图神经网络物品推荐算法中研究与应用论文设计
摘要
随着深度学习和机器学习的发展,在推荐领域中也涌现出很多利用相关技术进行推荐的方法,这些方法往往利用用户以及商品信息实现端到端的推荐系统,提升了推荐的性能和效率。在这个过程中,更多新颖的方法被提出以解决推荐的基本难题,从而拓宽推荐系统的性能边界。其中最重要的一点就是通过引入新的数据或者新的数据处理的方法,来提升原有推荐模型的性能。同时,在自然语言处理中,知识图谱这一种数据存储形式越来越受到研究人员们的重视,许多的研究和工作都证明了在知识图谱上进行表达可以获得许多隐含的信息和内容,从而应用于下游的相关工作。
本文关注图谱以及类似的图数据在推荐领域中的应用,研究图神经网络的方法来实现端到端的推荐系统,并提升推荐性能。具体来说,本文基于前人的研究成果,提出了一种图神经网络模型,结合 tucker 分解进行知识表示,实现基础的物品推荐算法。Tucker 分解是一种针对图谱,添加了关系信息的矩阵分解方法,比普通的矩阵分解能更加有效地提取图谱数据的表达。同时,图神经网络,比一般的方法更适合处理图数据这种非欧式数据,从而能更加有效地整合图上信息,最终实现了对于推荐能力的提升。
为了更加方便有效地评估模型的有效性,本文基于相关的研究成果——KGAT 所使用的公开数据集进行实验和评估,并采用同一套评价指标来说明本文研究的重要性和优越性。实验结果表明,本文所提出的模型在同样的评估标准上超越了其他几个基线模型的表现。
关键词:推荐算法,图数据,图神经网络,tucker 分解
ii Abstract With the development of deep learning and machine learning, there are many methods of recommendation using deep learning technology in the field of recommendation algorithm. These methods use user and item information to realize the end-to-end recommendation system, which greatly promotes the development of recommendation algorithm. In this process, more novel methods are proposed to solve the basic problem of recommendation, so as to broaden the performance boundary of recommendation system. The most important point is to improve the performance of the original recommendation model by introducing new data or new data processing methods. At the same time, in natural language processing, knowledge graph, a data storage form, has been paid more and more attention by researchers. Many researches and works have proved that the expression of knowledge graph can obtain a lot of implicit information and content, which can be applied to the downstream related work. This paper focuses on the application of graph and similar graph data in the field of recommendation, studies the method of graph neural network to realize the end-to-end recommendation system and improve the recommendation performance. Specifically, based on the previous research results, this paper proposes a graph neural network model, combined with Tucker decomposition for knowledge representation, to achieve the basic algorithm of item recommendation. Tucker decomposition is a matrix decomposition method which adds relation information to the graph. It can extract the expression of graph data more effectively than the common matrix decomposition. At the same time, the graph neural network is more suitable than the general method to deal with the non Euclidean data such as graph data, so it can integrate the information on the graph more effectively, and finally achieve the improvement of recommendation ability. In order to evaluate the validity of the model more conveniently and effectively, this paper conducts experiments and evaluations based on the relevant research results - the open data set used by KGAT, and uses the same set of evaluation criteria to illustrate the
iii importance and superiority of this study. Experimental results show that the model used in this paper outperforms other baseline models in the same evaluation criteria. Keywords :
Recommendation algorithm, Graph data, Graph neural network,Tucker decomposition
I 目录
摘要 ............................................................................................................................... i
Abstract ........................................................................................................................ ii
图目录 ........................................................................................................................ III
表目录 ....................................................................................................................... IV
