教育资源为主的文档平台

当前位置: 查字典文档网> 所有文档分类> 经管营销> 人力资源管理> 一种融合项目特征和移动用户信任关系的推荐算法--

一种融合项目特征和移动用户信任关系的推荐算法--

上传者:韩振宇
|
上传时间:2015-04-22
|
次下载

一种融合项目特征和移动用户信任关系的推荐算法--

内容需要下载文档才能查看

软件学报ISSN 1000-9825, CODEN RUXUEW E-mail: jos@http://wendang.chazidian.com

Journal of Software,2014,25(8):1817?1830 [doi: 10.13328/j.cnki.jos.004491] http://wendang.chazidian.com

©中国科学院软件研究所版权所有. Tel/Fax: +86-10-62562563

一种融合项目特征和移动用户信任关系的推荐算法

胡 勋1,2, 孟祥武1,2, 张玉洁1,2, 史艳翠1,2

1

2? (智能通信软件与多媒体北京市重点实验室(北京邮电大学),北京 100876) (北京邮电大学 计算机学院,北京 100876)

通讯作者: 胡勋, E-mail: hu_xun@http://wendang.chazidian.com, http://wendang.chazidian.com

摘 要: 协同过滤推荐系统中普遍存在评分数据稀疏问题.传统的协同过滤推荐系统中的余弦、Pearson等方法都

是基于共同评分项目来计算用户间的相似度;而在稀疏的评分数据中,用户间共同评分的项目所占比重较小,不能准

确地找到偏好相似的用户,从而影响协同过滤推荐的准确度.为了改变基于共同评分项目的用户相似度计算,使用推

土机距离(earth mover’s distance,简称EMD)实现跨项目的移动用户相似度计算,提出了一种融合项目特征和移动用

户信任关系的协同过滤推荐算法.实验结果表明:与余弦、Pearson方法相比,融合项目特征的用户相似度计算方法能

够缓解评分数据稀疏对协同过滤算法的影响.所提出的推荐算法能够提高移动推荐的准确度.

关键词: 推土机距离;推荐系统;协同过滤;混合推荐

中图法分类号: TP311 中文引用格式: 胡勋,孟祥武,张玉洁,史艳翠.一种融合项目特征和移动用户信任关系的推荐算法.软件学报,2014,25(8):

1817?1830. http://wendang.chazidian.com/1000-9825/4491.htm

英文引用格式: Hu X, Meng XW, Zhang YJ, Shi YC. Recommendation algorithm combing item features and trust relationship of

mobile users. Ruan Jian Xue Bao/Journal of Software, 2014,24(8):1817?1830 (in Chinese). http://wendang.chazidian.com/1000-9825/

4491.htm

Recommendation Algorithm Combing Item Features and Trust Relationship of Mobile Users

HU Xun1,2, MENG Xiang-Wu1,2, ZHANG Yu-Jie1,2, SHI Yan-Cui1,2

1(Beijing Key Laboratory of Intelligent Telecommunications Software and Multimedia (Beijing University of Posts and

Telecommunications), Beijing 100876, China)

(School of Computer Science, Beijing University of Posts and Telecommunications, Beijing 100876, China) 2

Corresponding author: HU Xun, E-mail: hu_xun@http://wendang.chazidian.com, http://wendang.chazidian.com

Abstract: The sparsity of user-item ratings is a common problem in collaborative filtering recommender systems. In traditional

collaborative filtering recommender systems, similarity of users is often calculated with cosine and Pearson methods based on common

ratings. When user-item ratings are sparse, the ratio of common rated items is less, and the accuracy of recommendations will be

influenced because users with similar preferences can’t be found accurately. To change calculation method of user similarity based on the

same rated items, this paper applies EMD (earth mover’s distance) to implement cross-item similarity calculation of mobile user and

proposes a collaborative filtering recommendation method combining item features and trust relationship of mobile users. The

experimental results show that, comparing with cosine and Pearson, user similarity calculation method combining item features can

relieve influence of the sparsity of user-item ratings on collaborative filtering recommender systems. And the proposed recommender

method can improve accuracy of mobile recommendations.

