版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领
文档简介
(19)国家知识产权局(12)发明专利审查员蔡秀梅3501号公司37221专利代理师杨琪一种基于多级匹配的兴趣激活新闻推荐方本发明提供了一种基于多级匹配的兴趣激点击新闻的不同相似度下的局部兴趣匹配排名新闻的概率,基于预测概率向用户推荐候选新C解过8出目21.一种基于多级匹配的兴趣激活新闻推荐方法,其特征在于,包括:获取候选新闻和用户历史点击新闻,分别进行新闻编码,得到候选新闻表示和用户历史点击新闻表示;基于用户历史点击新闻表示,采用个性化注意力机制,获得用户全局兴趣特征;所述用户全局兴趣特征为用户历史点击新闻表示的加权和;基于候选新闻表示和用户历史点击新闻表示,采用目标注意力机制来计算每个用户历史点击新闻和每个候选新闻之间的注意力得分,使用注意力得分对用户历史点击新闻进行加权计算,获得用户动态兴趣特征;基于候选新闻表示和用户历史点击新闻表示,在多个不同的相似度水平上捕捉被点击新闻和候选新闻在语义上的相关性,获得不同层次的每个候选新闻与用户历史点击新闻的局部兴趣匹配排名特征;所述局部兴趣匹配排名特征的获取步骤为:基于候选新闻表示和用户历史点击新闻表示,计算关联矩阵;将关联矩阵使用高斯核函数池化,将关联矩阵中的单词交互转换成候选新闻的初步匹配排名特征;基于候选新闻的初步匹配排名特征,应用卷积神经网络与最大池化函数得到每个候选新闻与用户历史点击新闻的局部兴趣匹配排联合用户全局兴趣特征、动态兴趣特征和局部兴趣匹配排名特征,预测用户浏览每个候选新闻的概率,基于预测概率向用户推荐候选新闻。2.如权利要求1所述的一种基于多级匹配的兴趣激活新闻推荐方法,其特征在于,所述新闻编码的具体步骤为:获取新闻的标题;使用新闻标题构建向量表示,得到新闻标题的单词向量序列;将新闻标题单词向量序列输入卷积神经网络,得到上下文单词表示向量的序列;将上下文单词表示向量的序列输入单词级注意力网络,得到新闻的最终表示。3.如权利要求1所述的一种基于多级匹配的兴趣激活新闻推荐方法,其特征在于,所述预测用户浏览每个候选新闻的概率的具体步骤为:基于所述用户全局兴趣特征、动态兴趣特征和候选新闻表示,计算基于用户全局兴趣的匹配分数和基于动态兴趣的匹配分数;基于所述局部兴趣匹配排名特征,计算局部兴趣匹配分数;联合基于用户全局兴趣的匹配分数、基于动态兴趣的匹配分数和局部兴趣匹配分数,计算用户浏览每个候选新闻的概率。4.如权利要求3所述的一种基于多级匹配的兴趣激活新闻推荐方法,其特征在于,所述基于用户全局兴趣的匹配分数为所述用户全局兴趣特征和候选新闻表示的内积。5.如权利要求3所述的一种基于多级匹配的兴趣激活新闻推荐方法,其特征在于,所述基于动态兴趣的匹配分数为所述动态兴趣特征和候选新闻表示的内积。6.一种基于多级匹配的兴趣激活新闻推荐系统,其特征在于,包括:新闻编码模块,其被配置为:获取候选新闻和用户历史点击新闻,分别进行新闻编码,得到候选新闻表示和用户历史点击新闻表示;用户编码模块,其被配置为:基于用户历史点击新闻表示,采用个性化注意力机制,获得用户全局兴趣特征;所述用户全局兴趣特征为用户历史点击新闻表示的加权和;3目标感知兴趣激活模块,其被配置为:基于候选新闻表示和用户历史点击新闻表示,采用目标注意力机制来计算每个用户历史点击新闻和每个候选新闻之间的注意力得分,使用注意力得分对用户历史点击新闻进行加权计算,获得用户动态兴趣特征;多级匹配交互模块,其被配置为:基于候选新闻表示和用户历史点击新闻表示,在多个不同的相似度水平上捕捉被点击新闻和候选新闻在语义上的相关性,获得不同层次的每个候选新闻与用户历史点击新闻的局部兴趣匹配排名特征;所述局部兴趣匹配排名特征的获取步骤为:基于候选新闻表示和用户历史点击新闻表示,计算关联矩阵;将关联矩阵使用高斯核函数池化,将关联矩阵中的单词交互转换成候选新闻的初步匹配排名特征;基于候选新闻的初步匹配排名特征,应用卷积神经网络与最大池化函数得到每个候选新闻与用户历史点击新闻的局部兴趣匹配排名特征;概率预测模块,其被配置为:联合用户全局兴趣特征、动态兴趣特征和局部兴趣匹配排名特征,预测用户浏览每个候选新闻的概率,基于预测概率向用户推荐候选新闻。