Ez a három részből álló sorozat bemutatja a gráf neurális hálózatok (GNN) és Amazon Neptun filmajánlások generálásához a IMDb és Box Office Mojo Movies/TV/OTT licencelhető adatcsomag, amely szórakoztató metaadatok széles skáláját kínálja, beleértve több mint 1 milliárd felhasználói értékelést; hitelek több mint 11 millió szereplőnek és stábtagnak; 9 millió film, TV és szórakoztató műsor; és több mint 60 ország globális kasszajelentési adatai. Sok AWS média- és szórakoztatóügyfél licenccel az IMDb-adatokon keresztül AWS adatcsere a tartalomfelfedezés javítása, valamint az ügyfelek elkötelezettségének és megtartásának növelése.
A következő ábra a sorozat részeként megvalósított teljes architektúrát mutatja be.
In rész 1, megvitattuk a GNN-ek alkalmazásait, valamint azt, hogyan alakítsuk át és készítsük elő IMDb-adatainkat tudásgráfmá (KG). Az adatokat letöltöttük az AWS Data Exchange szolgáltatásból, és feldolgoztuk AWS ragasztó KG fájlok létrehozásához. A KG-fájlokat a rendszer tárolta Amazon egyszerű tárolási szolgáltatás (Amazon S3), majd betöltve Amazon Neptun.
In rész 2, bemutattuk, hogyan kell használni Amazon Neptune ML (a Amazon SageMaker) a KG betanítására és a KG beágyazások létrehozására.
Ebben a bejegyzésben végigvezetjük, hogyan alkalmazzuk a betanított KG beágyazásainkat az Amazon S3-ban a katalóguson kívüli keresési felhasználási esetekben Amazon OpenSearch szolgáltatás és a AWS Lambda. Helyi webalkalmazást is telepíthet az interaktív keresési élmény érdekében. Az ebben a bejegyzésben felhasznált összes erőforrás létrehozható egyetlen használatával AWS Cloud Development Kit (AWS CDK) parancsot a bejegyzés későbbi részében leírtak szerint.
Háttér
Előfordult már, hogy véletlenül olyan tartalomcímre keresett, amely nem volt elérhető egy videostreaming platformon? Ha igen, akkor az üres keresési eredményoldal helyett az azonos műfajú filmek listáját fogja találni, szereplőkkel vagy stábtagokkal. Ez egy katalóguson kívüli keresési élmény!
Katalóguson kívüli keresés (OOC) az, amikor olyan keresési lekérdezést ad meg, amelynek nincs közvetlen egyezése a katalógusban. Ez az esemény gyakran előfordul olyan videó streaming platformokon, amelyek folyamatosan vásárolnak különféle tartalmakat több szállítótól és produkciós cégtől korlátozott ideig. A relevancia vagy a leképezés hiánya a streaming vállalat katalógusából a filmek és műsorok nagy tudásbázisaira, az OOC-tartalomra lekérdező ügyfelek számára alacsonyabb szintű keresési élményt eredményezhet, ezáltal csökkentve a platformmal való interakciós időt. Ez a leképezés elvégezhető a gyakori OOC-lekérdezések manuális hozzárendelésével a katalógustartalomhoz, vagy automatizálható gépi tanulással (ML).
Ebben a bejegyzésben bemutatjuk, hogyan kell kezelni az OOC-t az IMDb-adatkészlet (a globális szórakoztató metaadatok elsődleges forrása) és a tudásgrafikonok erejének felhasználásával.
OpenSearch szolgáltatás egy teljesen felügyelt szolgáltatás, amely megkönnyíti az interaktív naplóelemzés, a valós idejű alkalmazásfigyelés, a webhelykeresés és egyebek végrehajtását. Az OpenSearch egy nyílt forráskódú, elosztott keresési és elemzési csomag, amely az Elasticsearch-ből származik. Az OpenSearch szolgáltatás az OpenSearch legújabb verzióit, az Elasticsearch 19 verziójának támogatását (1.5-7.10 verziók), valamint az OpenSearch Dashboards és a Kibana (1.5-7.10 verziók) által működtetett vizualizációs képességeket kínálja. Az OpenSearch Service jelenleg több tízezer aktív ügyféllel rendelkezik, és több százezer fürt kezeli havonta kérések billióit. Az OpenSearch szolgáltatás a kNN keresést kínálja, amely javíthatja a keresést olyan használati esetekben, mint például a termékajánlások, a csalások felderítése, valamint a kép-, videó- és bizonyos szemantikai forgatókönyvek, például a dokumentumok és a lekérdezések hasonlósága. Az OpenSearch szolgáltatás természetes nyelvi megértésen alapuló keresési funkcióival kapcsolatos további információkért lásd: NLU-alapú keresőalkalmazás készítése az Amazon SageMakerrel és az Amazon OpenSearch Service KNN funkciójával.
