没有合适的资源?快使用搜索试试~ 我知道了~
自动事实核查:挖掘真相与揭示谎言
8070真相还是谎言?自动事实核查新闻0Lucas Azevedo数据分析洞察中心爱尔兰加尔韦,lucas.azevedo@insight-centre.org0摘要0在当前不断增长的数据消费速度和数量的情况下,诸如新闻来源分散、公民新闻和媒体民主化等因素,使得在互联网上手动检查和纠正虚假信息变得不切实际或不可行。在这里,迫切需要一种快速可靠的方式来核实所产生和传播的信息的真实性:自动事实核查。在这项工作中,我们介绍了大数据和后真相时代的事实核查问题。介绍了一些现有方法,并讨论和比较了它们的主要特点。最后,提出了一种新的方法,灵感来自现有方法的最佳组成部分。0CCS概念0• 计算方法学 → 自然语言处理;0关键词0自然语言处理;自动事实核查;欺骗检测0ACM参考格式:LucasAzevedo。2018。真相还是谎言?自动事实核查新闻。在WWW'18Companion:2018年Web会议伴侣,2018年4月23日至27日,法国里昂。ACM,美国纽约,5页。https://doi.org/10. 1145/3184558.318656701 问题0新闻业向网络迁移的持续进行,立即导致了记者工作岗位的减少,以及其主要产品——信息质量的降低。例如,以前通常有五个版本才能发布新闻来源,现在出版商往往只有一两个版本,有时甚至没有版本。[28]再加上缺乏审查,记者职业的日益不稳定导致了一个员工承担多个职能的情况,几乎没有对所产生内容的过滤。对媒体环境的另一个重要影响是专家所称的公民新闻[25],这是一种媒体生产方式的民主化过程,既是原因,也是结果,导致成本的降低。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/10.1145/3184558.31865670在这个媒体博客的新范式中,论坛和社交网络网站不受传统新闻标准的约束,这影响了这些来源报道的准确性。[21]因此,产生了一种新型的媒体业务:假新闻。然而,这种新结构有很多支持者,他们认为这种信息分发模式是媒体民主化浪潮的结果,打破了大型新闻公司的垄断,但也有很多反对者,他们认为这是“一个没有编辑的世界,没有束缚的宣传,最响亮或最令人满意的声音获胜,真相是第一个受害者”[23]。在这种情况下,新闻事实核查成为一种防止虚假新闻、恶作剧和不完整或被忽视的信息传播的措施。许多新闻公司、网站和新闻团体(在第3节中列出)致力于以下艰巨任务:监控社交媒体、识别潜在的虚假主张并揭穿或证实它们,始终提供支持其判断和这些论据来源的论据。但是,手动事实核查是一个智力要求高且繁琐的过程,正如乔纳森∙斯威夫特在他的经典散文《政治谎言的艺术》中曾经说过的那样:“谎言飞驰,真相蹒跚而来”[1]。为了更好地理解自动事实核查领域改进的必要性,需要补充上述描述的情景,即在识别虚假主张时,我们人类无法对欺骗性陈述进行简单的二元分类,其准确性远远超过机会,事实上,“根据对200多个实验的元分析,只有4%的改进。”[3]此外,人类通常只能发现三分之一的基于文本的欺骗[11,13]。这反映了所谓的“真相偏见”或人们更倾向于将沟通判断为真实的观念[26]。最后,我们不应忘记,在揭穿假新闻的过程中,事实核查者经常会过度暴露那些虚假、夸大或半真半假的主张[14],潜在地增加将错误信息解释为真相的人数。这种情况可能比我们预期的更常见,因为人类在接触到对错误观念的反证时,会自动无意识地产生一种相信它是真实的反应。这种曝光效应不仅未能揭穿错误观念,反而增加了人们对其的信心。这种效应被称为反弹效应,它必须成为任何旨在通过澄清人口来传递其结果的事实核查项目讨论的核心。除了新闻范围之外,事实核查和欺骗检测技术已经在人际心理学、执法、可信度评估、警务工作和国土安全、计算机中介通信和自然语言处理(或文本分析)等领域得到应用[23]。在这项工作中,我们试图引入一些现有方法的最佳组成部分。0博士生论文WWW 2018年4月23日至27日,法国里昂8080这些领域的进展对计算事实核查领域产生了影响。我们将计算事实核查的任务定义为一个"四个状态的过程,无论是由人类还是机器单独完成"[2]。这些阶段是:(一)监控社交媒体和新闻媒体,(二)识别值得核查的主张,(三)核查主张的真实性,(四)创建和发布裁决。在这项工作中,我们主要关注自动化的第三步,这可能是四个步骤中最复杂的一步,我们有意将重点放在书面语言上,因为它代表了在网络上最常见的数据类型[20],尽管声学和其他非语言特征也被发现对这个任务有用[15],并可能在将来的工作中进行进一步探索。02现状0事实核查的最新技术包括许多不同的方法,可以用一个从通用领域到理论性的、从实践性到特定领域的方法的光谱来表示。