این پست توسط هشام فهیم از تامسون رویترز نوشته شده است.
تامسون رویترز (TR) یکی از قابل اعتمادترین سازمان های اطلاعاتی جهان برای مشاغل و حرفه ای ها است. این شرکت ها را با هوش، فناوری و تخصص انسانی که برای یافتن پاسخ های قابل اعتماد نیاز دارند، فراهم می کند و آنها را قادر می سازد سریعتر تصمیمات بهتری بگیرند. مشتریان TR در سراسر بازارهای مالی، ریسک، حقوقی، مالیاتی، حسابداری و رسانه ای فعالیت می کنند.
تامسون رویترز محصولات پیشرو در بازار را در کمپین مالیاتی، حقوقی و اخبار ارائه می کند، که کاربران می توانند با استفاده از مدل مجوز اشتراک ثبت نام کنند. برای تقویت این تجربه برای مشتریان خود، TR می خواست یک پلتفرم توصیه های متمرکز ایجاد کند که به تیم فروش آنها اجازه می داد مرتبط ترین بسته های اشتراک را به مشتریان خود پیشنهاد دهند، و پیشنهاداتی را ارائه دهند که به افزایش آگاهی از محصولات کمک می کند که می تواند به مشتریان خود در ارائه خدمات بهتر به بازار کمک کند. انتخاب محصول مناسب
قبل از ساخت این پلت فرم متمرکز، TR یک موتور مبتنی بر قوانین قدیمی برای ایجاد توصیههای تجدید داشت. قوانین در این موتور از پیش تعریف شده و در SQL نوشته شده بود، که علاوه بر چالشی برای مدیریت، همچنین برای مقابله با تکثیر داده ها از منابع مختلف داده یکپارچه TR تلاش می کرد. دادههای مشتری TR با سرعتی سریعتر از قوانین کسبوکار تغییر میکند تا منعکسکننده نیازهای مشتری در حال تغییر باشد. نیاز کلیدی برای موتور شخصی سازی مبتنی بر یادگیری ماشین جدید (ML) TR حول یک سیستم توصیه دقیق متمرکز بود که روندهای اخیر مشتری را در نظر می گیرد. راه حل مورد نظر راه حلی با سربار عملیاتی کم، توانایی تسریع در رسیدن به اهداف تجاری، و موتور شخصی سازی است که می تواند به طور مداوم با داده های به روز آموزش داده شود تا با تغییر عادت های مصرف کننده و محصولات جدید مقابله کند.
شخصیسازی توصیههای تمدید بر اساس محصولات با ارزش برای مشتریان TR یک چالش تجاری مهم برای تیم فروش و بازاریابی بود. TR دارای انبوهی از داده ها است که می تواند برای شخصی سازی استفاده شود که از تعاملات مشتری جمع آوری شده و در یک انبار داده متمرکز ذخیره شده است. TR اولین پذیرنده ML با بوده است آمازون SageMakerو بلوغ آنها در حوزه AI/ML به این معنی است که آنها مجموعه داده قابل توجهی از داده های مربوطه را در یک انبار داده جمع آوری کرده اند، که تیم می تواند یک مدل شخصی سازی را با آن آموزش دهد. TR به نوآوری AI/ML خود ادامه داده است و اخیراً یک پلتفرم توصیه اصلاح شده با استفاده از آن توسعه داده است آمازون شخصی سازی کنید، که یک سرویس ML کاملاً مدیریت شده است که از تعاملات و موارد با کاربر برای ایجاد توصیه هایی برای کاربران استفاده می کند. در این پست، توضیح میدهیم که چگونه TR از Amazon Personalize برای ایجاد یک سیستم توصیهگر مقیاسپذیر و چند مستاجر استفاده میکند که بهترین برنامههای اشتراک محصول و قیمتهای مرتبط را به مشتریان خود ارائه میدهد.
معماری راه حل
راه حل باید با در نظر گرفتن عملیات اصلی TR در مورد درک کاربران از طریق داده طراحی می شد. ارائه محتوای شخصی و مرتبط به این کاربران از مجموعه بزرگی از داده ها یک نیاز حیاتی بود. داشتن یک سیستم توصیه خوب طراحی شده، کلید دریافت توصیه های کیفی است که مطابق با نیازهای هر کاربر سفارشی شده است.
