没有合适的资源?快使用搜索试试~ 我知道了~
13950基于会话的新闻推荐0GabrieleSottocornola博尔扎诺自由大学,意大利,gsottocornola@unibz.it0PanagiotisSymeonidis博尔扎诺自由大学,意大利,psymeonidis@unibz.it0MarkusZanker博尔扎诺自由大学,意大利,markus.zanker@unibz.it0摘要0在新闻推荐的背景下,许多时间感知的方法被提出。这些方法试图通过使用过去文章的衰减权重或甚至遗忘它们来捕捉新闻相对于其短暂寿命的新鲜度。然而,大多数这些方法都忽略了会话,会话中包含用户在短时间内与之交互的文章。在本文中,我们提供基于用户会话的新闻推荐,以揭示他们的短期意图。我们还将基于内容的方法与协同过滤相结合,以应对我们的现实数据集中存在的严重数据稀疏问题。我们实验证实用户的兴趣随时间而变化,而我们的策略可以快速适应这些变化。0CCS概念0• 信息系统 → 协同过滤;数据流;0关键词0基于会话的推荐;时间感知的推荐;新闻推荐0ACM参考格式:Gabriele Sottocornola,Panagiotis Symeonidis和MarkusZanker。2018年。基于会话的新闻推荐。在WWW'18Companion:2018年Web会议伴侣,2018年4月23日至27日,法国里昂。ACM,纽约,美国,5页。https://doi.org/10.1145/3184558.319158201 引言0基于内容的(CB)新闻推荐根据用户过去阅读的新闻文章构建用户配置文件,并向她推荐类似的文章。CB的主要优势在于它缓解了“冷启动”问题(即对没有评级的新项目/用户的推荐)。然而,CB无法提供多样化的推荐,因为它只偏好与用户历史配置文件相似的文章。为了克服上述问题,协同过滤(CF)推荐其他与目标用户相似的用户过去阅读过的文章。另一种CF变体是基于项目的CF算法[8,12],其中给定目标用户及其评价较高的新闻文章,该算法依赖于项目的相似性来形成最近项目的邻域。对于新闻推荐,有将CB与CF算法[9]结合的混合方法来处理0本文发表在知识共享署名4.0国际(CC BY4.0)许可下。作者保留在个人和公司网站上传播作品的权利,并附上适当的归属。WWW'18 Companion,2018年4月23日至27日,法国里昂。© 2018IW3C2(国际万维网会议委员会),根据知识共享CC BY 4.0许可发布。ACM ISBN978-1-4503-5640-4/18/04。https://doi.org/10.1145/3184558.31915820前述问题。然而,即使这些作品考虑到了时间维度(例如,衰减旧文章的权重等),它们也忽略了会话,而会话可以揭示用户的短期偏好。在本文中,我们提供使用这些短期用户会话的新闻推荐。会话推荐的优势在于我们主要关注用户的短期意图。首先,我们阐述了新闻推荐的问题,并介绍了主要的动态因素,如新闻的新鲜度、新闻文章或主题类别的生命周期以及使用滑动时间窗口来遗忘旧的新闻文章。我们提出的方法通过识别用户感兴趣的新闻文章的主要类别(例如政治、体育等)来构建CB用户配置文件。我们还使用滑动时间窗口来减少过去点击过的新闻文章的影响。此外,为了揭示用户的短期配置文件,我们分析用户最近阅读的新闻文章(即在他最后的会话中)。本文的其余部分安排如下。第2节总结了相关工作。第3节阐述了问题并描述了我们提出的算法。实验结果在第4节中给出。最后,第5节总结了本文。02 相关工作0在本节中,我们将介绍会话推荐器和新闻推荐系统的主要工作。会话推荐通常指的是只有匿名会话且无法建立用户资料的情况[3,13]。最近,会话推荐已经用递归神经网络(RNN)建模。Hidasi等人[4]提出了一种基于门控循环单元(GRU)的推荐系统,该系统学习何时以及以多大程度更新GRU模型的隐藏状态。然而,最近的研究[6]表明,一个简单的基于会话的k最近邻(kNN)方案在会话推荐中经常优于GRU模型。作者声称,当基于会话的kNN模型与GRU模型在加权混合方法中相结合时,可以获得最佳结果。然而,近年来提出了几种调整以改善初始GRU模型的性能[5, 11, 14,15]。对于基于短期用户会话的新闻推荐任务,Epure等人[2]根据时间维度考虑了三个阅读兴趣水平:短期、中期和长期。他们还探索了这三个水平的不同组合,以增加故事推荐的准确性或推荐列表的多样性。他们通过实验证明,基于短期和长期兴趣的组合的推荐结果准确性增加,而基于短期和中期兴趣的组合可以增加推荐的多样性。0Track: ORSUM: Workshop on Online Recommender Systems and User Modeling WWW 2018, April 23-27, 2018, Lyon, France13960Liu等人[9]将基于内容的方法与协同过滤方法相结合,生成个性化的新闻推荐。