第 1 章 绪论 ................................................................................................................ 1
1.1 课题背景 ............................................................................................................. 1
1.2 国内外相关研究 ................................................................................................. 2
1.2.1 一般推荐任务概述 ...................................................................................... 2
1.2.2 图上推荐方法概述 ...................................................................................... 3
1.2.3 图神经网络在推荐上的应用 ...................................................................... 4
1.3 GNN 进行推荐的挑战 ......................................................................................... 5
1.4 针对挑战所进行的工作 ..................................................................................... 5
1.5 论文的结构安排 ................................................................................................. 6
第 2 章 图推荐相关的背景知识 ................................................................................ 7
2.1 理论的知识背景 ................................................................................................. 7
2.1.1 图神经网络 .................................................................................................. 7
2.1.2 图谱的表示学习 ........................................................................................ 14
2.1.3 推荐算法介绍 ............................................................................................ 18
2.2 开源框架的介绍 ............................................................................................... 20
2.2.1 DGL 开源图神经网络框架 ....................................................................... 20
2.3 本章小结 ........................................................................................................... 21
第 3 章 基于 Tucker 分解增强的 GAT 物品推荐模型 ........................................... 22
3.1 任务的详细定义 ............................................................................................... 22
3.1.1 数据的抽象结构 ........................................................................................ 22
3.1.2 推荐的具体方式 ........................................................................................ 24
3.2 模型方法的说明 ............................................................................................... 24
3.2.1 模型整体介绍与思考 ................................................................................ 25
3.2.2 知识表示进行预处理 ................................................................................ 27
3.2.3 模型结构的具体设计 ................................................................................ 28
3.3 本章小结 ........................................................................................................... 34
第 4 章 实验设计与结果分析 .................................................................................. 35
4.1 基准方法概述 ................................................................................................... 35
4.1.1 其他图神经网络方法 ................................................................................ 35
4.1.2 经典方法 .................................................................................................... 36
4.2 评价指标 ........................................................................................................... 37
4.3 整体代码设计 ................................................................................................... 38
II 4.4 实验流程 ........................................................................................................... 40
4.4.1 数据源的分析介绍 .................................................................................... 40
