读《facebook效应》想到的

赤裸裸的未来:大数据时代:如何预见未来的生活和自己(带目录) 资源名称:赤裸裸的未来 : 大数据时代:如何预见未来的生活和自己(带目录)内容简介:全书主题聚焦于未知与未来,但论述绝非建立在想象之上的空中楼阁,其间穿插着大量事例,或基于客观现实,或依据科学推测,生动有趣。 塔克尔通过大量的访谈和调查,约见各领域的权威人士,积累了极为丰富的素材,提取了他们有关现实的观点和对未来的预期,为我们展开了有关未来社会各领域的翔实可信的图景,讲述的虽是前沿科技主题,内容却 资源太大,传百度网盘了,链接在附件中,有需要的同学自取。 立即下载

  几个星期前在开复老师的新浪微博上看到了这本书,当时facebook对我来说还是一个有点陌生的公司(好吧,我承认我out了~),连他的CEO是谁都 不知道,不过也看过很多的关于facebook的新闻,大都是关于facebook的用户又变多了云云的。自己也很想了解下这个公司,于是就有了这篇读后 感。
  怎么说呢,这本书不光是讲哈佛大二辍学生马克扎克伯格的创业史,书的后半部分也讲了很多社交网络方面的内容,例如社交网络发展了起来后会相应带来很多的问题,其中以隐私和政治问题尤为显著;社交网站的发展趋势等。
  不过最让我兴奋的莫过于马克的创业部分了,而且马克的性格从某种成度上来说也是我所向往的:马克不会有太大的表情特征,无论和谁对话都是一个样子~这就好 像是柯南里所讲的扑克脸,是一种异常冷静的体现~马克在高中就是一个小有名气的人物了,开发过一款微软想收购的音乐软件,不过最终微软没得逞,因为马克说 他不缺钱,然后把这个软件开源了;高中还是学校击剑队的,而且在获得过击剑冠军。然后进入大学后马克的创造才能也是一点点在展现:首先是开发的一个小软 件,CourseMatch,能看到一门课有多少人选了和看到一个人能选择多少门课,这个软件很受欢迎,因为如果你想增加和你有好感的女生的接触机会的 话...然后又是通过自己的软件获取到每个寝室同学的照片,然后做成一个网页让大家选择学校最辣的女生,一个晚上就有2w次的点击,几百个学生参加这个投 票。再加上myspace,friendset这些已有社交网站的缺陷,马克才慢慢形成了facebook的原型。有一段印象比较深刻的是在创建的初期, 马克几乎是用开源软件来搭建facebook,几乎是零成本。而当时比较有名的社交网站往往为了支付oricale数据库的授权费用就够呛了,所以我觉得 善于使用开源软件是非常重要滴~
  马克的长远眼光和使命感也是让我印象深刻的。马克总是最在意用户的体验,而不愿让传统的网络广告加入到facebook中。而且随着facebook的用 户不断增加,马克似乎从未满足,因为马克坚信自己想要创建的是一个为所有人提供更好社交的网站。马克也是在不断的思考如何让facebook变的更好用, 从”桶一下“,”用户墙“,”能上传照片“,”隐私控制”,“开放平台”,“粉丝”,”facebook链接“等等的一些列创新(粉丝应该是模仿了 twitter)总是能让人有“噢,facebook,还能这样玩啊“的感觉(至少我在读这本书的时候是这样的)。期间让我感觉马克很强大的就是开放平台 和facebook链接这两项创新了。我自己对开发平台的理解其实还是开始于iPhone的,强大的AppStore让我这样的业余游戏开发者都有想去开 发游戏的冲动,其实facebook的开放平台应该是早于app的,所以我觉得自己其实已经错过了很好的一波开发机会,所以这次我就磨刀霍霍向猪羊了,吼 吼。另外一个facebook链接就更神了,现在很多是社交游戏都有facebook的图标链接,只要你喜欢这个游戏你就能马上和朋友们分享。包括现在很 多iPhone游戏和软件都有加入facebook链接。
  对我自己来说似乎以前太不重视社交网络了,这本书让我认识到了它的总要性。而自己现在也慢慢开始使用诸如新浪微博,twitter,facebook等等 (朋友太少...),发现评论别人也是一件很有趣的事情。其实现在想想国内很多的软件商,包括我在用的腾讯的心情,改版后的网易博客,人人网,csdn的 主页都或多或少模仿了facebook。以前其实挺鄙视社交游戏的,因为我自己是个标准的游戏玩家,从家用机到掌机到电脑,至少是有可玩性在里面的。而前 段时间风靡全球的偷菜我觉得那是无聊的人才玩的,而且游戏本身也没有什么技术难度。不过现在想想我忽略了很重要的一点就是这个游戏能让你去偷别人的菜,这 样其实你就和另外一个人开始社交了,独乐乐不如众乐乐嘛~和朋友同时玩一个游戏比自己窝在家里打ps2某种程度上来说要有趣。所以我自己也开始注意在 iPhone的游戏上加入联机的部分。这里让我想起了前段时间看到的卡马克说过iPhone现在的硬件配置其实是很不错的,但是目前还都是小成本制造,是 否能开发出AAA级的游戏(AAA我理解是传统大作,比如最终幻想...(当然是3D的啦,不是炒冷饭))还是有待评估的。
  当时在看书的过程中我很疑惑facebook和twitte到底有什么不一样,期间在开复博士的微博上有一些相关的内容,然后在书的后面也看到书作者对比 两者的不同。facebook是双向的,而twitter是单向的。在twitter中你可以follow一个人而不用征得他的同意,但是 facebook上你加对方为好友的时候需要对方也加你好友。所以从这个上面来看的话twitter更适合做信息的发布,我自己其实觉得twitter改 变了我获得信息的方式。比如我现在在学cocos2d,我想要关注cocos2d的最近情况,我不得不去官网,但是在twitter上我可以加入 cocos2d的官方twiiter,来获得最近信息。在我自己的twiiter页面上就能得到最近情况。而且twitter是全球的,这样我能够搜索 cocos2d来找到哪些人也在用这个,我可以follow他们,评论他们的twitter来交流。
  这本对我来说也相当不错的,让我了解了社交网络这个领域,有点入门了的感觉,呵呵。对了,同时也推荐电影《social network》(中文译名社交网络),只是电影中马克的语速有些快~

