信息大管家

注册量和用户数是两个概念，别被网站的5000万用户量给忽悠了

帝国鹰 — Fri, 04 Jul 2008 18:18:00 GMT

对于一个网站运营商来说，注册量是一个命根，每每炫耀自己的时候，都会说我们的已有了多少多少万用户，比如3G门户放话说“我们有5000万用户”。这个数字看起来确实诱人，如果拿这个数字和我们的2.8亿网民比较的话，确实可观，20%的网民都是它的用户。可实际真是这样吗？当然不是，这5000万不过是注册量而已，根本不能代表实际用户数。有数据显示，仅在中国，BBS和各种论坛的用户注册量就超过30亿，如果把各种网站的注册量全部算上，恐怕这个数字已经超过50亿。你这区区5000万，不过是1%而已。当然，这5000万是否是真是数据还不确定，即使是真是数据，其中大部分都是过客，即注册后就从不登陆者，还有一批重复注册者，最好用实际活跃用户来算的话，恐怕也就10万个用户吧当然，10万活跃用户价值已经相当明显，但是网站也不能总是拿5000万这个大帽子忽悠人啊。

复杂科学管理视角下的信息系统

帝国鹰 — Mon, 23 Jun 2008 17:43:00 GMT

复杂科学管理视角下的信息系统

作者:赵敏来源:爱诺为参与评论

什么是数据挖掘？
数据挖掘能做什么？
数据挖掘的商业背景
数据挖掘的技术背景
数据挖掘的社会背景　

0.什么是数据挖掘？

数据挖掘是从大量的数据中，抽取出潜在的、有价值的知识（模型或规则）的过程。　

数据挖掘能做什么？

1)数据挖掘能做以下六种不同事情（分析方法）：

分类（Classification）

估值（Estimation）

预言（Prediction）

相关性分组或关联规则（Affinity grouping or association rules）

聚集（Clustering）

描述和可视化（Description and Visualization）

　

2)数据挖掘分类

以上六种数据挖掘的分析方法可以分为两类：直接数据挖掘；间接数据挖掘

直接数据挖掘

目标是利用可用的数据建立一个模型，这个模型对剩余的数据，对一个特定的变量（可以理解成数据库中表的属性，即列）进行描述。

间接数据挖掘

目标中没有选出某一具体的变量，用模型进行描述；而是在所有的变量中建立起某种关系。

分类、估值、预言属于直接数据挖掘；后三种属于间接数据挖掘

　

3)各种分析方法的简介

分类（Classification）

首先从数据中选出已经分好类的训练集，在该训练集上运用数据挖掘分类的技术，建立分类模型，对于没有分类的数据进行分类。

例子：

a. 信用卡申请者，分类为低、中、高风险

b. 分配客户到预先定义的客户分片

注意：类的个数是确定的，预先定义好的

　

估值（Estimation）

估值与分类类似，不同之处在于，分类描述的是离散型变量的输出，而估值处理连续值的输出；分类的类别是确定数目的，估值的量是不确定的。

例子：

a. 根据购买模式，估计一个家庭的孩子个数

b. 根据购买模式，估计一个家庭的收入

c. 估计real estate的价值

一般来说，估值可以作为分类的前一步工作。给定一些输入数据，通过估值，得到未知的连续变量的值，然后，根据预先设定的阈值，进行分类。例如：银行对家庭贷款业务，运用估值，给各个客户记分（Score 0~1）。然后，根据阈值，将贷款级别分类。

　

预言（Prediction）

通常，预言是通过分类或估值起作用的，也就是说，通过分类或估值得出模型，该模型用于对未知变量的预言。从这种意义上说，预言其实没有必要分为一个单独的类。

预言其目的是对未来未知变量的预测，这种预测是需要时间来验证的，即必须经过一定时间后，才知道预言准确性是多少。

　

相关性分组或关联规则（Affinity grouping or association rules）

决定哪些事情将一起发生。

例子：

a. 超市中客户在购买A的同时，经常会购买B，即A => B(关联规则)

b. 客户在购买A后，隔一段时间，会购买B （序列分析）

　

