自然语言处理的基本任务
自然语言（Natural Language）其实就是人类语言，自然语言处理（NLP）就是对人类语言的处理，当然主要是利用计算机。自然语言处理是关于计算机科学和语言学的交叉学科，常见的研究任务包括：

· 分词（Word Segmentation或Word Breaker，WB）

· 信息抽取（Information Extraction，IE）：命名实体识别和关系抽取（Named Entity Recognition & Relation Extraction，NER）

· 词性标注（Part Of Speech Tagging，POS）

· 指代消解（Coreference Resolution）

· 句法分析（Parsing）

· 词义消歧（Word Sense Disambiguation，WSD）

· 语音识别（Speech Recognition）

· 语音合成（Text To Speech，TTS）

· 机器翻译（Machine Translation，MT）

· 自动文摘（Automatic Summarization）

· 问答系统（Question Answering）

· 自然语言理解（Natural Language Understanding）

· OCR

· 信息检索（Information Retrieval，IR）

早期的自然语言处理系统主要是基于人工撰写的规则，这种方法费时费力，且不能覆盖各种语言现象。上个世纪80年代后期，机器学习算法被引入到自然语言处理中，这要归功于不断提高的计算能力。研究主要集中在统计模型上，这种方法采用大规模的训练语料（corpus）对模型的参数进行自动的学习，和之前的基于规则的方法相比，这种方法更具鲁棒性。

统计语言模型
统计语言模型（Statistical Language Model）就是在这样的环境和背景下被提出来的。它广泛应用于各种自然语言处理问题，如语音识别、机器翻译、分词、词性标注，等等。简单地说，语言模型就是用来计算一个句子的概率的模型，即

。

利用语言模型，可以确定哪个词序列的可能性更大，或者给定若干个词，可以预测下一个最可能出现的词语。举个音字转换的例子来说，输入拼音串为nixianzaiganshenme，对应的输出可以有多种形式，如你现在干什么、你西安再赶什么、等等，那么到底哪个才是正确的转换结果呢，利用语言模型，我们知道前者的概率大于后者，因此转换成前者在多数情况下比较合理。再举一个机器翻译的例子，给定一个汉语句子为李明正在家里看电视，可以翻译为Li Ming is watching TV at home、Li Ming at home is watching TV、等等，同样根据语言模型，我们知道前者的概率大于后者，所以翻译成前者比较合理。

那么如何计算一个句子的概率呢？给定句子（词语序列）

，

它的概率可以表示为：

(1)

由于上式中的参数过多，因此需要近似的计算方法。常见的方法有n-gram模型方法、决策树方法、最大熵模型方法、最大熵马尔科夫模型方法、条件随机域方法、神经网络方法，等等。

n-gram语言模型
n-gram模型的概念
n-gram模型也称为n-1阶马尔科夫模型，它有一个有限历史假设：当前词的出现概率仅仅与前面n-1个词相关。因此(1)式可以近似为：

(2)

当n取1、2、3时，n-gram模型分别称为unigram、bigram和trigram语言模型。n-gram模型的参数就是条件概率

。

假设词表的大小为100,000，那么n-gram模型的参数数量为

。

n越大，模型越准确，也越复杂，需要的计算量越大。最常用的是bigram，其次是unigram和trigram，n取≥4的情况较少。

n-gram模型的参数估计
模型的参数估计也称为模型的训练，一般采用最大似然估计（Maximum Likelihood Estimation，MLE）的方法对模型的参数进行估计：

(3)

C(X)表示X在训练语料中出现的次数，训练语料的规模越大，参数估计的结果越可靠。但即使训练数据的规模很大，如若干GB，还是会有很多语言现象在训练语料中没有出现过，这就会导致很多参数（某n元对的概率）为0。举个例子来说明一下，IBM Brown利用366M英语语料训练trigram，结果在测试语料中，有14.7%的trigram和2.2%的bigram在训练中没有出现；根据博士期间所在的实验室统计结果，利用500万字人民日报训练bigram模型，用150万字人民日报作为测试语料，结果有23.12%的bigram没有出现。

这种问题也被称为数据稀疏（Data Sparseness），解决数据稀疏问题可以通过数据平滑（Data Smoothing）技术来解决。

n-gram模型的数据平滑
数据平滑是对频率为0的n元对进行估计，典型的平滑算法有加法平滑、Good-Turing平滑、Katz平滑、插值平滑，等等。

· 加法平滑
基本思想是为避免零概率问题，将每个n元对得出现次数加上一个常数δ（0<δ≤1）：

(4)

· Good-Turing平滑
利用频率的类别信息来对频率进行平滑：

(5)

其中，N(c)表示频率为c的n-gram的数量。

· 线性插值平滑
该数据平滑技术主要利用低元n-gram模型对高元n-gram模型进行线性插值。因为在没有足够的数据对高元n-gram模型进行概率估计时，低元n-gram模型通常可以提供有用的信息。

(6)

可以通过EM算法来估计。

· Katz平滑
也称为回退（back-off）平滑，其基本思想是当一个n元对的出现次数足够大时，用最大似然估计方法估计其概率；当n元对的出现次数不够大时，采用Good-Turing估计对其平滑，将其部分概率折扣给未出现的n元对；当n元对的出现次数为0时，模型回退到低元模型。

(6)

参数和保证模型参数概率的归一化约束条件，即。

n-gram模型的解码算法
为什么n-gram模型需要解码算法呢？举个例子来说，对于音字转换问题，输入拼音nixianzaiganshenme，可能对应着很多转换结果，对于这个例子，可能的转换结果如下图所示（只画出部分的词语节点），各节点之间构成了复杂的网络结构，从开始到结束的任意一条路径都是可能的转换结果，从诸多转换结果中选择最合适的结果的过程就需要解码算法。

常用的解码算法是viterbi算法，它采用动态规划的原理能够很快地确定最合适的路径。这里就不详细介绍该算法了。

n-gram模型的应用
n-gram语言模型的应用非常广泛，最早期的应用是语音识别、机器翻译等问题。哈尔滨工业大学王晓龙教授最早将其应用到音字转换问题，提出了“语句级拼音输入法”，后来该技术转让给微软，也就是后来的微软拼音输入法。从windows95开始，系统就会自动安装该输入法，并在以后更高版本的windows中和Office办公软件都会集成最新的微软拼音输入法。n年之后，各个输入法的新秀（如搜狗和谷歌）也都采用了n-gram技术。