这种混合方法开发了一个贝叶斯框架,根据(i)目标用户的活动和(ii)所有用户活动中展示的新闻趋势学习的配置文件来预测用户当前的新闻兴趣。Li等人[7]提出了一种新颖的推荐方法,其中将用户的长期和短期阅读偏好结合起来推荐新闻故事。特别地,他们的方法基于用户可能偏好的新闻故事(即新闻类别)的层次结构。Ludmann的推荐系统[10],标记为Ody4,赢得了CLEF News-REEL2017比赛,该比赛是关于有效和高效地推荐新闻文章。Ody4是一个基于流的推荐系统,依赖于开源数据流管理系统Odysseus。Ody4根据互动事件流持续计算最受欢迎和最新的文章。03 提出的方法0我们对新闻网站的推荐感兴趣。这些媒体向感兴趣的内容消费者(匿名或注册用户)提供新闻文章。对于匿名用户,我们没有用户资料,而是将匿名会话与其中访问的文章一起存储。对于注册用户或已接受cookie请求的用户,我们可以追踪他们过去的所有互动(即,我们可以建立用户资料)。我们的推荐系统由两个模块组成。第一个是资料更新器,第二个是在资料更新器之上运行的推荐器,向每个用户提供前N个推荐项目。资料更新器模块从用户会话流中读取实例,并将其与参与实体(用户、项目、会话)的早期记录信息相结合。因此,它为会话流S的元素分配有效性间隔。然后,大小为w的滑动时间窗口表示在时间点t处的处理应考虑不早于t-w的所有事件。因此,资料更新器在其中计算基于文章-会话交互(CF)或文章主题类别(CB)的项目之间的相似性的有效性间隔[t-w,t)。然后,将此信息提供给推荐器模块,以向每个用户建议前N个项目。对于新闻推荐场景,当用户在短时间内(即30分钟)阅读一篇或多篇文章时,我们将这些互动存储为用户的会话。形式上,用户u的会话Sun定义为一组项目,即用户在短时间内与之互动的项目Sun =(i1,i2,...,im)。由于用户-项目互动随时到达,会话是一个流。新用户和新项目也可能随时到达。为了进一步澄清我们的想法,我们将使用图1中显示的运行示例。在这个运行示例中,我们有4个用户,我们想向用户3推荐下一个故事,他有一个未完成的会话(即会话S8)。为了计算目标用户U3的会话与其他3个用户的会话之间的相似性,请注意会话S1、S2和S3不能被考虑,因为它们在我们设置的滑动时间窗口[t-w,t)之外。这个滑动时间窗口捕捉了新闻故事的最新性。也就是说,由于新闻文章的寿命很短,很快就会过时,所以我们0应该尝试推荐更近期的文章。我们论文的主要思想是,选择在相同会话中的项目可以被认为比从不同会话中的同一用户选择的那些项目更相似。例如,考虑用户3(即U3)的操作,我们可以推断出项目i6与i3之间的相似度大于项目i6与i1之间的相似度,因为它们在同一个会话S5中被选择。这种方法还揭示了用户的短期偏好和会话内的意图。我们考虑项目-会话交互和项目-类别相关性之间的两个相似性方面。接下来,我们将描述这两种不同类型的项目相似性,以及如何将它们合并为一个单一的相似度函数。0图1:我们运行示例的可视化表示。03.1基于会话的协同过滤相似度0在本节中,我们不使用传统的用户-项目矩阵,而是使用会话-项目矩阵。从会话交互中推断项目相似性的优势在于我们关注用户的短期意图。由于我们在一系列会话和项目上执行协同过滤,我们在流式交互上滑动一个长度为w的窗口,并且在每个时间点t只考虑时间窗口tp=[t-w,t)内的交互集合。我们将会话编码为二进制向量:对于在时间段tp内活动的每个会话,如果项目i在部分s内被访问,则设置rs,i=1,否则rs,i=0。因此,项目i和j之间的相似度计算如下:0simCF(tp,i,j)=0s∈Stp,i∩Stp,j(rs,i∙r0∑s∈Stp,i(rs,i)2∑s∈Stp,j(rs,j)2(1)0其中Stp,i和Stp,j分别是项目i和j出现的会话集合,时间段tp内。在我们的运行示例中,i7将被推荐,因为它与U3的最后一个会话(S8)中的项目更相似,而不是i4。03.2基于内容的相似度0在本节中,我们描述了一种基于内容的方法,根据其主题类别推荐新闻文章。基于文章的文本,我们训练一个主题模型,并为每篇文章创建其主题类别概况。也就是说,一篇文章由一个概率分布向量表示,该向量涵盖了一组主题类别。