[2]在这个光谱的中心部分是机器学习方法,我们将重点关注这一点。自动化传统方法的问题在于将记者的操作转化为计算机操作非常困难,主要是因为这些操作在不同情况下差异很大,因此许多事实核查工作都集中在基于机器学习的方法上。这又是一个广泛的领域,涵盖了许多技术之间的许多差异。下面我们根据输入数据的类型对这些技术进行更好的分类:非结构化内容、结构化内容和基于上下文的技术。02.1基于非结构化内容的技术0"尽管试图控制他们(说谎者)所说的内容,但某些难以监控的语言"泄漏"仍然会发生,例如代词、连词和负面情绪词的使用频率和模式。"[6]Conroy等人引用的方面并不是在欺骗性文本中变得更加突出的唯一方面;通过在非结构化文本中识别和测量这些方面,可以训练神经网络将文本分类为欺骗性或非欺骗性。这些方面也被称为基于语言的线索(LBCs)。除了许多其他方面,LBCs的一些示例包括:极性、客观性、使用避讳词的频率、按词性标记计数的词数、停顿性、冗余性、情感性。[10][30]这些LBCs中的许多已经被不同的文本和多模态分析协议用于不同领域,甚至在调查新闻领域之外。这些协议的示例包括:基于标准的内容分析(CBCA)、现实监测(RM)、科学内容分析(SCAN)、口头即时性(VI)、人际欺骗理论(IDT)陈述有效性分析(SVA)和行为分析访谈(BAI)。每个被引用的协议都根据在试图将话语分类为欺骗性或非欺骗性时要考虑的LBCs集合来定义。[10][30]对于不同的自动语言处理方法,会选择不同的LBCs集合,并在正在检查真实性的文本片段中测量它们的出现次数,然后将这些测量结果用作分类机器学习模型的输入特征。0其中一些方法还依赖于使用搜索引擎收集与事实候选人相关的文档(例如博客文章、新闻文章、社交媒体帖子等),并使用LBCs来确定该文档对支持或反对该事实候选人的贡献。在这种情况下,信息源的质量问题变得非常重要,但也出现了一个积极因素:易于呈现支持分类输出的文档。从消极的一面来看,基于主要依赖于词频的特征的语言方法"任何模棱两可的词义解决方案仍然不存在。"[6,17]然而,基于使用搜索引擎检索非结构化数据的方法已经显示出能够"在发布五天内以80%的宏平均准确率检测到新出现的虚假或真实主张,每个主张仅需六篇报道文章"[22]。02.2基于结构化内容的技术0将机器学习技术用于验证陈述的真实性的另一种方法是首先尝试将自然语言句子转换为结构化形式,这可以通过信息提取(IE)过程来完成。[21]这种方法似乎比其他方法更简单、更高效,因为从知识库(KB)中得出的答案更确定,但它也有许多缺点。首先是IE过程,如果失败,无法得出准确的分类。此外,找到特定领域的结构化数据并不总是可能的,创建适当的查询是另一个困难,此外,在将其转换为结构化形式的过程中,有可能丢失原始文本中存在的潜在重要信息。重要的是要说,与基于非结构化内容的技术相比,这些方法在对真实/假陈述做出裁决时具有较弱或不存在的推理支持。基于这种方法的项目的主要问题和目标可以总结为一些问题,如“如何找到与给定声明相关的数据集?”,“如何自动将文本转换为结构化声明?”接下来是“如何制定查询来检查这些声明”。对于较不简单的情况,还有一些其他开放性研究问题,比如“如何检查无法直接从结构化数据中推导出的声明?”,“我们可以自动生成针对被分类为假的声明的反驳论据吗?”和“我们可以自动“逆向工程”模糊的声明以恢复省略的细节吗?”其中一些问题在[14, 29]中得到了回答。02.3基于上下文的技术0ML部分列出的第三种方法不考虑文本内容,更适用于微博等短文本。相反,使用(社交)网络信息作为传播模式、时间戳数据、用户配置文件、参与度评分、覆盖范围和转发次数是这种方法的主要特点。其他利用自然语言处理(NLP)特征和机器学习的文本分类器可以通过忽略语义方面,仅关注文本的语法和/或结构信息来实现高性能,如“有用的事实检查可以在不了解声明本身的情况下完成”[2]。未来的工作将展示在这个领域内最终可以达到什么样的成果。关于自动化事实检查系统的能力的问题很多(“我们可以自动将声明链接到相关主题的结构化数据集吗?”,“可以在没有人类干预的情况下制定回答我们问题的查询吗?”,“我们可以预测即将提出的声明吗?”[14]等等),但所做的改进使我们处于乐观的位置。再次限定在研究范围内,我们将专注于如何利用列出的机器学习方法,结合语言、结构和上下文信息。首先,我们描述了可以包含在执行事实检查任务中的各种不同过程和特征,然后在本节末尾,我们根据它们采取的方法将许多引用文章进行了分类。在呈现Table1之前,我们已经列举并解释了将方法分组的不同类别。所述类型的数据也是研究方法中分析的方面之一。