参考文献：
[1] 微软拼音输入法

[2] 自然语言处理

[3] 语言模型

[4] 统计语言模型简介

[5] 语言模型讲义

转载：http://blog.csdn.net/mspinyin/article/details/6137815

下面的快捷键是重构里面常用的,本人就自己喜欢且常用的整理一下(注:一般重构的快捷键都是Alt+Shift开头的了)
Alt+Shift+R 重命名 (是我自己最爱用的一个了,尤其是变量和类的Rename,比手工方法能节省很多劳动力)
Alt+Shift+M 抽取方法 (这是重构里面最常用的方法之一了,尤其是对一大堆泥团代码有用)
Alt+Shift+C 修改函数结构(比较实用,有N个函数调用了这个方法,修改一次搞定)
Alt+Shift+L 抽取本地变量( 可以直接把一些魔法数字和字符串抽取成一个变量,尤其是多处调用的时候)
Alt+Shift+F 把Class中的local变量变为field变量 (比较实用的功能)
Alt+Shift+I 合并变量(可能这样说有点不妥Inline)
Alt+Shift+V 移动函数和变量(不怎么常用)
Alt+Shift+Z 重构的后悔药(Undo)

编辑
作用域 功能 快捷键
全局 查找并替换 Ctrl+F
文本编辑器 查找上一个 Ctrl+Shift+K
文本编辑器 查找下一个 Ctrl+K
全局 撤销 Ctrl+Z
全局 复制 Ctrl+C
全局 恢复上一个选择 Alt+Shift+↓
全局 剪切 Ctrl+X
全局 快速修正 Ctrl1+1
全局 内容辅助 Alt+/
全局 全部选中 Ctrl+A
全局 删除 Delete
全局 上下文信息 Alt+？
Alt+Shift+?
Ctrl+Shift+Space
Java编辑器 显示工具提示描述 F2
Java编辑器 选择封装元素 Alt+Shift+↑
Java编辑器 选择上一个元素 Alt+Shift+←
Java编辑器 选择下一个元素 Alt+Shift+→
文本编辑器 增量查找 Ctrl+J
文本编辑器 增量逆向查找 Ctrl+Shift+J
全局 粘贴 Ctrl+V
全局 重做 Ctrl+Y

查看
作用域 功能 快捷键
全局 放大 Ctrl+=
全局 缩小 Ctrl+-

窗口
作用域 功能 快捷键
全局 激活编辑器 F12
全局 切换编辑器 Ctrl+Shift+W
全局 上一个编辑器 Ctrl+Shift+F6
全局 上一个视图 Ctrl+Shift+F7
全局 上一个透视图 Ctrl+Shift+F8
全局 下一个编辑器 Ctrl+F6
全局 下一个视图 Ctrl+F7
全局 下一个透视图 Ctrl+F8
文本编辑器 显示标尺上下文菜单 Ctrl+W
全局 显示视图菜单 Ctrl+F10
全局 显示系统菜单 Alt+-

导航
作用域 功能 快捷键
Java编辑器 打开结构 Ctrl+F3
全局 打开类型 Ctrl+Shift+T
全局 打开类型层次结构 F4
全局 打开声明 F3
全局 打开外部javadoc Shift+F2
全局 打开资源 Ctrl+Shift+R
全局 后退历史记录 Alt+←
全局 前进历史记录 Alt+→
全局 上一个 Ctrl+,
全局 下一个 Ctrl+.
Java编辑器 显示大纲 Ctrl+O
全局 在层次结构中打开类型 Ctrl+Shift+H
全局 转至匹配的括号 Ctrl+Shift+P
全局 转至上一个编辑位置 Ctrl+Q
Java编辑器 转至上一个成员 Ctrl+Shift+↑
Java编辑器 转至下一个成员 Ctrl+Shift+↓
文本编辑器 转至行 Ctrl+L

搜索
作用域 功能 快捷键
全局 出现在文件中 Ctrl+Shift+U
全局 打开搜索对话框 Ctrl+H
全局 工作区中的声明 Ctrl+G
全局 工作区中的引用 Ctrl+Shift+G

文本编辑
作用域 功能 快捷键
文本编辑器 改写切换 Insert
文本编辑器 上滚行 Ctrl+↑
文本编辑器 下滚行 Ctrl+↓

文件
作用域 功能 快捷键
全局 保存 Ctrl+X
Ctrl+S
全局 打印 Ctrl+P
全局 关闭 Ctrl+F4
全局 全部保存 Ctrl+Shift+S
全局 全部关闭 Ctrl+Shift+F4
全局 属性 Alt+Enter
全局 新建 Ctrl+N

项目
作用域 功能 快捷键
全局 全部构建 Ctrl+B

源代码
作用域 功能 快捷键
Java编辑器 格式化 Ctrl+Shift+F
Java编辑器 取消注释 Ctrl+\
Java编辑器 注释 Ctrl+/
Java编辑器 添加导入 Ctrl+Shift+M
Java编辑器 组织导入 Ctrl+Shift+O
Java编辑器 使用try/catch块来包围 未设置，太常用了，所以在这里列出,建议自己设置。
也可以使用Ctrl+1自动修正。

运行
作用域 功能 快捷键
全局 单步返回 F7
全局 单步跳过 F6
全局 单步跳入 F5
全局 单步跳入选择 Ctrl+F5
全局 调试上次启动 F11
全局 继续 F8
全局 使用过滤器单步执行 Shift+F5
全局 添加/去除断点 Ctrl+Shift+B
全局 显示 Ctrl+D
全局 运行上次启动 Ctrl+F11
全局 运行至行 Ctrl+R
全局 执行 Ctrl+U

重构
作用域 功能 快捷键
全局 撤销重构 Alt+Shift+Z
全局 抽取方法 Alt+Shift+M
全局 抽取局部变量 Alt+Shift+L
全局 内联 Alt+Shift+I
全局 移动 Alt+Shift+V
全局 重命名 Alt+Shift+R
全局 重做 Alt+Shift+Y

• 访问最多
• 最近使用的书签
• 最近使用的标签

心里是否有些不爽？毕竟这些对于用户来说多少还有些作用。没关系，你可以通过以下步骤来恢复：

1. 在地址栏，键入about:config并按回车；注：浏览器或许会提示你“这样可能会失去质保…”之类的话，没关系，直接按“我保证会小心”
2. 在过滤器中搜索选项“browser.places.smartBookmarksVersion”；
3. 双击“browser.places.smartBookmarksVersion”，并把值修改为0；
4. 关闭Firefox，并重新启动。

