Pettuste avastamine on oluline probleem, mida kasutatakse finantsteenustes, sotsiaalmeedias, e-kaubanduses, hasartmängudes ja muudes tööstusharudes. See postitus tutvustab pettuste tuvastamise lahenduse rakendamist, kasutades Relational Graph Convolutional Network (RGCN) mudelit, et ennustada tõenäosust, et tehing on petturlik nii transduktiivse kui ka induktiivse järeldamisrežiimi kaudu. Saate juurutada meie juurutuse Amazon SageMaker lõpp-punkt kui reaalajas pettuste tuvastamise lahendus, ilma et oleks vaja välist graafiku salvestamist või orkestreerimist, vähendades seeläbi oluliselt mudeli juurutamiskulusid.
Seda saavad kasutada ka ettevõtted, kes otsivad pettuste tuvastamiseks täielikult hallatud AWS AI teenust Amazoni pettusedetektor, mida saate kasutada kahtlaste veebimaksete tuvastamiseks, uute kontopettuste tuvastamiseks, prooviversiooni ja püsikliendiprogrammi kuritarvitamise vältimiseks või konto ülevõtmise tuvastamise parandamiseks.
Lahenduse ülevaade
Järgmine diagramm kirjeldab finantstehingute võrgustikku, mis sisaldab erinevat tüüpi teavet. Iga tehing sisaldab teavet, nagu seadme identifikaatorid, Wi-Fi ID-d, IP-aadressid, füüsilised asukohad, telefoninumbrid ja palju muud. Esitame tehingute andmekogumeid heterogeense graafiku kaudu, mis sisaldab erinevat tüüpi sõlmi ja servi. Seejärel käsitletakse pettuste tuvastamise probleemi sellel heterogeensel graafikul sõlmede klassifitseerimise ülesandena.
Graafilised närvivõrgud (GNN-id) on pettuste tuvastamise probleemide lahendamisel näidanud paljutõotust, edestades selliseid populaarseid juhendatud õppemeetodeid, nagu gradientvõimendatud otsustuspuud või täielikult ühendatud edastusvõrgud võrdlusandmete kogumite puhul. Tüüpilise pettuste tuvastamise seadistuse korral koolitatakse GNN-i mudelit koolitusfaasis märgistatud tehingute komplekti kohta. Iga koolitustehing on varustatud kahendkoodiga, mis näitab, kas see on pettus. Seda koolitatud mudelit saab seejärel kasutada pettustehingute tuvastamiseks märgistamata tehingute hulgast järeldusfaasis. On kaks erinevat järelduste viisi: transduktiivne järeldus vs. induktiivne järeldus (mida käsitleme selles postituses hiljem).
GNN-põhised mudelid, nagu RGCN, saavad ära kasutada topoloogilist teavet, kombineerides nii graafiku struktuuri kui ka sõlmede ja servade funktsioone, et õppida sisulist esitust, mis eristab pahatahtlikke tehinguid seaduslikest tehingutest. RGCN saab heterogeense graafi manustamise kaudu tõhusalt õppida esindama erinevat tüüpi sõlme ja servi (suhteid). Eelmisel diagrammil modelleeritakse iga tehingut sihtsõlmena ja mitut iga tehinguga seotud olemit modelleeritakse mittesihtsõlme tüüpidena, näiteks ProductCD
ja P_emaildomain
. Sihtsõlmedele on määratud numbrilised ja kategoorilised tunnused, samas kui muud tüüpi sõlmed on funktsioonideta. RGCN-mudel õpib manustama iga mittesihtsõlme tüübi jaoks. Sihtsõlme manustamiseks kasutatakse selle manustamise arvutamiseks konvolutsioonioperatsiooni, kasutades selle funktsioone ja naabruskonna manuseid. Ülejäänud postituses kasutame termineid GNN ja RGCN vaheldumisi.
Väärib märkimist, et alternatiivsed strateegiad, nagu mittesihtüksuste käsitlemine funktsioonidena ja nende ühekordne kodeerimine, oleksid nende olemite suurte kardinaalsuste tõttu sageli teostamatud. Vastupidi, nende kodeerimine graafiüksustena võimaldab GNN-i mudelil ära kasutada olemisuhete kaudset topoloogiat. Näiteks tehingud, mis jagavad telefoninumbrit teadaolevate petturlike tehingutega, on tõenäolisemalt ka petturlikud.
