搏创人
gmsh 的开场白
你好，欢迎来到我的博客。
我是 gmsh，是个计算机软件工程专业的学生。按照惯例应当做一下自我介绍，本应自报家门，讲出姓甚名谁，开诚相待，可是，在我们国家从网络上暴露自己的身份是一件并不怎么安全的事情，任何人都有可能因言获罪。嗐，第一次何必讲这些话题呢，其实整个博客几乎不涉及政治话题。;)
我希望这个小站能记录下思维的灵感火花、生活的小想法和一些兴趣爱好方面的内容。同时期待您能留下一些建议和意见，十分感谢。
我热爱开源，喜欢 Gentoo/linux、KDE 等等。写过几个小项目。
04 年我接触 Linux，之后一发不可收，随着使用的越来越广泛，开发了几个不入流的小项目之后，对开源有了自己的理解。Linux 桌面环境上我更喜欢 KDE，从 KDE 3 到 KDE SC 4，我一直是 KDE 的忠实用户，希望今后有机会向 KDE 贡献代码。对 Kernel 也有浓厚的兴趣。
我喜欢动物，毛茸茸的动物的小表情惹人怜爱，尤其喜欢猫。
之前写过一个关于 openSUSE 和 KDE 的博客，不久那个域名不幸被回收了。在 archivegmsh.blogspot.com 上有存档，但是图片都丢失了。这次有幸借 shell.tor.hu 一方宝地，不过并没有导入之前的文章，从头开始吧。
我的联系方式是：gmshcn##gmail.com、我的 Twitter：http://twitter.com/gmsh 、Google Profile(Buzz)：http://www.google.com/profiles/gmshcn
分类: 搏创人
Hello world!
Welcome to WordPress. This is your first post. Edit or delete it, then start blogging!
分类: 搏创人
Top Conference Review of Artificial Intelligence
每一届机器学习应用研讨会的最后一个Session-Top Conference Review都是最有吸引力的，这个Session由参加过各种人工智能顶级会议的学者介绍最近召开的会议的情况。
下面把这些大家的会议参加感悟整理如下：
1. NIPS09 在加拿大美丽的蒙特利尔召开，共收录250篇papers，24.5%
2. 周志华老师介绍了ICML09，COLT09和UAI09，ICML收录160篇papers，录用率是25%。
3. ECML09欧洲机器学习会议也是收录了160篇papers，共提交370papers，录用率也是25%。
4. ICDM09在意大利的比萨召开，录用率是20%。
5.杨强老师介绍了IJCAI09，很生动精彩，杨老师的兴趣Focus on迁移学习。同时介绍了KDD09，我只记住了这个会议和业界关系紧密，吃的特别好，热点是Social Networks。
6. 又有很多专家陆续介绍了CIKM, SIGIR, WWW, ACM MultiMedia等等，都很精彩！
感悟：
1. ECML 一个犇人提出Data Driven AI is far from enough，也就是纯基于统计的数据驱动的人工智能远远不够。
2. IJCAI 提出AI应该为社会创造财富了，这个观点很好！我双手支持！
3. 最后大家讨论，融合逻辑推理和统计理论的机器学习将会是未来10年左右机器学习的主要研究方向。
来自XIWEI SUN同学
相关文章
分类: 搏创人
朋友，你去斯卡布罗集市吗？
问尔所之，是否如适。 Are you going to Scarborough Fair?
蕙兰芫荽，郁郁香芷。 Parsely sage rosemary and thyme.
彼方淑女，凭君寄辞。 Remember me to one who lives there.
伊人曾在，与我相知。She once was a true love of mine.
嘱彼佳人，备我衣缁。 Tell her to make me a cambric shirt.
蕙兰芫荽，郁郁香芷。 Parsely sage rosemary and thyme.
勿用针砧，无隙无疵。 Without no seams nor needle work.
伊人何在，慰我相思。 Then she will be a true love of mine.
彼山之阴，深林荒址。 On the side of hill in the deep forest green,
冬寻毡毯，老雀燕子。 Tracing of sparrow on snow crested brown.
雪覆四野，高山迟滞。 Blankets and bed clothers the child of maintain
眠而不觉，寒笳清嘶。 Sleeps unawafe of the clarion call.
嘱彼佳人，营我家室。 Tell her to find me an acre of land.
蕙兰芫荽，郁郁香芷。 Parsely sage rosemary and thyme.
良田所修，大海之坻。 Between the salt water and the sea strand,
伊人应在，任我相视。Then she will be a true love of mine.
彼山之阴，叶疏苔蚀。 On the side of hill a sprinkling of leaves
涤我孤冢，珠泪渐渍。 Washes the grave with slivery tears.
惜我长剑，日日拂拭。 A soldier cleans and polishes a gun.
寂而不觉，寒笳长嘶。 Sleeps unaware of the clarion call.
嘱彼佳人，收我秋实。 Tell her to reap it with a sickle of leather.
蕙兰芫荽，郁郁香芷。 Parsely sage rosemary and thyme.
敛之集之，勿弃勿失。 And gather it all in a bunch of heather.
伊人犹在，唯我相誓。 Then she will be a ture love of mine.
烽火印啸，浴血之师。War bellows blazing in scarlet battalions.
将帅有令，勤王之事。Generals order their soldiers to kill and to fight for a cause.
争斗缘何，久忘其旨。 They have long ago forgoten.
痴而不觉，寒笳悲嘶。 Sleeps unaware of the clarion call.
分类: 搏创人
作息时间，貌似很合理的样子
7:30：起床。英国威斯敏斯特大学的研究人员发现，那些在早上5:22―7:21 分起床的人，其血液中有一种能引起心脏病的物质含量较高，因此，在7:21之后起床对身体健康更加有益。打开台灯。“一醒来，就将灯打开，这样将会重新调整体内的生物钟，调整睡眠和醒来模式。”拉夫堡大学睡眠研究中心教授吉姆·霍恩说。喝一杯水。水是身体内成千上万化学反应得以进行的必需物质。早上喝一杯清水，可以补充晚上的缺水状态。
7:30―8:00：在早饭之前刷牙。“在早饭之前刷牙可以防止牙齿的腐蚀，因为刷牙之后，可以在牙齿外面涂上一层含氟的保护层。要么，就等早饭之后半小时再刷牙。”英国牙齿协会健康和安全研究人员戈登·沃特金斯说。
8:00―8:30：吃早饭。“早饭必须吃，因为它可以帮助你维持血糖水平的稳定，”伦敦大学国王学院营养师凯文·威尔伦说。早饭可以吃燕麦粥等，这类食物具有较低的血糖指数。
8:30―9:00：避免运动。来自布鲁奈尔大学的研究人员发现，在早晨进行锻炼的运动员更容易感染疾病，因为免疫系统在这个时间的功能最弱。步行上班。马萨诸塞州大学医学院的研究人员发现，每天走路的人，比那些久坐不运动的人患感冒病的几率低25%。
9:30：开始一天中最困难的工作。纽约睡眠中心的研究人员发现，大部分人在每天醒来的一两个小时内头脑最清醒。
10:30：让眼睛离开屏幕休息一下。如果你使用电脑工作，那么每工作一小时，就让眼睛休息3分钟。
11:00：吃点水果。这是一种解决身体血糖下降的好方法。吃一个橙子或一些红色水果，这样做能同时补充体内的铁含量和维生素C含量。
13:00：在面包上加一些豆类蔬菜。你需要一顿可口的午餐，并且能够缓慢地释放能量。“烘烤的豆类食品富含纤维素，番茄酱可以当作是蔬菜的一部分。”维伦博士说。
14:30―15:30：午休一小会儿。雅典的一所大学研究发现，那些每天中午午休30分钟或更长时间，每周至少午休3次的人，因心脏病死亡的几率会下降37%。
16:00：喝杯酸奶。这样做可以稳定血糖水平。在每天三餐之间喝些酸牛奶，有利于心脏健康。
17:00―19:00：锻炼身体。根据体内的生物钟，这个时间是运动的最佳时间，舍菲尔德大学运动学医生瑞沃·尼克说。
19:30：晚餐少吃点。晚饭吃太多，会引起血糖升高，并增加消化系统的负担，影响睡眠。晚饭应该多吃蔬菜，少吃富含卡路里和蛋白质的食物。吃饭时要细嚼慢咽。
21:45：看会电视。这个时间看会儿电视放松一下，有助于睡眠，但要注意，尽量不要躺在床上看电视，这会影响睡眠质量。
23:00：洗个热水澡。“体温的适当降低有助于放松和睡眠。”拉夫堡大学睡眠研究中心吉姆·霍恩教授说。
23:30：上床睡觉。如果你早上7点30起床，现在入睡可以保证你享受8小时充足的睡眠。
任何试图更改生物钟的行为，都将给身体留下莫名其妙的疾病，20、30年之后再后悔，已经来不及了。
一、晚上9-11点为免疫系统（淋巴）排毒时间，此段时间应安静或听音乐。
二、晚间11-凌晨1点，肝的排毒，需在熟睡中进行。
三、凌晨1-3点，胆的排毒，亦同。
四、凌晨3-5点，肺的排毒。此即为何咳嗽的人在这段时间咳得最剧烈，因排毒动作已走到肺；不应用止咳药，以免抑制废积物的排除。
五、凌晨5-7点，大肠的排毒，应上厕所排便。
六、凌晨7-9点，小肠大量吸收营养的时段，应吃早餐。疗病者最好早吃，在６点半前，养生者在７点半前，不吃早餐者应改变习惯，即使拖到9、10点吃都比不吃好。
七、半夜至凌晨4点为脊椎造血时段，必须熟睡，不宜熬夜。
记住身体健康作息时间表，安排好你的生活，让你的人生丰富多彩！
相关文章
分类: 搏创人
来自GF心声:我理想中的生活
现实一点说的，我不想念这个研究生，也不想读博，我小的时候喜欢跳舞和唱歌。我理想的生活应该是这样子的， 就在父母身边，开一家小店，生意不错，够吃够喝够给父母。然后下班后可以去学跳舞，不是瑜伽不是艺术体操，学个委婉简单的新疆舞即可，或许这是幼儿园跳的一支蒙古舞给我留下的毕生的印象…… 我不觉得我上个研究生我就会有多快乐……我天生懒惰，不太想拼搏……如果还可以的话，我不要钢琴，请给我一个老式的脚风琴或手风琴，这两个东西发出的声音是儿童时候的天籁，无忧无虑，充满自由和遐想，让一个孩子觉得自己很幸福也很聪明，甚至可以三岁的时候学着老师的样子一个一个在琴上试音，直到很不流利的弹完整整一句。我记不住这十几年来我学的课本上的东西，但我三岁时候学的歌曲有很多我仍记在心里。
还是说，我可能天生懒惰，我坐不下来，在困苦的环境中我永远都无法尽全力改变处境，我不会咬牙狠心一跺脚拼上。男朋友也是会唱歌会画画的人，我很不明白他怎么会有那么多精力整天搞那个枯燥的软件，我不知道他不再画画了会不会有一丝不自由…………
是不是有句话说，三岁看老，我只知道我受到的教育我的性格以及气质，或许在三岁那年都已经定了。如果，可以不用那么玩命的拼搏，我们一起唱唱歌，画画画，一起开个店，一起回家弹弹琴 ，该有多幸福……
相关文章
分类: 搏创人
Theme: Digg-Theme for Wordpress
简直太像了，不过是收费的，不敢用吧，让Digg 律师告了就坏了。
This is the a digg-theme for Wordpress. Give your blog or site a really cool digg-look today, at a very small price. This theme comes with pre-installed digg-buttons so that your readers easily could vote you right to the front-page of digg.com. The theme is of course widget-ready, and best of all: it’s built in place for those modern and popular 125×125 banner ads.