这样一来，你就会发现默认的智能书签文件夹又被找回来了。(窃笑~~）

二、参考文献著录项目

a. 主要责任者 (专著作者、论文集主编、学位申报人、专利申请人、报告撰写人、期刊文 章作者、析出文章作者)。多个责任者之间以“，”分隔，注意在本项数据中不得出现缩写点“.”。主要责任者只列姓名，其后不加“著”、“编”、“主编”、“合编”等责任说明。 b. 文献题名及版本(初版省略)。

c. 文献类型及载体类型标识。

d. 出版项(出版地、出版者、出版年)。

e. 文献出处或电子文献的可获得地址。

f. 文献起止页码。

g. 文献标准编号(标准号、专利号……)。

三、参考文献类型及其标识

1、根据 GB 3469规定，以单字母方式标识以下各种参考文献类型：

参考文献类型 专著 论文集 报纸文章 期刊文章 学位论文 报告 标准 专利

文献类型标识 M C N J D R S P

2、对于专著、论文集中的析出文献，其文献类型标识建议采用单字母“A”；对于其他未说明的文献类型，建议采用单字母“Z”。

3、对于数据库 (database) 、计算机程序 (computer program) 及电子公告 (electronic bulletin board)等电子文献类型的参考文献，建议以下列双字母作为标识：

电子参考文献类型 数据库 计算机程序 电子公告

电子文献类型标识 DB CP EB

4、电子文献的载体类型及其标识

对于非纸张型载体的电子文献，当被引用为参考文献时需要在参考文献类型标识中同时标明其载体类型 。本规范建议采用双字母表示电子文献载体类型：磁带(magnetic tape)——MT，磁盘(disk)——DK，光盘(CD-ROM)——CD，联机网络(online)——OL，并以下列格式表示包括了文献载体类型的参考文献类型标识：

［文献类型标识/载体类型标识］

如：［DB/OL］——联机网上数据库(database online)

［DB/MT］——磁带数据库(database on magnetic tape)

［M/CD］ ——光盘图书(monograph on CD-ROM)

［CP/DK］——磁盘软件(computer program on disk)

［J/OL］ ——网上期刊(serial online)

［EB/OL］——网上电子公告(electronic bulletin board online)

以纸张为载体的传统文献在引作参考文献时不必注明其载体类型。

四、文后参考文献表编排格式

参考文献按在正文中出现的先后次序列表于文后；表上以 “参考文献：”(左顶格)或 “［参考文献］” (居中)作为标识；参考文献的序号左顶格，并用数字加方括号表示，如［1］、［2］、…，以与正文中的指示序号格式一致 。参照ISO 690及ISO 690-2，每一参考文献条目的最后均以“.”结束。各类参考文献条目的编排格式及示例如下：

a. 专著、论文集、学位论文、报告［序号］ 主要责任者. 文献题名 ［文献类型标识］. 出版地： 出版者， 出版年. 起止页码(任选).

［1］刘国钧， 陈绍业，王凤翥. 图书馆目录［M]. 北京：高等教育出版社，1957. 15-18.  ［2］辛希孟. 信息技术与信息服务国际研讨会论文集：A集［C］. 北京： 中国社会科学出版社， 1994. 

［3］张筑生. 微分半动力系统的不变集［D］. 北京：北京大学数学系数学研究所， 1983.  ［4］冯西桥. 核反应堆压力管道与压力容器的LBB分析［R］. 北京 ：清华大学核能技术设计研究院， 1997.

b. 期刊文章

［序号］ 主要责任者.文献题名［J］. 刊名，年，卷(期)： 起止页码.

［5］何龄修. 读顾城《南明史》［J］. 中国史研究，1998，(3)：167-173. 

［6］金显贺，王昌长，王忠东，等. 一种用于在线检测局部放电的数字滤波技术 ［J］. 清华大学学报(自然科学版)， 1993， 33(4)： 62-67. c. 论文集中的析出文献

［序号］ 析出文献主要责任者. 析出文献题名 ［A］. 原文献主要责任者(任选) . 原文献题名 ［C］. 出版地：出版者，出版年. 析出文献起止页码.

［7］钟文发. 非线性规划在可燃毒物配置中的应用［A］. 赵玮. 运筹学的理论与应用——中国运筹学会第五届大会论文集［C］. 西安：西安电子科技大学出版社，1996. 468-471.

d.报纸文章

［序号］ 主要责任者. 文献题名 ［N］. 报纸名，出版日期 (版次).

［8］ 谢希德. 创造学习的新思路［N］. 人民日报，1998-12-25(10). e. 国际、国家标准 ［序号］ 标准编号，标准名称 ［S］. 

［9］ GB/T 16159-1996，汉语拼音正词法基本规则［S］.

f.专利

［序号］ 专利所有者. 专利题名 ［P］. 专利国别：专利号，出版日期.

［10］ 姜锡洲. 一种温热外敷药制备方案 ［P］. 中国专利：881056073，1989-07-26. 

g.电子文献

［序号］ 主要责任者.电子文献题名 ［电子文献及载体类型标识］.电子文献的出处或可获得地址，发表或更新日期/引用日期(任选).

［11］ 王明亮. 关于中国学术期刊标准化数据库系统工程的进展 ［EB/OL］. http://www. cajcd.edu.cn/pub/wml.txt/980810-2.html, 1998-08-16/1998-10-04. ［12］万锦坤. 中国大学学报论文文摘(1983-1993). 英文版 ［DB/CD］. 北京:中国大百科全书出版社，1996. 

h.各种未定义类型的文献

［序号］ 主要责任者.文献题名 ［Z］. 出版地：出版者，出版年.

五、参考文献与注释的区别

参考文献是作者写作论著时所参考的文献书目，一般集中列表于文末；注释是对论著正文中某一特定内容的进一步解释或补充说明 ，一般排印在该页地脚 。参考文献序号用方括号标注，而注释用数字加圆圈标注(如①、②…)。

原文地址：http://www.journal.tzc.edu.cn/caj14.htm

解决方法如下：

Option->Document Options，然后依次打开Document Type中的下拉菜单选项，检查Include when adding to projects，注意，只在你需要分析的文件类型中，勾选此项，其他全部去掉。

这样新建工程后，应该就没有问题了。

最近笔者在linux下用bt下载ipv6的资源，初始用的linux自带Transmission 2.11版本。但是用它下载 ipv4的bt资源是没有任何问题，但是用来下载ipv6还是有问题的。因此可以断定这是软件的问题。

GOOGLE搜索transmission去官方网站，下载最新版本2.22源码包。解压之，进入所在文件夹。在编译之前，你还得确认你的主机拥有以下组件：

• gcc
• libtool
• gettext 0.14.1 or newer
• intltool 0.40 or newer

• automake 1.9 or newer
• autoconf 2.54 or newer

• OpenSSL 0.9.8 or newer, preferably ssl or gnutls support.
• libcurl 7.16.3 or newer
• GTK+ 2.6 or newer (only needed by the GTK+ gui)
• libnotify 0.4.4 (optional, and only needed by the GTK+ gui)
• DBUS 0.70 (optional, and only needed by the GTK+ gui)

先不用管，直接编译，操作如下：

$./autogen.sh

如果发现缺少什么我们就安装什么，在ubuntu和fedora下就更为方便了。这里不在赘述。

这里要说明一下，transmission2.22要求拥有libevent-2.0.10及以上。无赖fedora14所带的也截至发稿时也就是1.4.14b这个版本，因此再度GOOGLE之，进入LIBEVENT官网。下载最新稳定版本，目前是libevent-2.0.10-stable下载并解压之，进入文件夹，机械重复：

$./autogen.sh

$make

$ sudo make install

这里有点必须要提的是，现在我们默认安装到/usr/local这里，因为我们没有修改默认的配置，接下来的进行的步骤是：

$export PKG_CONFIG_PATH=/usr/local/lib/pkgconfig

$export LD_LIBRARY_PATH=/usr/local/lib

接下来的话进入到transmission目录:

$./autogen.sh

$./configure –enable-gtk

$make

$sudo make install

完成安装，享用BT吧！

tier-1的conferences, 其实基本上就是AI里面大家比较公认的top conference. 下面同分的按字母序排列.