4.4.2 数据预处理与构图 .................................................................................... 41
4.4.3 模型构建参数选择 .................................................................................... 42
4.5 结果分析 ........................................................................................................... 45
4.6 本章小结 ........................................................................................................... 48
第 5 章 总结与展望 .................................................................................................. 49
5.1 全文总结 ........................................................................................................... 49
5.2 未来展望 ........................................................................................................... 49
参考文献 .................................................................................................................... 51
作者简历 ...................................................................................... 错误! 未定义书签。
致谢 .............................................................................................. 错误! 未定义书签。
III 图目录
图 2.1
GraphSAGE 的基本流程 ............................................................................ 11
图 2.2
图上注意力机制 .......................................................................................... 12
图 2.3
RGCN 的基本工作原理 ............................................................................. 14
图 2.4
三种 Trans 方法的投影 ............................................................................... 16
图 2.5
Tucker 分解的核心计算公式示意图 ......................................................... 17
图 2.6
PinSage 核心伪代码流程 .......................................................................... 19
图 2.7
DGL 框架消息传递基本示意图 ................................................................ 20
图 3.1
CF 侧数据与 KG 侧数据的示意图 ............................................................ 23
图 3.2
三种构图方式结构和所包含信息上的区别 .............................................. 24
图 3.3
模型方法整体概述 ...................................................................................... 25
图 3.4
一阶的共同行为 .......................................................................................... 26
图 3.5
二阶的共同行为 .......................................................................................... 26
图 3.6
采样的策略 .................................................................................................. 34
图 4.1
代码整体框架 .............................................................................................. 39
图 4.2
两种模型初始化与不初始化训练的情况对比图 ...................................... 46
图 4.3
注意力熵值的比较 ...................................................................................... 48
IV 表目录
表 4.1
数据源边数与节点数统计表 ....................................................................... 41
表 4.2
具体数据表 ................................................................................................... 41
表 4.3
TkGAT 与其他 GNN 方法实验结果对比 ................................................... 45
表 4.4
模型在不同超参下的实验对比结果 ........................................................... 45
表 4.5
模型与其他基准模型的实验对比结果 ....................................................... 46
表 4.6
采样做为正则手段的实验对比结果 ........................................................... 47
1 第 第1章 章
绪论 1.1 课题背景 随着电商与网络娱乐产业的快速发展,为用户进行个性化推荐商品或者广告已经是互联网公司最重要的能力之一。在如今的互联网公司,各种推荐算法和工程框架层出不穷,而为了拓宽推荐能力的边界,有越来越多新颖的模型与方法被用于推荐任务。随着近年来图神经网络的发展,对于图这样的非欧式数据的探索也越来越多,自然地也有许多研究人员将图神经网络应用到推荐相关的任务上。同时,利用图神经网络(Graph Nerual NetWork)
[1] 不光从方法上有别于一般的推荐算法,其可用的数据范围也扩展到了所有的图结构数据,而使用 side information来增强推荐的能力,尤其是利用知识图谱的信息更是工业界和学术界都在探索的一个方向。基于此,本文将立足于开源数据集和公司的业务数据,研究如何在知识图谱等图结构数据上,更好地利用图神经网络实现推荐任务。
