A hírmédia-cégek által naponta megjelenő cikkek, videók, hangfelvételek és egyéb médiák sokasága miatt a különféle olvasók – egyéni fogyasztók, vállalati előfizetők és mások – gyakran nehezen találják meg a számukra legrelevánsabb hírtartalmat. A személyre szabott hírek és élmények olvasóinak eljuttatása segíthet megoldani ezt a problémát, és vonzóbb élményeket teremthet. A valóban személyre szabott ajánlások elkészítése azonban számos kulcsfontosságú kihívást jelent:
- Különféle felhasználói érdeklődési körök megragadása – A hírek sok témát ölelhetnek fel, és még meghatározott témákon belül is változatos lehet az olvasók érdeklődése.
- A korlátozott olvasói előzmények kezelése – Sok hírolvasó ritka tevékenységi múlttal rendelkezik. Az ajánlóknak gyorsan meg kell tanulniuk a preferenciákat a korlátozott adatokból, hogy értéket biztosítsanak.
- Időszerűség és trend – A napi hírciklusok azt jelentik, hogy az ajánlásoknak egyensúlyban kell lenniük a személyre szabott tartalmakkal az új, népszerű történetek felfedezésével.
- Változó érdeklődés – Az olvasók érdeklődése idővel változhat. A rendszereknek észlelniük kell az eltolódásokat, és ennek megfelelően kell módosítaniuk az ajánlásokat.
- Magyarázatosság – A felhasználók bizalmát erősíti, ha átláthatóvá teszi, hogy miért javasolt bizonyos történeteket. Az ideális hírajánló rendszer megérti az egyént, és reagál a szélesebb hírklímára és közönségre. E kihívások kezelése kulcsfontosságú ahhoz, hogy az olvasók hatékonyan kapcsolatba kerüljenek az általuk informatív és vonzó tartalmakkal.
Ebben a bejegyzésben leírjuk, hogyan Az Amazon testreszabása skálázható hírajánló alkalmazást működtethet. Ezt a megoldást egy Fortune 500 médiaügyfélnél vezették be 1 első felében, és újra felhasználható más, hírajánlók építése iránt érdeklődő ügyfelek számára.
Megoldás áttekintése
Az Amazon Personalize kiválóan illeszkedik a hírajánló motorok működtetéséhez, mivel képes valós idejű és tömegesen személyre szabott ajánlásokat adni. Az Amazon Personalize különféle ajánlási recepteket (algoritmusokat) kínál, például a User Personalization és a Trending Now recepteket, amelyek különösen alkalmasak hírajánló modellek képzésére. A felhasználói személyre szabás receptje elemzi az egyes felhasználók preferenciáit a tartalommal való időbeli elköteleződésük alapján. Ez személyre szabott hírfolyamokat eredményez, amelyek az egyes felhasználók számára leginkább releváns témákat és forrásokat jelenítik meg. A Felkapott most recept kiegészíti ezt azzal, hogy minden felhasználónál valós időben észleli a növekvő trendeket és a népszerű híreket. A két receptből származó ajánlások kombinálása lehetővé teszi, hogy az ajánlómotor egyensúlyba hozza a személyre szabást az időszerű, nagy érdeklődésre számot tartó történetek felfedezésével.
Az alábbi ábra az Amazon Personalize által működtetett hírajánló alkalmazás architektúráját mutatja be, amely támogatja az AWS szolgáltatásokat.
Ennek a megoldásnak a következő korlátai vannak:
- A most megjelent cikkekhez (néhány perce megjelent cikkekhez) személyre szabott ajánlások nyújtása kihívást jelenthet. Ebben a bejegyzésben később leírjuk, hogyan lehet enyhíteni ezt a korlátozást.
- Az Amazon Personalize meghatározott számú interakciót és elemadatkészlet-funkciót tartalmaz, amelyek felhasználhatók egy modell betanításához.
- A cikk írásakor az Amazon Personalize nem ad felhasználói szintű ajánlási magyarázatokat.
Nézzük végig a megoldás fő összetevőit.