Key words: earth mover’s distance (EMD); recommender system; collaborative filtering; hybrid recommendation

? 基金项目: 国家自然科学基金(60872051); 北京市教育委员会共建项目

收稿时间: 2012-07-04; 修改时间: 2013-03-29; 定稿时间: 2013-09-02; jos在线出版时间: 2014-05-16

CNKI网络优先出版: 2014-05-16 11:21, http://wendang.chazidian.com/kcms/doi/10.13328/j.cnki.jos.004491.html

内容需要下载文档才能查看

1818

Journal of Software 软件学报 Vol.25, No.8, August 2014

互联网的迅速发展引发了信息过载问题.推荐系统作为解决信息过载问题的重要手段,在电子商务等领 域[1?4]被广泛应用,主要通过发现用户的潜在需求并主动向用户推荐满足其需求的项目,将不相关的项目过滤掉以缓解用户的信息负担.目前,协同过滤算法是推荐系统中应用最广泛的推荐算法,协同过滤算法主要分为两类:基于内存的方法和基于模型的方法[5].但协同过滤推荐系统中普遍存在评分数据稀疏问题,即用户评价或查看的项目远远小于用户未评价或未查看的项目.由于评分数据的稀疏不能准确地获取用户偏好,影响了协同过滤推荐算法的性能,是协同过滤推荐的一大挑战[5,6].随着移动通信技术和移动互联网的迅速发展,移动网络服务和信息内容的迅速增长已超出人们所能接受的范围,导致了移动信息的过载.推荐系统作为信息过滤的有效手段,在移动领域中也得到了广泛的关注.由于移动设备的限制(如屏幕小、输入能力差等),移动用户的评价反馈行为变得更不方便,评分数据稀疏,在移动推荐系统中依然是影响移动推荐性能的重要因素.

基于用户的协同过滤推荐算法的基本思想是:通过计算用户偏好的相似性,找到与目标用户相似的其他用户,然后利用相似用户的偏好对目标用户的偏好进行预测并推荐.传统的基于用户的协同过滤推荐算法利用用户对项目的评分,通过余弦、Pearson等方法来计算用户间的相似度,把不同的项目视为不同的维度,通过用户在相同维度上的评分来计算其相似度.当用户评分数据稀疏时,用户之间的共同评分较少;当根据用户之间的共同评分数据来计算用户之间的相似度时,不能准确地衡量用户之间的相似度,从而影响推荐系统的性能.余弦、Pearson等方法在计算用户相似度时都忽略了用户在不同项目上的评分对用户间相似度的影响,如某演员主演的动作电影A与电影B,用户u1对电影A进行了评分,用户u2对电影B进行了评分,由于用户u1与u2之间没有共同评分,余弦或Pearson等方法不能计算用户之间的相似度,从而认为用户u1与u2之间不相似.但从人的认知来说,这两个用户有一定的相似性,因为他们对相似的两部电影(主演相同而且都是动作片)进行了评分.为了充分利用移动用户现有的、在不同项目上的评分来计算移动用户之间的相似度,本文将图像检索中常用的距离计算方法EMD[7,8]引入到移动推荐中,将项目特征融入到用户的相似度计算中,改变传统方法中一对一(只考虑移动用户在相同项目的评分)的相似度计算,实现多对多(考虑移动用户在不同项目上的评分)的相似度计算,在一定程度上缓解评分稀疏对移动用户相似度计算的影响.为避免评分数据稀疏对计算用户相似度的影响,研究者将用户社会关系引入到推荐系统中[9,10],利用用户社会关系进行推荐.本文将通过移动用户的移动通信数据挖掘移动用户间的信任关系,并与融合项目特征的移动用户相似关系进行混合推荐.

本文第1节介绍协同过滤推荐算法的相关工作.第2节介绍基于EMD的移动推荐算法.第3节介绍实验并分析实验结果.第4节总结全文并给出下一步的研究方向.