具体来说,如今的推荐算法,通过这几年的不断发展,已经利用深度学习的技术获得了长足的进步。越来越多的工作也说明了深度学习技术在推荐算法中的可行性和重要性。例如由 YouTube 在 2016 年提出的这一架构 [2] ,可以算是深度学习在推荐中工业落地的一个最佳范例,后来在国内的电商推荐环境中,也基本采用了这种形式。后续更多的推荐模型被提出,这些模型或从经典的 FM [3] 算法脱胎而来;或是引入了注意力机制,例如根据当前用户历史行为对用户的兴趣进行捕捉的DIN [4] 、MIND [5] 等算法;以及利用CNN机制进行推荐的DeepCoCNN [6] 模型。但上述模型的改进更多的是研究模型本身对于推荐性能的提升,并不关注数据本身的特性。
因此,更多的研究开始关注于使用更加新颖、更加先进的深度学习技术来提升现有推荐算法的边界,这其中比较重要的一个工作就是利用图谱数据进行推荐任务。例如,基于图的推荐工作,首先是将用户和物品的交互行为表示为图结构或者网络结构,然后利用图上的表示学习来表达节点或者边的语义信息。更进一步,使用图谱进行推荐比较经典的做法是基于路径的推荐方法 [7][8] 。
在这里,本文选择采用的方法是图神经网络。基于深度学习的方法,在图上进行卷积从而对图数据进行处理,以发掘其规律和特征,这类模型被统称为图神网络(GNN)。GNN 的一个发展方向,是借鉴 CNN 的思路,如何在图上进行卷
2 积从而实现图上的卷积神经网络是 GNN 重点需要解决的问题。而 GNN 的一个很重要的作用和知识表示类似,是图上节点和边的稠密低纬表示。
本文所要做的工作就是在充分研究了已有 GNN 相关成果的基础上,提出一种合适的模型,在公开数据集上完成相关的推荐任务,并取得推荐性能的提升。
1.2 国内外相关研究 1.2.1 一般推荐任务概述 从历史的发展来看,推荐系统的研究起源于国外,可以追溯到 1994 年明尼苏达大学 GroupLens 研究组推出的 GroupLens 系统 [9] ,该系统首次使用了协同过滤的算法为 user 推荐 item,并且为后面的推荐系统建立了一个形式化的模型框架。
而当今工业界,往往会将推荐系统分成matching和ranking两个阶段来实现,即对应了粗排和精排。这一架构源于论文 [2] ,由 YouTube 于 2016 提出。在国内的电商推荐环境中,也基本采用了这种形式。
自 1994 年开始协同过滤算法应用在推荐系统以来的二十多年间,协同过滤依然是推荐的核心思路之一。所谓协同过滤就是基于群体的信息,对个体信息进行过滤。协同过滤推荐算法基本可以分为基于用户、基于物品以及基于模型三类。
基于用户的协同过滤最早就是由文章 [9] 提出,它的核心思路是相似用户之间对于物品的喜好可能相同。基于物品的协同过滤则是由亚马逊于2001年提出 [10] ,它的核心思路则是喜欢 A 物品的人也会喜欢与 A 相似的物品 B。
基于模型的协同过滤可以大致分为基于矩阵分解的方法与基于分类模型的方法。SVD 奇异值分解是数学上的一种比较经典的矩阵分解方法,可以将一个矩阵表示成三个矩阵相乘。而 SVD++则是不光利用用户的评分矩阵,也引入了用户的行为矩阵,从而使得信息更加完善和稠密 [11] 。除了直接拟合矩阵值的矩阵分解之外,还有一种基于排序的矩阵分解形式。它的核心思路在于用户对于一个正例商品与一个负例商品,应该使得对于正例的评分高于负例。BPR [12] 就是这样的一个方法,通过构造正负样本对的损失函数,使得 user 和 item 最终的隐式表达的乘积互相远离,实际上后来很多的推荐模型,都会使用类似的损失函数。
基于分类模型的方法中比较经典的算法是分解机(FM)算法,该算法在工业界往往应用于 ranking 阶段。FM 算法 [13] 通过引入特征的二阶项,从而缓解特征稀
3 疏的问题,同时将二阶项的权重分解成两个向量的乘积,因此即便在稀疏特征下也能训练该权重。FM 在之后又有 FFM [14] 、DeepFM [15] 等变种,是推荐在精排阶段非常重要的算法之一。
而随着深度学习的发展,也有越来越多利用深度学习技术实现的经典的推荐算法,例如 NCF [16] 、PNN [17] 、DSSM [18] 、Wide&Deep [19] 等算法模型。其中 DeepFM [15]是将 Wide&Deep 中的 Wide 部分替换成了 FM,然后利用 FM 实现特征的自动交叉。而 Deep 部分则建模特征间的高阶关联,从而优化了原来的 FM 算法。后续还有优化的 xDeepFM [20] 、NFM [21] 等算法。同时,引入注意力机制,实现根据当前用户历史行为对用户的兴趣进行捕捉,也是 DIN、MIND 等算法的核心思路。
这些算法在推荐的召回阶段发挥了不小的作用。此外,还有利用 CNN 实现的推荐模型,例如 DeepCoCNN。
1.2.2 图上推荐方法概述 基于图的推荐工作,是与本研究内容密切相关的一部分工作。将用户和物品的交互行为表示为图结构或者网络结构,然后利用图上的表示学习来表达节点或者边的语义信息是图上推荐的一般做法。在这里可以将其分成两类:单纯的表示学习与引入 KG 的推荐模型。
单纯的表示学习其基本思路是参照 NLP 技术中 word2vec 的方法,通过SkipGram 算法来学习节点之间共现的隐式表达。具体来说,可以从一个节点出发,通过随机游走的方式,找到一批认为与这个点相似的点,通过这种共现学习节点的 Embedding 表示。这种稠密的低维度表示可以在 matching 阶段表示商品与商品之间的相似度,也可以在 ranking 阶段作为特征输入到更复杂的模型中用于精排。DeepWalk [22] 被认为是第一个利用 NLP 中 Embedding 的技术来学习节点表示的方法;而 LINE [23] 则是在方法 [22] 的基础上引入了不同与邻接相似的二阶相似,拓宽了节点相似的范围,使得节点的表达更加抽象。Node2Vec [24] 则是在方法 [22] 的基础上通过引入了更加灵活的随机游走方式,同时也能对高阶的相似进行建模。上文的模型都只考虑了同构图的情况,而对于异构图 Metapath2Vec [25] 则提出了利用元路径来指导随机游走的策略,从而学习节点表达。
使用图谱进行推荐比较经典的做法就是上文提到的异构图推荐的做法,即基于路径的推荐方法 [26][27] 。该类方法将知识图谱构建成一张异构信息网络,然后构造物品之间基于 meta-path 的特征,但这种方法的缺点也很明显,人为地构造 meta-
4 path 的工作量过于繁琐,且难以普适地应用于各种场景。近年来研究人员对于如何将图谱数据应用于推荐也有很多探索和尝试,本课题的核心内容也在于探究如何利用图神经网络将例如知识图谱这样的图数据应用到推荐任务中。
1.2.3 图神经网络在推荐上的应用 正如上文所言,图上的推荐任务已经颇有成效。自然地,随着图神经网络的兴起,许多研究人员开始尝试利用图神经网络模型来训练端到端(End-to-End)的推荐系统,以充分挖掘图数据的潜力和价值。
PinSage [28] 是 GCN 方法在工业界的一次很好的落地实现,该算法通过 random walk 和 GCN 来生成涵盖了图结构信息和节点特征的节点嵌入表示,其主要的改进点在于对于利用随机游走生成子图,并在子图上进行 GCN 的操作,这样大大节省了内存开销;同时推荐向的训练则是参考了 BPR [12] 的损失函数,最大化正负样本的得分差。
GCMC [29] 是利用图生成的方法来实现推荐的方法。它的主要想法就是将用户和物品的交互构建成图中的边,然后通过随机掩盖边的方法,让模型学习用户和物品之间存在边的概率。通过这种方法,GCMC 将原先的推荐任务转变了成了图上的链接预测。且它的训练过程是将原图进行嵌入之后再让模型尝试还原,因此也是 Auto-Encoder 框架的一个很好的应用。
KGAT [30] 、KGCN [31] 是最近一段时间里比较明确地利用 GNN 方法将知识图谱应用推荐任务的两种方法。
KGAT [30] 应用 GAT 的思想对图谱数据进行了操作。
Item 本身是图谱中的实体,而 User 和 Item 可以通过是否行为构建出一条边,因此通过这条边可以将 User引入现有的图谱图中,从而构建了一张 CKG(协同知识图谱)。主要思路是通过GAT 对 User 和 Item Embedding 化,然后训练 BPR 损失,这是属于 CF 训练的一部分。而图谱的方法中同时引入了 TransR,TransR 训练出来结果作为 CF 训练中注意力权重的来源,也就是在 Trans 算法中更接近的实体之间,其注意力值要相对高一些。
