过分类标签识别单词在命名实体中的语义角色,如:实体的开始、实体的结束等。为了获取句子的结构特征,传统方法采用序列标注模型(如,隐马尔科夫、条件随机场、循... 详细信息

传统的命名实体识别方法通常采用分类的方法对句子中的每个词进行分类。通过分类标签识别单词在命名实体中的语义角色,如:实体的开始、实体的结束等。为了获取句子的结构特征,传统方法采用序列标注模型(如,隐马尔科夫、条件随机场、循环神经网络等)输出一条最大化的标签序列。其不足之处在于文本中存在大量的嵌套实体。在嵌套实体中,一个单词可能同时属于多个实体,具有多个标签。输出一条最大化的标注路径无法识别嵌套的命名实体。为了有效识别嵌套命名实体,本文分别提出了基于中心度的嵌套命名实体识别算法和基于多尺度特征学习的嵌套命名实体识别算法,分别介绍如下:(1)基于中心度的嵌套命名实体识别算法:该方法首先将句子映射到抽象的表示。然后以每一个单词作为实体的中心,通过回归运算来计算实体左右边界相对于实体中心的偏移量。因为嵌套实体之间不会出现中心重叠的现象,该方法能有效地解决嵌套命名实体识别问题,并能有效抑制生成的低质量边界。在此基础上,本文设计了一个端到端的多目标学习框架,同时预测实体的类别及实体在句子中的位置,并通过共享参数达到全局优化的目的。通过在ACE2005中文数据集进行验证,本文提出的方法能有效识别嵌套的命名实体。(2)基于多尺度特征学习的嵌套命名实体识别算法:上一方法需要识别实体边界相对于中心点的位置偏移。然而,在长实体上,实体边界离中心比较远,语义弱化问题比较严重。针对这一问题,本文提出多尺度的特征学习算法。该方法通过深度的卷积神经网络,对上下文特征映射再次进行特征提取,生成多尺度的句子表示。然后在多尺度句子表示上分别对不同长度的实体进行预测。该方法能有效的检测不同长度的命名实体。另外,本文还设计了Fovea采样算法来代替中心度算法。该方法将抑制低质量边界的任务从训练层级转移到采样层级,能更有效的抑制低质量的边界,降低网络的拟合难度。实验结果显示,改进后的算法能明显提升识别的性能。

关键词：嵌套命名实体边界回归中心度 Fovea采样多尺度特征学习

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的行人多目标跟踪算法研究

基于深度学习的行人多目标跟踪算法研究

引用

作者：王溜电子科技大学

学位级别：硕士

行人目标跟踪是机器视觉中一类被广泛研究的重要问题,其在视频监控、人机交互、自动驾驶等领域应用非常广泛。但是目前的研究主要是针对单目标跟踪,而在真实环境中,往往会出现多个行人,多目标跟踪要面临目标数量动态变化、目标遮挡、新... 详细信息

行人目标跟踪是机器视觉中一类被广泛研究的重要问题,其在视频监控、人机交互、自动驾驶等领域应用非常广泛。但是目前的研究主要是针对单目标跟踪,而在真实环境中,往往会出现多个行人,多目标跟踪要面临目标数量动态变化、目标遮挡、新目标出现和旧目标消失等情况及跟踪场景杂乱等多种因素的干扰。因此设计一个高效、准确的行人多目标跟踪算法仍然是一项具有挑战性的任务。行人多目标跟踪算法通常分为四个步骤:行人检测、特征提取、相似度计算和数据关联。其核心步骤在于目标检测和数据关联,即在每一帧进行目标检测,再利用目标检测的结果来进行数据关联,得到目标轨迹,数据关联更多依赖于特征的提取,比如外观特征、运动特征和时间特征等。本文为改善行人多目标跟踪算法的准确率,围绕多目标跟踪中的特征提取和数据关联步骤展开了研究,提出了一种基于边界回归的多特征融合提取和数据关联的行人多目标跟踪方法,实现了在单个网络中同时进行行人特征提取和数据关联,并采用轨迹置信度对行人目标进行管理,有效改善了行人漏检造成的轨迹中断和遮挡导致的轨迹变换问题。通过在MOT数据集中进行实验,证明本文的算法在行人多目标跟踪准确率上有较大的提高,达到了业界先进水平。具体内容如下:1.针对行人的漏检和误检问题,本文通过在基于特征金字塔的分类与回归网络中加入特征提取分支联合学习,使用行人边界回归的方式来进行运动轨迹预测,使得模型能够适应行人不同尺度的变化,有效降低了行人漏检和误检对跟踪器性能的影响。2.为了避免遮挡导致的目标轨迹漂移和错误关联问题,本文提出了一种基于孪生网络的数据关联方式,使用非极大值抑制从行人检测和运动预测中选取最佳候选框,通过使用最佳候选框的表观特征来构建数据关联矩阵进行学习,从而减少了错误关联,提高了多目标跟踪的准确率。3.针对长时间遮挡导致的轨迹ID变换问题,本文采用轨迹置信度方式,通过对已关联的检测结果和轨迹使用特征加权进行更新,从而形成可靠的行人轨迹。并基于以上改进搭建了一套行人多目标跟踪框架,实现在视频中准确、高效地进行行人多目标跟踪。

关键词：多目标跟踪边界回归数据关联矩阵轨迹置信度

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：