没有合适的资源?快使用搜索试试~ 我知道了~
沙特国王大学学报基于印度尼西亚巴厘岛Twitter帖子的DISC人格特征分析Ema Utamia,Anggit Dwi Hartantob,Sumarni Adib,Irwan Oyongb,Suwanto Raharjoc,a印度尼西亚Amikom Yogyakaran大学信息工程硕士b印度尼西亚Amikom Yogyakaran大学计算机科学系c印度尼西亚日惹IST AKPRIND信息工程阿提奇莱因福奥文章历史记录:收到2019年2019年10月21日修订2019年10月23日接受在线预订2019年关键词:轮廓分析人格特质印度尼西亚A B S T R A C T社交媒体用户时间轴中的数据由文本、图像、音频和视频形式的数据组成。社交媒体中的大型和非结构化数据可以使用各种技术来处理,例如文本处理或图像处理。本研究利用处理后的文本数据,基于DISC框架对Twitter用户的个性进行分类。在最初收集的292名用户中,我们半自动地筛选出只有印度尼西亚语帖子的个人帐户。为了能够观察和评估用户的个性,他们的鸣叫选择的话,我们制定了相应的关键字词汇DISC框架和理论。本研究共进行了四个实验情境,分别对关键词和文本数据是否进行词干分析以及关键词词频计算是否加权进行了不同的处理。在计算中使用当前数量基于其级别对关键字进行加权不会显示积极的结果,词干提取也不会显示最佳结果,因为最佳结果由未词干提取和未加权的场景显示。本研究是一个结合自然语言处理与机器学习方法的自动剖析系统的初步研究©2019作者(S)。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。1. 介绍企业公共关系和人力资源从业者最近面临的挑战之一是更好地理解公众在线沟通,仅仅是为了提高他们的参与效率,并收集对产品和人的个性的良好洞察力(Ji等人, 2019年)。人格被定义为以稳定和独特的方式影响个体特征行为模式的心理品质(Buchanan和Huczynski,2010)。不同的人可能在某些特征上表现出不一致性,而在其他特征上表现出相当大的差异。态度可以被定义为一种稳定的思维方式它是评价性的。情感*通讯作者。电 子 邮 件 地 址 : ema. amikom.ac.id ( E.Utami ) , anggit@amikom.ac.id(A.D.Hartanto),sumarni. amikom.ac.id(S. Adi),oyong@amikom.ac.id(I.Oyong),wa2n@akprind.ac.id(S. Raharjo)。沙特国王大学负责同行审查制作和主办:Elsevier是一种唤起人们的情感,然后影响他们的行为,如愤怒、恐惧、悲伤、期待和接受喜悦。情绪的最轻形式被称为情绪,这是一种低强度,持久的情绪状态。人格模型是继Goleman(1998)之后最流行的情绪智力理论。个人档案系统反映了填写该系统的人的行为一致性和适应性剖析是一种处理个人和非个人数据以在构建简档中开发预测知识的技术,然后应用作为决策的基础(Ferraris等人, 2013年)的报告。在招聘过程中,公司需要确定标准并提供结构化面试的框架,识别学习和发展需求,并展示所需的行为或表现标准。一个公司的高绩效有严格的招聘和选拔程序,相关的培训,管理发展活动,提供适当的激励措施,以及员工绩效管理。招聘态度和才能符合高绩效工作实践需要的人的重要事项之一。人格是由思想、情感和行为的特征和模式组成的,它使一个人与众不同。行为矫正和调节是核心领域,https://doi.org/10.1016/j.jksuci.2019.10.0081319-1578/©2019作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页:www.sciencedirect.comE. Utami等人/Journal of King Saud University265为人类互动和社会平衡关系提供理论依据在工业社会中,有几种流行 的 人 格 评估 模 型 , 但 本 研 究 使 用 支配 、 影 响 、 稳 定 和 尽 责(DISC)评估框架,因为DISC明确地集中在行为偏好上,这就是为什么与Myers Briggs Type Indicator(MBTI)相比,DISC更适用、更解释和更容易理解(Reynierse et al.,2000年)。