این راه حل مستلزم جمع آوری و آماده سازی داده های رفتار کاربر، آموزش یک مدل ML با استفاده از Amazon Personalize، ایجاد توصیه های شخصی از طریق مدل آموزش دیده و هدایت کمپین های بازاریابی با توصیه های شخصی بود.
TR می خواست تا جایی که ممکن است از خدمات مدیریت شده AWS برای ساده کردن عملیات و کاهش وزنه برداری غیرمتمایز استفاده کند. TR استفاده شده است AWS Glue Data Brew و دسته AWS کارها برای انجام کارهای استخراج، تبدیل، و بارگذاری (ETL) در خطوط لوله ML، و SageMaker همراه با Amazon Personalize برای سفارشی کردن توصیه ها. از دیدگاه حجم دادههای آموزشی و زمان اجرا، راهحل باید مقیاسپذیر باشد تا میلیونها رکورد را در چارچوب زمانی پردازش کند که قبلاً به مصرفکنندگان پاییندستی در تیمهای تجاری TR متعهد شده است.
بخش های زیر اجزای دخیل در محلول را توضیح می دهند.
خط لوله آموزش ML
تعاملات بین کاربران و محتوا در قالب داده های جریان کلیک جمع آوری می شود که با کلیک مشتری بر روی محتوا ایجاد می شود. TR تجزیه و تحلیل می کند که آیا این بخشی از طرح اشتراک آنها است یا فراتر از طرح اشتراک آنها تا بتوانند جزئیات بیشتری در مورد قیمت و گزینه های ثبت نام طرح ارائه دهند. دادههای تعاملات کاربر از منابع مختلف در انبار داده آنها نگهداری میشود.
نمودار زیر خط لوله آموزش ML را نشان می دهد.
خط لوله با یک کار دسته ای AWS شروع می شود که داده ها را از انبار داده استخراج می کند و داده ها را برای ایجاد تعاملات، کاربران و مجموعه داده های اقلام تبدیل می کند.
مجموعه داده های زیر برای آموزش مدل استفاده می شود:
- داده های ساخت یافته محصول - اشتراک ها، سفارش ها، کاتالوگ محصولات، معاملات و جزئیات مشتری
- داده های رفتاری نیمه ساختار یافته - کاربران، استفاده و تعاملات
این داده های تبدیل شده در یک ذخیره می شود سرویس ذخیره سازی ساده آمازون سطل (Amazon S3) که برای آموزش ML به Amazon Personalize وارد شده است. از آنجایی که TR میخواهد توصیههای شخصیسازی شده را برای کاربران خود ایجاد کند، آنها از آن استفاده میکنند USER_PERSONALIZATION دستور العمل برای آموزش مدل های ML برای داده های سفارشی آنها، که به عنوان ایجاد یک نسخه راه حل نامیده می شود. پس از ایجاد نسخه راه حل، برای ایجاد توصیه های شخصی برای کاربران استفاده می شود.
کل گردش کار با استفاده از آن تنظیم شده است توابع مرحله AWS. هشدارها و اعلانها گرفته شده و با استفاده از تیمهای مایکروسافت منتشر میشوند سرویس اطلاع رسانی ساده آمازون (Amazon SNS) و پل رویداد آمازون.
ایجاد خط لوله توصیه های شخصی: استنتاج دسته ای
الزامات و ترجیحات مشتری اغلب تغییر می کند، و آخرین تعاملات ثبت شده در داده های جریان کلیک به عنوان یک نقطه داده کلیدی برای درک تنظیمات در حال تغییر مشتری عمل می کند. برای انطباق با ترجیحات مشتری که همیشه در حال تغییر است، TR توصیه های شخصی را به صورت روزانه تولید می کند.
نمودار زیر خط لوله تولید توصیه های شخصی را نشان می دهد.
