以德治吏的历史反思

中国古代吏治的显著特色是以德治吏。以德治吏在官吏的选拔、考绩和监察制度中均有典型表现 ,并在中国历史上取得过巨大的成功 ,中国封建社会的几度盛世与以德治吏有着必然联系。中国古代以德治吏的范式和操作体系 ,在世界文官制度中占有不可替代的地位 ,并对近现代世界文官制度的形成有重要影响。中国古代以德治吏的成败得失及经验教训 ,对我们今天的以德治国和干部队伍的道德建设也有重要借鉴意义     

社交电商中融合信任和声誉的图神经网络推荐研究

社交电商可依据用户间的社交关系为用户提供感兴趣的商品或服务。现有研究多基于社会信任或社会声誉进行推荐，却忽略了信任与声誉间的相互作用，导致推荐效果欠理想。针对以上问题，本文提出了一种融合信任(Trust)和社会声誉(Social Reputation)的图神经网络推荐算法(TSR-GM)，采用社会声誉来深度刻画用户关系在推荐系统中的作用，利用社交网络中用户被信任程度对用户声誉进行排名，以图神经网络量化整合用户信任与声誉，并将结合后的新矩阵不断校正以获取更准确的用户信任，以此对矩阵分解后得到的新评分模型更新，最终得到更准确度量的预测评分矩阵。运用Epinions数据集开展的相关实验表明：与同类方法比，TSR-GM算法对提高推荐精度有较好效果。     

行动学习——传统教学模式的新突破

行动学习是以学生为中心,满足学生个性化需求、顺应时代发展的新型教学模式。它突破了传统教学模式的局限,能够有效地提升课堂教学质量和教学效果。文章分析了行动学习的涵义及特点,以及行动学习在课堂教学中的具体实施步骤,最后指出行动学习在课堂教学中得以有效实施的条件。     

对中国海事安全调查的几点思考

《海上事故或事件安全调查国际标准和推荐做法规则》于2010年1月1日开始生效实施。由于中国现行的海事调查无论从目的、范围还是方法和形式等方面都与规则要求存在差异,如何改进中国海事安全调查以便与国际全面接轨是一项艰巨的任务。通过分析现行海事调查亟待改进的方面,并参考国际上比较完善的海事调查模式,提出中国海事安全调查的发展对策。     

机构投资者持股压力下证券分析师乐观倾向研究

荐股评级出现乐观倾向,是当前全球证券分析师行业存在的一个突出问题。基于欺诈三角理论,本研究从压力、机会和合理化解释三方面对分析师荐股评级乐观倾向成因进行了理论分析,并以2010～2012年间中国证券分析师发布的21054个荐股评级数据为研究对象进行了实证检验。结果表明机构投资者持股比例越高,证券分析师越倾向于发布乐观的评级报告,而且在乐观评级情况下,分析师所推荐股票达到或者超过其预测的概率越高。本文的研究有利于投资者更为科学地审视分析师的荐股评级,并为监管部门提供政策参考。     

新兴传播模式兴起背景下《中华人民共和国著作权法》相关条款重构研究

三网融合带动了传播技术上的多重变革,推动了新兴传播模式迅速兴起,“交互式”与“非交互式”传播的技术主义立法路径划分已经不能完全涵盖日益涌现的传输手段,介于两者之间的新兴传播模式在信息大爆炸的当下日臻成熟,需要立法层面予以回应,《中华人民共和国著作权法（修订草案送审稿）》（以下称《著作权法》送审稿）仍将“交互式”与“非交互式”作为立法的重要指导,通过分析“交互式”与“非交互式”的特征及其区别,考察介于“交互式”与“非交互式”之间的、以个性化推荐系统为代表的新兴传播模式,参考国外相关的立法例,对中国的立法路径与具体实践进行研究。研究认为,网络与移动等新技术通过采集用户历史数据和分析用户偏好从而推送相应的信息,形成介于“交互式”与“非交互式”之间的新兴传播模式;美国、欧盟及国际上的相关法律条约通过“向公众传播”概念的解释补充,以及技术中立的立法路径对新兴传播模式进行规制;中国的“信息网络传播权”定义仅规范“交互式”传播行为,忽略了对新兴传播模式的规制,应在原有“交互式”与“非交互式”条款保持现状的基础上,增加“其他向公众传播的行为”的规定,进而实现既有法律规定向“向公众传播权”的过渡,为新兴传播模式的可持续性发展提供法理支持。     

个性化教育在高校学生工作中的应用

在个性化教育已成为世界各国高等教育发展的必然趋势的背景下,高校应认真研究、积极探索、科学谋划、合理推进。在学生工作中推进个性化教育需要从“课堂教学、社会实践、校园文化和制度建设”四个维度入手,其中课堂教学是基础,社会实践是手段,校园文化是载体,制度建设是保障,这样才能切实将个性化教育融入高校立德树人全过程。     

浅谈高校电子阅览室的功能与服务

从高等院校电子阅览室的实际出发,阐述其应有的功能和令人担忧的现状,着重论述在网络环境的新形式下电子阅览室如何进行合理化发展及其进一步完善个性化服务。     

Penalized angular regression for personalized predictions

Personalization is becoming an important aspect of many predictive applications. We introduce a penalized regression method which inherently implements personalization. Personalized angle (PAN) regression constructs regression coefficients that are specific to the covariate vector for which one is producing a prediction, thus personalizing the regression model itself. This is achieved by penalizing the normalized prediction for a given covariate vector. The method therefore penalizes the normalized regression coefficients, or the angles of the regression coefficients in a hyperspherical parametrization, introducing a new angle-based class of penalties. PAN hence combines two novel concepts: penalizing the normalized coefficients and personalization. For an orthogonal design matrix, we show that the PAN estimator is the solution to a low-dimensional eigenvector equation. Based on the hyperspherical parametrization, we construct an efficient algorithm to calculate the PAN estimator. We propose a parametric bootstrap procedure for selecting the tuning parameter, and simulations show that PAN regression can outperform ordinary least squares, ridge regression and other penalized regression methods in terms of prediction error. Finally, we demonstrate the method in a medical application.