相关文章
分类: 搏创人
希尔伯特空间
泛函分析中有这么几个层层递进的概念：
1 线性空间中如果定义了范数，便称为赋范线性空间，特殊的，如果范数是用内积来定义的，则称为内积空间。
2 如果赋范线性空间中的任一柯西序列都收敛于空间中，则空间是完备的，这种空间称为巴拿赫空间，特殊的，如果范数是用内积来定义的，则称为希尔伯特空间。
显然，希尔伯特空间就是完备的内积空间
在数学领域，希尔伯特空间是欧几里德空间的一个推广，其不再局限于有限维的情形。与欧几里德空间相仿，希尔伯特空间也是一个内积空间，其上有距离和角的概念（及由此引伸而来的正交性与垂直性的概念）。此外，希尔伯特空间还是一个完备的空间，其上所有的柯西列等价于收敛列，从而微积分中的大部分概念都可以无障碍地推广到希尔伯特空间中。希尔伯特空间为基于任意正交系上的多项式表示的傅立叶级数和傅立叶变换提供了一种有效的表述方式，而这也是泛函分析的核心概念之一。希尔伯特空间是公式化数学和量子力学的关键性概念之一。
希尔伯特，D.(Hilbert,David，1862～1943)德国数学家,生于东普鲁士哥尼斯堡(前苏联加里宁格勒)附近的韦劳。中学时代,希尔伯特就是一名勤奋好学的学生,对于科学特别是数学表现出浓厚的兴趣,善于灵活和深刻地掌握以至应用老师讲课的内容。1880年,他不顾父亲让他学法律的意愿,进入哥尼斯堡大学攻读数学。1884年获得博士学位,后来又在这所大学里取得讲师资格和升任副教授。1893年被任命为正教授,1895年,转入格廷根大学任教授,此后一直在格廷根生活和工作,于1930年退休。在此期间,他成为柏林科学院通讯院士,并曾获得施泰讷奖、罗巴切夫斯基奖和波约伊奖。1930年获得瑞典科学院的米塔格-莱福勒奖,1942年成为柏林科学院荣誉院士。希尔伯特是一位正直的科学家,第一次世界大战前夕,他拒绝在德国政府为进行欺骗宣传而发表的《告文明世界书》上签字。战争期间，他敢干公开发表文章悼念”敌人的数学家”达布。希特勒上台后，他抵制并上书反对纳粹政府排斥和迫害犹太科学家的政策。由于纳粹政府的反动政策日益加剧,许多科学家被迫移居外国,曾经盛极一时的格廷根学派衰落了,希尔伯特也于1943年在孤独中逝世。
希尔伯特空间以大卫·希尔伯特的名字命名，他在对积分方程的研究中研究了希尔伯特空间。冯·诺伊曼在其1929年出版的关于无界厄米算子的著作中，最早使用了“希尔伯特空间”这个名词。冯·诺伊曼可能是最早清楚地认识到希尔伯特空间的重要性的数学家之一，他在进行对量子力学的基础性和创造性地研究的时候认识到了这一点。此项研究由冯·诺伊曼与希尔伯特和朗道展开，随后由尤金·维格纳（Template:Lang）继续深入。“希尔伯特空间”这个名字迅速被其他科学家所接受，例如在外尔1931年出版的著作《群与量子力学的理论》（Template:Lang）中就使用这一名词。
一个抽象的希尔伯特空间中的元素往往被称为向量。在实际应用中，它可能代表了一列复数或是一个函数。例如在量子力学中，一个物理系统可以被一个复希尔伯特空间所表示，其中的向量是描述系统可能状态的波函数。详细的资料可以参考量子力学的数学描述相关的内容。量子力学中由平面波和束缚态所构成的希尔伯特空间，一般被称为装备希尔伯特空间（rigged Hilbert space）。
分类: 搏创人
Linux占有率为何强力反弹？
10 月 31 日， Linux 市场占有率强力反弹，猛增 17 ％。这是什么道理？
根据 W3counter 的自动统计数据，近半年来， Linux 市场占有率逐月呈下降趋势，情况如下：
4 月，占 2.16 ％；
5 月，占 2.13 ％；
6 月，占 2.11 ％；
7 月，占 2.03 ％；
8 月，占 1.97 ％；
9 月，占 1.84 ％；
10 月，占 2.14 ％。
为什么， 10 月份的 Linux 市场占有率猛然间回升 0.30 个百分点？这是什么道理？令人琢磨不透。实际上，自 2007 年 5 月以来，在 W3Counter 网站公布的统计数据中，从未出现过这种现象。这就奇怪了。大家知道， W3counter 网站只提供数据，从来不分析数据。我们只能自己开动脑筋想办法了。
W3counter 选定（或跟踪） 28,757 个固定网站，自动检测每个网站最后的 15,000 个“ page views” ，计算每个月最后一天的访问者来自何方？使用什么操作系统和浏览器？他们每月公布一次统计数据，从来不间断。在这一期间， XP 市场占有率逐月平稳下降，从 70.20 ％下降到 59.10 ％； Vista 逐月上升，从 15.04 ％上升到 22.23 ％； Windows 7 逐月上升，从 0.16 ％上升至 2.76 ％。很明显的事实是，这半年以来，是 Win 7 挤压了 Linux 的生存空间。
那么，为什么 10 月 31 日这一天， Linux 用户数猛然增加 0.3 个百分点？而原来的 Linux 市场占有率基数只有 1.84 ％。这其中的原因与 Ubuntu 9.10 版本的发布有关。 10 月 29 日， Ubuntu 9.10 发布，正好拉动了不少用户过去“尝鲜”，导致 10 月 31 日发生了 Linux 用户的“井喷”（激增）。这种反弹是短时间的，大概不会持久下去。
Ubuntu 9.10 当真就这么厉害？前天，在大雪纷飞中《 Ubuntu 实验室》的同志给我送来两只 U 盘，一个是 Ubuntu 9.10 ，另一个是 Ubuntu Remix 9.10 。我们同时”点亮” 9.04 和 9.10 两个版本，不比不知道，一比吓一跳。说句实在话， 9.10 版本确实要比 9.04 版本更精美，更漂亮。我们还用 Remix 9.10 播放高清电影，效果真不错。对一般用户而言， Ubuntu 9.10 与 Wondows 7 的功能其实差不多，就是后者的身价太贵了一些。
我们在想一个问题， Ubuntu 9.10 版本运行速度快捷，系统稳定可靠，功能完备足够，而且，任你使用，任你修改、任你传播，定价为零，那么，为何不讨人喜欢呢？其根本原因就是系统安装的相对困难（尤其对于生手）。开车人不会修车是常见的事情。昨日，一位马来西亚华侨来邮件想买一套 Ubuntu 自启动 U 盘。我想对他说，只送不卖。可是，我从哪儿搞到多余的 U 盘呢？真烦死我了。
本文来自CSDN博客，转载请标明出处：http://blog.csdn.net/yuanmeng001/archive/2009/11/03/4759941.aspx
分类: 搏创人
开发人员一定要加入收藏夹的网站
http://www.gotapi.com/
语言：英语
简介：HTML,CSS,XPATH,XSL,JAVASCRIPT等API的查询网站。
http://www.w3schools.com/
语言：英语
简介：W3C制定的标准诸如XML,HTML,XSL等等的在线学习教程。
http://www.xml.org.cn/
语言：中文
简介：可以说是XML的中国官方网吧。W3C标准的翻译组织与XML系列技术交流社区.
http://www.connectionstrings.com/
语言：英语
简介：这里几乎收集了所有的数据库连接字符(connectionstring)了。
http://www.itpub.net/
语言：中文
简介：我个人认为是国内最专业的综合性行业性技术类社区.
http://www.netvtm.com/
语言：中文
简介：内容多翻译于w3schools.com，少有原创。不过还是应该鼓励精品翻译。
http://www.regexlib.com
语言：英语
简介：正则表达式库。搜索正则表达式用。
http://www.rexv.org/
语言：英语
简介：用Ajax开发的在线正则表达式验证器.
http://www.koders.com/
语言：英语
简介：代码搜索引擎，可以搜索几十种语言的代码。
http://www.123aspx.com/Rotor/
语言：英语
简介：.Net Frameworks的源代码。
http://dotnet.aspx.cc/
语言：中文
简介：孟宪会的资料站，虽资料大多比较简单，却解决了开发中的大部分问题？！
http://www.dofactory.com/Patterns/Patterns.aspx
语言：英语
简介：23种设计模式的实现参考。特点是UML+精练的示例代码+简洁的解说风格。
http://www.open-open.com/
语言：中文
简介：Java开源大全,如果你用.NET，照着它的名字前加N找找应该都有吧 ？！：）
http://www.riacn.com/
语言：中文
简介：我认为是国内少有的RIA专业技术站于交流社区.
http://www.cnpaf.net/
语言：中文
简介：中国协议分析网，很全面的协议资料网。
http://www.pinvoke.net/
语言：英语
简介：通过.net调用win32等非受控API的资料大全。
http://bbs.51js.com/
语言：中文
简介：无忧脚本,专业的脚本技术社区。
http://www.c-sharpcorner.com/
语言：英语
简介：C# Corner,学习c#的好地方.
http://blog.csdn.net/group/experts/
语言：中文
简介：CSDN专家群,汇集CSDN专家的电子报.
http://www.codeproject.com/
语言：英语
简介：有很多可学习的示例代码，特点是丰富，深入浅出．
http://www.gotdotnet.com/
语言：英语
简介：微软开发维护的关于.net framework交流社区.
http://www.sourceforge.net/
语言：英语
简介：全球最大的开源软体站点
http://www.asp.net/QuickStart/
语言：英语
简介：Microsoft .NET Framework SDK QuickStart Tutorials
http://www.matrix.org.cn/
语言：中文
简介：与 Java 共舞,Java优秀的专业社区,文章质量很高.做.Net的朋友也可以从其借鉴很多知识.
