推荐一个好地方范文1
对于推荐人的选择这一问题没有标准的答案，往往我们需要结合你的意向专业所需特质和你个人的履历来选择合适的推荐人。最好的推荐人往往应该是和你有足够交集，对你有足够细致地了解，从而能将你身上的某些专业特质落实到实处的人。推荐人的分量也是一个需要重点考量的因素，在选择的时候我们往往需要做一番权衡。
在选择好推荐人后，我们需要和推荐人取得联系。其实除了真正能给推荐人留下深刻印象或长久以来和推荐人保有密切联系的申请人，推荐人是否愿意帮你写推荐信，以多大的积极性帮你完成推荐信的写作，和你向推荐人发出请求过程中的表现密切相关。记住“说服”不是从你提出请求后开始的，从你准备提出请求之前“说服”就已经开始了。
在邀请推荐人之前，首先请确保你对整个申请流程，一些重要环节的开始结束日期，一些具体化的要求都要有一个明确的了解，有了这些了解你才能把握从与推荐人接触到获得推荐信整个过程中应有的节奏，有一个明确的规划。
邀请时的礼节
邀请时间：
注意时间问题，没有推荐人会喜欢突然袭击，在规划好的基础上尽早与推荐人取得联系，给推荐人和你自己足够的机动时间。
邀请方式：
在有可能的情况下，尽量在发出正式邀请前与推荐人见一面，一方面可以帮助对方回忆，另一方面你也可以在交谈的过程中提及自己对未来研究生活的规划。可以和推荐人探讨一下相关专业的问题让他知道你并不是盲目出国。这可以表现你的诚意和学术态度。
很多情况下，因为地域或者时间原因，双方没有时间见面，我们往往要用文字的形式联系推荐人，这时候我们要注意的是联系的时间选择和措辞。总的原则只有一个那就是尽可能地从对方角度考虑问题，让推荐人更容易帮你完成推荐信的写作。
不是所有的推荐人都会答应推荐请求。有些推荐人日程太满，还有些推荐人每年有推荐名额限制。在请求的结尾告诉对方，即使不方便推荐也表示理解并且依然感谢。平常看待“邀请被拒”，寻找其他推荐人即可。但是，不要“海投”推荐人，更不要在推荐人答应邀请后“放人鸽子”。
这些准备能帮你获得推荐人的好印象
了解你的推荐人：
你不能一味地向推荐人展示自己，而不顾推荐人的特点。你的推荐人往往已经处理过多位师哥师姐的推荐信，他很可能已经有自己的一套关于推荐信的处理方法。在邀请推荐人之前尽可能的找到之前的师哥师姐了解情况，从而了解推荐人更偏好地邀请方式和推荐人推荐信的风格。之后你就可以给推荐人提供更加精准的个人资料，以便于推荐人为你写出更加个性化的推荐信。
让推荐人了解你：
巧妇难为无米之炊。为了推荐人能够写出更加具体，更有价值的推荐信，让推荐人了解你尤为重要，这里我们需要为推荐人准备一个资料包，主要包括下面这些内容。
1. 一张你自己的照片，让推荐人记起你是谁，个人照次之，最好是你和推荐人同框的照片，在照片背后标注这是什么时候，你们在做什么，然后表达对推荐人的感谢。
2. 一个自述，简单介绍自己，着重说明你选择这位推荐人的理由，比如推荐人的研究方向可以客观地评价你的学术能力等。然后进行你的目的说明。
3. 一些项目，你所研究的每个研究项目的总结，无论这是在学校还是研究实验室。如果你有，或者有技术报告，也请附上。
4. 你的学习成绩，用表格分类整理你意向专业的相关成绩，并附上任课推荐人的联系方式。
5. 你的获奖情况，课外活动名录，获奖介绍等。
6. 提交推荐信的邮箱和地址以及告诉推荐人截止日期（建议比真实日期提前，毕竟大家都可能有拖延症）。最后，截止日期之前，你需要提前和推荐人确认是否提交并表达感谢。
不是所有的推荐人都愿意亲笔写
不可避免的会有推荐人不愿意亲自写的情况，这时候推荐人往往会答应最后署名或者在过程中参与，切不可以为不会有变数，尽可能地让推荐人有所参与避免最后出现意见不和。
1. 某些推荐人会希望有一个填写的模板。
推荐一个好地方范文2
关键词： 基于位置服务推荐； 基于规则的推荐； 情境信息； 医疗信息服务平台
中图分类号： TN911?34； TP399 文献标识码： A 文章编号： 1004?373X（2016）24?0058?05
Study and implement of context?aware recommendation in application of
medical information service
LI Qingming， DUAN Fu
（School of Computer Science and Technology， Taiyuan University of Technology， Jinzhong 030600， China）
Abstract： With the increasing of the intelligent mobile phone users， the medical information service is gradually applied to the client， and at the same time， along with the increasing of medical service information， the phenomena of information overload and low efficiency of user access appear in application of mobile medical information service. According to the particularity of location?based services and the special requirements of LBS recommendation system in mobile applications， the medical information service recommendation system framework based on the situational information was presented. Based on the analysis of the acquired user′s location， and the current time， weather， environment， transportation and other rich situational information， rule?based recommended method is used to reduce the amount of calculation， and implement the online personalized intelligent recommendation service. The recommendation of mobile medical information service platform combined with rich situational information makes recommendation more personalized， and meet users′ requirement more.
Keywords： LBS recommendation； rule based recommendation； situational information； medical information service platform
0 引 言
在当今各行各业逐渐信息化的趋势下，医疗服务行业也趋于信息化。随着智能手机使用量的不断增加，智能手机中的移动应用需要不断地创新和发展，医疗服务的信息化也逐渐应用于智能手机上。面对大量的医疗服务信息，如何快速处理信息成为一大难题，嵌入移动应用中的推荐系统应运而生，基于位置服务（Location Based Service，LBS）的推荐系统即为其中一种。LBS推荐系统将基于位置系统与推荐系统巧妙融合起来，以便满足智能手机用户从移动应用中获取大量信息的需求[1]。在移动医疗服务信息应用中，融入LBS推荐系统，必须满足应用的新用户快速学会使用的前提下成功降低冷启动问题的影响，否则会流失大量用户[2]。同时，鉴于用户需要及时获取当前所处环境的信息，因此一款好的LBS推荐系统必须能够实时分析了解用户当前的偏好，并能够有效分析用户当前情境信息，实现向用户推荐个性化信息。目前移动医疗信息服务应用有易诊、好大夫等，这类应用已成功将位置服务推荐嵌入，但情境信息仅限于位置，使得推荐略显单一，融合多种情景信息进行推荐，可以使得推荐更加个性化。因此，本文提出融合位置、时间、天气、环境、交通等多种情境信息的医疗信息服务应用，能够使得用户获得更加个性化的服务。
在当前研究并实现的推荐系统中，普遍存在如下问题[3]：推荐类别和属性单一；用户学习成本高；缺少融合情境信息；冷启动问题仍然存在。
本文将针对这些问题，使用基于规则的LBS推荐模型，并将其应用于开发的医疗信息服务平台中，实现为用户提供实时医疗信息服务方面上的有效推荐。
1 相关研究
1.1 基于规则的推荐
传统的推荐方法有基于内容和基于协同过滤两种推荐方法。这两种推荐方法已得到了广泛的应用，但是在LBS推荐系统中，这两种推荐算法不能够有效地解决“冷启动”问题[4]。而基于规则的推荐不依赖于用户评分等历史信息，不存在“冷启动”问题，因此在本系统的开发与研究中，使用基于规则的推荐给用户提供所需信息。
基于规则的推荐，是基于知识推荐中的一种，在本系统中，通过将带推荐医院与医生的属性与用户的属性进行匹配来推荐，抑或是通过自定义或关联计算得到的规则来推荐[5]。基于知识的推荐需要解决的问题[6]：
（1） 知识的统一表示及有效获取。该系统中的所有要素，需使用规范的方式来描述，包括用户信息（姓名、性别、邮箱、手机号码、QQ号码、家庭住址、病史等）、用户的情境信息（所处地理位置、所处位置交通情况、天气、温度等）、医院信息（所处地理位置、科室分布、医生信息等）等系统要素，以及所有要素之间的关系。除此之外，还需要统一描述推荐方法以及在推荐方法中上述所有系统要素之间的交互。
（2） 合适的推理机制的生成，推理出结果。在该医疗服务信息推荐系统中，由用户信息、情景信息及医院信息，结合规则库中的规则进行推理并产生推荐列表。由此所得的推荐列表可能含有多条信息，亦可能为空，需结合各种情况，综合考虑使用适当的推荐方法。