Megoldás áttekintése
Ebben a bejegyzésben egy megoldást mutatunk be az OOC helyzetek kezelésére tudásgráf alapú beágyazott kereséssel, az OpenSearch Service k-narest szomszéd (kNN) keresési képességeivel. A megoldás megvalósításához használt legfontosabb AWS-szolgáltatások az OpenSearch Service, a SageMaker, a Lambda és az Amazon S3.
Nézze meg rész 1 és a rész 2 sorozatból, hogy többet megtudjon a tudásgráfok létrehozásáról és a GNN-beágyazásról az Amazon Neptune ML használatával.
Az OOC-megoldásunk feltételezi, hogy a KG és az IMDb KG streaming cég összevonásával kapott kombinált KG-val rendelkezik. Ez egyszerű szövegfeldolgozási technikákkal valósítható meg, amelyek megfelelnek a címeknek, valamint a cím típusának (film, sorozat, dokumentumfilm), szereplőknek és stábnak. Ezenkívül ezt a közös tudásgráfot tanítani kell tudásgráf-beágyazások létrehozására a cikkben említett csővezetékeken keresztül. rész 1 és a rész 2. A következő ábra a kombinált KG egyszerűsített nézetét mutatja be.
Az OOC keresési funkció egyszerű példával való bemutatása érdekében az IMDb tudásgráfot felosztottuk ügyfél-katalógusra és ügyfél-katalógusra. A „Toy Story”-t tartalmazó címeket vevőn kívüli katalógusforrásként, az IMDb tudásdiagram többi részét pedig ügyfélkatalógusként jelöljük meg. Abban a forgatókönyvben, amikor az ügyfélkatalógust nem bővítik vagy egyesítik külső adatbázisokkal, a „toy story” keresése minden olyan címet ad vissza, amelynek metaadataiban a „játék” vagy „történet” szó szerepel az OpenSearch szöveges kereséssel. Ha az ügyfélkatalógus az IMDb-re lenne leképezve, könnyebb lenne megállapítani, hogy a „toy story” lekérdezés nem létezik a katalógusban, és hogy az IMDb legjobb találatai a „Toy Story”, „Toy Story 2”, „Toy” 3. sztori”, „Toy Story 4” és „Charlie: Toy Story” a relevancia csökkenő sorrendjében, szöveges egyezéssel. Ahhoz, hogy minden egyes találathoz katalóguson belüli eredményeket kapjunk, az OpenSearch szolgáltatáson keresztül létrehozhatunk öt legközelebbi filmet ügyfélkatalógus-alapú kNN-beágyazásban (a közös KG-ben).
Egy tipikus OOC-élmény a következő ábrán látható folyamatot követi.
A következő videó a „játéksztori” lekérdezés öt legjobb (találatok száma) OOC-eredményét és az ügyfélkatalógusban található releváns találatokat mutatja be (ajánlások száma).
Itt a lekérdezés a tudásgráfhoz illeszkedik az OpenSearch szolgáltatás szöveges keresésével. Ezután az OpenSearch Service kNN indexének segítségével leképezzük a szövegegyezés beágyazásait az ügyfél katalóguscímeihez. Mivel a felhasználói lekérdezést nem lehet közvetlenül leképezni a tudásgráf entitásokhoz, kétlépéses megközelítést alkalmazunk, hogy először címalapú lekérdezés hasonlóságokat találjunk, majd tudásgráf beágyazások segítségével a címhez hasonló elemeket. A következő szakaszokban az OpenSearch Service-fürt beállításának, a tudásgráf-indexek létrehozásának és feltöltésének, valamint a megoldás webalkalmazásként történő üzembe helyezésének folyamatát mutatjuk be.