Előfeltételek
A megoldás megvalósításához a következőkre van szüksége:
- Történelmi és valós idejű felhasználói kattintási adatok a
interactions
adatbázisba - Történelmi és valós idejű hírcikkek metaadatai a
items
adatbázisba
Nyelje le és készítse elő az adatokat
Ha modellt szeretne betanítani az Amazon Personalize szolgáltatásban, meg kell adnia a képzési adatokat. Ebben a megoldásban kétféle Amazon Personalize képzési adatkészletet használ: a interakciós adatkészlet és a tételek adatkészlet Az interactions
adatkészlet a felhasználó-elem-időbélyeg interakciók adatait tartalmazza, és a items
adatkészlet az ajánlott cikkekhez tartozó funkciókat tartalmazza.
Két különböző megközelítést alkalmazhat az edzési adatok feldolgozásához:
- Kötegelt lenyelés - Te tudod használni AWS ragasztó interakciók és elemek adatainak átalakítására és feldolgozására, amelyek egy Amazon egyszerű tárolási szolgáltatás (Amazon S3) vödröt az Amazon Personalize adatkészleteibe. Az AWS Glue kibontási, átalakítási és betöltési (ETL) műveleteket hajt végre, hogy az adatokat az Amazon Personalize adatkészlet-sémához igazítsa. Amikor az ETL folyamat befejeződött, a kimeneti fájl visszakerül az Amazon S3-ba, és készen áll az Amazon Personalize-be való bevitelre egy adatkészlet importálási feladat.
- Valós idejű bevitel - Te tudod használni Amazon Kinesis adatfolyamok és a AWS Lambda valós idejű adatok fokozatos feldolgozásához. A Lambda funkció ugyanazokat az adatátalakítási műveleteket hajtja végre, mint a kötegelt feldolgozási feladat az egyedi rekordok szintjén, és feldolgozza az adatokat az Amazon Personalize szolgáltatásba a PutEvents és a PutItems API-k.
Ebben a megoldásban bizonyos elemeket és interakciós adatattribútumokat is feldolgozhat Amazon DynamoDB. Ezeket az attribútumokat valós idejű következtetés során használhatja az ajánlások üzleti szabályok szerinti szűrésére. Például a cikk metaadatai tartalmazhatják a cikkben szereplő vállalatok és iparágak nevét. Ha proaktívan szeretne cikkeket ajánlani azokról a cégekről vagy iparágakról, amelyekről a felhasználók olvasnak, rögzítheti, hogy az olvasók milyen gyakran foglalkoznak bizonyos vállalatokról és iparágakról szóló cikkekkel, és felhasználhatja ezeket az adatokat Amazon Personalize szűrők az ajánlott tartalom további személyre szabásához. A bejegyzés későbbi részében többet tárgyalunk arról, hogyan használhatjuk az elemeket és az interakciós adatattribútumokat a DynamoDB-ben.
A következő diagram az adatfeldolgozási architektúrát mutatja be.
Tanítsd meg a modellt
A modell betanítási erőfeszítéseinek nagy részét a felhasználói személyre szabási modellre kell összpontosítani, mivel az mindhárom Amazon Personalize adatkészletet használhatja (míg a Trending Now modell csak a interactions
adatkészlet). Javasoljuk olyan kísérletek futtatását, amelyek szisztematikusan változtatják a képzési folyamat különböző aspektusait. A megoldást megvalósító ügyfélnél a csapat több mint 30 kísérletet futtatott le. Ez magában foglalta a interactions
és a items
adatkészlet-funkciók, a modellhez biztosított interakciós előzmények hosszának beállítása, az Amazon Personalize hiperparaméterek hangolása, valamint annak értékelése, hogy egy explicit felhasználó adatkészlete javította-e az offline teljesítményt (a képzési idő növekedéséhez képest).
Minden modellváltozatot az Amazon Personalize által a képzési adatokon közölt mérőszámok, valamint a holdout tesztadatkészlet egyéni offline mérőszámai alapján értékeltek ki. A figyelembe veendő standard mérőszámok közé tartozik az átlagos pontosság (MAP) @ K (ahol K az olvasónak bemutatott ajánlások száma), a normalizált diszkontált kumulatív nyereség, az átlagos reciprok rangsor és a lefedettség. Ha többet szeretne tudni ezekről a mérőszámokról, lásd: Megoldásverzió értékelése mérőszámokkal. Javasoljuk, hogy a MAP @ K-t részesítse előnyben ezek közül a mérőszámok közül, amely rögzíti, hogy az olvasó átlagosan hány cikkre kattintott a számára ajánlott legnépszerűbb K cikk közül, mivel a MAP-mutató a cikkek (valós) átkattintási arányának megfelelő proxyja. A K-t az alapján kell kiválasztani, hogy az olvasó hány cikkeket tekinthet meg asztali vagy mobilweboldalon görgetés nélkül, így minimális olvasói erőfeszítéssel értékelheti az ajánlások hatékonyságát. Az egyéni mérőszámok, például az ajánlás egyedisége (amely leírja, hogy az ajánlások kimenete mennyire volt egyedi a jelölt felhasználók körében), betekintést nyújthat az ajánlások hatékonyságába.