（3） 知识的规范聚合。在该系统中，用户属性、医院属性等处于持续动态变化中，因此，需要使用有效的手段对所有知识进行管理来控制知识的信息量爆炸。
1.2 位置的获取及计算
本文设计开发的医疗信息服务应用使用百度地图Android定位SDK对该应用用户所处位置进行定位，使用百度地图定位SDK能够进行精确、实时定位。
1.2.1 获取位置
基本定位功能，返回用户当前位置，包含GPS和网络定位（WiFi和基站定位）功能，同时还支持定位结果的反地理编码、离线定位、位置提醒功能和地理围栏功能。
LocationClient类是百度地图定位SDK的核心，具体方法为LocationClient（Context）；使用getLongitude（ ）方法获取经度坐标，返回结果为长整型数据；使用getLatitude（ ）获取纬度坐标，返回结果为长整型数据；使用hasRadius（ ）方法获取定位的精度，并判断是否有定位经度半径，返回结果为布尔型；使用getRadius（ ）方法获取定位精度半径，返回结果为浮点数类型，单位是m；使用getAddrStr（ ）方法获取文字描述的地址，返回结果为字符串类型数据。
在百度地图SDK中，分为三种定位模式，分别为：高精度定位模式（Hight_Accuracy），低功耗定位模式（Battery_Saving）和仅用设备定位模式（Device_Sensors），本文开发的系统使用高精度定位模式。
1.2.2 位置距离计算
设A点的经度为LonA，纬度为LatA；B点的经度为LonB，纬度为LatB，以零度经线为0，东经为正数，西经为负数，以零度纬线为0，北纬为90-Latitude，南纬为90+Latitude，则经过上述处理过后的两点被记为（MLonA，MLatA）和（MLonB，MLatB）。根据式（1）、式（2）计算A点与B点之间的距离[7]：
[C=sin（MLatA）?sin（MLatB）?cos（MLonA-MLonB）+ cos（MLonA）?cos（MLonB）]
[D=R?csc（C）?π180] （2）
式中，R为地球半径，值为6 378.137 km。
1.3 融合情境信息的推荐系统
在传统的推荐系统中，没有融入情境信息，其推荐过程如图1所示。
在图1中，使用函数描述该过程，其输入为用户属性，输出为使用推荐方法得到的个性化用户推荐列表[8]。
本文所研究开发的医疗服务信息推荐系统应用中，融入了位置、天气等情景信息，因此需将各种情境信息融入到图1中。如图2所示，所有研究过的推荐中，以情景信息放入推荐系统中的位置为依据，分为前置情境过滤、后置情境过滤以及情境过滤三种范式[9]。
传统的推荐系统采用的模型为三维范式，其表述形式为，在此模型中，对于同一个用户，其对同一个项目的评分保持稳定。而在移动平台中，需要考虑到各种情境信息，融入了情境信息的推荐系统，对于同一个用户，其对同一个项目的评分需要随着情景信息的不同而发生变化，因此需要将上述模型修改为四维范式，在其中加入情境信息这一项。在本文所研究开发的系统中，不涉及到用户对项目的评分，使用的是用户对于医院属性偏好规则，并且使用上述三种范式中的前置情境规律方法。首先根据用户当前位置判断与其距离在一定范围内的医院，对备选项进行过滤，删除距离大于用户考虑范围的医院，再根据当前时间删除此时不营业的医院；接着根据规则库中的规则判断用户偏好的医院类别、医院科室以及科室医生。
2 系统设计
2.1 系统推荐流程
由于向用户推荐的结果需要在命中率、多样性、实时性等评价指标间达到平衡，在向用户推送的结果集中，应包含各种类型的医院，除了与用户病史相关的医院信息，按时间片推送的医生信息以外，还可加入可网上挂号的医院信息以改善结果的质量。本推荐系统综合了用户属性及用户的各种情境信息，并与医院的类别、科室及医生进行匹配，确定出在某一时间某一地点适合用户的医院信息，实现对于用户的个性化推荐。图3为本推荐系统的流程。流程说明：
第一步：强制筛选。根据强制筛选规则集，删除不匹配医院。表1中，举例说明了本推荐系统中的部分强制筛选规则。
第二步：结合偏好规则集1、偏好规则集2和偏好规则集3，并行确定三种概率值。
（1） 根据用户属性，计算用户对于各类医院的偏好概率；
（2） 根据用户属性和科室属性，定义用户对于医院各个科室的偏好权重；
（3） 根据用户属性和医院科室医生的属性，计算用户对于医生的偏好概率。
第三步：由第二步得到的三种概率，结合偏好规则集4确定用户对医院列表中每个医院的偏好概率，得出给用户所推荐的医院列表。
2.2 偏好建模
在分析与设计规则集和推荐算法前，需要完成对用户的偏好建模这一过程。根据移动应用与基于位置服务推荐综合的特点，本文的推荐系统在融合了情境信息的基础上将用户的偏好分为两类，分别为短期偏好和长期偏好。其中短期偏好有更新周期短，并且对情境信息比较敏感的特点；长期偏好有更新周期长，用户习惯偏好比较稳定之特点。医院的属性信息包括有无停车位、环境氛围、科室名称、科室医生性别、可否在线挂号等离散属性，就医费用区间、科室医生就医年龄区间、与用户位置距离属性等区间属性，用如下矩阵表示：
[a11…a1m???an1…anm] （3）
式中，区间属性[an1]的取值范围为：
[[min（a*l），max（a*l）]， 1≤l≤r] （4）
离散属性[an1]的取值范围为：
[a*l（r+1≤l≤r+s）] （5）
对医院属性进行建模后，可以用一组向量来表示用户的偏好模型，可以表示为[]，比如某用户的兴趣模型为，表示该用户偏好的价格区间为0～200元，可接受的距离为2 000 m以内，能够提供免费WiFi，有停车位，要看内科并且该科室医生的就医年龄在3年以上。
2.3 情境信息建模
为了方便情境信息模型的创建，需要做以下工作：首先须定义情景信息，即确定在本推荐系统中需要获取哪些情境信息；然后确认如何采集这些情境信息。本文中，本推荐系统需要的情境信息包括：用户当前位置、当前时间、当前天气情况、周围交通情况等。
3 规则库的分析与设计
本文所涉及的规则库中规则的形式均为：[AB（P）]，即若A则B同时伴有一个概率值P，其中A为用户的属性或者情境信息，B为医院的属性，P表示医院匹配用户需求的程度及用户与当前情境对某个医院属性的偏好概率。如规则库中的某条规则：若60则[0～2 000]（0.64）。该规则表示，如果用户年龄为60，那么为其推荐距离在2 000 m以内的医院概率为0.64。
3.1 获得个性化用户短期偏好
根据用户当前的时间、天气、位置、环境属性，确定用户短期偏好矩阵，并根据用户偏好，由偏好规则集1作用后，对该矩阵进行修正，得到如下矩阵：
[T1T2T3…W1W2W3…L1L2L3…E1E2E3…] （6）
式中，[Ti]，[Wi]，[Li]和[Ei]分别表示在当前时间、当前天气、用户当前位置和当前所处环境下，用户对于i类医院的偏好概率。
用户对于所有医院的推荐概率排序根据下式：
[Ki=14（Ti+Wi+Li+Ei）] （7）
得到医院类别的推荐排序表。
3.2 获得用户长期偏好
根据偏好规则集2，将用户属性与规则库中的规则进行匹配，以得到对某医院科室的偏好概率为：
[Q11…Q1n???Qm1…QmnQij] （8）
式中：m行表示用户的m个属性；n列表示n个医院的科室；[Qij]表示用户的属性i对医院的科室j的偏好程度。由式（9）可计算出用户对于医院科室的偏好权重：
[Xj=i=1nQijn] （9）
根据偏好规则集3，将用户属性与规则库中的规则进行匹配，得到用户对医院科室医生的偏好概率，得到如下矩阵：
[q11…q1n???qm1…qmn] （10）
将由规则集2及各种属性计算所得的用户对医院科室的偏好权重与由规则集3及各种属性计算所得的用户对医院科室医生的偏好概率相乘，获得用户对医生属性的偏好概率。将此偏好概率进行排序，最高偏好概率对应的医生即为用户的长期偏好。
3.3 确定每个医院的推荐概率
根据规则集4，将推荐列表中的各个医院与规则进行匹配，其各个属性的偏好概率加权平均，由此得到用户对医院的偏好概率，将此值与对于医院类别的偏好概率相乘，得到的结果即为对用户推荐某医院的概率值。
医院用户的兴趣不断发生改变，则会出现新的关联规则。新规则产生遵循以下三个原则：旧规则不再出现；有新的规则；规则在一定的时间内重复。
当用户搜索某一医院时，算法会提供关于该医院所具有的关联规则，并将推荐概率高的n个医生推荐给用户，用户从这n个医生中选择适合自己病情的医生，此时就会导致所用规则的推荐概率发生改变。如此循环，系统会有针对性地向用户推荐医生，提高医院与医生的知名度，并且提高推荐的准确率。
4 系统实现与应用
本应用由配置在Windows操作系统上的Tomcat服务器提供Web服务，客户端应用使用HTTP协议进行访问获取信息。客户端应用采用Eclipse为Android客户端开发工具，Myeclipse 10为服务端开发工具，具有应用显示与后台程序和服务端程序相分离，使得整个应用框架清晰、易于维护、扩展性强。数据存储在SQL Server 2008数据库中，使用存储过程处理应用中的业务流程，避免了写在服务器代码中而出现的频繁编译与部署等弊端，提高其维护性。本系统录入了山西省晋中市榆次区的各个医院信息，推荐结果界面如图4和图5所示。图4为该应用的首页展示，其中医院专区的结果为根据用户属性信息推荐的两个医院；图5为在医院类别中搜索诊所得出的推荐列表。
5 结 语
目前医疗信息服务中的信息化进程相对落后，基于位置针对医院及其科室的推荐系统还比较少见，不论是用户的访问记录还是评价反馈都较难获取，因此如何应对应用的“冷启动”问题对于LBS医疗信息服务推荐系统来说是一个重大挑战。本文提出了基于规则的医疗推荐，不仅会降低用户学习成本，还不存在“冷启动”问题。本文给出所提出推荐系统的流程图，并对用户的偏好进行建模，基于此建立相应的规则库，并对新产生的规则进行定义。推荐系统的优劣评价实质上是很复杂的，依赖于应用的使用程度及商业效果，系统最终会通过在实践应用中进行不断的优化。
参考文献
[1] 李迎辰.基于社交网络的移动应用推荐系统研究及应用[D].重庆：重庆大学，2014.