7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-5中任一项所述的一种基于多级匹配的兴趣激活新闻推荐方法中的步骤。8.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-5中任一项所述的一种基于多级匹配的兴趣激活新闻推荐方法中的步骤。4技术领域[0001]本发明属于新闻的个性化推荐技术领域,尤其涉及一种基于多级匹配的兴趣激活新闻推荐方法及系统。背景技术[0002]本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。[0003]新闻推荐作为推荐系统研究领域的一个重要分支,旨在通过新闻内容和用户信息尽可能多的帮助用户找到与用户兴趣偏好相匹配的新闻。个性化的新闻推荐对帮助用户找到自己感兴趣的新闻、缓解信息过载至关重要。随着基于人工神经网络的深度学习取得了巨大的进步,人们开始尝试利用经典的神经网络架构处理新闻推荐问题。它们通常对每条新闻进行词嵌入获得新闻的表示,然后通过整合用户浏览过的历史新闻来学习每个用户的综合兴趣表示,最后,将该综合向量表示与候选新闻向量匹配来执行推荐。[0004]虽然基于深度学习的方法在新闻推荐上取得了一定的成功,但是,也存在着一定的问题。由于新闻的重要语义特征隐含在不同粒度的文本片段中,然而现有的一些深度学习方法,将学习到的固定用户特征表示只有在最后一步才能与候选新闻匹配,缺乏文本对词语之间的交互,造成的信息损失难以衡量。此外,固定的向量也不能充分表达用户的不同发明内容[0005]为了解决上述背景技术中存在的技术问题,本发明提供一种基于多级匹配的兴趣激活新闻推荐方法及系统,在考虑候选新闻的情况下,依据候选新闻的不同来推导用户兴趣的动态特征向量,进一步加强用户的兴趣表示,增强了预测用户浏览每个候选新闻的概率的鲁棒性和可解释性。[0006]为了实现上述目的,本发明采用如下技术方案:[0007]本发明的第一个方面提供一种基于多级匹配的兴趣激活新闻推荐方法,其包括:[0008]获取候选新闻和用户历史点击新闻,分别进行新闻编码,得到候选新闻表示和用户历史点击新闻表示;[0009]基于用户历史点击新闻表示,获得用户全局兴趣特征;[0010]基于候选新闻表示和用户历史点击新闻表示,采用目标注意力机制来计算每个用户历史点击新闻和每个候选新闻之间的注意力得分,使用注意力得分对用户历史点击新闻进行加权计算,获得用户动态兴趣特征;[0011]基于候选新闻表示和用户历史点击新闻表示,在多个不同的相似度水平上捕捉被点击新闻和候选新闻在语义上的相关性,获得不同层次的每个候选新闻与用户历史点击新闻的局部兴趣匹配排名特征;[0012]联合用户全局兴趣特征、动态兴趣特征和局部兴趣匹配排名特征,预测用户浏览5每个候选新闻的概率,基于预测概率向用户推荐候选新闻。[0013]进一步的,所述新闻编码的具体步骤为:[0014]获取新闻的标题;[0015]使用新闻标题构建向量表示,得到新闻标题的单词向量序列;[0016]将新闻标题单词向量序列输入卷积神经网络,得到上下文单词表示向量的序列;[0017]将上下文单词表示向量的序列输入单词级注意力网络,得到新闻的最终表示。[0018]进一步的,所述局部兴趣匹配排名特征的获取步骤为:[0019]基于候选新闻表示和用户历史点击新闻表示,计算关联矩阵;[0020]将关联矩阵使用高斯核函数池化,将关联矩阵中的单词交互转换成候选新闻的初步匹配排名特征;[0021]基于候选新闻的初步匹配排名特征,应用卷积神经网络与最大池化函数得到每个候选新闻与用户历史点击新闻的局部兴趣匹配排名特征。