KGCN [31] 将 GCN 方法应用到图谱上,但说是 GCN 的方法,实际上也是一种注意力模型。它为每一个用户针对每一个关系都生成了不同的注意力权重,这就从某种程度上实现了每个用户对于商品的关注点都有所不同,这也应该是做 User-Item 交互预测的核心思路。不过这样使得模型训练的成本大大提高,论文本身也
5 采用了邻接采样的机制来降低训练成本,不过它做 Attention 的思路值得借鉴。
可以预见,随着图神经网络和知识图谱的不断发展,会有越来越多的利用GNN 实现个性化推荐的方法涌现出来。
1.3 GNN 进行推荐的挑战 图数据是一种隐含结构信息且内容丰富的数据,将其应用到推荐任务上,普通的方法可能并不能得到足够有效的结果;而利用 GNN 可以天然地使用图数据的结构信息,并将图上节点做更加丰富的表达。然而将 GNN 运用到推荐任务中仍需要克服以下几个问题:
1. 图谱数据的结构和表达 本文选择了使用 NLP 中的知识图谱数据来作为推荐的基础数据。从一方面来说,图谱数据对于推荐任务来说是非常宝贵的 side information,可以从不同的维度很好地补充推荐任务需要的额外信息;从另一方面说,图谱数据也是非常典型的图数据,有着丰富的结构和边信息。而如何使用图谱数据,挖掘图谱数据隐含的特点和信息就成为了本文所要解决的核心问题。GNN 模型的选择和构建自然是一方面的难点,还有一方面的难点在于针对图谱数据本身,是否有比较通用的挖掘其信息表达的方式,从而增强 GNN 模型的能力,最终提升推荐的性能。
2. 图模型的选择和构建 显然,本研究的第二个难点就是如何选择和构建合适本推荐任务的 GNN 模型。总的来说,现有的许多 GNN 模型基本都是脱胎于 GCN 的基础框架,并在GraphSAGE 的改进之上继续发展而来的。简单地说,模型都基于两个阶段:即如何聚集节点的邻居节点信息以及聚合之后做何种处理。本文也将沿用这种模式,探究一种合适的聚合方式,使得该 GNN 模型能够在本问题上有较好的表现。问题的难点就在于,如何根据不同的图谱表示方法,来更好地设计模型的聚合方式,以及通过不同的实验来证明,哪些模型结构更加适合本问题的解决。
1.4 针对挑战所进行的工作
本文的任务是研究如何更好地实现在图数据上的物品推荐算法。该方法是在现有相关研究基础上,进行一次拓展和尝试的方法,主要进行的工作包括以下几点:
6 (1)在已有推荐算法的基础上,尝试使用图神经网络的技术来实现图数据上的推荐。
(2)图谱信息的表达:针对图谱这种特殊的图数据,利用不同的图表示学习的方法,来提取和挖掘图数据的信息,并将其与 GNN 模型进行有机的结合。
(3)提出了一种基于 tucker 分解增强的 GAT 模型结构,以及尝试了其他不同类型的 GNN 模型及其相关变种。
(4)利用开源框架 DGL 和深度学习框架 pytorch 构建模型,完成实验代码,尝试上面提出的不同的想法并进行实验。
(5)对于异构同构等图上问题,进行了不同的考量和实验,对于图数据的预处理做了充分的准备。
1.5 论文的结构安排
本文研究的是利用图神网络进行物品推荐的任务,全文总共分成五个部分,具体的内容安排如下所示:
第一章为绪论,阐述了本文的研究背景和国内外的相关研究情况,并对本研究的难点和主要工作做了简单的叙述。
第二章则是将文本研究过程中涉及到的知识内容和模型方法做了统一的阐述,主要是围绕 GNN 模型、图数据表示方法、推荐算法和开源框架这几个方面展开的。
第三章则详细介绍了本文提出的方法,一种基于 tucker 分解的 GAT 推荐模型,详细说明了设计思路和模型的具体结构。
第四章则是详细地说明了本文的实验环境,和实验设计的过程,对于具体的代码内容也有基本的概述。分析和阐述实验结果,利用表格以及一些图形化的展示,来说明研究的结果。
第五章对本文的工作做了总结,并对未来的研究做了展望。
7 第 第2章 章
图推荐相关的背景知识 2.1 理论的知识背景 2.1.1 图神经网络 图神经网络是最近几年以来兴起的一种基于图数据结构的广义神经网络架构。传统的深度学习模型,例如 LSTM [32] 和 CNN,是在欧式空间的数据上进行训练,并取得了许多不错的成绩。但是对于非欧式空间的数据,例如社交网络、知识图谱这些有着非规则连边的数据,直接利用深度模型有许多的局限性。针对这种问题,研究者们引入了图来表示非欧式数据,并利用深度学习的方法,在图上进行卷积从而对图数据进行处理,以发掘其规律和特征。
GNN 的一个发展方向,是借鉴 CNN 的思路,如何在图上进行卷积从而实现图上的卷积神经网络是 GNN 重点需要解决的问题。而 GNN 的一个很重要的作用和知识表示类似,是图上节点和边的稠密低纬表示,上文提到的DeepWalk和LINE说明了网络表示的有效性,但这些方法并不系统且计算复杂,GNN 旨在解决这些问题 [1] 。
GNN 值得学习的根本理由有以下三点。
第一,像上文所说的传统的 CNN 和 RNN 模型并不能很好地处理图数据的输入,因为它们的特征需要按照特定的顺序进行叠加,而图中的点往往是无序的。如果为了完整地表达一张图,可能就需要把所有的顺序都作为输入,显然这是非常冗余且难以实现的。GNN 解决这个问题的方法就是将特征在每个节点上进行传播,从而忽略了节点输入的顺序。也就是说,GNN 的输出与节点输入的顺序是无关的。
第二,传统的神经网络结构中,对于边信息是无法建模的,往往边信息会被简化成节点本身的特征信息,而 GNN 则可以通过图结构实现信息的传递,从而利用边信息进行特征的隐式表达。
第三,图形数据本身是推理的一个非常重要的组成,人脑的推理过程几乎都是基于从日常经验中提取的图信息。尽管 CNN 可以很好的处理图片信息,而 RNN在文本信息的处理中也有不俗的表现,但它们仍然不能从大型实验数据中学习推理图,然而,GNN 为探索这些非结构化数据生成图信息提供了一个新的方向和思路,从而可能演化出更进一步的高级人工智能。
8 除此之外,一个未经训练的简单架构的 GNN 也被证明具有良好的性能,图结构本身成为了 GNN 模型的重要组成部分。
2.1.1.1 Graph Convolutional Network (GCN) 借助图的拉普拉斯的特征值和特征向量来研究图的基本性质,是 GCN 的理论基础。具体详细的理论研究并不是本文要讨论的重点,因此这里只是简单概述一下 GCN 理论的发展情况和核心内容。
首先是关于图上卷积的计算的推导,以下的内容来自于论文 [33] 的提炼和理解。图的拉普拉斯矩阵是指,对于图 G=(V,E),其拉普拉斯矩阵的定义为 L=D-A,其中 D 表示整个图的顶点度矩阵,而 A 则表示了整张图的邻接矩阵。事实上,这只是拉普拉斯矩阵的其中一种定义,总的来说,图上的拉普拉斯矩阵一共有以下三种定义:
1= D − A 2. L =
- 范文大全
- 职场知识
- 精美散文
- 名著
- 讲坛
- 诗歌
- 礼仪知识
-
超星尔雅学习通《对话大国工匠致敬劳动模范》题库附答案
超星尔雅学习通《对话大国工匠致敬劳动模范》题库附答案 1、历史只会眷顾坚定者、奋进者、搏击者,而不会
【入党申请书】 日期:2021-05-12
-
大学生学习2024年两会精神心得感悟
大学生学习2024年两会精神心得感悟过去一年,是全面贯彻二十大精神的开局之年,中国共产党带领全国各族人民,付出艰辛努力,换来重大成
【心得体会】 日期:2024-03-07
-
中国传统故事英文版 中国古代故事英文版
历史学科蕴含着许多丰富的、生动的、有趣的素材,每一个历史事件、历史人物都有相关的、动人的历史小故事,都能给人以启迪。你对中国古代的故事了解多少呢?下面是小编为您...
【调查报告】 日期:2019-05-22
-
对于政治生态考核整改工作方案
本文系作者原创投稿,仅供学习参考,请勿照搬照抄! 关于政治生态考核整改工作的方案 为做好推进风清气正
【经济工作】 日期:2020-06-05
-
地藏经诵读仪规(完整版)
地藏经诵读仪规(完整版) 恭请文: 恭请大慈大悲大愿地藏王菩萨、护法诸天菩萨慈悲加持护念弟子***能
【个人简历】 日期:2021-03-31
-
[女装批发店面装修图片欣赏] 女装店面装修效果图
店面是服装企业的形象,店面色彩又是人们对服装企业的第一视觉感觉,企业要建立良好的企业文化,提高销售额,增强其竞争力,必需要有一套完备的店面色彩设计密码。下面小编就...
