我们总是把创造的冲动，误以为是创造的能力。
1，建博客的目的，主要是为了记录自己的心情，表达自己的观点和分享有用的资源。
2，博客的内容，主要是个人日志类，跟在后面的是文学/影视/艺术和搞笑类。
3，博客作者关注点击量，博客已经成为生活的一部分。看来目前还是没有太好的方式来评价一个博客是否成功，只好借助于数字。
4，经常读博客的人还是挺多的，虽然很多人可能不写。直接在浏览器阅读竟然占83%，RSS还有一段路要走。不过，随着有道阅读的推出和QQ阅读的推出，这个比例应该要下降很多。
5，读博客最主要的三个目的是：消遣娱乐，能够从多个角度看问题，以及能够经常产生心灵的共鸣。另外两个比较有趣的目的：看到新闻背后的故事，关注博主的动向。
6，最受欢迎的三种博客类型：日记，情感，随想。
7，获知博客的最有效三种形式：链接，论坛，搜索引擎。这下你应该知道如何推广自己的博客了吧：）
“劣币驱逐良币”是经济学中的一个著名定律。该定律是这样一种历史现象的归纳：在铸币时代，当那些低于法定重量或者成色的铸币——“劣币”进入流通领域之后，人们就倾向于将那些足值货币——“良币”收藏起来。因为法定这两种铸币价格一样。最后，良币将被驱逐，市场上流通的就只剩下劣币了。
当事人的信息不对称是“劣币驱逐良币”现象存在的基础。因为如果交易双方对货币的成色或者真伪都十分了解，劣币持有者就很难将手中的劣币用出去，或者，即使能够用出去也只能按照劣币的“实际”而非“法定”价值与对方进行交易。
不对称信息理论的开创者是美国加州大学经济学教授乔治.阿克洛夫，他因此而获得了2001年诺贝尔经济学奖。可是他的开创性论文《“柠檬”市场》（在英文中，次品俗称“柠檬”）曾经因为被认为“肤浅”，先后遭到三家权威的经济学刊物拒绝。几经周折，这篇论文才得以在哈佛大学的《经济学季刊》上发表，立刻引起巨大反响。
这篇论文描述了这样一个简单的模型。假设有一个二手车市场，里面的车虽然表面上看起来都一样，但其质量有很大差别。卖主对自己车的质量了解得很清楚，而买主则没法知道车的质量。假设汽车的质量由好到坏分布比较均匀，质量最好的车价格为50万元，买方会愿意出多少钱买一辆他不清楚质量的车呢？最正常的出价是25万。那么，卖方会怎么做呢？很明显，价格在25万元以上的“好车”的主人将不再这个市场上出售他的车了。这样一来，进入恶性循环状态，当买车的人发现有一半的车退出市场后，他们就会判断剩下的都是中等质量以下的车了，于是，买方的出价就会降到15万元，车主对此的反应是再次将质量高于15万元的车退出市场。依此类推，市场上的“好车”数量将越来越少，最终导致这个二手车市场的瓦解。在这里，人们通常所做的是“逆向选择”，它出现的原因就在于信息不对称。
阿克洛夫的二手车市场模型揭示了一个简单却深刻的原理，不愧为信息经济学的开山之作。
其实，“劣币驱逐良币”的原则不仅存在于货币流通中，社会生活的方方面面也都存在着类似现象。比如，我们可以把不讲诚信的人比喻成“劣币”，讲诚信的人比喻成“良币”,当一个社会中不讲诚信的人能够获得巨大好处，而又不受到什么处罚时，讲诚信的人就会越来越少，“劣币”就这样驱逐了“良币”。社会上假文凭越来越泛滥的原因也在于此，假文凭不象真文凭那样需要花费无数的心血与才智才能取得，如果假文凭在求职中也能蒙混过关，即使被发现也不会被法律追究，那么人们会宁愿要假文凭而不愿费力地追求真文凭。再比如，在大锅饭盛行的时代，能力强、水平高的人就常会被平庸之辈排挤——既然不论做好做坏都行到一样的报酬，还有谁愿意去费力做好呢？
先看一篇工具介绍
=====================
公布一个免费获得QQ六钻的方法，我刚测试通过了。如果大家不是很明白，我可以帮助大家免费开通。 具体请咨询QQ：761三713 因为比较忙不能一一指导，如不在线，请按照QQ个人说明里的介绍自行开通。谢谢。
