በአስተያየቶች ምርጫ ጥራት እና ፍጥነት ላይ እንዴት እንደምንሰራ

ስሜ ፓቬል ፓርክሆመንኮ ነው፣ እኔ የML ገንቢ ነኝ። በዚህ ጽሑፍ ውስጥ ስለ Yandex.Zen አገልግሎት አወቃቀር መነጋገር እና ቴክኒካዊ ማሻሻያዎችን ማካፈል እፈልጋለሁ, አተገባበሩም ምክሮችን ጥራት ለመጨመር አስችሏል. ከዚህ ልኡክ ጽሁፍ በጥቂት ሚሊሰከንዶች ውስጥ በሚሊዮኖች ከሚቆጠሩ ሰነዶች መካከል ለተጠቃሚው በጣም አስፈላጊ የሆኑትን እንዴት ማግኘት እንደሚችሉ ይማራሉ; አንድ ትልቅ ማትሪክስ (በሚሊዮኖች የሚቆጠሩ ዓምዶች እና በአስር ሚሊዮኖች የሚቆጠሩ ረድፎችን ያካተተ) ቀጣይነት ያለው መበስበስ እንዴት እንደሚሰራ አዳዲስ ሰነዶች በአስር ደቂቃዎች ውስጥ ቬክተርዎቻቸውን እንዲቀበሉ ፣ ለቪዲዮ ጥሩ የቬክተር ውክልና ለማግኘት የተጠቃሚ-አንቀጽ ማትሪክስ መበስበስን እንዴት እንደገና መጠቀም እንደሚቻል።

የእኛ የምክር ዳታቤዝ በሚሊዮኖች የሚቆጠሩ የተለያዩ ቅርጸቶች ሰነዶችን ይዟል፡ የጽሁፍ መጣጥፎች በእኛ መድረክ ላይ የተፈጠሩ እና ከውጫዊ ገፆች፣ ቪዲዮዎች፣ ትረካዎች እና አጫጭር ልጥፎች። የእንደዚህ አይነት አገልግሎት እድገት ከብዙ የቴክኒክ ችግሮች ጋር የተያያዘ ነው. ከእነዚህ ውስጥ ጥቂቶቹ እነሆ፡-

• የሂሳብ ስራዎችን ይከፋፍሉ: ሁሉንም ከባድ ስራዎች ከመስመር ውጭ ያድርጉ እና በእውነተኛ ጊዜ ለ 100-200 ሚ.ሜ ተጠያቂ ለመሆን በፍጥነት ሞዴሎችን ብቻ ያከናውኑ.
• የተጠቃሚ እርምጃዎችን በፍጥነት ግምት ውስጥ ያስገቡ። ይህንን ለማድረግ ሁሉም ዝግጅቶች ወዲያውኑ ወደ አማካሪው እንዲደርሱ እና በአምሳያው ውጤቶች ላይ ተጽእኖ ማሳደር አስፈላጊ ነው.
• ምግቡን ለአዲስ ተጠቃሚዎች በፍጥነት ከባህሪያቸው ጋር እንዲላመድ ያድርጉ። አሁን ስርዓቱን የተቀላቀሉ ሰዎች አስተያየታቸው ምክሮች ላይ ተጽዕኖ እንደሚያሳድር ሊሰማቸው ይገባል።
• አዲስ ጽሑፍ ለማን እንደሚመከር በፍጥነት ይረዱ።
• ለአዲስ ይዘት የማያቋርጥ ብቅ ማለት በፍጥነት ምላሽ ይስጡ። በየቀኑ በአስር ሺዎች የሚቆጠሩ መጣጥፎች ይታተማሉ፣ እና ብዙዎቹ የህይወት ዘመናቸው የተገደበ ነው ( ዜና ይበሉ)። ከፊልሞች፣ ሙዚቃዎች እና ሌሎች ረጅም ዕድሜ እና ውድ ይዘትን ለመፍጠር የሚለያቸው ይህ ነው።
• እውቀትን ከአንድ ጎራ ወደ ሌላ ያስተላልፉ። የድጋፍ ስርዓት ለጽሑፍ መጣጥፎች ሞዴሎችን የሰለጠኑ ከሆነ እና በእሱ ላይ ቪዲዮ የምንጨምር ከሆነ አዲሱ የይዘት አይነት በተሻለ ደረጃ እንዲይዝ አሁን ያሉትን ሞዴሎች እንደገና መጠቀም እንችላለን።

እነዚህን ችግሮች እንዴት እንደፈታን እነግርዎታለሁ.