یک کار DataBrew دادهها را از انبار داده TR برای کاربرانی که واجد شرایط ارائه توصیههایی در طول تمدید بر اساس طرح اشتراک فعلی و فعالیت اخیر هستند استخراج میکند. ابزار آماده سازی داده های بصری DataBrew پاکسازی و عادی سازی داده ها را برای تحلیلگران داده TR و دانشمندان داده آسان می کند تا آنها را برای تجزیه و تحلیل و ML آماده کنند. قابلیت انتخاب از بین بیش از 250 تبدیل از پیش ساخته شده در ابزار آماده سازی داده های بصری برای خودکارسازی وظایف آماده سازی داده ها، همه بدون نیاز به نوشتن کد، یک ویژگی مهم بود. کار DataBrew یک مجموعه داده افزایشی برای تعاملات و ورودی برای کار توصیه های دسته ای ایجاد می کند و خروجی را در یک سطل S3 ذخیره می کند. مجموعه داده افزایشی جدید ایجاد شده به مجموعه داده های تعاملات وارد می شود. هنگامی که کار وارد کردن مجموعه داده افزایشی موفقیت آمیز باشد، یک کار توصیه گروهی Amazon Personalize با داده های ورودی فعال می شود. Amazon Personalize آخرین توصیهها را برای کاربران ارائه شده در دادههای ورودی ایجاد میکند و آنها را در یک سطل توصیههای S3 ذخیره میکند.
بهینه سازی قیمت آخرین مرحله قبل از آماده شدن توصیه های تازه تشکیل شده برای استفاده است. TR یک کار بهینه سازی هزینه را بر روی توصیه های ایجاد شده اجرا می کند و از SageMaker برای اجرای مدل های سفارشی بر روی توصیه ها به عنوان بخشی از این مرحله نهایی استفاده می کند. یک کار چسب AWS خروجی تولید شده از Amazon Personalize را مدیریت می کند و آن را به فرمت ورودی مورد نیاز مدل سفارشی SageMaker تبدیل می کند. TR میتواند از وسعت خدماتی که AWS ارائه میکند، با استفاده از Amazon Personalize و SageMaker در پلتفرم توصیهها برای تنظیم توصیهها بر اساس نوع شرکت مشتری و کاربران نهایی استفاده کند.
کل گردش کار با استفاده از توابع مرحله ای جدا شده و هماهنگ شده است، که انعطاف پذیری مقیاس خط لوله را بسته به نیازهای پردازش داده می دهد. هشدارها و اعلانها با استفاده از Amazon SNS و EventBridge گرفته میشوند.
راه اندازی کمپین های ایمیل
توصیه های ایجاد شده همراه با نتایج قیمت گذاری برای هدایت کمپین های ایمیل به مشتریان TR استفاده می شود. یک کار دسته ای AWS برای تنظیم توصیه ها برای هر مشتری و غنی سازی آن با اطلاعات قیمت گذاری بهینه استفاده می شود. این توصیهها در سیستمهای تبلیغاتی TR وارد میشوند که کمپینهای ایمیل زیر را هدایت میکنند:
- کمپین های تمدید اشتراک یا ارتقاء خودکار با محصولات جدیدی که ممکن است مورد علاقه مشتری باشد
- کمپین های تمدید قرارداد در اواسط با پیشنهادات بهتر و محصولات مرتبط تر و مطالب محتوای قانونی
اطلاعات این فرآیند همچنین در پورتال مشتری تکرار می شود تا مشتریانی که اشتراک فعلی خود را بررسی می کنند بتوانند توصیه های تمدید جدید را مشاهده کنند. TR از زمان اجرای پلت فرم جدید توصیه، نرخ تبدیل بالاتری را از کمپین های ایمیلی مشاهده کرده است که منجر به افزایش سفارشات فروش شده است.
بعدی: خط لوله پیشنهادات در زمان واقعی
نیازهای مشتری و رفتارهای خرید در زمان واقعی تغییر می کند، و انطباق توصیه ها با تغییرات زمان واقعی کلید ارائه محتوای مناسب است. پس از مشاهده موفقیت بزرگ در استقرار یک سیستم توصیه دسته ای، TR اکنون در حال برنامه ریزی برای ارتقای این راه حل با اجرای خط لوله توصیه های بلادرنگ برای ایجاد توصیه ها با استفاده از Amazon Personalize است.
نمودار زیر معماری را برای ارائه توصیه های بلادرنگ نشان می دهد.
