Các tổ chức liên tục đầu tư thời gian và nỗ lực vào việc phát triển các giải pháp đề xuất thông minh để cung cấp nội dung phù hợp và tùy chỉnh cho người dùng của họ. Có thể có nhiều mục tiêu: chuyển đổi trải nghiệm người dùng, tạo tương tác có ý nghĩa và thúc đẩy mức tiêu thụ nội dung. Một số giải pháp này sử dụng các mô hình máy học (ML) phổ biến được xây dựng dựa trên các mẫu tương tác lịch sử, thuộc tính nhân khẩu học của người dùng, điểm tương đồng của sản phẩm và hành vi nhóm. Bên cạnh những thuộc tính này, ngữ cảnh (chẳng hạn như thời tiết, vị trí, v.v.) tại thời điểm tương tác có thể ảnh hưởng đến quyết định của người dùng trong khi điều hướng nội dung.
Trong bài đăng này, chúng tôi chỉ ra cách sử dụng loại thiết bị hiện tại của người dùng làm ngữ cảnh để nâng cao hiệu quả của bạn Cá nhân hóa Amazon-dựa trên khuyến nghị. Ngoài ra, chúng tôi chỉ ra cách sử dụng ngữ cảnh đó để lọc động các đề xuất. Mặc dù bài đăng này cho thấy cách Amazon Personalize có thể được sử dụng cho trường hợp sử dụng video theo yêu cầu (VOD), nhưng điều đáng chú ý là Amazon Personalize có thể được sử dụng trong nhiều ngành.
Amazon Cá nhân hóa là gì?
Amazon Personalize cho phép các nhà phát triển xây dựng các ứng dụng được hỗ trợ bởi cùng một loại công nghệ ML được Amazon.com sử dụng để đưa ra các đề xuất được cá nhân hóa theo thời gian thực. Amazon Personalize có khả năng cung cấp nhiều trải nghiệm cá nhân hóa, bao gồm đề xuất sản phẩm cụ thể, xếp hạng lại sản phẩm được cá nhân hóa và tiếp thị trực tiếp tùy chỉnh. Ngoài ra, với tư cách là một dịch vụ AI được quản lý hoàn toàn, Amazon Personalize tăng tốc quá trình chuyển đổi kỹ thuật số của khách hàng bằng ML, giúp việc tích hợp các đề xuất được cá nhân hóa vào các trang web, ứng dụng, hệ thống tiếp thị qua email hiện có, v.v. trở nên dễ dàng hơn.
Tại sao ngữ cảnh lại quan trọng?
Việc sử dụng siêu dữ liệu theo ngữ cảnh của người dùng chẳng hạn như vị trí, thời gian trong ngày, loại thiết bị và thời tiết mang lại trải nghiệm được cá nhân hóa cho người dùng hiện tại và giúp cải thiện giai đoạn bắt đầu nguội cho người dùng mới hoặc người dùng chưa xác định. Các giai đoạn khởi động nguội đề cập đến khoảng thời gian mà công cụ đề xuất của bạn cung cấp các đề xuất không được cá nhân hóa do thiếu thông tin lịch sử về người dùng đó. Trong những trường hợp có các yêu cầu khác để lọc và quảng bá các mục (chẳng hạn như tin tức và thời tiết), việc thêm ngữ cảnh hiện tại của người dùng (mùa hoặc thời gian trong ngày) sẽ giúp cải thiện độ chính xác bằng cách bao gồm và loại trừ các đề xuất.
Hãy lấy ví dụ về một nền tảng VOD giới thiệu các chương trình, phim tài liệu và phim cho người dùng. Dựa trên phân tích hành vi, chúng tôi biết người dùng VOD có xu hướng sử dụng nội dung có thời lượng ngắn hơn như phim sitcom trên thiết bị di động và nội dung dài hơn như phim trên TV hoặc máy tính để bàn của họ.
Tổng quan về giải pháp
Mở rộng ví dụ về việc xem xét loại thiết bị của người dùng, chúng tôi trình bày cách cung cấp thông tin này dưới dạng ngữ cảnh để Amazon Personalize có thể tự động tìm hiểu ảnh hưởng của thiết bị của người dùng đối với các loại nội dung ưa thích của họ.