Az Amazon Personalize segítségével a kísérleti folyamat lehetővé teszi az adatkészlet-funkciók optimális készletének meghatározását mind a User Personalization, mind a Trending Now modellekhez. A Trending Now modell ugyanazon az Amazon Personalize-en belül létezik adatkészlet csoport mint a Felhasználó személyre szabási modellje, tehát ugyanazt a készletet használja interactions
adatkészlet jellemzői.
Valós idejű ajánlásokat generál
Amikor egy olvasó felkeresi egy hírcég weboldalát, API-hívás érkezik a hírajánlóhoz a következőn keresztül Amazon API átjáró. Ez elindít egy Lambda függvényt, amely meghívja az Amazon Personalize modellek végpontjait valós idejű ajánlásokat. A következtetés során használhatja Szűrők a kezdeti ajánlás kimenetének szűrésére a cikk vagy az olvasó interakciós attribútumai alapján. Például, ha a „Hírek témaköre” (például sport, életmód vagy politika) a cikk attribútuma, akkor korlátozhatja az ajánlásokat adott hírtémákra, ha ez termékkövetelmény. Hasonlóképpen használhat szűrőket az olvasói interakciós eseményekre, például kizárhatja az olvasó által már elolvasott cikkeket.
A valós idejű ajánlások egyik fő kihívása az, hogy a frissen megjelent cikkeket (más néven hideg cikkeket) hatékonyan belefoglalják az ajánlások kimenetébe. A most közzétett cikkek nem rendelkeznek olyan múltbeli interakciós adatokkal, amelyekre az ajánlók általában támaszkodnak, és az ajánlórendszereknek elegendő feldolgozási időre van szükségük ahhoz, hogy felmérjék, mennyire relevánsak a most közzétett cikkek egy adott felhasználó számára (még akkor is, ha csak felhasználó-elem kapcsolati jeleket használnak).
Az Amazon Personalize natív módon képes automatikusan felismerni és ajánlani a bekerült új cikkeket items
adatkészlet 2 óránként. Mivel azonban ez a használati eset a hírajánlásokra összpontosít, szükség van egy módra, hogy új cikkeket ajánlhasson, amint azok megjelentek és készen állnak az olvasói fogyasztásra.
A probléma megoldásának egyik módja egy olyan mechanizmus megtervezése, amely az éppen megjelent cikkeket véletlenszerűen beilleszti az egyes olvasók végső ajánlási kimenetébe. Hozzáadhat egy funkciót annak szabályozására, hogy a végső ajánláskészlet cikkeinek hány százaléka volt éppen közzétett cikk, és az Amazon Personalize eredeti ajánlási kimenetéhez hasonlóan szűrheti az éppen megjelent cikkeket a cikk attribútumai alapján (például „Hírek témaköre”). ), ha ez termékkövetelmény. Nyomon követheti a DynamoDB-ben éppen közzétett cikkekkel kapcsolatos interakciókat, amint azok elkezdenek beszivárogni a rendszerbe, és az ajánlások utófeldolgozása során előnyben részesítheti a legnépszerűbb most megjelent cikkeket, amíg az Amazon Personalize modellek észlelik és feldolgozzák az éppen megjelent cikkeket.
Miután megvan az ajánlott cikkek végső készlete, ez a kimenet egy másik utófeldolgozási Lambda-függvénybe kerül, amely ellenőrzi a kimenetet, hogy az megfelel-e az előre meghatározott üzleti szabályoknak. Ezek közé tartozhat annak ellenőrzése, hogy az ajánlott cikkek megfelelnek-e a weboldal elrendezési specifikációinak, ha például egy webböngésző felületén jelennek meg ajánlások. Ha szükséges, a cikkek átsorolhatók az üzleti szabályok betartásának biztosítása érdekében. Javasoljuk, hogy az összes üzleti szabály betartásáig a magasabb besorolású cikkek csak egy helyen esjenek lejjebb a rangsorban egy olyan funkció megvalósításával, amely minimális relevanciaveszteséget biztosít az olvasóknak. Az utólag feldolgozott cikkek végleges listája visszakerül az ajánláskérést kezdeményező webszolgáltatáshoz.