本文来自CSDN博客，转载请标明出处：http://blog.csdn.net/waxic/archive/2006/09/27/1292974.aspx
最热文章
分类: 搏创人
找工作的20条吐血经验
04年毕业，还没有单干的资本，我分析我自己也不适合单干，一直在打工，也倾向于一辈子打工。我工作快两年了，回顾一下自己的经历，写了点东西。大家也一起来说说经验吧，共同交流一下，互相促进，增长一点本领。
经验一：光鲜的招聘现场背后不一定代表一个正规友善、蓬勃向上的公司。比如2004年初我经历过一个大型超市，它很快就倒闭了，招聘现场非常热闹，招聘手法非常有现代感——但是，两个月后，这家公司倒闭了。所以判断一个公司的实力，最好还是上网查一下、到公司问一下，像这个公司的供货商或者合作伙伴打听一下，绝人不能看招聘时的场面或者招聘人员的自我宣传。
经验二：招聘人员的高素质，不代表将来直接和你一起工作的人同样素质高；很多朋友都遇到过这样的问题，好不容易看到了一个知情达理的HR,谈得也很好。去工作了以后，才发现那个公司很乱套，除了那个HR以外的人员都非常差，甚至你会发现那个HR也很差。
经验三：经常招聘的公司，基本都不好地方，多数还有圈套。广为人知的就是证券、建材、保险，别看他们还是上市公司，骗起人来都是一套一套的。在国外店越大越得谨慎，但是目前国内越大的店越具有欺负人的潜质，还没人管，建材就是典型。
经验四：招聘人员夸夸其谈的、使用煽动性语言的，多数都是陷阱。这样的有很多，一般都是几个穿着西装领带的人在招聘现场唾沫横飞，职位一般都是销售，许诺只要你能干，月薪3000、5000、10000，甚至100000都不在话下。比较出名的还有保险的“保险，永不失业的朝阳产业”，靠，如果是永不失业的朝阳产业，你怎么还每周都到人才市场招人？
经验五：如果你不喜欢现在的专业，决心要通过考研究生改行，那么不必在考研究生之前找工作，考完后也会有工作的，尤其是春节以后。人的精力有限，集中兵力做好一件事情。反正你都想改行了，就不要想工作的事情。《圣经》中说，上帝要毁掉所多玛城的时候，透信给一个哥们，让那哥们赶紧走，就是不能回头，回头就变成盐柱了。结果那哥们，哎……
经验六：招聘的时候资方不谈给多少钱的，多数都是给的很少，不好意思说，先把你人忽悠去了再说。谈薪水这个东西是非常非常非常正常的，刚毕业的学生可能还有点扭转不过来，以为谈钱是多不好意思的事呀。被雇用不就是出卖自己么，卖自己之前怎么也得有个价码呀。绝口不谈薪水的公司，多半都是给的钱非常少；当然也有一些国际大公司，事先不谈薪水的，因为行业内的人都知道薪水肯定少不了。
经验七：交押金的、押毕业证原件的都是一些不爽的地方。能不去就不去。我遇见过要求抵押毕业证原件的，是一个台资企业，也遇见过要交押金的，是一个四川民企，说是公司有很多商业秘密，所以要押金。你把青春压上了，还要压毕业证或是现金，这样的地方是无论如何也不要理会的。
经验八：老总亲自去招聘的，基本都是很小的公司。中国的民企长不大，和老总的素质关系极大，当然了老总的素质低下也是全民整体素质低下的表现，不是说素质低的人才做老板。在招聘会现场，凡是那些一脸深沉、浑身霸气、看人的眼光挑三拣四、交谈的时候很没有礼貌、张口我的公司现在已经很大了、闭口你要是来我们公司还得试用半年……的老总，基本上都不要考虑去他们的公司了。
经验九：关于各种保险和住房公积金。第一不要相信企业的许诺，他说有，但是很多时候没有。第二，即使有，也可能很少很少。我的一个朋友每个月的工资在3K左右，公司给缴了3年多的医疗保险，但是一场感冒医保卡里面的钱就全都没有了，因为那个公司是按照月工资300元给缴的保险——他的工资的确是三百元，剩下的都是奖金。
经验十：绝大多数公司定下的面试时间都不准确。从招聘约会的时间上看，目前我们国家的绝大多数企业实在还是停留在很低级的管理水平上，按照约定好的时间到了，还要等上一个小时两个小时，在招聘的人眼里看来那都是很正常的。中国人的时间观念差，可见一斑。有些大企业要好一些，很守时。甚至告诉你8：55到什么地方，9：00到什么地方，有专人接送。如果有公司迟到什么，不要太生气，都那味，不守时的公司不见得是很差的公司。
经验十一：女孩子要注意的。有一些公司是来招儿媳妇的、招小姐的，这是比较明显的骗局。还有一些公司需要大量的文员，他就不断地招聘女生以很低的薪水去做那些基础性的工作，试用期一过就说你不合格。另外企业人员素质非常差比如说什么司机保安都能甚嚣尘上的公司，或者男女关系很复杂的公司，也都不要去。
经验十二：广结善缘、不去那里工作，也不要弄出点仇来。踏入社会后每接触的一个人或者一个公司，都可能与你未来生活产生关联。如果你不想被他雇用，也不要和他结下梁子，无论他可能多么没礼貌、或者他开除的薪水是多么没有礼貌。和颜悦色的表达你的拒绝的意思就行了。我仍举上面说过的那个四川的网络公司，他们对有1年经验的员工给出的待遇是，试用期500、转正700，试用期三个月，无论试用转正都没有合同，头两个月要扣除300元押金（第一个月扣200也就是开300，第二个月扣100也就是开400），除此以外没有任何形式的补助、奖金、保险、公积金，每周休息一天。但是随时加班，没有加班费。加班到晚上没有公交车的时候，也不给报打车费，公司内有大通铺，爱睡不睡。
这个公司把我激怒了。因为我在填写薪酬待遇的时候添了2k，而且特意在人才市场现场询问了招聘者，能不能达到这个数字。那个招聘的女士很礼貌的说，你下午来吧，这是地址条。我下午推了很重要的事情去的，并且那个公司的面试迟到了少一个小时，结果那个给我递条的人，也就是人力资源主任，在她的办公室同样优雅的说着上面的待遇的时候，我彻底被激怒了，不待脏字的把她骂了，为了我付出的那些时间。
但是，事后反省，我觉得没有必要骂人。因为那不能是我自己的境遇有所改善。在那以后无论碰上多么差劲的招聘者，我都没有发脾气。我可以选择不被他雇用，但是可能以后这个公司就是我的客户，何必呢。
经验十三：小心“后备主管”“储备经理”等。这些职位一般都是招男生，招进去了以后什么活都干，什么苦都吃。因为你是“后备”“储备”呀，所以什么活都让你干。这种把戏多见于那些季节性的行业，比如夏天的酒店和旅行社。
经验十四：永远不要相信承诺，也不要相信合同。这是目前我国的国情。空口固然无凭，盖上了红章章的黑纸白字一样也是废纸。对于一个公司对待员工的状况，口碑这个东东要比承诺、合同都更稍微可信一点。
经验十五：关于劳动合同。多研究一下《劳动法》《合同法》吧，签合同之前要把一些问题搞清楚。很多时候，签还是不签，那是一个问题呀！这个问题比较复杂，我说不太清楚。因为种种种种的原因，我从来就没跟雇主签过合同，虽然我希望做一个守法公民。
经验十六：在选择被谁雇佣之前，仔细计算一下投入产出比例——薪水不是唯一应该被考虑的元素，甚至连重要因素都不是。比如说一个人挣5k，另外一个人挣2k，表面看来收入5k的要比收入2k的收入高很多。但是如果这个挣5k的每天10小时严重超负荷工作，每两周只有一天休息，而且他从事的工作比较封闭，拓展的空间比较小，接触的人也非常少；那个收入2k的每周工作5天，一天8小时，公司有各种培训，工作很开放，拓展的空间也很大。那么我想这两个人五年以后的健康状况、做人境界、收入境界的差别都会非常大的。
经验十七：穿着打扮。面试的时候算是一个比较正式的场合了，所以就要打扮得有那么一点职业气息，绝大多数的公司都需要规矩人。所以如果应聘的不是很需要创造力的职位的话，还是在头几次打扮得乖巧一点，以后模着到了，再怎么舒服怎么穿。女孩子面试的时候，不必特意打扮的，又是做头发、又是买衣服的，不是很有必要。如果一个公司因为你打扮得妖艳看上了你，那才是需要担忧的事情。更有甚者，我听说过有很多人在大学四年级的时候整容，呵呵，那种自我摧残就不要了。一个员工的价值，不在于它是单眼皮合适的双眼皮，在于她眼睛的洞察力。
经验十八：要不要美丽的撒谎。有一些谎言，还是要有的，那种善意的。比如人问你打算在北京定居么，你总不能实话实说这个鬼地方风沙大停车贵总堵车我干两年就回九寨沟老家。
经验十九：刚刚毕业尽量进大公司。应届毕业生，对于公司的选择更要慎重，哈佛的几个心理学家研究过人的第一份工作和一生发展轨迹的关系，得出的结论是人的第一个工作的对一个人的影响比我们想象的还要大，因为那奠定了一个人很多的思考习惯，行为习惯。在高效率的公司干过，到了低效率的公司也能适应。不过要是在一个小公司养成了一身坏毛病，以后的发展就很受限制。大公司之所以能成为大公司，肯定是有过人之处的。进一个好公司相当于上一个好大学，不知不觉中就出息了。
经验二十：招聘人缺少教养的，不管工资给到多高，也不要去。一个公司让缺少礼貌的人去负责招聘，这个公司根本就不值得期待。
其实，把这些都写完以后，我心里也知道，几乎没有公司能够完全按照法律条文上说的那样用工，尤其是对待像大学本科生这样的低级劳动力。既然大学本科生就是过剩劳动力（无论你多牛，从经验这个角度上，你都是过剩的，官方公布的9%的失业率就意味着你将近一成的师兄师姐还没工作呢），所以你必然要碰上一些情况，碰上以后比较合理的选择就是忍气吞声，知道要计较什么不要计较什么，反抗不了就尽情享受吧。
文章摘自 漂泊者 原文地址：http://www.piaobozhe.com/read.php?tid=1030
分类: 搏创人
P、NP和NPC
P/NP问题是在理论信息学中计算复杂度理论领域里至今没有解决的问题，它被“克雷数学研究所”（Clay Mathematics Institute, 简称CMI）在千禧年大奖难题中收录。P/NP问题中包含了复杂度类P与NP的关系。1971年史提芬·古克(Stephen A. Cook) 和 Leonid Levin 相对独立的提出了下面的问题,即是否两个复杂度类P和NP是恒等的（P=NP?）。
P和NP
复杂度类P包含所有那些可以由一个确定型图灵机在多项式表达的时间内解决的问题；类NP由所有其肯定解可以在给定正确信息的多项式时间内验证的决定问题组成，或者等效的说，那些解可以在非确定图灵机上在多项式时间内找出的问题的集合。很可能，计算理论最大的未解决问题就是关于这两类的关系的:
P和NP相等吗?