GNN-ide kasutatav graafiku esitus muudab nende rakendamise keerukaks. See kehtib eriti selliste rakenduste kohta nagu pettuste tuvastamine, kus graafiku esitus võib suureneda, kui tehakse järeldusi uute lisatud sõlmedega, mis vastavad mudelikoolituse käigus tundmatutele üksustele. Seda järeldusstsenaariumi nimetatakse tavaliselt kui induktiivne režiim. Seevastu transduktiivne režiim on stsenaarium, mis eeldab, et mudelitreeningu käigus konstrueeritud graafiku esitus ei muutu järeldamise ajal. GNN-mudeleid hinnatakse sageli transduktiivses režiimis, konstrueerides graafikuid kombineeritud koolitus- ja katsenäidete komplektist, maskeerides samal ajal testmärgiseid tagasi levitamise ajal. See tagab, et graafiku esitus on staatiline ja seal ei nõua GNN-mudel operatsioonide rakendamist, et laiendada graafikut järelduste tegemise ajal uute sõlmedega. Kahjuks ei saa eeldada staatilise graafiku esitamist, kui tuvastatakse petturlikud tehingud reaalses keskkonnas. Seetõttu on tootmiskeskkondades pettuste tuvastamiseks mõeldud GNN-mudelite juurutamisel vajalik induktiivse järelduse tugi.
Lisaks on pettustehingute reaalajas avastamine ülioluline, eriti ärijuhtumite puhul, kus on vaid üks võimalus ebaseadusliku tegevuse peatamiseks. Näiteks võivad petturlikud kasutajad kontoga pahatahtlikult käituda vaid korra ega kasuta sama kontot enam kunagi. GNN-mudelite reaalajas järeldamine muudab juurutamise veelgi keerukamaks. Sageli on reaalajas järeldamise toetamiseks vaja rakendada alamgraafide eraldamise toiminguid. Alamgraafi ekstraheerimisoperatsioon on vajalik järelduste latentsuse vähendamiseks, kui graafi esitus on suur ja kogu graafiku kohta järelduste tegemine muutub ülemäära kulukaks. Algoritm reaalajas induktiivseks järelduseks RGCN-mudeliga töötab järgmiselt:
- Arvestades tehingute kogumit ja koolitatud RGCN-i mudelit, laiendage graafiku esitust partii üksustega.
- Määrake uute mittesihtsõlmede manustamisvektorid nende vastava sõlmetüübi keskmise manustamisvektoriga.
- Eraldage alamgraaf, mille indutseerib k-hüppa partii sihtsõlmede naabrusest välja.
- Tehke järeldused alamgraafiku kohta ja tagastage partii sihtsõlmede ennustusskoorid.
- Puhastage graafiku esitus, eemaldades äsja lisatud sõlmed (see samm tagab, et mudeli järelduste mälunõue jääb konstantseks).
Selle postituse peamine panus on esitada RGCN-mudel, mis rakendab reaalajas induktiivset järeldusalgoritmi. Saate meie RGCN-i juurutada SageMakeri lõpp-punktis reaalajas pettuste tuvastamise lahendusena. Meie lahendus ei vaja välist graafiku salvestamist ega orkestreerimist ning vähendab oluliselt RGCN-i mudeli juurutuskulusid pettuste tuvastamise ülesannete jaoks. Mudel rakendab ka transduktiivset järeldusrežiimi, mis võimaldab meil teha katseid mudeli jõudluse võrdlemiseks induktiivsetes ja transduktiivsetes režiimides. Mudeli koodile ja märkmikutele katsetega pääsete juurde aadressilt AWS-i näited GitHubi repo.
See postitus põhineb postitusel Looge GNN-põhine reaalajas pettuste tuvastamise lahendus Amazon SageMakeri, Amazon Neptune'i ja Deep Graph Library abil. Eelmine postitus ehitas SageMakeri abil RGCN-põhise reaalajas pettuste tuvastamise lahenduse, Amazon NeptuunJa Deep Graph Library (DGL). Eelnev lahendus kasutas välise graafikusalvestusena Neptune'i andmebaasi AWS Lambda orkestreerimiseks reaalajas järelduste tegemiseks ja hõlmas ainult katseid transduktiivses režiimis.
Selles postituses tutvustatud RGCN-mudel rakendab kõiki reaalajas induktiivse järeldusalgoritmi toiminguid, kasutades sõltuvusena ainult DGL-i, ega vaja juurutamiseks välist graafiku salvestamist ega orkestreerimist.