Előfeltételek
A megoldás megvalósításához rendelkeznie kell egy AWS-fiók, OpenSearch Service, SageMaker, Lambda és AWS felhőképződés, és elvégezte a lépéseket rész 1 és a rész 2 ennek a sorozatnak.
Indítsa el a megoldási erőforrásokat
A következő architektúra diagram a katalóguson kívüli munkafolyamatot mutatja.
Az AWS Cloud Development Kit (CDK) segítségével biztosíthatja az OOC keresőalkalmazásokhoz szükséges erőforrásokat. Az erőforrások elindításához szükséges kód a következő műveleteket hajtja végre:
- VPC-t hoz létre az erőforrásokhoz.
- Létrehoz egy OpenSearch szolgáltatási tartományt a keresőalkalmazás számára.
- Létrehoz egy Lambda függvényt a film metaadatainak és az OpenSearch szolgáltatás indexeibe való beágyazásának feldolgozásához és betöltéséhez (
**-ReadFromOpenSearchLambda-**
). - Létrehoz egy Lambda függvényt, amely bemenetként veszi a felhasználói lekérdezést egy webalkalmazásból, és releváns címeket ad vissza az OpenSearch-ből (
**-LoadDataIntoOpenSearchLambda-**
). - Létrehoz egy API-átjárót, amely további biztonsági réteget ad a webalkalmazás felhasználói felülete és a Lambda közé.
A kezdéshez hajtsa végre a következő lépéseket:
- Futtassa a kódot és a notebookokat innen rész 1 és a rész 2.
- Navigáljon a
part3-out-of-catalog
mappát a kódtárban.
- Indítsa el az AWS CDK-t a terminálról a paranccsal
bash launch_stack.sh
. - Adja meg bemenetként a 3. részben létrehozott két S2 fájl elérési utat:
- A filmbeágyazási CSV-fájl S3 elérési útja.
- A film csomópontfájljának S3 elérési útja.
- Várja meg, amíg a szkript biztosítja az összes szükséges erőforrást, és befejezi a futást.
- Másolja ki az AWS CDK-szkript által kinyomtatott API-átjáró URL-címét, és mentse el. (Ezt később a Streamlit alkalmazáshoz használjuk.)
Hozzon létre egy OpenSearch szolgáltatási tartományt
Szemléltetés céljából keresési tartományt hoz létre egy elérhetőségi zónán egy biztonságos VPC-n és alhálózaton belüli r6g.large.search példányban. Vegye figyelembe, hogy a legjobb gyakorlat az lenne, ha három elérhetőségi zónát állítana be, egy elsődleges és két replikapéldánnyal.
Hozzon létre egy OpenSearch Service indexet és töltsön fel adatokat
Az OpenSearch szolgáltatás indexeinek létrehozásához Lambda-függvényeket használ (amelyek az AWS CDK indítási verem paranccsal jöttek létre). Az index létrehozásának megkezdéséhez hajtsa végre a következő lépéseket:
- A Lambda konzolon nyissa meg a
LoadDataIntoOpenSearchLambda
Lambda funkció. - A Teszt lapot választani Teszt adatok létrehozásához és az OpenSearch szolgáltatás indexébe történő bejuttatásához.
Ehhez a lambda funkcióhoz a következő kód található part3-out-of-catalog/cdk/ooc/lambdas/LoadDataIntoOpenSearchLambda/lambda_handler.py
:
A funkció a következő feladatokat látja el:
- Betölti az IMDB KG filmcsomópont-fájlt, amely tartalmazza a film metaadatait és a kapcsolódó beágyazásokat a veremlétrehozó fájlnak átadott S3 fájl elérési útjairól
launch_stack.sh
. - Egyesíti a két bemeneti fájlt, hogy egyetlen adatkeretet hozzon létre az index létrehozásához.
- Inicializálja az OpenSearch Service ügyfelet a Boto3 Python könyvtár használatával.
- Két indexet hoz létre a szöveghez (
ooc_text
) és a kNN beágyazási keresés (ooc_knn
), és tömegesen tölt fel adatokat a kombinált adatkeretből a következőn keresztülingest_data_into_ops
funkciót.
Ez az adatfelvételi folyamat 5-10 percet vesz igénybe, és a következőn keresztül nyomon követhető amazonfelhőóra naplózza a megfigyelés a Lambda funkció fülét.