在2002年对于100研究者的调查，61人相信答案是否定的，9个相信答案是肯定的，22个不确定，而8个相信该问题可能和现在所接受的公理独立，所以不可能证明或证否。[1] 对于正确的解答，有一个1,000,000美元的奖励。
NP-完全问题(或者叫NPC)的集合在这个讨论中有重大作用，它们可以大致的被描述为那些在NP中最不像在P中的。(确切定义细节请参看NP-完全)理论计算机科学家现在相信P, NP,和NPC类之间的关系如图中所示，其中P和NPC类不交。
假设P ≠ NP的复杂度类的图解.如P = NP则三个类相同.本质上，P = NP问题问道：如果是/不是问题的正面答案可以很快验证，其答案是否也可以很快计算？这里有一个给你找点这个问题的感觉的例子。给定一个大数Y,我们可以问Y是否是复合数。例如，我们可能问53308290611是否有非平凡的因子。回答是肯定的，虽然手工找出一个因子很麻烦。从另一个方面讲，如果有人声称答案是”对，因为224737可以整除53308290611″,则我们可以很快用一个除法来验证。验证一个数是除数比首先找出除数来简单得多。用于验证一个正面答案所需的信息也称为证书。所以我们的结论是，给定 正确的证书，问题的正面答案可以很快的(也就是，在多项式时间内)验证，而这就是这个问题属于NP的原因。虽然这个特定的问题，最近被证明为也在P类中(参看下面的关于”质数在P中”的参考),这一点也不明显，而且有很多类似的问题相信不属于类P。
限制到是/不是问题并没有改变问题；即使我们允许更复杂的答案，最后的问题(是否FP = FNP)是等价的。
形式化定义
更正式一些，一个决定问题是一个取一些字符串为输入并要求输出为是或否的问题。若有一个算法（譬如图灵机，或一个LISP或Pascal的程序并有无限的内存）能够在最多nk步内对一个串长度为n的输入给出正确答案，其中k是某个不依赖于输入串的常数，则我们称该问题可以在多项式时间内解决，并且将它置入类P。直观的讲，我们将P中的问题视为可以较快解决的问题。
现在假设有一个算法A(w,C)取两个参数，一个串w，也就是我们的决定问题的输入串，而另一个串C是“建议证明”，并且使得A在最多nk步之内产生“是/否”答案（其中n是w的长度而k不依赖于w）。进一步假设
w是一个答案为“是”的例子，当且仅当，存在C使得A(w,C)返回“是”。
则我们称这个问题可以在非决定性多项式时间内解决，且将它放入NP类。我们把算法A作为一个所建议的证明的检验器，它运行足够快。（注意缩写NP代表“Non-deterministic（非确定性）Polynomial（多项式）”而不是代表“Non-Polynomial（非多项式）。）
NP完全
要解决P = NP问题，NP完全的概念非常有用。不严格的讲，NP完全问题是NP类中“最难”的问题，也就是说它们是最可能不属于P类的。这是因为任何NP中的问题可以在多项式时间内变换成为任何特定NP完全问题的一个特例。例如，旅行商问题的判定问题版本是NP完全的。所以NP中的任何问题的任何特例可以在多项式时间内机械地转换成旅行商问题的一个特例。所以若旅行商问题被证明为在P内，则P = NP！旅行商问题是很多这样的NP完全的问题之一。若任何一个NP完全的问题在P内，则可以推出P = NP。不幸的是，很多重要的问题被证明为NP完全，但没有一个有已知快速的算法。
更难的问题
虽然是否P=NP还是未知的，在P之外的问题是已经知道存在的。寻找国际象棋或围棋最佳走法（在n乘n棋盘上）是指数时间完全的。因为可以证明P ≠ EXPTIME（指数时间），这些问题位于P之外，所以需要比多项式时间更多的时间。判定Presburger算术中的命题是否为真的问题更加困难。Fischer和Rabin于1974年证明每个决定Presburger命题的真伪性的算法有最少2^(2^(cn))的运行时间，c为某个常数。这里，n是Presburger命题的长度。因此，该命题已知需要比指数时间更多的运行时间。不可判定问题是更加困难的，例如停机问题。它们无法在任何给定时间内解决。
P真的容易处理吗？
上面所有的讨论假设了P表示“容易”而“不在P中”表示“困难”。这是一个在复杂度理论中常见而且有一定准确性的假设，它在实践中却不总是真的，原因包括如下几点：
它忽略了常数因子。一个需要101000n时间的问题是属于P的（它是线性时间的），但是事实上完全无法处理。一个需要10-100002n时间的问题不是在P中的（它是指数时间的），但是对于n 取值直到几千时还是很容易处理的。
它忽略了指数的大小。一个时间复杂度n1000属于P，但是很难对付。已经证明在P中存在需要任意大的指数的问题（参看时间等级定理）。一个时间复杂度2n/1000的问题不属于P，但对与n直到几千还是容易应对的。
它只考虑了最坏情况的复杂度。可能现实世界中的有些问题在多数时候可以在时间n中解决，但是很偶尔你会看到需要时间2n的特例。这个问题可能有一个多项式的平均时间，但最坏情况是指数式的，所以该问题不属于P。
它只考虑确定性解。可能有一个问题你可以很快解决如果你可以接受出现一点误差的可能，但是确保正确的答案会难得多。这个问题不会属于P，虽然事实上它可以很快求解。这实际上是解决属于NP而还不知道是否属于P的问题的一个办法（参看RP， BPP）。
新的诸如量子电脑这样的计算模型，可能可以快速的解决一些尚未知道是否属于P的问题；但是，没有一个它们已知能够解决的问题是NP完全的。不过，必须注意到P和NP问题的定义是采用象图灵机这样的经典计算模型的属于表述的。所以，即使一个量子计算机算法被发现能够有效的解决一个NP完全问题，我们只是有了一个快速解决困难问题的实际方法，而不是数学类P和NP相等的证明。
计算机科学家为什么认为P ≠ NP？
多数计算机科学家相信P≠NP。该信念的一个关键原因是经过数十年对这些问题的研究，没有人能够发现一个NP完全问题的多项式时间算法。而且，人们早在NP完全的概念出现前就开始寻求这些算法了（Karp的21个NP完全问题，在最早发现的一批中，有所有著名的已经存在的问题]]）。进一步地，P = NP这样的结果会导出很多惊人的结果，那些结果现在被相信是不成立的，例如NP = 余NP和P = PH。
也有这样论证的：问题较难求解(NP)但容易验证(P)，这和我们日常经验是相符的。
从另一方面讲，某些研究者认为我们过于相信P ≠ NP，而应该也去寻找P = NP的证明。例如，2002年中有这样的声明：
倾向P≠NP的主要论据是在穷尽搜索的领域完全没有本质进展。也就是说，以我的观点，一个很弱的论据。算法的空间是很大的，而我们只是在开始探索的起点。[ . . . ] 费马最後定理的解决也显示非常简单的[sic]问题可能只有用非常深刻的理论才能解决。
— Moshe Vardi，莱斯大学
过分依赖某种投机不是规划研究的一个好的导引。我们必须总是尝试每个问题的两个方向。偏见可能导致著名的数学家无法解决答案和他们的预计相反的著名问题，虽然他们发展了所有所需的方法。
— Anil Nerode, 康奈尔大学
关于证明的难度的结果
虽然百万美元的奖金和大量投入巨大却没有实质性结果的研究足以显示该问题是困难的，还有一些形式化的结果证明为什么该问题可能很难解决。
最常被引用的结果之一设计神喻。假想你有一个魔法机器可以解决单个问题，例如决定一个给定的数字是否为质数，但可以瞬间解决这个问题。我们的新问题是，若我们被允许任意利用这个机器，是否存在我们可以在多项式时间内验证但无法在多项式时间内解决的问题？结果是，依赖于机器能解决的问题，P = NP和P ≠ NP二者都可以证明。这个结论的后果是，任何可以修改来证明该机器的存在性的结果不能解决问题。不幸的是，几乎所有经典的方法和大部分已知的方法可以这样修改（我们称它们在相对化）。
如果这还不算太糟的话，1993年Razborov和Rudich证明的一个结果表明，给定一个特定的可信的假设，在某种意义下“自然”的证明不能解决P = NP问题。[3] 这表明一些现在似乎最有希望的方法不太可能成功。随着更多这类的定理得到证明，该定理的可能证明有越来越多的陷阱要规避。
这实际上也是为什么NP完全问题有用的原因：若有一个多项式时间算法，或者没有一个这样的算法，对于NP完全问题存在，这将用一种相信不被上述结果排除在外的方法来解决P = NP问题。
多项式时间算法
没人知道多项式时间算法对于NP完全问题是否存在。但是如果这样的算法存在，我们已经知道其中的一些了！例如，下面的算法正确的接受了一个NP完全语言，但是没人知道通常它需要多久运行。它是一个多项式时间算法当且仅当P = NP。
// 接受NP完全语言的一个算法子集和。
//
// 这是一个多项式时间算法当且仅当P=NP。
//
// “多项式时间”表示它在多项式时间内返回“是”，若
// 结果是“是”，否则永远运行。
//
// 输入：S = 一个自然数的有限集
// 输出：”是” 如果某个S的子集加起来等于0。
// 否则，它永远运行没有输出。
// 注意: “程序数P” 是你将一个整数P写为二进制，然后
// 将位串考虑为一个程序。
// 每个可能的程序都可以这样产生，
// 虽然多数什么也不做因为有语法错误。
//
FOR N = 1…infinity
FOR P = 1…N
以S为输入运行程序数P N步
IF 程序输出一个不同的整数的列表
AND 所有整数都在S中
AND 整数的和为0
THEN
OUTPUT “是” 并 停机
若P = NP，则这是一个接受一个NP完全语言的多项式时间算法。“接受”表示它在多项式时间内给出“是”的答案，但允许在答案是“否”的时候永远运行。
可能我们想要“解决”子集和问题，而不是仅仅“接受”子集和语言。这表示我们想要它总是停机并返回一个“是”或“否”的答案。是否存在任何可能在多项式时间内解决这个问题的算法？没有人知道。但是如果这样的算法存在，那么我们已经知道其中的一些了！只要将上面的算法中的IF语句替换成下面的语句：
IF 程序输出一个完整的数学证明
AND 证明的每一步合法
AND 结论是S确实有（或者没有）一个和为0的子集
THEN
OUTPUT “是” （或者”不是”如果那被证明了）并停机
逻辑表述
P=NP问题可以用逻辑命题的特定类的可表达性的术语来重新表述。所有P中的语言可以用一阶逻辑加上最小不动点操作（实际上，这允许了递归函数的定义）来表达。类似地，NP是可以用存在性二阶逻辑来表达—也就是，在关系、函数、和子集上排除了全域量词的二阶逻辑。多项式等级，PH中的语言对应与所有的二阶逻辑。这样，“P是NP的真子集吗”这样的问题可以表述为“是否存在性二阶逻辑能够表达带最小不动点操作的一阶逻辑的所不能表达的语言？”
花絮
普林斯顿大学计算机系楼将二进制代码表述的“P=NP?”问题刻进顶楼西面的砖头上。如果证明了P=NP，砖头可以很方便的换成表示“P=NP！”。[4]
康奈尔大学的Hubert Chen博士提供了这个玩笑式的P不等于NP的证明：“反证法。设P = NP。令y为一个P = NP的证明。证明y可以用一个合格的计算机科学家在多项式时间内验证，我们认定这样的科学家的存在性为真。但是，因为P = NP，该证明y可以在多项式时间内由这样的科学家发现。但是这样的发现还没有发生（虽然这样的科学家试图发现这样的一个证明），我们得到矛盾。
在P问题与NP问题上的一个重大进展在20世纪70年代初由Cook S和Levin L完成.他们发现NP中的某些问题的复杂性与整个类的复杂性相关联.这些问题中任何一个如果存在多项式时间的算法,那么所有NP问题都是多项式时间可解的.这些问题被称为NP-完全问题(NPC问题).
