雅思学习网站推荐深入剖析美团网站推荐算法

2019年05月15日 来源:

1 : 深入剖析美团站推荐算法的研发思路

前言

推荐系统其实不是新鲜的事物,在很久之前就存在,但是推荐系统真正进入人们的视野,并且作为1个重要的模块存在于各个互联公司,还是近几年的事情。

随着互联的深入发展,愈来愈多的信息在互联上传播,产生了严重的信息过载。如果不采取1定的手段,用户很难从如此多的信息流中找到对自己有价值的信息。

解决信息过载有几种手段:1种是搜索,当用户有了明确的信息需求意图后,将意图转换为几个简短的词或短语的组合(即query),然后将这些词或短语组合提交到相应的搜索引擎,再由搜索引擎在海量的信息库中检索出与query相干的信息返回给用户;另外1种是推荐,很多时候用户的意图其实不是很明确,或很难用清晰的语义表达,有时乃至连用户自己都不清楚自己的需求,这类情况下搜索就显得捉襟见肘了。特别是近年来,随着电子商务的兴起,用户并不是1定是带着明确的购买意图去阅读,很多时候是去逛的,这类情形下解决信息过载,理解用户意图,为用户推送个性化的结果,推荐系统便是1种比较好的选择。

美团作为国内发展较快的o2o站,有着大量的用户和丰富的用户行动,这些为推荐系统的利用和优化提供了不可或缺的条件,接下来介绍美团在推荐系统的构建和优化进程中的1些做法,与大家同享。

框架

从框架的角度看,推荐系统基本可以分为数据层、触发层、融会过滤层和排序层。数据层包括数据生成和数据存储,主要是利用各种数据处理工具对原始日志进行清洗,处理成格式化的数据,落地到不同类型的存储系统中,供下游的算法和模型使用。候选集触发层主要是从用户的历史行动、实时行动、地理位置等角度利用各种触发策略产生推荐的候选集。候选集融会和过滤层有两个功能,1是对动身层产生的不同候选集进行融会,提高推荐策略的覆盖度和精度;另外还要承当1定的过滤职责,从产品、运营的角度肯定1些人工规则,过滤掉不符合条件的item。排序层主要是利用机器学习的模型对触发层挑选出来的候选集进行重排序。

同时,对与候选集触发和重排序两层而言,为了效果迭代是需要频繁修改的两层,因此需要支持ABtest。为了支持高效力的迭代,美团对候选集触发和重排序两层进行了解耦,这两层的结果是正交的,因此可以分别进行对比实验,不会相互影响。同时在每层的内部,美团会根据用户将流量划分为多份,支持多个策略同时对比。

数据利用

数据乃算法、模型之本。美团作为1个交易平台,同时具有快速增长的用户量,因此产生了海量丰富的用户行动数据。固然,不同类型的数据的价值和反应的用户意图的强弱也有所不同。

用户主动行动数据记录了用户在美团平台上不同的环节的各种行动,这些行动1方面用于候选集触发算法(在下1部份介绍)中的离线计算(主要是阅读、下单),另外1方面,这些行动代表的意图的强弱不同,因此在训练重排序模型时可以针对不同的行动设定不同的回归目标值,以更细地刻画用户的行动强弱程度。另外,用户对deal的这些行动还可以作为重排序模型的交叉特点,用于模型的离线训练和预测。

负反馈数据反应了当前的结果可能在某些方面不能满足用户的需求,因此在后续的候选集触发进程中需要斟酌对特定的因素进行过滤或降权,下降负面因素再次出现的概率,提高用户体验;同时在重排序的模型训练中,负反馈数据可以作为不可多得的负例参与模型训练,这些负例要比那些展现后未点击、未下单的样本显著的多。

用户画像是刻画用户属性的基础数据,其中有些是直接获得的原始数据,有些是经过发掘的2次加工数据,这些属性1方面可以用于候选集触发进程中对deal进行加权或降权,另外1方面可以作为重排序模型中的用户维度特点。

通过对UGC数据的发掘可以提取出1些关键词,然后使用这些关键词给deal打标签,用于deal的个性化展现。

策略触发

上文中美团提到了数据的重要性,但是数据的落脚点还是算法和模型。单纯的数据只是1些字节的堆积,美团必须通过对数据的清洗去除数据中的噪声,然后通过算法和模型学习其中的规律,才能将数据的价值化。在本节中,将介绍推荐候选集触发进程中用到的相干算法。