0PhD Track WWW 2018,2018年4月23日至27日,法国里昂can be done without understanding anything about the claim itself"[2].Future work will show us what can ultimately be reached withinthe field. Questions about the capabilities of an automated fact-checking system are many ("can we automatically link claims tostructured datasets of the related topic?", "can the queries that wouldanswer our question be formulated without human intervention?","can we anticipate what claims may be made soon?" [14], etc..) butthe improvements made put us in an optimistic position.Once again restricting in the scope of research, we will be focus-ing in how to make use of the listed machine learning approaches,combining linguistic, structural and contextual information. Firstwe describe the variety of different processes and features that canbe included in the task of performing fact-checking and at the endof this section we present Table1 where we categorize the manyarticles cited based on the approaches they take.Before presenting Table1, we have enumerated and explainedthe distinct categories on which the methods will be grouped. Theabove described type of data is also one of the aspects analyzed inthe studied methods.8090分析的粒度这个方面定义了从哪个语义层面提取特征。它从整个文档的更高粒度级别开始(在LBC的情况下),通过句子级别(可以应用情感分析),最终到达词级别(BOW,关键词)。 机器学习特征特征的选择和工程是每个项目中最独特的方面。这个过程中的主要困难在于要简洁,即使用一组包含最多信息但不冗余的特征。LBC是这个任务的很好特征的一个很好的例子,因为它们在心理学中经常被使用[20]。在[8]中,DePaulo评估了超过100个不同线索的相关性,以确定它们在文本中存在欺骗的程度。Zhou在[30]中对其他27个LBC进行了同样的评估。分析来源的写作风格可能非常有价值,正如[21]所述,并由[22]证实。在证明了文本客观性与其真实性之间的相关性之后,即文本越客观,携带真实事实的可能性就越高。如果在输入文本中测量与客观性类似的方面并将其作为特征考虑在内,分类器的准确性有望提高。[21]其他项目探索了写作风格与文档真实性之间的关联[22,27]。许多事实检查方法也依赖于情感分析分类器经常使用的特征[18]。另一方面,也有一些研究表明,诸如词数量、动词数量和感官比例等低级特征应更常用,因为它们在不同模型中具有重要性和普适性[19]。在这些方法之间,有些主张使用大型特征集,使用“消息内容、用户配置文件和[网络]扩散模式的整体统计数据”[4]。其他工作观察到当减小模型的大小时,准确性会提高0仅考虑最常见的二元组而不是所有的单元和/或二元组[21],通过上下文信息进行特征工程被广泛认可,但通常被忽视[16,31]。"用户信息可以是初始广播的强有力线索,内容特征在整个传播周期中非常重要,结构和时间模式有助于纵向扩散"[19]。当主要依赖上下文特征作为输入实例的传播树时,事实核查的任务可以被建模为相似性问题,通过使用基于核的方法避免了繁琐的特征工程过程[7,19]。分类器类型在下表1中列出了用于对输入进行分类的机器(深度)学习模型的种类,以及每个项目的作者确定的类别数量。来源依赖性通过评估用于衡量主张真实性的来源的质量,可以显著提高模型的输出。特别是对于依赖多个来源并将多样性视为积极因素的项目来说,这个问题变得非常重要。