[0022]进一步的,所述预测用户浏览每个候选新闻的概率的具体步骤为:[0023]基于所述用户全局兴趣特征、动态兴趣特征和候选新闻表示,计算基于用户全局兴趣的匹配分数和基于动态兴趣的匹配分数;[0024]基于所述局部兴趣匹配排名特征,计算局部兴趣匹配分数;[0025]联合基于用户全局兴趣的匹配分数、基于动态兴趣的匹配分数和局部兴趣匹配分数,计算用户浏览每个候选新闻的概率。[0026]进一步的,所述基于用户全局兴趣的匹配分数为所述用户全局兴趣特征和候选新闻表示的内积。[0027]进一步的,所述基于动态兴趣的匹配分数为所述动态兴趣特征和候选新闻表示的内积。[0028]进一步的,所述用户全局兴趣特征为用户历史点击新闻表示的加权和。[0029]本发明的第二个方面提供一种基于多级匹配的兴趣激活新闻推荐系统,其包括:[0030]新闻编码模块,其被配置为:获取候选新闻和用户历史点击新闻,分别进行新闻编码,得到候选新闻表示和用户历史点击新闻表示;[0031]用户编码模块,其被配置为:基于用户历史点击新闻表示,获得用户全局兴趣特[0032]目标感知兴趣激活模块,其被配置为:基于候选新闻表示和用户历史点击新闻表示,采用目标注意力机制来计算每个用户历史点击新闻和每个候选新闻之间的注意力得分,使用注意力得分对用户历史点击新闻进行加权计算,获得用户动态兴趣特征;[0033]多级匹配交互模块,其被配置为:基于候选新闻表示和用户历史点击新闻表示,在多个不同的相似度水平上捕捉被点击新闻和候选新闻在语义上的相关性,获得不同层次的每个候选新闻与用户历史点击新闻的局部兴趣匹配排名特征;[0034]概率预测模块,其被配置为:联合用户全局兴趣特征、动态兴趣特征和局部兴趣匹配排名特征,预测用户浏览每个候选新闻的概率,基于预测概率向用户推荐候选新闻。[0035]本发明的第三个方面提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的一种基于多级匹配的兴趣激活新闻推荐方法中的步骤。6[0036]本发明的第四个方面提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述所述的一种基于多级匹配的兴趣激活新闻推荐方法中的步骤。[0038]本发明提供了一种基于多级匹配的兴趣激活新闻推荐方法,其通过多级匹配交互,保留文本的细粒度信息。从多个不同的相似度水平上对文本词对进行建模,使得编码表达的用户兴趣信息更加丰富。[0039]本发明提供了一种基于多级匹配的兴趣激活新闻推荐方法,其提出基于候选新闻的注意力网络机制,能够自适应地激活不同用户对不同候选新闻的兴趣,依据候选新闻的不同来推导用户兴趣的动态特征向量,进一步加强了用户的兴趣表示,大大提高了模型的表现力。[0040]本发明提供了一种基于多级匹配的兴趣激活新闻推荐方法,其有效分配每个模块得分的权重,有效的融合基于用户全局兴趣的匹配分数、基于动态兴趣的匹配分数、不同相似度水平的兴趣匹配分数,使模型能够更好的进行融合,从而在准确性和速度之间提供了改进的折衷。附图说明[0041]构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。[0042]图1是本发明实施例一的一种基于多级匹配的兴趣激活新闻推荐方法流程图;[0043]图2是本发明实施例一的一个用户新闻的阅读行为的示例图;[0044]图3是本发明实施例一的全局用户兴趣编码示意图;[0045]图4是本发明实施例一的目标感知动态兴趣激活示意图;[0046]图5是本发明实施例一的高斯径向基函数核的变化情况图。具体实施方式[0047]下面结合附图与实施例对本发明作进一步说明。[0048]应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本发明使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。[0049]需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明[0050]实施例一[0051]如图1所示,本实施例提供了一种基于多级匹配的兴趣激活新闻推荐方法,提出一种基于多级匹配的兴趣激活新闻推荐模型MIAR,将获取的候选新闻和用户历史点击新闻输入到该模型中,可以得到用户浏览每个候选新闻的概率,以解决新闻推荐点击预测问题。