##1. 协同过滤

提到推荐,就不能不说协同过滤,它几近在每一个推荐系统中都会用到。基本的算法非常简单,但是要取得更好的效果,常常需要根据具体的业务做1些差异化的处理。

清除做弊、刷单、代购等噪声数据。这些数据的存在会严重影响算法的效果,因此要在第1步的数据清洗中就将这些数据剔除。

公道选取训练数据。选取的训练数据的时间窗口不宜太长,固然也不能太短。具体的窗口期数值需要经过量次的实验来肯定。同时可以斟酌引入时间衰减,由于近期的用户行动更能反应用户接下来的行动动作。

user-based与item-based相结合。

尝试不同的类似度计算方法。在实践中,美团采取了1种称作loglikelihood ratio[1]的类似度计算方法。在mahout中,loglikelihood ratio也作为1种类似度计算方法被采取。

下表表示了Event A和Event B之间的相互关系,其中:

k11 :Event A和Event B共现的次数

k12 :Event B产生,Event A未产生的次数

k21 :Event A产生,Event B未产生的次数

k22 :Event A和Event B都不产生的次数、

则logLikelihoodRatio=2 * (matrixEntropy - rowEntropy - columnEntropy)

其中

rowEntropy = entropy(k11, k12) + entropy(k21, k22)

columnEntropy = entropy(k11, k21) + entropy(k12, k22)

matrixEntropy = entropy(k11, k12, k21, k22)

(entropy为几个元素组成的系统的香农熵)

##2. location-based

对移动装备而言,与PC端的辨别之1是移动装备的位置是常常产生变化的。不同的地理位置反应了不同的用户场景,在具体的业务中可以充分利用用户所处的地理位置。在推荐的候选集触发中,美团也会根据用户的实时地理位置、工作地、居住地等地理位置触发相应的策略。

根据用户的历史消费、历史浏览等,发掘出某1粒度的区域(比如商圈)内的区域消费热单和区域购买热单

区域消费热单

区域购买热单

当新的线上用户要求到达时,根据用户的几个地理位置对相应地理位置的区域消费热单和区域购买热单进行加权,终究得到1个推荐列表。

另外,还可以根据用户出现的地理位置,采取协同过滤的方式计算用户的类似度。

##3. query-based

搜索是1种强用户意图,比较明确的反应了用户的意愿,但是在很多情况下,由于各种各样的缘由,没有构成终究的转换。虽然如此,美团认为,这类情形还是代表了1定的用户意愿,可以加以利用。具体做法以下:

对用户过去1段时间的搜索无转换行动进行发掘,计算每一个用户对不同query的权重。

计算每一个query下不同deal的权重。

当用户再次要求时,根据用户对不同query的权重及query下不同deal的权重进行加权,取出权重的TopN进行推荐。

##4. graph-based

对协同过滤而言,user之间或deal之间的图距离是两跳,对更远距离的关系则不能斟酌在内。而图算法可以打破这1限制,将user与deal的关系视作1个2部图,相互间的关系可以在图上传播。Simrank[2]是1种衡量对等实体类似度的图算法。它的基本思想是,如果两个实体与另外的类似实体有相干关系,那它们也是类似的,即类似性是可以传播的。

Let s(A,B) denote the similarity between persons A and B, for A != B

Let s(c,d) denote the similarity between items c and d, for c != d

O(A),O(B): the set of out-neighbors for node A or node B

I(c),I(d): the set of in-neighbors for node c or node d

simrank的计算(采取矩阵迭代的方式)

计算得出类似度矩阵后,可以类似协同过滤用于线上推荐。

##5. 实时用户行动

目前美团的业务会产生包括搜索、挑选、收藏、浏览、下单等丰富的用户行动,这些是美团进行效果优化的重要基础。美团固然希望每个用户行动流都能到达转化的环节,但是事实上远非这样。

当用户产生了下单行动上游的某些行动时,会有相当1部分由于各种缘由使行动流没有构成转化。但是,用户的这些上游行动对美团而言是非常重要的先验知识。很多情况下,用户当时没有转化其实不代表用户对当前的item不感兴趣。当用户再次到达美团的推荐展位时,美团根据用户之前产生的先验行动理解并辨认用户的真正意图,将符适用户意图的相干deal再次展现给用户,引导用户沿着行动流向下游行进,终究到达下单这个终纵目标。