ادغام بلادرنگ با جمع آوری داده های تعامل زنده کاربر و پخش آن به Amazon Personalize شروع می شود. همانطور که کاربران در حال تعامل با برنامه های TR هستند، رویدادهای جریان کلیک ایجاد می کنند که در آن منتشر می شود آمازون کینزیس جریان داده. سپس رویدادها در پلتفرم پخش متمرکز TR که در بالای آن ساخته شده است وارد میشوند آمازون پخش جریانی را برای کافکا مدیریت کرد (Amazon MSK). Amazon MSK دریافت و پردازش داده های جریانی را در زمان واقعی با Apache Kafka کاملاً مدیریت شده آسان می کند. در این معماری، آمازون MSK به عنوان یک پلت فرم استریم عمل می کند و هرگونه تغییر داده مورد نیاز را در رویدادهای جریان کلیک خام دریافتی انجام می دهد. سپس یک AWS لامبدا تابع برای فیلتر کردن رویدادها به طرحی سازگار با مجموعه داده شخصی Amazon و فشار دادن آن رویدادها به ردیاب رویداد Amazon Personalize با استفاده از putEvent
API. این به Amazon Personalize اجازه میدهد تا از رفتارهای اخیر کاربر شما بیاموزد و موارد مرتبط را در توصیهها لحاظ کند.
برنامه های کاربردی وب TR یک API مستقر در آن را فراخوانی می کنند دروازه API آمازون برای دریافت توصیه ها، که یک تابع Lambda را برای فراخوانی a فعال می کند GetRecommendations
تماس API با Amazon Personalize. Amazon Personalize جدیدترین مجموعه توصیههای شخصیسازیشده را برای رفتار کاربر ارائه میدهد که از طریق Lambda و API Gateway به برنامههای وب ارائه میشوند.
با این معماری بیدرنگ، TR میتواند به مشتریان خود با توصیههای شخصیسازی شده مطابق با جدیدترین رفتار آنها خدمت کند و نیازهای آنها را بهتر برآورده کند.
نتیجه
در این پست، ما به شما نشان دادیم که چگونه TR از Amazon Personalize و سایر خدمات AWS برای پیاده سازی یک موتور توصیه استفاده می کند. Amazon Personalize TR را قادر ساخت تا توسعه و استقرار مدلهای با کارایی بالا را برای ارائه توصیههایی به مشتریان خود تسریع بخشد. TR قادر است مجموعه جدیدی از محصولات را ظرف چند هفته در مقایسه با ماههای قبل عرضه کند. با Amazon Personalize و SageMaker، TR میتواند تجربه مشتری را با برنامههای اشتراک محتوای بهتر و قیمتها برای مشتریان خود ارتقا دهد.
اگر از خواندن این وبلاگ لذت می برید و می خواهید درباره Amazon Personalize و اینکه چگونه می تواند به سازمان شما در ایجاد سیستم های توصیه کمک کند بیشتر بدانید، لطفاً راهنمای توسعه دهنده.
درباره نویسنده
هشام فهیم مهندس پیشرو یادگیری ماشین و معمار موتور شخصی سازی در تامسون رویترز است. او با سازمانهایی در دانشگاه و صنعت از شرکتهای بزرگ گرفته تا استارتآپهای متوسط کار کرده است. او با تمرکز بر معماریهای یادگیری عمیق مقیاسپذیر، تجربهای در رباتیک متحرک، تجزیه و تحلیل تصویر زیستپزشکی و همچنین سیستمهای توصیهکننده دارد. به دور از کامپیوتر، او از عکاسی نجومی، مطالعه و دوچرخه سواری در مسافت های طولانی لذت می برد.
سرینیواسا شایک یک معمار راه حل در AWS مستقر در بوستون است. او به مشتریان Enterprise کمک می کند تا سفر خود به ابر را تسریع کنند. او علاقه زیادی به کانتینرها و فناوری های یادگیری ماشین دارد. در اوقات فراغت از گذراندن وقت با خانواده، آشپزی و مسافرت لذت می برد.
وامشی کریشنا انابوتالا یک معمار متخصص هوش مصنوعی کاربردی در AWS است. او با مشتریانی از بخشهای مختلف کار میکند تا دادهها، تحلیلها و ابتکارات یادگیری ماشینی را تسریع بخشد. او علاقه زیادی به سیستم های توصیه، NLP و حوزه های بینایی کامپیوتر در هوش مصنوعی و ML دارد. خارج از محل کار، وامشی یک علاقهمند به RC است و تجهیزات RC (هواپیما، ماشین و هواپیماهای بدون سرنشین) میسازد و همچنین از باغبانی لذت میبرد.
سیمون زوکت یک معمار ارشد راه حل در AWS است. سیمون با بیش از 6 سال تجربه به عنوان یک معمار ابری، از کار بر روی پروژه های نوآورانه ای که به تغییر رویکرد سازمان ها به مشکلات تجاری کمک می کند، لذت می برد. او به پشتیبانی از مشتریان سازمانی بزرگ در AWS کمک می کند و بخشی از TFC یادگیری ماشین است. خارج از زندگی حرفه ای خود، او از کار روی ماشین و عکاسی لذت می برد.