读《facebook效应》想到的 - 工藤♀新一 - Smile的秘密小窝
智能车‘大脑’的诞生:揭秘电磁循迹代码背后的控制论与系统思维 本文深入探讨智能车电磁循迹系统的核心架构与控制原理,揭示了其作为精密闭环系统如何通过模块化设计、信号处理、PID控制算法及电机驱动实现自主导航。重点分析了电磁信号采集与处理流程框架,为开发者提供从理论到实践的全面指南。 阅读详情

相关推荐

RISC-V嵌入式开发实战:手把手教你读懂并修改CH32V103的链接脚本(.ld)

本文深入解析RISC-V嵌入式开发中CH32V103链接脚本(.ld)的编写与优化技巧。从内存布局、段分配到实战调试,详细讲解如何解决程序跑飞、变量异常等典型问题,特别针对RISC-V架构的gp寄存器优化、中断向量表处理等特性提供专业指导,帮助开发者充分利用64KB Flash和20KB RAM资源。

weixin_33704234的博客 175

《Facebook效应》读后感

因为自身从事社交方面的工作,所以最近寻找了基本关于社交产品介绍方面的书,推荐《facebook效应》。            扎克伯格,facebook的CEO,安静,有决断力,想象力,热情,以及创业者具有的一些特点。            facebook初期为了方便哈佛新生而做的一个课程表查询系统,到之后的可以分享新生的一些照片,最终延伸为庞大的照片分享网站。通过本书大概了解faceboo

zhouwenyuan1015的博客 2677

SQLite性能优化:从WAL模式到内存映射的深度解析

本文深入解析SQLite性能优化策略,重点介绍WAL模式和内存映射技术的应用。通过合理配置WAL日志、同步策略和事务批处理,SQLite的IO吞吐量可提升3-5倍。结合内存映射和缓存优化,性能可进一步提升至默认配置的50倍,适用于高并发读写场景。

weixin_29231027的博客 455

《FaceBook效应》——读后总结

  这本书讲述了facebook从如何创建、到风靡全球,并结合facebook的网络效应讲述为什么facebook可以做到社交龙头。读这本书的时候,也可以看看《社交网络》这部电影。   facebook的发展过程   facebook是马克·扎克伯格在哈弗寝室创建的,最开始仅仅针对于哈弗的学生,因为是使用.edu邮箱账号,因此可以说是实名认证的网站。最开始扎克伯格与华盛顿多·萨维...