目前引入的实时用户行动包括:实时阅读、实时收藏。

##6. 替补策略

虽然美团有1系列基于用户历史行动的候选集触发算法,但对部份新用户或历史行动不太丰富的用户,上述算法触发的候选集太小,因此需要使用1些替补策略进行填充。

热销单:在1定时间内销量多的item,可以推敲时间衰减的影响等。

好评单:用户产生的评价中,评分较高的item。

城市单:满足基本的限定条件,在用户的要求城市内的。

子策略融会

为了结合不同触发算法的优点,同时提高候选集的多样性和覆盖率,需要将不同的触发算法融会在1起。常见的融会的方法有以下几种[3]:

加权型:简单的融会方法就是根据经验值对不同算法赋给不同的权重,对各个算法产生的候选集依照给定的权重进行加权,然后再依照权重排序。

分级型:优先采取效果好的算法,当产生的候选集大小不足以满足目标值时,再使用效果次好的算法,依此类推。

调制型:不同的算法依照不同的比例产生1定量的候选集,然后叠加产生终究总的候选集。

过滤型:当前的算法对前1级算法产生的候选集进行过滤,依此类推,候选集被逐级过滤,终究产生1个小而精的候选集合。

目前美团使用的方法集成了调制和分级两种融会方法,不同的算法根据历史效果表现给定不同的候选集构成比例,同时优先采取效果好的算法触发,如果候选集不够大,再采取效果次之的算法触发,依此类推。

候选集重排序

如上所述,对不同算法触发出来的候选集,只是根据算法的历史效果决定算法产生的item的位置显得有些简单粗鲁,同时,在每个算法的内部,不同item的顺序也只是简单的由1个或几个因素决定,这些排序的方法只能用于第1步的初选进程,终究的排序结果需要借助机器学习的方法,使用相干的排序模型,综合多方面的因夙来肯定。

##1. 模型

非线性模型能较好的捕捉特点中的非线性关系,但训练和预测的代价相对线性模型要高1些,这也致使了非线性模型的更新周期相对要长。反之,线性模型对特点的处理要求比较高,需要仰仗领域知识和经验人工对特点做1些先期处理,但由于线性模型简单,在训练和预测时效力较高。因此在更新周期上也能够做的更短,还可以结合业务做1些学习的尝试。在美团的实践中,非线性模型和线性模型都有利用。

非线性模型

目前美团主要采取了非线性的树模型Additive Groves[4](简称AG),相对线性模型,非线性模型可以更好的处理特点中的非线性关系,没必要像线性模型那样在特点处理和特点组合上花费比较大的精力。AG是1个加性模型,由很多个Grove组成,不同的Grove之间进行bagging得出的预测结果,由此可以减小过拟合的影响。

每个Grove有多棵树组成,在训练时每棵树的拟合目标为真实值与其他树预测结果之和之间的残差。当到达给定数目的树时,重新训练的树会逐棵替换之前的树。经过量次迭代后,到达收敛。

线性模型

目前利用比较多的线性模型非Logistic Regression莫属了。为了能实时捕捉数据散布的变化,美团引入了online learning,接入实时数据流,使用google提出的FTRL[5]方法对模型进行更新。

主要的步骤以下:

写特点向量到HBase

Storm解析实时点击和下单日志流,改写HBase中对应特点向量的label

通过FTRL更新模型权重

将新的模型参数利用于线上

##2. 数据

采样:对点击率预估而言,正负样本严重不均衡,所以需要对负例做1些采样。

负例:正例1般是用户产生点击、下单等转换行动的样本,但是用户没有转换行动的样本是不是就1定是负例呢?其实不然,很多展现其实用户根本没有看到,所以把这样样本视为负例是不公道的,也会影响模型的效果。比较常常使用的方法是skip-above,即用户点击的item位置以上的展现才可能视作负例。固然,上面的负例都是隐式的负反馈数据,除此以外,美团还有用户主动删除的显示负反馈数据,这些数据是高质量的负例。

去噪:对数据中混杂的刷单等类做弊行动的数据,要将其排除出训练数据,否则会直接影响模型的效果。

##3. 特点

在美团目前的重排序模型中,大概分为以下几类特点:

deal(即团购单,下同)维度的特点:主要是deal本身的1些属性,包括价格、折扣、销量、评分、种别、点击率等

user维度的特点:包括用户等级、用户的人口属性、用户的客户端类型等

user、deal的交叉特点:包括用户对deal的点击、收藏、购买等

距离特点:包括用户的实时地理位置、常去地理位置、工作地、居住地等与poi的距离

对非线性模型,上述特点可以直接使用;而对线性模型,则需要对特点值做1些分桶、归1化等处理,使特点值成为0~1之间的连续值或012值。

总结

以数据为基础,用算法去雕琢,只有将2者有机结合,才会带来效果的提升。对美团而言,以下两个节点是美团优化进程中的里程碑:

将候选集进行融会:提高了推荐的覆盖度、多样性和精度

引入重排序模型:解决了候选集增加以后deal之间排列顺序的问题

以上是美团在实践中的1点总结,固然美团还有还多事情要做。we are still on the way!