IJCAI (1+): AI最好的综合性会议, 1969年开始, 每两年开一次, 奇数年开. 因为AI实在太大, 所以虽然每届基本上能录100多篇（现在已经到200多篇了），但分到每个领域就没几篇了，象machine learning、computer vision这么大的领域每次大概也就10篇左右, 所以难度很大. 不过从录用率上来看倒不太低,基本上20%左右, 因为内行人都会掂掂分量, 没希望的就别浪费reviewer的时间了. 最近中国大陆投往国际会议的文章象潮水一样, 而且因为国内很少有能自己把关的研究组, 所以很多会议都在complain说中国的低质量文章严重妨碍了PC的工作效率. 在这种情况下, 估计这几年国际会议的录用率都会降下去. 另外, 以前的IJCAI是没有poster的, 03年开始, 为了减少被误杀的好人, 增加了2页纸的poster.值得一提的是, IJCAI是由貌似一个公司的”IJCAI Inc.”主办的(当然实际上并不是公司, 实际上是个基金会), 每次会议上要发几个奖, 其中最重要的两个是IJCAI Research Excellence Award 和 Computer & Thoughts Award, 前者是终身成就奖, 每次一个人, 基本上是AI的最高奖(有趣的是, 以AI为主业拿图灵奖的6位中, 有2位还没得到这个奖), 后者是奖给35岁以下的青年科学家,每次一个人. 这两个奖的获奖演说是每次IJCAI的一个重头戏.另外, IJCAI 的 PC member 相当于其他会议的area chair, 权力很大, 因为是由PC member去找 reviewer 来审, 而不象一般会议的PC member其实就是 reviewer. 为了制约这种权力, IJCAI的审稿程序是每篇文章分配2位PC member, primary PC member去找3位reviewer, second PC member 找一位.

AAAI (1): 美国人工智能学会AAAI的年会. 是一个很好的会议, 但其档次不稳定, 可以给到1+, 也可以给到1-或者2+, 总的来说我给它”1″. 这是因为它的开法完全受IJCAI制约: 每年开, 但如果这一年的IJCAI在北美举行, 那么就停开. 所以, 偶数年里因为没有IJCAI, 它就是最好的AI综合性会议, 但因为号召力毕竟比IJCAI要小一些, 特别是欧洲人捧AAAI场的比IJCAI少得多(其实亚洲人也是), 所以比IJCAI还是要稍弱一点, 基本上在1和1+之间; 在奇数年, 如果IJCAI不在北美, AAAI自然就变成了比IJCAI低一级的会议(1-或2+), 例如2005年既有IJCAI又有AAAI, 两个会议就进行了协调, 使得IJCAI的录用通知时间比AAAI的deadline早那么几天, 这样IJCAI落选的文章可以投往AAAI.在审稿时IJCAI 的 PC chair也在一直催, 说大家一定要快, 因为AAAI那边一直在担心IJCAI的录用通知出晚了AAAI就麻烦了.

COLT (1): 这是计算学习理论最好的会议, ACM主办, 每年举行. 计算学习理论基本上可以看成理论计算机科学和机器学习的交叉, 所以这个会被一些人看成是理论计算机科学的会而不是AI的会. 我一个朋友用一句话对它进行了精彩的刻画: “一小群数学家在开会”. 因为COLT的领域比较小, 所以每年会议基本上都是那些人. 这里顺便提一件有趣的事, 因为最近国内搞的会议太多太滥, 而且很多会议都是LNCS/LNAI出论文集, LNCS/LNAI基本上已经被搞
臭了, 但很不幸的是, LNCS/LNAI中有一些很好的会议, 例如COLT.

CVPR (1): 计算机视觉和模式识别方面最好的会议之一, IEEE主办, 每年举行. 虽然题目上有计算机视觉, 但个人认为它的模式识别味道更重一些. 事实上它应该是模式识别最好的会议, 而在计算机视觉方面, 还有ICCV与之相当. IEEE一直有个倾向, 要把会办成”盛会”, 历史上已经有些会被它从quality很好的会办成”盛会”了. CVPR搞不好也要走这条路. 这几年录的文章已经不少了. 最近负责CVPR会议的TC的chair发信说, 对这个community来说, 让好人被误杀比被坏人漏网更糟糕, 所以我们是不是要减少好人被误杀的机会啊? 所以我估计明年或者后年的CVPR就要扩招了.

ICCV (1): 介绍CVPR的时候说过了, 计算机视觉方面最好的会之一. IEEE主办, 每年举行.

ICML (1): 机器学习方面最好的会议之一. 现在是IMLS主办, 每年举行. 参见关于NIPS的介绍.

NIPS (1): 神经计算方面最好的会议之一, NIPS主办, 每年举行. 值得注意的是, 这个会每年的举办地都是一样的, 以前是美国丹佛, 现在是加拿大温哥华; 而且它是年底开会,会开完后第2年才出论文集, 也就是说, NIPS’05的论文集是06年出. 会议的名字是”Advances in Neural Information Processing Systems”, 所以, 与ICML\ECML这样的”标准的”机器学习会议不同, NIPS里有相当一部分神经科学的内容, 和机器学习有一定的距离. 但由于会议的主体内容是机器学习, 或者说与机器学习关系紧密, 所以不少人把NIPS看成是机器学习方面最好的会议之一. 这个会议基本上控制在ichael Jordan的徒子徒孙手中, 所以对Jordan系的人来说, 发NIPS并不是难事, 一些未必很强的工作也能发上去, 但对这个圈子之外的人来说, 想发一篇实在很难, 因为留给”外人”的口子很小. 所以对Jordan系以外的人来说, 发NIPS的难度比ICML更大. 换句话说,ICML比较开放, 小圈子的影响不象NIPS那么大, 所以北美和欧洲人都认, 而NIPS则有些人(
特别是一些欧洲人, 包括一些大家)坚决不投稿. 这对会议本身当然并不是好事, 但因为Jordan系很强大, 所以它似乎也不太care. 最近IMLS(国际机器学习学会)改选理事, 有资格提名的人包括近三年在ICML\ECML\COLT发过文章的人, NIPS则被排除在外了. 无论如何, 这是一个非常好的会.