[2] RICCI F. Mobile recommender systems [J]. Information technology & tourism， 2010， 12（6）： 205?231.
[3] TIWARI S， KAUSHIK S， TIWARI S. Location based recommender systems： architecture， trends and research areas [C]// Proceedings of IET International Conference on Wireless Communications and Applications （ICWCA 2012）. Huangshan， China： IET Digital Library， 2012： 71?77.
[4] SHABIB N， KROGSTIE J. The use of data mining techniques in location?based recommender system [C]// Proceedings of the International Conference on Web Intelligence. Nanjing： Mining and Semantics ACM， 2011： 71?81.
[5] GE M， DELGADO?BATTENFELD C， JANNACH D. Beyond accuracy： evaluating recommender systems by coverage and serendipity [C]// Proceedings of the Fourth ACM Conference on Recommender systems. Barcelona： ACM， 2010： 257?260.
[6] 刘平峰，陈冬林.基于知识的电子商务智能推荐系统平台设计[J].计算机工程与应用，2007（19）：199?201.
[7] 韩忠民.知经纬度计算两点精确距离[J].科技传播，2011（11）：211.
推荐一个好地方范文3
[关键词]e-learning；协同过滤技术；学习资源；个性化推荐
[中图分类号]Tp391 [文献标识码]A [文章编号]1672-0008(2011)03-0066-06
一、引言
e-learning已成为企业开展员工培训的有效方式之一。目前，许多企业在企业内部网或互联网搭建了e-learning支持系统。随着e-learning应用实践的深入，e-learning支持系统中学习资源数量日渐增多，导致员工需要花费大量的时间和精力在平台中检索和查阅符合自己需要的学习资源，甚至找不到符合自己兴趣和工作岗位需求的学习资源。
通过分析多个企业e-learning门户系统，我们发现，当前e―learning系统推送学习资源的方式有三种：
(1)Top-N推荐方式，即采取将点击率最高的前N个热门资源推荐给用户。点击率的高低在一定程度上反映学习资源的受欢迎程度，但无法实现个性化推荐。在包含多种职业领域的学习资源管理系统中，学习者对资源类别、媒体类型需求迥异，点击率较高的学习资源，只能反映部分学习者的需求和偏好。
(2)关键字查询方式。这种方式具有便捷和快速的优点，但是这种被动式资源查询方式只追求目标资源与所提供检索关键字的契合程度，无法体现目标资源质量的高低，无法实现资源主动式个性化推荐。
(3)最新资源推荐。这种方式可以将资源库的更新情况在第一时间反馈给用户，增加最新学习资源被访问机会，但是资源的质量无法保证，个性化的推荐无法实现。鉴于以上资源推送方式存在的不足，如何解决e-learning系统中学习资源的主动式个性化推荐，成为当前教育技术学研究人员面临的研究主题之一。
个性化推荐技术能克服传统资源检索方式的缺陷，其中，协同过滤推荐技术是一种应用最为广泛的个性化推荐技术。目前，协同过滤技术已成功应用于电子商务领域。本研究尝试将协同过滤推荐技术引入e-learning系统的学习资源个性化推荐中，以推进这一研究主题的深入。
二、文献综述
(一)个性化推荐技术
个性化推荐是推荐系统根据用户的个性化特征，如兴趣、爱好、职业或专业特点等，主动地向用户推送适合其学习需要或可能感兴趣的信息资源的一种推荐技术。此外，个性化推荐技术可以共享用户间的经验，为目标用户推荐其相似用户群偏好的信息资源。其工作原理是：首先根据用户信息建立用户兴趣模型；然后，在信息资源库中寻找与其匹配的资源信息并产生推荐，以满足不同用户的个性化需求。按实现算法和实现方式的不同，个性化推荐技术可分为基于关联规则的推荐、内容过滤推荐、协同过滤推荐等三种，也可以综合以上三种推荐方式产生新的混合型推荐算法。
1.基于关联规则的推荐
基于关联规则的推荐技术的工作原理：首先由管理员定制一系列的规则条目，然后利用制定的规则度量项目间的相互关联性，将关联密切的项目推送给用户。在进行推荐时，系统分析用户当前的兴趣爱好或访问记录，然后按照事先制定的规则向用户推荐其可能感兴趣的资源项目。例如，对于一个正在学习网页设计技术的学习者来说，当他点播以ASP网页设计为主题的学习资源时，系统向他推荐了与HTML技术相关的学习资源。这是因为HTML技术是网页制作的基础知识，学习者有可能并未很好掌握，或者仍有兴趣深入学习。这样就形成了一个基于关联规则的推荐。
基于关联规则的个性化推荐存在两个缺点：
(1)规则无法由系统自动生成，必须由管理员手动定制，这无法保证推荐的精确度，而且规则的制定和维护的工作量大；(2)规则在制定之后不能动态变化。制定后的规则只能为用户推荐与其原始兴趣相符的资源条目，无法为其推荐其它高质量的资源，更不能发现用户潜在的兴趣点。
2.内容过滤推荐
内容过滤推荐技术是信息过滤中最基本的一种方法，是较早被提出的一种推荐技术。内容过滤的工作原理：采用概率统计和机器学习等技术实现过滤，首先用一个用户兴趣向量表示用户的信息需求；然后对文本集内的文本进行分词、标引、词频统计加权等，生成一个文本向量；最后计算用户向量和文本向量之间的相似度，把相似度高的资源条目发送给该用户模型的注册用户。
内容过滤推荐技术适用于推荐文本类型的学习资源，不适用于推荐多媒体类型的学习资源。内容过滤推荐技术需要在分析文本资源结构的基础上，抽象出若干个代表文本特征的关键词，描述资源内容特征。对于其它形式的学习资源(动画、音频、视频等)，该技术不能用几个关键词概括它们而无法做出较高精度的推荐。另外，内容过滤推荐只能根据资源向量同用户向量的匹配程度向用户推荐相关资源，无法筛选出优质的资源。
3.协同过滤推荐
与前两种推荐技术不同，协同过滤推荐需要在分析资源内容、计算资源和用户的匹配度的基础上产生用户推荐，产生推荐的依据是用户对资源的评分。协同过滤推荐的工作原理：首先分析用户特性，如兴趣、职业等信息；然后利用相似性算法计算用户间的相似性，找出与目标用户相似性最高的k个用户；最后参照邻居对资源的评分预测目标用户对资源的评分，将预测评分最高的n个资源推荐给目标用户。
协同过滤推荐技术具有以下三个特点：(1)较好的普适性。与其它个性化推荐技术不同，协同过滤推荐算法所依赖的是用户对资源的评分，和资源的内容或者形式无关。这一特点使得协同过滤推荐不仅适用于容易抽象出特征向量的文本类资源，而且对动画、视频、音频等难以准确概括出特征向量的多媒体素材具有同样的推荐效果。(2)良好的推荐精度。用户对资源的评分反映了用户对资源的满意程度，在绝大多数情况下代表了资源的品质，使建立在评分数据基础上的协同过滤推荐具有出色的推荐准度，其推荐结果在质量上能够得到保证。(3)共享好友经验。由于协同过滤推荐通过目标用户(项目)的邻居预测评分，使得相似用户间彼此共享资源使用经验。通过分享邻居的经验发现目标用户的潜在兴趣点，能拓展其学习思路和提供学习支架，使得推荐更加高效。
三、协同过滤推荐技术
(一)概述
协同过滤概念的提出要追溯到上个世纪，在1992年由Goldberg、Oki、Nichols和Terry首次提出，首先应用在Tapestry系统中。作为协同过滤技术的第一代产品，Tapestry系统存在诸多缺陷，没有达到成熟的程度。发展至今，协同过滤技术在互联网的众多领域得到了广泛地应用，如电子商务领域的Amazon、Netflix、Taobao，国内主流的视频点播网站Youku、Tudou等。协同过滤推荐技术已成为流行的个性化推荐技术之一。
协同过滤算法分为两大类：基于存储(Memory-based)的协同过滤算法和基于模型(Model-based)的协同过滤算法。目前，大部分协同过滤算法的实际应用都属于基于存储的协同过滤算法范畴。
基于存储的协同过滤算法包括基于用户(User-based)的协同过滤算法和基于项目(Item-based)的协同过滤算法。它以用户――项目(信息资源)评分数据为基础，通过使用不同的相似性度量方法，计算用户或者项目之间的相似性值，形成邻居用户或者邻居项目集合；然后，以邻居集合中用户对项目的评分为依据，预测用户对未评分项目的评分，形成推荐项目列表，以合适的视图呈现给用户。
基于模型的协同过滤算法首先建立一个用户――项目评价模型，以此模型为依据提供对项的推荐。基于模型的协同过滤算法同基于存储的协同过滤算法的区别在于，基于模型的方法不是基于一些启发规则进行预测计算，而是基于对已有数据应用统计和机器学习生成的模型进行预测。目前，基于模型的协同过滤算法主要有聚类模型、Bayes模型、关联规则模型、语义生成模型等几种。
(二)协同过滤推荐技术的实现