注:

本文为美团推荐与个性化团队集体智慧的结晶,感谢为此辛苦付出的每个成员。同时,团队长时间招聘算法工程师与平台研发工程师,感兴趣的同学请联系ch@,邮件标题注明应聘推荐系统工程师。

2 : [10大英语学习站推荐]

学习英语站推荐 默许分类 12:42:12 浏览19 评论0 字号:大中小 定阅

学习英语前后将近12年了,初中开始到大学,后来工作还是继续学习。(]学校的时候主要是通过课堂学习,工作后基本上都是通过络学习,不断的在上阅读各类学习站。期间基本上翻遍了大部份英语学习站,发现其实只要利用好这10个站,英语的听、说、读写就没有什么问题了。

1、普特英语听力【英语听力】

要听力上普特英语听力,那是没有必要多说的事情。普特听力是目前的英语听力站,内设BBC、VOA、ABC、CRI、Discovery、FM961等络电台,可以直接听到原滋原味的英语。

2、英语帮帮【上课程】

该站有丰富的英语动画、英语单词游戏、上学习课程。该站提倡道德、环保知识传播,因此得到了官方机构的认可,曾是共青团中青络家园推荐站,我也是那时我的英语老师推荐我学习的。它的课程从零基础到高级,按听、说、读、写、专项训练展开,能够系统的学习英语。Flash英语课程是它

学英语站 [10大英语学习站推荐]

大的特点,至今很多英语站都转载着它的flash知性英语课程。[)1转眼都5年多过去了,现在还常去看看,主要是感受之前学习英语的感觉。

3、沪江英语【综合资源】

相对其他站,沪江英语可谓大名鼎鼎了。该站是个亲和力的原创英语学习站,站的论坛有相当高的人气。该站成立也很早,由当初的1群英语爱好者建成的论坛渐渐发展成了包括考试信息、培训信息、英语社区、小语种学习的综合性英语站。

4、旺旺英语【英语资源】

创建于1998年底的旺旺英语,是国内早的英语学习站之1,可能也是同期站中唯1坚持至今的个人英语学习站。旺旺英语可以限度地满足的学习资料需求,而且1切都是无条件免费的!这个坚持了10多年的个人站其名望1点都不比任何公司经营的英语站逊色。

5、英文写作【英语写作】

学英语站 [10大英语学习站推荐]

该站成立于2002年,也算是比较早的1批英语学习站。(]英文写作主要栏目有语法文法、利用写作、考试作文、背景文化、佳作欣赏。对学习英语写作的人群来讲,它无疑是的选择。

6、 Speak2me【口语练习】

对很多学习英语的人来讲,可能口语是道总过不去的槛。Speak2me是个可以在上练习口语的站,可以说是相对照较新颖的站。学习者可以在站里选择喜欢的场景,然后随着它的机器人lucy练习口语。对初练口语的人来说相当不错,初自己也是在上面练习的。

7、 爱思英语【综合资源】

学英语站 [10大英语学习站推荐]

爱思英语是个综合性英语学习门户站,包括46级、雅思、托福等等考试资源,内容更新速度很快的,很合适大学生寻觅资源。[)

8、 n词酷【英语辞汇】

n词酷是查找单词的站,但是它的功能比较强大,查到某个单词后辞汇、句子、情形对话等等有了,还是比较合适学习英语的。

9、英语学习【中高考英语】

学英语站 [10大英语学习站推荐]

该站主要侧重中高考英语资源,有大量考试真题、摹拟试题,还着名师上试题解析,是中高考学生的理想学习站。()

10、Chinadaily【高级英语】

Chinadaily隶属中国,估计是很多英语高手经过的英语学习站,其实它的本意只是想外界传播中国的资讯不是提供英语学习的功能,有着严肃的官方色采。但正是由于其官方特性,其英语内容可以说地道、准确、权威。如果你想让自己的英语到达1个层次,那末可以去买Chinadaily(报纸)或登入Chinadaily官方站。

