这篇也是脑洞系列，属于我觉得好玩、分析后认为技术上可行、但限于时间或精力没去做的事，分享出来，有兴趣的小伙伴可以去折腾

我有很多想法，只差一个程序员啦

---

先前的工作

jobsVisualization是一个可视化工具，用来帮你可视化地筛选工作

一图胜千言

关于为何想做这个项目，我在可视化筛选你中意的工作一文中有说明

大体原因是因为目前职位相关的特征数据很多，要选出最合适的职位（综合多种特征，相互对比）十分不易，人脑很难对数据有直观认知，而这正是可视化帮得上忙的

受bokeh example app movies项目的启发，我做了这个东西

泛化能力

我最初在折腾bokeh example app movies的时候就觉得，卧槽这是个泛化能力极好的模型呀，可以应用的领域太广了，这个模型里，只要求我们关注的对象（比如电影）有多维标签数据（比如评论数、票房）即可！用户就可以根据这些数据来可视化筛选数据，从而得出自己喜欢的电影，用户也可以随时调整筛选指标（通过变化坐标轴关联的数据标签）

我的jobsVisualization就是一个典型的例子，你还用以用来做的其他事包括如何选股票，如何选桃子，如何选女朋友（如果有的选的话，邪恶一笑）之类的

只完成一半

在我的最初计划里，当前的工作其实只完成了一半，尽管它看去已经完整了（语出@ryseven）

我的另一半计划是，用户能够订阅自己关注的区间，好比订阅月薪在10K-20K之间，工作地点在上海的职位，每当采集到新的数据，便向订阅用户推送这些信息

那么用户怎么订阅呢，他只需要在图中圈一下

这样便订阅了薪资在10k-20k,简历提交次数在30次以下的职位

这是一种信息筛选和推送的服务

算法问题

最后剩下的就是一个算法问题，假设有有A个用户订阅了该服务，他们关注的薪资区间各不相同（先假设只有薪资一个变量）。我们的爬虫每天早上爬取一组职位数据，我们要如何将合适的职位推送给合适的用户。怎样的机制较优（可以从时间复杂度和空间复杂度两方面考虑），简单的办法包括

• 为每个用户执行一次筛选
• 为每个职位找合适的用户

我们看到这两种做法都不好，许多信息被反复查看，并没有充分利用

另一个小问题

我们可以先绕开算法问题，处理消息推送中的优化策略

如果你折腾过消息系统（notification system），你会发现这个问题在构建消息系统是可能也会遇到类似的，一群人订阅了一个话题，当话题有更新时，如何通知这些人。消息到达用户的方式通常有pull和push两种。

针对push/pull模型采取的策略可能不尽相同，在pull模型中（用户拉取），我们可以根据用户的活跃情况决定为其生成消息的策略，诸如活跃用户优先，而非活跃用户可以访问时生成也无妨（celery）。

这样可以节省空间

优化问题还蛮好玩的，不过我最近掉到NLP（自然语言处理）的蜜罐里，暂时出不来，就不继续折腾这个项目了，有兴趣的小伙伴可以继续玩耍

结语

这个可视化订阅服务是泛化性很好的项目，小伙伴们可以自己去折腾出好玩的东西，如果这个服务能帮到大家找到喜欢的东西（电影或是工作），节省信息筛选的时间，那么说不定有许多人请你喝咖啡呢