DISC行为模型最早由William Moulton Marston提出,将行为分为四个不同的维度:支配、影响、稳定性和尽责性,通过习惯的衡量标准来识别正常人在与环境互动中的感受和行为,以评估行为(Marston,2013)。人格评估包括确定人们是什么样的人以及他们可能如何思考,感受和行动的程序。确定一个人的性格和倾向的人格特征可以通过几种方式进行评估:(a)对此人进行诊断性访谈;(b)从历史记录和熟悉此人的间接人员的报告中获得有关此人的信息;(c)观察此人的行为;和(d)通 过 向 该 人 施用 一 组 标 准 化 人 格 评 估 量 表( Weiner 和 Greene ,2017)。行业招聘需要进行分析,作为寻找和吸引组织所需人员的过程的一部分甄选是招聘过程的一部分,涉及到决定必须任命哪个申请人或候选人担任该职位。人员规格:知识、技能和能力、行为能力、资格和培训、经验、特殊要求、特殊要求。选拔测试是用来提供与掌握某些领域的能力水平、个性和成就有关的数据大规模社交媒体数据的潜力在快速变化后不断产生有价值的影响。社交媒体数据具有非常大的数据来源和各个领域的相关性,因此在决策中分析和处理数据非常有用。心理学领域的潜力之一是通过将来自社交媒体的数据映射到一个人的人格特质来进行剖析分析社交媒体旨在通过考虑社交媒体上发布的社交活动时间轴来描述一个人Facebook、Twitter、Instagram和YouTube等社交媒体上的社交媒体的使用已被用作研究数据的来源,以在研究中对一个人的个性进行使用社交媒体数据比通过问卷或调查手动收集数据更有效。社交网络也被认为是人们连接、表达和共享兴趣的流行方式(Ashkezari-Toussi等人,2019年)。社交媒体用户的时间轴中的数据包括文本、图像、音频和视频形式的数据。社交媒体中的大型非结构化数据可以使用各种技术进行处理,例如文本处理(文本挖掘),图像处理,词袋方法等。本研究基于DISC框架,利用处理后的文本数据对Twitter用户我们使用了与(Ahmad和Siddique,2017)相同的方法,他们称之为开放词汇分析。我们应用了不同的预处理技术,必要的文本数据在印度尼西亚Baidu一项研究表明,Twitter的标准文本处理和特定文本处理之间的结果略有不同。在处理非标准文本时,看到了特定于文本的Twitter处理的一些优点(Oyong等人, 2018年)。2. 相关研究Ahmad和Siddique(2017)的一项研究旨在进行比媒体和民意调查更广泛,更大,更相关的人格评估。通过将推文分类为DISC的四个类别来扩展Twitter情感/文本DISC已经证明了预测的有效性和兼容性与早期的知识与可理解的维度。这项研究是一个非常初步的尝试,对人的剖析的帮助下,标签的话,可以是一个非常有用的工具,在许多其他领域的营销,促销,广告,销售,IT应用和人类学研究。Skowron等人也使用Instagram和Twitter的线索推断了人格特征。(2016年)。它显示了所提出的联合,多模态分析的用户生成的数据从不同的社交网络的Tago和Jin(2018)指出,推文被认为会影响用户与Twitter上其他人之间的关系,其中经常进行情感表达(Tago和Jin,2018年2月)。这证实了情感表达和人格行为之间的联系。一个不愉快的表达会因为伤害别人的感情而对人际关系产生负面影响。同样的影响也发生在Twitter上的用户关系中。相反,在现实世界中,一个友好、聪明的人比一个消极的人拥有更丰富的人际关系。Twitter上的这些积极用户可以构建更丰富的关系。Su et al.(2018)进行了一项基于长短期记忆的方法研究,以检测用户对于文本输入,使用word2vec方法从词汇中提取语义词向量。情感词汇将词汇词投影到情感空间提取情感词向量。从实验结果来看,综合语义词向量和情感词向量的特征在文本情感识别中的准确率达到了70.66%,优于单独的特征。他们还提到,未来可以考虑用户的个性,使系统更加个性化。Xiong et al.(2018)提出了一个情绪独立级联模型,其中个体情绪可以影响他/她的朋友的后续情绪,旨在展示社交媒体中情绪传染的详细过程和特征(Xiong et al., 2018年)。大多数人格预测采用语言查询和单词计数(LIWC)和MRC心理语言学数据库来构建他们的系统,其不支持印度尼西亚语(Ong等人,2017年)。与其他将英语作为预测系统主要语言的研究不同,Ong etal. (2017年)还在印度尼西亚的母语印度尼西亚语的Twitter信息上工作。