在这种情况下,源依赖性问题变得极其重要,因为人们很容易认为具有对主张持有相似观点的不同来源是积极的,实际上确实如此,但前提是没有源重复,并且必须进行评估[9]。这个任务比许多人想象的要困难,因为原始来源(在非重复来源的意义上)更有可能对主张主题的某些方面发表类似的评论,就像其他原始来源一样[6]。保留每个来源的记录是评估其质量的方法。通过比较已知真实性的主张中该特定来源所陈述的内容,可以更新来源的可靠性。为了找出哪些来源依赖于其他来源,一个很好的方法是分析两个可疑来源在多大程度上都提供了一个已知主张真实性的错误值[9]。问责/推理/证明除了准确分类文档或主张为真或假之外,还能够提供支持证据是“圣杯”的支柱之一,这个术语由[14]创造,用来指代解决计算事实核查挑战的系统的最终目标。对于数学模型的输出,人们对其推理能力寄予了很高的期望。拥有准确的模型是好的,但是在判决旁边提供一个理由可以给用户带来更高的保证,提供有关正在分析的主张的更多信息,还可以帮助理解和改进模型在开发阶段。评估指标这里研究的大多数项目都依赖于精确率和召回率之间的调和平均值,这是机器学习和特别是自然语言处理科学工作中已经确立的一种衡量标准,也被称为F1分数。0博士研究方向 WWW 2018年4月23日至27日,法国里昂8100表1:基于机器学习的自动事实核查方法0文章输入分类器特征粒度0[10] 不稳定二元感知机(1L 3N) 单词级别 构建的LBCs集合0[20] 不稳定二元(朴素贝叶斯) 单词级别 LIWC,一组LBCs0[21] 结构化二元(逻辑回归) 单词级别 主观+情感词典0[19] 不稳定/结构化二元(传播树核) 单词/上下文 用户属性/时间戳0[22] 不稳定二元(CRF) 单词/上下文 趋势/内容/排名0[5] 结构化二元(加权知识图谱) 不适用 不适用0文章来源依赖性问责评估0[10] 不适用 通过LBC 74% Ov. Acc0[20] 不适用 通过单词类别 59.8% Ov. Acc0[21] 是的 未提及但可能 70-90% Ov. Acc0[19] 不适用 否 73-75% 的整体准确性0[22] 是 通过网络文档 80% 的整体准确性0[5] 不适用 否 61-95% 的整体准确性03 贡献和方法论0到目前为止,所取得的结果主要是对问题及其当前解决方案的仔细研究,以及明确的方向和步骤,如下面的部分所述。根据领域中确定的需求和方法研究所指出的方向,我们提出的方法的第一步是通过不同的事实检查网站(如Channel 4FC、Snopes.com、FactCheck.org、Politifact.com、FullFact.org和OpenEurope.org.uk)构建一个手动事实检查主张的数据集。需要做出一些努力将这些不同来源的数据映射到一个共同的结构中。一旦构建完成,没有理由不共享这个资源。在获取数据之后,进一步的预处理步骤是识别值得检查的候选主张,为此,最初我们将使用ClaimBuster[14],这是一个第三方框架,已经取得了良好的结果。然后是贡献的核心步骤:开发一个神经网络,用于将主张自动分类为真实或虚假,并对从上述数据集中提取的句子进行训练。从最初更大的特征集中选择一个较小的最佳特征集来开始模型训练。这个选择过程将通过对初始和更大的特征集进行敏感性分析来完成。为了表示文本的重要方面,如确定性、推测和怀疑,还将尝试使用更高阶的语言特征。最后,在使用引用的网站以及来自不同来源和领域(包括社交媒体、博客文章、新闻文章等)的数据对分类器进行训练后,我们计划使用F-1分数来评估我们的模型以衡量其准确性。04 结论和未来工作0这项工作的主要结论是特征工程过程对分类器的结果有很大的影响,而且更高的0级别的文本信息可以提高准确性。然而,多模态方法对于自动事实检查的最新技术提出了更高的期望,因为通过分析额外的文本信息可以发现越来越多的高级相关性。正如预期的那样,不同的领域有各自的特殊性,但对于语言学方法来说,一些基于常见语言学线索的集合是正统的,如果在模型中考虑这些线索,无论数据的类型如何,都很可能与更高的整体准确性相关。不言而喻的是,结构信息是一种可以用于改进结果的资源,特别是对于社交媒体而言,因为由于使用的字符不足,短文本或微博的情况下,语言信息对数据的代表性较低,或者由于频繁使用新词、首字母缩写和非语言数据。我们还注意到,不同类型的假新闻在媒体类型上的差异更加频繁,并且通过使用不同类型的媒体,我们可以增加或减少对每种类型的检测。例如:推文特别适合用于骗局检测。[12]在实施了初始步骤并运行了分类器原型之后,可以实施和评估许多其他技术。这就是辅助上下文信息的情况,如[19]所示,以及如[15]所建议的多模态。如果不仅仅有文本数据可用,而是有可用的其他数据,例如因果关系、唤起和其他许多最有希望的特征可以更好地衡量。