协同过滤推荐基于以下假设：如果用户对一些项目的评分比较相似，则他们对其它项目的评分也比较相似；如果大部分用户对一些项目的评分比较相似，则当前用户对这些项目的评分也比较相似。协同过滤推荐系统使用统计技术搜索目标用户的若干最近邻，然后根据最近邻对项目的评分预测目标用户对项目的评分，产生对应的推荐列表。协同过滤推荐的实现流程包含三个关键步骤：获取及表示用户信息、形成邻居和产生推荐。
1.荻取及表示用户信息
用户数据包括三类：用户注册信息、用户学习数据和用户行为记录。推荐系统获取用户行为数据有显式评分和隐式评分两种方法。显式评分是指用户通过直接打分的形式给资源的评分过程。隐式评分是记录用户行为数据，将其加权转化为用户对资源的评分。显式评分和隐式评分各有其优缺点，前者比较直观，能准确反映用户对资源喜好程度，但由于评分操作可能中断用户的学习行为，所以会给用户带来一些不便；后者通过分析用户相关信息而间接得到评分，不需要增加用户额外的操作，但其缺点是相关用户数据在某些情况下不能准确地反映用户的喜好，使评分的准确性下降。
协同过滤技术将获取的数据以用户一资源评分矩阵的形式表示，如表1所示。其中，第i行第j列的元素R代表第i个用户对第i个资源的评分。
2.形成邻居
寻找目标用户的邻居是协同过滤技术的最核心步骤。所谓邻居，即与目标用户i具有相同或者相似兴趣的用户群。计算目标用户i和其他用户i之间相似性的过程：首先筛选得到用户i和用户j共同评分的所有资源集合Resli=Resln Res，，然后通过相似性度量方法计算两个用户之间的相似性。目前常用的相似性度量方法有：余弦相似性、相关相似性和修正的余弦相似性。
余弦相似性是最为传统的相似性计算方法，而修正的余弦相似性算法的计算过程为：推荐系统中的不同用户在学习经历、对资源的要求、价值标准等各方面都存在较大地差异，用户对资源的评分在很大程度上建立在用户的主观判断上，所以会体现出对资源的评价尺度上的差异性，为了适应这种状况，需要适当地修正余弦相似性算法。修正的余弦相似性算法在计算用户对资源评分时减去用户对资源的平均评分，弱化由于用户间评价尺度的差异性带来的评分误差，因此较传统的余弦相似性算法得到更为准确地相似性值。
3.产生推荐
产生推荐是协同过滤推荐算法的最后一个步骤。产生推荐的计算过程是通过邻居集对资源的评分预测目标用户学习资源的评分：用户i对项目s的打分R，通过其他用户(即邻居集x中的用户)对s的打分计算得到，在预测了用户i对资源集s的评分R之后，取R值最大的前若干项资源推荐给用户i基于协同过滤的推荐算法流程如图1所示。
(三)协同过滤推荐系统的案例分析
协同过滤推荐算法作为一种高效的资源推荐技术，在电子商务及网上视频点播领域已经得到广泛、成功的应用。全球最大的图书销售网站Amazon(亚马逊)，国内最大的电子商务网站Taobao(淘宝网)，以及国内知名的视频网站Tudou(土豆网)等。在本节中，我们将Amazon网站的协同推荐算法作为案例加以分析。
Amazon网站的协同过滤推荐算法与传统的算法有一定差异，它采用的是所谓的item-to-item协同过滤算法，类似于传统协同过滤推荐算法中基于项目(itern-based)的推荐算法，其算法流程如图3所示。
与传统的协同过滤算法相比，hem-to-item~法的优点是：商品(项)之间的相似度计算可以离线进行，这提升了系统对用户请求的响应速度；同时，由于不同用户共同购买的商品数量很小，所以商品间的相似度计算更为快速。其不足之处在于：离线计算的形式不能实时地反映用户对商品的评价情况，影响了相似度计算以及推荐的精度。
我们通过一个简单的实例进一步说明该算法的计算机过程。表2中的数据是一个简化的图书购买信息表，其中“1”表示购买，“O”表示未购买。
对于上表，以“赵大”为例，说明item―t0一item协同过滤算法的计算流程：
(1)根据用户购买行为生成“资源――用户”向量。将表中以书名划分的每一个条目转化为向量，各条目及对应向量如下：《TCP／IP协议解析》：Vecl=；《算法导论》：Vee2=；《人工智能》：Vee3=；《Linux~作系统》：Vec4=；《概率统计》：Vec5=。
(2)两两计算资源条目间的相似度。此过程的计算操作可以离线进行，采用的是前文介绍的修正的余弦相似性计算方法。“赵大”购买了《TCP／IP协议解析》和《人工智能》两书，他们与其它书目的相似度为：《TCP／IP协议解析》：Sirel：=0.82，Sire=0.82，Siml4=0.82，Siml，=0.41；《人工智能》：Sim2l=0.82，Sim23=0.5，Sim24=0，Sim25=0.5。
(3)产生推荐结果。通过对比得出，与《TCP／IP协议解析》有最大相似度的是《算法导论》和《人工智能》，与《人
工智能》最为相似的是《TCP／IP协议解析》、《算法导论》、《概率统计》，最后，推荐系统取两者的交集，将《算法导论》推荐给“赵大”。
(四)协同过滤推荐算法存在的缺陷
从Amazon的案例分析我们看到，协同过滤推荐技术可以为用户找到与其原有兴趣点最为契合的资源。然而，该技术产生精确推荐的前提是要有足够多的评分数据，即较高的用户――资源评分率。然而，对于大型的应用系统(电子商务网站、e-learning平台等)来说，其数据库中的资源项目的数量异常庞大。目前，在Amazon网站上销售的书目已超过310万之多，每个用户访问并评价的资源数目只占其中很小的一部分，这将导致用户――资源评分矩阵极为稀疏，由此产生协同过滤算法的第一个缺陷：数据稀疏。这种情况使得系统难以成功的产生邻居用户集，用户间的相似性计算非常耗时，产生的推荐结果也难尽人意。
协同过滤推荐技术的第二个缺陷是“冷启动”问题。一方面，对于一个新注册的用户来说，由于系统中没有该用户的任何资源访问记录，所以系统无法为其找到邻居用户集，更无法对其进行推荐；同样的，对于一个新加入的资源，系统中也不存在对该资源的任何评分记录，因而无法被协同过滤算法所推荐。这两种“0评分”情况构成了协同过滤算法的“冷启动”问题。
在下一部分，笔者将综合相关学者提出的协同过滤优化算法，形成一种组合的协同过滤推荐算法，提出个性化的学习资源推荐模型，以在一定程度上降低两大问题给推荐带来的负面影响。
四、基于协同过滤技术的学习资源个性化推荐模型
(一)两大缺陷的解决思路
首先，对于“数据稀疏”问题，目前流行的有两种解决方法：一种是缺省值法，也就是将用户对未评分项目的评分统一设置设为一个固定的缺省值(通过情况下取用户对项目评分的平均值，如5分制中的2.5分)，这个方法虽然简单，但可以在一定程度上缓解数据稀疏问题；另一种方法是项目评分预测法，可通过计算资源条目之间的相似性，由用户对相似项目的评分来预测用户对未评分项目的评分，使得用户之间共同评分的项目比较多，从而有效地解决用户评分数据极端稀疏情况下传统相似性度量方法存在的不足。
其次，对于“冷启动”问题，我们引入内容过滤克服协同过滤推荐算法的不足。具体实现方法：对用户――资源的评分率设定一个阈值，当评分率小于阈值时即可认为处于“冷启动”状态，此时采用内容过滤推荐的方式。由于内容过滤是根据用户兴趣模型与资源向量空间模型的匹配来产生推荐，其对每个用户的操作都是独立的而不依赖其他用户对资源的评价，因此能够比较好地解决“冷启动”问题。
(二)个性化推荐模型结构
前文我们已经对协同过滤推荐算法从算法原理到实现过程都作了细致的分析，并提出了对协同过滤算法两大问题的解决思路。在此基础上我们构建了一个基于协同过滤技术的学习资源个性化推荐系统的理论模型，该模型主要包括数据支持、协同过滤推荐引擎和新进资源推荐等三个模块，如图4所示。
1.数据支持
数据支持模块为一个信息数据库，其中包含四个数据表：用户信息表、学习行为数据表、资源信息表、资源评分数据表。(1)用户信息表：存放学习者的个人信息，包括注册时填写的基本信息，以及通过Web数据挖掘技术得到的其它相关信息，如兴趣、习惯、资源偏好等。为了提升协同过滤推荐的准确度，要求系统对用户个人信息的掌握越详细越好。(2)学习行为数据表：保存学习者在学习过程中产生的学习行为记录。系统通过跟踪、记录学习者的各种行为数据，经过分析后抽取其中能较好体现学习者对资源偏好的行为数据(如对资源的下载、阅读、收藏、推荐等)记录到该数据表中。学习行为数据是用户对资源条目隐式评分的数据来源。(3)资源信息库：保存了系统中各种学习资源信息，如课件、案例、试题、新闻、文献等。(4)资源评分数据表：保存学习者对学习资源的评分信息。该表是协同过滤算法的主要数据支撑。协同过滤算法通过分析用户――资源评分数据、计算用户或者资源之间的相似度来为用户产生推荐。
2.协同过滤推荐引擎
该引擎是推荐系统的核心模块，学习资源个性化推荐实现的中枢，其实现流程如图5所示。
整个推荐引擎的算法流程可以概括为以下几步：第一步，检索数据库，形成用户――资源评分矩阵；第二步，计算数据稀疏度，在此把数据稀疏度定义为：
第三步，根据稀疏度值选择用何种方法对协同过滤算法进行修正。此处，我们设置了一个阈值，Th value’作为选择进行评分预测或者内容过滤的临界值。当SparsityTh value时，将采用评分预测算法进行修正；第四步，形成邻居，并最终对用户产生推荐。
3.新进资源推荐
该模块主要针对协同过滤推荐技术中“冷启动”问题而设计。它的主要功能是分析每个学习者的兴趣、爱好与专业(职业)类别，并为其推荐相关领域的最新资源，以提高最新资源的被访问率。协同过滤推荐的基础是用户对资源的评分，但是一个刚加入到资源库的资源如果还没有被学习者访问和评价而一直处于被访问的等待队列中，那么它将永远没有机会为系统所推荐。通过新增这一模块，能在一定程度上克服协同过滤中的冷启动问题，提高新人库的学习资源被访问的机率。