QQlook——破解QQ空间相册密码的工具 2008奥运版 V3.0
于2007年11月1日发布
setup.exe文件 md5:c08524cc8dd58325954df58c2cc042375b
软件介绍:
能同时支持破解QQ空间.相册密码的软件
★ 超级绿色软件，不修改注册表
★ 独有的保证终身免费升级，是不断根据腾讯的升级而升级的，
不存在用一段时间就不能用的现象。
★ 简约、雅致，清新、自然的界面用起来简单，方便。只要您输
入对方QQ号码，软件就会饶过密码自动链接到相应页面。
★ 可以修改增加管理员名称和密码提高安全性。
V3.0功能更新:
1.更新了原来的VIP模式,更加稳定
2.更新了隐藏QQ号码访问的功能只需鼠标双击
3.更新了老板键Alt+X,隐藏小图标
4.修复了软件统计显示错误的毛病
5.修复了软件有时会提示出错提示
6.修复了部分用户无法使用的毛病
V2.4功能更新:
1.降低服务器压力的同时提高效率探索
2.修复了使用时会弹出提示对话框
3.增加了版本自动更新的功能
4.重新编码再次提高软件性能修复
5.重新优化了代码让你运行更稳定
=====================
有人在网上搜了N小时，愣是没找到这个软件的下载地址，这不经让我怀疑是不是别有用心者的一次流量诈骗手段！甚至是一场经济诈骗！！！
在网上搜了半天，终于找到一个下载，可惜压缩包需要密码，根据提示，找到了软件作者的空间：http://hi.baidu.com/945pc ；里面还是没有找到传说中的解压密码，看看qqlook3.0的帖子，从2007-11-13 到现在，被浏览了153200次，均下来每天要有1000多的浏览量，并且在索取密码过程中要为其网站推广3次
不论怎么说，这都是一种比较新颖的推广方式，毕竟只要和QQ沾点边的东西，关注的人就自然多，更何况是出了那么多自拍照的QQ相册呢…
什么叫ERP ERP(Enterprise Resource Planning)企业资源计划系统,是指建立在信息技术基础上,以系统化的管理思想,为企业决策层及员工提供决策运行手段的管理平台. 一天中午,丈夫在外给家里打电话:”亲爱的老婆,晚上我想带几个同事回家吃饭可以吗 “(订货意向) 妻子:”当然可以,来几个人,几点来,想吃什么菜 ” 丈夫:”6个人,我们7点左右回来,准备些酒,烤鸭,番茄炒蛋,凉菜,蛋花汤…….你看可以吗 “(商务沟通) 妻子:”没问题,我会准备好的.”(订单确认) 妻子记录下需要做的菜单(MPS计划),具体要准备的东西:鸭,酒,番茄,鸡蛋,调料……(BOM物料清单),发现需要:1只鸭蛋,5瓶酒,4个鸡蛋……(BOM展开),炒蛋需要6个鸡蛋,蛋花汤需要4个鸡蛋(共用物料). 打开冰箱一看(库房),只剩下2个鸡蛋(缺料). 来到自由市场,妻子:”请问鸡蛋怎么卖 “(采购询价) 小贩:”1个1元,半打5元,1打9.5元.” 妻子:”我只需要8个,但这次买1打.”(经济批量采购) 妻子:”这有一个坏的,换一个.”(验收,退料,换料) 回到家中,准备洗采,切菜,炒菜……(工艺线路),厨房中有燃气灶,微波炉,电饭煲……(工作中心).妻子发现拨鸭毛最费时间(瓶颈工序,关键工艺路线),用微波炉自己做烤鸭可能来不及(产能不足),于是阅览室在楼下的餐厅里买现成的(产品委外). 下午4点,电话铃又响:”妈妈,晚上几个同学想来家里吃饭,你帮忙准备一下.”(紧急订单) “好的,你们想吃什么,爸爸晚上也有客人,你愿意和他们一起吃吗 ” “菜你看着办吧,但一定要有番茄炒鸡蛋,我们不和大人一起吃,6:30左右回来.”(不能并单处理) “好的,肯定让你们满意.”(订单确定) 鸡蛋又不购了,打电话叫小贬送来.