网络舆情及其应对与上市公司的信息效率

网络舆情的兴起给资本市场带来了深远影响,对监管层和上市公司的舆情管理工作也提出了新的挑战.借助于监管部门对深市上市公司网络舆情应对状况的调查,实证检验了网络舆情及其应对与上市公司的信息效率的关系.研究发现,网络舆情危机会造成当年度股价崩盘,且来自自媒体的转载会增大股价崩盘的幅度,网络舆情重视和应对程度良好的公司在面对舆情危机时的股价崩盘幅度更低.上市公司对网络舆情的重视及投入能够向资本市场传递公司特质信息,提高资本市场的信息效率,进而降低未来股价崩盘风险和股价同步性.结论表明,上市公司加强网络舆情应对并非是满足监管要求和投资者诉求的面子工程,而是一项切实有效的求是工作,结论对完善资本市场信息传播管理制度,提高资本市场信息效率具有一定的参考价值.     

浅析高校图书情报管理模式的变革

高校作为知识传播的载体,在图书馆以及网络平台中提供大量的图书、期刊以及电子资源等,以满足师生的信息需求.高校中图书和情报具有资源庞大、种类繁多等特点,其图书情报资源需要更为合理、高效的管理模式.分析了我国高校图书情报管理的现状,针对目前高校图书情报管理模式中存在的不足,提出了相应的变革策略.     

慕课的发展对信息管理类专业教学的影响

介绍了慕课的起源与内涵,阐述了慕课在国内外的发展现状,比较了慕课与网络精品课程的区别,探讨了慕课发展对信息管理类专业教学的影响.     

基于关键用户的非均衡热传导与物质扩散算法

物质扩散和热传导算法作为2个经典的基于网络结构的算法被普遍用于信息过滤.然而，现有的算法将所有的用户等同看待，没有区分不同用户的贡献，也没有移除恶意用户，从而导致性能不理想.针对这一问题提出基于关键用户的非均衡热传导与物质扩散算法（core-UHM），用以解决教育资源库中的高质量资源检索问题.算法的背后思想主要是基于信息领域中的帕累托法则，也即是20%的用户主导着整个系统中80%的交互.基于关键用户不仅能够保证资源的质量，同时也大大节省了计算开销.通过在真实的学术搜索日志数据集上的实验，证明了算法的有效性.     

基于管理视角的服务设计问题的研究综述与展望

服务设计是一项高风险和高投入的活动.在复杂、多变和不确定的市场环境中,如何利用科学的理论和方法来设计服务产品,在合理利用服务资源的基础上保证服务质量,是服务企业获得竞争优势的关键之一.通过对服务设计现有文献的梳理和回顾,首先分析了服务设计的相关概念和外延;然后基于管理视角,从服务模式、服务内容、服务流程、服务系统等几个方面对服务设计领域的相关文献进行了综述;最后,对新信息技术环境下的服务设计研究方向进行了展望.     

信息化教学中的弗兰德斯分析法应用与研究

研究了在信息化教学的背景下传统弗兰德斯分析法的缺陷与不足,提出一种改进型弗兰德斯分析法,并基于真实课堂数据做了深入分析与探讨.     

信息时代地方高校图书馆开展社会化服务的探讨

随着信息时代的到来，数字与网络等众多技术快速发展。高校图书馆需要将自身所具有的信息资源优势充分发挥出来，在服务本校教学科研的基础上，积极主动地面向全社会进行服务，促进地方文化和经济建设的发展，使资源共享的目标得以实现。     

大数据背景下的图书馆信息咨询服务探究

分析了大数据对图书馆信息咨询服务带来的影响,探讨了大数据背景下对图书馆信息咨询服务的有效变革和创新.     

问答社区问句中多字词表达提取

基于互动问答社区问句中多字词表达和问句理解的关系,提出针对互动问答社区问句进行多字词表达抽取,并基于互动问答社区问句中多字词表达的特点,提出适用于互动问答社区的多字词表达提取方法.该方法在利用互信息和停用词表的方法从问句中抽取候选多字词表达的基础上,将候选多字词表达分为正确串、残缺串、冗余串和错误串4类,借助搜索引擎对查询串的优化和候选多字词表达在互联网上的检索结果,设计候选多字词表达校正方法,实现对多字词表达的提取.以新浪爱问知识人问题库中的问句进行实验,结果表明,多字词表达抽取的准确率、召回率和F值分别达到84%,52%和0.64,验证了该方法的有效性.     

LEARNING CAUSAL GRAPHS OF NONLINEAR STRUCTURAL VECTOR AUTOREGRESSIVE MODEL USING INFORMATION THEORY CRITERIA

Detection and clarification of cause-effect relationships among variables is an important problem in time series analysis. Traditional causality inference methods have a salient limitation that the model must be linear and with Gaussian noise. Although additive model regression can effectively infer the nonlinear causal relationships of additive nonlinear time series, it suffers from the limitation that contemporaneous causal relationships of variables must be linear and not always valid to test conditional independence relations. This paper provides a nonparametric method that employs both mutual information and conditional mutual information to identify causal structure of a class of nonlinear time series models, which extends the additive nonlinear times series to nonlinear structural vector autoregressive models. An algorithm is developed to learn the contemporaneous and the lagged causal relationships of variables. Simulations demonstrate the effectiveness of the nroosed method.