与先前工作将用户兴趣建模成单一固定的向量匹配候选新闻不同,本发明意识到用户的兴趣7通常是多样化和多粒度的,静态向量并不能充分表达出用户的兴趣;此外,融合成的用户兴趣向量会丢失文本细节的匹配信息;于是,通过目标感知注意网络机制,在考虑候选新闻的情况下,依据候选新闻的不同来推导用户兴趣的动态特征向量,进一步丰富用户的兴趣表示;此外,通过多级匹配交互模块,在多个不同的相似度水平上对文本词对进行建模,获取不同相似度水平的兴趣匹配信息;然后,通过卷积神经网络识分配不同模块的得分的权重,使模型能够更好的进行融合,从而在准确性和速度之间提供了改进的折衷。本发明在MIND真实的新闻数据集上进行了广泛的实验,结果表明与基线模型相比,MIAR模型在性能指标取得了实质性的提高,验证了该模型在新闻推荐方面的有效性。[0052]如图2所示,为一个用户新闻的阅读行为的例子,物、电器安全、体育问题,其中,粗体显示的文本片段闻可以揭示用户对不同主题或事件的兴趣。D₁和D₂历史新闻的主题分别是与“宠物狗”和“减肥”相关。自然的,它们提供了关键线索来选择候选新闻C₁和C₂但是,它们之间的文本匹配与用户兴趣相关的信息对提高用户兴趣多样性特征至关重要。从相关性匹配的角度考虑,D₃历史点击新闻应该匹配候选新闻C₃,它们是非常相关的,都反映了冬天设备的安全使用问题。如果将用户之前点击的不同历史新闻聚合成一个用户向量进行匹配,这种方法可能会造成文本词对间的软匹配信号丢失。即丢失了不同水平相似度的文本词对匹配信息。如“handwarmers”—"Thelittlesun”之间的匹配。除此之外,用户很丰富,用户的兴趣多种多样。若用一个固定大小的嵌入向量来表示用户的综合兴趣特征,固定大小的向量虽代表单个用户的所有兴趣,但是无法动态表达用户的不同兴趣。这会一定程度上限制推荐模型的表达能力。若是扩大该固定长度向量的维度来提高兴趣特征,可能会引起过度拟合的风险并降低模型的性能。然而,本发明观察到没有必要将所有用户兴趣嵌入到一个向量中,比如用户阅读的历史新闻中存在与以下语义线索相关的新闻(梅西,宠物狗,减肥),如果向用户推荐的新闻中出现金毛犬的线索,本发明会关注用户对宠物狗的兴趣,而不是减肥。因此,用户的不同兴趣可以在给出候选项目的情况下被具体激活。[0053]如图1所述,本发明的一种基于多级匹配的兴趣激活新闻推荐方法,主要有两部分组成:局部表示匹配部分(左)与分布式匹配部分(右),该方法含有的两个部分包含以下几个主要的步骤,新闻编码、用户编码、目标感知兴趣激活、多级匹配交互以及计算用户点击候选新闻的概率的预测。[0054]步骤1、如图1所示的新闻编码模块,获取候选新闻和用户的点击新闻,进行新闻编码。[0055]步骤101、标题编码:获取用户的点击新闻以及候选新闻的标题,使用新闻标题构建向量表示,得到新闻标题单词向量序列。[0056](1)使用预先训练好的Glove嵌入,用M个单词来表示新闻标题,得到新闻标题单词[0057](2)通过一个词嵌入查找表We∈R×°,将新闻标题单词序列转换成单词向量序[0058]步骤102、将新闻标题单词向量序列输入卷积神经网络CNN,得到上下文单词表示8fake”。其中“apple”和“fake”这两个词的组合对理解该苹果为苹果手机而非水果非常重[0061]其中,e(i-K):(i+K)是从位置i-k到i+k的单词嵌入的连接,F„∈RN×2k+D和表示。化注意力机制,得到新闻标题中的每个单词的嵌入权重α,这些权重可以体现用户对每个[0067]将新闻编码器应用于用户所有的点击新闻,得到用户的点击新闻的表示[r₁,9[0074]用户的全局兴趣特征为S,用户全局兴趣特征为用户历史点击新闻表示的加权[0076]步骤3、目标感知兴趣激活:基于候选新闻的表示和用户的历史点击新闻的表示,采用目标注意力机制来计算每个用户历史点击新闻和每个候选新闻之间的注意力得分,使用注意力得分对用户历史点击新闻进行加权计算,获得用户的动态兴趣特征。