سازمان ها به طور مداوم زمان و تلاش خود را برای توسعه راه حل های توصیه ای هوشمند برای ارائه محتوای سفارشی و مرتبط به کاربران خود سرمایه گذاری می کنند. اهداف می توانند بسیار باشند: تغییر تجربه کاربر، ایجاد تعامل معنادار، و افزایش مصرف محتوا. برخی از این راه حل ها از مدل های رایج یادگیری ماشین (ML) استفاده می کنند که بر اساس الگوهای تعامل تاریخی، ویژگی های جمعیت شناختی کاربر، شباهت های محصول و رفتار گروهی ساخته شده اند. علاوه بر این ویژگیها، زمینه (مانند آب و هوا، مکان و غیره) در زمان تعامل میتواند بر تصمیمگیریهای کاربران در حین پیمایش محتوا تأثیر بگذارد.
در این پست، نحوه استفاده از نوع دستگاه فعلی کاربر را به عنوان زمینه برای افزایش اثربخشی نشان میدهیم آمازون شخصی سازی کنیدتوصیه های مبتنی بر علاوه بر این، نحوه استفاده از چنین زمینهای برای فیلتر کردن پویا توصیهها را نشان میدهیم. اگرچه این پست نشان میدهد که چگونه Amazon Personalize را میتوان برای یک ویدیوی درخواستی (VOD) استفاده کرد، شایان ذکر است که Amazon Personalize میتواند در چندین صنعت استفاده شود.
Amazon Personalize چیست؟
Amazon Personalize به توسعه دهندگان این امکان را می دهد که برنامه های کاربردی با همان نوع فناوری ML مورد استفاده توسط Amazon.com برای توصیه های شخصی سازی شده در زمان واقعی بسازند. Amazon Personalize قادر به ارائه طیف گسترده ای از تجربیات شخصی سازی، از جمله توصیه های محصول خاص، رتبه بندی مجدد محصول و بازاریابی مستقیم سفارشی است. علاوه بر این، Amazon Personalize به عنوان یک سرویس هوش مصنوعی کاملاً مدیریت شده، تحولات دیجیتالی مشتریان را با ML تسریع میکند و ادغام توصیههای شخصیشده در وبسایتها، برنامهها، سیستمهای بازاریابی ایمیلی و موارد دیگر را آسانتر میکند.
چرا زمینه مهم است؟
استفاده از ابرداده متنی کاربر مانند مکان، زمان روز، نوع دستگاه و آب و هوا، تجربیات شخصیسازی شده را برای کاربران فعلی فراهم میکند و به بهبود مرحله شروع سرد برای کاربران جدید یا ناشناس کمک میکند. را فاز شروع سرد به دوره ای اشاره می کند که موتور توصیه شما به دلیل نداشتن اطلاعات تاریخی در مورد آن کاربر، توصیه های غیر شخصی ارائه می دهد. در شرایطی که الزامات دیگری برای فیلتر کردن و تبلیغ موارد وجود دارد (مثلاً در اخبار و آب و هوا)، افزودن زمینه فعلی کاربر (فصل یا زمان روز) با گنجاندن و حذف توصیهها به بهبود دقت کمک میکند.
بیایید یک پلتفرم VOD را مثال بزنیم که نمایشها، مستندها و فیلمها را به کاربر توصیه میکند. بر اساس تجزیه و تحلیل رفتار، ما می دانیم که کاربران VOD تمایل دارند از محتوای کوتاه تری مانند کمدهای کمدی در دستگاه های تلفن همراه و محتوای طولانی تر مانند فیلم ها در تلویزیون یا دسکتاپ خود استفاده کنند.
بررسی اجمالی راه حل
با گسترش مثال در نظر گرفتن نوع دستگاه کاربر، نشان میدهیم که چگونه میتوان این اطلاعات را بهعنوان زمینه ارائه کرد تا Amazon Personalize بتواند به طور خودکار تأثیر دستگاه کاربر را بر انواع محتوای دلخواه خود بیاموزد.
ما از الگوی معماری نشان داده شده در نمودار زیر پیروی می کنیم تا نشان دهیم که چگونه زمینه می تواند به طور خودکار به Amazon Personalize منتقل شود. استخراج خودکار زمینه از طریق به دست می آید آمازون CloudFront هدرهایی که در درخواست هایی مانند REST API در گنجانده شده اند دروازه API آمازون که یک را صدا می کند AWS لامبدا عملکرد برای بازیابی توصیه ها به نمونه کد کامل موجود در ما مراجعه کنید مخزن GitHub. ما ارائه می دهیم AWS CloudFormation قالبی برای ایجاد منابع لازم
در بخشهای بعدی، نحوه تنظیم هر مرحله از الگوی معماری نمونه را توضیح میدهیم.