聚集（Clustering）

聚集是对记录分组，把相似的记录在一个聚集里。聚集和分类的区别是聚集不依赖于预先定义好的类，不需要训练集。

例子：

a. 一些特定症状的聚集可能预示了一个特定的疾病

b. 租VCD类型不相似的客户聚集，可能暗示成员属于不同的亚文化群

聚集通常作为数据挖掘的第一步。例如，“哪一种类的促销对客户响应最好？”，对于这一类问题，首先对整个客户做聚集，将客户分组在各自的聚集里，然后对每个不同的聚集，回答问题，可能效果更好。

　

描述和可视化（Description and Visualization）

是对数据挖掘结果的表示方式。

　

2.数据挖掘的商业背景

数据挖掘首先是需要商业环境中收集了大量的数据，然后要求挖掘的知识是有价值的。有价值对商业而言，不外乎三种情况：降低开销；提高收入；增加股票价格。

1)数据挖掘作为研究工具（Research）

2)数据挖掘提高过程控制（Process Improvement）

3)数据挖掘作为市场营销工具（Marketing）

4)数据挖掘作为客户关系管理CRM工具(Customer Relationship Management)

　

3.数据挖掘的技术背景

1)数据挖掘技术包括三个主要部分：算法和技术；数据；建模能力

2)数据挖掘和机器学习（Machine Learning）

机器学习是计算机科学和人工智能AI发展的产物

机器学习分为两种学习方式：自组织学习（如神经网络）；从例子中归纳出规则（如决策树）

数据挖掘由来

数据挖掘是八十年代，投资AI研究项目失败后，AI转入实际应用时提出的。它是一个新兴的，面向商业应用的AI研究。选择数据挖掘这一术语，表明了与统计、精算、长期从事预言模型的经济学家之间没有技术的重叠。

3)数据挖掘和统计

统计也开始支持数据挖掘。统计本包括预言算法（回归）、抽样、基于经验的设计等

4)数据挖掘和决策支持系统

数据仓库

OLAP（联机分析处理）、Data Mart（数据集市）、多维数据库

决策支持工具融合

将数据仓库、OLAP，数据挖掘融合在一起，构成企业决策分析环境。

　

4. 数据挖掘的社会背景

数据挖掘与个人预言：数据挖掘号称能通过历史数据的分析，预测客户的行为，而事实上，客户自己可能都不明确自己下一步要作什么。所以，数据挖掘的结果，没有人们想象中神秘，它不可能是完全正确的。

客户的行为是与社会环境相关连的，所以数据挖掘本身也受社会背景的影响。比如说，在美国对银行信用卡客户信用评级的模型运行得非常成功，但是，它可能不适合中国。

信息资源管理与web2.0（三）——Delicious现象

帝国鹰 — Mon, 03 Dec 2007 12:10:00 GMT

delicious被雅虎收购了，目前它已经是全球最大的社会书签网站。对它的讨论可以说说连篇累牍，各有各的看法，我的看法来自于它与情报学以及信息资源管理的关系

它们有关系吗？当然有，下面我一条条说来

书签我们经常用，最长用的就是一个小卡片用于放在书中某两页之间，用于记忆下次阅读的开始。在互联网上，我们主要使用IE收藏夹来保存好网址，以方便下次打开这个网站，但是这个功能以前都是单机，也就是说，每个人都有自己的收藏网站，但不能共享。这显然不符合人们的要求。

后来，1999年，碧海银沙就提供了一个网上收藏夹，你可以把自己的网址放到网上，以方便你在非个人电脑上使用，例如办公室和家庭都可以使用。当时那个程序我也使用过，也有共享功能，但没有Tag功能，主要依靠分类在组织信息。

delicious出现时它的创新在于使用tag，增加了好友这些社会性网络功能。这些功能给它带来了非同一般的欢迎，因为这些功能代表了web2.0这个新一代的网络构建模式。

如果把普通的分布式的网页看作情报学中的一次信息（也有简单的标引，如网页的Meta等元数据），那delicious就类似于二次信息，它是网络经过分类和标引过的二次组织，从这一点看似乎没有特殊价值和新意，事实上图书馆一直都在做这种二次组织的事情，例如各种门户。