ACL (1-): 计算语言学/自然语言处理方面最好的会议, ACL (Association of Computational Linguistics) 主办, 每年开.

KR (1-): 知识表示和推理方面最好的会议之一, 实际上也是传统AI(即基于逻辑的AI)最好的会议之一. KR Inc.主办, 现在是偶数昕?

SIGIR (1-): 信息检索方面最好的会议, ACM主办, 每年开. 这个会现在小圈子气越来越重. 信息检索应该不算AI, 不过因为这里面用到机器学习越来越多, 最近几年甚至有点机器学习应用会议的味道了, 所以把它也列进来.

SIGKDD (1-): 数据挖掘方面最好的会议, ACM主办, 每年开. 这个会议历史比较短, 毕竟, 与其他领域相比,数据挖掘还只是个小弟弟甚至小侄儿. 在几年前还很难把它列在tier-1里面, 一方面是名声远不及其他的top conference响亮, 另一方面是相对容易被录用. 但现在它被列在tier-1应该是毫无疑问的事情了. 另: 参见sir和lucky的介绍.

UAI (1-): 名字叫”人工智能中的不确定性”, 涉及表示\推理\学习等很多方面, AUAI(Association of UAI) 主办, 每年开.

The Second Class:
AAMAS (2+): agent方面最好的会议. 但是现在agent已经是一个一般性的概念, 几乎所有AI有关的会议上都有这方面的内容, 所以AAMAS下降的趋势非常明显.

ECCV (2+): 计算机视觉方面仅次于ICCV的会议, 因为这个领域发展很快, 有可能升级到1-去.

ECML (2+): 机器学习方面仅次于ICML的会议, 欧洲人极力捧场, 一些人认为它已经是1-了. 我保守一点, 仍然把它放在2+. 因为机器学习发展很快, 这个会议的reputation上升非常明显.

ICDM (2+): 数据挖掘方面仅次于SIGKDD的会议, 目前和SDM相当. 这个会只有5年历史, 上升速度之快非常惊人. 几年前ICDM还比不上PAKDD, 现在已经拉开很大距离了.

SDM (2+): 数据挖掘方面仅次于SIGKDD的会议, 目前和ICDM相当. SIAM的底子很厚, 但在CS里面的影响比ACM和IEEE还是要小, SDM眼看着要被ICDM超过了, 但至少目前还是相当的.

ICAPS (2): 人工智能规划方面最好的会议, 是由以前的国际和欧洲规划会议合并来的. 因为这个领域逐渐变冷清, 影响比以前已经小了.

ICCBR (2): Case-Based Reasoning方面最好的会议. 因为领域不太大, 而且一直半冷不热, 所以总是停留在2上.

COLLING (2): 计算语言学/自然语言处理方面仅次于ACL的会, 但与ACL的差距比ICCV-ECCV
ICML-ECML大得多.

ECAI (2): 欧洲的人工智能综合型会议, 历史很久, 但因为有IJCAI/AAAI压着, 很难往上升.

ALT (2-): 有点象COLT的tier-2版, 但因为搞计算学习理论的人没多少, 做得好的数来数去就那么些group, 基本上到COLT去了, 所以ALT里面有不少并非计算学习理论的内容.

EMNLP (2-): 计算语言学/自然语言处理方面一个不错的会. 有些人认为与COLLING相当, 但我觉得它还是要弱一点.

ILP (2-): 归纳逻辑程序设计方面最好的会议. 但因为很多其他会议里都有ILP方面的内容, 所以它只能保住2-的位置了.

PKDD (2-): 欧洲的数据挖掘会议, 目前在数据挖掘会议里面排第4. 欧洲人很想把它抬起来, 所以这些年一直和ECML一起捆绑着开, 希望能借ECML把它带起来. 但因为ICDM和SDM, 这已经不太可能了. 所以今年的PKDD和ECML虽然还是一起开, 但已经独立审稿了(以前是可以同时投两个会, 作者可以声明优先被哪个会考虑, 如果ECML中不了还可以被PKDD接受).

The Third Class:
列得很不全. 另外, 因为AI的相关会议非常多, 所以能列在tier-3也算不错了, 基本上能进
到所有AI会议中的前30%吧

ACCV (3+): 亚洲的计算机视觉会议, 在亚太级别的会议里算很好的了.
DS (3+): 日本人发起的一个接近数据挖掘的会议.
ECIR (3+): 欧洲的信息检索会议, 前几年还只是英国的信息检索会议.
ICTAI (3+): IEEE最主要的人工智能会议, 偏应用, 是被IEEE办烂的一个典型. 以前的quality还是不错的, 但是办得越久声誉反倒越差了, 糟糕的是似乎还在继续下滑, 现在其实3+已经不太呆得住了.

PAKDD (3+): 亚太数据挖掘会议, 目前在数据挖掘会议里排第5.

ICANN (3+): 欧洲的神经网络会议, 从quality来说是神经网络会议中最好的, 但这个领域的人不重视会议,在该领域它的重要性不如IJCNN.

AJCAI (3): 澳大利亚的综合型人工智能会议, 在国家/地区级AI会议中算不错的了.

CAI (3): 加拿大的综合型人工智能会议, 在国家/地区级AI会议中算不错的了.

CEC (3): 进化计算方面最重要的会议之一, 盛会型. IJCNN/CEC/FUZZ-IEEE这三个会议是计算智能或者说软计算方面最重要的会议, 它们经常一起开, 这时就叫WCCI (World Congress on Computational Intelligence). 但这个领域和CS其他分支不太一样, 倒是和其他学科相似, 只重视journal, 不重视会议, 所以录用率经常在85%左右, 所录文章既有
quality非常高的论文, 也有入门新手的习作.

FUZZ-IEEE (3): 模糊方面最重要的会议, 盛会型, 参见CEC的介绍.

GECCO (3): 进化计算方面最重要的会议之一, 与CEC相当，盛会型.

ICASSP (3): 语音方面最重要的会议之一, 这个领域的人也不很care会议.

ICIP (3): 图像处理方面最著名的会议之一, 盛会型.

ICPR (3): 模式识别方面最著名的会议之一, 盛会型.

IEA/AIE (3): 人工智能应用会议. 一般的会议提名优秀论文的通常只有几篇文章, 被提名就已经是很高的荣誉了, 这个会很有趣, 每次都搞1、20篇的优秀论文提名, 专门搞几个session做被提名论文报告, 倒是很热闹.

IJCNN (3): 神经网络方面最重要的会议, 盛会型, 参见CEC的介绍.

IJNLP (3): 计算语言学/自然语言处理方面比较著名的一个会议.