دستور غذا را انتخاب کنید
Recipes الگوریتم های شخصی سازی آمازون هستند که برای موارد استفاده خاص آماده شده اند. Amazon Personalize دستور العمل هایی را بر اساس موارد استفاده رایج برای مدل های آموزشی ارائه می دهد. برای مورد استفاده خود، ما یک توصیهکننده سفارشی شخصی سازی آمازون ساده با استفاده از دستور شخصی سازی کاربر میسازیم. مواردی را که کاربر بر اساس مجموعه داده های تعاملی با آنها تعامل خواهد داشت، پیش بینی می کند. علاوه بر این، این دستور غذا از آیتم ها و مجموعه داده های کاربران برای تأثیرگذاری بر توصیه ها، در صورت ارائه، استفاده می کند. برای آشنایی بیشتر با نحوه عملکرد این دستور غذا به ادامه مطلب مراجعه کنید دستور العمل شخصی سازی کاربر.
ایجاد و وارد کردن یک مجموعه داده
استفاده از زمینه مستلزم تعیین مقادیر زمینه با تعاملات است، بنابراین توصیهکنندگان میتوانند هنگام آموزش مدلها از زمینه به عنوان ویژگی استفاده کنند. ما همچنین باید زمینه فعلی کاربر را در زمان استنتاج ارائه کنیم. طرح تعاملات (به کد زیر مراجعه کنید) ساختار داده های تعامل کاربر به مورد را در زمان واقعی و تاریخی تعریف می کند. این USER_ID
, ITEM_ID
و TIMESTAMP
فیلدها توسط Amazon Personalize برای این مجموعه داده مورد نیاز است. DEVICE_TYPE
یک فیلد دسته بندی سفارشی است که ما برای این مثال اضافه می کنیم تا زمینه فعلی کاربر را به تصویر بکشیم و آن را در آموزش مدل قرار دهیم. Amazon Personalize از این مجموعه داده های تعاملی برای آموزش مدل ها و ایجاد کمپین های توصیه استفاده می کند.
به طور مشابه، طرح اقلام (به کد زیر مراجعه کنید) ساختار داده های کاتالوگ محصول و ویدئو را تعریف می کند. این ITEM_ID
توسط Amazon Personalize برای این مجموعه داده مورد نیاز است. CREATION_TIMESTAMP
یک نام ستون رزرو شده است اما لازم نیست. GENRE
و ALLOWED_COUNTRIES
فیلدهای سفارشی هستند که ما برای این مثال اضافه می کنیم تا ژانر ویدیو و کشورهایی که ویدیوها مجاز به پخش هستند را به تصویر بکشیم. Amazon Personalize از این مجموعه داده اقلام برای آموزش مدل ها و ایجاد کمپین های توصیه استفاده می کند.
در زمینه ما، داده های تاریخی به تاریخچه تعامل کاربر نهایی با ویدیوها و موارد موجود در پلت فرم VOD اشاره دارد. این داده ها معمولاً در پایگاه داده برنامه جمع آوری و ذخیره می شوند.