判定方法:
一个判定性问题，满足：
(1)∏∈NP
(2)对任意一个∏’∝poly∏ (注:poly为规约符号)
则问题∏称为NP-完全的(NP-complete，NPC)；如果问题∏仅满足条件(2)而不满足条件(1)，则问题NP称为NP-难的(NP-hard)。http://baike.baidu.com/view/1221246.htm?fr=ala0
这或许是众多OIer最大的误区之一。
你会经常看到网上出现“这怎么做，这不是NP问题吗”、“这个只有搜了，这已经被证明是NP问题了”之类的话。你要知道，大多数人此时所说的NP问题其实都是指的NPC问题。他们没有搞清楚NP问题和NPC问题的概念。NP问题并不是那种“只有搜才行”的问题，NPC问题才是。好，行了，基本上这个误解已经被澄清了。下面的内容都是在讲什么是P问题，什么是NP问题，什么是NPC问题，你如果不是很感兴趣就可以不看了。接下来你可以看到，把NP问题当成是 NPC问题是一个多大的错误。
还是先用几句话简单说明一下时间复杂度。时间复杂度并不是表示一个程序解决问题需要花多少时间，而是当问题规模扩大后，程序需要的时间长度增长得有多快。也就是说，对于高速处理数据的计算机来说，处理某一个特定数据的效率不能衡量一个程序的好坏，而应该看当这个数据的规模变大到数百倍后，程序运行时间是否还是一样，或者也跟着慢了数百倍，或者变慢了数万倍。不管数据有多大，程序处理花的时间始终是那么多的，我们就说这个程序很好，具有O(1)的时间复杂度，也称常数级复杂度；数据规模变得有多大，花的时间也跟着变得有多长，这个程序的时间复杂度就是O(n)，比如找n个数中的最大值；而像冒泡排序、插入排序等，数据扩大2倍，时间变慢4倍的，属于O(n^2)的复杂度。还有一些穷举类的算法，所需时间长度成几何阶数上涨，这就是O(a^n)的指数级复杂度，甚至O(n!)的阶乘级复杂度。不会存在O(2*n^2)的复杂度，因为前面的那个“2”是系数，根本不会影响到整个程序的时间增长。同样地，O (n^3+n^2)的复杂度也就是O(n^3)的复杂度。因此，我们会说，一个O(0.01*n^3)的程序的效率比O(100*n^2)的效率低，尽管在n很小的时候，前者优于后者，但后者时间随数据规模增长得慢，最终O(n^3)的复杂度将远远超过O(n^2)。我们也说，O(n^100)的复杂度小于O(1.01^n)的复杂度。
容易看出，前面的几类复杂度被分为两种级别，其中后者的复杂度无论如何都远远大于前者：一种是O(1),O(log(n)),O(n^a)等，我们把它叫做多项式级的复杂度，因为它的规模n出现在底数的位置；另一种是O(a^n)和O(n!)型复杂度，它是非多项式级的，其复杂度计算机往往不能承受。当我们在解决一个问题时，我们选择的算法通常都需要是多项式级的复杂度，非多项式级的复杂度需要的时间太多，往往会超时，除非是数据规模非常小。
自然地，人们会想到一个问题：会不会所有的问题都可以找到复杂度为多项式级的算法呢？很遗憾，答案是否定的。有些问题甚至根本不可能找到一个正确的算法来，这称之为“不可解问题”(Undecidable Decision Problem)。The Halting Problem就是一个著名的不可解问题，在我的Blog上有过专门的介绍和证明。再比如，输出从1到n这n个数的全排列。不管你用什么方法，你的复杂度都是阶乘级，因为你总得用阶乘级的时间打印出结果来。有人说，这样的“问题”不是一个“正规”的问题，正规的问题是让程序解决一个问题，输出一个“YES”或“NO”（这被称为判定性问题），或者一个什么什么的最优值（这被称为最优化问题）。那么，根据这个定义，我也能举出一个不大可能会有多项式级算法的问题来：Hamilton回路。问题是这样的：给你一个图，问你能否找到一条经过每个顶点一次且恰好一次（不遗漏也不重复）最后又走回来的路（满足这个条件的路径叫做Hamilton回路）。这个问题现在还没有找到多项式级的算法。事实上，这个问题就是我们后面要说的NPC问题。
下面引入P类问题的概念：如果一个问题可以找到一个能在多项式的时间里解决它的算法，那么这个问题就属于P问题。P是英文单词多项式的第一个字母。哪些问题是P类问题呢？通常NOI和NOIP不会出不属于P类问题的题目。我们常见到的一些信息奥赛的题目都是P问题。道理很简单，一个用穷举换来的非多项式级时间的超时程序不会涵盖任何有价值的算法。
接下来引入NP问题的概念。这个就有点难理解了，或者说容易理解错误。在这里强调（回到我竭力想澄清的误区上），NP问题不是非P类问题。NP问题是指可以在多项式的时间里验证一个解的问题。NP问题的另一个定义是，可以在多项式的时间里猜出一个解的问题。比方说，我RP很好，在程序中需要枚举时，我可以一猜一个准。现在某人拿到了一个求最短路径的问题，问从起点到终点是否有一条小于100个单位长度的路线。它根据数据画好了图，但怎么也算不出来，于是来问我：你看怎么选条路走得最少？我说，我RP很好，肯定能随便给你指条很短的路出来。然后我就胡乱画了几条线，说就这条吧。那人按我指的这条把权值加起来一看，嘿，神了，路径长度98，比100小。于是答案出来了，存在比100小的路径。别人会问他这题怎么做出来的，他就可以说，因为我找到了一个比100 小的解。在这个题中，找一个解很困难，但验证一个解很容易。验证一个解只需要O(n)的时间复杂度，也就是说我可以花O(n)的时间把我猜的路径的长度加出来。那么，只要我RP好，猜得准，我一定能在多项式的时间里解决这个问题。我猜到的方案总是最优的，不满足题意的方案也不会来骗我去选它。这就是NP问题。当然有不是NP问题的问题，即你猜到了解但是没用，因为你不能在多项式的时间里去验证它。下面我要举的例子是一个经典的例子，它指出了一个目前还没有办法在多项式的时间里验证一个解的问题。很显然，前面所说的Hamilton回路是NP问题，因为验证一条路是否恰好经过了每一个顶点非常容易。但我要把问题换成这样：试问一个图中是否不存在Hamilton回路。这样问题就没法在多项式的时间里进行验证了，因为除非你试过所有的路，否则你不敢断定它“没有Hamilton回路”。
之所以要定义NP问题，是因为通常只有NP问题才可能找到多项式的算法。我们不会指望一个连多项式地验证一个解都不行的问题存在一个解决它的多项式级的算法。相信读者很快明白，信息学中的号称最困难的问题——“NP问题”，实际上是在探讨NP问题与P类问题的关系。
很显然，所有的P类问题都是NP问题。也就是说，能多项式地解决一个问题，必然能多项式地验证一个问题的解——既然正解都出来了，验证任意给定的解也只需要比较一下就可以了。关键是，人们想知道，是否所有的NP问题都是P类问题。我们可以再用集合的观点来说明。如果把所有P类问题归为一个集合P中，把所有 NP问题划进另一个集合NP中，那么，显然有P属于NP。现在，所有对NP问题的研究都集中在一个问题上，即究竟是否有P=NP？通常所谓的“NP问题”，其实就一句话：证明或推翻P=NP。
NP问题一直都是信息学的巅峰。巅峰，意即很引人注目但难以解决。在信息学研究中，这是一个耗费了很多时间和精力也没有解决的终极问题，好比物理学中的大统一和数学中的歌德巴赫猜想等。
目前为止这个问题还“啃不动”。但是，一个总的趋势、一个大方向是有的。人们普遍认为，P=NP不成立，也就是说，多数人相信，存在至少一个不可能有多项式级复杂度的算法的NP问题。人们如此坚信P≠NP是有原因的，就是在研究NP问题的过程中找出了一类非常特殊的NP问题叫做NP-完全问题，也即所谓的 NPC问题。C是英文单词“完全”的第一个字母。正是NPC问题的存在，使人们相信P≠NP。下文将花大量篇幅介绍NPC问题，你从中可以体会到NPC问题使P=NP变得多么不可思议。
为了说明NPC问题，我们先引入一个概念——约化(Reducibility，有的资料上叫“归约”)。
简单地说，一个问题A可以约化为问题B的含义即是，可以用问题B的解法解决问题A，或者说，问题A可以“变成”问题B。《算法导论》上举了这么一个例子。比如说，现在有两个问题：求解一个一元一次方程和求解一个一元二次方程。那么我们说，前者可以约化为后者，意即知道如何解一个一元二次方程那么一定能解出一元一次方程。我们可以写出两个程序分别对应两个问题，那么我们能找到一个“规则”，按照这个规则把解一元一次方程程序的输入数据变一下，用在解一元二次方程的程序上，两个程序总能得到一样的结果。这个规则即是：两个方程的对应项系数不变，一元二次方程的二次项系数为0。按照这个规则把前一个问题转换成后一个问题，两个问题就等价了。同样地，我们可以说，Hamilton回路可以约化为TSP问题(Travelling Salesman Problem，旅行商问题)：在Hamilton回路问题中，两点相连即这两点距离为0，两点不直接相连则令其距离为1，于是问题转化为在TSP问题中，是否存在一条长为0的路径。Hamilton回路存在当且仅当TSP问题中存在长为0的回路。