A következő ábra a megoldás ezen lépésének architektúráját mutatja be.
Kötegelt ajánlásokat generál
A személyre szabott hírműszerfalak (valós idejű ajánlásokon keresztül) megkövetelik az olvasótól, hogy aktívan keressen híreket, de a mai mozgalmas életünkben néha egyszerűbb, ha elküldik Önnek a legfontosabb híreket. A személyre szabott hírcikkek e-mailes kivonatként történő kézbesítéséhez használhat egy AWS lépésfunkciók munkafolyamat köteg ajánlások generálásához. A kötegelt ajánlási munkafolyamat összegyűjti és utólag feldolgozza a felhasználói személyre szabási modellünkből vagy a Felkapott most modell végpontjaiból származó ajánlásokat, így rugalmasan kiválasztható, hogy a személyre szabott és felkapott cikkek milyen kombinációját kívánják a csapatok eljuttatni olvasóikhoz. A fejlesztőknek lehetőségük van az Amazon Personalize használatára is kötegelt következtetés funkció; azonban a cikk írásakor az Amazon Personalize kötegelt következtetési feladat létrehozása nem támogatja az Amazon Personalize egyéni modell betanítása után bevitt elemek felvételét, és nem támogatja a Trending Now receptet.
A kötegelt következtetés Step Functions munkafolyamat során az olvasók listáját kötegekre osztják, párhuzamosan dolgozzák fel, és elküldik egy utófeldolgozási és érvényesítési rétegnek, mielőtt elküldenék az e-mail-generáló szolgáltatáshoz. A következő diagram ezt a munkafolyamatot mutatja be.
Méretezze az ajánlórendszert
A hatékony méretezéshez a hírajánlóra is szükség van, hogy a felhasználók növekvő számának és a megnövekedett forgalomnak az olvasói élmény romlása nélkül tudjon működni. Az Amazon Personalize modell végpontjai natív módon automatikus mérleg hogy megfeleljen a megnövekedett forgalomnak. A mérnököknek csak be kell állítaniuk és figyelniük kell a minimálisan rendelkezésre álló tranzakciók másodpercenkénti (TPS) változóját minden Amazon Personalize végponthoz.
Az Amazon Personalize-n túl az itt bemutatott hírajánló alkalmazás szerver nélküli AWS-szolgáltatások felhasználásával készült, így a mérnöki csapatok a legjobb olvasói élmény biztosítására összpontosíthatnak anélkül, hogy az infrastruktúra karbantartásával kellene foglalkozniuk.
Következtetés
Ebben a figyelemfelkeltő gazdaságban egyre fontosabbá vált a releváns és időszerű tartalom biztosítása a fogyasztók számára. Ebben a bejegyzésben megvitattuk, hogyan használhatja az Amazon Personalize-t egy méretezhető hírajánló felépítésére, valamint a szervezetek által megvalósítható stratégiákat a hírajánlások kézbesítésének egyedi kihívásaira.
Ha többet szeretne megtudni az Amazon Personalize szolgáltatásról, és arról, hogyan segítheti szervezetét ajánlási rendszerek felépítésében, tekintse meg a Amazon Personalize fejlesztői útmutató.
Boldog épület!
A szerzőkről
Bala Krishnamoorthy az AWS Professional Services vezető adattudósa, ahol segít ügyfeleinek AI-alapú megoldások kidolgozásában és bevezetésében üzleti kihívásaik megoldásában. Különféle ágazatokban dolgozott ügyfelekkel, beleértve a médiát és szórakoztatást, a pénzügyi szolgáltatásokat, az egészségügyet és a technológiát. Szabadidejében szívesen tölt időt családjával/barátaival, aktív marad, új éttermeket próbál ki, utazik, és egy gőzölgő, forró kávéval indítja a napot.