Chúng tôi tuân theo mẫu kiến trúc được minh họa trong sơ đồ sau để minh họa cách ngữ cảnh có thể tự động được chuyển đến Amazon Personalize. Tự động dẫn xuất ngữ cảnh đạt được thông qua Amazon CloudFront các tiêu đề được bao gồm trong các yêu cầu, chẳng hạn như API REST trong Cổng API Amazon cái đó gọi một AWS Lambda chức năng truy xuất các đề xuất. Tham khảo ví dụ mã đầy đủ có sẵn tại của chúng tôi Kho GitHub. chúng tôi cung cấp một Hình thành đám mây AWS mẫu để tạo các tài nguyên cần thiết.
Trong các phần sau, chúng tôi sẽ hướng dẫn cách thiết lập từng bước của mẫu kiến trúc mẫu.
Chọn một công thức
Công thức là các thuật toán Amazon Personalize được chuẩn bị cho các trường hợp sử dụng cụ thể. Amazon Personalize cung cấp các công thức dựa trên các trường hợp sử dụng phổ biến cho các mô hình đào tạo. Đối với trường hợp sử dụng của chúng tôi, chúng tôi xây dựng một đề xuất tùy chỉnh Amazon Personalize đơn giản bằng cách sử dụng công thức Cá nhân hóa người dùng. Nó dự đoán các mục mà người dùng sẽ tương tác dựa trên bộ dữ liệu tương tác. Ngoài ra, công thức này cũng sử dụng các mục và bộ dữ liệu người dùng để tác động đến các đề xuất, nếu được cung cấp. Để tìm hiểu thêm về cách thức hoạt động của công thức này, hãy tham khảo Công thức cá nhân hóa người dùng.
Tạo và nhập tập dữ liệu
Việc tận dụng ngữ cảnh yêu cầu chỉ định giá trị ngữ cảnh với các tương tác để người giới thiệu có thể sử dụng ngữ cảnh làm tính năng khi đào tạo mô hình. Chúng tôi cũng phải cung cấp bối cảnh hiện tại của người dùng tại thời điểm suy luận. Lược đồ tương tác (xem mã sau) xác định cấu trúc của dữ liệu tương tác giữa người dùng với các mặt hàng trong lịch sử và thời gian thực. Các USER_ID
, ITEM_ID
và TIMESTAMP
các trường được yêu cầu bởi Amazon Personalize cho tập dữ liệu này. DEVICE_TYPE
là một trường phân loại tùy chỉnh mà chúng tôi đang thêm vào ví dụ này để nắm bắt ngữ cảnh hiện tại của người dùng và đưa nó vào đào tạo mô hình. Amazon Personalize sử dụng bộ dữ liệu tương tác này để đào tạo các mô hình và tạo các chiến dịch đề xuất.
Tương tự, lược đồ mặt hàng (xem mã sau) xác định cấu trúc của dữ liệu danh mục sản phẩm và video. Các ITEM_ID
được yêu cầu bởi Amazon Personalize cho bộ dữ liệu này. CREATION_TIMESTAMP
là một tên cột dành riêng nhưng nó không bắt buộc. GENRE
và ALLOWED_COUNTRIES
là các trường tùy chỉnh mà chúng tôi đang thêm vào ví dụ này để nắm bắt thể loại của video và các quốc gia nơi video được phép phát. Amazon Personalize sử dụng bộ dữ liệu mặt hàng này để đào tạo các mô hình và tạo các chiến dịch đề xuất.
Trong bối cảnh của chúng tôi, dữ liệu lịch sử đề cập đến lịch sử tương tác của người dùng cuối với video và vật phẩm trên nền tảng VOD. Dữ liệu này thường được thu thập và lưu trữ trong cơ sở dữ liệu của ứng dụng.