那delicious的新意在那里呢？

1、用户的组织而非专家组织，图书馆建设的学科门户都是专家组织的web1.0模式，而delicious是完全由用户自组织的web2.0模式，所有内容都是以用户为中心，而非以资源为中心，这是最大的差别。

2、使用了tag和Folksonomy，上一讲已经说过，这里不再罗嗦。

这种组织信息的方法也是以用户为中心的方法，不同与专家使用的学科分类和主题分类。

3、私有与共享的平衡。delicious的成功很大程度上也归功于它的共享功能，如果它只有私有功能，也就是用户无法共享自己的资源，它肯定不能获得现在的地位。delicious类似于一个开放的系统，投入的是新的网络资源，输出的也是网络资源。用户使用它的原因在于，自己的资源和Tag就像一个种子一样，放进去后可以收获更多的种子。这和P2P网络一样，在一个社区内进行知识和信息的共享可以快速引爆“流行”，Myspace的发展一样的道理。

以上说得是delicisous的新意和价值所在，下面说说它在信息资源组织思想上的意义：

1、以用户为中心。说着容易，做着难，至少目前所有图书馆还是专家组织下的以资源科学性为中心。

以用户为中心会导致个性化，以资源为中心需要系统化，它们是有矛盾的，如何平衡这个矛盾，我们也许可以向delicious学习。

2、世界是平面的和网络化的。《世界是平的》是目前一本很火爆的图书，用它来比喻信息世界和信息空间似乎也适用。知识表示研究的本体、语义网和概念地图都揭示语意之间是网络关系而非等级关系，以往我们人为的把这个信息空间搞成了等级世界，现在看来我们也许需要改变下观点了。

在用户大脑中，并没有什么严格的概念体系，只有概念关系，delicious很好的展现了这个事实，同时也满足了用户记忆的需要，所以它的tag用起来很方便，它们之间的网络关系总能给你惊喜。

信息资源管理与web2.0（二）——Wiki和Digg

帝国鹰 — Mon, 03 Dec 2007 12:08:00 GMT

写了半天，感觉写的最好的一篇博文，因为写的时间太长，导致发帖时需要重新登陆，而丢失了，痛心不已。

了做回顾，记以重点之笔吧

1、Wiki

群智的典型代表，与信息资源管理的关系在语义网和本体构建上。其及时性和大众性特征也许弥补专家建设知识库的缺陷，在知识更新频繁和推理关系无法穷尽的情况下，利用大众构建本体库似乎是一个不错的选择，但是wiki的一个缺陷是它表示了叙述性知识，远远多于推理关系，这个缺陷也许需要人类上百年的积累和螺旋。

2、Digg

Digg是一个社会推荐和过滤系统，你可以从BBS的置顶帖子中找到它的渊源，你也可以从传统的学术交流模式——学术期刊中找到它的影子，这就是Digg的魅力。

有的人使用它进行投票，因为它满足了人们的某种社会话语权需要，关于这一点你可以从政治学和社会学找到更多答案。

有的人使用发现社会热点，因为它能帮助你发现社会热点，让你关注别人也关注的新闻，关于这一点你可以从心理学和人类学找到答案。

不管是Wkiki还是Digg都是春天前的第一只候鸟，不幸的美国这次又成了那只知道春江水暖的“鸭子”。

Wiki和Digg的发展让我思索，我们的学术是离大众越来越近了，还是越来越远了，这个答案似乎不好一时回答。

可惜了，第一次写好的内容比上面这些文字好看多了，但不小心弄丢了，下次注意，也给各位赏客提醒，在线写作，注意保存。

信息资源管理与web2.0（一）——Tag与Folksonomy

帝国鹰 — Mon, 03 Dec 2007 12:05:00 GMT

关注web2.0很久了，打算把对它的理解和它对网络信息资源管理及图书馆的影响写出来，苦于最近很忙，只能写个连载，这是第一篇，以后还会陆续写出，包括RSS、WIKI、digg、社会书签、博客、ajax等现象，但不能确定何时能写出。×_×