(紧急采购) 6:30,一切准备就绪,可烤鸭还没送来,急忙打电话询问:”我是李太,怎么订的烤鸭还不送来 “(采购委外单跟催) “不好意思,送货的人已经走了,可能是堵车吧,马上就会到的.” 门铃响了.”李太太,这是您要的烤鸭.请在单上签一个字.”(验收,入库,转应付账款) 6:45,女儿的电话:”妈妈,我想现在带几个朋友回家吃饭可以吗 “(呵呵,又是紧急订购意向,要求现货) “不行呀,女儿,今天妈已经需要准备两桌饭了,时间实在是来不及,真的非常抱歉,下次早点说,一定给你们准备好.”(哈哈,这就是ERP的使用局限,要有稳定的外部环境,要有一个起码的提前期) 送走了所有客人,疲惫的妻子坐在沙发上对丈夫说:”亲爱的,现在咱们家请客的频率非常高,应该要买些厨房用品了(设备采购),最好能再雇个小保姆(连人力资源系统也有接口了). 丈夫:”家里你做主,需要什么你就去办吧.”(通过审核) 妻子:”还有,最近家里花销太大,用你的私房钱来补贴一下,好吗 “(最后就是应收货款的催要) 现在还有人不理解ERP吗 记住,每一个合格的家庭都是生产厂长的有力竞争者
好Q的一款相机啊
即使它没有取景器，我们连会拍摄的内容都不能确定
即使它功能简单到只有一个按钮，连个闪光灯都没有
即使它的像素可能不足100W…..
如果它只卖100元，估计会抢疯了吧。。。
看了上面几张大家一定还觉得不过瘾
想入手一个了吧
不用找了，翻遍taobao,ebay都找不到这个家伙
幸好，还算找到一个差不多功能的产品，是made in China的哦
撇去外观因素，我想，这两个家伙应该是差不多的东西了
你还有购买欲望么？
原作：林弘德
为什么写这个指南
我一直觉得 SVM 是个很有趣的东西，不过一直沒办法去听林智仁老師 的 Data mining与SVM的课，后来看了一些Internet上的文件,后来听 kcwu 讲了一下 libsvm 的用法后，就想整理一下，算是对于并不需要知道完整 SVM 理论的人提供使用 libsvm 的入门。 原始 libsvm 的README跟FAQ也是很好的文件， 不过你可能要先对 svm 跟流程有点了解后才看得懂 (我在看时有这样的感觉)； 这篇入门就是为了从零开始的人而写的。
不过请记得底下可能有些说法不一定对，但是对于只是想用 SVM 的人来说我觉得这样说明会比较易懂。这篇入门原则上是给会写基本程序的人看的，也是给我自己一个备忘, 不用太多数学底子，也不用对 SVM 有任何预备知识。
SVM:什么是SVM，它能为我们做什么?
SVM, Support Vector Machine , 简而言之它是个起源与人工神经网络有点像的东西，現今最常拿来就是做分类。也就是说，如果我有一堆已经分好类的东西（可是分类的依据是未知的），那当收到新的东西时，SVM可以預测新的数据要分到哪一堆去。听起来是很神奇的事（如果你觉得不神奇，请重想一想这句话代表什么：分类的依据是未知的！，还是不神奇的话就请你写个程序，解解上面的问題），不过 SVM 基于统计学习理论的，可以在合理的时间內漂亮的解决这个问題。
以图形化的例子来说明,假定我在空间中标了一堆用顏色分类的点, 点的顏色就是它的类別, 位置就是它的数据, 那 SVM 就可以找出区隔这些点的程序, 依此就可以分出一个个的区域; 拿到新的点(数据) 时, 只要对照该位置在哪一区就可以找出它应该是哪一顏色(类別)了。当然 SVM 不是真的只有分区那么简单, 不过看上面的例子应该可以了解 SVM 大概在作什么. 要对 SVM 再多懂一点点，可以参考 cjlin 在 data mining 课的 slides: pdf 或 ps 。我们可以把 SVM 当个黑盒子, 数据丟进去让他处理然后我们再来用就好了.