(二)隐式评分的引入
协同过滤推荐算法的一大优点是对各种不同的资源类型都具有很好的适用性，这使得该算法可以轻易地从电子商务领域移植到e-learning系统中。然而e-learning系统中学习者的学习行为有异于电子商务领域中消费者的购买行为，前者要考虑的因素更多。考虑到e-learning系统存在这样的情况：即有一部分未被评分的学习资源事实上已经被学习者点播或者学习。我们可以通过分析用户对于这一部分资源的学习行为，形成一个隐式评价模型。用户的学习行为中如果出现了表示用户对资源喜好的行为因素(下载、收藏、推荐、学习时长等)，就可以把这些行为加权转化为用户对资源的隐式评分。
隐式评分是通过计算用户各特定行为或者行为组合的分值而得到的。如表3所示，为了方便期间，我们用D、c、R、T四个字母分别代表下载、收藏、推荐、学习时长(>30min)等四种行为，资源评分的最高分为10分。
在e-learning系统中引入隐式评价有两个好处：第一，通过用户自身的学习行为来计算其对资源的评分，具有比预测更高的可靠性；第二，可以增加资源的评分率，使得预测算法有更多地评分数据可以参考。这将在一定程度上缓解协同过滤算法的“数据稀疏”问题，从而间接地提高了预测评分的准确性。
(三)有关模型的几个关键问题的讨论
为了满足学习者的个性化学习需求，我们从学习资源人
手，提出了基于协同过滤技术的学习资源个性化推荐系统模型。该模型能有效指导e-learning个性化学习环境的设计，提高e-learning绩效。但是，这其中有多个因素会影响个性化推荐的精度，降低算法的推荐效率，从而导致推荐结果难以满足学习者的个性化学习需求。
1.学习者兴趣偏好的获取及更新
在个性化推荐系统中，学习者的兴趣和偏好的地位相当于坐标系中的参照点。因为一个好的个性化推荐系统所推荐的资源应能够很好地符合每个用户的兴趣、偏好，所以，学习者兴趣、偏好的抽取过程与方法在推荐系统中显得极为重要。另外，由于学习者的兴趣、偏好和知识水平不是一成不变的，推荐系统应能够很好地追踪这些变化并及时地更新相关信息，以满足学习者新的个性化需求。
2.学习者学习行为的跟踪
学习者特定的学习行为能体现出学习者当前的学习偏好。例如，他学习了哪份教材第几章第几节的内容，这就说明他当前比较热衷于学习这一节所涵盖的知识点，可以对其进行有针对性地推荐。同样，学习者收藏、下载、推荐学习资源的行为说明学习者对这项资源感兴趣。因此，系统应该有效跟踪这类学习行为，并将行为数据记录到数据库，作为协同过滤推荐中隐式评分的重要依据。除此之外，推荐系统应力求更全面地掌握其它能够体现用户偏好的行为要素，以期能够更为精确地掌握用户的兴趣、爱好，并对其产生最为合适的资源。
3.协同过滤推荐中两大问题的进一步研究
虽然在我们提出的组合协同过滤推荐算法中引入了项目评分预测和内容过滤推荐的方法，以解决协同过滤算法存在的“数据稀疏”和“冷启动”两大问题，但组合协同过滤推荐算法中仍有两个关键点需要进一步深入考虑：(1)阈值的选取。阈值决定了何时用项目评分预测与何时用内容过滤推荐，那么阈值在何值时才能使推荐引擎具有最优的推荐精度?这需要进一步的考证；(2)两大问题更优解决方法的探寻。诚然我们提出的组合算法能在一定程度上缓解协同过滤算法的两大问题，但是否还存在更为有效的解决办法，需要我们开展进一步的工作去探究、找寻，以期找到更为完美的解决方案
五、结论与未来研究展望
推荐一个好地方范文4
一、深化思想认识，增强做好民主民主推荐制度创新的自觉性、坚定性
（一）坚持民主推荐制度，是建设社会主义政治文明对干部选拔任用工作的必然要求。作为社会主义政治文明建设的重要组织部分，干部选拔任用工作的出发点和归宿是保证人民群众当家做主，这就必然要求我们在干部选拔任用工作中要坚持民主推荐制度，落实和扩大人民群众的知情权、参与权、选择权和监督权，使人民群众当家作主的权利通过民主推荐的形式得到具体体现。通过坚持民主推荐制度，来扩大干部选拔任用工作的民主，依靠广大党员和人民群众的智慧和力量，深化干部人事制度改革，建立健全适应新形式新任务的干部选拔任用机制。
（二）坚持民主推荐制度，是贯彻党的群众路线的重要体现。在干部任用工作中走群众路线，是党的组织工作的一贯方针和优良传统，也是我们党干部工作经验的科学总结。民主推荐作为选拔任用干部工作的首道关口，其主要特点就是让群众参与到干部选拔当中，谁该提拔，谁不能提拔，让群众有充分的发言权。坚持民主推荐制度，对于坚持党的群众路线，坚持群众公认原则，扩大干部群众中的民主，提高选人用人质量，起着重要的积极作用。因此，我们必须通过做好民主推荐制度工作，充分发挥党内民主和群众民主，广泛倾听民声、尊重民意、集中民智，坚持作到“在多数人中选人”、“有多数人选人”，从而把那些德才兼备的人选拔到领导岗位上来，使党的群众路线在新时期的干部工作中进一步得到体现。
（三）坚持民主推荐制度，是选准用好人的保证。千秋大业，重在用人。综观中国历史，在选任用人上存在这两种完全不同的方法，从而带来了完全不同的社会后果。一种是能广泛听取各方面意见，集思广益，如此，就能准确的识人用人，事业就能得到发展；另一种是听不进不同的意见，个人说了算，结果造成用人失当给事业造成重大损失。因此，我们一定要充分认识到创新完善民主推荐制度是扩大民主、防止用人失误、建设高素质干部队伍的有效保障，进一步增强自觉性、责任感，切实把这项工作做好。
二、总结成功做法，奠定民主推荐制度创新的基础
（一）在集中提拔调整时，要注意搞好会议投票推荐与个别谈话的结合。会议投票推荐的特点是参与投票的范围比较固定，投票不记名，一是便于组织且保密性强，人们敢于表达自己的真实意愿；二是参与人员相对固定，容易产生不同形式的拉票现象，导致推荐的准确度下降。个别推荐要谈推荐理由，一方面对推荐人也是一个考核，促使推荐人更加负责，另一方面，它工作量大，费时多，参加推荐的人数少和会议推荐相比代表性不强。在民主推荐时，对两种方法结合使用，可以优势互补，相互印证，便于综合分析，保证客观公正准确地了解被推荐对象的群众公认度。在会议投票推荐中，要恰当确定参加会议人员的范围，把民主推荐建立在广泛的群众基础之上，并对不同层次人员的投票分别统计，综合分析，掌握干部在不同层次群众中的公认度。在个别谈话中，既要讲明具体要求，又要讲究座谈艺术。
（二）在平时调整干部时，搞好拉动推荐。在目前的干部调整中，由于职数的限制，更多的调整是平极调整。要想人尽其才，才得其位，必须让群众评判，尊重群众意愿，这就要用拉动式推荐。拉动式推荐就是根据空缺位置的要求，在同级干部中推荐人选，然后依次类推。实践证明，凡是采用拉动式推荐了解干部情况，并根据工作表现和群众推荐来平调使用干部的，一般干部适应岗位快，群众比较满意，实际效果比较好。
（三）在选用一些特殊职位干部时，做好专项民主推荐工作。在班子建设中，由于优化结构的需要，常常需配备一些妇女、少数民族、非党员、35岁以下的干部，在常规的选拔使用干部时，在具备了基本的提拔使用条件的人选中，这些干部相对较少，优势不够明显。因此，想要选拔出某一特殊职位所需人选，用一般性的民主推荐常常难以选出优秀人才。这就需要专项民主推荐，即根据选用某一特殊类型干部的需要，向参加推荐的干部群众讲明推荐的特殊要求，统一思想认识，并提供具备特殊岗位职务条件的人员名册和相关情况，让推荐人员在这类人员中平衡比较，优中选优推荐出合适的人选。
（四）在公开选拔中，内外结合，做好印证式民主推荐工作。首先，要在公选干部所在单位进行民主推荐。这种推荐优点是单位人员比较了解情况，评价比较贴近实际，但同时也存在由于是与外单位、外系统人员竞争，为了本单位多出人才，容易出现推荐一边到的情况。因此，除了要在公选考察对象所在单位进行民主推荐之外，还应该由考察对象所在单位的上一级党委组织有关人员进行民主推荐，参加民主推荐的人选为上级党委在组织民主推荐时应参加的人员。两项民主推荐相结合，有利于更准确地反映考察对象的情况。
在总结《干部任用条例》颁布以来民主推荐工作经验的同时，也应看到目前这项工作还存在着一些亟待完善的地方，其中群众反映多的是“公论不公”和“惟票取人”现象，需要我们在今后的工作中加以研究解决。
三、明确干部任用走向，搞好民主推荐制度创新
搞好民主推荐制度创新，离不开对干部工作大局的把握。目前，干部工作的走向主要有五个方面：一是干部任用工作将更加公开透明，二是干部任用工作更坚持群众公认，三是干部任用工作更注重程序，四是干部任用工作更加注重政绩，五干部任用工作是更加强化责任。我们要把握好这五点，抓住六个关键环节，创新民主推荐制度。
一要扎实做好推荐的准备工作。在民主推荐之前，根据领导班子和干部队伍建设的实际需要制定出科学合理的推荐方案，确定推荐职务以及被推荐人选的年龄、学历、职务等标准。
二要做好宣传教育工作。在民主推荐动员会上在阐明民主推荐的意图，公布推荐的职位、职务条件、程序、参加人员范围等事项的基础上，力求提供符合条件人员的名单，印发有关人员的工作简历、主要实绩、年度考核情况，便于群众了解认识，评判选择推荐对象。此外，还要认真组织宣传，加强思想教育，使群众珍惜自己的民利，了解民主推荐的程序、条件和要求，出于公心、不受干扰慎重的对待自己投出的神圣的一票；要教育被推荐对象以高尚的道德品质、公道正派的处事方法、精明强干的优秀才能、勤政为民的工作态度、成效显著的工作业绩赢得群众的赞成和拥护。同时，还要严明纪律，发现有拉票行为的要严肃处理，取消其资格。