የእጩዎች ምርጫ

በጥቂት ሚሊሰከንዶች ውስጥ በሺዎች በሚቆጠሩ ጊዜያት ግምት ውስጥ ያሉትን የሰነዶች ብዛት እንዴት መቀነስ እንደሚቻል ፣ በእውነቱ የደረጃ ጥራት ላይ ምንም መበላሸት የለም?

ብዙ የኤምኤል ሞዴሎችን አሰልጥነናል፣ በእነሱ ላይ ተመስርተው ባህሪያትን አፍርተናል እና ለተጠቃሚው ሰነዶች ደረጃ የሚሰጥ ሌላ ሞዴል አሰልጥነን እንበል። ሁሉም ነገር ጥሩ ይሆናል, ነገር ግን በእውነተኛ ጊዜ ለሁሉም ሰነዶች ሁሉንም ምልክቶች መውሰድ እና ማስላት አይችሉም, በሚሊዮኖች የሚቆጠሩ እነዚህ ሰነዶች ካሉ እና ምክሮች በ 100-200 ms ውስጥ መገንባት አለባቸው. ተግባሩ በሚሊዮኖች የሚቆጠሩ የተወሰኑ ንዑስ ስብስቦችን መምረጥ ነው, ይህም ለተጠቃሚው ይመደባል. ይህ ደረጃ አብዛኛውን ጊዜ የእጩ ምርጫ ተብሎ ይጠራል. ለእሱ በርካታ መስፈርቶች አሉ. በመጀመሪያ ደረጃ, ምርጫው በጣም በፍጥነት መከናወን አለበት, ስለዚህም በተቻለ መጠን ለደረጃው ራሱ ይቀራል. በሁለተኛ ደረጃ፣ ደረጃ ለመስጠት የሰነዶቹን ብዛት በእጅጉ በመቀነስ፣ በተቻለ መጠን ለተጠቃሚው ተዛማጅ የሆኑ ሰነዶችን ማቆየት አለብን።

የእኛ የእጩ ምርጫ መርሆ ተሻሽሏል፣ እና በአሁኑ ጊዜ ወደ ባለብዙ-ደረጃ እቅድ ደርሰናል፡-

በመጀመሪያ, ሁሉም ሰነዶች በቡድን የተከፋፈሉ ናቸው, እና በጣም ታዋቂ ሰነዶች ከእያንዳንዱ ቡድን ይወሰዳሉ. ቡድኖች ጣቢያዎች፣ ርዕሶች፣ ስብስቦች ሊሆኑ ይችላሉ። ለእያንዳንዱ ተጠቃሚ, በእሱ ታሪክ ላይ በመመስረት, ለእሱ ቅርብ የሆኑ ቡድኖች ተመርጠዋል እና ምርጥ ሰነዶች ከነሱ ይወሰዳሉ. እንዲሁም በእውነተኛ ጊዜ ለተጠቃሚው ቅርብ የሆኑ ሰነዶችን ለመምረጥ የ kNN ኢንዴክስ እንጠቀማለን። የ kNN መረጃ ጠቋሚን ለመገንባት ብዙ ዘዴዎች አሉ ፣ የእኛ በተሻለ ሁኔታ ሰርቷል። HNSW (ተዋረዳዊ ናቪጋብል አነስተኛ የዓለም ግራፎች)። ይህ በጥቂት ሚሊሰከንዶች ውስጥ ከሚሊዮኖች ከሚቆጠሩ የውሂብ ጎታ ለአንድ ተጠቃሚ N የቅርብ ቬክተሮችን እንዲያገኙ የሚያስችልዎ የተዋረድ ሞዴል ነው። መጀመሪያ መላውን የሰነድ ዳታቤዝ ከመስመር ውጭ እንጠቁማለን። በመረጃ ጠቋሚው ውስጥ መፈለግ በጣም በፍጥነት ስለሚሰራ ፣ ብዙ ጠንካራ መክተቻዎች ካሉ ፣ ብዙ ኢንዴክሶችን (ለእያንዳንዱ መክተት አንድ ኢንዴክስ) መፍጠር እና እያንዳንዳቸውን በእውነተኛ ጊዜ ማግኘት ይችላሉ።