哪里得到SVM?
libsvm 当然是最完美的工具.下載处: libsvm.zip 或者 libsvm.tar.gz
.zip 跟 .tar.gz 基本上是一样的, 只是看你的操作系统; 习惯上 Windows 用 .zip 比较方便 (因为有WinZIP, 也有WinRAR), UNIX 则是用 .tar.gz
编译libsvm
解开来后, 假定是UNIX 系统, 直接打 make 就可以了; 编不出来的话请详读说明和运用常识. 因为这是指南, 所以我不花时间细谈, 而且编不出来的情形真是少之又少, 通常一定是你的系统有问題。 其他的子目录可以不管, 只要 svm-train, svm-scale, svm-predict 三个执行文件有就可以了. Windows 的用戶要自己重编当然也是可以, 不过已经有编好的执行文件在里面了: 请检查 windows 子目录, 应该会有 svmtrain.exe, svmscale.exe, svmpredict.exe, svmtoy.exe.
SVM的使用
libsvm 有很多种用法, 这篇指南只打算讲简单的部分.
程序
svmtrain
训练数据. 跑SVM被戏称为 “开火車” 也是由于这个程序名而来. train会接受特定格式的输入, 产生一个 “Model” 文件. 这个 model 你可以想像成SVM的內部数据,因为预测要model才能预测, 不能直接吃原始数据.想想也很合理,假定 train 本身是很耗时的动作, 而 train可以以某种形式存起內部数据,那下次要预测时直接把那些內部数据载入就快多了.
svmpredict
依照已经训练好的 model, 再加上给定的输入(新值), 输出預测新值所对应的类別.
svmscale
扫描数据. 因为原始数据可能范围过大或过小, svmscale 可以先将数据重新 scale (縮放) 到适当范围使训练与预测速度更快。
文件格式要先交代一下. 你可以参考 libsvm 里面附的 “heart_scale”: 这是SVM 的输入文件格式.
[label] [index1]:[value1] [index2]:[value2] …
[label] [index1]:[value1] [index2]:[value2] …
一行一条记录数据，如:
+1 1:0.708 2:1 3:1 4:-0.320 5:-0.105 6:-1
label
或说是class, 就是你要分类的种类，通常是一些整数。
index
是有順序的索引，通常是连续的整数。
value
就是用来 train 的数据，通常是一堆实数。
每一行都是如上的結构, 意思就是: 我有一排数据, 分別是 value1, value2, …. value, (而且它们的順序已由 index 分別指定)，这排数据的分类結果就是label。
或許你会不太懂，为什么会是 value1,value2,…. 这样一排呢？ 这牵涉到 SVM 的原理。 你可以这样想（我沒说这是正确的）， 它的名字就叫 Support “Vector” Machine， 所以输入的训练数据是 “Vector”(向量), 也就是一排的 x1, x2, x3, … 这些值就是 value，而 x[n] 的n就是由index 指定。 这些东西又称为 “（属性）attribute”。
真实的情况是，大部份时候我们给定的数据可能有很多 “特征(feature)” 或说 “属性(attribute)”，所以输入会是一组的。 举例来说，以前面点分区的例子 来说，我们不是每个点都有 X 跟 Y 的坐标吗？ 所以它就有两种属性。 假定我有两个点： (0,3) 跟 (5,8) 分別在 label(class) 1 跟 2 ，那就会写成
1 1:0 2:3
2 1:5 2:8
同理，空间中的三維坐标就等于有三组属性。这种文件格式最大的好处就是可以使用稀疏矩阵（sparse matrix）， 或说有些 数据的属性可以有缺失。
运行libsvm
下来解释一下libsvm 的程序怎么用。 你可以先拿 libsvm 附的heart_scale 来做输入，底下也以它为例：
看到这里你应该也了解，使用 SVM 的流程大概就是：
1. 准备数据并做成指定格式 (有必要时需 svmscale)
2. 用svmtrain 来训练成 model
svmtrain
svmtrain 的语法大致就是:
svmtrain [options] training_set_file [model_file]
training_set_file 就是之前的格式，而 model_file 如果不给就会 叫 [training_set_file].model。 options 可以先不要给。
下列程序执行結果会产生 heart_scale.model 文件：(螢幕输出不是很重要，沒有错誤就好了)