扩大:学习英语的站推荐 / 英语学习站推荐 / 免费英语学习站推荐

3 : 从学习到接单赚钱 10大络技术人员推荐收藏的站

络技术,不管是php还是java ,不管是pc时期,还是移动时期,不管是黑客技术,还是程序新人,it技术,无疑是当前火的行业,不管是个人爱好还是工程技术开发,都吸引了无数的人材。各种与络技术,教程学习,工程开发相干的站,论坛也犹如雨后春笋般出现在民的眼前。

做为1名从事络技术工作10年的“老人”,已依赖这些站和论坛多年,在这里,结合自己多年的体会,特向广大友推荐以下10个技术人员常常上的站,各站的排名根据目前各大通讯门户、论坛、blog友的推荐和投票产生。同时,在这里向这些论坛的管理人员,版主表示崇高的敬意和诚挚的谢意!

DN论坛()

权威,专业的IT站。从中能获得很多重要的内容,能了解IT业的未来发展方向。不管是学生还是程序员都能找到适合自己的内容。

2.A5任务()

国内的IT平台,触及内容相当丰富。的站技术服务交易平台,全心全意为客户服务,只能说是站找兼职技术必上的站。

3.知乎()

知乎上聚集了1些行业和名人,所以上面的回答专业性和权威性都比较强。知乎的答案很全面深入,时不时让你感叹“真涨姿式”。

4.聚知识()

无病毒,资源全面,内容详细,有很多文章都是原创的,能找到比较流行的新技术相干的脚本。里面还有1些不错的学习参考资料,都是经过大量的整理结合,更细,更容易上手。

5.W3School()

页设计入门必看!是互联上人人爱好的,以知识为导向,专业提供站建设相干的知识的平台,是初学者的好去处。

6.51CTO()

很强大,技术知识很全。51CTO是国内的IT技术站,这里会聚了很多特点,可以学习的it技术知识。

7.极客学院()

相当棒的1个IT职业教育平台,各门课程整合得相当好,制作10分精良,的确能让我们会员学到很多技术。

ogle code()

谷歌的软件搜索引擎,保存了谷歌的风采,谷歌搜索的都是覆盖全球的,更加广泛1些,权威,用户多,放心。

PUB()

站是目前国内的以技术交换为主的的论坛站之1,在这上面能学到很多关于数据库、ERP、技术开发、操作系统、络等方面的技术问题。

urceforge()

很牛的开源软件站,覆盖各种平台,界面简洁大方,确切是1个从入门级的利用。

4 : 页教学推荐8类知名英文站

聚知识推荐8类知名英文站,1共90个站.

1、大陆可访问的英文信息源

1、英国《经济学家》

2、美联社

3、英国BBC

4、《纽约时报》

5、普利策奖1995年到2001年全部获奖作品

6、美国全国广播公司

7、《华尔街》评论

8、香港《南华早报》

2、收藏夹

1、CRI国际:

2、CNN可以直接访问的地址(亚洲版)

3、CNN可以通过代理服务器访问的地址(国际版)

4、BBC可以通过代理服务器访问的地址

5、《华盛顿邮报》社论版 可以通过代理服务器访问的地址:

3、英美外电

1、《泰晤士报》

2、《基督教科学箴言报》

3、《本日美国》

4、美国广播公司

5、英国《视察家》

6、英国《逐日电讯》

4、英美周刊杂志

1、《每周标准》

2、《外交事务杂志》:/

3、《沙龙》

4、《美国视察者》

5、《新共和》

6、《国家评论》

7、《国家杂志》

8、《纽约客》

9、《纽约书评》

10、《外交政策》

11、《大西洋月刊》The Atlantic Online

12、《外交政策聚焦》

13、《民族》The Nation

14、《进步》Homepage of The Progressive magazine

15、《洋葱》(有趣站点)

5、时事资料

1、安全政策研究中心

2、美国国务院各国背

3、世界各国地图

4、卫星照片

5、上各国政府资料

6、中国外交部各国背景 ;

6、英美经常使用经济站

1、《金融时报》

2、《商业周刊》

3、《财富》

4、《远东经济评论》

5、《福布斯》

6、哥伦比亚广播公司《市场视察》

7、《街》

7、非英美周刊杂志和资料站点

1、德国《镜报》(点击English Texts)