Esmalt hindame RGCN-mudeli jõudlust transduktiivsetes ja induktiivsetes režiimides võrdlusandmestikul. Nagu oodatud, on mudeli jõudlus induktiivses režiimis veidi madalam kui transduktiivses režiimis. Uurime ka hüperparameetri mõju k mudeli jõudluse kohta. Hüperparameeter k juhib reaalajas järeldusalgoritmi 3. etapis alamgraafi eraldamiseks sooritatud hüpete arvu. Kõrgemad väärtused k tekitab suuremaid alamgraafikuid ja võib suurema latentsusaja arvelt parema järelduste tegemise. Sellisena viime läbi ka ajastuskatseid, et hinnata RGCN-mudeli teostatavust reaalajas rakenduse jaoks.
Andmebaas
Me kasutame IEEE-CIS pettuste andmestik, sama andmestik, mida kasutati eelmises pärast. Andmekogum sisaldab üle 590,000 XNUMX tehingukirjet, millel on binaarne pettuse silt ( isFraud
veerg). Andmed on jagatud kahte tabelisse: tehing ja identiteet. Kõigil tehingukirjetel ei ole aga vastavat identiteedi teavet. Me ühendame kaks tabelit TransactionID
veerus, mis jätab meile kokku 144,233 XNUMX tehingukirjet. Sorteerime tabeli tehingu ajatempli järgi ( TransactionDT
veerus) ja looge aja järgi jaotatud 80/20 protsenti, mis annab koolituse ja testimise jaoks vastavalt 115,386 28,847 ja XNUMX XNUMX tehingut.
Lisateavet andmestiku ja selle DGL-i sisendnõuetele vastava vormindamise kohta leiate jaotisest Pettuste tuvastamine heterogeensetes võrkudes Amazon SageMakeri ja Deep Graph Library abil.
Graafiku ehitus
Me kasutame TransactionID
veerus sihtsõlmede genereerimiseks. Kasutame 11 tüüpi mittesihtsõlmede loomiseks järgmisi veerge:
card1
läbicard6
ProductCD
addr1
jaaddr2
P_emaildomain
jaR_emaildomain
Sihtsõlmede kategooriliste tunnustena kasutame 38 veergu:
M1
läbiM9
DeviceType
jaDeviceInfo
id_12
läbiid_38
Kasutame sihtsõlmede numbriliste tunnustena 382 veergu:
TransactionAmt
dist1
jadist2
id_01
läbiid_11
C1
läbiC14
D1
läbiD15
V1
läbiV339
Meie koolitustehingute põhjal koostatud graafik sisaldab 217,935 2,653,878 sõlme ja XNUMX XNUMX XNUMX serva.
Hüperparameetrid
Muud parameetrid on seatud vastama eelmises kirjeldatud parameetritele pärast. Järgmine väljavõte illustreerib RGCN-mudeli treenimist transduktiivses ja induktiivses režiimis:
Induktiivne vs transduktiivne režiim
Teostame viis katset induktiivse ja viis katset transduktiivse režiimi jaoks. Iga katse jaoks koolitame välja RGCN mudeli ja salvestame selle kettale, saades 10 mudelit. Hindame iga mudelit katsenäidete põhjal, suurendades samal ajal hüpete arvu (parameeter k) kasutatakse alamgraafi eraldamiseks järelduste tegemiseks, seadistuseks k 1-ni, 2-ni ja 3-ni. Prognoosime kõigi katsenäidete põhjal korraga ja arvutame iga katse jaoks ROC AUC skoori. Järgmine graafik näitab AUC skoori keskmist ja 95% usaldusvahemikku.
Näeme, et jõudlus transduktiivses režiimis on veidi kõrgem kui induktiivses režiimis. Sest k=2, on induktiivse ja transduktiivse režiimi keskmised AUC-skoorid vastavalt 0.876 ja 0.883. See on ootuspärane, kuna RGCN-mudel suudab õppida transduktiivses režiimis kõigi olemisõlmede, sealhulgas testkomplekti kuuluvate sõlmede manuseid. Seevastu induktiivne režiim võimaldab mudelil õppida ainult koolitusnäidetes esinevate olemisõlmede manustamist ja seetõttu peavad mõned sõlmed olema järelduste tegemisel keskmisega täidetud. Samal ajal ei ole jõudluse langus transduktiivse ja induktiivse režiimi vahel märkimisväärne ning isegi induktiivses režiimis saavutab RGCN-mudel hea jõudluse AUC-ga 0.876. Samuti täheldame, et mudeli jõudlus ei parane väärtuste puhul k>2. See tähendab seda seadistust k=2 eraldaks järelduse ajal piisavalt suure alamgraafi, mille tulemuseks on optimaalne jõudlus. Seda tähelepanekut kinnitab ka meie järgmine katse.