./svmtrain heart_scale
optimization finished, #iter = 219
nu = 0.431030
obj = -100.877286, rho = 0.424632
nSV = 132, nBSV = 107
Total nSV = 132
svmpredict
svmpredict 的语法是 :
svmpredict test_file model_file output_file
test_file 就是我们要预测的数据。它的格式跟 svmtrain 的输入，也就是 training_set_file 是一样的， 不过每行最前面的 label 可以省略 (因为预测就是要预测那个 label)。 但如果 test_file 有 label 的值的话， predict 完会順便拿 predict 出来的值跟 test_file 里面写的值去做比对，这代表： test_file 写的label是真正的分类結果，拿来跟我们预测的結果比对就可以知道预测的效果。所以，我们可以拿原 training set 当做 test_file再丟给 svmpredict 去预测(因为格式一样)，看看正确率有多高，方便后面调参数。其它参数就很好理解了： model_file就是 svmtrain 出来的文件， output_file是存输出結果的文件案。 输出的格式很简单，每行一个 label，对应到你的 test_file 里面的各行。下列程序执行結果会产生 heart_scale.out：
./svm-predict heart_scale heart_scale.model heart_scale.out
Accuracy = 86.6667% (234/270) (classification)
Mean squared error = 0.533333 (regression)
Squared correlation coefficient = 0.532639(regression)
我们把原输入丟回去 predict， 第一行的 Accuracy 就是預测的正确率了。如果输入沒有label 的话，那就是真的预测了。看到这里，基本上你应该已经可以利用 svm 来作事了： 你只要写程序输出正确格式的数据，交给 svm 去 train， 后来再 predict 并读入結果即可。
Advanced Topics
后面可以说是一些稍微进阶的部份，我可能不会讲的很清楚，因为我的重点是想表达一些观念和解释一些你看相关文件时很容易碰到的名詞。
Scaling
svm-scale 目前不太好用，不过它有其必要性。因为适当的扫描有助于参数的选择，还有解svm的速度。svmscale 会对每个属性做扫描。 范围用 -l, -u 指定，通常是[0,1]或是[-1,1]。 输出在 stdout。另外要注意的(常常会忘记)是 testing data 和 training data要一起扫描。而 svm-scale 最难用的地方就是沒办法指定 testing data/training data(不同文件) 然后一起扫描。
Arguments
前面提到，在train的时候可以使用一些参数。(直接执行 svm-train 不指定输入文件与参数会列出所有参数及语法说明) 这些参数对应到原始 SVM 公式的一些参数，所以会影响预测的正确与否。
举例来说，改个 c=10:
./svm-train -c 10 heart_scale
再来预测 ，正确率馬上变成 92.2% (249/270)。
Cross Validation
一般而言， SVM 使用的方式(在决定参数时)常是这样：
1. 先有已分好类的一堆数据
2. 随机拆成好几组训练集
等找到一组不错的参数后，就拿这组参数来建model并用来做最后对未知数据的预测。 这整个过程叫cross validation ， 也就是交叉比对。 在我们找参数的过程中，可以利用 svmtrain 的內建交叉比对功能来帮忙：
-v n: n-fold cross validation
n 就是要拆成几组，像 n=3 就会拆成三组，然后先拿 1跟2来训练并预测 3 以得到正确率； 再来拿 2跟 3 训练并预测1，最后 1,3 训练并预测2。其它以此类推。如果沒有交叉比对的话，很容易找到只在特定输入时好的参数。像前面我们 c=10 得到 92.2%，不过拿 -v 5 来看看：
./svm-train -v 5 -c 10 heart_scale
Cross Validation Accuracy = 80.3704%
平均之后才只有 80.37%，比一开始的 86 还差。
What arguments rules?