Két indexet hoz létre a szövegalapú keresés és a kNN beágyazás alapú keresés engedélyezéséhez. A szöveges keresés leképezi a felhasználó által beírt szabad formátumú lekérdezést a film címére. A kNN beágyazási keresés megtalálja a KG rejtett térből a legjobb szövegegyezéshez legközelebb eső k filmet, hogy visszatérjen kimenetként.
Telepítse a megoldást helyi webalkalmazásként
Most, hogy működő szöveges kereséssel és kNN-indexszel rendelkezik az OpenSearch szolgáltatásban, készen áll egy ML-alapú webalkalmazás létrehozására.
Az általunk használt streamlit
Python csomag az alkalmazás előtér-illusztrációjának létrehozásához. Az IMDb-Knowledge-Graph-Blog/part3-out-of-catalog/run_imdb_demo.py
Python fájl a mi GitHub repo rendelkezik a szükséges kóddal egy helyi webalkalmazás elindításához, hogy felfedezze ezt a képességet.
A kód futtatásához hajtsa végre a következő lépéseket:
- Telepítse a
streamlit
és aaws_requests_auth
Python-csomag a helyi virtuális Python-környezetben a következő parancsokhoz a terminálban:
- Cserélje ki az API átjáró URL helyőrzőjét a kódban az alábbiak szerint az AWS CDK által létrehozott helyőrzővel:
api = '<ENTER URL OF THE API GATEWAY HERE>/opensearch-lambda?q={query_text}&numMovies={num_movies}&numRecs={num_recs}'
- Indítsa el a webalkalmazást a paranccsal
streamlit run run_imdb_demo.py
a termináljáról.
Ez a szkript elindít egy Streamlit webalkalmazást, amely a webböngészőben érhető el. A webalkalmazás URL-címe lekérhető a szkript kimenetéből, amint az a következő képernyőképen látható.
Az alkalmazás elfogadja az új keresési karakterláncokat, a találatok számát és az ajánlások számát. A találatok száma megfelel annak, hogy hány egyező OOC címet kell lekérnünk a külső (IMDb) katalógusból. Az ajánlások száma megfelel annak, hogy a kNN beágyazási keresés alapján hány legközelebbi szomszédot kell lekérnünk az ügyfélkatalógusból. Lásd a következő kódot:
Ez a bemenet (lekérdezés, találatok száma és ajánlások) átadásra kerül a **-ReadFromOpenSearchLambda-**
Az AWS CDK által az API-átjáró kérésén keresztül létrehozott lambda-függvény. Ez a következő függvényben történik:
Az OpenSearch szolgáltatásból származó Lambda-függvény kimeneti eredményei átadásra kerülnek az API-átjárónak, és megjelennek a Streamlit alkalmazásban.
Tisztítsuk meg
A paranccsal törölheti az AWS CDK által létrehozott összes erőforrást npx cdk destroy –app “python3 appy.py” --all
ugyanabban az esetben (a cdk
mappa), amelyet a verem elindításához használtak (lásd a következő képernyőképet).
Következtetés
Ebben a bejegyzésben megmutattuk, hogyan hozhat létre megoldást az OOC kereséshez szöveges és kNN-alapú kereséshez a SageMaker és az OpenSearch szolgáltatás segítségével. Egyéni tudásgráf-modell beágyazásokkal kereste meg a katalógusában az IMDb-címekhez legközelebbi szomszédokat. Mostantól például rákereshet a „The Rings of Power” nevű fantasy sorozatra, amelyet az Amazon Prime Video fejlesztett ki más streaming platformokon, és megindíthatja, hogyan optimalizálhatták volna a keresési eredményt.
Az ebben a bejegyzésben található kódmintával kapcsolatos további információkért lásd a GitHub repo. Ha többet szeretne megtudni az Amazon ML Solutions Laborral való együttműködésről hasonló korszerű ML-alkalmazások létrehozásához, lásd: Amazon Machine Learning Solutions Lab. Az IMDb-adatkészletek licencelésével kapcsolatos további információkért látogasson el a webhelyre developer.imdb.com.
A szerzőkről
Divya Bhargavi Data Scientist és Media and Entertainment vertikális vezető az Amazon ML Solutions Labnál, ahol nagy értékű üzleti problémákat old meg az AWS-ügyfelek számára a Machine Learning segítségével. Kép/videó megértéssel, tudásgrafikon ajánlórendszerekkel, prediktív hirdetéshasználati esetekkel foglalkozik.