三要进一步扩大民主推荐干部的人员范围，尽可能让更多熟悉情况的群众参与民主推荐干部工作，自主推荐人选，自觉的对民主推荐干部工作进行监督，从而真正把民主推荐干部的权利交给群众，使干部推荐的过程和结果真正反映群众的意愿。当然，实践也证明，提高考察结果的准确程度，并不是单纯依靠群众的参与范围就能解决的，还要在考虑参加人员广泛性的同时，合理把握好参加人员的代表性。
四要采取灵活多样的推荐办法。积极探索根据不同职位的需要，改常规的职级推荐为职位推荐，对任职条件、任职资格提出特殊要求，体现人岗相适应的原则。也可根据职位特点和要求，变等额推荐为差额推荐，扩大群众和组织选择的余地。还可以尝试多轮推荐、突击推荐、署名推荐等多种方法，做到大会推荐与个别推荐相结合，无记名投票推荐与署名推荐相结合，组织推荐与领导干部个人推荐相结合，从而提高民主推荐的准确性、科学性。
推荐一个好地方范文5
【关键词】 中医药； 知识服务； 知识推荐； 移动互联网； 移动设备
Preliminary Research on TCM Knowledge Recommendation Via Mobile Internet/ YU Tong， MAO Yu-xin， GAO Hong-jie，et al.//Medical Innovation of China，2015，12（36）：115-118
【Abstract】 A core problem of knowledge services in Traditional Chinese Medicine （TCM） domain is as follows： in the face of massive knowledge resources， how to automatically find out which ones a user may be interested in so as to realize active knowledge recommendation. Mobile Internet， with its popularity， convenience， and ability to collect personal information， provides an ideal platform to solve this problem. This paper introduced the concept and background of personalized knowledge recommendation， analyzed the current status of TCM knowledge recommendation via mobile Internet， and proposed existing problems and research thoughts.
【Key words】 Traditional Chinese Medicine； Knowledge service； Knowledge recommendation； Mobile internet； Mobile device
First-author’s address：Information Institute of Traditional Chinese Medicine， China Academy of Chinese Medical Sciences， Beijing 100700，China
doi：10.3969/j.issn.1674-4985.2015.36.038
中医药是中华民族优秀文化的一个重要组成部分，它历史悠久，源远流长。数千年来，历代医家在医疗实践中积累了丰富的经验，创立了兼具理论深度和民族特色的中医药知识体系，为中华民放的繁衍昌盛作出了杰出的贡献。随着我国社会从温饱到小康的转型，百姓的生活水平日益提高，开始更加重视生活品质，追求延年益寿，因此对中医养生保健知识产生了日益强烈的兴趣。
近年来，中医药领域的信息化建设取得了长足进展，建设了大量的文献库和数据库，形成了相对完整的中医药科学数据体系[1] 。这些数字化资源中，蕴含着丰富的中医药知识。如何将这些知识资源与人民群众分享，使普通人从中受益，是一个非常重要的问题。基于互联网的中医药知识服务系统能够整合中医临床知识、中医药理论知识、中药方剂知识和中医疾病知识等中医药知识资源，面向网络用户提供中医知识或其他的数字化服务，是在人民群众中普及中医药知识的一种有效手段[2] 。
中医药知识服务系统一般都实现了知识检索功能，能帮助用户从海量的中医药文献和知识资源中迅速找到有关知识[3] 。但知识检索这种服务方式存在固有的局限性。为检出所需的知识，用户必须能够输入正确的检索词。这就要求用户已关注相关主题，并能用正确的医学术语将其表述出来。这对于医学专业人员可能并非难事，但对于普通人往往是一个很大的挑战。普通人很可能忽视了一些与自身健康有关的知识主题，甚至不清楚在网络上存在哪些有用的知识检索服务，因此无法充分获取在知识库中已经存在的知识。
为了弥补知识检索的局限性，可根据用户的特点向其进行主动的知识推送。不同用户对中医药知识的需求不尽相同，但人们往往对与自身体质和健康状况相关的中医药知识更感兴趣。若能根据用户的特点和偏好，向其提供个性化的知识推荐服务，则可更好地满足用户的需要。在下文中，将介绍个性化知识推荐的概念、背景和技术，阐述基于移动互联网的中医知识推荐服务的现状，提出存在的问题和研究思路。
1 个性化中医知识推荐
个性化知识推荐，是指根据用户的特点和偏好，向其提供具有针对性的知识服务。以中医为例，系统可根据用户的中医体质类型，向其推荐与该体质相关的知识；若用户患有某种疾病，则系统可优先提供该疾病的相关知识。为实现个性化知识推荐服务，需要搜集用户的个人信息。这些信息可由用户填写或设定，也可由用户使用行为推定。例如，用户可通过表单填写（或勾选）其所感兴趣的疾病；又如，用户输入的检索词，可反映出其所关心的主题。系统会为每个注册用户构建“用户模型”，用于描述用户的特点和偏好，判断用户的需求。
当用户访问系统时，系统会根据该用户的模型以及系统自身的推荐逻辑，确定针对该用户的知识推荐内容。例如，若系统测出用户属于气虚质，则会基于知识库向用户推荐气虚质适宜的饮食（如当季水果等）。个性化知识推荐方法是知识服务系统中的一项核心技术，它一般具有如下特点。
1.1 可定制性 知识服务根据用户的设定来实现。系统采取“量体裁衣”的策略，向用户提供和推荐具有针对性和相关性的知识，以满足用户的需求。
1.2 主动性 系统不仅被动地响应用户的知识请求，而且会“猜测”用户需要什么，并采用推荐、提醒、个性化知识展示界面等方式主动提供知识服务。
1.3 差异化 系统面向各类用户提供差异化的知识内容，满足用户的不同需求。用户会因自身特点和需求不同，得到不同的用户体验。
个性化知识推荐方法能进一步简化用户利用中医知识的方式和途径，降低中医知识普及的门槛，促进中医知识的共享和传播。
2 推荐系统技术概述
个性化知识推荐服务的后台需要推荐系统（亦称推荐引擎或推荐平台等，Recommender System）的支持。推荐系统能推测用户对某一信息条目的偏好程度，从大量信息中过滤出用户想要的信息[4] 。近年来，推荐系统在电子书店、视频网站以及搜索引擎等各种网络信息系统中得到了极为广泛的应用，成为一项功能强大、价值巨大的信息服务。
推荐系统的核心是其所使用的推荐方法（或称推荐算法）。目前，推荐方法主要包括“协同过滤”（Collaborative Filtering）和“基于内容的过滤”（Content-based filtering）两大类[5] 。协同过滤方法是根据某个用户的行为（对事物的购买、选择或评价等）以及其他用户的类似行为建立模型，再使用该模型预测该用户可能感兴趣的事物[6] 。基于内容的过滤方法是根据事物的特征判断事物之间的相似性，从而向用户推荐更多类似的事物[7] 。
很多其他的人工智能方法也可被应用于推荐系统。例如，主题模型（Topic Model）是能够从大量离散数据集中挖掘出隐含的主题结构的一类统计模型[8] 。这里的“主题”是指由一些语义相关的特征构成的、用来描述一个话题的抽象概念。利用主题模型可以识别一份文档所表达的主题，从而将该文档推荐给对相关主题感兴趣的用户。又如，社会网络分析 通过网络模型体现一类人群中个体之间的多层次交互关系。通过社会网络分析，可以发现人与人之间的爱好、生活习惯等相似关系，以此为基础对用户做相应的个性化推荐[9]。再如，利用关联规则挖掘（Association Rule Mining）算法，可从海量数据中发现事物之间的关联关系，然后据此进行相应的推荐[10] 。关联规则是形如XY的蕴涵式，具有一定的支持度和信任度。基于关联规则的推荐是以关联规则为基础，若用户特征满足规则头，则将规则体的内容作为推荐对象推荐给用户。
上述推荐方法都是基于统计的，试图从海量数据中挖掘用户的偏好和需求。“基于知识的推荐系统”（knowledge based recommenders）与这些方法不同，它不是基于海量数据分析的结果进行推荐的，而是基于事物分类、用户偏好、推荐原则等方面的显性知识的一种推理技术[11] 。基于知识的推荐方法因它们所用的“效用知识”（Functional Knowledge）的不同而有明显区别。效用知识是一种关于一个事物如何满足某一特定用户的知识，因此能解释需要和推荐的关系。效用知识可以是任何能支持推理的知识结构，它可以是用户已经规范化的查询，也可以是一个更详细的用户需要的表达式。此类方法可以在“协同过滤”和“基于内容的过滤”等方法不适用的领域发挥作用。其优点是不依赖于大量的数据积累，因此容易启动；其缺点是在定义推荐所需知识的过程中可能遇到知识获取瓶颈。
