大兴安岭南段西沙拉地区出露大量的中生代新民组(J_(2)x)和满克头鄂博组(J_(3)m)地层,由于其岩石组合中流纹岩的存在,易混淆地层的划分,导致该流纹岩的地层归属存在争议。因此,以流纹岩为研究对象,进行锆石U-Pb测年,地球化学特征分析,...大兴安岭南段西沙拉地区出露大量的中生代新民组(J_(2)x)和满克头鄂博组(J_(3)m)地层,由于其岩石组合中流纹岩的存在,易混淆地层的划分,导致该流纹岩的地层归属存在争议。因此,以流纹岩为研究对象,进行锆石U-Pb测年,地球化学特征分析,并开展了新民组和满克头鄂博组地层剖面对比研究,进而探讨流纹岩的形成时代、构造背景及地层归属问题。研究指出西沙拉流纹岩的地球化学特征为高硅(SiO_(2)平均含量为75.74%)、富碱(Na_(2)O+K_(2)O平均含量为7.69%),并且镁、钙含量较低,属过铝质、高钾钙碱性系列;球粒陨石标准化的稀土元素配分模式呈右倾型,轻稀土元素相对富集,重稀土元素相对亏损,(La/Yb)N介于10.61~14.21,显示出较强的负铕异常(δEu介于0.44~0.53);大离子亲石元素(large ion lithophilic elements,LILE)Rb、Ba和K相对富集,同时高场强元素(high field strength elements,HFSE)Nb、Ta和Ti相对亏损,这说明岩浆起源于地壳物质;LA-ICP-MS锆石U-Pb测年结果显示流纹岩年龄为(167.7±2.6)Ma,形成于中侏罗世,是蒙古-鄂霍茨克洋闭合后伸展构造作用所形成的产物;结合区域地质、剖面岩石组合类型对比研究认为该流纹岩应归属为满克头鄂博组。展开更多
文章以1997至2017年Web of Science数据库收录的585篇知识可视化研究文献作为数据基础。整合VOSviewer和Citespace两个文献计量可视化软件的优势,采用共被引分析、引文分析、共词分析等方法进行文献计量可视化图谱的绘制和分析。分析探...文章以1997至2017年Web of Science数据库收录的585篇知识可视化研究文献作为数据基础。整合VOSviewer和Citespace两个文献计量可视化软件的优势,采用共被引分析、引文分析、共词分析等方法进行文献计量可视化图谱的绘制和分析。分析探究1997至2017年间知识可视化领域的整体演进路径、研究热点与前沿,以期发现知识可视化研究的演变规律与未来发展趋势。展开更多
随着信息时代的到来,互联网成为学习和共享的重要平台,但庞大的电影数据量和信息复杂性使用户查询变得困难。为帮助用户快速找到感兴趣的电影,我们提出了一个结合深度学习和注意力机制的个性化电影推荐系统。通过分析用户基本信息和评...随着信息时代的到来,互联网成为学习和共享的重要平台,但庞大的电影数据量和信息复杂性使用户查询变得困难。为帮助用户快速找到感兴趣的电影,我们提出了一个结合深度学习和注意力机制的个性化电影推荐系统。通过分析用户基本信息和评分数据,该系统利用特征嵌入、卷积、自注意力机制、LSTM层以及残差模块,训练出个性化推荐模型,以提升推荐效果和准确性。在特征处理方面,用户特征通过嵌入层将年龄、性别(one-hot编码)及职业映射为稠密向量;电影特征借助multi-hot编码与卷积层捕捉类型组合的特征共现模式,再结合电影ID嵌入向量保留独特性。特征交互模块通过卷积提取用户与电影的偏好关联,自注意力机制动态调整特征权重以适应兴趣变化,LSTM层捕捉观影行为的长期依赖与短期变化,残差模块则有效融合兴趣信息并避免梯度消失,确保模型的稳定性与高效训练。With the advent of the information age, the Internet has become an important platform for learning and sharing. However, the vast amount of movie data and the complexity of information make it difficult for users to search. To help users quickly find movies they are interested in, we propose a personalized movie recommendation system that combines deep learning and attention mechanisms. By analyzing users’ basic information and rating data, the system uses feature embedding, convolution, self-attention mechanisms, LSTM layers, and residual modules to train a personalized recommendation model to improve the recommendation effect and accuracy. In terms of feature processing, user features are mapped to dense vectors through an embedding layer, including age, gender (one-hot encoded), and occupation;movie features capture the co-occurrence patterns of genre combinations through multi-hot encoding and convolutional layers and combine movie ID embedding vectors to retain uniqueness. The feature interaction module extracts the preference correlation between users and movies through convolution, the self-attention mechanism dynamically adjusts feature weights to adapt to changes in interest, the LSTM layer captures the long-term dependencies and short-term changes in viewing behavior, and the residual module effectively fuses interest information and avoids gradient vanishing, ensuring model stability and efficient training.展开更多