基于0Track:ORSUM:在线推荐系统和用户建模WWW 2018,2018年4月23日至27日,法国里昂00.10.20.30.40.50.60.704.201605.201606.201607.201608.201609.201610.201611.201612.201601.201702.201703.2017PoliticsJusticeSports(LDA) [1] model and found five topic categories in which an articlemay belong to. The topic categories that were found are “educa-tion”, “politics”, “sports”, “local news” and “justice”. Most of theuser sessions have a very small number of interactions (i.e., 84% ofsessions have only one interaction) as shown in Figure 2, whichshould have a negative impact in the effectiveness of all recommen-dations algorithms. This explains the poor results for all methodsin terms of precision@N that will be shown later. In addition, wehave noticed big fluctuations of the crowd’s reading trends duringthe year. Figure 3 shows how the public interest evolves over theyear, for the 5 topic categories (politics, education, sports, justiceand local news). Please notice that some news categories (e.g., localnews, education and politics) have greater variation than others(e.g. Sports and Justice). This happens because of some big events,e.g., the local elections of Alto Adige region in Italy was performedon May 2016, and politics attracted the people’s interest, as shownin Figure 3. Based on the above considerations, by using a smallersliding time window size, we may identify faster when a topic cate-gory will attract the crowd’s interest (concept drift), as will be laterexperimentally shown.13970用户在特定时间段tp内的新闻阅读历史,基于每对文章-类别概况的余弦相似度,配置文件更新器计算项目之间的相似度矩阵。设fc,i是项目i属于主题类别c的概率。那么,项目i和j之间的相似度计算如下:0simCB(tp,i,j)=0c∈Ctp,i∩Ctp,j(fc,i∙f0∑c∈Ctp,i(fc,i)2∑c∈Ctp,j(fc,j)2(2)0其中Ctp,i和Ctp,j是文章i和j可能属于的类别集合,时间段tp内。03.3将CB与基于会话的CF相结合0simCF矩阵捕捉了会话与文章的交互。然而,当会话没有很多项目时,很难提供准确的推荐。另一方面,simCB矩阵捕捉了文章的主题类别概况。因此,它能够检测出与目标项目属于相同类别的项目,从而缓解了上述问题。由于我们的目标是提供更准确的新闻推荐,我们将这两个相似度度量合并为一个,给出在公式3中:0simCBCF(tp,i,j)=α * simCB(tp,i,j)+(1-α)*0请注意,在几种情况下,simCF和simCB之间的相似性值分布可能会有显著差异。因此,在这种情况下,我们必须将两个相似性矩阵的值归一化到[0,1]区间后再进行组合。03.4 提供推荐0我们的推荐模块根据前面部分介绍的相似矩阵提供推荐。对于每个目标用户u,推荐器检查她最近查看的项目集合Itp,u(即她在当前时间段tp内与之交互的项目),并计算Ki,即属于Itp,u的每个项目i的k个最近项目的集合。接下来,对于tp中的每个目标用户u和每个项目j,我们计算一个排名分数score(tp,u,j),如下所示:0score(tp,u,j)=�0i ∈ I tp,u simCBCF(i,j)*1(j,Ki)(4)0其中1(j,Ki)是一个指示函数,如果项目j在项目i的k个最近邻中出现,则等于1,否则为0。然后,对于每个用户,我们按照得分递减的顺序对项目进行排序,并向她推荐前N个项目。