通常而言，比较重要的参数是 gamma (-g) 跟 cost (-c) 。而交叉比对 (-v) 的参数常用 5。cost 預设值是 1, gamma 預设值是 1/k ，k 等于输入数据条数。 那我们怎么知道要用多少来当参数呢？
TRY就是尝试找比较好的参数值。 Try 参数的过程是用指数增长的方式来增加与減少参数的数值，也就是 2^n (2 的 n 次方)。因为有两组参数，所以等于要尝试 n*n=n^2 次。 这个过程是不连续的成长，所以可以想象成我们在一个 X-Y 平面上指定的范围內找一群格子点 (grid，如果你不太明白，想成方格紙或我们把平面上所有整数交点都打个点，就是那样)，每个格子点的 X 跟 Y 经过换算 (如 2^x, 2^y) 就拿去当 cost 跟 gamma 的值来交叉比对。所以現在你应该懂得 libsvm 的 python 子目录下面有个 grid.py 是做啥的了： 它把上面的过程自动化， 在你给定的范围內呼叫svm-train去尝试所有的参数值。grid.py 还会把結果绘制出来，方便你尋找参数。 libsvm 有很多跟 python 結合的部份，由此可見 python 是強大方便的工具。很多神奇的功能，像自动登入多台机器去平行跑 grid等等都是python帮忙的。不过 SVM 本身可以完全不需要python，只是会比较方便。跑 grid (基本上用 grid.py 跑当然是最方便，不过如果你不懂python而且觉得很难搞，那你要自己产生参数来跑也是可以的)通常好的范围是 [c,g]=[2^-10,2^10]*[2^-10,2^10]另外其实 grid 用 [-8,8] 也很够了。
Regression（衰减）
另一个值得一提的是regression（衰减）。 简单来说，前面都是拿 SVM 来做分类,所以label的值都是离散的数据、或说已知的固定值。而 regression 则是求连续的值、或说未知的值。你也可以说，一般是二分类问题, 而 regression是可以預测一个实数。
比如说我知道股市指数受到某些因素影响, 然后我想預测股市。股市的指数就是我们的 label, 那些因素量化以后变成属性。 以后收集那些属性给 SVM 它就会 預测出指数(可能是沒出現过的数字)，这就要用 regression。那对于开奖的号码呢？因为都是固定已知的数字，很明显我们应该用一般SVM的分类来预测 。 (註这是真实的例子 –llwang就写过这样的东西) 所以说 label 也要扫描, 用 svm-scale -y lower upper但是比较糟糕的情况是grid.py不支持regression，而且较差对比对 regression 也常常不是很有效。
总而言之，regression 是非常有趣的东西，不过也是比较高级的用法。 在这里我们不细谈了，有兴趣的人请再参考SVM与libsvm的其它文件。
尾声
到此我已经简单的说明了 libsvm 的使用方式， 更完整的用法请参考 libsvm 的说明跟 cjlin 的网站、。对于 SVM 的新手来说， libsvmtools 有很多好东西。像 SVM for dummies 就是很方便观察 libsvm 流程的东西。
股票是不可预测，但任然希望可以通过一些数学上的计算，辅助我们进行投资，SVM就是不错的选择，至少它简单。
在配合了SVM的预测后，结果还不能直接用于投资，可以考虑以下几个方面
1，组合投资，同时买入多只股票，从而降低因为单只股票预测不准的失误
2，一定要不要把准备用于投资的钱全部使用，留一下一小部分在个别股票套牢的时候零时周转
3，必须能够舍得割肉，组合投资不能实现每只都赚钱，只能希望整体赚钱
4，必须能够在市场普跌的时候，及时给与卖出信号，并且全部割肉卖掉
5，普跌之后，需计算预测抄底价位