“问题A可约化为问题B”有一个重要的直观意义：B的时间复杂度高于或者等于A的时间复杂度。也就是说，问题A不比问题B难。这很容易理解。既然问题A能用问题B来解决，倘若B的时间复杂度比A的时间复杂度还低了，那A的算法就可以改进为B的算法，两者的时间复杂度还是相同。正如解一元二次方程比解一元一次方程难，因为解决前者的方法可以用来解决后者。
很显然，约化具有一项重要的性质：约化具有传递性。如果问题A可约化为问题B，问题B可约化为问题C，则问题A一定可约化为问题C。这个道理非常简单，就不必阐述了。
现在再来说一下约化的标准概念就不难理解了：如果能找到这样一个变化法则，对任意一个程序A的输入，都能按这个法则变换成程序B的输入，使两程序的输出相同，那么我们说，问题A可约化为问题B。
当然，我们所说的“可约化”是指的可“多项式地”约化(Polynomial-time Reducible)，即变换输入的方法是能在多项式的时间里完成的。约化的过程只有用多项式的时间完成才有意义。
好了，从约化的定义中我们看到，一个问题约化为另一个问题，时间复杂度增加了，问题的应用范围也增大了。通过对某些问题的不断约化，我们能够不断寻找复杂度更高，但应用范围更广的算法来代替复杂度虽然低，但只能用于很小的一类问题的算法。再回想前面讲的P和NP问题，联想起约化的传递性，自然地，我们会想问，如果不断地约化上去，不断找到能“通吃”若干小NP问题的一个稍复杂的大NP问题，那么最后是否有可能找到一个时间复杂度最高，并且能“通吃”所有的 NP问题的这样一个超级NP问题？答案居然是肯定的。也就是说，存在这样一个NP问题，所有的NP问题都可以约化成它。换句话说，只要解决了这个问题，那么所有的NP问题都解决了。这种问题的存在难以置信，并且更加不可思议的是，这种问题不只一个，它有很多个，它是一类问题。这一类问题就是传说中的NPC 问题，也就是NP-完全问题。NPC问题的出现使整个NP问题的研究得到了飞跃式的发展。我们有理由相信，NPC问题是最复杂的问题。再次回到全文开头，我们可以看到，人们想表达一个问题不存在多项式的高效算法时应该说它“属于NPC问题”。此时，我的目的终于达到了，我已经把NP问题和NPC问题区别开了。到此为止，本文已经写了近5000字了，我佩服你还能看到这里来，同时也佩服一下自己能写到这里来。
NPC问题的定义非常简单。同时满足下面两个条件的问题就是NPC问题。首先，它得是一个NP问题；然后，所有的NP问题都可以约化到它。证明一个问题是 NPC问题也很简单。先证明它至少是一个NP问题，再证明其中一个已知的NPC问题能约化到它（由约化的传递性，则NPC问题定义的第二条也得以满足；至于第一个NPC问题是怎么来的，下文将介绍），这样就可以说它是NPC问题了。
既然所有的NP问题都能约化成NPC问题，那么只要任意一个NPC问题找到了一个多项式的算法，那么所有的NP问题都能用这个算法解决了，NP也就等于P 了。因此，给NPC找一个多项式算法太不可思议了。因此，前文才说，“正是NPC问题的存在，使人们相信P≠NP”。我们可以就此直观地理解，NPC问题目前没有多项式的有效算法，只能用指数级甚至阶乘级复杂度的搜索。
顺便讲一下NP-Hard问题。NP-Hard问题是这样一种问题，它满足NPC问题定义的第二条但不一定要满足第一条（就是说，NP-Hard问题要比 NPC问题的范围广）。NP-Hard问题同样难以找到多项式的算法，但它不列入我们的研究范围，因为它不一定是NP问题。即使NPC问题发现了多项式级的算法，NP-Hard问题有可能仍然无法得到多项式级的算法。事实上，由于NP-Hard放宽了限定条件，它将有可能比所有的NPC问题的时间复杂度更高从而更难以解决。
不要以为NPC问题是一纸空谈。NPC问题是存在的。确实有这么一个非常具体的问题属于NPC问题。下文即将介绍它。
下文即将介绍逻辑电路问题。这是第一个NPC问题。其它的NPC问题都是由这个问题约化而来的。因此，逻辑电路问题是NPC类问题的“鼻祖”。
逻辑电路问题是指的这样一个问题：给定一个逻辑电路，问是否存在一种输入使输出为True。
什么叫做逻辑电路呢？一个逻辑电路由若干个输入，一个输出，若干“逻辑门”和密密麻麻的线组成。看下面一例，不需要解释你马上就明白了。
┌───┐
│ 输入1├─→┐ ┌──┐
└───┘ └─→┤ │
│ or ├→─┐
┌───┐ ┌─→┤ │ │ ┌──┐
│ 输入2├─→┤ └──┘ └─→┤ │
└───┘ │ ┌─→┤AND├──→输出
└────────┘ ┌→┤ │
┌───┐ ┌──┐ │ └──┘
│ 输入3├─→┤ NOT├─→────┘
└───┘ └──┘
这是个较简单的逻辑电路，当输入1、输入2、输入3分别为True、True、False或False、True、False时，输出为True。
有输出无论如何都不可能为True的逻辑电路吗？有。下面就是一个简单的例子。
┌───┐
│输入1 ├→─┐ ┌──┐
└───┘ └─→┤ │
│AND├─→┐
┌─→┤ │ │
│ └──┘ │ ┌──┐
│ └→┤ │
┌───┐ │ │AND├─→输出
│输入2 ├→─┤ ┌──┐ ┌→┤ │
└───┘ └→┤NOT ├→──┘ └──┘
└──┘
上面这个逻辑电路中，无论输入是什么，输出都是False。我们就说，这个逻辑电路不存在使输出为True的一组输入。
回到上文，给定一个逻辑电路，问是否存在一种输入使输出为True，这即逻辑电路问题。
逻辑电路问题属于NPC问题。这是有严格证明的。它显然属于NP问题，并且可以直接证明所有的NP问题都可以约化到它（不要以为NP问题有无穷多个将给证明造成不可逾越的困难）。证明过程相当复杂，其大概意思是说任意一个NP问题的输入和输出都可以转换成逻辑电路的输入和输出（想想计算机内部也不过是一些 0和1的运算），因此对于一个NP问题来说，问题转化为了求出满足结果为True的一个输入（即一个可行解）。
有了第一个NPC问题后，一大堆NPC问题就出现了，因为再证明一个新的NPC问题只需要将一个已知的NPC问题约化到它就行了。后来，Hamilton 回路成了NPC问题，TSP问题也成了NPC问题。现在被证明是NPC问题的有很多，任何一个找到了多项式算法的话所有的NP问题都可以完美解决了。因此说，正是因为NPC问题的存在，P=NP变得难以置信。P=NP问题还有许多有趣的东西，有待大家自己进一步的挖掘。攀登这个信息学的巅峰是我们这一代的终极目标。现在我们需要做的，至少是不要把概念弄混淆了。
本文转自Matrix67神牛Blog: http://www.matrix67.com
相关文章
分类: 搏创人
什么都“云”了，连输入法也“云”
近日，搜狗率先将输入法发挥到极致，在全球范围首个推出云输入法。搜狗云输入法是基于搜狗拼音输入法，依托云计算技术的一个概念性输入法产品。搜狗云输入法在硬件和软件上都突破了桌面输入法方面的限制。
其与一般输入法最明显的区别在于，完全靠服务器运算，具有更强大语言模型和词库，能大幅提升输入准确率，特别是长句输入准确率。
搜狗云输入法计算存储平台是内存巨大计算能力强大的服务器，因此其存储的词库和语言模型库从理论上可以无限大。同时由于计算能力强大，为了让计算结果更准确，搜狗云输入法中采用了三元语言模型和带有语义特点的trigger模型。
搜狗云输入法是搜索引擎和自然语言处理的集大成者，具有云计算的特点，代表了未来技术发展的方向。依靠强大强大的技术实力，搜狗云输入法做到了中文输入领域空前的大、全、准。同传统输入法相比，搜狗云输入法更加精准，将中文输入的语义正确率提高到90%，更是将用户短句的覆盖率和首选率更是提高到了96%以上。搜狗输入法的推出，也代表中文输入进入了云时代。
搜狗云输入法具有跨平台、免安装的优点，并兼容Windows，Linux，Mac等各个操作系统，兼容各个主流浏览器（IE，搜狗浏览器，Firefox ），用户无即使在网吧等临时使用环境，都能在上网冲浪时享受搜狗输入法的流畅输入体验搜狗输入法，彻底实现了随时随地享受搜狗输入法的流畅输入体验。
搜狐公司高级副总裁王小川表示：搜狗云输入法如同一辆概念车，展示了搜狗的技术创新能力以及对中文处理的领先优势，对于中文输入进一步提升输入准确率、跨平台性，以及探索新的输入模式都有示范意义。
根据国内权威的第三方市场调研机构艾瑞咨询最新的调研数据发现，2009年使用过搜狗输入法的用户比例接近80%，且搜狗输入法同样成为了用户最常使用的输入法软件，最常使用搜狗输入法的用户比例超过50%，远高于其他输入法产品排名首位；用户对于搜狗输入法的满意程度相对较高，超过60%的搜狗输入法软件用户非常满意该软件。艾瑞认为，搜狗输入法一直以来坚持以创新为导向，不断提升用户体验和使用习惯，获得了众多用户和市场的肯定，用户的高推荐度及满意度也证明，搜狗输入法在用户中的具有的较高的美誉度。
业内人士认为，搜狗云输入法的推出，不仅展示了搜狗在中文搜索和中文输入方面强大的技术实力，更将搜索技术的应用和中文输入带入了一个全新的高度和领域。
相关文章
分类: 搏创人
淘宝怎么赚钱
淘宝目前对所有的商户实行免费，马云说:“淘宝3年不收费。中国的C2C市场还处于市场培育阶段，免费模式更利于跑马圈地。”
马云的免费策略能圈到地吗?