አሁንም ለእያንዳንዱ ተጠቃሚ በአስር ሺዎች የሚቆጠሩ ሰነዶች አሉን። ይህ ሁሉንም ባህሪያት ለመቁጠር አሁንም በጣም ብዙ ነው, ስለዚህ በዚህ ደረጃ ላይ ቀላል ደረጃን እንጠቀማለን - ቀላል ክብደት ያለው የክብደት ደረጃ አነስተኛ ባህሪያት. ተግባሩ አንድ ከባድ ሞዴል የትኞቹ ሰነዶች ከላይ እንደሚኖሩ መተንበይ ነው. ከፍተኛው ትንበያ ያላቸው ሰነዶች በከባድ ሞዴል ማለትም በመጨረሻው የደረጃ አሰጣጥ ደረጃ ላይ ጥቅም ላይ ይውላሉ. ይህ አካሄድ ለተጠቃሚው የሚታሰቡ ሰነዶችን ዳታቤዝ ከሚሊዮኖች እስከ ሺዎች በአስር ሚሊሰከንዶች ለመቀነስ ያስችላል።

የ ALS እርምጃ በሂደት ጊዜ

ጠቅ ካደረጉ በኋላ ወዲያውኑ የተጠቃሚ ግብረመልስን እንዴት ግምት ውስጥ ማስገባት እንደሚቻል?

በምክሮች ውስጥ አስፈላጊው ነገር ለተጠቃሚ ግብረመልስ የምላሽ ጊዜ ነው። ይህ በተለይ ለአዳዲስ ተጠቃሚዎች በጣም አስፈላጊ ነው-አንድ ሰው የምክር ስርዓቱን መጠቀም ሲጀምር የተለያዩ ርዕሰ ጉዳዮችን የያዘ ግላዊ ያልሆነ ምግብ ይቀበላል። የመጀመሪያውን ጠቅ እንዳደረገ ወዲያውኑ ይህንን ግምት ውስጥ ማስገባት እና ከፍላጎቱ ጋር መላመድ ያስፈልግዎታል። ሁሉንም ሁኔታዎች ከመስመር ውጭ ካሰሉ ፈጣን የስርዓት ምላሽ በመዘግየቱ ምክንያት የማይቻል ይሆናል። ስለዚህ የተጠቃሚ እርምጃዎችን በእውነተኛ ጊዜ ማካሄድ አስፈላጊ ነው. ለእነዚህ ዓላማዎች፣ የተጠቃሚውን የቬክተር ውክልና ለመገንባት የALS ደረጃን በሥራ ሰዓት እንጠቀማለን።

ለሁሉም ሰነዶች የቬክተር ውክልና እንዳለን እናስብ። ለምሳሌ፣ ELMO፣ BERT ወይም ሌሎች የማሽን መማሪያ ሞዴሎችን በመጠቀም በአንድ መጣጥፍ ላይ በመመስረት ከመስመር ውጭ መክተትን መገንባት እንችላለን። በስርዓቱ ውስጥ ባላቸው መስተጋብር መሰረት የተጠቃሚዎችን የቬክተር ውክልና በተመሳሳይ ቦታ እንዴት ማግኘት እንችላለን?

የተጠቃሚ-ሰነድ ማትሪክስ የመፍጠር እና የመበስበስ አጠቃላይ መርህm ተጠቃሚዎች እና n ሰነዶች ይኑረን። ለአንዳንድ ተጠቃሚዎች ከተወሰኑ ሰነዶች ጋር ያላቸው ግንኙነት ይታወቃል. ከዚያም ይህ መረጃ እንደ m x n ማትሪክስ ሊወከል ይችላል: ረድፎች ከተጠቃሚዎች ጋር ይዛመዳሉ, እና ዓምዶች ከሰነዶች ጋር ይዛመዳሉ. ሰውዬው አብዛኛዎቹን ሰነዶች ስላላያቸው, አብዛኛዎቹ የማትሪክስ ሴሎች ባዶ ሆነው ይቆያሉ, ሌሎች ደግሞ ይሞላሉ. ለእያንዳንዱ ክስተት (መውደድ፣ አለመውደድ፣ ጠቅ ማድረግ) የተወሰነ እሴት በማትሪክስ ውስጥ ቀርቧል - ግን መውደድ ከ 1 ጋር የሚዛመድ እና አለመውደድ ከ -1 ጋር የሚዛመድበትን ቀለል ያለ ሞዴል ​​እናስብ።