昨夜无眠，为中国雅虎找到创业文化的方向而激动！我是第一次在这么多人的面前，脱鞋，脱袜，脱帽，脱衫。我是第一次看到这么多人，上台时，是光着脚的！光脚文化，创业文化！光脚文化，雅虎文化！在整个中国互联界内，有一群特殊的人，他们有着统一的价值观，更有着鲜明鲜活各具特色的文化主张，阿里巴巴B2B的“笑脸”文化，淘宝的“倒立”文化，支付宝的“手印”文化，昨天，属于中国雅虎的文化主张亮相了：“光脚”文化。我们要感谢彭蕾，是她的一番“光脚的不怕穿鞋”的创业主张，让中国雅虎的人有勇气“脱掉”。我们要感谢马总，他对中国雅虎不是一般的期待，让我们从心理上坚定地“光脚”！昨天，我们是在一个非常特殊的时刻，让我们感受“脱”的轻松，“光脚”的非同一般！我在想，当我们回到办公室，我们是否可以重现“光脚”的一幕？我们会在满楼道楼梯上下“光脚”吗？当我们在用户体验层面有重大突破时，我们是否可“光脚”以庆之？我们的新雅虎同事入职时，是否要有一个仪式，秀一下“光脚”？当然，这些还只是形式层面上的光脚，我更在思考的是，我们如何在心理上“光脚”？我在前一封信中说我们要建立创业文化，要大力度地建立成本、速度和效益意识。套用中国刚建国也是创业时最常用的四个字：多快好省。我去掉一个“多”字，就可以用于今天的中国雅虎。我们一定要快起来，早起来，速度！速度！速度！！我们一定要好的服务，而不是一般的服务。我们一定要能省则省，成本！成本！成本！既然我们在创业，我们就不是以人数取胜，而是以人均取胜！也许在5年后，当我们回首08年，我们会为此而骄傲：我们是中国雅虎发展史上第一批“光脚”的！我们是全集团第一批曾经有鞋但是现在“光脚”的人！我们是全中国互联网界第一批曾经有鞋但是现在“光脚”的人！我们是全世界互联网界第一批曾经有鞋但是现在“光脚”的人！！“光脚”的中国雅虎人，出发！
我有一个金娃娃，金胳膊金腿金脑瓜，我把金娃娃弄丢了，我哭我哭，我把金娃娃找到了，我笑我笑，我把金娃娃送学校，老师说她年纪小，背着书包往家跑，跑跑跑不了，了了了不起，起起起不来，来来来上学，学学学文化，画画画图画，图图图书馆，管管管不着，着着着火了，火火火车头，头头大馒头，瞒瞒瞒不住，住住住洞房，房房房火洞，洞洞不许动！！！
这些日子常常念叨起来这首儿歌，却已经记不住开头和结尾了，只能从 “起起起不来” 开始了，还是每日赖床的时候必说的一句话！
原文见：http://blog.sina.com.cn/s/blog_48462ea501008ssf.html
1 ，电话再次响起。某记者询问我在演艺人员公众满意度竞赛中获得倒数第二的好成绩，有何感想。我一时咽喉哽咽，幸福的泪水夺眶而出，我还太年轻，荣誉来的太早了。一霎时，我脑中涌出许多英雄形象，宋江，洛桑，哈里波特，肯德基那大爷，藏秘排油那公司王经理…太多了！千言万语说不尽我的感慨！我用颤抖的声音说道：“有人喜欢打麻将；有人喜欢打扑克；有人喜欢打台球；有人喜欢掷色子；有人喜欢打cs; 有人喜欢打sm.没想到还有那么多人喜欢公众形象满意度竞赛，只要大家玩的高兴。我愿和大家一起将这个游戏发扬光大进行到底！”放下电话，我的心久久不能平静。轻轻拭去腮边的喜泪，再次上网，搜寻《色戒》,好净化我的心灵。
2，每天听德云社的相声都能挑出不利于社会主义精神文明建设的地方，并且挖出很多隐藏极深的毒害人民的低俗笑料，然后将这一切汇总成文，每周寄往各有关单位。我很兴奋，一个人挑一个错不难。难的是一辈子都在挑错。这是何等高尚的人品啊！
3，再次在电脑前坐下，搜寻我最爱的教育方式。讨厌！我的苹果哪去了？我的苹果哪？那么又脆又甜的苹果？我的冰苹果……
4，失落的我点开了几个贴吧，心情稍微轻松了些。贴吧的原目的是让各路高人的粉丝欢聚一堂,互相捧一捧,聊一聊.可谁知道这些位的仇人却都蜂拥而来,比例最少是一半一半.我又不理解了,不喜欢丫的就别理丫的,不登陆丫的贴吧.不上丫的博客,不看丫的作品,淡着丫的.不给丫脸,不就完了吗?何苦费这么大劲去骂丫哪?回家捉奸也是个乐子吗?那么大的火气……捉奸成功了?
Tigong ;
27 queries. 3.161 seconds.