PRICAI (3): 亚太综合型人工智能会议, 虽然历史不算短了, 但因为比它好或者相当的综合型会议太多, 所以很难上升.

Combined List:
说明: 纯属个人看法, 仅供参考. tier-1的列得较全, tier-2的不太全, tier-3的很不全.
同分的按字母序排列. 不很严谨地说, tier-1是可以令人羡慕的, tier-2是可以令人尊敬的
,由于AI的相关会议非常多, 所以能列进tier-3的也是不错的

tier-1:
IJCAI (1+): International Joint Conference on Artificial Intelligence
AAAI (1): National Conference on Artificial Intelligence
COLT (1): Annual Conference on Computational Learning Theory
CVPR (1): IEEE International Conference on Computer Vision and Pattern Recognition
ICCV (1): IEEE International Conference on Computer Vision
ICML (1): International Conference on Machine Learning
NIPS (1): Annual Conference on Neural Information Processing Systems
ACL (1-): Annual Meeting of the Association for Computational Linguistics
KR (1-): International Conference on Principles of Knowledge Representation and Reasoning
SIGIR (1-): Annual International ACM SIGIR Conference on Research and Development in Information Retrieval
SIGKDD (1-): ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
UAI (1-): International Conference on Uncertainty in Artificial Intelligence

tier-2:
AAMAS (2+): International Joint Conference on Autonomous Agents and Multiagent Systems
ECCV (2+): European Conference on Computer Vision
ECML (2+): European Conference on Machine Learning
ICDM (2+): IEEE International Conference on Data Mining
SDM (2+): SIAM International Conference on Data Mining
ICAPS (2): International Conference on Automated Planning and Scheduling
ICCBR (2): International Conference on Case-Based Reasoning
COLLING (2): International Conference on Computational Linguistics
ECAI (2): European Conference on Artificial Intelligence
ALT (2-): International Conference on Algorithmic Learning Theory
EMNLP (2-): Conference on Empirical Methods in Natural Language Processing
ILP (2-): International Conference on Inductive Logic Programming
PKDD (2-): European Conference on Principles and Practice of Knowledge Discovery in Databases

tier-3:
ACCV (3+): Asian Conference on Computer Vision
DS (3+): International Conference on Discovery Science
ECIR (3+): European Conference on IR Research
ICTAI (3+): IEEE International Conference on Tools with Artificial Intelligence
PAKDD (3+): Pacific-Asia Conference on Knowledge Discovery and Data Mining
ICANN (3+): International Conference on Artificial Neural Networks
AJCAI (3): Australian Joint Conference on Artificial Intelligence
CAI (3): Canadian Conference on Artificial Intelligence
CEC (3): IEEE Congress on Evolutionary Computation
FUZZ-IEEE (3): IEEE International Conference on Fu Systems
GECCO (3): Genetic and Evolutionary Computation Conference
ICASSP (3): International Conference on Acoustics, Speech, and Signal Processing
ICIP (3): International Conference on Image Processing
ICPR (3): International Conference on Pattern Recognition
IEA/AIE (3): International Conference on Industrial and Engineering
Applications of Artificial Intelligence and Expert Systems
IJCNN (3): International Joint Conference on Neural Networks
IJNLP (3): International Joint Conference on Natural Language Processing

ACL会议

ACL会议（Annual Meeting of the Association for Computational Linguistics）是自然语言处理与计算语言学领域最高级别的学术会议，由计算语言学协会主办，每年一届。
涉及
对话(Dialogue)
篇章(Discourse)
评测( Eval)
信息抽取( IE)
信息检索( IR)
语言生成(LanguageGen)
语言资源(LanguageRes)
机器翻译(MT)
多模态(Multimodal)
音韵学/ 形态学( Phon/ Morph)
自动问答(QA)
语义(Semantics)
情感(Sentiment)
语音(Speech)
统计机器学习(Stat ML)
文摘(Summarisation)
句法(Syntax)
等多个方面

自然语言处理及计算语言学常见缩略语

ACL = Association for Computational Linguistics(计算语言学协会)
AFNLP = Asian Federation of Natural Language Processing(亚洲自然语言处理联盟)
AI = Artificial Intelligence(人工智能)
ALPAC = Automated Language Processing Advisory Committee(语言自动处理咨询委员会)
ASR = Automatic Speech Recognition(自动语音识别)
CAT = Computer Assisted/Aided Translation（计算机辅助翻译）
CBC = Clustering by Committee
CCG = Combinatory Categorial Grammar（组合范畴语法）
CICLing = International Conference on Intelligent text processing and Computational Linguistics（国际智能文本处理与计算语言学大会）
CL = Computational Linguistics（计算语言学）
COBUILD = Collins Birmingham University International Language Database（柯林斯伯明翰大学国际语言数据库）
COLING = International Conference on Computational Linguistics（国际计算语言学大会）
CRF = Conditional Random Fields（条件随机场）
DRS = Discourse Representation Structure（篇章表述结构）
DRT = Discourse Representation Theory（篇章表述理论）
EACL = European chapter of the Association for Computational Linguistics
EBMT = Example-based machine translation（基于实例的机器翻译）
EM = Expectation Maximization（期望最大化）
FAHQMT = Fully Automated High-Quality Machine Translation（全自动高质量机器翻译）
FOL = First Order Logic（一阶逻辑）
HAMT = Human Assisted/Aided Machine Translation（人工辅助机器翻译）
HLT = Human Language Technologies（人类语言技术）
HMM = Hidden Markov Model（隐马尔科夫模型）
HPSG = Head-Driven Phrase Structure Grammar（中心语驱动短语结构语法）
IE = Information Extraction（信息抽取）
IR = Information Retrieval（信息检索）
IST = Information Society Technologies（信息社会技术）
KR = Knowledge Representation（知识表示）
LFG = Lexical Functional Grammar（词汇功能语法）
LSA = Latent Semantic Analysis（潜在语义分析）; Linguistics Society of America（美国语言学学会）
LSI = Latent Semantic Indexing（潜在语义索引）
MAHT = Machine Assised/Aided Human Translation（计算机辅助人工翻译）
ME = Maximum Entropy（最大熵）
MI = Mutual Information（互信息）
ML = Machine Learning（机器学习）
MRD = Machine-Readable Dictionary（机读词典）
MT = Mechanical Translation/Machine Translation （机器翻译）
NAACL = North American chapter of the Association for Computational Linguistics
NE = Named Entity（命名实体）
NEALT = Northern European Association for Language Technology
NER = Named Entity Recognition（命名实体识别）
NLG = Natural Language Generation（自然语言生成）
NLP = Natural Language Processing（自然语言处理）
NLU = Natural Language Understanding（自然语言理解）
NML = National Museum of Language
PLSA = Probabilistic Latent Semantic Analysis（概率潜在语义分析）
PMI = Pointwise Mutual Information（点间互信息）
POS = Part of Speech（词性）
RTE = Recognising Textual Entailment
SLT = Spoken Language Translation（口语翻译）
SVM = Support Vector Machine（支持向量机）
TAG = Tree-Adjoining Grammar（树邻接语法）
TINLAP = Theoretical Issues in Natural Language Processing
TLA = Three-letter acronym（三字母缩略语）
TMI = Theoretical and Methodological Issues (in Machine Translation)
TREC = The Text REtrieval Conference（文本检索会议）
VSM = Vector Space Model（向量空间模型）
WSD = Word Sense Disambiguation（词义消歧）