1 相关工作

基于内存的协同过滤推荐算法主要关注用户之间或项目之间的相似关系,基于用户的协同过滤推荐算法首先根据用户的历史数据计算用户之间的相似度,如用户评分数据、浏览数据等.其中,评分数据是推荐系统中常用的用户历史数据.通常,基于评分数据使用余弦、Pearson等方法来计算用户之间的相似度[2,9?11],再根据用户相似度选择最相似的用户作为邻居,利用相似邻居的偏好进行预测.余弦方法使用向量空间模型来表示用户的偏好,每个项目作为向量的一个维度,用户对该项目的评分表示用户对项目的偏好权重,用户的相似度根据两个用户在相同项上的评分来计算,如果没有共同评分则无法计算用户相似度.余弦方法没有考虑用户自身的评分尺度,不同用户有不同的评分尺度,用户对同样喜欢的电影评分不同,如用户u1评分为3表示喜欢该电影,而用户u2评分为4才表示喜欢.为了更准确地计算用户之间的相似度,Pearson、改进余弦等方法考虑了用户自身的评分尺度.推荐系统中普遍存在评分数据稀疏问题[5],用户评分的项目远小于没有评分的项目.余弦、Pearson等方法都是基于共同评分项目计算用户相似度,由于评分数据稀疏,用户之间的共同评分项目数量小,不能准确计算用户之间的相似度.文献[12]为准确度量用户之间的相似性,将余弦、Pearson等方法与Jaccard系数(两个用户评分项目交集与两个用户评分项目并集的比)融合,如两个用户对400个项目进行评分,只有2个共同评分项目且评分都为4,按余弦等方法,其相似度为1,但实际上,在极小量项目上的相似度不能真正体现用户之间的相似性,通过Jaccard系数能避免用户之间只有小量共同评分造成用户之间的高相似度问题.将共同评分数量作为用

内容需要下载文档才能查看

胡勋 等:一种融合项目特征和移动用户信任关系的推荐算法 1819

户相似度计算中的因素,能够更准确地度量用户之间的相似性,但上述研究还是基于用户间共同评分项目来计算用户间的相似度.

为了缓解评分稀疏对协同过滤推荐算法的影响,研究者引入评分数据外的其他信息来缓解评分稀疏对用户间相似度计算的影响,但有时这些信息并不容易获取.文献[13]引入用户的人口统计学信息,如年龄、性别、受教育程度等,对用户评分稀疏的用户使用人口统计学信息来计算与其他用户的相似度,避免使用评分数据来计算用户相似度,能够在一定程度上缓解评分数据稀疏的影响.为了避免评分数据稀疏对用户相似度计算的影响,研究者将用户社会关系引入到推荐系统中[9,10,14?16],利用用户社会关系进行推荐.文献[10]将用户的信任关系与协同过滤推荐结合,利用用户显式给定的信任关系和信任关系的传递性计算用户间的信任度,基于信任关系的强度选择最近邻居,避免了传统协同过滤推荐中的用户相似度计算,从而缓解了用户评分稀疏对推荐性能的影响.文献[14,15]利用信任用户对用户偏好的影响,将矩阵分解模型与用户信任关系结合,利用信任关系的影响特性或传递性将用户和项目映射到相同特征空间,在此特征空间上进行偏好预测.文献[2]在移动服务推荐中,基于用户的移动通信数据分析移动用户之间的信任关系,提出一种基于启发式的基于社会化网络和上下文感知的移动服务推荐方法,将移动社会化网络信息和上下文信息同时引入移动服务推荐系统.上述研究考虑了用户社会化关系对推荐的影响,但没有考虑用户相似关系和项目相似性对推荐的影响.本文考虑项目相似性和移动用户社会化关系对移动推荐的影响,提出一种融合项目特征和移动用户信任关系的推荐算法,利用EMD方法实现融合项目特征的移动用户相似度计算,基于移动用户的相似网络和信任网络构建邻居集合并进行推荐. 2 基于EMD的移动推荐算法

2.1 基本定义

定义1(移动用户-项目评分矩阵). R={ru,j},R表示移动用户对项目的评分矩阵,ru,j表示移动用户u对项目j的评分,评分值通常为1~5的整数.