既然推荐系统已被成功应用于商业领域的商品关联推荐，它也就可能被用于中医知识的个性化推荐。可综合利用上述方法，研制面向中医药领域的个性化知识推荐系统，使之能够利用用户个人健康信息、人际网络信息和健康公共信息，向用户提供有用的知识和有效的建议，帮助用户决定应该进行什么有益的饮食规划、生活活动或疾病治疗规划，达到疾病防治和提高生活质量的效果。一个面向中医知识的个性化推荐系统将能够实时利用采集到的数据做出主动推荐，提高用户的疾病防治能力及其对中医知识的信赖度。
3 移动互联网和中医知识推荐
近年来，智能手机等移动设备迅速普及，移动互联网取得迅猛发展[12] 。移动互联网因其普及性、便捷性以及强大的个人信息采集和自动感知能力，为个性化知识推荐提供了理想的平台。首先，智能终端为用户个人健康信息的采集提供了便捷的手段，可通过规范化的问卷、量表采集用户个人健康数据并判断其健康状况。例如，可以基于中华中医药学会的《中医体质分类与判定》等标准，为用户提供“中医体质测试”服务；系统会列出一组与用户近期的体验和感觉相关的问题，根据用户的答案判断出用户的中医体质类型。其次，基于智能终端的传感系统自动采集时间、地域、天气等用户相关数据，这种用户情境感知能力能进一步提升推荐系统的精准性。例如，通过GPS系统，可感知用户的地理位置，据此推荐当地的美食，而无需推荐在当地不存在的食材及相关食谱。最后，智能终端为个性化中医知识推荐提供了移动应用程序、万维网、短信、微信等多种实现途径。
在中医药领域，已出现了过日子、中医养生、健康养生宝典、365健康养生、中华养生、中医美容保健、养生美颜听书等一系列面向社会大众提供知识服务的移动APP。许多产品会收集用户行为信息和健康数据，据此向用户提供知识推荐等个性化服务。例如，“过日子”会提请用户进行注册并填写个人健康信息，并根据用户“中医体质测试”的结果判断用户的中医体质，进而针对用户的体质类型提供个性化的知识推荐服务；“中华养生”以中医理论为依据，实现了养生提醒功能，适时推荐运动、食疗、调神等方面的养生知识，督促用户从事养生保健活动；“中医养生钟（普及版）”根据时辰（时间）与脏器经络的对应关系为用户提供养生提醒服务；“体质养生（食疗）系统”根据用户“中医体质测试”的结果提供个性化知识推荐，帮助用户在选择食物时能根据自身体质去分析营养价值，而不仅根据喜好[13] 。上述产品有助于用户获得日常健康维护、疾病预防和生活指导等方面的中医知识，指导并督促用户从事养生保健活动，以达到增强体质、预防疾病、颐养生命之目的。
4 存在的问题和研究思路
上述产品已初步实现了个性化中医知识推荐功能，但尚有改进空间。存在的主要问题是知识权威性和用户信任度较低[14] 。中医学术界多年来开展了大量的中医药信息化工作，组织全国一流专家进行数据库加工，建设了大量的中医药数据库[1] 。通过建立严格数据质量评价标准以及数据审校机制，保证了数据质量[15] 。这些数据库具有领域权威性，知识可信度高，为中医知识推荐服务提供了优质资源。需要研究如何对这些知识资源进行有效组织，并与用户对中医知识需求建立关联，使这些知识资源能更有效地支持推荐服务。
另外，上述产品的推荐机制的合理性尚未得到专家的论证，在推荐技术和方法方面尚有进一步研发和改进的空间。可根据个体化健康状态，以实时健康风险评估为基础，研究智能健康信息推荐技术，开发个性化中医知识推荐系统，即时提供满足百姓日常健康维护、疾病预防和生活指导方面的中医知识。其中涉及3项主要的研究内容。
4.1 用户个人健康信息模型的研究与设计 为实现个性化的知识推荐，首先需要设计符合移动互联网技术特点且具有中医特色的用户个人健康信息模型。需要对基于移动互联网的用户个体数据采集手段进行调研，分析现有的个人健康数据的内容、质量和利用价值，对用户的个体特征进行系统梳理和量化建模，形成一个相对完善的、领域相关的用户特征模型。
4.2 个性化中医知识推荐算法研究与实现 首先，可通过文献调研、专家咨询、用户访谈等方法，整理个性化中医药知识推荐的案例，明确知识推荐策略。进而，可采用知识表示技术，构建一个面向中医知识推荐的规则库，将推荐策略表达为形式化的知识推荐规则，从而建立个人健康信息模型与中医药知识资源之间的关联关系，实现基于规则的中医知识推荐。最后，可采用“基于知识的推荐”与“协同过滤”相结合的混合型推荐机制，研究和实现专门针对中医知识的个性化推荐算法。
4.3 中医知识主动推送网络服务的研究与实现 在研究和实现推荐算法的基础之上，需要进一步对该算法进行网络化封装，在万维网（Web）服务器端实现和部署知识推荐的网络服务（Web Service），使得移动客户端和其他信息系统都能动态调用知识推荐算法。该服务能够直接根据用户特征向移动客户端推送中医知识，从而实现基于移动互联网的个性化知识推荐。
5 小结
知识推荐与知识检索是知识服务的两种基本方式：知识推荐属于系统主动推送，知识检索属于用户主动提取。这两种方式相辅相成，相互融合，可以形成相对完整的中医知识服务技术方案，进一步提升知识服务系统的用户友好性和针对性。移动互联网的发展以及智能终端的迅速普及，使具有用户情境感知能力的个性化推荐系统成为可能。“过日子”等移动应用产品已初步实现了个性化中医知识推荐功能，可根据用户的个人健康信息（如性别、年龄、体质、疾病等）以及时节、地域等环境信息，进行个性化的中医知识推荐，使用户可以随时随地获得针对自己和家人的养生知识和健康提示。需要基于中医药领域现有的优质数据资源，采用移动互联网技术，设计用户个人健康信息模型，研制权威的中医知识库以及智能化的中医知识推荐技术，实现中医知识主动推送网络服务，帮助普通百姓获得精准的个性化中医知识服务，从而提高用户的疾病防治能力以及对中医知识的信赖度。
参考文献
[1] 崔蒙，尹爱宁，范为宇，等.中医药科学数据建设研究进展[J].中国中医药信息杂志，2006，13（11）：104-105.
[2] 高博， 崔蒙， 杨硕，等. 基于数据的中医药知识服务研究[J]. 图书情报工作， 2012， 56（9）： 5-9.
[3] 于彤， 苏大明， 尹仁芳， 等. 中医药知识服务平台构建研究[J]. 中国医学创新， 2014， 11（15）：120-123.
[4] Francesco Ricci， Lior Rokach， Bracha Shapira. Introduction to recommender systems [M]. Handbook， Recommender Systems Handbook， Springer， 2011：1-35.
[5] Hosein Jafarkarimi， Alex Tze Hiang Sim， Robab Saadatdoost. A Na?ve Recommendation Model for Large Databases [J]. International Journal of Information and Education Technology， 2012， 2（3）：216-219.
[6] Prem Melville， Vikas Sindhwani. Recommender systems [M]. Encyclopedia of Machine Learning， 2010.
[7] Mooney R J， Roy L. Content-based book recommendation using learning for text categorization [C]. In Workshop Recom. Sys.： Algo. and Evaluation， 1999.
[8] David M Blei. Introduction to probabilistic topic models [J]. Comm. ACM， 2012， 55（4）： 77-84.
[9] John P Scott. Social network analysis：a handbook （2nd edition）[M]. Thousand Oaks， CA： Sage Publications， 2000.
[10] Hipp J， Güntzer U， Nakhaeizadeh G. Algorithms for association rule mining - a general survey and comparison [J]. ACM SIGKDD Explorations Newsletter， 2000， 52（2）： 58.
[11] Burke R. Knowledge-based recommender systems [J]. Encyclopedia of Library and Information Science， 2000， 69（32）：180-200.
[12] 罗军舟，吴文甲，杨明，等. 移动互联网：终端、网络与服务[J]. 计算机学报，2011，34（11）：2029-2051.
[13] 胡奥杰. 基于android的体质养生系统的开发[J]. 电子世界，2014，20（7）：112-113.
[14] 朱毓梅. 中医药信息需求的调查分析[J]. 国际中医中药杂志，2014，36（9）：830-832.