04 实验评估 4.1 数据描述和日志分析0数据集由一个意大利新闻发布商提供,该发布商在一年内(即2016年4月1日至2017年3月30日)的2081篇文章上记录了14367次交互/事件,涉及14047个独立用户。当在新闻发布商的网站上访问一篇文章时,会记录下每个会话的交互信息,包括用户会话的标识符、交互的时间戳和持续时间以及文章的文本内容。基于文章的文本,我们训练了一个潜在狄利克雷分配(LDA)[1]模型,并找到了五个主题类别,文章可能属于其中之一。找到的主题类别包括“教育”、“政治”、“体育”、“本地新闻”和“司法”。大多数用户会话的交互次数很少(即84%的会话只有一次交互),如图2所示,这可能对所有推荐算法的效果产生负面影响。这解释了后面将要展示的所有方法在precision@N方面的差结果。此外,我们注意到在一年中,人们的阅读趋势出现了很大的波动。图3显示了一年中5个主题类别(政治、教育、体育、司法和本地新闻)的公众兴趣如何演变。请注意,某些新闻类别(例如本地新闻、教育和政治)的变化比其他类别(例如体育和司法)大。这是因为一些重大事件,例如意大利阿尔托阿迪杰地区的地方选举于2016年5月举行,政治吸引了人们的兴趣,如图3所示。基于上述考虑,通过使用较小的滑动时间窗口大小,我们可以更快地确定一个主题类别何时会吸引人们的兴趣(概念漂移),这将在后面的实验中得到证明。0图2:一个可视化表示,显示每个会话的交互次数。0教育本地新闻0图3:一个可视化表示,显示了过去12个月(2016年1月4日-2017年3月30日)中5个主题的公众兴趣如何演变。04.2 推荐结果0在本节中,我们评估了当我们向每个活跃用户推荐前5篇文章时,我们得到的precision@5(即正确预测的文章与推荐文章数量的比率)。0会议:ORSUM:在线推荐系统和用户建模WWW 2018,2018年4月23日至27日,法国里昂13980(a)0(b)0(c)0(d)0(e)0(f)0图4:不同窗口大小(w =1,2,3)的精度,分别为(a)基于项目的CB和12个时间点,(b)基于项目的CF和12个时间点,(d)基于项目的CB和24个时间点,(e)基于项目的CF和24个时间点。此外,CBCF与不同加权方案(α = 1,0.5,0)的精度,分别为(c)12个时间点,(f)24个时间点。0在 t p 中至少有一个会话的 t p + 1 时期的项目,也表示为 t p + 1。换句话说,我们将项目推荐与出现在 t p + 1中的互动进行评估,我们认为这是未来评估我们实验的一部分。新闻推荐的一个重要参数是互动事件的时间窗口大小。如果滑动时间窗口太大,系统对变化(概念漂移)不敏感,如果太小,没有足够的数据来构建项目或会话的模型。接下来,我们研究了CB和CF方法在不同时间段分割(n t = 12、24)和不同时间窗口大小(w =1、2、3)下的准确性性能。我们设置了CF的最近邻 k -nn =20,CB的最近邻 k -nn =30,根据初步评估中取得的最佳结果。从图4a、4b、4d和4e中可以看出,最小的窗口大小 w = 1在几乎所有时间点上都取得了最佳结果。就时间段分割而言,最佳结果是在24个时间分割下获得的,这意味着快速遗忘旧新闻更好。请注意,当我们使用 n t = 52运行实验时,精度下降。正如预期的那样,由于我们的真实数据集中存在极端的数据稀疏性(即冷启动问题),CB平均比CF好40%。接下来,我们评估了CB与CF的组合(即CBCF)在不同的加权方案(α =1、0.5、0)下的效果。如图4c和4f所示,对于12个和24个时间分割,CBCF(即红色虚线)在某些时间点上给出了比简单的CF和CB更好的结果。这是一个令人鼓舞的结果,可以通过使用回归模型或神经网络来进一步优化参数α的学习模型。0一个神经网络。最后,在表1中,我们报告了CBCF相对于流行度基线(POP)的整个年份的平均精度结果,POP在时间窗口 t p中推荐最受欢迎的文章。为了包括两种算法的静态变化,我们进行了n t = 2 的实验,除了 n t = 12 和 n t =24。如表1所示,CBCF在所有情况下都优于POP基线。正如预期的那样,两个静态模型的性能较差,因为它们推荐的文章是在六个月的时间段内发表的,忽略了文章寿命短暂的事实(例如,几周)。0时间分割 CBCF POP0n t = 2 0.2 0.00n t = 12 0.44 0.210n t = 24 0.71 0.390表1:n t = 2、n t = 12和n t =24的整个年份的平均精度@5结果(%),w = 1。05 结论0在本文中,我们使用短用户会话和主题类别来推断新闻故事之间的相似性。我们在一个真实数据集上进行了实验,并证明了在数据稀疏性很高的情况下,CB与CF的组合可能是有效的。未来,我们希望预测会话中的下一个项目,这更适合评估在线推荐系统。