定义2(项目集合). I={i|i∈L},I表示项目集合,其中,L为项目ID集合.

定义3(移动用户集合). U={uk|k∈M},U表示移动用户集合,其中,M表示移动用户的ID集合.

定义4(项目相似度矩阵). SI={si,j|i,j∈I},SI表示项目之间的相似度矩阵,si,j∈[0,1]表示项目i与项目j的相似度,值越大,表示项目之间相似度越高,0表示项目之间不相似,1表示完全相似.

定义5(项目距离矩阵). DI={di,j=1?si,j|i,j∈I},DI表示项目之间的距离矩阵,di,j表示为项目i与j间的距离,取值为[0,1],值越大,表示项目之间距离大(不相似程度越高),其中,0表示项目之间完全相似,1表示项目之间完全不相似.

定义6(移动用户相似度矩阵). SU={sim(uk,uo)|uk,uo∈U},SU表示移动用户之间的相似度矩阵,sim(uk,uo)表示移动用户uk与uo的相似度,值越大,表示移动用户之间相似度越高.

2.2 基于EMD的移动用户相似度计算

用户相似度计算是基于用户协同过滤推荐算法的关键,余弦、Pearson等用户相似度计算方法基于用户在相同评分项目上的偏好进行计算,忽略了项目之间的关联,当用户没有共同评分项目时,无法计算用户之间的相似度.在推荐系统中,项目之间存在一定的相似度,用户在相似项目上的评分也能反映用户之间的相似性.本节介绍将EMD方法与移动推荐系统结合,改变传统协同过滤推荐系统中针对相同评分项目进行用户相似度计算.

定义7(移动用户的EMD距离)[7]. 设移动用户的项目评分向量为Vu1={(1,ru1,1),(2,ru1,2),...,(i,ru1,i)},Vu2= {(1,ru2,1),(2,ru2,2),...,(j,ru2,j)},D={di,j|i,j∈I}表示项目i与j之间的距离,wu1=i∈RIu1∑ru1,i,wu2=j∈RIu2∑ru2,j,偏好流量

F={fi,j},fi,j表示移动用户u1在项目i和移动用户u2在项目j之间的偏好转移量,计算时需要满足公式(1)~公式(4)的约束:

fi,j≥0, i,j∈I (1)

内容需要下载文档才能查看

1820

Journal of Software 软件学报 Vol.25, No.8, August 2014 j∈RIu2∑fi,j≤wu1,i,i∈RIu1 (2) i∈RIu1∑fi,j≤wu2,j,j∈RIu2 (3) i∈RIu1j∈RIu2∑∑fi,j=min(wu1,wu2) (4) 1EMD(u1,u2)=

i∈RIu1j∈RIu2fi,ji∈RIu1j∈RIu2∑∑di,j×fi,j (5)

其中,Vu1,Vu2表示移动用户对项目的评分向量,(i,ruk,i)表示移动用户uk对项目i的评分为ruk,i即移动用户uk对项 目i的偏好,RIu1,RIu2表示用户u1,u2评分的项目集合,wu1,wu2表示移动用户对项目偏好的总和.公式(1)表示在计

算EMD距离时,移动用户可以选择性地转移偏好.公式(2)表示用户u1在项目i上能提供的偏好转移总量不能超过用户u1对项目i的偏好.公式(3)表示移动用户u2在项目j上能接收的偏好转移总量不能超过用户u2对项目 j的偏好.公式(4)表示移动用户u1与u2在所有项目上的偏好转移总量为

i∈RIu1j∈RIu2∑∑fi,j,由两个用户中已知偏好总

量小的用户决定.公式(5)表示移动用户间的EMD距离,根据偏好转移总量和转移代价计算,并将距离归一化.