艾瑞咨询(iResearch)2004年度调查报告显示，中国网上拍卖市场上，eBay易趣的注册用户为950万，淘宝网上的注册费为400万，一拍网注册用户约40万，其他拍卖网站注册用户约10万。
报告还显示，2004年中国网上拍卖市场总共约4250万件商品，成交率约为40%，总成交量约为1700万件，成交金额为34亿元。其中eBay易趣的成交额约为22亿元，淘宝成交额约为10亿元。
而按淘宝提供的数据，在2005年第一季度，淘宝的成交额为10.2亿元，易趣成交额为1亿美元，淘宝首次反败为胜。
“除了与淘宝提供的本土化服务有关之外，也与淘宝免费政策有关。”马云这样解释淘宝后来居上的原因。
“有些用户为了逃避eBay易趣的成交费，在eBay易趣发现所需货物后，并没有用eBay易趣的安付通支付，而是选择了淘宝的支付宝，这使有些eBay易趣用户实际上成为淘宝用户。”阿里巴巴一名员工说。
支付宝是阿里巴巴旗下的支付宝公司针对网上交易而推出的安全付款服务，支付宝作为信用中介，在买家确认收到商品前，由支付宝替买卖双方暂时保管货款。
淘宝提供的数据显示，截至2005年2月24日，淘宝网有79%的在线商品交易接受通过支付宝交易。
淘宝如今的免费模式是对阿里巴巴模式的复制。阿里巴巴在收费之前，经历了长达3年的免费期。
马云表示:“那时候，阿里巴巴是花投资者的钱，心里只有对美好未来的信心;淘宝现在烧的钱一部分来自阿里巴巴的赢利，另一部分也来自投资者，同样基于对未来的信心，因为阿里巴巴就是一个例子。”
“淘宝还会继续坚持免费，现在还是收小钱的时候，还是跑马圈地的时候，阿里巴巴不急。”马云说。
经常上淘宝逛，也经常向身边的朋友同事推荐，朋友同事们使用后都觉得不错，改变了以往对网上购物的看法，同时也都问我：淘宝网靠什么赚钱？大家都觉得，即然在淘宝开店都是免费的，交易也不收任何的手续费，那么淘宝还赚什么钱呀。其实我们分析一下就明白它靠什么赚钱了。
首先，淘宝网本身的确赚不到什么钱，做广告的钱和运营网站的花销来说根本不算什么。但淘宝是阿里巴巴旗下的网站，同样，淘宝的支付平台“支付宝”也是阿里巴巴的。那么我们来看看“支付宝”是怎么回事。
网上交易，买家和卖家互相不认识，又不可能面对面交易，那么这就给交易带来了困难，买家即不敢先付款后收货，卖家也不敢先发货再收钱，这是由于双方的不信任造成的。那么这时就有一个第三方信任机构参与进来。买家和卖家双方互不信任，但都信任第三方信任机构，所以通过第三方信任机构就可以完成交易。买家先把款付给第三方信任机构，因为信任，所以敢把钱给它；第三方信任机构收到钱后通知卖家已收到钱，可以发货。于是卖家就发货了，同样也是因为信任。这样就解决了网上交易最大的障碍。
“支付宝”就担当这个第三方信任机构，同样还有易趣的“安付通”，腾讯的“财付通”等都属于此。
淘宝的交易必须通过“支付宝”，也就是说，大家买卖时必须先把钱转入“支付宝”账户。淘宝每天的交易额达上亿元人民币，那么这上亿元就都在“支付宝”的账户里了。卖家发货后，有的是快递，有的是平邮，综合一下，平均物流时间大概在3-5天左右，成交后，卖家要想提现，还要再等几天的时间，这样算下来，每天“支付宝”的账户里就有5-10亿的交易款。
就这些了吗？当然不！大家看到拍卖的商品了吗？要想参与竞拍，则必须交保证金，拍得越多保证金累计就越多。这些保证金虽然还是属于买家的，但处于冻结状态，要等拍卖的商品拍卖结束后才能使用。而一般的拍卖商品长达十几天，也就是说，这些保证金要在“支付宝”的账户里呆上很长的时间。
还有，很多的买家图省事，预先向“支付宝”里充一部分钱，购买时就方便了，这样一样，“支付宝”的账户里又多了很多。
除了淘宝，还有阿里妈妈网站，也是通过“支付宝”进行交易，而且钱在其账户上呆的时间更长。
除此之外，“支付宝”还面对其它的网上交易，也就是说，只要你在网上交易，即使不在淘宝上，也可以使用“支付宝”作为第三方信任机构，这样一来，“支付宝”的账户里又增加了一笔。如果是商家对商家，那么金额可想而知了。
还有什么？大家可别忘了，还有一个大头呢，阿里巴巴呀！那上面的资金流动可非同小可呀，可给“支付宝”撑起半面天。
综合以上几点，保守的估计，“支付宝”的账户里金额可达上百亿（甚至更多，咱是井底之蛙，不敢想-_-!）。
下面不用说大家也都能知道了，有了钱再赚钱就容易了。淘宝网站越不赚钱“支付宝”就越赚钱。
by btmjy9526
相关文章
分类: 搏创人
一种理论
一位优秀的商人杰克，有一天告诉他的儿子——
杰克：我已经决定好了一个女孩子，我要你娶她。
儿子：我自己要娶的新娘我自己会决定。
杰克：但我说的这女孩可是比尔盖兹的女儿喔！
儿子：哇！那这样的话……
在一个聚会中，杰克走向比尔盖茨——
杰克：我来帮你女儿介绍个好丈夫。
比尔：我女儿还没想嫁人呢！
杰克：但我说的这年轻人可是世界银行的副总裁喔！
比尔：哇！那这样的话……
接着，杰克去见世界银行的总裁——
杰克：我想介绍一位年轻人来当贵行的副总裁。
总裁：我们已经有很多位副总裁，够多了。
杰克：但我说的这年轻人可是比尔盖兹的女婿喔！
总裁：哇！那这样的话……
最后，杰克的儿子娶了比尔盖茨的女儿，又当上世界银行的副总裁。
分类: 搏创人
Multiple Instance Learning
Multiple Instance Learning (MIL) is a special learning framework which deals with uncertainty of instance labels. In this setting training data is available only as pairs of bags of instances with labels for the bags. Instance labels remain unknown and might be inferred during learning. A positive bag label indicates that at least one instance of that bag can be assigned a positive label. This instance can therefore be thought of as a witness for the label. Instance in negative labelled bags are altogether of the negative class, so there is no uncertainty about their label.
There exist quite an amount of literature to the Multiple Instance Learning problem. This website provides an overview of the MIL related research at this institute and hosts software we made available as well as datasets.
Approaches to MIL Conformal KernelsIn [1] we describe how we can jointly learn a linear discriminant as well as parameters of a modified set kernel that solves the multiple-instance problem. Base kernels are modified conformally to emphasize regions of the input space that are discriminative while de-emphasizing regions that contain patterns from both positive and negative bags.
MIL SVM formulationsIn [2] we presented a SVM formulation for the MIL problem and presented a deterministic annealing approach to infer the missing instance labels during learning. This formulation is based on the work of Andrews et.al., identifies a shortcoming of their approach and extends the formulation to overcome it.
The code used for the experiments in this paper is based on the machine learning toolbox The Spider. This README describes the installation of this package. If you are familiar with spider you might want to download directly the code and/or the benchmark datasets.
[1] Conformal Multi-Instance Kernels, Matthew B. Blaschko and Thomas Hofmann, NIPS’06 Workshop on Learning to Compare Examples, 2006 [2] Deterministic Annealing for Multiple-Instance Learning, Peter V. Gehler and Olivier Chapelle, AISTATS 2007http://www.kyb.mpg.de/bs/people/pgehler/mil/mil.html
Publications 相关文章
分类: 搏创人
Wordpress主题,还挺多
1. 100个优秀的免费WordPress主题
浏览地址：100 Excellent Free WordPress Themes
2. 83个漂亮的WordPress主题浏览地址：83 Beautiful Wordpress Themes You (Probably) Haven’t Seen
3. 21个新鲜的、优雅的WordPress主题浏览地址：21 Fresh, Usable and Elegant Wordpress Themes
4. 30个高质量的免费Wordpress主题浏览地址：30 Free Professional Wordpress Themes
5. 45+ 必看的WordPress主题浏览地址：45+ Must See WordPress themes
6. 16个免费版WordPress的主题，不要错过浏览地址：16 Free Premium Wordpress Themes That Don’t Suck
7. 50个漂亮的免费WordPress的主题浏览地址：50 Beautiful Free WordPress Themes
8. 55个令你心动的高级WordPress 主题浏览地址：55 Premium WordPress Themes to Blow Your Mind
9. 20个专业的WordPress主题浏览地址：20 Specialty WordPress Themes
10. 15高质量的免费WordPress2.7主题浏览地址：15 High Quality Free Premium WordPress 2.7 Themes
11. 20个令人难以置信的有用的后台管理主题和插件浏览地址： 20 Incredibly Useful Themes and Plugins to Boost your Admin Area
12. 21个高质量的免费的WordPress的主题浏览地址：21 Mindblowing Premium-Like Free Wordpress Themes
13. 140 +闪亮的免费WordPress主题浏览地址：21 Mindblowing Premium-Like Free Wordpress Themes
14. 官方主题资源集合浏览地址：Theme Directory
http://www.juqng.com/index.php/resource/docs/wordpress-theme/
相关文章
分类: 搏创人
China’s growing addiction: online farming games
A new agrarian revolution has occured in China, but only in the virtual worlds of social games. Social farm games now dominate all major Chinese social networking sites — RenRen (formerly Xiaonei), Kaixin001, 51.com, and QQ’s QZone. The May launch and 2H 2009 adoption of QQ Farm — a version of China’s already popular Happy Farm game built to run on Tencent’s estimated 228 million active-user QZone platform — may very well have transformed China into the leading country of online farmers.
According to Five Minutes, Shanghai-based game developer of the first and largest social farm game, Happy Farm has now surpassed 23 million daily active users (DAU) across QZone, RenRen, and 51.com.The DAU count is the total number of users who log in during a 24-hour period. After Happy Farm’s late 2008 launch on RenRen, social network Kaixin001 copied it and other popular social games which powered Kaixin001’s network growth to 40-plus million total users (mid July 2009).
While Kaixin001 doesn’t release metrics on its own applications, Shanghai-based consulting firm BloggerInsight estimates that total social farm games have at least 28 million to 30 million DAU, including a conservative estimate of 7 million DAU for Kaixin001 and 15-17 million DAU for QQ’s new entry. (Tencent declined to comment on these estimates, and Five Minutes would only confirm the 23 million DAU across all platforms.) For comparison purposes to the U.S. market, U.S. based Zynga’s successful Farmville (launched June 2009) currently generates about 23 million DAU on Facebook, and Slashkey’s second place FarmTown game generates 5.6 million DAU.
No metrics on QQ Farm’s adoption have been released, but unconfirmed rumors have been swirling in the Chinese blogosphere and media about a self-imposed rate limit of two million new signups per day (but perhaps waived for active QQ accounts) and total registered users of 100 million, which would imply 25 million to 40 million DAU for QQ Farm alone if these rumors are true, higher than BloggerInsight’s estimates.
These numbers look possible in the context of Tencent’s overall user metrics. In its Q2 earnings announcement (pdf), Tencent announced that its QQ instant messaging platform reached 990 million registered users, 448 million active users (including individuals with multiple active accounts), and over 40 million Web users purchasing virtual goods and premium services. QQ’s active accounts actually exceed the 338 million total internet users measured by the China Internet Network Information Center (CNNIC). This vast platform generated $421.3 million revenue in Q2. “Tencent makes more money in one quarter than Facebook might in all of 2009,” commented Benjamin Joffe, CEO of Plus8Star, a Beijing-based consultancy that authors an annual Inside Tencent report.
While many see China as a copycat country, social farm games may be a good example of home-grown innovation. “Happy Farm is most definitely the first SNS farming game in the world,” said Season Xu, co-founder and chief operating officer of Five Minutes. “A Japanese farm console game inspired us.” Game development was finished in May 2008 with testing until July, followed by a launch in late 2008. myFarm, the first Facebook farm game, was launched November 2008 after Happy Farm but was conceived independently of Happy Farm, claimed Tom Hansen, President of take(5)social, the developer of myFarm.