这项研究的结果表明,通过评估用户对单词的选择,印度尼西亚人的性格预测确实是可能的(Ong等人, 2017年)。3. 材料和方法3.1. 数据收集我们通过文本挖掘收集了292个用户的初始数量,使用情感关键词,如nyaman或senang或tertarik或terganggu或marah或tegang或sedih或bosan或mengantuk或tenang或damai或rileks,这些关键词来自Walson和Telegen的情绪空间模型(Meyer和Shack,1989)。我们使用这些关键词是因为DISC框架理论本身来自对人类情感和行为的评估然后,我们继续收集这些用户的Twitter帖子长达两个月,总共有269.649条推文在这292个用户中,我们半自动地过滤了他们,只针对具有Baidu Indonesia帖子的个人帐户,因为任何机器人和非266E. Utami等人/Journal of King Saud University个人账户就无关紧要了这个数字下降到272个用户后,我们过滤他们使用已知的关键字为busi- ness帐户用户名,如toko,penjual,jasa等,这意味着商店,卖家和服务。当我们最初收集推文时,我们使用语言过滤器ID(印度尼西亚语),但有些用户也可以用英语、马来语和当地语言写作,作为巽他人有49个账户因经常混合使用语言而被排除在外。其中两位作者进行的手动检查还发现9个商业和新闻帐户不使用已知的关键字作为用户名,5个粉丝帐户,20个诗歌思想帐户,9个机器人帐户,从他们重复和结构化的帖子中可以看出,35个政治蜂鸣器帐户,以及6个经常用大量符号而不是纯文本写推文的帐户。最后,我们有139个合法用户和173.804条推文作为实验材料3.2. 词汇建设为了能够观察和评估用户的个性,他们的鸣叫选择的话,我们需要相关的关键字词汇,对应于DISC框架和理论。我们咨询了一组心理学专家,并导入了最初的关键词以及它们的DISC对应关系,我们后来称之为种子关键词。为了在关键字匹配过程中获得更多的命中率,我们通过从Kateglo API中查找它们的第一个和第二个同义词来扩展列表,Kateglo API是印度尼西亚语的同义词词典(Kateglo,2019)。这些同义词直接从它们的种子关键字继承DISC对应关系。我们再次咨询并请心理学专家过滤为词汇表收集的任何不相关的词,最终的关键词词汇表概述如表1所示。我们还建立了一个词干关键字词汇表,看看它在实验结果中的效果。Mendeley Data上提供了完整的关键词列表,名称为AMIKOM-Profiling-DISC Keywords dataset(Oyong,2019)。3.3. 手动评估为了获得结果合理性的黄金标准,我们要求一组心理学专家手动观察、评估和注释数据集中的每个用户的DISC框架对应性,如表2所示。该小组由奇数名专家组成,他们需要在进行评估时达成一致意见。这些专家是工业心理学家,他们在日常专业工作中使用DISC框架。没有对用户样本进行直接采访,因为我们的想法是简化过程,而不必采用常规方法。这确实是一项艰巨的任务,这就是为什么我们首先确保并确认了从文本数据中确定个人DISC类别的可能性,至少是他们的趋势。随后将比较该手动评估的结果与实验结果的关系。表2手册评估的DISC通信分发。盘片号码用户通信优势52影响力38稳定性5尽责44用户总数3.4. 数据预处理需要一组良好的预处理来进行有效和高效的关键字匹配,因此我们试图通过执行Oyong等人(2018)和Hidayatullah和Ma我们利用印度尼西亚自然语言处理工具包(InaNLP)来执行一些任务(Purwarianti等人,2016年)。对于第二个实验场景,我们没有对标记进行词干分析,这将使用非词干分析的关键字进行匹配。1. 删除HTML/URL。2. 转化或去除不常见的。3. Twitter特殊文本和符号(#,RT,@username),数字和标点符号删除。4. 非标准字处理(gakk,okee,knp)。5. 停用词删除。6. 代币化。7. 词干。3.5. 关键词匹配对于预处理阶段后留下的每个单词,我们在关键字词汇表中查找匹配项,以找到其频率数,并对每个DISC对应项进行然后,每个用户都将被标记为他们最频繁的DISC相应的单词选择。我们尝试了几种场景,因为我们对匹配的关键字使用了简单的权重。我们希望找到与未加权的结果不同的结果。