Gaurav Rele adattudós az Amazon ML Solution Labnál, ahol az AWS-ügyfelekkel dolgozik különböző ágazatokban, hogy felgyorsítsa a gépi tanulás és az AWS felhőszolgáltatások használatát üzleti kihívásaik megoldása érdekében.
Matthew Rhodes adatkutató, az Amazon ML Solutions Lab-ban dolgozom. Olyan gépi tanulási folyamatok építésére specializálódott, amelyek olyan fogalmakat foglalnak magukban, mint a Natural Language Processing és a Computer Vision.
Karan Sindwani az Amazon ML Solutions Lab adatkutatója, ahol mély tanulási modelleket épít és telepít. Szakterülete a számítógépes látás. Szabadidejében szívesen túrázik.
Soji Adeshina Alkalmazott tudós az AWS-nél, ahol gráf-neurális hálózat alapú modelleket fejleszt gépi tanuláshoz gráffeladatokon, csalással és visszaélésekkel, tudásgráfokkal, ajánlórendszerekkel és élettudományokkal kapcsolatos alkalmazásokkal. Szabadidejében szívesen olvas és főz.
Vidya Sagar Ravipati az Amazon ML Solutions Lab menedzsere, ahol a nagyszabású elosztott rendszerek terén szerzett hatalmas tapasztalatát és a gépi tanulás iránti szenvedélyét hasznosítja, hogy segítse az AWS ügyfeleit a különböző iparágakban az AI és a felhő alkalmazásának felgyorsításában.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- Platoblockchain. Web3 metaverzum intelligencia. Felerősített tudás. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/power-recommendations-and-search-using-an-imdb-knowledge-graph-part-3/
- 1
- 10
- 100
- 11
- 116
- 7
- 9
- a
- Rólunk
- visszaélés
- gyorsul
- elfogadja
- igénybe vett
- át
- aktív
- További
- Ezen kívül
- Hozzáteszi
- Örökbefogadás
- Hirdetés
- AI
- Minden termék
- amazon
- Amazon ML Solutions Lab
- Amazon Neptun
- Amazon Neptune ML
- Amazon OpenSearch szolgáltatás
- Amazon SageMaker
- analitika
- és a
- api
- app
- Alkalmazás
- alkalmazások
- alkalmazott
- alkalmaz
- megközelítés
- építészet
- TERÜLET
- társult
- Automatizált
- elérhetőség
- elérhető
- AWS
- AWS adatcsere
- alapján
- mert
- BEST
- között
- Billió
- Doboz
- jegyiroda
- böngésző
- épít
- Épület
- épít
- üzleti
- képességek
- esetek
- katalógus
- kihívások
- A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a
- vásárló
- felhő
- felhő elfogadása
- felhő szolgáltatások
- Fürt
- kód
- együttműködő
- kombinált
- Companies
- vállalat
- Társaságé
- teljes
- Befejezett
- számítógép
- Számítógépes látás
- fogalmak
- Konzol
- állandóan
- tartalmaz
- tartalom
- megfelel
- tudott
- országok
- teremt
- készítette
- létrehozása
- teremtés
- Credits
- Jelenlegi
- Jelenleg
- szokás
- vevő
- Ügyfél-elkötelezettség
- Ügyfelek
- dátum
- Adatcsere
- adattudós
- adatbázisok
- adatkészletek
- mély
- mély tanulás
- bizonyítani
- igazolták
- telepíteni
- bevezetéséhez
- bevet
- Származtatott
- leírt
- elpusztítani
- Érzékelés
- fejlett
- Fejlesztés
- fejleszt
- különböző
- közvetlen
- közvetlenül
- felfedezés
- tárgyalt
- megosztott
- elosztott rendszerek
- dokumentum
- dokumentumfilm
- Nem
- domain
- minden
- könnyebb
- lehetővé
- eljegyzés
- fokozott
- belép
- belép
- Szórakozás
- Szervezetek
- Környezet
- esemény
- EVER
- példa
- csere
- tapasztalat
- feltárása
- külső
- külön-
- néző
- bizalmasság
- FANTÁZIA
- Ábra
- filé
