作者归档：在线疯狂

使用django-zinnia-blog发表新文章时，缺省设置下是允许访客评论的。

如果不需要默认开启评论功能，只需修改zinnia/models_bases/entry.py源文件的第234行。

在DiscussionsEntry类中，将comment_enabled的缺省值default=True变更为default=False即可。 相关代码如下：

class DiscussionsEntry(models.Model):
    """
    Abstract discussion model class providing
    the fields and methods to manage the discussions
    (comments, pingbacks, trackbacks).
    """
    comment_enabled = models.BooleanField(
        _('comments enabled'), default=False, #原始代码为：default=True,
        help_text=_('Allows comments if checked.'))
    pingback_enabled = models.BooleanField(
        _('pingbacks enabled'), ...

编程语言可以分为：完全的编译型，纯粹的解释型或者两者相互混合的编程语言。实际上，大部分现有的编程语言都同时拥有其编译型和解释型版本。
编译型语言和解释型语言分别有其各自的优势和不足。下面从编译型语言开始介绍。

编译型语言：

1. 编译型语言最大的优势之一就是其执行速度。用C/C++编写的程序运行速度要比用Java编写的相同程序快30%-70%。
2. 编译型程序比解释型程序消耗的内存更少。
3. 不利的一面——编译器比解释器要难写得多。
4. 编译器在调试程序时提供不了多少帮助——有多少次在你的C语言代码中遇到一个“空指针异常”时，需要花费好几个小时来明确错误到底在代码中的什么位置。
5. 可执行的编译型代码要比相同的解释型代码大许多。例如，C/C++的.exe文件要比同样功能的Java的.class文件大很多。
6. 编译型程序是面向特定平台的因而是平台依赖的。
7. 编译型程序不支持代码中实现安全性——例如，一个编译型的程序可以访问内存的任何区域，并且可以对你的PC做它想做的任何事情（大部分病毒是使用编译型语言编写的）
8. 由于松散的安全性和平台依赖性，编译型语言不太适合开发因特网或者基于Web的应用。

解释型语言：

1. 解释型语言提供了极佳的调试支持。一名Java程序员只需要几分钟就可以定位并修复一个“空指针异常”，因为Java运行环境不仅指明了异常的性质，而且给出了异常发生位置具体的行号和函数调用顺序（著名的堆栈跟踪信息）。这样的便利是编译型语言所无法提供的。
2. 另一个优势是解释器比编译器容易实现
3. 解释型语言最大的优势之一是其平台独立性
4. 解释型语言也可以保证高度的安全性——这是互联网应用迫切需要的
5. 中间语言代码的大小比编译型可执行代码小很多
6. 平台独立性，以及严密的安全性是使解释型语言成为适合互联网和Web应用的理想语言的2个最重要的因素。
7. 解释型语言存在一些严重的缺点。解释型应用占用更多的内存和CPU资源。这是由于，为了运行解释型语言编写的程序，相关的解释器必须首先运行。解释器是复杂的，智能的，大量消耗资源的程序并且它们会占用很多CPU周期和内存。
8. 由于解释型应用的decode-fetch-execute（解码-抓取-执行）的周期，它们比编译型程序慢很多。
9. 解释器也会做很多代码优化，运行时安全性检查；这些额外的步骤占用了更多的资源并进一步降低了应用的运行速度。

原文链接：http://www.codeproject.com/Articles/1825/The-Common-Language-Runtime-CLR-and-Java-Runtime-E

Pros and cons of compiled and interpreted languages

Languages can be developed either as fully-compiled, pure-interpreted, or ...

IE浏览器select标签绑定click事件，修改自身属性时，点击select弹出下拉列表时会出现异常行为。

例如下面的select标签，绑定click事件，在使用IE浏览器访问时，点击select标签弹出下拉列表后会迅速隐去。使用chrome，firefox等浏览器时正常。

Option 1Option 2Option 3 (onclick) selected value is:

绑定change事件时可正常弹出

Option 1Option 2Option 3 (onchange) selected value ...

My97DatePicker是一款十分不错的日期时间控件。

将My97DatePicker整个目录包,放入项目的相应目录下

My97DatePicker目录下各文件的作用:

 My97DatePicker目录是一个整体,不可破坏里面的目录结构,也不可对里面的文件改名,可以改目录名

各目录及文件的用途:

• WdatePicker.js 配置文件,在调用的地方仅需使用该文件,可多个共存,以xx_WdatePicker.js方式命名
• calendar.js 日期库主文件,无需引入
• 目录lang 存放语言文件,可以根据需要清理或添加语言文件
• 目录skin 存放皮肤的相关文件,可以根据需要清理或添加皮肤文件包

 可以根据自己的需要,删除不必要的皮肤和语言文件

该控件的使用方法相对比较简单，引用WdatePicker.js之后，通过WdatePicker（）即可弹出日期控件，效果如下所示。

<- 点我弹出日期控件

上例代码如下：

<input class="Wdate" onclick="WdatePicker()" type="text" /> <font color="red"><- 点我弹出日期控件</font>

此外，该控件还可以对事件进行绑定，下面的例子展示了onpicked事件的绑定过程

<- onpicked事件

上例代码如下：

<input class="Wdate" onclick="WdatePicker({onpicked:onpicked})" type="text" /> <font color="red"><- onpicked事件</font> ...