2、教廷《罗马视察家》

3、捷克《布拉格邮报》

4、《俄罗斯周刊》

5、英国《简氏防务周刊》(出色的军事杂志)

6、埃及《中东时报》

7、《巴勒斯坦时报月刊》

8、巴勒斯坦《耶路撒冷时报》

9、埃及《Al-Ahram周刊》

10、阿富汗研究

11、中东新

12、以色列DEBKA档案(1个情报站点)

13、保加利亚《首都周刊》

14、皇帝的新装 ;

15、全球主义者

16、台湾《东森报》

8、非英美外电

1、《东盟》

2、菲律宾《星报》

3、菲律宾《逐日调查》

4、印尼《雅加达邮报》

5、新加坡《海峡时报》

6、巴基斯坦《拂晓报》

7、《印度时报》

9、尼泊尔

10、德国《法兰克福汇报》

11、俄罗斯《莫斯科时报》

12、保加利亚《报》

13、保加利亚《索菲亚回声报》

14、《爱尔兰时报》

15、以色列《哈阿雷兹》

16、伊拉克

17、《约旦时报》

18、阿联酋《Khaleej时报》

19、古巴《格拉玛》

20、阿根廷《布宜诺斯艾利斯先驱报》

21、泛非洲

22、联合国中心

23、可以浏览英文小说

24、《时期周刊》

25、《国家地理》

26、《周刊》

白带多应该吃什么
产后预防感染吃什么好
什么症状是产后感染
相关文章
  • 自创鸡蛋烤麻糍的做法
    自创鸡蛋烤麻糍的做法

    自创鸡蛋烤麻糍的做法一直都没吃到过特别好吃的鸡蛋麻糍,特别是吃的时候总觉得蛋太少,麻糍吃几口就腻了。晚上突发奇想,自创鸡蛋烤麻糍,味道很赞,很香,加了三个蛋,吃的够爽!难度:切墩(初级) 时间:10-30分钟主料麻糍一块土鸡蛋三个葱花适量料酒...

  • 幼儿园楼顶建活动室学校教育用地捉襟见肘
    幼儿园楼顶建活动室学校教育用地捉襟见肘

    幼儿园楼顶建活动室 学校教育用地捉襟见肘中国江苏9月8日讯 近,浙江省天台县一所小学在楼顶建了200米环形跑道的消息引发广泛热议,该校校长表示,楼顶上建跑道实属无奈。而在南京调查时发现,南京一些学校教育用地同样捉襟见肘,甚至有的幼儿园楼顶也建...

  • 分别扮演乘客和工作人员三男子合伙在汽车站行骗
    分别扮演乘客和工作人员三男子合伙在汽车站行骗

    淮安讯 昨日下午,清河法院开庭审理了一起诈骗案,三名犯罪嫌疑人在汽车站专骗乘车人,在取得受害人信任后,骗取其银行卡密码,取走卡内存款。检查机关以诈骗罪、信用卡诈骗罪对三人提起公诉。犯罪嫌疑人陈某、朱某、佟某都是80后,的佟某是1981年出生...

  • 南京恐怖公交743路将调整空调车票价变3元
    南京恐怖公交743路将调整空调车票价变3元

    往返5个小时,单程73.5公里88个站,被称为南京“恐怖”公交的743路要调整了。今天下午,南京市物价局在其官方站发布了对743路票价调整的批复。为进一步优化公交线,加强仙林至东山段面的公交运力,有效衔接地铁二号线,经南京市交通运输局批准,743路进行了...

  • 巴菲特已经出手普通投资者要跟随么
    巴菲特已经出手普通投资者要跟随么

    做为投资界的传奇,巴菲特如果买入了某只股票或者某家公司,那么一定会引发大量的投资者跟风而动。伯克希尔哈撒韦日前买入美国的私人汽车经销集团VanTuyl集团引发了市场对于汽车行业的前景的讨论。在彭博的专栏作家EdwardNiedermeyer看来,这一次跟风者可能...

  • 南京盗墓案10名嫌犯获刑曾开挖掘机作案
    南京盗墓案10名嫌犯获刑曾开挖掘机作案

    开挖掘机去“挖宝”早报 李克诚实习生 胡雷在“半仙”的指引下,10人浩浩荡荡去“挖宝”,甚至不惜动用工地上施工用的挖掘机,终将一座具有文物价值的西汉古墓损毁,并累计“挖”出文物70多件——号称“南京史上盗墓案”日前在南京市六合区法...