xingoo 317

Grey Hack v0.7.3618 保姆级教程:手把手教你用metaxploit.so写一个自动提权脚本

本文详细介绍了如何在Grey Hack v0.7.3618中使用metaxploit.so库编写自动化提权脚本。从环境准备到核心功能解析,再到漏洞利用链构建和权限提升的智能处理,手把手教你掌握游戏中的高级黑客技巧。通过多库联合利用和错误处理优化,提升脚本的效率和成功率。

weixin_42537919的博客 396

Understand-Anything:AI驱动的代码知识图谱,实现项目全局洞察与高效导航

在软件开发中,理解复杂代码库的结构和依赖关系是提升开发效率的关键。传统代码阅读方式往往陷入局部视角,难以快速把握系统全貌。知识图谱技术通过将代码实体(如文件、类、函数)及其关系(调用、继承、依赖)可视化,为代码理解提供了全局视角。这项技术的核心价值在于将静态代码转化为动态、可交互的认知地图,极大降低了系统学习与维护成本。在实际工程中,它广泛应用于新成员快速入职、遗留系统梳理、架构影响分析等场景。本文介绍的Understand-Anything工具,正是基于这一理念,通过多智能体分析管道,自动构建代码的结构图

weixin_42615290的博客 883

《社交网络》只是电影 ——《facebook效应》读书笔记

前两年风靡了一阵子的电影《社交网络》毕竟是电影,一种艺术的方式的表达。虽然无法完全的印证《Facebook效应》一书中记载的正确性,但其细节足以给人启示。 电影中,主人公炫酷的人生经历能催生观者产生极强的代入感,不少同学看后可能就会想着自己在寝室特立独行的捣鼓几下,也来做出个震惊世界的产品。且慢。细读本书,就会了解到,成功并非像电影中所描述的那么轻松愉快和力所能及。 以下是我的一些总结

biaobiaoqi的老博客 4356

从零到一:IC Compiler II(ICC II)后端设计流程详解

本文详细解析了IC Compiler II(ICC II)后端设计流程,从环境准备到物理实现,再到布线优化与签核验证。通过实战案例和高效技巧,帮助工程师掌握ICC II工具链的应用,提升数字集成电路设计的效率和质量。

weixin_30879169的博客 345

《FaceBook效应》读后感

FaceBook,一个让全世界都感觉到很神奇的网站,没错,这回的书就是关于它的,书名叫做《FaceBook效应》。 我在08年前就注册过FaceBook,不过当时的网站的简体中文似乎翻译的质量还不怎么好,即使到现在如此还是感觉差强人意。刚刚进去的时候,就已经感觉出了和当时校内网的不同,或许这也正是中外文化差异的结果,我们后面再说。当时的校内就已经是满屏幕满满当当的各种信息,各种应用插件,而...

weixin_30319153的博客 268

华为OD机试真题 新系统【小花获胜的奶茶】

华为OD机试真题 新系统【小花获胜的奶茶】,提供C语言、Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解,以及在线OJ模拟做题。华为OD机试真题 【小花获胜的奶茶】多语言题解。

qq_45776114的博客 385

差分式升压逆变器MATLAB仿真模型设计——实现110V/50Hz输出电压与THD<5%

差分式升压逆变器MATLAB仿真设计 摘要 本文提出一种基于差分式升压逆变器(DBI)的MATLAB仿真设计方案,实现80V直流输入转换为110V/50Hz交流输出。该方案采用单级升压逆变拓扑结构,相比传统两级方案具有更高的功率密度和效率。通过建立数学模型,设计SPWM调制策略和电压闭环PI控制,并在MATLAB/Simulink中构建完整仿真模型。仿真结果表明,系统输出电压THD<5%,满足设计要求。文章详细阐述了主电路参数计算、控制策略实现和仿真验证过程,为实际工程应用提供了理论依据和技术参考。

huanghm88的专栏 122

facebook效应

在看《facebook效应》时,自己的一些心得。

cychai的专栏 1312

OpenMVS :用 colmap制作自己的数据集 重建(用colmap计算位姿,将位姿转为MVS需要的格式)

数据集制作主要是在windows进行,比较方便。

程序员,他们想的是什么?他们想的永远都是技术,他们崇尚的也永远都是技术。 3326

听说过“惊群效应”吗?Facebook 就是这么解决的!

在数字世界中,数百万人可以同时收看直播活动,流畅地播放而不发生服务器崩溃是一项重大挑战。这里的一个关键问题是“惊群效应”。如果管理不当,它可能会导致严重的中断。在这篇文章中,我将解释这个问题是什么、如何解决它,以及 Facebook 如何确保直播期间一切顺利运行。1 ???? 惊群效应到底是什么?想象一下举办一场聚会,每个人都同时吃同一种零食,造成混乱。在科技领域,雷群问题也类似——许多用户同时请求...

u012516914的专栏 580

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

Facebook Prophet 时间序列预测中的节假日效应处理指南

Facebook Prophet 时间序列预测中的节假日效应处理指南 【免费下载链接】prophet Tool for producing high quality forecasts for time series data that has multiple seasonality with linear or no...

gitblog_01146的博客 550

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

产品读书《Facebook效应:看Facebook如何打造无与伦比的社交帝国》

电影:社交网络       这本书讲述了facebook从如何创建、到风靡全球,并结合facebook的网络效应讲述为什么facebook可以做到社交龙头。读这本书的时候想起了之前看的一部电影,算是对扎克伯格创立FB帝国的一个写照,觉得挺有意思,推荐看看,这里我从三方面分别介绍一下我的收获,一是从这本书中悟到的精髓,二是关于扎克伯格本人的做事风格和人格魅力,三我对FB公司发展史的了解来记录我的...