Karmen,Hsiung和Wetter(2015)指出,“适当的评估(加权)仍然是一项主观任务,除非有一个度量标准来确定语义词距离。(Karmen等人,2015年)。我们对种子关键字使用权重值1,对第一个同义词使用0.85,对第二个同义词使用0.35。权重数字改编自以前的研究,因为它们被调整以优化精确度而不是召回率。表1关键字词汇表概述。关键字级别类型种子无茎种子去茎第一个同义词没有词干第一个同义词词干第二个同义词没有词干第二个同义词词干样品梅南南微信助手克平塔兰buru埃克斯普利西特安比西比亚克萨纳最佳阿卡尔塞哈特恰卡普杰拉斯阿姆斯壮佩尔通布汉完美主义覃塘帝沙杰尼ampe夸利塔斯皮利赫门古赖坎迪雷克cerah安普精神病实践门古帕斯埃菲西安西贝尔西纳尔阿巴迪总656312011119551481E. Utami等人/Journal of King Saud University2674. 结果和讨论社交媒体用户的个性评估可以通过观察他们的社会背景、人口统计学和种族起源来执行。个性评估(PA)可用于信息检索(搜索引擎),内容选择机制,定位产品服务和许多其他领域(Ahmad和Siddique,2017)。信息检索(IR)是从通常存储在计算机上的大型集合中查找满足信息需求的非结构化性质(通常为文本)的材料(通常为文档)(Manning等人,2010年)。文本预处理是自然语言处理系统的一部分,它从分析和标记组件中识别基本单元中的单词(Indurkhya和Damerau,2010)。本研究共进行了四个实验情境,分别对关键词和文本数据是否进行词干分析以及关键词词频计算是否加权进行了不同的处理。带词干的显示相同的准确率,但每个对应关系的详细真值的数量不同表3显示了每种设想方案的结果概览。在基于关键词的级别的计算中使用当前数量对关键词进行加权图图1 -4分别显示了未进行词干分析且未加权的情景、进行词干分析且未加权的情景、未进行词干分析且加权的情景以及最后进行词干分析且加权的情景的混淆矩阵。表4显示了第一个场景的结果,我们的方法得到了52个真实分类中的30个在D级。I级38人中有8人,S级5人中有0人,C级44人中有14人第二种情况的结果如表5所示,我们的方法得到了D类52个真实分类中的17个,38个中的18个。对于I类,5分之0对于S类,以及44分之7对于C类。在第三种情况下,我们的方法得到了D类52个真实分类中的32个,I类38个中的10个,5个中的1个。如表6所示,对于S类,44个中有7个是C类。最后,在表7所示的第四个场景中,我们的方法得到了D类52个真实分类中的27个,38个真实分类中的14个。对于I类,S类为0/5,C类课按降序排序,D类的分类性能最好,其次是I类、C类,然后是S类,如混淆矩阵所示我们发现,采用一个开放的词汇表的方法,印度尼西亚语文本是不是一件容易的事情,而且仅仅使用它作为一个功能的分类。除了我们为频率计数产生干净和可解释的标记所做的所有努力之外,印度尼西亚的自然语言处理工具包和心理语料库仍然存在局限性。5. 道德和隐私在数据收集和分析过程中,我们认真考虑了用户Fig. 1. 未进行词干分析和加权混淆矩阵。图二. 带词干且不加权的混淆矩阵。社交媒体数据。 根据Boyd和Crawford(2012)的说法,“... . 对于研究人员来说,仅仅因为数据是可访问的,就将他们的行为证明为道德行为是有问题的。. 评估研究伦理的过程但是,受保护的Facebook群组帖子和Twitter上的公开讨论(人们在讨论中发表自己的观点和/或想法)之间有一条细线这也是我们关注的重点,表3成果概述。场景真正价值假值总用户准确率无柄,未称重528713937.41%带柄,未称重429713930.21%无柄,加重508913935.97%带柄,称重439613930.93%268E. Utami等人/Journal of King Saud University表5有柄,不加权的情况。场景真正价值假值总用户准确率主导地位17355232.69%影响18203847.36%稳定性0550%的百分比良心73744百分之十五点九表6无词干加权情景。场景真正价值假值总用户准确率主导地位32205261.53%影响10283826.31%稳定性145百分之二十良心73744百分之十五点九表7有词干的,加权的场景。图三. 没有词干和加权混淆矩阵。场景真假总精度值值用户率主导地位27255251.92%影响14243836.84%稳定性0550%的百分比良心242444.54%6. 