Đối với mục đích minh họa, chúng tôi sử dụng thư viện Faker của Python để tạo một số dữ liệu thử nghiệm mô phỏng tập dữ liệu tương tác với các mặt hàng, người dùng và loại thiết bị khác nhau trong khoảng thời gian 3 tháng. Sau khi lược đồ và vị trí tệp tương tác đầu vào được xác định, các bước tiếp theo là tạo nhóm tập dữ liệu, bao gồm tập dữ liệu tương tác trong nhóm tập dữ liệu và cuối cùng nhập dữ liệu đào tạo vào tập dữ liệu, như được minh họa trong đoạn mã sau:
Thu thập dữ liệu lịch sử và huấn luyện mô hình
Trong bước này, chúng tôi xác định công thức đã chọn và tạo một giải pháp và phiên bản giải pháp đề cập đến nhóm tập dữ liệu đã xác định trước đó. Khi bạn tạo một giải pháp tùy chỉnh, bạn chỉ định một công thức và định cấu hình các tham số đào tạo. Khi bạn tạo phiên bản giải pháp cho giải pháp, Amazon Personalize đào tạo mô hình sao lưu phiên bản giải pháp dựa trên công thức và cấu hình đào tạo. Xem đoạn mã sau:
Tạo điểm cuối chiến dịch
Sau khi bạn đào tạo mô hình của mình, bạn triển khai nó thành một chiến dịch. Chiến dịch tạo và quản lý điểm cuối tự động thay đổi quy mô cho mô hình được đào tạo của bạn mà bạn có thể sử dụng để nhận các đề xuất được cá nhân hóa bằng cách sử dụng GetRecommendations
API. Ở bước sau, chúng tôi sử dụng điểm cuối chiến dịch này để tự động chuyển loại thiết bị dưới dạng ngữ cảnh dưới dạng tham số và nhận các đề xuất được cá nhân hóa. Xem đoạn mã sau:
Tạo bộ lọc động
Khi nhận được đề xuất từ chiến dịch đã tạo, bạn có thể lọc kết quả dựa trên tiêu chí tùy chỉnh. Ví dụ của chúng tôi, chúng tôi tạo một bộ lọc để đáp ứng yêu cầu đề xuất các video chỉ được phép phát từ quốc gia hiện tại của người dùng. Thông tin quốc gia được truyền động từ tiêu đề HTTP CloudFront.
Tạo một hàm Lambda
Bước tiếp theo trong kiến trúc của chúng tôi là tạo một hàm Lambda để xử lý các yêu cầu API đến từ bản phân phối CloudFront và phản hồi bằng cách gọi điểm cuối chiến dịch Amazon Personalize. Trong hàm Lambda này, chúng tôi xác định logic để phân tích các tiêu đề HTTP và tham số chuỗi truy vấn của yêu cầu CloudFront sau đây để xác định loại thiết bị của người dùng và ID người dùng tương ứng:
CloudFront-Is-Desktop-Viewer
CloudFront-Is-Mobile-Viewer
CloudFront-Is-SmartTV-Viewer
CloudFront-Is-Tablet-Viewer
CloudFront-Viewer-Country
Mã để tạo chức năng này được triển khai thông qua mẫu CloudFormation.
Tạo API REST
Để chức năng Lambda và điểm cuối chiến dịch Cá nhân hóa Amazon có thể truy cập được vào bản phân phối CloudFront, chúng tôi tạo một điểm cuối API REST được thiết lập làm proxy Lambda. API Gateway cung cấp các công cụ để tạo và ghi lại các API định tuyến các yêu cầu HTTP đến các hàm Lambda. Tính năng tích hợp proxy Lambda cho phép CloudFront gọi một hàm Lambda duy nhất để trừu tượng hóa các yêu cầu tới điểm cuối chiến dịch Amazon Personalize. Mã để tạo chức năng này được triển khai thông qua mẫu CloudFormation.
Tạo bản phân phối CloudFront
Khi tạo bản phân phối CloudFront, vì đây là thiết lập minh họa nên chúng tôi vô hiệu hóa bộ nhớ đệm bằng cách sử dụng chính sách bộ nhớ đệm tùy chỉnh, đảm bảo yêu cầu luôn được chuyển đến nguồn gốc. Ngoài ra, chúng tôi sử dụng chính sách yêu cầu gốc chỉ định các tiêu đề HTTP bắt buộc và tham số chuỗi truy vấn được bao gồm trong yêu cầu gốc. Mã để tạo chức năng này được triển khai thông qua mẫu CloudFormation.
Đề xuất thử nghiệm
Khi URL của bản phân phối CloudFront được truy cập từ các thiết bị khác nhau (máy tính để bàn, máy tính bảng, điện thoại, v.v.), chúng tôi có thể thấy các đề xuất video được cá nhân hóa phù hợp nhất với thiết bị của họ. Ngoài ra, nếu người dùng lạnh được trình bày, các đề xuất phù hợp với thiết bị của người dùng sẽ được trình bày. Trong các đầu ra mẫu sau đây, tên của video chỉ được sử dụng để thể hiện thể loại và thời gian chạy của chúng nhằm làm cho video dễ liên quan.