Rishi Jala egy NoSQL Data Architect az AWS Professional Services szolgáltatással. A NoSQL-adatbázisok, például az Amazon DynamoDB segítségével rendkívül skálázható alkalmazások tervezésére és építésére összpontosít. Szenvedélyesen oldja meg az ügyfelek problémáit, és személyre szabott megoldásokat kínál a digitális környezetben való siker érdekében.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
- PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
- PlatoESG. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
- PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/build-a-news-recommender-application-with-amazon-personalize/
- :van
- :is
- :ahol
- 100
- 2023
- 30
- 500
- 7
- 98
- a
- képesség
- Rólunk
- elhelyezésére
- Eszerint
- át
- aktív
- aktívan
- tevékenység
- alkalmazkodni
- hozzá
- cím
- szabályozó
- Után
- Augusztus
- AI-hajtású
- algoritmusok
- összehangolása
- Igazítás
- Minden termék
- lehetővé téve
- lehetővé teszi, hogy
- már
- Is
- amazon
- Az Amazon testreszabása
- Az Amazon Web Services
- an
- elemzések
- és a
- Másik
- bármilyen
- api
- API-k
- Alkalmazás
- alkalmazások
- megközelít
- építészet
- VANNAK
- cikkben
- cikkek
- AS
- szempontok
- értékeli
- At
- figyelem
- attribútumok
- közönség
- hang-
- auto
- átlagos
- AWS
- AWS ragasztó
- AWS professzionális szolgáltatások
- vissza
- Egyenleg
- alapján
- BE
- mert
- válik
- óta
- előtt
- hogy
- BEST
- mindkét
- tágabb
- böngésző
- épít
- Épület
- épít
- épült
- üzleti
- elfoglalt
- de
- by
- hívás
- hívott
- kéri
- TUD
- jelölt
- fogások
- eset
- bizonyos
- kihívás
- kihívások
- kihívást
- ellenőrizze
- ellenőrzése
- Ellenőrzések
- kettyenés
- Klíma
- Kávé
- hideg
- kombináció
- kombinálása
- Companies
- vállalat
- Társaságé
- teljes
- alkatrészek
- Csatlakozó
- Fontolja
- Fogyasztók
- fogyasztás
- tartalmaz
- tartalmaz
- tartalom
- ellenőrzés
- Társasági
- lefedettség
- teremt
- készítette
- létrehozása
- Csésze
- szokás
- vevő
- Ügyfelek
- szabott
- ciklusok
- napi
- Napi hírek
- műszerfalak
- dátum
- adattudós
- adatbázisok
- adatkészletek
- nap
- szállít
- átadó
- szállít
- telepíteni
- leírni
- körülír
- tervezés
- asztali
- kimutatására
- észlelt
- Határozzuk meg
- Fejlesztő
- fejlesztők
- diagram
- különböző
- nehéz
- megemészteni
- digitális
- kedvezményes
- felfedezés
- megvitatni
- tárgyalt
- számos
- megosztott
- Nem
- ne
- le-
- hajtás
- alatt
- minden
- könnyebb
- gazdaság
- hatékonyan
- hatékonyság
- erőfeszítés
- Endpoint
- eljegyzés
- vonzó
- Motor
- Mérnöki
- Mérnökök
- biztosítására
- Szórakozás
- értékelni
- értékelték
- értékelő
- Még
- események
- Minden
- fejlődik
- példa
- kizárás
- létezik
- tapasztalat
- Tapasztalatok
- kísérleti
- kísérletek
- magyarázatok
- kivonat
- Esik
- Funkció
- Jellemzők
- kevés
- filé
- szűrő
- Szűrők
- utolsó
- pénzügyi
- pénzügyi szolgáltatások
- Találjon
- megfelelő
- rögzített
- Rugalmasság
- Összpontosít
- összpontosított
- koncentrál
- következő
- A
- A fogyasztók számára
- Szerencse
- Ingyenes
- gyakran
- ból ből
- frontend
- funkció
- funkciók
- további
- Nyereség
- generál
- generáció
- kap
- Giving
- jó
- nagy
- Növekvő
- Legyen
- tekintettel
- he
- egészségügyi
- segít
- segít
- itt
- nagyon
- övé
- történeti
- történetek
- történelem
- FORRÓ
- NYITVATARTÁS
- Hogyan
- How To
- azonban
- HTML
- http
- HTTPS
- ideális
- if
- illusztrálja
- végre
- végre
- végrehajtási
- importál
- fontos
- javított
- in
- tartalmaz
- beleértve
- Beleértve
- Növelje
- <p></p>
- egyre inkább
- egyéni
- iparágak
- ipar
- információ
- tájékoztató
- Infrastruktúra
- kezdetben
- kezdeményezett
- Insight
- kölcsönhatás
- kölcsönhatások
- érdekelt
- érdekek
- bele
- IT
- tételek
- ITS
- Munka
- jpg
- éppen
- Kulcs
- táj
- a későbbiekben
- réteg
- elrendezés
- TANUL
- Hossz
- szint
- életmód
- korlátozás
- korlátozások
- Korlátozott
- Lista
- életek
- kiszámításának
- le
- készült
- Fő
- karbantartás
- sok
- térkép
- Lehet..