女王の专属领地 7803

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

关于Facebook----在看完《社交网络》和《Facebook效应》之后

透过书和电影来了解facebook的过去、现在和未来。

互联网老猎人的牧场 1127

Facebook遭遇“谷歌效应”

<br />导语:美国《纽约时报》网络版今天撰文称,Facebook最近一轮的融资引发了业界对市场泡沫的担忧,但其中的真正原因其实是“谷歌效应”(Google Effect)使然。<br />以下为文章全文:<br />估值膨胀<br />“我希望唯一受伤的是投机者。”<br />美国风险投资家罗杰·麦克纳米(Roger McNamee)在谈及热门的硅谷私有互联网公司面临的新一轮估值飙升时如是说。这一轮风潮的导火索是高盛上周以500亿美元的估值向Facebook展开的20亿美元投资。<br />作为美国私募

wkyb608的专栏 655

互联网经济的背后-梅特卡夫效应与双边市场效应

Vm=K1*n2 VM代表具有梅特卡夫效应的,网络价值, k1是个常数, n是网络节 点或网络用户数。 梅特卡夫网络模型 社交应用如微信、Facebook等 需要注意的另一点是, 用户数的增加并不自动增加公司的价值, VM仅给出一个网络的理论或潜在价值, 而不是市场上的实际价值。 网络的市场价值取决于用户之间互动的活跃程度、 互动产生的交易, 以及互联网公司从互动和交易中获得的收益, 例如广告费或交易佣金。 在互联网投资圈里, 基金经理们经常谈论活跃用户数和用户数的增长, 其实最终决定...

云上笛暮 4430

《Facebook效应》

前两年风靡了一阵子的电影《社交网络》毕竟是电影,一种艺术的方式的表达。虽然无法完全的印证《Facebook 效应》一书中记载的正确性,但其细节足以给人启示。 电影中,主人公炫酷的人生经历能催生观者产生极强的代入感,不少同学看后可能就会想着自己在寝室特立独行的捣鼓几下,也来做出个震惊世界的产品。且慢。细读本书,就会了解到,成功并非像电影中所描述的那么轻松愉快和力所能及。 以下是我的一些总结。 ...

weixin_30855761的博客 155

Facebook效应撩拨本土社交网站

 Facebook郑重地辟谣了:前不久有消息称Facebook将收购占座网进军中国市场。在11月20日,Facebook坚决否认了这一消息,“在中国市场,我们还没有任何并购计划。”  虽然消息被否认,但这一误传,恰恰表明,网络社交(SNS)这一热潮正蔓延至中国。Facebook在微软和Google竞购下已高达150亿美元的市值,发生在大洋彼岸的造富神话不可避免地影响到国内的互联网行业。  

福娃儿 的专栏 2119

从Facebook效应到豆瓣效应

看Facebook效应,看完后我的第一反应是想到了豆瓣。   Facebook是全球最大的社交网站;是全球流量第二大的互联网公司,曾经一度还成为第一;是至今互联网上最大的分享网站;也是全球月活跃用户数最大的网站····今天高盛称Facebook月活跃用户数超过6亿  ,国际国内几乎所有的社交网站都在模仿它。   虽然在国内说开心网和人人网才是真正的复制 Facebook,在看书的过程中...

eriol的思考空间 179

Facebook生态效应:养活了一大批创业公司

要了解Facebook生态效应的含义,我们暂且抛开对它的IPO关注,从它背后那些借助Facebook 9亿用户开展商业的创业公司来解读。 社交游戏公司Zynga是Facebook生态系统的第一个成员,接着基于Facebook的找工作,买卖商品,计划旅行,寻找新顾客的创业公司纷纷加入这个生态系统。例如RootMusic,帮助艺术家在Facebook上创造粉丝页面;Menlo Park能让你在F

雷锋网 1257
上一篇: 自己收集的一些iPhone学习资料(应用软件+游戏开发)[更新]
下一篇: vmware ubuntu 10.04升级小记
LuckilyYu
博客等级 码龄20年 72粉丝 89原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值