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- پلاتوبلاک چین. Web3 Metaverse Intelligence. دانش تقویت شده دسترسی به اینجا.
- منبع: https://aws.amazon.com/blogs/machine-learning/how-thomson-reuters-delivers-personalized-content-subscription-plans-at-scale-using-amazon-personalize/
- 100
- 7
- a
- توانایی
- قادر
- درباره ما
- آکادمی
- شتاب دادن
- حساب
- حسابداری (Accounting)
- دقیق
- در میان
- فعالیت
- وفق دادن
- اضافی
- مزیت - فایده - سود - منفعت
- پس از
- AI
- AI / ML
- معرفی
- اجازه می دهد تا
- قبلا
- آمازون
- آمازون شخصی سازی کنید
- تحلیل
- تحلیلگران
- علم تجزیه و تحلیل
- تجزیه و تحلیل
- و
- پاسخ
- آپاچی
- API
- برنامه های کاربردی
- اعمال می شود
- هوش مصنوعی کاربردی
- روش
- معماری
- مناطق
- دور و بر
- مرتبط است
- خودکار بودن
- اطلاع
- AWS
- چسب AWS
- به عقب
- مستقر
- اساس
- زیرا
- قبل از
- بهترین
- بهتر
- میان
- خارج از
- بیومدیکال
- بلاگ
- بوستون
- وسعت
- ساختن
- بنا
- ساخته
- کسب و کار
- کسب و کار
- صدا
- کمپین بین المللی حقوق بشر
- مبارزات انتخاباتی
- مبارزات
- اتومبیل
- کاتالوگ
- محور
- متمرکز
- به چالش
- تغییر دادن
- تبادل
- متغیر
- را انتخاب کنید
- ابر
- رمز
- جمع آوری
- مرتکب شده
- شرکت
- مقایسه
- سازگار
- اجزاء
- کامپیوتر
- چشم انداز کامپیوتر
- کامپیوتر
- با توجه به
- به طور مداوم
- مصرف کننده
- مصرف کنندگان
- ظروف
- محتوا
- ادامه داد:
- تبدیل
- هسته
- هزینه
- میتوانست
- ایجاد
- ایجاد شده
- ایجاد
- سرپرستی
- سرپرستی می کند
- جاری
- سفارشی
- مشتری
- اطلاعات مشتری
- تجربه مشتری
- مشتریان
- روزانه
- داده ها
- آماده سازی داده ها
- پردازش داده ها
- مجموعه داده ها
- مقدار
- تصمیم گیری
- عمیق
- یادگیری عمیق
- تحویل
- ارائه
- بستگی دارد
- مستقر
- استقرار
- گسترش
- طراحی
- جزئیات
- توسعه
- پروژه
- مختلف
- فاصله
- دامنه
- راندن
- رانندگی
- هواپیماهای بدون سرنشین
- در طی
- هر
- پیش از آن
- در اوایل
- بالا بردن
- واجد شرایط
- پست الکترونیک
- فعال
- را قادر می سازد
- نامزدی
- موتور
- مهندس
- غنی سازی
- سرمایه گذاری
- شرکت
- علاقهمند
- تمام
- تجهیزات
- واقعه
- حوادث
- همیشه در حال تغییر
- تکامل یابد
- تجربه
- تخصص
- توضیح دهید
- عصاره
- عصاره ها
- خانواده
- سریعتر
- ویژگی
- فیلتر
- نهایی
- مالی
- پیدا کردن
- شرکت
- انعطاف پذیری
- تمرکز
- پیروی
- فرم
- قالب
- تشکیل
- FRAME
- از جانب
- کاملا
- تابع
- توابع
- دروازه
- تولید می کنند
- تولید
- تولید می کند
- مولد
- دریافت کنید
- گرفتن
- می دهد
- اهداف
- بزرگ
- داشتن
- کمک
- کمک می کند
- عملکرد بالا
- بالاتر
- چگونه
- HTML
- HTTPS
- انسان
- تصویر
- انجام
- اجرای
- واردات
- مهم
- in
- شامل
- وارد شونده
- افزایش
- صنعت
- اطلاعات