برای اهداف نمایشی، ما از کتابخانه Faker پایتون برای تولید برخی دادههای آزمایشی استفاده میکنیم که مجموعه دادههای تعامل با آیتمها، کاربران و انواع دستگاههای مختلف را در یک دوره 3 ماهه تمسخر میکنند. پس از اینکه طرح و مکان فایل تعاملات ورودی تعریف شد، مراحل بعدی ایجاد یک گروه داده، گنجاندن مجموعه داده های تعاملی در گروه مجموعه داده و در نهایت وارد کردن داده های آموزشی به مجموعه داده است، همانطور که در قطعه کد زیر نشان داده شده است:
داده های تاریخی را جمع آوری کنید و مدل را آموزش دهید
در این مرحله دستور العمل انتخابی را تعریف می کنیم و یک نسخه راه حل و راه حل را با مراجعه به گروه داده های قبلی تعریف شده ایجاد می کنیم. هنگامی که یک راه حل سفارشی ایجاد می کنید، یک دستور غذا را مشخص می کنید و پارامترهای آموزشی را پیکربندی می کنید. هنگامی که یک نسخه راه حل برای راه حل ایجاد می کنید، Amazon Personalize مدلی را آموزش می دهد که نسخه راه حل را بر اساس دستور العمل و پیکربندی آموزشی پشتیبانی می کند. کد زیر را ببینید:
یک نقطه پایانی کمپین ایجاد کنید
بعد از اینکه مدل خود را آموزش دادید، آن را در a مستقر می کنید کمپین. یک کمپین یک نقطه پایانی مقیاسبندی خودکار را برای مدل آموزشدیده شما ایجاد و مدیریت میکند که میتوانید از آن برای دریافت توصیههای شخصیشده با استفاده از GetRecommendations
API. در مرحله بعد، از این نقطه پایانی کمپین استفاده می کنیم تا به طور خودکار نوع دستگاه را به عنوان یک زمینه به عنوان پارامتر ارسال کنیم و توصیه های شخصی را دریافت کنیم. کد زیر را ببینید:
یک فیلتر پویا ایجاد کنید
هنگام دریافت توصیه ها از کمپین ایجاد شده، می توانید نتایج را بر اساس معیارهای سفارشی فیلتر کنید. برای مثال، ما فیلتری ایجاد میکنیم تا الزامات توصیه ویدیوهایی که فقط از کشور فعلی کاربر مجاز به پخش هستند را برآورده کند. اطلاعات کشور به صورت پویا از هدر CloudFront HTTP ارسال می شود.
یک تابع Lambda ایجاد کنید
گام بعدی در معماری ما ایجاد یک تابع Lambda برای پردازش درخواستهای API است که از توزیع CloudFront میآید و با فراخوانی نقطه پایانی کمپین Amazon Personalize پاسخ میدهد. در این تابع Lambda، منطقی را برای تجزیه و تحلیل هدرهای HTTP و پارامترهای رشته کوئری درخواست CloudFront زیر تعریف می کنیم تا به ترتیب نوع دستگاه و شناسه کاربر کاربر را تعیین کنیم:
CloudFront-Is-Desktop-Viewer
CloudFront-Is-Mobile-Viewer
CloudFront-Is-SmartTV-Viewer
CloudFront-Is-Tablet-Viewer
CloudFront-Viewer-Country
کد ایجاد این تابع از طریق قالب CloudFormation مستقر می شود.
یک REST API ایجاد کنید
برای اینکه تابع Lambda و نقطه پایانی کمپین Amazon Personalize را در دسترس توزیع CloudFront قرار دهیم، یک نقطه پایانی REST API ایجاد می کنیم که به عنوان یک پروکسی Lambda تنظیم شده است. API Gateway ابزارهایی را برای ایجاد و مستندسازی API هایی که درخواست های HTTP را به توابع Lambda هدایت می کند، ارائه می دهد. ویژگی یکپارچهسازی پراکسی Lambda به CloudFront اجازه میدهد تا درخواستهای انتزاعی یک تابع Lambda را به نقطه پایانی کمپین Amazon Personalize فراخوانی کند. کد ایجاد این تابع از طریق قالب CloudFormation مستقر می شود.
یک توزیع CloudFront ایجاد کنید
هنگام ایجاد یک توزیع CloudFront، از آنجایی که این یک راهاندازی آزمایشی است، ما کش را با استفاده از یک خطمشی ذخیرهسازی سفارشی غیرفعال میکنیم و مطمئن میشویم که درخواست هر بار به مبدأ میرود. علاوه بر این، از یک خطمشی درخواست مبدا استفاده میکنیم که سرصفحههای HTTP مورد نیاز و پارامترهای رشته پرس و جو را که در درخواست مبدا گنجانده شدهاند، مشخص میکند. کد ایجاد این تابع از طریق قالب CloudFormation مستقر می شود.
توصیه های تست
هنگامی که URL توزیع CloudFront از دستگاههای مختلف (دسکتاپ، تبلت، تلفن و غیره) قابل دسترسی است، میتوانیم توصیههای ویدیویی شخصیسازی شدهای را ببینیم که بیشترین ارتباط را با دستگاه آنها دارد. همچنین در صورت ارائه کاربر سرد، توصیه های متناسب با دستگاه کاربر ارائه می شود. در خروجیهای نمونه زیر، از نام ویدیوها فقط برای نمایش ژانر و زمان اجرا استفاده میشود تا آنها قابل ربط باشند.