文摘大兴安岭南段西沙拉地区出露大量的中生代新民组(J_(2)x)和满克头鄂博组(J_(3)m)地层,由于其岩石组合中流纹岩的存在,易混淆地层的划分,导致该流纹岩的地层归属存在争议。因此,以流纹岩为研究对象,进行锆石U-Pb测年,地球化学特征分析,并开展了新民组和满克头鄂博组地层剖面对比研究,进而探讨流纹岩的形成时代、构造背景及地层归属问题。研究指出西沙拉流纹岩的地球化学特征为高硅(SiO_(2)平均含量为75.74%)、富碱(Na_(2)O+K_(2)O平均含量为7.69%),并且镁、钙含量较低,属过铝质、高钾钙碱性系列;球粒陨石标准化的稀土元素配分模式呈右倾型,轻稀土元素相对富集,重稀土元素相对亏损,(La/Yb)N介于10.61~14.21,显示出较强的负铕异常(δEu介于0.44~0.53);大离子亲石元素(large ion lithophilic elements,LILE)Rb、Ba和K相对富集,同时高场强元素(high field strength elements,HFSE)Nb、Ta和Ti相对亏损,这说明岩浆起源于地壳物质;LA-ICP-MS锆石U-Pb测年结果显示流纹岩年龄为(167.7±2.6)Ma,形成于中侏罗世,是蒙古-鄂霍茨克洋闭合后伸展构造作用所形成的产物;结合区域地质、剖面岩石组合类型对比研究认为该流纹岩应归属为满克头鄂博组。
文摘文章以1997至2017年Web of Science数据库收录的585篇知识可视化研究文献作为数据基础。整合VOSviewer和Citespace两个文献计量可视化软件的优势,采用共被引分析、引文分析、共词分析等方法进行文献计量可视化图谱的绘制和分析。分析探究1997至2017年间知识可视化领域的整体演进路径、研究热点与前沿,以期发现知识可视化研究的演变规律与未来发展趋势。
文摘随着信息时代的到来,互联网成为学习和共享的重要平台,但庞大的电影数据量和信息复杂性使用户查询变得困难。为帮助用户快速找到感兴趣的电影,我们提出了一个结合深度学习和注意力机制的个性化电影推荐系统。通过分析用户基本信息和评分数据,该系统利用特征嵌入、卷积、自注意力机制、LSTM层以及残差模块,训练出个性化推荐模型,以提升推荐效果和准确性。在特征处理方面,用户特征通过嵌入层将年龄、性别(one-hot编码)及职业映射为稠密向量;电影特征借助multi-hot编码与卷积层捕捉类型组合的特征共现模式,再结合电影ID嵌入向量保留独特性。特征交互模块通过卷积提取用户与电影的偏好关联,自注意力机制动态调整特征权重以适应兴趣变化,LSTM层捕捉观影行为的长期依赖与短期变化,残差模块则有效融合兴趣信息并避免梯度消失,确保模型的稳定性与高效训练。With the advent of the information age, the Internet has become an important platform for learning and sharing. However, the vast amount of movie data and the complexity of information make it difficult for users to search. To help users quickly find movies they are interested in, we propose a personalized movie recommendation system that combines deep learning and attention mechanisms. By analyzing users’ basic information and rating data, the system uses feature embedding, convolution, self-attention mechanisms, LSTM layers, and residual modules to train a personalized recommendation model to improve the recommendation effect and accuracy. In terms of feature processing, user features are mapped to dense vectors through an embedding layer, including age, gender (one-hot encoded), and occupation;movie features capture the co-occurrence patterns of genre combinations through multi-hot encoding and convolutional layers and combine movie ID embedding vectors to retain uniqueness. The feature interaction module extracts the preference correlation between users and movies through convolution, the self-attention mechanism dynamically adjusts feature weights to adapt to changes in interest, the LSTM layer captures the long-term dependencies and short-term changes in viewing behavior, and the residual module effectively fuses interest information and avoids gradient vanishing, ensuring model stability and efficient training.