    由于起步较早，目前国外的图书馆信息化程度整体上优于国内，推荐系统也已经开始应用在数字化图书馆领域，为读者提供个性化的图书推荐服务。其中，BibTip，ExLibris bX，Foxtrot，TechLens，Fab和LIBRA是几个比较有代表性的图书馆推荐系统解决方案。

    德国卡尔斯鲁厄大学的BibTip推荐系统从2009年开始作为一项独立的付费服务对用户开放。BibTip是一个基于行为的推荐系统，通过对用户行为的匿名监控与评估提供推荐服务。该系统在服务器上进行推荐的数据分析及管理，图书馆无需过多的技术投入即可使用BibTip的服务。BibTip的体系结构包含3层，自底向上分别为数据层、代理层和用户界面层。BibTip的理论基础是Andrew Ehrenberg提出的重复购买理论，该理论对消费者的行为进行了分析^[1]。Ehrenberg证明人们在做出商品支付决定后会重复他们的选择，并且在下一次购物时会倾向于选择同一个品牌。BibTip使用了这一理论。通过用户的初始行为可得出用户的兴趣和喜好。例如，假设某用户对刊物X感兴趣，则该用户很可能对同一作者的刊物Y也感兴趣。BibTip需要大约几个月的时间收集和分析用户的初始行为数据。如果用户的访问频率较高，初始阶段可以缩短一些，但是推荐系统仍然面临着冷启动的问题。由于是基于用户行为的推荐系统，BibTip的适用范围比较广泛。

    ExLibris bX（以下简称bX）从2009年开始为使用SFX（ExLibris的上下文敏感连接服务器，可在学术环境下实现不同Web资源之间的连接）的图书馆用户提供按需式服务。bX基于OpenURL和OAI-PMH标准，这两个标准协议用于对资源和相关元数据进行唯一标识。作为一种基于行为的推荐系统，bX根据对Web会话链接点击的分析生成推荐信息^[2]。系统所需的统计数据来源于ExLibris链接解析器的日志文件，所有相关院校的日志文件均可为推荐系统所用。bX在一定程度上解决了传统的基于行为的推荐系统中存在的一些问题，例如它应用了一些虽然简单但是行之有效的方法去除出版物与用户中存在的重复数据。由于系统使用了来自于很多不同高校的日志数据，因此冷启动问题也得到了明显的缓解。但是，如果没有足够的高校日志数据可用时，bX必须先收集到足够的日志信息，然后才可以开始做推荐^[3]。

    Foxtrot使用一种本体论（研究论文话题本体）来描述用户并以此建立档案。Foxtrot基于相似用户和相似资源生成推荐信息，因此Foxtrot是一个结合了协同过滤与基于内容过滤方法的混合型推荐系统，其用户交互（访问URL，用户反馈）通过Web代理进行记录。包含有热门出版物与日期的可视化档案可以帮助用户理解系统的工作原理。每一篇论文都由规范化条目组成的向量以及诸如日期、题名、分类号、链接和论文URL等元数据进行描述。Foxtrot使用多级分类器IBK对论文进行分类。表示用户兴趣的档案可以通过本体的推理得到增强。Foxtrot同时也为利用相关数据集成外部本体提供了可能性，从而消除了冷启动的问题。

    TechLens最重要的特性是其协同过滤方法关注论文本身的特征^[4]。一篇论文隐式地将其引用文献定性为优质论文，后者将被用作推荐使用。用户档案只包含一篇论文（隐式：最后浏览的论文，显式：用户选择的论文）。算法的作者认为该方法可以对当前用户的兴趣进行最优匹配。这种用户档案的优势是无需在用户端设置其他的监控系统，缺点是用户兴趣的演化无法得到跟踪。通过对10种不同的协同过滤，基于内容的过滤以及混合算法的测试，结果表明混合式的Fusion推荐算法表现优于单纯的协同过滤方法。Fusion以并行运行的方式同时使用了协同过滤与基于内容的过滤。通过这两种算法得出的备选项目使用特定的排序算法加入到推荐列表当中。此外，使用该方法得出的用户档案不适于长期使用，因为单独的一篇论文所包含的知识容量非常有限。

    斯坦福大学数字化图书馆项目研发的Fab也是一个集成了协同过滤与基于内容过滤的混合式推荐系统^[5]。FAB的研发可以追溯到主流推荐引擎出现之前的1997年，用于从大量的网站中筛选出用户感兴趣的相关站点。推荐的依据是活跃用户及其相似用户对网站的评分。用户通过档案中的加权检索词向量进行描述。项目档案使用Rocchino算法通过相关性反馈进行更新。网站同时也通过一个100维的加权检索词向量进行表示，应用了TF-IDF模型^[6]。

    LIBRA是Learning Intelligent Book Recommendation Agent（智能学习图书推荐代理）的简称，专门为数字化图书馆的图书推荐而设计 ...