- jelent
- mechanizmus
- Média
- Találkozik
- találkozott
- Metaadatok
- metrikus
- Metrics
- minimális
- minimum
- Perc
- Enyhít
- Mobil
- modell
- modellek
- monitor
- több
- a legtöbb
- Legnepszerubb
- sokaság
- kell
- nevek
- natívan
- Szükség
- szükséges
- Új
- hír
- rendszerint
- Most
- szám
- of
- Ajánlatok
- Nem elérhető
- on
- ONE
- csak
- Művelet
- optimálisan
- opció
- or
- szervezet
- szervezetek
- eredeti
- Más
- mi
- ki
- teljesítmény
- felett
- Párhuzamos
- különösen
- szenvedélyes
- mert
- százalék
- teljesítmény
- Előadja
- Testreszabás
- megszemélyesít
- Személyre
- Hely
- Plató
- Platón adatintelligencia
- PlatoData
- politika
- medence
- Népszerű
- állás
- hatalom
- powered
- Pontosság
- preferenciák
- Készít
- bemutatott
- ajándékot
- Fontossági sorrendet
- prioritások
- Probléma
- problémák
- folyamat
- Feldolgozott
- feldolgozás
- Termékek
- szakmai
- ad
- feltéve,
- amely
- meghatalmazott
- közzétett
- Nyomja
- gyorsan
- rangsorban
- Ranking
- Az árak
- Olvass
- Olvasó
- olvasók
- Olvasás
- kész
- igazi
- real-time
- valós idejű adatok
- recept
- ajánl
- Ajánlást
- ajánlások
- ajánlott
- rekord
- kapcsolat
- relatív
- támaszkodnak
- Számolt
- kérni
- szükség
- követelmény
- Éttermek
- korlátoz
- Eredmények
- felkelő
- szabályok
- futás
- azonos
- skálázható
- Skála
- Tudós
- lapozzunk
- Keresés
- Második
- ágazatok
- lát
- válasszuk
- kiválasztott
- idősebb
- küldött
- szolgált
- vagy szerver
- szolgáltatás
- Szolgáltatások
- készlet
- számos
- Műszakok
- kellene
- jelek
- hasonló
- Hasonlóképpen
- Egyszerű
- So
- megoldások
- Megoldások
- SOLVE
- Megoldása
- néha
- nemsokára
- Források
- arasz
- különleges
- specifikációk
- Költési
- Sport
- standard
- kezdet
- tartózkodás
- Lépés
- tárolás
- TÖRTÉNETEK
- stratégiák
- benyújtott
- előfizetőknek
- siker
- ilyen
- elegendő
- megfelelő
- támogatás
- Támogató
- felületi
- rendszer
- szisztematikusan
- Systems
- szerelések
- Szabó
- szabott
- Vesz
- csapat
- csapat
- Technológia
- teszt
- hogy
- A
- azok
- Őket
- Ezek
- ők
- ezt
- három
- Keresztül
- idő
- időszerű
- nak nek
- Ma
- felső
- Témakörök
- idő
- vágány
- forgalom
- Vonat
- kiképzett
- Képzések
- Edzés hírek
- Tranzakciók
- Átalakítás
- Átalakítás
- Átláthatóság
- utazás
- trend
- Trends
- valóban
- Bízzon
- próbál
- hangolás
- kettő
- típusok
- megérti
- egyedi
- egyediség
- -ig
- használ
- használati eset
- használt
- használó
- Felhasználók
- használ
- segítségével
- érvényesítés
- érték
- változó
- változatos
- fajta
- változik
- változat
- keresztül
- Videók
- Megnézem
- Látogatók
- séta
- akar
- volt
- Út..
- we
- háló
- webböngésző
- webes szolgáltatások
- JÓL
- voltak
- Mit
- amikor
- mivel
- vajon
- ami
- miért
- lesz
- val vel
- belül
- nélkül
- dolgozott
- munkafolyamat
- aggasztó
- írás
- te
- A te
- zephyrnet