【述职报告】 日期:2019-05-07
-
基尔霍夫定律验证实验报告
基尔霍夫定律的验证的实验报告本文关键词:基尔,定律,霍夫,验证,实验基尔霍夫定律的验证的实验报告本文
【思想宣传】 日期:2021-03-08
-
2024年度纪律教育月活动方案6篇
2024年度纪律教育月活动方案6篇各级各部门要充分认识加强纪律教育、推进纪律建设的重要意义,高度重视、周密筹划、精心组织。在真抓实
【企划方案】 日期:2024-01-18
-
打好科技自立自强的主动仗论文5篇合集
打好科技自立自强的主动仗论文5篇合集 在实现中华民族伟大复兴路上,团结协作是获得最终成功的力量源泉。下面是蒲公英阅读网小编给
【模板范例】 日期:2022-08-05
-
摩斯密码对照表
摩斯密码对照表 ·摩斯密码,顾名思义就是附有长音以及短音的组合而成的「双音信号」。就算
【调研报告】 日期:2020-09-22
-
执行信息公开网
执行信息公开网 执行信息公开网 执行信息公开网: zhi*ing (点击下图可直接进行访问) 全国
【职场知识】 日期:2020-07-03
-
“从青风公司审计案例看销售与收款循环审计”案例说明书
“从青风公司审计案例看销售与收款循环审计”案例说明书一、本案例要解决的关键问
【职场知识】 日期:2020-09-28
-
有机磷酸酯类中毒及其解救(实验报告范文)
有机磷酸酯类中毒及其解救XXX、XXX一、实验目的1 观察有机磷酸酯类农药敌百虫中毒时的症状。 2
【职场知识】 日期:2020-08-30
-
机械加工创业项目_加工小本创业项目
现在在加工创业项目办小本加工厂有哪些?有什么项目推荐,下面这些小本加工厂项目个个都适合一个人创业,来看看吧!以下是小编分享给大家的关于,一起来看看加工小本创业项目吧!...
【职场知识】 日期:2020-03-19
-
大学教师毕业设计指导记录4篇
大学教师毕业设计指导记录4篇 毕业设计是指工、农、林科高等学校和中等专业学校学生毕业前夕总结性的独立作业。是实践性教学最后一
【职场知识】 日期:2022-05-11
-
年国家开放大学电大电子商务单选题题库
单选: 1、EDI是指A、电子商务B、电子数据交换C、电子交易 D、移动数据交换 答案: B 2、电
【职场知识】 日期:2020-06-05
-
致橡树(中英文)
3 【原诗】 【JohannaYueh修改版】 致橡树TotheOakTree 作者:舒婷ByShu
【职场知识】 日期:2020-11-17
-
2021教育基础知识试题(附答案)
2021教育基础知识精选试题(附答案) 1、主张恢复西方传统教育核心价值,反对“进步教育
【职场知识】 日期:2021-03-17
-
动量守恒定律专题训练含答案
动量守恒定律专题训练含答案 一、不定项选择题 11、下列运动过程中,在任意相等时间内,物体动量变化不
【职场知识】 日期:2021-01-06
-
中性时尚帅气短发女发型设计图片 最潮帅气中性短发发型
时尚中性帅气短发女发型图片精选,想走中性风的MM不妨进来看看,为自己选一款好看的新发型。下面是小编为大家整理的中性帅气短发女发型图片,供大家参考! 中性帅气短发女发...
【职场知识】 日期:2020-03-15
-
唐代诗人李昂个人信息
唐代诗人李昂个人信息 导读:我根据大家的需要整理了一份关于《唐代诗人李昂个人信息》的内容,具体内容:
【古典文学】 日期:2020-11-07
-
[关于中秋的朗诵诗词] 关于爱国的朗诵诗词
中秋,热闹的街头树起了灯彩,舞起了火龙。你知道多少关于中秋的朗诵诗词?下面小编为你整理了几篇关于中秋的朗诵诗词,希望对你有帮助。 关于中秋的朗诵诗词一 中秋佳节...
【古典文学】 日期:2019-06-06
-
法律知识手抄报图片大全|法律知识手抄报
我国开展了全面的普法宣传工作,法制宣传教育、普及法律常识作为经常的重要任务。做法制教育手抄报,普及法律知识。下面是小编为大家带来的法律知识手抄报图片大全,希望大家...
【古典文学】 日期:2020-03-10
-
输血查对制度
输血查对制度依据卫生部《临床输血技术规范》的要求,制订抽血交叉配备查对制度、取血查对制度、输血查对制
【古典文学】 日期:2020-09-24
-
【二人旅游英语情景对话】 二人英语对话2分钟旅游
随着国内外旅游业市场的不断扩大,旅游英语人才成为社会的紧缺人才。小编精心收集了二人旅游英语情景对话,供大家欣赏学习! 二人旅游英语情景对话1 A:Itsmyfirsttimeto...
【古典文学】 日期:2020-02-29
-
大气唯美黑板报【国庆节大气黑板报】
日本在投降的那一天,再也没有昔日的嚣张,我们中国的屈辱得到洗刷。下面就随小编看看国庆节大气黑板报内容,希望喜欢哦。 国庆节大气黑板报图片欣赏 国庆节大气黑板报...
【古典文学】 日期:2019-05-05
-
创业思路 [20个创业思路]
在家创业好项目,想创业,不想出门,有没有什么好方法呢?要想兼顾全职的工作,又想挣点外快,我们来看看这些项目。以下是小编为大家整理的关于20个创业思路,给大家作为参考,...
【古典文学】 日期:2020-03-02
-
叠加原理实验报告
一、实验目的1、通过实验来验证线性电路中的叠加原理以及其适用范围。 2、学习直流仪器仪表的测试方法。
【古典文学】 日期:2020-11-12
-
怎样认识世界处于百年未有之大变局
怎样认识世界处于百年未有之大变局 首先,“大变局”是对国际格局发生巨大变迁的
【古典文学】 日期:2020-10-28
-
读《数学教育的"中国道路"》有感 数学教育的中国道路
读《数学教育的中国道路》有感 中山市博爱初级中学李丽敏 一开始拜读张奠宙教授的《数学教育的中国道路》一书,想着,这么大的问题,是我这个小小的一线
【古典文学】 日期:2019-05-05
-
时尚女装店面装修效果图|韩式女装店面装修
在服装店的设计之中,我们要将多变、创新、品牌自身的定位与发展趋势相结合,用一种可持续的设计方式呈现出来,以便更加适应不断更新的展示主体。下面小编就为大家解开时尚女装店...