Trong đoạn mã sau, một người dùng đã biết yêu thích hài kịch dựa trên các tương tác trong quá khứ và đang truy cập từ thiết bị điện thoại được giới thiệu các bộ phim sitcom ngắn hơn:
Người dùng đã biết sau đây được xem phim truyện khi truy cập từ thiết bị TV thông minh dựa trên các tương tác trước đây:
Một người dùng lạnh lùng (không xác định) truy cập từ điện thoại được hiển thị các chương trình ngắn hơn nhưng phổ biến:
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
Một người dùng lạnh lùng (không xác định) truy cập từ máy tính để bàn được giới thiệu các bộ phim tài liệu và khoa học viễn tưởng hàng đầu:
Người dùng đã biết sau đây truy cập từ điện thoại đang trả lại các đề xuất được lọc dựa trên vị trí (Hoa Kỳ):
Kết luận
Trong bài đăng này, chúng tôi đã mô tả cách sử dụng loại thiết bị của người dùng làm dữ liệu theo ngữ cảnh để làm cho đề xuất của bạn phù hợp hơn. Sử dụng siêu dữ liệu theo ngữ cảnh để đào tạo các mô hình Amazon Personalize sẽ giúp bạn đề xuất các sản phẩm phù hợp với cả người dùng mới và người dùng hiện tại, không chỉ từ dữ liệu hồ sơ mà còn từ nền tảng thiết bị duyệt web. Không chỉ vậy, ngữ cảnh như vị trí (quốc gia, thành phố, khu vực, mã bưu chính) và thời gian (ngày trong tuần, cuối tuần, ngày trong tuần, mùa) mở ra cơ hội đưa ra đề xuất phù hợp với người dùng. Bạn có thể chạy ví dụ mã đầy đủ bằng cách sử dụng mẫu CloudFormation được cung cấp trong Kho GitHub và sao chép sổ ghi chép vào Xưởng sản xuất Amazon SageMaker.
Về các tác giả
Gilles-Kuessan Satchivi là một Kiến trúc sư giải pháp doanh nghiệp của AWS có kiến thức nền tảng về mạng, cơ sở hạ tầng, bảo mật và hoạt động CNTT. Anh ấy đam mê giúp khách hàng xây dựng các hệ thống Kiến trúc tối ưu trên AWS. Trước khi gia nhập AWS, anh ấy đã làm việc trong lĩnh vực thương mại điện tử 17 năm. Ngoài công việc, anh ấy thích dành thời gian cho gia đình và cổ vũ cho đội bóng đá trẻ em của mình.
Aditya Pendyala là Kiến trúc sư giải pháp cấp cao tại AWS có trụ sở tại NYC. Ông có nhiều kinh nghiệm trong việc kiến trúc các ứng dụng dựa trên đám mây. Anh ấy hiện đang làm việc với các doanh nghiệp lớn để giúp họ xây dựng các kiến trúc đám mây có khả năng mở rộng cao, linh hoạt và linh hoạt, đồng thời hướng dẫn họ về đám mây vạn vật. Anh ấy có bằng Thạc sĩ Khoa học về Khoa học Máy tính của Đại học Shippensburg và tin vào câu nói “Khi bạn ngừng học hỏi, bạn ngừng phát triển”.
Prabhakar Chandrasekaran là Người quản lý tài khoản kỹ thuật cao cấp với AWS Enterprise Support. Prabhakar thích giúp khách hàng xây dựng các giải pháp AI/ML tiên tiến trên đám mây. Anh cũng làm việc với các khách hàng doanh nghiệp để cung cấp hướng dẫn chủ động và hỗ trợ vận hành, giúp họ nâng cao giá trị của các giải pháp khi sử dụng AWS. Prabhakar có sáu chứng chỉ AWS và sáu chứng chỉ chuyên môn khác. Với hơn 20 năm kinh nghiệm chuyên môn, Prabhakar là kỹ sư dữ liệu và là người lãnh đạo chương trình trong lĩnh vực dịch vụ tài chính trước khi gia nhập AWS.
- Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
- PlatoData.Network Vertical Generative Ai. Trao quyền cho chính mình. Truy cập Tại đây.
- PlatoAiStream. Thông minh Web3. Kiến thức khuếch đại. Truy cập Tại đây.
- Trung tâmESG. Ô tô / Xe điện, Than đá, công nghệ sạch, Năng lượng, Môi trường Hệ mặt trời, Quản lý chất thải. Truy cập Tại đây.
- BlockOffsets. Hiện đại hóa quyền sở hữu bù đắp môi trường. Truy cập Tại đây.