0Track: ORSUM: Workshop on Online Recommender Systems and User Modeling WWW 2018, April 23-27, 2018, Lyon, France13990参考文献0[1] David M Blei. 2012. Probabilistic topic models. Commun. ACM 55, 4 (2012),77–84. [2] Elena Viorica Epure, Benjamin Kille, Jon Espen Ingvaldsen, RebeccaDeneckere, Camille Salinesi, and Sahin Albayrak. 2017. RecommendingPersonalized News in Short User Sessions. In Proceedings of the Eleventh ACMConference on Rec- ommender Systems (RecSys ’17). ACM, New York, NY, USA,121–129. DOI: https://doi.org/10.1145/3109859.3109894 [3] AsnatGreenstein-Messica, Lior Rokach, and Michael Friedman. 2017. Session- BasedRecommendations Using Item Embedding. In Proceedings of the 22NdInternational Conference on Intelligent User Interfaces (IUI ’17). ACM, New York,NY, USA, 629–633. DOI: https://doi.org/10.1145/3025171.3025197 [4] Balázs Hidasi,Alexandros Karatzoglou, Linas Baltrunas, and Domonkos Tikk. 2016. Session-basedRecommendations with Recurrent Neural Networks. In Proceedings of theInternational Conference on Learning Representations (ICLR ’16).arXiv:1511.06939 http://arxiv.org/abs/1511.06939 [5] Balázs Hidasi, MassimoQuadrana, Alexandros Karatzoglou, and Domonkos Tikk. 2016. Parallel RecurrentNeural Network Architectures for Feature-rich Session-based Recommendations. InProceedings of the 10th ACM Conference on Recommender Systems (RecSys ’16).ACM, New York, NY, USA, 241–248. DOI: https://doi.org/10.1145/2959100.2959167[6] Dietmar Jannach and Malte Ludewig. 2017. When Recurrent Neural NetworksMeet the Neighborhood for Session-Based Recommendation. In Proceedings ofthe Eleventh ACM Conference on Recommender Systems (RecSys ’17). ACM, NewYork, NY, USA, 306–310. DOI: https://doi.org/10.1145/3109859.3109872 [7] Lei Li, LiZheng, Fan Yang, and Tao Li. 2014. Modeling and broadening tem- poral userinterest in personalized news recommendation. Expert Systems with Applications41, 7 (2014), 3168 – 3177.0[8] Greg Linden, Brent Smith和Jeremy York. 2003.Amazon.Com推荐:物品到物品的协同过滤. IEEE互联网计算 7, 1 (2003年1月), 76-80.DOI: https://doi.org/10.1109/MIC.2003.1167344 [9] Jiahui Liu, Peter Dolan和ElinRønby Pedersen. 