ማትሪክስ ወደ ሁለት እንከፋፍለው፡ P (m x d) እና Q (d x n)፣ መ የቬክተር ውክልና መጠን (ብዙውን ጊዜ ትንሽ ቁጥር) ነው። ከዚያ እያንዳንዱ ነገር ከ d-dimensional vector ጋር ይዛመዳል (ለተጠቃሚ - በማትሪክስ P ውስጥ አንድ ረድፍ ፣ ለሰነድ - በማትሪክስ Q ውስጥ ያለ አምድ)። እነዚህ ቬክተሮች የተጓዳኙ ነገሮች መክተቻዎች ይሆናሉ. ተጠቃሚው ሰነድ ይወድ እንደሆነ ለመተንበይ በቀላሉ መክተታቸውን ማባዛት ይችላሉ።

ማትሪክስ መበስበስ ከሚቻልባቸው መንገዶች አንዱ ALS (Alternating Least Squares) ነው። የሚከተለውን የኪሳራ ተግባር እናሳድጋለን።

እዚህ rui የተጠቃሚ u ከሰነድ i ጋር ያለው ግንኙነት ነው፣ qi የሰነድ i ቬክተር ነው፣ ፑ የተጠቃሚው ቬክተር ነው።

ከዚያም ከአማካይ ስኩዌር ስህተት (ለቋሚ ሰነድ ቬክተሮች) አንጻር ሲታይ በጣም ጥሩው የተጠቃሚ ቬክተር ተጓዳኝ መስመራዊ መመለሻን በመፍታት በትንታኔ ተገኝቷል።

ይህ "ALS ደረጃ" ይባላል. እና የ ALS አልጎሪዝም እራሱ አንዱን ማትሪክስ (ተጠቃሚዎችን እና መጣጥፎችን) በተለዋዋጭ አስተካክለን ሌላውን በማዘመን ጥሩውን መፍትሄ እናገኛለን።

እንደ እድል ሆኖ፣ የተጠቃሚውን የቬክተር ውክልና ማግኘት የቬክተር መመሪያዎችን በመጠቀም በሮጫ ጊዜ ሊከናወን የሚችል ትክክለኛ ፈጣን ክወና ነው። ይህ ብልሃት ወዲያውኑ የተጠቃሚ ግብረመልስ በደረጃ ግምት ውስጥ እንዲያስገቡ ያስችልዎታል። የእጩ ምርጫን ለማሻሻል ተመሳሳይ መክተት በ kNN ኢንዴክስ ውስጥ መጠቀም ይቻላል።

የተከፋፈለ የትብብር ማጣሪያ

የተከፋፈለ ማትሪክስ ፋክተሪላይዜሽን እንዴት እንደሚሰራ እና የአዳዲስ መጣጥፎችን የቬክተር ውክልናዎችን በፍጥነት ማግኘት የሚቻለው?

ይዘት የምክር ምልክቶች ምንጭ ብቻ አይደለም። ሌላው አስፈላጊ ምንጭ የትብብር መረጃ ነው. ጥሩ የደረጃ ባህሪያት በባህላዊ የተጠቃሚ-ሰነድ ማትሪክስ መበስበስ ሊገኙ ይችላሉ. ግን እንዲህ ዓይነቱን መበስበስ ለማድረግ ስንሞክር ችግሮች አጋጥመውናል-

