建立基于石墨化多壁碳纳米管(G-MWCNTs)的改良QuEChERS法结合液质联用技术测定柑橘中氨苄青霉素(Ampicillin)的简便、快速、准确的检测方法。在优选的色谱及质谱条件下,首先考察不同提取溶剂对氨苄青霉素提取回收率的影响;然后考察4种...建立基于石墨化多壁碳纳米管(G-MWCNTs)的改良QuEChERS法结合液质联用技术测定柑橘中氨苄青霉素(Ampicillin)的简便、快速、准确的检测方法。在优选的色谱及质谱条件下,首先考察不同提取溶剂对氨苄青霉素提取回收率的影响;然后考察4种吸附剂的用量对氨苄青霉素回收率的影响,并优化净化剂使用量。结果表明,氨苄青霉素在0.5~100ng/mL浓度范围内线性关系良好,相关系数(R^(2))均大于0.999,基质效应(matrix effect,MEs)在9.0%~21.2%之间,低、中、高(2、40、200μg/kg)3水平下的平均回收率为85.9%~102.4%,相对标准偏差(Relative Standard Deviation,RSD)为2.1%~5.8%,检测限(Limit of Detection,LOD)和定量限(Limit of Quantity,LOQ)分别为1.0μg/kg和4.0μg/kg。在降解动态试验中,氨苄青霉素在沃柑和脐橙中的降解半衰期分别为1.2d和1.1d。该方法简便、快速、灵敏、准确,可为柑橘的质量评价提供有效的检测方法。展开更多
针对现有序列推荐模型忽略了不同用户的个性化行为,导致模型不能充分捕获用户动态偏好而产生的兴趣漂移等问题,提出了一种基于用户长短期偏好的序列推荐模型(Sequential Recommendation Model Based on User’s Long and Short Term Pre...针对现有序列推荐模型忽略了不同用户的个性化行为,导致模型不能充分捕获用户动态偏好而产生的兴趣漂移等问题,提出了一种基于用户长短期偏好的序列推荐模型(Sequential Recommendation Model Based on User’s Long and Short Term Preference,ULSP-SRM)。首先,根据用户的序列中交互物品的类别和时间信息生成用户的动态类别嵌入,进而有效建立物品之间的关联性,并且降低数据的稀疏性;其次,根据用户当前点击物品和最后一项点击的时间间隔信息生成个性化时序位置嵌入矩阵,模拟用户的个性化聚集现象,以更好地反映用户偏好的动态变化;然后,将融合了个性化时序位置嵌入矩阵的用户长期偏好序列以会话为单位输入门控循环单元中,生成用户的长期偏好表示,并通过注意力机制将用户长短期偏好进行融合,生成用户的最终偏好表示,从而达到充分捕获用户偏好的目的;最后,将用户最终偏好表示输入推荐预测层进行下一项推荐预测。在Amazon公开数据集的7个子集上进行实验,采用AUC(Area Under Curve)值、召回率和精确率指标进行综合评估,实验结果表明,所提模型的表现优于其他先进基准模型,有效地提升了推荐性能。展开更多
文摘建立基于石墨化多壁碳纳米管(G-MWCNTs)的改良QuEChERS法结合液质联用技术测定柑橘中氨苄青霉素(Ampicillin)的简便、快速、准确的检测方法。在优选的色谱及质谱条件下,首先考察不同提取溶剂对氨苄青霉素提取回收率的影响;然后考察4种吸附剂的用量对氨苄青霉素回收率的影响,并优化净化剂使用量。结果表明,氨苄青霉素在0.5~100ng/mL浓度范围内线性关系良好,相关系数(R^(2))均大于0.999,基质效应(matrix effect,MEs)在9.0%~21.2%之间,低、中、高(2、40、200μg/kg)3水平下的平均回收率为85.9%~102.4%,相对标准偏差(Relative Standard Deviation,RSD)为2.1%~5.8%,检测限(Limit of Detection,LOD)和定量限(Limit of Quantity,LOQ)分别为1.0μg/kg和4.0μg/kg。在降解动态试验中,氨苄青霉素在沃柑和脐橙中的降解半衰期分别为1.2d和1.1d。该方法简便、快速、灵敏、准确,可为柑橘的质量评价提供有效的检测方法。
文摘针对现有序列推荐模型忽略了不同用户的个性化行为,导致模型不能充分捕获用户动态偏好而产生的兴趣漂移等问题,提出了一种基于用户长短期偏好的序列推荐模型(Sequential Recommendation Model Based on User’s Long and Short Term Preference,ULSP-SRM)。首先,根据用户的序列中交互物品的类别和时间信息生成用户的动态类别嵌入,进而有效建立物品之间的关联性,并且降低数据的稀疏性;其次,根据用户当前点击物品和最后一项点击的时间间隔信息生成个性化时序位置嵌入矩阵,模拟用户的个性化聚集现象,以更好地反映用户偏好的动态变化;然后,将融合了个性化时序位置嵌入矩阵的用户长期偏好序列以会话为单位输入门控循环单元中,生成用户的长期偏好表示,并通过注意力机制将用户长短期偏好进行融合,生成用户的最终偏好表示,从而达到充分捕获用户偏好的目的;最后,将用户最终偏好表示输入推荐预测层进行下一项推荐预测。在Amazon公开数据集的7个子集上进行实验,采用AUC(Area Under Curve)值、召回率和精确率指标进行综合评估,实验结果表明,所提模型的表现优于其他先进基准模型,有效地提升了推荐性能。