در کد زیر، یک کاربر شناخته شده که عاشق کمدی مبتنی بر تعاملات گذشته است و از یک دستگاه تلفن دسترسی دارد، کمدی های کوتاه تری ارائه می شود:
هنگام دسترسی از یک دستگاه تلویزیون هوشمند بر اساس تعاملات گذشته، به کاربر شناخته شده زیر فیلم های ویژه ارائه می شود:
یک کاربر سرد (ناشناخته) که از طریق تلفن به آن دسترسی پیدا می کند با نمایش های کوتاه تر اما محبوب ارائه می شود:
Recommendations for user: 666 ITEM_ID GENRE ALLOWED_COUNTRIES 940 Satire US|FI|CN|ES|HK|AE 760 Satire US|FI|CN|ES|HK|AE 160 Sitcom US|FI|CN|ES|HK|AE 880 Comedy US|FI|CN|ES|HK|AE 360 Satire US|PK|NI|JM|IN|DK 840 Satire US|PK|NI|JM|IN|DK 420 Satire US|PK|NI|JM|IN|DK
یک کاربر سرد (ناشناخته) که از روی دسکتاپ به آن دسترسی پیدا می کند با فیلم ها و مستندهای علمی تخیلی برتر ارائه می شود:
کاربر شناخته شده زیر که از طریق تلفن دسترسی دارد، توصیههای فیلتر شده را بر اساس مکان (ایالات متحده) برمیگرداند:
نتیجه
در این پست، نحوه استفاده از نوع دستگاه کاربر را به عنوان دادههای متنی توضیح دادیم تا توصیههای شما مرتبطتر شود. استفاده از ابردادههای متنی برای آموزش مدلهای Amazon Personalize به شما کمک میکند تا محصولاتی را پیشنهاد کنید که هم به کاربران جدید و هم برای کاربران فعلی مرتبط هستند، نه فقط از دادههای نمایه، بلکه از پلتفرم دستگاه مرور. نه تنها این، زمینه ای مانند مکان (کشور، شهر، منطقه، کد پستی) و زمان (روز هفته، آخر هفته، روزهای هفته، فصل) فرصتی را برای ارائه توصیه های مرتبط به کاربر باز می کند. می توانید با استفاده از الگوی CloudFormation ارائه شده در ما، نمونه کد کامل را اجرا کنید مخزن GitHub و شبیه سازی نوت بوک ها در Amazon SageMaker Studio.
درباره نویسنده
ژیل-کوسان ساچیوی یک معمار راه حل های سازمانی AWS با سابقه فعالیت در شبکه، زیرساخت، امنیت و عملیات IT است. او مشتاق کمک به مشتریان در ساخت سیستمهای با معماری خوب بر روی AWS است. قبل از پیوستن به AWS، او به مدت 17 سال در تجارت الکترونیک کار کرد. خارج از محل کار، او دوست دارد با خانواده اش وقت بگذارد و تیم فوتبال فرزندانش را تشویق کند.
آدیتیا پندیالا یک معمار ارشد راه حل در AWS مستقر در نیویورک است. او تجربه زیادی در معماری اپلیکیشن های مبتنی بر ابر دارد. او در حال حاضر با شرکتهای بزرگ کار میکند تا به آنها کمک کند تا معماریهای ابری بسیار مقیاسپذیر، انعطافپذیر و انعطافپذیر ایجاد کنند و آنها را در همه چیزهای ابری راهنمایی میکند. او دارای مدرک کارشناسی ارشد در رشته علوم کامپیوتر از دانشگاه شیپنسبورگ است و به این جمله معتقد است: «وقتی دیگر یاد نگیرید، دیگر رشد نمی کنید».
پرابهاکار چاندراسهکاران یک مدیر ارشد حساب فنی با پشتیبانی AWS Enterprise است. Prabhakar از کمک به مشتریان در ساخت راه حل های پیشرفته AI/ML در فضای ابری لذت می برد. او همچنین با مشتریان سازمانی کار می کند که راهنمایی های فعال و کمک های عملیاتی ارائه می دهد و به آنها کمک می کند ارزش راه حل های خود را هنگام استفاده از AWS بهبود بخشند. پرابهاکار دارای شش AWS و شش گواهینامه حرفه ای دیگر است. پرابهاکار با بیش از 20 سال تجربه حرفه ای، یک مهندس داده و یک رهبر برنامه در فضای خدمات مالی قبل از پیوستن به AWS بود.