EMD方法的计算如图1所示. u1,2ru1,3ru1,41,4ru2,5ru2,6Fig.1 An illustration of EMD computing

图1 EMD计算示意图

在推荐系统中,移动用户偏好可以通过用户对项目的评分向量来表示.图1中,移动用户u1的评分向量为{(1,4),(2,3),(3,3),(4,5)},移动用户u2的评分向量为{(2,4),(5,4),(6,3)}.如果使用余弦或Pearson等方法来计算图1中移动用户之间的相似度,由于移动用户间只有共同评分项目2,相似度的计算只是基于移动用户对项目2的评分,共同评分项目很少,不能有效地反映用户之间的偏好,使用余弦或Pearson方法得到用户间的相似度不能准确地衡量用户之间的相似关系.而EMD方法的跨项目特性,能够将用户共同评分以外的其他项目评分融入用户相似度的计算.它利用项目之间的相似性,用两个用户的所有项目评分信息来计算两个用户之间的距离.EMD的计算被视为运输问题来求解,直观上,EMD距离的计算可以认为是求解将一堆土填到一系列坑中的最优转移路径[7].在示意图中,移动用户u1对不同项目的偏好视为不同的堆,用户u2对不同项目的偏好视为不同的坑.根据定义,移动用户u1对项目1的偏好是4,他能提供的最大转移偏好量是4,用户u2对项目6的偏好是3,他能接收的最大偏好量是3.在满足公式(1)~公式(4)的情况下,移动用户之间的EMD距离就是用户之间偏好转移量的最小转移代价,总的偏好转移量以用户u2的偏好总量来计算,转移代价是偏好转移代价乘以偏好转移量.如上例中,假设项目1与项目5之间的距离是0.3,用户u1和u2在项目1和项目5之间的偏好转移量是4,则其转移代价是1.2.

最优转移路径决定了最终的转移代价.在运输问题中,最优转移路径可以使用不同的方法来求解,本文使用线性规划的单纯形方法来求解[7].求解运输的最优转移路径时,通常需要知道源和目的,资源的流向是从源到目

内容需要下载文档才能查看

胡勋 等:一种融合项目特征和移动用户信任关系的推荐算法 1821

的.示意图中的EMD计算,其偏好的转移是单向的,是从源用户到目的用户.但是在计算两个用户之间的EMD距离时,如果项目之间距离是对称的,即项目i和项目j之间的距离与项目j和项目i之间的距离是相等的,那么EMD距离也是对称的,即移动用户i和移动用户j的EMD距离与移动用户j和移动用户i的EMD距离是相等的,源用户和目的用户的选择不会影响两个用户之间的EMD值[7].本文基于项目的特征向量,使用余弦方法计算项目之间的距离,向量之间的距离是对称的,因此项目之间的距离是对称的.由于项目之间的距离是对称的,源到目的的最优转移路径也是目的用户到源用户的最优转移路径.因此,本文EMD距离计算时,源用户和目的用户的选择不会影响两个用户之间的EMD距离.在求解最优转移路径时,可能存在多条最优转移路径,即它们的转移代价相等而且是最优的,EMD距离计算的是最小转移代价,因此只需要找到一条最优转移路径并计算其最终的转移代价.