推荐一个好地方范文6
经书记办公会研究决定，今天晚上我们在这里召开会议。参加今晚的会议的人员范围是全乡干部职工。会议的内容就是根据我们乡工作的实际需要和书记办公会的决定,以及县委组织部关于股所级干部任免的程序规定,对我乡目前缺额的股所级干部进行民主推荐。下面，根据干部选拔任用的有关规定，我就如何开展好股所干部的民主推荐工作讲几点意见（在讲这些内容的同时，我也就根据县委组织部的要求，一并组织大家学习《党政领导干部选拔任用工作条例》）：
一、民主推荐干部的重要性和必要性
2002年7月中共中央颁布的党政领导干部选拔任用工作条例》中明确规定：“选拔任用党政领导干部，必须经过民主推荐提出考察对象。”和1995年颁布的《暂行条例》相比，具有了更高的要求，（《暂行条例》中规定：选拔任用党政领导干部，应当经过民主推荐提出考察对象）。说明了民主推荐是选拔任用党政领导干部必经的程序和要求，是选拔任用党政领导干部工作不可跨越的重要环节。民主推荐在选拔任用党政领导干部工作中的重要作用，具体表现在以下四个方面：
1、民主推荐是党的群众路线在干部选拔任用工作中的具体体现。我们党的群众路线是：从群众中来，到群众中去，一切依靠群众，一切为了群众。党的群众路线贯彻在干部选拔任用工作中，就是为了保证所选任用的干部具有群众公认的基础。民主推荐是群众公认的基本实现形式和手段。经过近些年的实践，已经在制度规定和操作方式上逐步实现了制度化、规范化、程序化。实践充分证明，通过实行民主推荐，真正把群众“拥护不拥护”、“赞成不赞成”、“高兴不高兴”、“答应不答应”作为干部工作的根本出发点和归宿，是马克思主义群众观点和党的群众路线在干部选拔任用工作中的具体体现。
2、民主推荐是扩大干部工作中的民主的重要内容和方式。扩大干部工作中的民主，落实好群众对干部选拔任用的知情权、参与权、选择权和监督权，实行民主推荐是一个非常重要的内容和方式。这是因为，民主推荐是选拔任用党政领导干部的第一道工序。让群众从选拔工作的起始阶段就参与其中，这就使实现干部工作中的民主有了一个好的开端。
3、民主推荐是选准用好干部的重要环节。选贤任能，重在识人。在社会主义经济条件下，随着社会经济成分、组织形式、就业方式、利益关系和分配方式日益多样化，为了解和识别干部、选准用好干部带来了许多新情况、新问题。干部的优劣功过是非，群众看得最清楚，也最有发言权。只有走好群众路线，实行领导和群众相结合，才能真正把人选准用好，采取民主推荐等形式，让群众来推荐干部，就是在选拔任用干部工作中解决这一问题和实现这一要求的有效办法。坚持民主推荐，有利于克服在少数人中选人、靠少数人选人的局限性，从而广开视野，好中选优，使优秀人才能够脱颖而出，减少用人失察失误。
4、民主推荐是强化监督约束机制的重要措施。扩大民主，是把权力运行置于有效监督之下的根本措施。实行民主推荐，把对领导干部的推荐权、选择权交给了群众，这对领导干部来说，具有很强的监督约束作用。群众选择干部只会选那些政绩突出、廉洁勤政的干部，而决不会选那些宗旨观念淡薄、作风飘浮、不干实事、忙于跑官要官的人。
二、选拔任用干部应坚持的原则
《党政领导干部选拔任用工作条例》明确规定了选拔任用干部应坚持的六条原则：
1、党管干部原则
党管干部原则，是干部工作必须始终坚持的一项根本原则。党管干部原则的实质，就是要保证党对干部人事工作的领导权和对重要干部的管理权。在具体工作中，如干部工作的路线、方针、政策由党制定；干部的管理、决定任免或推荐、提名，由各级党委（党组）按照干部管理权限负责；选拔任用干部经党委（党组）集体讨论等，都是党管干部原则在具体工作中的体现。
2、任人唯贤、德才兼备原则
任人唯贤、德才兼备原则，是党的干部路线的集中体现和核心内容，是党选拔干部的根本标准。它所要回答和解决的是选拔任用干部的总的标准、总的依据问题。德才兼备，就是具有坚定的政治立场、高尚的道德品质，又具备较强的领导能力和较高的工作水平。坚持任人唯贤、德才兼备原则，要把政治标准放在首位，大力选拔靠得住、有本事的优秀干部，有德无才、会误事，有才无德会坏事，必须坚持德才兼备、德才并重。
3、群众公认、注重实绩原则
群众公认、注重实绩原则，是党的群众路线和马克思主义认识论在干部工作中的体现和运用。它所要回答和解决的是干部由谁评价和如何评价的问题。群众公认，就是为大多数群众所认可和拥护，由群众来评价干部。实绩，是指干部在履行岗位职责的实践中所取得的实际成效，是干部德才素质的集中表现和综合反映。注重实绩，就是要用实绩来评价干部。
4、公开、平等、竞争、择优原则
公开、平等、竞争、择优原则，是社会主义市场经济体制对干部工作提出的必然要求。这个原则，所要解决的是选拔任用干部的新途径、新方式、新方法问题。创新干部选拔任用的新方式、新方法，要本着公开、平等、竞争、择优的原则去创新。在我们的具体工作中，如民主推荐、考察预告、任前公示、公开选拔等就是这一原则的具体体现。
5、民主集中制原则
民主集中制，是我们党和国家的根本组织制度和领导制度，也是实现干部工作科学化、民主化、制度化的根本保证。离开了民主，集中就失去了广泛的群众基础，就会导致集权主义和专制主义，就难以保证干部任免决策的正确；离开了集中讲民主，民主就失去了正确的指导，就会导致分散主义和无政府主义，干部群众就难以有效地行使参与干部选拔的民利。必须坚持民主基础上的集中与集中指导下的民主相结合（如：民主推荐阶段，不可能每个人的意见都采纳）。
6、依法办事原则
要严格按有关干部人事方面的法律法规、条例来选拔任用干部。如民主推荐是必经程序，我们就要严格执行，对一切违背法律、条例规定任免干部的行为，都必须坚决纠正，对情节严重的应追究有关人员的责任。（今晚我们搞的民主推荐就是依法办事原则的体现）。
三、具体的推荐的职位、范围、条件、资格、要求
1、推荐的职位：今晚推荐的职位有四个，第一个是乡党政综合办公室副主任；第二个是乡民政助理兼残联专干；第三个是乡党政综合办公室的报帐员；第四个乡小额信贷站的站长。
2、推荐范围、资格、要求：
第一， 乡党政综合办公室副主任。根据机构改革方案的规定，乡党政综合办公室设主任一名、副主任一名，分别由党委秘书和政府秘书兼任。现目前，办公室秘书有2人一个是 、一个是 。所以乡党政综合办公室副主任只能在 进行推荐。
第二，乡民政助理兼残联专干。根据机构改革方案的规定，这个岗位只能由公务员担任。目前，我乡公务员除了班子成员以外，有这么6个： 。这6个人除了 只是兼任小额信贷站的负责人没有具体的工作岗位外，其他人员都是定有岗位的。所以请各位同志根据这些具体情况在这6个公务员中酌情推荐一名民政助理兼残联专干。
第三，乡党政综合办公室的报帐员。这个岗位一直是 在兼任。 原来的编制是在企业办，属于事业人员。现在， 已通过公务员招考，考上了人事助理，身份已经变为公务员。根据机构改革方案的规定，这个岗位只能由公务员担任。但目前我们乡公务员缺编是四个，所以这个岗位只能在现有公务员中兼任。所以，请各位同志在现有的公务员 中推荐一名同志来兼任报帐员。
第四，乡小额信贷站的站长。小额信贷站是一个临时机构，工作一般都是由扶贫专干来完成。通常情况，站长都是由扶贫专干或者公务员来兼任。黄有原来不是扶贫专干，所以只是任负责人。所以现在要请大家来推荐一名兼职站长，推荐的范围也是在现有公务员中推荐一名公务员来兼任站长。
3、对被推荐人选的条件要求：
从“德、能、勤、绩、廉”五个方面来要求。
第一，有较强的组织原则和政治觉悟（党员的党性要强），认真践行“三个代表”重要思想，为人民群众谋利益。团结同志，品行端正，公道正派。（即德的方面）。
第二，具有所推荐职位应当具有的组织领导能力。包括政策理论水平，综合决策能力，组织协调能力、文字和口头表达能力、看待和处理问题的方式方法、心理素质等。（即能的方面）。
第三，具有强烈的革命事业心和工作责任感。工作勤勤恳恳、兢兢业业、任劳任怨，充分发挥工作积极性和主动性。（即勤的方面）。
第四，工作实绩突出。在现在的工作岗位上能够很好地履职，工作实绩突出。工作中能够提出工作思路，制定相应的措施，想方设法实现工作目标。（即绩的方面）。
第五，廉洁自律。任职后能不利用职务之便谋取不正当利益，严格遵守廉洁从政的有关规定，廉洁奉公，忠于职守。如果你现在发现你要推荐的人选有这个爱贪小便宜或者对个人利益斤斤计较的情况，你最好还是要慎重考虑后再推荐。
四、推荐的程序和方法
按照《条例》的规定：民主推荐分会议投票推荐和个别谈话推荐两种。会议投票又分无记名推荐和署名推荐；个别谈话推荐就是我们常说的口头推荐。
今天我们将采用会议无记名投票推荐和口头推荐的方式进行。会议无记名投票推荐全体人员都要参加，口头推荐请班子成员和现有的站所长参加。具体工作请 副书记和组织委员 来安排。
五、对参加推荐的人员要求
各位在坐的参加民主推荐的同志，要客观公正、实事求是地积极参与这项工作。在推荐中应注意以下几点：
1、看人要全面地看，不要片面的看。要看主流，看本质。“金无足赤，人无完人”，每个人都不可能十全十美，优点突出的人，缺点也就突出。要看他的缺点是否足以影响他的任职。不能说凡有缺点的人都不能任职。当然，如果经你客观公正地评价后，没有符合条件的人，你不可不推荐。
2、要实事求是、客观公正地推荐干部。不凭私人感情，凭个人好恶来推荐干部。不以个人利益，个人恩怨或集团的利益来推荐干部。
3、推荐干部要有高度的责任心。要本着对党、对人民、对自己、对他人负责的态度，珍惜自己手中的民利，把“靠得住，有本事”的干部推荐出来