【中国文学】 日期:2019-05-16
-
【世界上最大的半岛】阿拉伯半岛
你知道世界上最大的半岛是什么吗?下面由小编来介绍一下。 阿拉伯半岛的简介 阿拉伯半岛(阿拉伯文:)位于亚洲,是世界上最大的半岛。沙特阿拉伯、也门、阿曼、阿拉伯联合...
【中国文学】 日期:2019-05-24
-
雪天安全行车注意事项_雪天安全行车提示语
维护城市交通秩序,争做河源文明市民。你们想看看雪天安全行车提示语有哪些吗?以下是小编推荐雪天安全行车提示语给大家,欢迎大家阅读! 安全行车温馨提示语【经典篇】 1...
【中国文学】 日期:2020-03-15
-
2021年超星尔雅学习通《辩论与修养》章节测试试题(共183题附答案)
2021年超星尔雅学习通《辩论与修养》章节测试试题(共183题附答案)1、辩论的目的不是单纯获得某种
【中国文学】 日期:2021-05-12
-
小数乘法计算方法
小数乘法得计算方法理解小数乘法计算得法则,能够比较熟练得进行小数乘法笔算与简单得口算重点掌握小数乘法
【中国文学】 日期:2020-12-22
-
【欧式女装小店面装修图】 女装小店面装修
随着服装行业和照明产业的发展日趋成熟,服装店的照明设计越来越受到人们的广泛关注,即通过光环境设计对消费者产生引导性作用。下面小编就为大家解开欧式女装小店面装修图展...
【中国文学】 日期:2020-02-27
-
清明节踏青简笔画【清明节踏青图片】
清明节是二十四节气之一,是很适合出去踏青的节日,下面是小编为大家收集的清明节踏青图片相关资料,希望对大家有所帮助。 清明节踏青图片欣赏 清明节踏青图片1 清明...
【中国文学】 日期:2019-05-08
-
电磁场与电磁波实验报告
实验一 静电场仿真 1 实验目的建立静电场中电场及电位空间分布的直观概念。 2 实验仪器计算机一台3
【中国文学】 日期:2020-08-26
-
2022年当前世界下中国面临国际形势论文范本
和平与发展仍然是当今时代的主题。谋和平、求合作、促发展是各国人民的共同愿望。为了大家学习方便,下面是小编为大家整理的当前世界下中国面临的国际形势论文范文内容,以供参...
【中国文学】 日期:2022-03-31
-
史玉柱创业故事_创业故事白手起家故事
史玉柱,一个有着传奇和神话般经历的人,而且,这个传奇和神话正在续写。下面小编就为大家解开史玉柱创业故事,希望能帮到你。 史玉柱创业故事篇一 史玉柱的创业史可以分为...
【中国文学】 日期:2020-02-28
-
山东省生产经营单位安全生产主体责任规定(303号令)
山东省生产经营单位安全生产主体责任规定(2013年2月2日山东省人民政府令第260号公布根据2016
【外国名著】 日期:2020-10-22
-
大学生音乐欣赏论文 大学音乐鉴赏论文3000
今天小编就为你介绍关于大学生音乐欣赏论文,下面是!小编给你搜集了相关资料!希望可以能帮助到大家。 大学生音乐欣赏论文—第一篇 音乐是生活不可缺少的一部分,学会欣...
【外国名著】 日期:2019-05-27
-
改革开放大事记简表(改革开放新时期1978-2012年)
改革开放大事记简表 (1978-2012年) 时间1978年12月18日至22日地点北京事件党的十一
【外国名著】 日期:2021-06-17
-
“坚定理想信念、增强历史自觉、弘扬优良传统、加强党性锤炼、党员先锋模范作用发挥”方面存问题和不足剖析材料例文
“坚定理想信念、增强历史自觉、弘扬优良传统、加强党性锤炼、党员先锋模范作用发挥&rdqu
【外国名著】 日期:2021-08-14
-
3.8妇女节_3.8妇女节手工制作图片精选
3 8妇女节送卡片表示感恩与祝福是在好不过了,小编整理了3 8妇女节手工制作感恩卡图片,希望大家喜欢! 3 8妇女节手工制作感恩卡图片展示 3 8妇女节手工制作感恩卡图...
【外国名著】 日期:2020-03-14
-
材料力学金属扭转实验报告
材料力学金属扭转实验报告 【实验目的】 1、验证扭转变形公式,测定低碳钢的切变模量G。;测定低碳钢和
【外国名著】 日期:2020-11-27
-
(新版)就业知识竞赛题库及答案解析
(新版)就业知识竞赛题库(全真题库) 一、单选题1 (单选):在职业生涯规划工具中,组织在展开员工职
【外国名著】 日期:2021-07-21
-
白烛葵的花语:白烛葵的不死幻想症
白烛葵,花名,花语为“不感兴趣”。现又指《知音漫客》上连载漫画《极度分裂》里主要角色之一。下面小编为你整理了白烛葵的花语。欢迎阅读。 白烛葵的花语:不感兴趣 ...
【外国名著】 日期:2019-05-11
-
植物装饰画黑白图片欣赏|荷花装饰画黑白图片
装饰画是一种装饰性艺术,是装饰性和创造性相结合的艺术设计形式。小编整理了植物装饰画黑白,欢迎阅读! 植物装饰画黑白图片展示 植物装饰画黑白图片1 植物装饰画黑白...