2010. 基于点击行为的个性化新闻推荐.在第15届智能用户界面国际会议(IUI'10)论文集中. ACM, 31-40. [10] Cornelius ALudmann. 2017.使用数据流管理系统Odysseus在CLEF新闻推荐评估实验室中推荐新闻文章.在CLEF倡议第8届国际会议, 爱尔兰都柏林. CEUR Workshop Proceedings. [11]Massimiliano Ruocco, Ole Steinar Lillestøl Skrede和Helge Langseth. 2017.用于会话推荐的会话间建模. 在第2届深度学习推荐系统研讨会(DLRS 2017)论文集中. ACM,美国纽约, 纽约, 24-31. DOI: https://doi.org/10.1145/3125486.3125491 [12] BadrulSarwar, George Karypis, Joseph Konstan和John Riedl. 2001.基于物品的协同过滤推荐算法. 在第10届万维网国际会议(WWW '01)论文集中. ACM,美国纽约, 纽约, 285-295. DOI: https://doi.org/10.1145/371920.372071 [13] Guy Shani,David Heckerman和Ronen I. Brafman. 2005. 基于MDP的推荐系统. 机器学习研究杂志 6(2005年12月), 1265-1295. http: //dl.acm.org/citation.cfm?id=1046920.1088715 [14]Elena Smirnova和Flavian Vasile. 2017. 基于上下文序列建模的推荐系统.在第2届深度学习推荐系统研讨会(DLRS 2017)论文集中. ACM, 美国纽约, 纽约, 2-9. DOI:https://doi.org/10.1145/3125486.3125488 [15] Yong Kiam Tan, Xinxing Xu和YongLiu. 2016. 用于会话推荐的改进循环神经网络. 在第1届深度学习推荐系统研讨会(DLRS2016)论文集中. ACM, 美国纽约, 纽约, 17-22. DOI:https://doi.org/10.1145/2988450.29884520Track: ORSUM: 在线推荐系统和用户建模研讨会 WWW 2018, 2018年4月23日-27日, 法国里昂
下载后可阅读完整内容,剩余1页未读,立即下载
![docx](https://img-home.csdnimg.cn/images/20210720083331.png)
![rar](https://img-home.csdnimg.cn/images/20210720083606.png)
![doc](https://img-home.csdnimg.cn/images/20210720083327.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://profile-avatar.csdnimg.cn/default.jpg!1)
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
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
会员权益专享
最新资源
- 基于单片机的瓦斯监控系统硬件设计.doc
- 基于单片机的流量检测系统的设计_机电一体化毕业设计.doc
- 基于单片机的继电器设计.doc
- 基于单片机的湿度计设计.doc
- 基于单片机的流量控制系统设计.doc
- 基于单片机的火灾自动报警系统毕业设计.docx
- 基于单片机的铁路道口报警系统设计毕业设计.doc
- 基于单片机的铁路道口报警研究与设计.doc
- 基于单片机的流水灯设计.doc
- 基于单片机的时钟系统设计.doc
- 基于单片机的录音器的设计.doc
- 基于单片机的万能铣床设计设计.doc
- 基于单片机的简易安防声光报警器设计.doc
- 基于单片机的脉搏测量器设计.doc
- 基于单片机的家用防盗报警系统设计.doc
- 基于单片机的简易电子钟设计.doc
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
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)