我也会邀请部分朋友写点看法。

今天是个开篇，主要谈谈Tag（标签）和Folksonomy（分众分类）。

图书馆应用web2.0的讨论已经在国外兴起，国内也开始有所注意，包括武大图书馆也开始介绍RSS阅读器的用法了。在我看来，这仅仅是个开始，web2.0是以用户为核心的一种信息组织思想，以tag和folksonomy为例，这种信息标引方法是图书馆界早就使用的方法，但是为什么到web2.0时代，才被大众注意呢，甚至tag冒出来后，语义网也发生了争执，就语义网和语意本体如何建设，大家也开始有了不同的想法。

因起这些变化的并非tag或关键词本身所能承载的语意内涵或其标引上的精确度，tag兴起的核心在于它不仅仅是用户能够接受、能够理解、能够操作的草根式分类法，更重要的是它

中国科研论文统计数据

帝国鹰 — Tue, 27 Nov 2007 14:47:00 GMT

中国科学技术信息研究所于11月15日发布了2006年度的中国科技论文统计结果：

　　17.2万篇：2006年我国作者发表在国际主要科技期刊和会议上的论文共17.2万篇，占世界论文总数的8.4%，比2005年增加12.4%,按照国际论文数量排序，我国跃居世界第2位。

　　第5位：《科学引文索引》（SCI）所收录的中国论文为7.1万篇，比2005年增加了4.3%，占世界份额的5.9%，所占份额比2005年提高了0.6个百分点。按论文数排序,我国排在世界第5位,自2004年起已连续三年保持在这个位置。排在世界前5位的国家为：美、英、德、日、中。

　　28.3%：我国科技人员作为第一作者于2001—2005年发表的SCI论文在2006年被引用情况与2005年同口径相比，被引用论文数量由51223篇增加到64186篇

论狂欢化

帝国鹰 — Tue, 20 Nov 2007 09:53:00 GMT

在讨论狂欢化（ｃａｒｎｉｖａｌｉｚａｔｉｏｎ）之前，必先弄清什么是狂欢节（ｃａｒｎｉｖａｌ）。从词源上说，狂欢节是古拉丁文的教会用语，原指大斋期（复活节前的４０天）前的几天吃肉节。据美国学者金赛（ＳａｍｕｅｌＫｉｎｓｅｒ）考证，狂欢节始于公元１０００—１３００年之间的中世纪基督教国家。它在欧洲的全盛期是１４—１６世纪。到了１７—１８世纪，由于中央集权和教会改革的需要，狂欢节势趋衰微。不过到了１９世纪又重新复兴，并在大城市发展起来。二战以来，狂欢节在城市和乡村都有了更大发展。但此时的“狂欢节”已经大大超出了它原始的仪式含义和先前的时空范围。１４５０年以后，教会开始把狂欢节的习俗与酒神节和农神节联系起来，尔后扩展到民间节日宴会和游行表演。现在，在欧洲、北美、南美和非洲都有狂欢节的庆典。狂欢节是一个肉体感官欲望得到充分满足的反文化和大众文化的节日。是一个阳光明媚，纵情欢乐，开怀畅饮的节日。是自发自愿、人人参与、人人是导演、人人是演员和观众的喜剧与盛宴。狂欢节的核心是民间文化和大众文化，它表现了对自由自在的自然生命力的赞美

提高中国科技期刊质量的一个方法

帝国鹰 — Tue, 13 Nov 2007 22:10:00 GMT

中国科技期刊的质量低下是有目共睹的，在各个研究型大学鼓励教师向SCI收录期刊看准的背景下，想提高中国本土科技期刊的质量就更是痴人说梦。

怎么样才能提高本土科技期刊的质量呢，特别是在没有国际投稿和国际审稿的情况下，如何才能留住高质量文章呢，即使留不住顶尖的文章，也应该把二流的文章也提高一个档次呢？

方法和途径是多种多样的，这不是一个手段就可以解决的，但是是否可以找到一个突破口呢？

答案是肯定的——限制发文量，就是降低并限制每种期刊的单期发文量，同时增加期刊种类，使期刊的专业性更强。

这种方法必然会压缩期刊中的水份，迫使作者花更多的精力去提高文章质量而不是数量，与此同时，期刊编辑也可以把更多的精力用于选题和策划专题，以及审稿，从而有利于提高单种期刊的质量。

