许多业者采取的传统商业模式，已渐渐过渡、开始应用新兴科技，热门职业社群平台LinkedIn也不例外，该公司透过机器学习技术等方式来帮助专业人士。

据Analytics India Magazine报导，以商务和就业为导向的LinkedIn，平台资料量之庞大可从用户数窥得，报导指出，该平台在200多个国家地区共拥有约660亿名会员，每月有3.03亿活跃用户，平均每秒有2人在上面建立帐号，每年便有约6,200万个体用户。

面对这样的资料量，LinkedIn开发人员致力于强化机器学习模型，构建Domain-Specific Language(DSL)和交互式记事本系统Jupyter，集成经筛选的条件并使其易于调整参数，进而让职业媒合推荐系统的演算结果更为准确。

改善媒合系统外　更防止系统滥用

LinkedIn如同Facebook、Twitter等社群媒体龙头，利用机器学习技术来侦测、移除不当内容已成趋势。为了自动侦测和纠正违反公司服务条款之行为，并维护社群的互信基础，LinkedIn这样的职业平台已在使用能够侦测假帐号与系统滥用的技术。根据以往报导，在2019年1~6月，LinkedIn已对2,160万个假帐号采取惩戒措施。

处理含不当内容的个人档案，LinkedIn机器学习团队所改良的方法也功不可没。LinkedIn机器学习团队一开始采用的方法为建立辨识字汇与词组的黑名单，当帐号包含不当文字内容，将会被视为诈欺，并从LinkedIn中移除。然而 ，这样的方法有一些缺点，关键字违规与否仍需以人力评估，尤其是判断上下文、逐句检查追踪需要花费大量时间成本。

该团队决定改善机器学习方法，以机器学习模型根据会员个人档案内容训练而成的文本分类器，研究人员建立训练数据集，将帐号分类为适当与不适当。此外，该模型还利用了深度学习架构卷积神经网络(CNN)，CNN在分类图象和文本等任务上的表现特别出色。

机器学习模型面临的挑战

LinkedIn团队在建构模型时，面临建立训练数据集时信息量是否充足的困境。训练数据的分类卷标撷取的来源为先前因诸多原因而停权的帐号，若用这些卷标训练新模型，便会在重新学习既有系统模式时带有偏见。

为了解决这项问题，该团队透过分辨高误报率的问题关键字，从包含这类词汇的成员资料库中取样并未违规的帐号，最后再以人力方式标记帐户，并将其添加到训练数据集当中。