In China, litters of copycats have since arisen, including Sunshine Farm, Happy Farmer, Happy Fishpond, and Happy Pig Farm. In addition, the addictive game mechanics have been copied over and over again, set to different themes. For example, iPartment, a social network popular among young Chinese women, offers a variation where users can grow flowers and gift bouquets.
Some fear that this new social farming revolution may not contribute to the positive development of society. A central feature of social farm games in China is stealing vegetables. Official state media People’s Daily reports that 70 percent of users on Kaixin001 cite it as their favorite feature, and it has even spawned the popular phrase “How many vegetables have you stolen today?” This key addictive feature has created news stories of business executives “obsessed” with stealing vegetables and broken relationships over vegetables stolen on the night shift. The game is so addictive — with players setting alarm clocks at all hours of the night to check crops — that it “destroys jobs and relationships.” “Simplicity and stickiness are behind the global epidemic of farm games. Anyone can learn to grow crops within minutes and reap a reward for getting friends — or the entire office — addicted too,” said BloggerInsight Co-Founder Lucas Englehardt.
An estimated 15 million urban white-collars spend more than five hours a day on Happy Farm, according to data from the game’s creator, Five Minutes. Official press Shanghai Daily claims that addictive social games are contributing to the Internet addiction of an estimated 16 million young Chinese netizens. If so, this new addiction comes not through Western copycatting, but through the progressive, home-grown innovative capabilities of the Chinese social gaming market.
Co-authored with Kai Lukoff, analyst at BloggerInsight. Follow him on Twitter at @klukoff. Photo courtesy of ChinaSmack, screenshot courtesy of BloggerInsight.
http://venturebeat.com/2009/10/29/china-qq-farm-happy-farm-games/
最热文章
分类: 搏创人
排序学习领域大牛-刘铁岩
刘铁岩博士，现任微软亚洲研究院研究项目主管(lead researcher)。他是排序学习领域的知名专家，已在国际顶级期刊和会议上发表相关论文70余篇。他著有专著《信息检索中的排序学习问题》和《高阶异构数据挖掘》。他持有50余项美国专利或申请。他的论文曾获得国际信息检索大会(SIGIR)最佳学生论文奖，和国际期刊《视觉通信和图像表示》的最高引用论文奖。他是国际计算机辅助搜索会议(RIAO) 2010年度的程序委员会主席，国际信息检索大会(SIGIR)2008和2009年度的领域主席(Area Chair)，亚洲信息检索会议(AIRS) 2009年度的领域主席。同时他还担任国际期刊《信息检索》的编委(Editorial Board Member)，和数十个国际期刊的审稿专家。他是包括WWW, SIGIR, ICML, ACL, ICIP等在内的三十几个国际会议的程序委员会成员(Program Committee Member)，是国际排序学习研讨会(LR4IR)2007，2008，和2009年度的联合主席(Co-chair)，是《信息检索》期刊的排序学习特刊的客座主编(Guest Editor)。他曾经在WWW和SIGIR等国际会议上做关于排序学习的主题讲座(tutorial)。刘铁岩毕业于清华大学电子工程系，加入微软之前从事视频信息处理方面的研究工作。
刘铁岩博士的代表作如下:
Learning to Rank
1. Tie-Yan Liu. Learning to Rank for Information Retrieval, Foundation and Trends on Information Retrieval, Now Publishers, 2009.
2. Fen Xia, Tie-Yan Liu, Hang Li, Statistical Consistency of Top-k Ranking, NIPS 2009.
3. Wei Chen, Tie-Yan Liu, Yanyan Lan, Zhiming Ma, Hang Li, Ranking Measures and Loss Functions in Learning to Rank, NIPS 2009.
4. Tao Qin, Tie-Yan Liu, Xudong Zhang, and Hang Li. Global Ranking Using Continuous Conditional Random Fields, NIPS 2008.
5. Yanyan Lan, Tie-Yan Liu, Zhiming Ma, and Hang Li. Generalization Analysis of Listwise Learning to Rank Algorithms, ICML 2009.
6. Fen Xia, Tie-Yan Liu, Jue Wang, Wensheng Zhang, and Hang Li. Listwise Approach to Learning to Rank: Theorem and Algorithm, ICML 2008.
7. Yanyan Lan, Tie-Yan Liu, Tao Qin, Zhiming Ma, and Hang Li. Query-level Stability and Generalization in Learning to Rank, ICML 2008.
8. Zhe Cao, Tao Qin, Tie-Yan Liu, Ming-Feng Tsai, and Hang Li. Learning to Rank: From Pairwise Approach to Listwise Approach. ICML 2007.
9. Xiubo Geng, Tie-Yan Liu, Tao Qin, Andrew Arnold, Hang Li, and Heung-Yeung Shum. Query-dependent Ranking using K-Nearest Neighbor, SIGIR 2008.
10. Jun Xu, Tie-Yan Liu, Min Lu, Hang Li, and Wei-Ying Ma. Directly Optimizing IR Evaluation Measures in Learning to Rank, SIGIR 2008.
11. Tao Qin, Tie-Yan Liu, Jun Xu, and Hang Li. Making LETOR More Useful and Reliable, LR4IR 2008, in conjunction with SIGIR 2008.
12. Xiubo Geng, Tie-Yan Liu, Tao Qin, and Hang Li. Feature Selection for Ranking, SIGIR 2007.
13. Mingfeng Tsai, Tie-Yan Liu, Tao Qin, Hsin-Hsi Chen, and Wei-Ying Ma. FRank: A Ranking Method with Fidelity Loss, SIGIR 2007.
14. Tao Qin, Tie-Yan Liu, Wei Lai, Xu-Dong Zhang, De-Sheng Wang, and Hang Li. Ranking with Multiple Hyperplanes, SIGIR 2007.
15. Tie-Yan Liu, Jun Xu, Tao Qin, Wenying Xiong, and Hang Li. LETOR: Benchmark dataset for research on learning to rank for information retrieval, LR4IR 2007, in conjunction with SIGIR 2007.
16. Yunbo Cao, Jun Xu, Tie-Yan Liu, Hang Li, Yalou Huang and Hsiao-Wuen Hon. Adapting Ranking SVM to Document Retrieval, SIGIR 2006.
17. Tao Qin, Tie-Yan Liu, Xu-Dong Zhang, De-Sheng Wang, Wen-Ying Xiong, and Hang Li. Learning to Rank Relational Objects and Its Application to Web Search, WWW 2008. Yuting Liu, Tie-Yan Liu, Tao Qin, Zhi-Ming Ma, and Hang Li. Supervised Rank Aggregation, WWW 2007.
18. Tao Qin, Xu-Dong Zhang, Ming-Feng Tsai, De-Sheng Wang, Tie-Yan Liu, and Hang Li. Query-level Loss Function for Information Retrieval. Information Processing and Management, 2007.
Web Search
1. Yuting Liu, Tie-Yan Liu, Zhiming Ma, and Hang Li. A Framework to Compute Page Importance based on User Behaviors, Information Retrieval Journal, 2009.
2. Yuting Liu, Bin Gao, Tie-Yan Liu, Ying Zhang, Zhiming Ma, Shuyuan He, and Hang Li. BrowseRank: Letting Web Users Vote for Page Importance, SIGIR 2008. [SIGIR Best Student Paper Award]
3. Guang Feng, Tie-Yan Liu, Ying Wang, Ting Bao, Zhiming Ma, Xu-Dong Zhang, and Wei-Ying Ma. AggregateRank: Bringing Order to Websites, SIGIR 2006.
4. Tao Qin, Tie-Yan Liu, Xu-Dong Zhang, De-Sheng Wang, Zheng Chen, and Wei-Ying Ma. A Study on Relevance Propagation for Web Search, SIGIR 2005.
5. Qiankun Zhao, Chuhong Hoi, Tie-Yan Liu, Sourav Bhowmick, Michael Lyu, and Wei-Ying Ma. Time-Dependent Semantic Similarity Measure of Queries Using Historical Click-Through Data, WWW 2006.
6. Qiankun Zhao, Tie-Yan Liu, Sourav Bhowmick, and Wei-Ying Ma. Event Detection from Evolution of Click-through Data, KDD 2006.
7. Bin Gao, Tie-Yan Liu, Xin Zheng, Qian-Sheng Cheng, and Wei-Ying Ma. Consistent Bipartite Graph Co-Partitioning for Star-Structured High-Order Heterogeneous Data Co-Clustering, KDD 2005.
8. Ying Bao, Guang Feng*, Tie-Yan Liu, Zhiming Ma, and Ying Wang. Ranking Websites: A Probabilistic View, Internet Mathematics, 2007.
9. Tao Qin, Tie-Yan Liu, Xu-Dong Zhang, Guang Geng, De-Sheng Wang, and Wei-Ying Ma. Topic Distillation Via Subsite Retrieval, Information Processing and Management, 2006.
10. Bin Gao, Tie-Yan Liu, Guang Feng, Tao Qin, Qian-Sheng Cheng, and Wei-Ying Ma. Hierarchical Taxonomy Preparation for Text Categorization Using Consistent Bipartite Spectral Graph Co-partitioning, IEEE Transactions on Knowledge and Data Engineering (IEEE TKDE), 2005.
11. Tie-Yan Liu, Yiming Yang, Hao Wan, Hua-Jun Zeng, Zheng Chen, and Wei-Ying Ma. Support Vector Machines Classification with Very Large Scale Taxonomy, SIGKDD Explorations, 2005.
Multimedia
1. Tao Qin, Xu-Dong Zhang, Tie-Yan Liu, and Hong-Jiang Zhang. An Active Feedback Framework for Image Retrieval, Pattern Recognition Letters, 2007.
2. Bin Gao, Tie-Yan Liu, Qian-Sheng Cheng, and Wei-Ying Ma. Web Image Clustering by Consistent Utilization of Visual Features and Surrounding Texts, ACM Multimedia 2005.
3. Tie-Yan Liu, Kwok-Tung Lo, Xu-Dong Zhang, and Jian Feng. A New Cut Detection Algorithm with Constant False-Alarm Ratio for Video Segmentation, Journal of Visual Communications and Image Representation, 2004. [Most Cited Paper Award]
4. Tie-Yan Liu, Xu-Dong Zhang, Jian Feng, and Kwok-Tung Lo. Shot Reconstruction Degree: a Novel Criterion for Key Frame Selection, Pattern Recognition Letters, 2004.
5. Tie-Yan Liu, Kwok-Tung Lo, Jian Feng, and Xu-Dong Zhang. Frame Interpolation Scheme Using Inertia Motion Prediction. Signal Processing: Image Communication, 2003.
6. Tie-Yan Liu, Jian Feng, Xu-Dong Zhang, and Kwok-Tung Lo. Inertia-based Cut Detection and Its Integration with Video Coder. IEE Proceedings on Vision, Image and Signal Processing, 2003..
相关文章
分类: 搏创人