- Fájlok
- Találjon
- leletek
- vezetéknév
- áramlási
- következő
- következik
- talált
- csalás
- csalások felderítése
- gyakori
- gyakran
- ból ből
- teljesen
- funkció
- funkciós
- funkcionalitás
- funkciók
- gateway
- generál
- kap
- Globális
- grafikon
- grafikonok
- fogantyú
- fejlécek
- segít
- Találat
- Találat
- Hogyan
- How To
- HTML
- HTTPS
- Több száz
- kép
- végre
- végre
- javul
- in
- Beleértve
- Növelje
- index
- indexek
- indexek
- ipar
- információ
- bemenet
- telepíteni
- példa
- helyette
- kölcsönhatás
- interaktív
- Felület
- vonja
- IT
- tételek
- Kulcs
- tudás
- Tudás Graph
- labor
- nyelv
- nagy
- nagyarányú
- legutolsó
- indít
- elindítja
- réteg
- vezet
- TANUL
- tanulás
- kihasználja
- könyvtár
- Engedély
- Engedélyezés
- élet
- Life Sciences
- Korlátozott
- Lista
- kiszámításának
- helyi
- gép
- gépi tanulás
- KÉSZÍT
- sikerült
- vezetés
- menedzser
- kézzel
- sok
- térkép
- térképészet
- Térképek
- jel
- Mérkőzés
- egyező
- Média
- Partnerek
- említett
- egyesülő
- Metaadatok
- millió
- Perc
- ML
- modell
- modellek
- ellenőrizni
- ellenőrzés
- Hónap
- több
- film
- Filmek
- többszörös
- Természetes
- Természetes nyelvi feldolgozás
- szomszédok
- Neptun
- hálózati alapú
- hálózatok
- neurális hálózatok
- Új
- csomópont
- szám
- kapott
- Ajánlatok
- Office
- ONE
- nyitva
- nyílt forráskódú
- Művelet
- optimalizált
- érdekében
- OS
- Más
- csomag
- rész
- Elmúlt
- szenvedély
- ösvény
- Teljesít
- Előadja
- placeholder
- emelvény
- Platformok
- Plató
- Platón adatintelligencia
- PlatoData
- kérem
- állás
- hatalom
- powered
- gyakorlat
- miniszterelnök
- Készít
- be
- elsődleges
- Első
- Plakátok
- problémák
- folyamat
- Feldolgozott
- feldolgozás
- Termékek
- Termelés
- biztosít
- ellátás
- Vásárlás
- célokra
- Piton
- hatótávolság
- értékelés
- Olvasás
- kész
- real-time
- ok
- Ajánlást
- ajánlások
- relevancia
- válasz
- Jelentő
- raktár
- kérni
- kéri
- kötelező
- forrás
- Tudástár
- válasz
- REST
- eredményez
- Eredmények
- visszatartás
- visszatérés
- Visszatér
- futás
- futás
- sagemaker
- azonos
- Megtakarítás
- forgatókönyvek
- TUDOMÁNYOK
- Tudós
- Keresés
- szakaszok
- biztonság
- biztonság
- Series of
- szolgáltatás
- Szolgáltatások
- készlet
- beállítás
- beállítások
- kellene
- mutatott
- Műsorok
- hasonló
- hasonlóságok
- Egyszerű
- egyszerűsített
- egyetlen
- helyzetek
- megoldások
- Megoldások
- SOLVE
- Megoldja
- néhány
- forrás
- Hely
- specializálódott
- különleges
- osztott
- verem
- kezdet
- kezdődött
- csúcs-
- Lépései
- tárolás
- memorizált
- Történet
- folyó
- alhálózati
- ilyen
- kíséret
- támogatás
- Systems
- Vesz
- tart
- feladatok
- technikák
- terminál
- A
- A terület
- az ízület
- azok
- ezáltal
- ezer
- három
- Keresztül
- idő
- Cím
- címei
- nak nek
- felső
- Vonat
- kiképzett
- Átalakítás
- billió
- tv
- tipikus
- alatt
- megértés
- Feltöltés
- URL
- használ
- használó
- felhasználói felület
- kihasználva
- fajta
- Hatalmas
- gyártók
- függőlegesek
- videó
- Megnézem
- Tényleges
- látomás
- megjelenítés
- háló
- webalkalmazás
- webböngésző
- weboldal
- ami
- széles
- Széleskörű
- lesz
- belül
- szó
- szavak
- dolgozó
- művek
- lenne
- te
- A te
- zephyrnet
- zónák