[0077]用户浏览过的历史新闻压缩成一个固定的表示向量会一定程度上限制用户的兴趣特征。简单来说,用户兴趣通常是多粒度的,固定大小的向量代表单个用户的所有兴趣,并不能动态表达不同的用户兴趣。此外,先前的工作仅使用用户点击的历史序列来捕获用户的兴趣,并没有考虑与候选新闻之间的联系。据此,本发明设计了一种基于候选新闻的注意力机制,该机制能够自适应地激活不同用户对不同候选新闻的兴趣,依据候选新闻的不同来推导用户兴趣的动态特征向量,进一步加强用户的兴趣表示,大大提高了模型的表现[0078]如图4所示,当得到每个候选新闻的嵌入向量,就开始构建候选目标嵌入,以自适应地考虑与候选新闻相关的用户兴趣。这里,将目标嵌入定义为所有要预测的候选新闻。通常,给定推荐的候选新闻只匹配用户的一部分兴趣。为了模拟这一过程,设计了一种新的目标注意力机制来计算用户历史点击新闻相对于每个候选新闻的软注意力分数。因此,引入了一个目标注意力机制来计算所有历史点击新闻r;和每个候选新闻r′之间的注意力得分。[0079]首先,将由一个参数共享的权重矩阵W∈R~×N非线性变换应用于每个历史点击-候选新闻对;[0084]所获得的用户动态兴趣特征因候选新闻嵌入的不同而不同。[0085]步骤4:多级匹配交互:基于候选新闻表示和用户历史点击新闻表示,获得每个候选新闻与用户历史点击新闻的在不同的相似度下的局部兴趣匹配排名特征。具体的,基于候选新闻表示和用户历史点击新闻表示,在多个不同的相似度水平上捕捉被点击新闻和候选新闻在语义上的相关性,获得不同层次的每个候选新闻与用户历史点击新闻的局部兴趣匹配排名特征。矩阵。[0090]其中,是第k个候选新闻标题的第i个词嵌入,是题的第j个词嵌入。[0096]其中,K(M;)将k个核应用于关联矩阵的候选新闻的每一个单词对应的行,将其汇总成一个k维特征向量。每个候选新闻词的特征向量的对数和形成候选新闻排序特征向(极限)和1(当MK,N=μ的时候)之间。K通过计算单词对的相似性越较大时,此时向量M₁K,N-μ之间距离的变化对指数整体数值的影响就会变小,曲线比较平别计算新闻标题内各个词的软词频(Soft-TF),之后将各词的软词频加和得到用于排序的特征。新闻匹配的较强显著信号作为用户和候选新闻之间的最终匹配向量。经过卷积之后的第k个候选新闻与历史点击新闻的不同相似度下的局部兴趣匹配排名特征表示为,其计算用户全局兴趣的匹配分数30ba和基于候选新闻激活的动态兴趣匹配分数arge,公式如局部表示匹配中,推荐是基于根据候选新闻文章在印象中候选新闻与历史点击新闻匹配形成词语之间的关联矩阵。在关联矩阵上应用多级匹配交条新闻应用负采样技术预测点击评分。即新闻由一个用户的正样本和随机选择的一的负样本组成。之后,共同预测正面新闻和[,₂,…,k]个负面新闻。[0119]本发明考虑到候选新闻的广泛性和用户的兴趣的多样性,单一的固定向量很难精确建模并且限制了推荐模型的表示能力。与先前工作将用户点击的历史新闻抽象成固定用户兴趣向量匹配候选新闻不同,本发明的模型联合了多级匹配交互,保留文本的细粒度信息。从多个不同的相似度水平上对文本词对进行建模,使得编码表达的用户兴趣信息更加[0120]此外,本发明意识到用户不同阶段的浏览新闻序列可以体现用户的兴趣变化,静态向量并不能充分表达出用户的兴趣。据此,设计了一种基于候选新闻的注意力网络,能够自适应地激活不同用户对不同候选新闻的兴趣,依据候选新闻的不同来推导用户兴趣的动态特征向量,进一步加强用户的兴趣表示,大大提高了模型的表现力。最后,有效的融合不同模块的得分的权重,从而在准确性和速度之间提供了改进的折衷。实验结果表明,在MIND真实的新闻数据集上的进行了实验,验证了本发明的模型的有效性。此外,通过案例分析,目标注意力网络模块还增强了点击预测的鲁棒性和可解释性。[0122]本实施例提供了一种基于多级匹配的兴趣激活新闻推荐系统,其具体包括如下模[0123]本发明的一种基于多级匹配的兴趣激活新闻推荐系统,主要有两部分组成:局部表示匹配模块与分布式匹配模块,该系统含有的两个核心模块包含以下几个主要的组件:新闻编码模块、用户编码模块、目标感知兴趣激活模块、多级匹配交互模块以及计算用户点击候选新闻的概率的预测模块。