[10, 24,30]在预分类步骤中仍然有改进的空间,其中文档或主张的语义信息没有清晰地表示,甚至不是以文本格式表示,这些情况的例子包括隐喻、多句主张、复杂的释义、表情符号、首字母缩写、新词等等。0致谢0这项工作由SFI授予协议号12/RC/2289资助。0博士论文追踪WWW 2018年4月23日至27日,法国里昂8110参考文献0[1] John Arbuthnot和Jonathan Swift。1874。政治谎言的艺术。K. Tompkins。[2]Mevan Babakar和Will Moy。2016。自动事实检查的现状。Full Fact(2016)。[3]Charles F Bond Jr和Bella MDePaulo。2006。欺骗判断的准确性。个性与社会心理学评论10,3(2006),214-234。[4] Carlos Castillo,Marcelo Mendoza和BarbaraPoblete。2011。Twitter上的信息可信度。在第20届国际万维网会议上的论文集中。ACM,675-684。[5] Giovanni Luca Ciampaglia,Prashant Shiralkar,Luis MRocha,Johan Bollen,Filippo Menczer和AlessandroFlammini。2015。从知识网络中进行计算事实检查。PloS one10,6(2015),e0128193。[6] Niall J Conroy,Victoria L Rubin和YiminChen。2015。自动欺骗检测:寻找假新闻的方法。信息科学与技术协会会议论文集52,1(2015),1-4。[7] Aron Culotta和JeffreySorensen。2004。用于关系提取的依赖树核。在第42届年会上的论文集上的会议。计算语言学协会,423。[8] Bella M DePaulo,James J Lindsay,Brian E Malone,LauraMuhlenbruck,Kelly Charlton和HarrisCooper。2003。欺骗线索。心理学公告129,1(2003),74。[9] Xin LunaDong,Laure Berti-Equille和DiveshSrivastava。2009。整合冲突数据:源依赖性的作用。VLDB学会会议论文集2,1(2009),550-561。[10] Christie M Fuller,David PBiros和Rick LWilson。2009。通过基于语言的线索确定真实性的决策支持。决策支持系统46,3(2009),695-703。[11] JF George和BTKeane。2006。第三方观察员的欺骗检测。在欺骗检测研讨会上,第39届年度夏威夷国际系统科学会议。[12] Cale GuthrieWeissman。2015。"计算机现在可以区分真正的突发新闻和试图欺骗我们的网络喷子"。https://goo.gl/x2D2Zi。 (2015)。[13] Jeffrey T Hancock,JenniferThom-Santelli和ThompsonRitchie。2004。欺骗和设计:沟通技术对说谎行为的影响。在SIGCHI的论文集中。ACM,129-134。[14] Naeemul Hassan,Bill Adair,James T Hamilton,Chengkai Li,MarkTremayne,Jun Yang和Cong Yu。2015。自动化事实检查的追求。世界(2015)。[15]Julia Hirschberg,Stefan Benus,Jason M Brenier,Frank Enos,Sarah Fried-man,Sarah Gilman,Cynthia Girand,Martin Graciarena,Andreas Kathol,LauraMichaelis等。2005。区分欺骗性和非欺骗性言论。第九届欧洲语音通信和技术会议。0[16] Sejeong Kwon,Meeyoung Cha,Kyomin Jung,Wei Chen和YajunWang。2013。在线社交媒体中谣言传播的显著特征。在数据挖掘(ICDM),2013年IEEE第13届国际会议上。IEEE,1103-1108。[17] David F Larcker和Anastasia AZakolyukina。2012。在电话会议中检测欺骗性讨论。会计研究杂志50,2(2012),495-540。[18] Bing Liu,Minqing Hu和JunshengCheng。2005。意见观察者:分析和比较网络上的意见。在第14届国际万维网会议上的论文集中。ACM,342-351。