在移动推荐系统中,移动用户的评分项目数量不一定相等,移动用户对项目的偏好也不尽相同,移动用户在推荐系统中的评分总量也不一定相等.针对移动推荐系统中移动用户的评分特点,为了将EMD方法有效地应用于移动推荐中,对移动用户的评分进行了预处理.针对评分项目数量不相等的情况,为了减少评分项目数量对EMD计算效率的影响,以评分项目数量小的用户为基准,从另一个用户中选择等量的评分项目,以此计算两个用户的EMD距离.在选择等量的评分项目时,两个用户间的共同评分项目都会被选择,对于共同评分项目外的项目,以基准用户的项目为目标,从另一用户的评分项目中选择与之最相似的项目,以此来构建等量的评分项目 集合.针对用户间评分总量不同的情况,如用户u1的项目评分Vu1={(1,2),(2,3),(3,2)},用户u2对项目的评分Vu2={(1,4),(2,3),(3,5)},直接使用EMD方法计算用户u1与u2的距离,其值为0.因为项目与自身的距离为0,而最 优运输路径将用户u1对项目1~项目3偏好转移到用户u2中对应的项目1~项目3,其转移总量为7,用户u1没有可转移的偏好,因此算法结束.但在相同项目上的转移代价为0,根据公式(5)知两个移动用户间的距离为0,即相似度为1.但实际上,移动用户在不同项目的评分是不同的,其相似度不为1.为了解决此问题,我们在两个用户中构建一个虚拟项目[8],在评分量小的用户端,该用户对其评分为两个用户间的评分总量差值.在评分量大的用户端,其评分为0.因为是虚拟项目,我们假设虚拟项目与系统其他项目的相似度为0,即与系统其他项目的距离为

1.经过预处理后的两个移动用户评分,他们的评分项目数量和评分总量相等.

在计算EMD距离时,需要依赖项目之间的距离即用户偏好在不同项目间转移所需的代价.由定义5可知,项目之间的距离由项目之间的相似度来计算,使用不同相似度方法来计算项目之间的相似度会影响EMD方法中最优路径的选择和用户间的EMD距离.因此,需要准确地度量项目之间的相似度.在推荐系统中,通常只知道用户对项目的评分矩阵,并不知道项目的显式特征(如电影类型、电影导演等),基于用户对项目的评分可以启发式地计算项目之间的相似度[17],或使用矩阵分解技术挖掘评分矩阵中项目的潜在特征向量,利用项目的潜在特征向量计算项目之间的相似度[18].启发式方法计算简单、容易理解,但易受评分稀疏的影响,当项目只被很少的用户评价时,由于评分稀疏不能准确而有效地计算与其他项目的相似度.矩阵分解方法对用户和项目进行降维处理挖掘其潜在特征,其方法不易受评分稀疏的影响[18],能够有效地计算项目之间的相似度.为了确保准确度量项目之间的相似度,本文选择使用矩阵分解方法计算项目的潜在特征向量,并根据项目的潜在特征向量,使用余弦方法计算项目之间的相似度.由于用户评分矩阵只是用户对部分项目的评分,在求解潜在特征向量时常用随机梯度下降方法或交替最小二乘方法来最小化公式(6)得到用户和项目的特征向量[18]:

min

(u,i)∈K∑(ru,i?qiTpu)2+λ(||qi||2+||pu||2) (6)

其中,ru,i表示用户u对项目i的评分,K表示用户项目对集合,qi表示项目i的潜在特征向量,pu表示用户u的潜在特征向量.

EMD方法具有跨项目特性,能够合理利用用户间共同评分项目外的评分项目,实现项目之间多对多的用户相似度计算,充分利用了用户的现有评分.EMD方法最终得到的是用户之间的距离,由定义4和公式(5)可知,用户之间的相似度为

sim(u1,u2)=1?EMD(u1,u2) (7)

版权声明:此文档由查字典文档网用户提供,如用于商业用途请与作者联系,查字典文档网保持最终解释权!