[0124]新闻编码模块,其被配置为:获取候选新闻和用户历史点击新闻,分别进行新闻编码,得到候选新闻表示和用户历史点击新闻表示;[0125]用户编码模块,其被配置为:基于用户历史点击新闻表示,获得用户全局兴趣特[0126]目标感知兴趣激活模块,其被配置为:基于候选新闻表示和用户历史点击新闻表示,采用目标注意力机制来计算每个用户历史点击新闻和每个候选新闻之间的注意力得分,使用注意力得分对用户历史点击新闻进行加权计算,获得用户动态兴趣特征;[0127]多级匹配交互模块,其被配置为:基于候选新闻表示和用户历史点击新闻表示,在多个不同的相似度水平上捕捉被点击新闻和候选新闻在语义上的相关性,获得不同层次的每个候选新闻与用户历史点击新闻的局部兴趣匹配排名特征;[0128]概率预测模块,其被配置为:联合用户全局兴趣特征、动态兴趣特征和局部兴趣匹配排名特征,预测用户浏览每个候选新闻的概率,基于预测概率向用户推荐候选新闻。[0129]此处需要说明的是,本实施例中的各个模块与实施例一中的各个步骤一一对应,其具体实施过程相同,此处不再累述。[0130]实施例三[0131]本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例一所述的一种基于多级匹配的兴趣激活新闻推荐方法中的[0133]本实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述实施例一所述的一种基于多级匹配的兴趣激活新闻推荐方法中的步骤。[0134]本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储
温馨提示
- 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
- 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
- 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
- 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
- 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
- 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
- 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
最新文档
- 2026年智慧工厂物联网数据采集与管理报告
- 2026年旅游行业项目环评与可研报告
- 2026年汽车后市场行业财务风险控制报告及发展趋势
- 2026年服装电商报告:数字化转型与消费者行为
- 2026年公寓租赁市场报告:趋势洞察与投资指南
- 2026年家居安防行业报告:疫情后时代安防产品市场需求分析
- 2026年互联网行业标准规范与市场准入研究报告
- 2026年大数据安全防护与合规建设报告
- 小学语文面试历年考题题库及参考答案
- 飞检中医病历指南2026
- 2025年南宁铁路机考题库及答案
- 基于培养方案剖析牛津大学本科生培养模式及启示
- 统编版(2024)七年级上册语文期中复习:第1~3单元共3套单元测试卷汇编(含答案)
- 化工电仪安全培训课件
- Costco供应商行为准则审核指南-202301修订(中文)
- 文书档案数字化培训课件
- 核电厂管工基础知识培训课件
- 2025至2030中国汽车主动健康监测系统行业项目调研及市场前景预测评估报告
- 《法国电影》课件 - 欣赏法国电影艺术的魅力
- 《汽车底盘机械系统检测与修复》 学生实训工单9-制动系统结构拆装与检修实训
- 基坑松木桩加固方案
评论
0/150
提交评论