- ابتکارات
- ابداع
- ابتکاری
- ورودی
- یکپارچه
- ادغام
- اطلاعات
- تعامل
- فعل و انفعالات
- علاقه
- گرفتار
- IT
- اقلام
- کار
- شغل ها
- سفر
- کلید
- بزرگ
- نام
- آخرین
- رهبری
- برجسته
- یاد گرفتن
- یادگیری
- میراث
- قانونی
- سطح
- صدور مجوز
- زندگی
- بلند کردن اجسام
- زنده
- بار
- طولانی
- کم
- دستگاه
- فراگیری ماشین
- ساخت
- باعث می شود
- مدیریت
- اداره می شود
- بازار
- پیشرو در بازار
- بازار یابی (Marketing)
- بازارها
- بلوغ
- رسانه ها
- مایکروسافت
- تیم های میکروسافت
- قدرت
- میلیون ها نفر
- ML
- موبایل
- مدل
- مدل
- ماه
- بیش
- اکثر
- نیاز
- نیازهای
- جدید
- محصولات جدید
- اخبار
- بعد
- nlp
- اخطار
- اطلاعیه ها
- پیشنهادات
- پردازنده
- ONE
- قابل استفاده
- عملیات
- بهینه سازی
- بهینه
- گزینه
- سفارشات
- کدام سازمان ها
- سازمان های
- دیگر
- خارج از
- بسته
- بخش
- احساساتی
- انجام
- انجام می دهد
- شخصی
- شخصی کردن
- شخصی
- چشم انداز
- عکاسی
- خط لوله
- برنامه
- برنامه ریزی
- برنامه
- سکو
- افلاطون
- هوش داده افلاطون
- PlatoData
- لطفا
- نقطه
- پورتال
- ممکن
- پست
- تنظیمات
- آماده
- آماده
- قیمت
- قیمت
- قیمت گذاری
- مشکلات
- روند
- در حال پردازش
- محصول
- محصولات
- حرفه ای
- حرفه ای
- پروژه ها
- ارائه
- ارائه
- فراهم می کند
- ارائه
- منتشر شده
- فشار
- کیفیت
- به سرعت
- بالا بردن
- اعم
- نرخ
- خام
- مطالعه
- اماده
- واقعی
- زمان واقعی
- اخیر
- تازه
- دستور العمل
- توصیه
- توصیه
- سوابق
- كاهش دادن
- اشاره
- بازتاب
- مربوط
- تکرار شده
- ضروری
- نیاز
- مورد نیاز
- نتایج
- رویترز
- بازبینی
- خطر
- رباتیک
- قوانین
- دویدن
- حکیم ساز
- حراجی
- مقیاس پذیر
- مقیاس
- مقیاس گذاری
- دانشمندان
- بخش
- بخش ها
- مشاهده
- ارشد
- خدمت
- خدمت
- سرویس
- خدمات
- خدمت
- تنظیم
- خريد كردن
- امضاء
- قابل توجه
- ساده
- ساده کردن
- پس از
- So
- راه حل
- مزایا
- منبع
- منابع
- متخصص
- هزینه
- شروع می شود
- نوپا
- گام
- ذخیره سازی
- ذخیره شده
- پرده
- جریان
- اشتراک، ابونمان
- اشتراک
- موفقیت
- موفق
- دنباله
- پشتیبانی
- سیستم
- سیستم های
- طراحی شده
- گرفتن
- طول می کشد
- وظایف
- مالیات
- تیم
- تیم ها
- فن آوری
- پیشرفته
- La
- شان
- تامسون رویترز
- از طریق
- زمان
- به
- ابزار
- بالا
- قطار
- آموزش دیده
- آموزش
- معاملات
- دگرگون کردن
- تحولات
- مبدل
- سفر
- روند
- باعث شد
- مورد اعتماد
- فهمیدن
- درک
- در جریان روز
- ارتقاء
- استفاده
- استفاده کنید
- کاربر
- کاربران
- ارزشمند
- مختلف
- نسخه
- از طريق
- دید
- حجم
- خواسته
- ثروت
- وب
- برنامه های وب
- هفته
- چی
- که
- WHO
- در داخل
- بدون
- مهاجرت کاری
- مشغول به کار
- کارگر
- با این نسخهها کار
- جهان
- خواهد بود
- نوشتن
- کتبی
- سال
- شما
- شما
- زفیرنت