LinkedIn推荐引擎的核心：半结构化数据

　　如果你注册了LinkedIn，你肯定会注意到有一个区域叫“你可能感兴趣的工作”。这个功能，乍看和Amazon或者Netflix的推荐引擎很像，但是在LinkedIn的推荐和个性化部门工程总监Anmol Bhasin看来，LinkedIn的实现要更加复杂。

　　LinkedIn用机器学习算法从成员个人信息中发现有趣的模式。“但是，我想要澄清的是，真正推动这个产品的其实并不是机器学习算法。”Bhasin说。这番表态来自于其在近期Data Driven Business(组织每年一度的文本分析会议)的一次演讲上。

　　真正的驱动力在于LinkedIn用户的各种信息：工作头衔、地理位置、所在行业和技能等。基于超过2.25亿份个人信息，可以挖掘出非常有用的模式，比如人们一般在什么是开始考虑职业生涯的下一步、工作变化的趋势以及那些较少有人员流出的领域。将成员的信息与整体职场趋势相比较，可以为其推荐合适的职位。

　　“至今为止，这个产品取得了巨大的成功，占到了我们所有工作申请总数的50%。”Bhasin表示。

社交媒体的力量

　　对于连锁药店CVS来说，这个夏天过得并不容易。有客户开始在互联网上抱怨CVS超长的处方单。他们发布照片、讽刺言论、左右晃动示意no的电子手指以及对经常长达6英尺的纸带的新奇用法。甚至还有人注册了一个叫@CVS_Receipt的推特账户，伴随着这样的语言：“我是如此不必要的长。”甚至American talk show的主持人及滑稽演员Ellen DeGeneres也来凑热闹。

　　“你遇到过这种事情吗？这和一个12岁的孩子一样长。”她向听众发问，手里拿着一张CVS的处方单。

　　社交媒体上的言论起到了效果。CVS通过其Facebook账号表示正在听取用户的意见并计划在未来几周内将处方单减少25%。

内存计算

　　咨询公司Third Nature Inc.的董事长和创始人Mark Madsen认为，BI的问题在于其依然生硬的交互模式。与Madsen一起发表这个观点的是IBM分析师Chris McPherson。

　　基于SQL的数据库面临着工作流的问题。请求提交到数据库、提取数据以及结果返回到用户屏幕等阶段之间的延迟日益明显。根据IBM在1982年发表的《The Economic Value of Rapid Response Time》，超过3秒钟的时间延迟将会导致工作效率的急剧下降。Madsen认为这个问题当前仍然非常严重，当面对海量数据的加载和处理时，SQL查询显得力不从心。

　　内存计算有助于这种问题的解决。数据在存储层次之间的来回移动是性能瓶颈所在，而将数据库缓存在内存中则可以消除这种冗余。

自带设备的趋势

　　Gartner在其发布的报告《Bring Your Own Device: The Facts and the Future》中，认为自带设备已是大势所趋。根据调查，38%的公司希望在2016年停止向员工提供设备，而只有15%的企业不会允许员工用自带设备工作。