最近赵薇的《致已经失去的青春》听说很火。可是自己也没去看。不是因为没有钱，也不是因为没用时间。而是自己从来没有去电影院看过电影。也不想一个人去看，别人的情侣依偎在怀里，而我只能傻傻的看着荧幕。
最近，贝贝也提起过 逝去的青春。而且她还感动流泪。
最近 微博看到的电影里有一句话，“长得好看的人才有青春，其他的人只有大学。”—《致青春》。我属于难看的那种，而且不修边幅那种。我的大学也没什么。只有书，图书馆里一书架一书架的书。哪一本书，在哪层，在哪教师，在哪个位置我都清清楚楚。
青春期，我没有给自己留下太多的回忆。
高二那年喜欢了一个女生。是我们学校的校花。高三，她在我们隔壁班。我没有告诉任何人我喜欢的女孩的名字。然后却不敢保证梦里喊出她的名字，让舍友听见，闹得沸沸扬扬。表白也是以失败告终。
大一那年，我喜欢同一专业的一个老乡。最后失败告终。
大一那年，玩炫舞。
http://www.ibm.com/developerworks/cn/opensource/os-pythonnltk/
最近自媒体要火啊。韩寒发布《一个》，苍老师也发布app，还有小泽。而且当今的媒体，很多稿子写好了不敢发表。但是自媒体，就没有这个担忧。
然后就是微博大号。也有人选择了微信+博客的形式。
而月光博客，采用了wumii的东西，自己发布app。
在我看来，自媒体马上就会成为一片红海。 简网的 app工厂 http://cutt.com/app 等等
但是用别人的东西，cms也是别人的。总是不大好。
所以，思维天马行空的我，想到了一个点子。也许会有收获。
wordpress+响应式主题+ 插件+ 推送服务器+IOS+android 形式的自媒体。 wordpress，是最流行的博客系统了，好多人用它写博客。包括我。
开发插件主题也不难（可惜我不会）。
当然也可以全套的都自己开发。不过要看用户是否愿意采用了。
估计会火。
hadoop hadoop 1.1.2
Hbase 0.95 存放文档
mahout 0.7
neo4j 存放标签关系，文档关系，人物关系
nlp部分，看看有没有开源的中文nlp，打算用python，go，c来做。
备选解决方法 Mallet
1.外包公司坚决不能去。
我同学去外包了。大约都在10k左右。（我们2012年毕业）试用期80%工资，试用期大约2到3个月。然后外包到甲方。甲方项目周期大约半年左右或者更短。此时外包撤人。此时外包不发工资，然后在面试其他公司。这时候很多人选择了离职再找。然后在试用期。这样周而复始。 阅读全文 ……
http://www.zhihu.com/question/20668955
大道理大家都说得很好，我来提一点具有操作性的意见。
先举个例子。鸡蛋煎饼大家再熟悉不过了，在城市里上班族集聚的地方，总会有几个师傅一大早出来给大家做鸡蛋煎饼，而且生意永远是那么的红火。仔细一算，这门不起眼的小生意收入还是可以的。假如一个煎饼卖3块，成本可能占一半，如果半分钟能做一个饼，1小时就能赚180，一个早上算两小时黄金时间，就能赚360，一个月下来，就能赚8000块钱。但是，如果让你去做这门生意，你肯定不愿意。除了辛苦劳累和不受人待见之外，还有一个重要的原因是，你会隐隐地觉得看不到「希望」。对，没有希望。为什么呢？因为这8000块钱的收入，要想再往上提，实在是太难了。纵然等你手脚极为麻利之后，可能提到9000、10000，可是有可能提到5万、8万、10万吗？没可能。因为你挣的每一块钱都是你用双手一个饼一个饼摊出来的，你自己是你收入的最大瓶颈。
类似disqus,g+也开始做社会化评论了。g+越来越像我想做的产品了。
代码如下
<div id='gpluscomments'></div>
<script src='https://apis.google.com/js/plusone.js' type='text/javascript'></script>
<script>
var url=window.location.href;
gapi.comments.render('gpluscomments', {href: url, first_party_property: 'BLOGGER', view_type: 'FILTERED_POSTMOD'});
</script>
发现了这个。呵呵http://wordpress.org/plugins/gplus-comments/
http://www.infoq.com/cn/news/2013/04/netflix-ml-architecture
Netflix的推荐和个性化功能向来精准，前不久，他们公布了自己在这方面的系统架构。
我们需要具备使用复杂机器学习算法的能力，这些算法要可以适应高度复杂性，可以处理大量数据。我们还要能够提供灵活、敏捷创新的架构，新的方法可以很容易在其基础上开发和插入。而且，我们需要我们的推荐结果足够新，能快速响应新的数据和用户行为。找到这些要求之间恰当的平衡并不容易，需要深思熟虑的需求分析，细心的技术选择，战略性的推荐算法分解，最终才能为客户达成最佳的结果。