增加期刊种类也有利于提高期刊质量。现代科学的发展趋势就是学科日益细分，增加期刊种类有利于提高学术传播的精准度和学术交流的效率。

但是，这种方法是否有效呢？

如何检验它的效力呢？

答

社区关系种类

帝国鹰 — Sat, 10 Nov 2007 18:32:00 GMT

Types of social relations that can be represented through network data:
　　Kinship: brother of, father of
　　亲情:兄弟,父亲
　　Social Roles: boss of, teacher of, friend of
　　社会角色:老板,老师,朋友
　　Affective: likes, respects, hates
　　感情:喜欢,尊敬,讨厌
　　Cognitive: knows, views as similar
　　认识:知道,熟悉
　　Actions: talks to, has lunch with, attacks
　　动作:讲话,共进午餐,攻击
　　Flows: number of cars moving between point A and B
　　Transfer of material resources:

国家数字复合出版系统工程——这到底是个什么东西？

帝国鹰 — Sun, 04 Nov 2007 21:53:00 GMT

国家数字复合出版系统工程这是新闻出版总署在数字出版方面的第1号工程，以实现一种信息多种传播，信息处理、出版发行能够在一个系统里完成。我们要努力在“十一五”期间研发出复合出版系统，就是通过接纳各种信息在系

科学研究的社会化

帝国鹰 — Fri, 02 Nov 2007 16:50:00 GMT

毋庸质疑，web2.0之风早已经吹入了科学界。我说的是科学研究团体。

目前科学家和社会学者开设博客的人数已经十分客观，特别是一些年轻的科研学者，利用博客作为非正式交流手段，已经取得了很好的效果。当然，在不同的科研领域，这种情况略有不同，因为社会科学和自然科学学者的科学交流特征大有不同，这是一个历来的现实。即使在自然科学内部，不同学科，如物理、化学、数学等学科的交流模式也有较大差别，这与学者的信息需求和学科数据以及学科评价特征有很大的关系。

不管怎样，科学界开始运用web2.0，十分令人鼓舞。它说明科学界并不是保守派，但这仅仅是一个开始，web2.0给科学研究带来的变化不仅仅是改进了科学交流的效率，更在于它让大众也有了参与和了解科学研究的途径，“科研”不在是象牙塔内的神秘工作，那堵隔离民众和科学家的围墙已经开始倒塌。这一点可以从“web2.0研究”的兴起看出。

无论中国还是国外，web2.0相关的研究首发与大众内部。在成千上万篇博客讨论和传播web2.0概念及实践的时候，学术界，特别是社

滑稽新闻——《中共银川市委党校学报》成为具有国际影响的学术期刊

帝国鹰 — Thu, 01 Nov 2007 17:08:00 GMT

看到这篇报道，感觉吃了一个苍蝇。

研究社会信息资源分布的意义在哪里？

帝国鹰 — Tue, 16 Oct 2007 22:21:00 GMT

知识分子－－－－－－－－－－－－－－－－－知识－－－－－－－－－企业－－－－－－－－－－－－－－－－－－－信息

web2.0的"去中心化"特征的真实含义

帝国鹰 — Tue, 16 Oct 2007 16:55:00 GMT

优酷的victorkoo 在其博文——《web2.0也有中心》提到了一点数据，本文认为对于理解和分析关于web2.0的特征问题具有帮助作用： 1，只有少数的用户会主动上载内容，大多数的用户，是在浏览内容，这个是非常不均衡的2个数字。譬如优酷上传视频最多的前三名（trijif、ff521a、我心无羁），每个人上传接近2000个视频，平均每人每天上传接近20个视频，他们每日的贡献内容，影响了一批用户，他们，某种意义上说，是优酷的内容制作的中心之一。 2，20%的用户带来80%的网站pv。这个也是互联网的不二法则，在所谓的we