Samuti väärib märkimist, et transduktiivse režiimi puhul on meie mudeli AUC 0.883 kõrgem kui vastav AUC 0.870, mida teatati eelmises versioonis. pärast. Kasutame sihtsõlmede numbriliste ja kategooriliste tunnustena rohkem veerge, mis võib seletada kõrgemat AUC skoori. Samuti märgime, et eelmise postituse katsed viisid läbi ainult ühe katse.
Järeldus väikese partii kohta
Selle katse jaoks hindame RGCN-i mudelit väikese partii järelduse seadistusega. Kasutame viit mudelit, mida koolitati eelmises katses induktiivses režiimis. Võrdleme nende mudelite jõudlust prognoosimisel kahes seades: täielik ja väike partii järeldus. Täieliku partii järelduse tegemiseks ennustame kogu testikomplekti kohta, nagu tehti eelmises katses. Väikeste partiide järelduste tegemiseks prognoosime väikeste partiidena, jagades testkomplekti 28 võrdse suurusega partiiks, millest igas partiis on ligikaudu 1,000 tehingut. Arvutame mõlema seade AUC-skoorid, kasutades erinevaid väärtusi k. Järgmine diagramm näitab keskmist ja 95% usaldusvahemikku täieliku ja väikese partii järelduste seadete jaoks.
Jälgime seda jõudlust väikese partii järelduste tegemiseks, millal k=1 on väiksem kui täispartii puhul. Väikese partii järelduse jõudlus ühtib aga kogu partiiga millal k>1. Selle põhjuseks võib olla palju väiksemate alamgraafikute eraldamine väikeste partiide jaoks. Kinnitame seda, võrreldes alamgraafide suurusi kogu koolitustehingute põhjal koostatud graafiku suurusega. Võrdleme graafikute suurusi sõlmede arvu järgi. Sest k=1, on väikese partii järelduse keskmine alamgraafiku suurus väiksem kui 2% koolitusgraafikust. Ja täieliku partii järelduse tegemiseks, millal k=1, alamgraafiku suurus on 22%. Millal k=2, on väikese ja täieliku partii järelduse alamgraafiku suurused vastavalt 54% ja 64%. Lõpuks ulatuvad mõlema järeldusseadete alamgraafiku suurused 100%-ni k=3. Teisisõnu, millal k>1, muutub väikese partii alamgraafik piisavalt suureks, võimaldades väikese partii järeldusel saavutada sama jõudluse kui täieliku partii järelduse puhul.
Samuti salvestame iga partii jaoks prognoosi latentsuse. Teeme katseid ml.r5.12xsuure eksemplariga, kuid samade katsete tegemiseks võite kasutada ka väiksemat eksemplari, millel on 64 G mälu. Järgmine graafik näitab väikese partii prognoosimise latentsusaegade keskmist ja 95% usaldusvahemikku erinevate väärtuste jaoks. k.
Latentsusaeg hõlmab reaalajas induktiivse järeldusalgoritmi kõiki viit sammu. Näeme seda millal k=2, 1,030 tehingu ennustamiseks kulub keskmiselt 5.4 sekundit, mille tulemuseks on 190 tehingu läbilaskevõime sekundis. See kinnitab, et RGCN-i mudeli juurutus sobib reaalajas pettuste tuvastamiseks. Samuti märgime, et eelmine pärast ei esitanud nende rakendamiseks kõvasid latentsusväärtusi.
Järeldus
Selle postitusega välja antud RGCN-mudel rakendab reaalajas induktiivse järelduse algoritmi ega vaja välist graafiku salvestamist ega orkestreerimist. Parameeter k algoritmi sammus 3 määrab kindlaks hüpete arvu, mis tehakse järelduste tegemiseks alamgraafiku eraldamiseks, ning tulemuseks on kompromiss mudeli täpsuse ja prognoosi latentsuse vahel. Me kasutasime IEEE-CIS pettuste andmestik meie katsetes ja kinnitas empiiriliselt, et parameetri optimaalne väärtus k selle andmestiku puhul on 2, saavutades AUC skoori 0.876 ja prognoosi latentsusajaks alla 6 sekundi 1,000 tehingu kohta.