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
- PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
- PlatoESG. خودرو / خودروهای الکتریکی، کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
- BlockOffsets. نوسازی مالکیت افست زیست محیطی. دسترسی به اینجا.
- منبع: https://aws.amazon.com/blogs/machine-learning/recommend-and-dynamically-filter-items-based-on-user-context-in-amazon-personalize/
- : دارد
- :است
- :نه
- :جایی که
- $UP
- 1
- 10
- 100
- 11
- 12
- 160
- 17
- 20
- سال 20
- 22
- 220
- 23
- 24
- 420
- 7
- 9
- a
- درباره ما
- تسریع می شود
- قابل دسترسی است
- در دسترس
- دسترسی
- حساب
- دقت
- دست
- در میان
- عمل
- اضافه کردن
- اضافه
- علاوه بر این
- مزیت - فایده - سود - منفعت
- پس از
- AI
- AI / ML
- الگوریتم
- معرفی
- اجازه می دهد تا
- همچنین
- هر چند
- آمازون
- آمازون شخصی سازی کنید
- آمازون خدمات وب
- Amazon.com
- an
- تحلیل
- تحلیل
- و
- API
- رابط های برنامه کاربردی
- برنامه های کاربردی
- معماری
- هستند
- صف
- AS
- کمک
- At
- خواص
- بطور خودکار
- در دسترس
- AWS
- زمینه
- حمایت
- مستقر
- BE
- زیرا
- قبل از
- معتقد است که
- در کنار
- هر دو
- مرور
- ساختن
- ساخته
- اما
- by
- صدا
- تماس ها
- کمپین بین المللی حقوق بشر
- مبارزات
- CAN
- توانا
- گرفتن
- مورد
- موارد
- کاتالوگ
- گواهینامه ها
- برگزیده
- شهر:
- ابر
- رمز
- سرد
- ستون
- COM
- کمدی
- آینده
- مشترک
- کامپیوتر
- علم کامپیوتر
- پیکر بندی
- با توجه به
- مصرف
- مصرف
- محتوا
- زمینه
- متنی
- به طور مداوم
- کشور
- کشور
- سادگی
- ایجاد
- ایجاد شده
- ایجاد
- ایجاد
- ضوابط
- جاری
- در حال حاضر
- سفارشی
- مشتری
- مشتریان
- سفارشی
- لبه برش
- داده ها
- پایگاه داده
- مجموعه داده ها
- روز
- تصمیم گیری
- مشخص
- تعریف می کند
- درجه
- تحویل
- تقاضا
- نسخه ی نمایشی
- جمعیتی
- گسترش
- مستقر
- شرح داده شده
- دسکتاپ
- مشخص کردن
- توسعه دهندگان
- در حال توسعه
- دستگاه
- دستگاه ها
- مختلف
- دیجیتال
- مستقیم
- توزیع
- فیلم های مستند
- مستند
- راندن
- دو
- پویا
- بطور پویا
- هر
- آسان تر
- تجارت الکترونیک
- اثر
- تلاش
- پست الکترونیک
- بازاریابی پست الکترونیک
- را قادر می سازد
- نقطه پایانی
- موتور
- مهندس
- بالا بردن
- حصول اطمینان از
- سرمایه گذاری
- شرکت
- هر
- مثال
- به استثنای
- موجود
- تجربه
- تجارب
- وسیع
- تجربه گسترده
- خانواده
- ویژگی
- امکانات
- داستان
- رشته
- زمینه
- پرونده
- فیلم
- فیلتر
- سرانجام
- مالی
- خدمات مالی
- قابل انعطاف
- به دنبال
- پیروی
- برای
- از جانب
- کامل
- کاملا
- تابع
- توابع
- دروازه
- جمع آوری
- تولید می کنند
- دریافت کنید
- گرفتن
- اهداف
- می رود
- گروه
- شدن
- راهنمایی
- راهنما
- آیا
- he
- هدر
- کمک
- کمک
- کمک می کند
- خیلی
- خود را
- تاریخی
- تاریخ
- دارای
- وحشت
- چگونه
- چگونه
- HTML
- HTTP
- HTTPS
- ID