转自：http://hi.baidu.com/shenyangzcl/blog/item/e7b7058bae76d5779f2fb404.html

1.安装vmtools for linux:
选择vmware workstation程序菜单中VM >install VMware tools…
启动guest 电脑中的linux，执行：
mkdir /mnt/cdrom
mount /dev/cdrom /mnt/cdrom （vmtools的安装文件放在vmware虚拟的cdrom中，首先要mount上这个光驱才能找到安装文件）
cd /mnt/cdrom
tar -zxvf VMwareTools-5.0.0-12124.i386.tar.gz -C /tmp （把安装文件解压到/tmp）
cd /tmp/vmware-tools-distrib
./vmware-install.pl
（执行vwware的安装脚本，这个脚本是用perl编写的）
在这里，安装程序会询问安装文件存放位置和设置分辨率等一系列问题，在大多数情况下，安装默认配置vmware tools就可以正常工作，因此，这里对每一个问题按回车键选择默认配置。
安装完以后，vmware会添加一个vmhgfs的模块到内核中，可以使用lsmod查看

2.设置host computer共享的目录：
在ghost computer中切换到windows桌面，选择vmware workstation程序菜单中 VM>Settings>Options>Shared Folders >Properties
点击对话框右下的“add”按钮，点击“下一步”
在文本框“name”中输入共享目录的名字（这里填写的目录名以后在ghost computer的linux系统中将显示出同样的目录名），假设为fc4_iso；在“host folder”中填入host computer中windows系统想要共享出来的目录，假设为F:\linux-cd\RedHat\Fedora_Core_4\stentz- dvd-i386，然后点击完成
下一个对话框是选择共享的方式:Enable this share是指这个共享长期有效，目录可读写；Read-only方式是指这个共享长期有效，目录只读；Disable after this session方式是指下次ghost computer被关闭或挂起后，共享将会失效。一般情况下选择Enable this share然后点击“完成”
自此，shared folder设置完毕

3.shared folder目录的使用
切换到ghost computer的linux系统，执行：
cd /mnt/hgfs
ls
可以看到fc3_iso的目录，并且可以用cp等指令实现windows到linux，linux到windows的读写操作了

4.注意事项
在vmware软件里添加一个shared folder或对shared folder的参数进行版本是立刻生效的，也就是说立刻可以在ghost computer的linux系统中看到新加的共享目录和体验到参数的改变

结语：以前大多是使用ftp，samba甚至是nfs（在windows上装microsoft service for unix就可以实现nfs）来实现的，采用vmware自带的shared folder方式比使用网络协议实现文件传输要方便得多，并且对于新手来说，用cp命令拷贝文件比用ftp和smbmount命令要简单得多。

下表是map绑定中，对应的模式代号。现在先了解一下，等看完之后再回过头看这个模式代号就会明白了。
字 符 模 式 ~
<Space> 普通、可视、选择和操作符等待
n 普通
v 可视和选择
s 选择
x 可视
o 操作符等待
! 插入和命令行
i 插入
l 插入、命令行和 Lang-Arg 模式的 “:lmap” 映射
c 命令行

我主要讲解一下“n(普通模式)”下的两个绑定命令，等看完之后就对应的明白别的模式下的命令了。
适用于普通模式的映射命令主要有：
1. :map
[语法] :map {lhs} {rhs} |mapmode-nvo| *:map*
1.1 作用模式： n、v、o （普通、可视和选择、操作符等待）
1.2 命令格式：
:map {lhs} {rhs}
含义： 在:map作用的模式中把键系列 {lhs} 映射为 {rhs}，{rhs}可进行映射扫描，也就是可递归映射。
1.3 举例：
:map td :tabnew .<cr>
含义：在其作用模式（普通、可视、操作符）下，输入td等价于输入 :tabnew . <cr>。而普通模式下输入:tabnew . <cr>就是打开当前目录
如果再定义绑定 :map ts td，就是指在其作用模式下输入ts等价于td，也就是打开当前目录。不过如果没有特殊需要，一般不建议递归映射。

2. :noremap
:moremap和:map命令相对，作用模式和命令格式都相同，只不过不允许再对{rhs}进行映射扫描，也就是{lhs}定义后的映射就是{rhs}的键序列，不会再对{rhs}键序列重新解释扫描。它一般用于重定义一个命令，当然如果:map不需要递归映射的话，建议试用:noremap
比如：
:noremap ts td
它的意思是在其作用模式下，输入ts就是输入td，但是和:map不同的是，此时td再不会做进一步扫描解释。虽然之前已经定义了td，但是不会对td再做扫描

3. :unmap
:unmap是对应取消:map绑定的｛lhs｝，作用模式相同，命令格式 :unmap {lhs}。
例如：
:unmap td
就是取消在其作用模式中td的绑定，比如之前td被绑定为:tabnew .<cr>，此时此绑定消失。
4. :mapclear
:mapclear时对应取消所有:map绑定的，慎用！

5. :nmap
:nmap是:map的普通模式板，也就是说其绑定的键只作用于普通模式。
例如：
:nmap td :tabnew .<cr> 和 :map td :tabnew .<cr> 在普通模式下等效
6. :nnoremap
:nnorempa和:nmap的关系和:noremap和:map的关系一样，只是:nmap的非递归版
7. :nunmap
:nunmap和:nmap的关系和:unmap和:map的关系一样，取消:nmap的绑定。
8. :nmapclear
:nmapclear是对应取消所有:map绑定的，慎用！

看完以上，应该可以发现一个规律，前4个是一组，后4个时一组，后一组比前一组多一个n就是指只作用于普通模式。其中每组内*nore*是其对应的非递归版、*un*是取消绑定某个<lhs>绑定、clear后缀是取消所有绑定。发现了这个规律，再翻到前面的模式代号表，你大体可以猜到vmap、xmap、smap、omap是什么意思了吧，以及相对应的nore版本、un版本、clear版本。