See postitus andis samm-sammult protsessi RGCN-i mudeli koolitamiseks ja hindamiseks reaalajas pettuste tuvastamiseks. Kaasatud mudeliklass rakendab meetodeid kogu mudeli elutsükli jaoks, sealhulgas serialiseerimis- ja deserialiseerimismeetodeid. See võimaldab mudelit kasutada reaalajas pettuste tuvastamiseks. Saate koolitada mudeli PyTorch SageMakeri hindajaks ja seejärel juurutada selle SageMakeri lõpp-punkti, kasutades järgmist märkmik mallina. Lõpp-punkt suudab reaalajas ennustada pettusi väikeste töötlemata tehingute partiide puhul. Võite ka kasutada Amazon SageMakeri järelduste soovitus et valida oma töökoormuste põhjal järelduse lõpp-punkti jaoks parim eksemplari tüüp ja konfiguratsioon.
Selle teema ja rakendamise kohta lisateabe saamiseks soovitame teil meie skripte iseseisvalt uurida ja testida. Märkmikele ja nendega seotud mudeliklassi koodidele pääsete juurde aadressilt AWS-i näited GitHubi repo.
Autoritest
Dmitri Bespalov on vanemrakendusteadlane Amazoni masinõppelahenduste laboris, kus ta aitab AWS-i klientidel erinevates tööstusharudes kiirendada nende tehisintellekti ja pilve kasutuselevõttu.
Ryan Brand on Amazon Machine Learning Solutions Labi rakendusteadlane. Tal on konkreetne kogemus masinõppe rakendamisel tervishoiu ja bioteaduste probleemide lahendamisel. Vabal ajal loeb ta meelsasti ajalugu ja ulmet.
Yanjun Qi on rakendusteaduste vanemjuht Amazoni masinõppelahenduste laboris. Ta teeb uuendusi ja rakendab masinõpet, et aidata AWS-i klientidel kiirendada nende tehisintellekti ja pilve kasutuselevõttu.
- SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
- Platoblockchain. Web3 metaversiooni intelligentsus. Täiustatud teadmised. Juurdepääs siia.
- Allikas: https://aws.amazon.com/blogs/machine-learning/build-a-gnn-based-real-time-fraud-detection-solution-using-the-deep-graph-library-without-using-external-graph-storage/
- 000
- 1
- 10
- 100
- 11
- 2%
- 28
- 7
- 95%
- a
- Võimalik
- MEIST
- kuritarvitamise
- kiirendama
- juurdepääs
- pääses
- konto
- täpsus
- Saavutab
- saavutamisel
- üle
- tegevus
- lisatud
- lisamine
- Täiendavad lisad
- aadressid
- Vastuvõtmine
- ADEelis
- AI
- algoritm
- Materjal: BPA ja flataatide vaba plastik
- võimaldab
- alternatiiv
- Amazon
- Amazoni masinõpe
- Amazon Neptuun
- Amazon SageMaker
- vahel
- ja
- taotlus
- rakendused
- rakendatud
- Rakendades
- umbes
- Array
- määratud
- seotud
- oletus
- suurendatud
- keskmine
- AWS
- põhineb
- sest
- muutub
- on
- võrrelda
- võrdlusuuringud
- BEST
- Parem
- vahel
- bränd
- ehitama
- Ehitab
- ehitatud
- äri
- viima
- juhtudel
- võimalus
- muutma
- klass
- klassifikatsioon
- Cloud
- pilve adopteerimine
- kood
- Veerg
- Veerud
- kombineeritud
- kombineerimine
- võrdlema
- võrrelda
- keerukus
- Arvutama
- Läbi viima
- usaldus
- konfiguratsioon
- Kinnitama
- KINNITATUD
- seotud
- pidev
- ehitamine
- ehitus
- sisaldab
- kontrast
- panus
- kontrolli
- Vastav
- Maksma
- looma
- loob
- otsustav
- Kliendid
- andmed
- andmebaas
- andmekogumid
- otsus
- sügav
- vaikimisi
- määratletud
- Sõltuvus
- juurutada
- juurutamine
- kasutuselevõtu
- detailid
- Detection
- seade
- dgl
- DID
- erinev
- arutama
- Ei tee
- Drop
- ajal
- iga
- pood
- mõju
- tõhusalt
- võimaldab
- võimaldades
- julgustama
- Lõpp-punkt
- tagab
- Kogu