- if
- واردات
- مهم
- بهبود
- in
- شامل
- مشمول
- از جمله
- لوازم
- نفوذ
- اطلاعات
- شالوده
- ورودی
- ادغام
- ادغام
- هوشمند
- تعامل
- اثر متقابل
- فعل و انفعالات
- به
- سرمایه گذاری
- IT
- اقلام
- پیوستن
- JPG
- تنها
- دانستن
- شناخته شده
- عدم
- بزرگ
- شرکت های بزرگ
- بعد
- رهبر
- یاد گرفتن
- یادگیری
- کتابخانه
- پسندیدن
- دوست دارد
- محل
- منطق
- طولانی
- دوست دارد
- دستگاه
- فراگیری ماشین
- ساخت
- ساخت
- اداره می شود
- مدیر
- مدیریت می کند
- بسیاری
- بازار یابی (Marketing)
- استاد
- معنی دار
- متاداده
- ML
- موبایل
- دستگاه های تلفن همراه
- مدل
- مدل
- بیش
- اکثر
- فیلم ها
- چندگانه
- راز
- نام
- نام
- پیمایش
- لازم
- شبکه
- جدید
- اخبار
- بعد
- یادداشت برداری
- نیویورک
- of
- on
- فقط
- باز می شود
- قابل استفاده
- عملیات
- فرصت
- or
- منشاء
- دیگر
- ما
- خارج
- خارج از
- روی
- پارامتر
- پارامترهای
- عبور
- گذشت
- احساساتی
- گذشته
- الگو
- الگوهای
- دوره
- شخصی
- شخصی کردن
- شخصی
- فاز
- تلفن
- سکو
- افلاطون
- هوش داده افلاطون
- PlatoData
- بازی
- سیاست
- محبوب
- پست
- پست الکترونیکی
- صفحه اصلی
- پیش بینی می کند
- مرجح
- آماده شده
- ارائه شده
- قبلا
- قبلا
- بلادرنگ
- روند
- محصول
- محصولات
- حرفه ای
- مشخصات
- برنامه
- ترویج
- ارائه
- ارائه
- فراهم می کند
- ارائه
- پروکسی
- اهداف
- نقل قول کردن
- زمان واقعی
- گرفتن
- دستور العمل
- توصیه
- توصیه
- توصیه
- توصیه
- رکورد
- اشاره دارد
- با توجه
- منطقه
- مربوط
- نمایندگی
- درخواست
- درخواست
- ضروری
- نیاز
- مورد نیاز
- نیاز
- محفوظ می باشد
- انعطاف پذیر
- منابع
- به ترتیب
- پاسخ
- REST
- نتایج
- عودت
- مسیر
- دویدن
- حکیم ساز
- همان
- گفتن
- مقیاس پذیر
- علم
- داستان تخیلی علمی
- فصل
- بخش
- تیم امنیت لاتاری
- دیدن
- ارشد
- خدمت
- سرویس
- خدمات
- تنظیم
- برپایی
- نشان
- نشان داده شده
- نشان می دهد
- شباهت ها
- ساده
- تنها
- شرایط
- شش
- هوشمند
- تلویزیون های هوشمند
- So
- فوتبال
- راه حل
- مزایا
- برخی از
- فضا
- خاص
- خرج کردن
- گام
- مراحل
- ذخیره شده
- رشته
- ساختار
- چنین
- پشتیبانی
- سیستم های
- قرص
- طراحی شده
- گرفتن
- تیم
- فنی
- پیشرفته
- قالب
- آزمون
- که
- La
- شان
- آنها
- آنجا.
- اینها
- اشیاء
- این
- از طریق
- زمان
- برچسب زمان
- به
- ابزار
- بالا
- قطار
- آموزش دیده
- آموزش
- قطار
- دگرگون کردن
- تحولات
- درست
- tv
- نوع
- انواع
- دانشگاه
- ناشناخته
- URL
- us
- استفاده کنید
- مورد استفاده
- استفاده
- کاربر
- سابقه کاربر
- کاربران
- استفاده
- با استفاده از
- معمولا
- ارزش
- ارزشها
- نسخه
- تصویری
- ویدیو در خواست
- فیلم های
- بود
- we
- هوا
- وب
- خدمات وب
- وب سایت
- هفته
- اخر هفته
- چه زمانی
- در حین
- WHO
- وسیع
- اراده
- با
- در داخل
- مهاجرت کاری
- مشغول به کار
- کارگر
- با این نسخهها کار
- با ارزش
- سال
- شما
- شما
- زفیرنت