- nguồn: https://aws.amazon.com/blogs/machine-learning/recommend-and-dynamically-filter-items-based-on-user-context-in-amazon-personalize/
- : có
- :là
- :không phải
- :Ở đâu
- $ LÊN
- 1
- 10
- 100
- 11
- 12
- 160
- 17
- 20
- 20 năm
- 22
- 220
- 23
- 24
- 420
- 7
- 9
- a
- Giới thiệu
- tăng tốc
- truy cập
- có thể truy cập
- truy cập
- Tài khoản
- chính xác
- đạt được
- ngang qua
- Hoạt động
- thêm
- Ngoài ra
- Ngoài ra
- Lợi thế
- Sau
- AI
- AI / ML
- thuật toán
- Tất cả
- cho phép
- Ngoài ra
- Mặc dù
- đàn bà gan dạ
- Cá nhân hóa Amazon
- Amazon Web Services
- Amazon.com
- an
- phân tích
- phân tích
- và
- api
- API
- các ứng dụng
- kiến trúc
- LÀ
- Mảng
- AS
- Hỗ trợ
- At
- thuộc tính
- tự động
- có sẵn
- AWS
- lý lịch
- ủng hộ
- dựa
- BE
- bởi vì
- trước
- tin
- ngoài ra
- cả hai
- Duyệt
- xây dựng
- xây dựng
- nhưng
- by
- cuộc gọi
- Cuộc gọi
- Chiến dịch
- Chiến dịch
- CAN
- có khả năng
- nắm bắt
- trường hợp
- trường hợp
- Danh mục hàng
- chứng chỉ
- lựa chọn
- City
- đám mây
- mã
- lạnh
- Cột
- COM
- Phim hài
- đến
- Chung
- máy tính
- Khoa học Máy tính
- Cấu hình
- xem xét
- ăn
- tiêu thụ
- nội dung
- bối cảnh
- theo ngữ cảnh
- liên tục
- nước
- đất nước
- nghề
- tạo
- tạo ra
- tạo ra
- Tạo
- tiêu chuẩn
- Current
- Hiện nay
- khách hàng
- khách hàng
- khách hàng
- tùy chỉnh
- tiên tiến
- dữ liệu
- Cơ sở dữ liệu
- bộ dữ liệu
- ngày
- quyết định
- xác định
- Xác định
- Bằng cấp
- phân phối
- Nhu cầu
- bản demo
- nhân khẩu học
- triển khai
- triển khai
- mô tả
- máy tính để bàn
- Xác định
- phát triển
- phát triển
- thiết bị
- Thiết bị (Devices)
- khác nhau
- kỹ thuật số
- trực tiếp
- phân phối
- phim tài liệu
- tài liệu
- lái xe
- hai
- năng động
- năng động
- mỗi
- dễ dàng hơn
- thương mại điện tử
- hiệu quả
- nỗ lực
- Email Marketing
- cho phép
- Điểm cuối
- Động cơ
- ky sư
- nâng cao
- đảm bảo
- Doanh nghiệp
- doanh nghiệp
- Mỗi
- ví dụ
- loại trừ
- hiện tại
- kinh nghiệm
- Kinh nghiệm
- mở rộng
- Trải nghiệm sâu sắc
- gia đình
- Đặc tính
- Tính năng
- Tiểu thuyết
- lĩnh vực
- Lĩnh vực
- Tập tin
- phim
- lọc
- Cuối cùng
- tài chính
- dịch vụ tài chính
- linh hoạt
- theo
- tiếp theo
- Trong
- từ
- Full
- đầy đủ
- chức năng
- chức năng
- cửa ngõ
- tập hợp
- tạo ra
- được
- nhận được
- Các mục tiêu
- Đi
- Nhóm
- Phát triển
- hướng dẫn
- Hướng dẫn
- Có
- he
- tiêu đề
- giúp đỡ
- giúp đỡ
- giúp
- cao
- của mình
- lịch sử
- lịch sử
- giữ
- kinh dị
- Độ đáng tin của
- Hướng dẫn
- HTML
- http
- HTTPS
- ID
- if
- nhập khẩu
- quan trọng
- nâng cao
- in
- bao gồm
- bao gồm
- Bao gồm
- các ngành công nghiệp
- ảnh hưởng
- thông tin
- Cơ sở hạ tầng
- đầu vào
- tích hợp
- hội nhập
- Thông minh
- tương tác
- tương tác
- tương tác
- trong
- đầu tư
- IT
- mặt hàng
- tham gia