结论和今后的工作表4见图4。 带词干加权混淆矩阵。通过这项研究,我们证实了在印度尼西亚巴厘岛使用Twitter帖子进行个性分析的可能性,但仅使用它们作为参数似乎不够好和强大。在139名经过心理学专家验证的用户中,使用无词干-无加权、有词干-无加权、无词干加权和有词干加权的关键词词汇的四种场景该方法在D、I、C和S类上性能最好。因为我们发现,这种方法仍然缺乏在印度尼西亚Baidu的优秀的执行工具包和语料库,以支持他们。包括一个适当的评估,导致全球接受的语义词距离的关键字。非标准字处理是最难的工作之一,因为几乎有无限的变体的话要写和使用的非标准方式。而且它确实需要更多的关注,因为它可能会导致关键字匹配的负面影响。本研究是对自动仿形的初步研究一个结合了NLP和机器学习的系统不加词干,不加权的情景。支持向量机(SVM)是一种分类方法,fication. 范围将主要停留在印尼语,因为我们计划探索更多的文本处理和词汇建设。未来需要选择好的功能,而不仅仅是用户它还将使工作能够采用机器学习技术,并期待更好的结果。有一些已确定的潜在功能可供使用,例如私人信息和公共意图的职位。我们在研究中推广匿名性,在用户名关键字过滤后用示例代码替换用户名,并且从未在任何手动评估阅读中使用随着对人力资源开发的关注,我们意识到在求职过程中收集社交媒体用户名是当今的常见做法,而分析分析的知情同意是需要询问并添加到过程中的。用户等(2018)。这项研究使用的是大五人格框架,因此,在对上述潜在特征以及心理学家小组正在探索的其他特征进行实验之前,我们希望采用卡方检验作为特征选择过程的合适方法。场景真值假值总用户精度率主导地位30225257.69%影响83038百分之二十一点零五稳定性0550%的百分比良心14304431.81%E. Utami等人/Journal of King Saud University269竞争利益作者声明,他们没有已知的竞争性财务利益或个人关系,可能会影响本文报告的工作。致谢作 者 感 谢 KEMRISTEK DIKTI 在 2019-2021 财 年 为 HibahPenelitian Terapan引用艾哈迈德,N.,Siddique,J.,2017.使用twitter tweets进行人格评估。Procedia计算Sci.112,1964-1973年。Ashkezari-Toussi,S.,Kamel,M.,Sadoghi-Yazdi,H.,2019.基于社交网络数据的情感地图,分析城市情感结构,度量城市情感相似度。Cities 86,113-124.博伊德,D.,克劳福德,K.,2012.大数据的关键问题:对文化、技术和学术现象的挑衅。Inf.,Commun. Soc.15(5),662-679.Buchanan,D.,Huczynski,A.,2010.组织行为。金融时报普伦蒂斯大厅。费 拉 里 斯 , 五 , Bosco , F. , Cafiero , G. , 德 安 杰 洛 , E. , Suloyeva , Y. , 2013.http://dx.doi.org/10.2139/ssrn.2366564。戈尔曼,D.,1998年与情商一起工作矮 脚鸡Gu,H.,王杰,王志,Zhuang,B.,Su,F.,2018.通过社交媒体进行用户画像建模。2018IEEE International Conference on Multimedia and Expo(ICME)IEEE,pp. 1比6Hidayatullah,A.,Ma'arif,M.,2017.印度尼西亚Twitter消息中的预处理任务。 J.Phys:Conf. 序列801(1),012072。 IOP出版社。Indurkhya,N.,Damerau,F.J.,2010.自然语言处理手册。Press.卷 二、Ji,Y.G.,Chen,Z.F.,陶,W.,Li,Z.C.,2019年。 企业社交媒体信息策略的功能和情感特征:来自标准&普尔500指数Facebook数据的行为洞察。公共关系Rev. 45(1),88-103.卡门角,熊先生,Wetter,T.,2015.筛选互联网论坛参与者的抑郁症状,通过组装和增强多种NLP方法。Comput. 方法程序生物医学。 120(1),27-36。Kateglo,2019年。API Kateglo -印度尼西亚语词库。