- üksuste
- üksus
- keskkondades
- eriti
- hindama
- hinnatud
- hindamine
- Isegi
- Iga
- näide
- näited
- oodatav
- kallis
- kogemus
- eksperiment
- Selgitama
- uurima
- laiendama
- väline
- väljavõte
- FUNKTSIOONID
- Ilukirjandus
- Lõpuks
- finants-
- finantsteenused
- esimene
- Järel
- järgneb
- formaat
- pettus
- pettuste avastamine
- pettusega
- tasuta
- Alates
- täis
- täielikult
- mäng
- tekitama
- saama
- GitHub
- hea
- graafik
- suur
- Raske
- tervishoid
- aitama
- aitab
- rohkem
- ajalugu
- Kuidas
- Kuidas
- aga
- HTML
- HTTPS
- identifitseerima
- Identity
- ebaseaduslik
- rakendada
- täitmine
- rakendamisel
- tööriistad
- import
- oluline
- parandama
- in
- Teistes
- lisatud
- hõlmab
- Kaasa arvatud
- kasvav
- tööstusharudes
- info
- sisend
- Näiteks
- sisse
- Tutvustab
- IP
- IP-aadressid
- IT
- liituma
- Võti
- teatud
- labor
- silt
- Labels
- suur
- suurem
- Hilinemine
- viima
- Õppida
- õppimine
- Raamatukogu
- elu
- Maaülikooli
- eluring
- Tõenäoliselt
- koormus
- kohad
- otsin
- Lojaalsus
- lojaalsusprogramm
- masin
- masinõpe
- juht
- Vastama
- tähendusrikas
- Meedia
- Mälu
- meetodid
- ML
- viis
- mudel
- mudelid
- režiimid
- rohkem
- vajalik
- Neptuun
- võrk
- võrgustikud
- närvivõrgud
- Uus
- järgmine
- sõlme
- sõlmed
- number
- numbrid
- jälgima
- saamine
- ONE
- Internetis
- online makseid
- töö
- Operations
- optimaalselt
- Korraldus
- Muu
- edestades
- enda
- pandas
- parameeter
- parameetrid
- Vastu võetud
- maksed
- protsent
- täitma
- jõudlus
- esitades
- faas
- telefon
- füüsiline
- Platon
- Platoni andmete intelligentsus
- PlatoData
- populaarne
- post
- ennustada
- prognoosimine
- ennustus
- esitada
- kingitusi
- vältida
- eelmine
- Eelnev
- Probleem
- probleeme
- protsess
- tootma
- Produktsioon
- Programm
- lubadus
- anda
- tingimusel
- pütorch
- Qi
- Töötlemata
- jõudma
- Lugemine
- reaalne
- päris maailm
- reaalajas
- rekord
- andmed
- vähendama
- vähendab
- vähendamine
- nimetatud
- seotud
- suhted
- Suhted
- vabastatud
- eemaldades
- Teatatud
- esindama
- esindamine
- nõudma
- nõutav
- nõue
- need
- REST
- tulemuseks
- Tulemused
- tagasipöördumine
- jooks
- Ryan
- salveitegija
- SageMakeri järeldus
- sama
- Säästa
- stsenaarium
- teadus
- Ulme
- TEADUSED
- teadlane
- skripte
- Teine
- sekundit
- vanem
- teenus
- Teenused
- komplekt
- kehtestamine
- seaded
- seade
- mitu
- Jaga
- näidatud
- Näitused
- märkimisväärne
- märgatavalt
- ühekordne
- SUURUS
- suurused
- väike
- väiksem
- So
- sotsiaalmeedia
- Sotsiaalse meedia
- lahendus
- Lahendused
- mõned
- konkreetse
- kiirus
- jagada
- Poolitab
- Samm
- Sammud
- peatumine
- ladustamine
- strateegiad
- struktuur
- Uuring
- alamgraaf
- alamgraafid
- selline
- Kostüüm
- sobiv
- toetama
- kahtlane
- tabel
- Võtma
- ülevõtmine
- võtab
- sihtmärk
- Ülesanne
- ülesanded
- šabloon
- tingimused
- test
- Testimine
- .
- Graafik
- oma
- sellega
- seetõttu
- Läbi
- läbilaskevõime
- aeg
- ajatempel
- ajastamine
- et
- liiga
- teema
- Summa
- Rong
- koolitatud
- koolitus
- tehing
- Tehingud
- ravimisel
- Puud
- kohtuprotsess
- uuringutes
- tõsi
- liigid
- tüüpiline
- us
- kasutama
- Kasutajad
- tavaliselt
- kinnitatud
- väärtus
- Väärtused
- kaudu
- mis
- kuigi
- Wifi
- will
- ilma
- sõnad
- väärt
- oleks
- sa
- Sinu
- sephyrnet