Navigated
北京大學學報(自然科學版)
北京大學學報(自然科學版)

北京大學學報(自然科學版) Magazine Abonnements en Ligne

ou

Abonnez-vous à Select

15 numéros de journaux ou de magazines au choix chaque mois

Se procurer cette édition

北京大學學報(自然科學版), 20 Juillet 2026

Abonnez-vous à 北京大學學報(自然科學版)

US $12,99/6 mois

Description

Lisez 北京大學學報(自然科學版) en ligne avec PressReader. 北京大學學報(自然科學版), publié en Chinois simplifié, est un magazine de Chine. Restez à jour avec le numéro actuel ou consultez les anciens numéros de 北京大學學報(自然科學版) dans les archives.

Dans cette édition

ArticleIn Situ

Distribution Characteristics and Driving Factors of Phytoplankton Community in the Kuye River Basin ·············································· HU Yaowu, YANG Zijie, TIAN Yucheng, et al (729) Metagenomic Analysis Revealing the Community Structure...

In Situ

ArticleOn Town and Village Divisions: Tianjin City ZHANG Yu, XU Hengzhou (901)

Bibliometric Analysis of Research on Land Use and Carbon Budget Based on Citespace Characterization of the Spatio-temporal Evolution of Landslide Susceptibility in Yunnan Province ···························· ZHU Yilin, PENG Shuangyun, LIN Zhiqiang,...

On Town and Village Divisions: Tianjin City ZHANG Yu, XU Hengzhou (901)

ArticleCONTENTS Special Topic: Language and Knowledge Computing

A Smart Site Selection Model Integrating Multisource Spatiotemporal Knowledge Graphs and Graph Neural Networks ························································· MAO Liangjian, LI Zhixu (699) Structural Bidirectional Encoding-based...

CONTENTS Special Topic: Language and Knowledge Computing

Article融合多源时空知识图谱与图神经网络的智慧选址模型

1,2,† 1. 中国人民大学智慧治理学院, 苏州 215123; 2. 中国人民大学信息学院, 北京 100872;通信作者, E-mail: maolj@ruc.edu.cn (毛亮坚), zhixuli@ruc.edu.cn (李直旭) 摘要 针对现有的零售连锁门店选址方法存在人力与时间成本高、忽略地理空间交互关系以及高维非结构化特征处理粗糙的问题, 提出一种融合多源时空知识图谱与图神经网络(GNN)的连锁门店智慧选址模型(Smartsite)。首先, 搭建多源时空数据库(MSSTDB),...

融合多源时空知识图谱与图神经网络的智慧选址模型

Article基于结构化双向编码的数学知识图谱表示学习模型

1,† 2 1 1 1. 深港产学研基地(北京大学香港科技大学深圳研修院), 深圳 518063; 2. 宝安第一外国语学校(集团)初中部,深圳 518102; † E-mail: jinljq@ier.org.cn 摘要 现有知识图谱表示学习方法大多仅将知识简单地表征为实体和关系, 忽略复杂关系学习和多关联知识链, 导致无法准确地搭建学科知识体系, 并影响学习路径的生成。针对这一问题, 提出一种基于BERT的结构化双向编码的数学知识图谱表示学习模型(SBE), 通过图数据增强,...

基于结构化双向编码的数学知识图谱表示学习模型

Dernières Éditions