【外国名著】 日期:2019-05-31
-
梧桐花的花语|梧桐花的功效与作用
梧桐花为梧桐科植物梧桐的花,植物形态详梧桐子条。今天小编为你整理了梧桐花的花语,欢迎阅读。 梧桐花的花语是:情窦初开 在春季里晚开的花朵,有着恬淡的气息。 ...
【外国名著】 日期:2019-05-16
-
梧桐花的花语|梧桐花的功效与作用
梧桐花为梧桐科植物梧桐的花,植物形态详梧桐子条。今天小编为你整理了梧桐花的花语,欢迎阅读。 梧桐花的花语是:情窦初开 在春季里晚开的花朵,有着恬淡的气息。 ...
【寓言童话】 日期:2020-03-03
-
西部计划笔试题库(99题含答案)
西部计划笔试题库(99题含答案) 1 第十三届全国人大三次会议表决通过了《中华人民共和国民法典》,自
【寓言童话】 日期:2021-06-16
-
大学生音乐欣赏论文 大学音乐鉴赏论文3000
今天小编就为你介绍关于大学生音乐欣赏论文,下面是!小编给你搜集了相关资料!希望可以能帮助到大家。 大学生音乐欣赏论文—第一篇 音乐是生活不可缺少的一部分,学会欣...
【寓言童话】 日期:2020-03-12
-
年学生资助诚信教育主题活动方案
各二级学院(部): 为深入贯彻落实习近平总书记关于教育的重要论述,落实立德树人根本任务,增强当代大学
【寓言童话】 日期:2020-06-21
-
惊悚鬼故事50字 令人惊悚的故事
这些惊悚故事在短短的篇幅和时间之内让您感受到故事里传达出来的恐怖感,令你感到害怕。下面就是小编给大家整理的令人惊悚的故事,希望对你有用! 令人惊悚的故事篇1:学校...
【寓言童话】 日期:2019-05-13
-
主题教育调查研究工作方案2篇
主题教育调查研究工作方案1根据省、市、县开展“不忘初心、牢记使命”主题教育工
【寓言童话】 日期:2021-03-19
-
油管、套管规格尺寸对照表
API油管规格及尺寸 公称尺寸(in) 不加厚外径(mm) 不加厚内径(mm) 加厚外径(mm) 加
【寓言童话】 日期:2020-08-31
-
廉洁自律自我剖析材料(精选)
廉洁自律自我剖析材料((精选多篇)) 信念。科学文化,提高自身素质的终身学习的意识,紧密联系群众,调
【寓言童话】 日期:2020-07-20
-
【名人失败的故事】 关于失败的名人故事
我们最大的弱点在于放弃。成功的必然之路就是不断的重来一次。涓滴之水终可以磨损大石,不是由于它力量强大,而是由于昼夜不舍的滴坠。下面是小编为您整理的名人失败的故事,...
【寓言童话】 日期:2019-05-19
-
康熙字典五行属金的字 [字典中八画五行属金的字信息大全]
在五行中不同属性的字寓意是不相同的,其实同样的属性不同的笔画的字寓意也是一样的,下面小编为你整理了八画五行属金字,希望对你有所帮助! 8画五行属金的字 忮、8画、...
【寓言童话】 日期:2020-03-12
-
学生高考动员演讲稿
学生高考动员演讲稿3篇高考动员演讲稿11 老师们、同学们: 大家下午好!漫漫高考长征路已经进入尾声了
【百家讲坛】 日期:2021-09-22
-
企业安全演讲稿2021
最新企业安全的演讲稿5篇 演讲稿是作为在特定的情境中供口语表达使用的文稿。在充满活力,日益开放的今天
【百家讲坛】 日期:2021-09-22
-
XX镇扶贫项目实施专项整治工作总结_1
XX镇扶贫项目实施专项整治工作总结 为深入贯彻精准扶贫精准脱贫基本方略,认真落实党中央、国务院,省委
【百家讲坛】 日期:2021-09-22
-
对乡镇领导班子干部成员批评意见例文
对乡镇领导班子干部成员的批评看法范文 一、对党委书记XXX同志的批评看法〔3条〕 1、与干部交流偏少
【百家讲坛】 日期:2021-09-22
-
群英乡扶贫资金项目芬坡村祖埇村生产道路硬化工程绩效自评报告
群英乡扶贫资金项目((芬坡村祖埇村生产道路硬化工程))绩效自评报告 一、基本情况(一)群英乡扶贫资金
【百家讲坛】 日期:2021-09-22
-
党委书记警示教育大会上讲话2021汇编
党委书记在警示教育大会上的讲话55篇汇编 党委书记在警示教育大会上的讲话(一) 同志们: 根据省州委
【百家讲坛】 日期:2021-09-22
-
对于2021年召开巡视整改专题民主生活会对照检查材料
关于12021年召开巡视整改专题民主生活会对照检查材料 按照中央巡视组要求和省、市、区委统一部署,区
【百家讲坛】 日期:2021-08-14
-
消防安全知识培训试题.doc
消防安全知识培训试题姓名: 部门班组: 成绩: 一:填空题,每空4分,共44分。 1、灭火剂是通过隔
【百家讲坛】 日期:2021-08-14
-
涉疫重点人员“五包一”居家隔离医学观察工作流程
涉疫重点人员“五包一”居家隔离医学观察工作流程 目前,全球疫情仍处于大流行状
【百家讲坛】 日期:2021-08-14
-
疫情防控致全体师生员工及家长一封信
疫情防控致全体师生员工及家长的一封信 各位师生员工及全体家长朋友: 暑假已至,近期我省部分地方发现确
【百家讲坛】 日期:2021-08-14