下载文档

热门试卷

2016年四川省内江市中考化学试卷
广西钦州市高新区2017届高三11月月考政治试卷
浙江省湖州市2016-2017学年高一上学期期中考试政治试卷
浙江省湖州市2016-2017学年高二上学期期中考试政治试卷
辽宁省铁岭市协作体2017届高三上学期第三次联考政治试卷
广西钦州市钦州港区2016-2017学年高二11月月考政治试卷
广西钦州市钦州港区2017届高三11月月考政治试卷
广西钦州市钦州港区2016-2017学年高一11月月考政治试卷
广西钦州市高新区2016-2017学年高二11月月考政治试卷
广西钦州市高新区2016-2017学年高一11月月考政治试卷
山东省滨州市三校2017届第一学期阶段测试初三英语试题
四川省成都七中2017届高三一诊模拟考试文科综合试卷
2017届普通高等学校招生全国统一考试模拟试题(附答案)
重庆市永川中学高2017级上期12月月考语文试题
江西宜春三中2017届高三第一学期第二次月考文科综合试题
内蒙古赤峰二中2017届高三上学期第三次月考英语试题
2017年六年级(上)数学期末考试卷
2017人教版小学英语三年级上期末笔试题
江苏省常州西藏民族中学2016-2017学年九年级思想品德第一学期第二次阶段测试试卷
重庆市九龙坡区七校2016-2017学年上期八年级素质测查(二)语文学科试题卷
江苏省无锡市钱桥中学2016年12月八年级语文阶段性测试卷
江苏省无锡市钱桥中学2016-2017学年七年级英语12月阶段检测试卷
山东省邹城市第八中学2016-2017学年八年级12月物理第4章试题(无答案)
【人教版】河北省2015-2016学年度九年级上期末语文试题卷(附答案)
四川省简阳市阳安中学2016年12月高二月考英语试卷
四川省成都龙泉中学高三上学期2016年12月月考试题文科综合能力测试
安徽省滁州中学2016—2017学年度第一学期12月月考​高三英语试卷
山东省武城县第二中学2016.12高一年级上学期第二次月考历史试题(必修一第四、五单元)
福建省四地六校联考2016-2017学年上学期第三次月考高三化学试卷
甘肃省武威第二十三中学2016—2017学年度八年级第一学期12月月考生物试卷

网友关注视频

第4章 幂函数、指数函数和对数函数(下)_六 指数方程和对数方程_4.7 简单的指数方程_第一课时(沪教版高一下册)_T1566237
沪教版牛津小学英语(深圳用) 六年级下册 Unit 7
【部编】人教版语文七年级下册《过松源晨炊漆公店(其五)》优质课教学视频+PPT课件+教案,江苏省
【部编】人教版语文七年级下册《泊秦淮》优质课教学视频+PPT课件+教案,湖北省
北师大版数学 四年级下册 第三单元 第二节 小数点搬家
沪教版八年级下册数学练习册21.3(2)分式方程P15
人教版历史八年级下册第一课《中华人民共和国成立》
【部编】人教版语文七年级下册《老山界》优质课教学视频+PPT课件+教案,安徽省
【获奖】科粤版初三九年级化学下册第七章7.3浓稀的表示
河南省名校课堂七年级下册英语第一课(2020年2月10日)
【部编】人教版语文七年级下册《逢入京使》优质课教学视频+PPT课件+教案,安徽省
外研版英语七年级下册module1unit3名词性物主代词讲解
沪教版八年级下册数学练习册21.4(1)无理方程P18
六年级英语下册上海牛津版教材讲解 U1单词
沪教版牛津小学英语(深圳用)五年级下册 Unit 1
七年级英语下册 上海牛津版 Unit5
8.练习八_第一课时(特等奖)(苏教版三年级上册)_T142692
苏科版数学 八年级下册 第八章第二节 可能性的大小
精品·同步课程 历史 八年级 上册 第15集 近代科学技术与思想文化
二年级下册数学第二课
冀教版小学数学二年级下册第二周第2课时《我们的测量》宝丰街小学庞志荣.mp4
第12章 圆锥曲线_12.7 抛物线的标准方程_第一课时(特等奖)(沪教版高二下册)_T274713
北师大版数学四年级下册第三单元第四节街心广场
【部编】人教版语文七年级下册《逢入京使》优质课教学视频+PPT课件+教案,安徽省
二年级下册数学第三课 搭一搭⚖⚖
【部编】人教版语文七年级下册《泊秦淮》优质课教学视频+PPT课件+教案,辽宁省
第8课 对称剪纸_第一课时(二等奖)(沪书画版二年级上册)_T3784187
冀教版小学数学二年级下册第二单元《余数和除数的关系》
二次函数求实际问题中的最值_第一课时(特等奖)(冀教版九年级下册)_T144339
外研版英语三起6年级下册(14版)Module3 Unit1