另外：
{rhs} 之前可能显示一个特殊字符:
* 表示它不可重映射
& 表示仅脚本的局部映射可以被重映射
@ 表示缓冲区的局部映射

到这一步你可以轻松的长吸一口气，因为相关的命令已经都了解了，记不住没关系，可以随时:help map一下。不过别急，后面还有map更多的选项等着去攻克。

键表 |key-notation|
<k0> – <k9> 小键盘 0 到 9 *keypad-0* *keypad-9*
<S-…> Shift＋键 *shift* *<S-*
<C-…> Control＋键 *control* *ctrl* *<C-*
<M-…> Alt＋键 或 meta＋键 *meta* *alt* *<M-*
<A-…> 同 <m-…> *<A-*
<t_xx> termcap 里的 “xx” 入口键

特殊参数：
1. <buffer>
2. <silent>
3. <special>
4. <script>
5. <expr>
6. <unique>
它们必须映射命令的后边，在其他任何参数的前面。

<buffer>如果这些映射命令的第一个参数是<buffer>，映射将只局限于当前缓冲区（也就是你此时正编辑的文件）内。比如：
:map <buffer> ,w /a<CR>
它的意思时在当前缓冲区里定义键绑定，“,w”将在当前缓冲区里查找字符a。同样你可以在其他缓冲区里定义：
:map <buffer> ,w /b<CR>
比如我经常打开多个标签(:tabedit)，想要在各自标签里定义”,w”键绑定，那么你只要在每个标签页里分别定义就可，其作用域也只在各自的标签里。同样要清除这些缓冲区的键绑定也要加上<buffer>参数，比如：
:unmap <buffer> ,w
:mapclear <buffer>

<silent>是指执行键绑定时不在命令行上回显，比如：
:map <silent> ,w /abcd<CR>
你在输入,w查找abcd时，命令行上不会显示/abcd，如果没有<silent>参数就会显示出来

<special>一般用于定义特殊键怕有副作用的场合。比如：
:map <special> <F12> /Header<CR>

<unique>一般用于定义新的键映射或者缩写命令的同时检查是否该键已经被映射，如果该映射或者缩写已经存在，则该命令会失败

<expr>. 如果定义新映射的第一个参数是<expr>，那么参数会作为表达式来进行计算，结果使用实际使用的<rhs>，例如：
:inoremap <expr> . InsertDot()
这可以用来检查光标之前的文本并在一定条件下启动全能 (omni) 补全。
一个例子：
let counter = 0
inoremap <expr> <C-L> ListItem()
inoremap <expr> <C-R> ListReset()

func ListItem()
let g:counter += 1
return g:counter . ‘. ‘
endfunc

func ListReset()
let g:counter = 0
return ”
endfunc
在插入模式下，CTRL-L插入顺序的列表编号，并返回；CTRL-R复位列表编号到0，并返回空。

<Leader> mapleader
mapleader变量对所有map映射命令起效，它的作用是将参数<leader>替换成mapleader变量的值，比如：
:map <Leader>A oanother line<Esc>
如果mapleader变量没有设置，则用默认的反斜杠代替，因此这个映射等效于：
:map \A oanother line<Esc>
意思时输入\A键时，在下一行输入another line并返回到普通模式。
如果设置了mapleader变量，比如：
let mapleader = “,”
那么就等效于：
:map ,A oanother line<Esc>

<LocalLeader> maplocalleader
<LocalLeader>和<Leader>类似，只不过它只作用于缓冲区。
因此在设置mapleader和maplocalleader时最好区分开，不要出现冲突。

－－以上转自网络，出处未经考究。

为保证尽量减少数据库中的垃圾和保持日志ID的连续性，人们想了很多办法，各显神通。但大部分都是采用插件形式。插件形式仅仅能禁止日志的历史版本，却对自动插入的状态为”auto-draft”的记录无能为力。而且这种记录并不能在wordpress的后台看到。对于追求完美和有洁癖的人来说，这些记录实在是很烦人。

禁止自动生成 auto-draft 的不可见草稿：
在wp-admin/includes/post.php中，从第374行开始，有一个if判断，代码如下：
if ( $create_in_db ) {
// Cleanup old auto-drafts more than 7 days old
$old_posts = $wpdb->get_col( “SELECT ID FROM $wpdb->posts WHERE post_status = ‘auto-draft’ AND DATE_SUB( NOW(), INTERVAL 7 DAY ) > post_date” );
foreach ( (array) $old_posts as $delete )
wp_delete_post( $delete, true ); // Force delete
$post_id = wp_insert_post( array( ‘post_title’ => __( ‘Auto Draft’ ), ‘post_type’ => $post_type, ‘post_status’ => ‘auto-draft’ ) );
$post = get_post( $post_id );
} else {
解释一下这段代码的功能，首先，清除七天以前的自动草稿，然后插入一条新草稿，如果你继续写文章并发布，那么这条草稿就被使用了，包括在后台首页有一个快速发布，也用到了这个。但如果你仅仅是点击了new post(添加文章)，接下来没有输入任何内容就跳到别的页面去了或关闭了，此时仍然会生成一个自动草稿，而这个草稿，是后台不可见的，是垃圾数据。

解决方法：

一、编辑wp-admin/includes/post.php文件，找到

在之前加入一行

副作用：禁用AutoDraft和AutoSave后，“预览”功能必须在“保存草稿”后才有效果。因为在“保存草稿”或“发布”之前，数据库还没有保存你的这篇文章。

二、将这个if判断中的内容替换成以下内容，代码如下：
if ( $create_in_db ) {
// modify by akii start
global $current_user;
$post_auto_draft = $wpdb->get_row( “SELECT * FROM $wpdb->posts WHERE post_status = ‘auto-draft’ AND post_author = $current_user->ID ORDER BY ID ASC LIMIT 1″ );
if ($post_auto_draft){
$post = $post_auto_draft;
} else {
$post_id = wp_insert_post( array( ‘post_title’ => __( ‘Auto Draft’ ), ‘post_type’ => $post_type, ‘post_status’ => ‘auto-draft’ ) );
$post = get_post( $post_id );
}
// modify by akii end
} else {
原理及说明：当数据库中有一条或多条状态为”auto-draft”的自动草稿时，取ID最小的，新文章即使用此条记录。如果没有此种类型的数据，才会新插入一条数据。并且查询数据时是根据当前的用户来判断，不会出现多用户时出错。这样就可以避免了自动草稿(auto-draft)的冗余垃圾数据。保证了日志ID的连续性。但最后我要提醒一句，如果你在日志中添加了附件，如图片，那么该图片也会占用一条数据，即一个连续的ID，所以，如果你以ID形式，发现日志有时候不是连续的ID了，那么，有可能是你日志的附件占用了临近的ID。

以上是从网络上检索到的。注意，要彻底解决ID不连续的问题，不要忘记安装revision和autosave的禁用插件。另外，不保证以上两种方法都奏效。

参考原文请见 http://pzg.me/skill/1665/wordpress-3-1-disable-auto-draft-auto-draft-method/