[19] Jing Ma,Wei Gao和Kam-FaiWong。2017。使用传播结构通过核学习在微博帖子中检测谣言。在计算语言学协会第55届年会论文集(第1卷:长论文)中,第1卷。708-717。[20] Rada Mihalcea和CarloStrapparava。2009。测谎仪:自动识别欺骗性语言的探索。在ACL-IJCNLP2009会议短文集中。计算语言学协会,309-312。[21] Ndapandula Nakashole和Tom MMitchell。2014。语言感知的事实候选真实性评估。在ACL(1)中。1009-1019。[22]Kashyap Popat,Subhabrata Mukherjee,Jannik Strötgen和GerhardWeikum。2017。真相的所在:解释网络和社交媒体上新兴声明的可信度。在第26届国际万维网会议附属会议论文集中。国际万维网会议筹委会,1003-1012。[23] Victoria LRubin,Yimin Chen和Niall JConroy。2015。新闻的欺骗检测:三种伪造。信息科学与技术协会会议论文集52,1(2015),1-4。[24] Victoria L Rubin和NiallConroy。2012。从真相中辨别谎言:人类判断和自动化努力。第一个星期一17,3(2012)。[25] Andreas Vlachos和SebastianRiedel。2014。事实检查:任务定义和数据集构建。在ACL2014会议论文集中。18-22。[26] AldertVrij。2000。检测谎言和欺骗:说谎心理学及其对专业实践的影响。Wiley。[27] JanyceWiebe,Theresa Wilson,Rebecca Bruce,Matthew Bell和MelanieMartin。2006。学习主观语言。学习30,3(2006)。[28] JimWright。2017。"假新闻,事实和替代事实"[新闻如何改变]。https://www.coursera.org/learn/ fake-news-facts-alternative-facts-michiganx-teachout-2x/lecture/sxW8D/veteran-journalist-on-how-news-has-changed。(2017)。访问日期:10/04/17。[29] You Wu,Pankaj K Agarwal,Chengkai Li,JunYang和Cong Yu。2014。走向计算事实核查。VLDB学会会议论文集7,7(2014),589-600。[30] Lina Zhou,Judee KBurgoon,Jay F Nunamaker和DougTwitchell。2004。自动化基于语言的线索用于检测基于文本的异步计算机中介交流中的欺骗。群体决策与谈判13,1(2004),81-106。[31] Arkaitz Zubiaga,MariaLiakata,Rob Procter,Geraldine Wong Sak Hoi和PeterTolmie。2016。通过观察对话线程来分析人们如何定向和传播谣言的社交媒体。PloS one11,3(2016),e0150989。02018年4月23日至27日,法国里昂举办的博士生研讨会WWW 2018
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 5
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 展开
- 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
最新资源
- C++标准程序库:权威指南
- Java解惑:奇数判断误区与改进方法
- C++编程必读:20种设计模式详解与实战
- LM3S8962微控制器数据手册
- 51单片机C语言实战教程:从入门到精通
- Spring3.0权威指南:JavaEE6实战
- Win32多线程程序设计详解
- Lucene2.9.1开发全攻略:从环境配置到索引创建
- 内存虚拟硬盘技术:提升电脑速度的秘密武器
- Java操作数据库:保存与显示图片到数据库及页面
- ISO14001:2004环境管理体系要求详解
- ShopExV4.8二次开发详解
- 企业形象与产品推广一站式网站建设技术方案揭秘
- Shopex二次开发:触发器与控制器重定向技术详解
- FPGA开发实战指南:创新设计与进阶技巧
- ShopExV4.8二次开发入门:解决升级问题与功能扩展
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