课程文献中心 更多>>

关键词： 高中数学   新课程   三角函数与三角关系  

摘要： 随着教学的改革，高中数学新课程内容有较大变化，需要教师在整体上进行教学设计并提高教学质量.“三角函数与三角关系”这部分内容在高中数学新课程中的教学编排上有一些变化，对这些关系进行分析可以提高学生思维能力和判断能力.本文中结合高中数学新课程对三角函数与三角关系的正确应用进行了分析，并提出了教学建议.

关键词： 李思训   海天落照   苏州片   道教意象   世俗性  

摘要： 本文以辽宁省博物馆藏传李思训《海天落照图》为研究对象,通过图像分析、文献溯源与风格比较等方法,系统探究了该画卷的基本概况、归属争议、艺术特征及文化内涵。 通过对其画面元素、题跋印章及技法和相同题材的作品的比较发现,此卷非唐代李思训真迹,其体现出的典型的仿古且程式化的特征是明代中后期苏州地区作坊制作的“苏州片”伪作,进一步佐证其断代依据。同时,通过对“海天落照”题材的流变和李思训风格的梳理,也揭示了该题材的时代归属和美术史中存在的“重构”现象。最后通过对画面元素的分析可知,本卷在一定程度上体现了“仙俗共生”的文化内涵:道教仙山图示与世俗生活场景的并置,既延续了宗教理想,也是市民阶层对现世繁荣的观照,其目的也是迎合当时的书画市场不同受众的潜在需求。 希望本研究能够通过个案研究的方式为相关“海天落照”题材的研究、“苏州片”的鉴定等相关领域研究提供新的视角。

摘要： 在数学领域，函数如同一座桥梁，连接着数与形的两个世界。在初中数学中，函数不仅是一个重要的知识点，更是打开数学奥秘之门的钥匙，引领着我们探索数与形之间的奥秘。函数的初印象：定义与表示函数，简而言之，就是两个变量之间的一种对应关系。在初中数学中，我们最先接触到的函数通常是线性函数，也就是一次函数。它的一般形式为y=kx+b，其中k为斜率，b为截距。这个函数式简洁明了地表达了x与y之间的线性关系。除了线性函数，初中数学还会涉及二次函数、反比例函数等。这些函数虽然形式各异，但都遵循着函数的基本定义，即每一个自变量x都对应一个唯一的因变量y。

关键词： 序列推荐   图神经网络   自注意力机制   动态偏好  

摘要： 现有的序列推荐模型主要建模用户与项目之间的交互关系，忽略了项目之间的潜在关联信息以及时间间隔因素对捕捉用户偏好的影响。针对上述问题，提出一种融合图卷积和时间自注意力机制的序列推荐算法(GCTSA)。首先构建用户-项目交互图和项目-项目关联图，利用图卷积模块学习项目嵌入和用户长期偏好，然后将用户近期交互序列的时间间隔信息整合到自注意力机制来学习用户短期偏好，最后采用门控机制确定用户长短期偏好对建模用户动态偏好的贡献。在Beauty、CDs&Vinyl、Movies&TV三个公共数据集上的实验结果表明，GCTSA在召回率(Recall)、归一化折损累计增益(NDCG)等4个评价指标上相较于其他主流模型表现出更优的性能，验证了模型的有效性。

摘要： 《鸡鸣图》为明代画家陈嘉言所绘。此画作纵为17厘米,横为52.4厘米。画家采用金笺设色绘制。扇页上有画家自题的文字:“癸酉八月之望写鸡鸣图。陈嘉言。”图中,竹子苍翠欲滴,秋菊清丽淡雅,一只雄鸡在草坡上引吭高歌。画家采用小写意的笔法,用细笔描绘出雄鸡的羽毛,以设色表现它的头和背,用浓淡不一的墨色渲染它的胸腹和尾部,使得整幅画极富真实感。

关键词： 图神经网络鲁棒性   图结构学习   图隐私保护  

摘要： 图数据,如引用网络、社交网络等,在实际应用中引起了广泛关注。随着深度学习的发展,图神经网络目前是学习和表示图中节点最流行的范式。然而现实世界的图通常不可避免地存在着噪声,当在具有噪声边缘的节点图上训练图神经网络时,它们的性能可能会显著降低。此外,图数据中同时还包含着许多隐私信息,一旦这些隐私信息被外部的攻击者所窃取或修改,将会对用户造成巨大威胁。 目前已有的工作中,为了解决现实世界的图不可避免地存在噪声问题,许多方法采用图结构学习来对图进行降噪,然而传统的图结构学习方法存在着对标签信息极度依赖、图结构建模方式单一、存在不平衡的数据增强、受限于具体的下游任务等问题。此外为了解决图数据中还存在的隐私泄露问题,目前已有的如简单匿名、聚类、差分隐私等手段由于不涉及图修改,在某些场景下的隐私保护效果不够显著,而传统的图修改技术虽然能在一定程度上保护图隐私,但由于给图数据添加了太多扰动降低了原本的图效用。 根据以上提到的问题,本文提出了一种基于图结构学习的图去噪及隐私保护方法。该方法为两个部分,基于图结构学习和对比学习的图去噪模块和基于图结构学习和对抗训练的隐私保护模块。在第一个模块中,将根据输入数据选择合适的图学习器,得到学习视图。然后,结合原始数据生成的锚点视图,进行自适应数据增强的对比学习。通过不断迭代,获得具有噪声鲁棒性的学习视图。第二个模块将利用第一个模块学习到的图数据,使用对抗训练的方法对目标节点添加不可察觉的扰动使得在保护隐私的同时维持图效用。同时使用图结构学习提升非隐私属性的提升下游任务表现。通过该方法,最终生成的图数据既具备噪声鲁棒性,又实现了隐私保护。 本文将提出的方法在三个广泛用于图深度学习的数据集上进行了综合实验并与其他基线进行了对比。实验结果表明,使用本文提出的方法对图数据进行处理后将比其他方法具有更好的噪声鲁棒性和隐私保护效果,说明我们的方法不仅能增强图神经网络在噪声数据中的表现,还能有效地保护用户的隐私数据,避免潜在的安全威胁,为图数据的安全和可靠应用奠定基础。