- jpg
- chỉ
- Biết
- nổi tiếng
- Thiếu sót
- lớn
- Doanh nghiệp lớn
- một lát sau
- lãnh đạo
- LEARN
- học tập
- Thư viện
- Lượt thích
- Lượt thích
- địa điểm thư viện nào
- logic
- dài
- yêu
- máy
- học máy
- làm cho
- Làm
- quản lý
- giám đốc
- quản lý
- nhiều
- Marketing
- chủ
- có ý nghĩa
- Siêu dữ liệu
- ML
- di động
- thiết bị di động
- kiểu mẫu
- mô hình
- chi tiết
- hầu hết
- Phim Điện Ảnh
- nhiều
- Trinh thám
- tên
- tên
- điều hướng
- cần thiết
- mạng lưới
- Mới
- tin tức
- tiếp theo
- Lưu ý
- NYC
- of
- on
- có thể
- mở ra
- hoạt động
- Hoạt động
- Cơ hội
- or
- nguồn gốc
- Nền tảng khác
- vfoXNUMXfipXNUMXhfpiXNUMXufhpiXNUMXuf
- ra
- bên ngoài
- kết thúc
- tham số
- thông số
- vượt qua
- thông qua
- đam mê
- qua
- Họa tiết
- mô hình
- thời gian
- cá nhân
- cá nhân
- Cá nhân
- giai đoạn
- điện thoại
- nền tảng
- plato
- Thông tin dữ liệu Plato
- PlatoDữ liệu
- chơi
- điều luật
- Phổ biến
- Bài đăng
- bưu chính
- -
- Dự đoán
- ưa thích
- chuẩn bị
- trình bày
- trước đây
- Trước khi
- Chủ động
- quá trình
- Sản phẩm
- Sản phẩm
- chuyên nghiệp
- Hồ sơ
- chương trình
- thúc đẩy
- cho
- cung cấp
- cung cấp
- cung cấp
- Proxy
- mục đích
- trích dẫn
- thời gian thực
- nhận
- công thức
- giới thiệu
- Khuyến nghị
- khuyến nghị
- đề nghị
- ghi
- đề cập
- về
- khu
- có liên quan
- đại diện
- yêu cầu
- yêu cầu
- cần phải
- yêu cầu
- Yêu cầu
- đòi hỏi
- Ltd
- đàn hồi
- Thông tin
- tương ứng
- Trả lời
- REST của
- Kết quả
- trở về
- Route
- chạy
- nhà làm hiền triết
- tương tự
- nói
- khả năng mở rộng
- Khoa học
- Khoa học giả tưởng
- Mùa
- phần
- an ninh
- xem
- cao cấp
- phục vụ
- dịch vụ
- DỊCH VỤ
- định
- thiết lập
- hiển thị
- thể hiện
- Chương trình
- tương
- Đơn giản
- duy nhất
- tình huống
- Six
- thông minh
- TV thông minh
- So
- Bóng đá
- giải pháp
- Giải pháp
- một số
- Không gian
- riêng
- tiêu
- Bước
- Các bước
- lưu trữ
- Chuỗi
- cấu trúc
- như vậy
- hỗ trợ
- hệ thống
- Máy tính bảng
- phù hợp
- Hãy
- nhóm
- Kỹ thuật
- Công nghệ
- mẫu
- thử nghiệm
- việc này
- Sản phẩm
- cung cấp their dịch
- Them
- Đó
- Kia là
- điều
- điều này
- Thông qua
- thời gian
- dấu thời gian
- đến
- công cụ
- hàng đầu
- Train
- đào tạo
- Hội thảo
- tàu hỏa
- Chuyển đổi
- biến đổi
- đúng
- tv
- kiểu
- loại
- trường đại học
- không xác định
- URL
- us
- sử dụng
- ca sử dụng
- đã sử dụng
- người sử dang
- Kinh nghiệm người dùng
- Người sử dụng
- sử dụng
- sử dụng
- thường
- giá trị
- Các giá trị
- phiên bản
- Video
- video theo yêu cầu
- Video
- là
- we
- Thời tiết
- web
- các dịch vụ web
- trang web
- tuần
- cuối tuần
- khi nào
- trong khi
- CHÚNG TÔI LÀ
- rộng
- sẽ
- với
- ở trong
- Công việc
- làm việc
- đang làm việc
- công trinh
- giá trị
- năm
- Bạn
- trên màn hình
- zephyrnet