https://kateglo.com/api.php网站。(于2019年5月17日查阅)。曼宁角,Raghavan,P.,Schütze,H.,2010年。信息检索导论Nat. 语言工程 16(1),100-103。马斯顿,W.M.,2013.正常人的情绪。劳特利奇。Meyer,G.J.,夏克,J.R.,1989.情绪和人格的结构趋同:新旧方向的证据。 J. 人格协会心理学。 57(4),691。Ong,V.,Rahmanto Williem,A. D.,Suhartono,D.,2017.从社交媒体上的文本探索人格预测:文献综述。InternetworkingIndonesia 9(1),65-70.Ong,V.,Rahmanto,A.D.,Suhartono,D.,Nugroho,A.E.,Andangsari,E.W.,Suprayogi,M. N.,例如,2017.基于印度尼西亚巴伊亚的Twitter信息的个性预测。2017年联邦计算机科学与信息系统会议(FedCSIS)。IEEE,pp. 第 367-372页。奥扬岛2019年。光盘关键字,门德莱数据。https://doi.org/10的网站。17632/dbwpk8m46t.1。奥扬岛Utami,E.,卢瑟菲外星人2018.印尼推特使用者忧郁症状筛检之自然语言处理与词汇法。 2018第十届信息技术与电气工程国际会议(ICITEE)IEEE,pp. 359-364.Purwarianti,A. ,Andhika ,A. ,Wicaksono,A.F.,阿菲夫岛Ferdian,F.,2016.InaNLP:印度尼西亚自然语言处理工具包,案例研究:投诉推文分类。高级信息学国际会议:概念,理论和应用(ICAICTA)。IEEE,pp.1比5。Reynierse,J.H.,阿克曼,D.,匿名戒酒会的芬克,Harker,J.B.,两千企业情境中人格与管理角色对知觉价值之影响。国际期刊《价值管理》. 13(1),1-13.Skowron,M., Tkalcic,M.,Ferwerda,B.,Schedl,M.,2016年。 融合社交媒体线索:来自Twitter和Instagram的个性预测。收录于:第25届万维网国际会议论文集瑞士日内瓦共和国和州:国际万维网会议指导委员会,2016年,第100页。107-108.可通过以下网址获得:https://doi.org/10.1145/2872518.2889368。苏,M.,吴,C.,黄,K.,香港,2018.基于语义和情感词向量的LSTM文本情感识别2018首届亚洲情感计算与智能交互会议(ACII Asia)1-6..Tago,K.,金,Q,2018年2月。基于Twitter数据的情感行为和用户关系影响分析。清华科技大学Technol.23(1),104-113.韦纳,I. B.,Greene,R.L.,2017.人格评估手册。约翰·威利&父子公司Xiong,X.,中国农业科学院,李,Y.,乔,S.,Han,N.,吴,Y.,彭,J,李,B.,2018年具有多种行为的异质社交媒体的情绪Physica A 490,185-202.可 从http://www.sciencedirect.com/science/article/pii/获得S0378437117307495。
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- 电力电子系统建模与控制入门
- SQL数据库基础入门:发展历程与关键概念
- DC/DC变换器动态建模与控制方法解析
- 市***专有云IaaS服务:云主机与数据库解决方案
- 紫鸟数据魔方:跨境电商选品神器,助力爆款打造
- 电力电子技术:DC-DC变换器动态模型与控制
- 视觉与实用并重:跨境电商产品开发的六重价值策略
- VB.NET三层架构下的数据库应用程序开发
- 跨境电商产品开发:关键词策略与用户痛点挖掘
- VC-MFC数据库编程技巧与实现
- 亚马逊新品开发策略:选品与市场研究
- 数据库基础知识:从数据到Visual FoxPro应用
- 计算机专业实习经验与项目总结
- Sparkle家族轻量级加密与哈希:提升IoT设备数据安全性
- SQL数据库期末考试精选题与答案解析
- H3C规模数据融合:技术探讨与应用案例解析
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功