1. በሚሊዮኖች የሚቆጠሩ ሰነዶች እና በአስር ሚሊዮኖች የሚቆጠሩ ተጠቃሚዎች አሉን. ማትሪክስ በአንድ ማሽን ላይ ሙሉ በሙሉ አይጣጣምም, እና መበስበስ በጣም ረጅም ጊዜ ይወስዳል.
2. በሲስተሙ ውስጥ ያለው አብዛኛው ይዘት አጭር የህይወት ዘመን አለው፡ ሰነዶች ለጥቂት ሰዓታት ብቻ ጠቃሚ ሆነው ይቆያሉ። ስለዚህ የቬክተር ውክልናቸውን በተቻለ ፍጥነት መገንባት ያስፈልጋል.
3. ሰነዱ ከታተመ በኋላ ወዲያውኑ መበስበስን ከገነቡ, በቂ ቁጥር ያላቸው ተጠቃሚዎች እሱን ለመገምገም ጊዜ አይኖራቸውም. ስለዚህ, የእሱ የቬክተር ውክልና በጣም ጥሩ ላይሆን ይችላል.
4. አንድ ተጠቃሚ ከወደደ ወይም ካልወደደ, ይህንን በመበስበስ ላይ ወዲያውኑ ግምት ውስጥ ማስገባት አንችልም.

እነዚህን ችግሮች ለመፍታት የተጠቃሚ-ሰነድ ማትሪክስ የተከፋፈለ ብስባሽ ተደጋጋሚ ጭማሪዎችን ተግባራዊ አድርገናል። በትክክል እንዴት ነው የሚሰራው?

የ N ማሽኖች ክላስተር አለን እንበል (N በመቶዎች ውስጥ ነው) እና በአንድ ማሽን ላይ የማይመጥን የማትሪክስ መበስበስን በላያቸው ላይ ማድረግ እንፈልጋለን። ጥያቄው ይህንን ብስባሽ እንዴት ማከናወን እንደሚቻል ነው, በአንድ በኩል, በእያንዳንዱ ማሽን ላይ በቂ መረጃ እንዲኖር እና በሌላ በኩል, ስሌቶቹ ገለልተኛ እንዲሆኑ?

ከላይ የተገለጸውን የ ALS መበስበስ ስልተ ቀመር እንጠቀማለን። አንድ የ ALS ደረጃን በተከፋፈለ መልኩ እንዴት ማከናወን እንደሚቻል እንይ - የተቀሩት እርምጃዎች ተመሳሳይ ይሆናሉ. ቋሚ የሰነዶች ማትሪክስ አለን እና የተጠቃሚዎችን ማትሪክስ መገንባት እንፈልጋለን እንበል። ይህንን ለማድረግ ወደ N ክፍሎችን በመስመሮች እንከፋፍለን, እያንዳንዱ ክፍል በግምት ተመሳሳይ መስመሮችን ይይዛል. ለእያንዳንዱ ማሽን ባዶ ያልሆኑ ህዋሶች ተዛማጅ ረድፎችን እና እንዲሁም የሰነድ መክተቻዎች ማትሪክስ (ሙሉ በሙሉ) እንልካለን። መጠኑ በጣም ትልቅ ስላልሆነ እና የተጠቃሚ-ሰነድ ማትሪክስ ብዙውን ጊዜ በጣም ትንሽ ስለሆነ ይህ መረጃ በመደበኛ ማሽን ላይ ይጣጣማል።

ሞዴሉ እስኪቀላቀል ድረስ ይህ ብልሃት በበርካታ ዘመናት ሊደገም ይችላል, ቋሚ ማትሪክስ አንድ በአንድ ይለዋወጣል. ነገር ግን በዚያን ጊዜ እንኳን, የማትሪክስ መበስበስ ብዙ ሰዓታት ሊወስድ ይችላል. እና ይህ የአዳዲስ ሰነዶችን መጨመሪያ በፍጥነት ለመቀበል እና ሞዴሉን በሚገነቡበት ጊዜ ትንሽ መረጃ የነበራቸውን መክተቻዎች ማዘመን የሚያስፈልግዎትን ችግር አይፈታውም ።

ፈጣን ጭማሪ ሞዴል ማሻሻያዎችን ማስተዋወቅ ረድቶናል። አሁን የሰለጠነ ሞዴል አለን እንበል። ከስልጠናዋ ጀምሮ፣ ተጠቃሚዎቻችን የተገናኙባቸው አዳዲስ መጣጥፎች፣ እንዲሁም በስልጠና ወቅት ብዙም መስተጋብር ያልነበራቸው መጣጥፎች አሉ። የእንደዚህ አይነት መጣጥፎችን በፍጥነት ለማግኘት በአምሳያው የመጀመሪያ ትልቅ ስልጠና ወቅት የተገኘውን የተጠቃሚ መክተቻዎችን እንጠቀማለን እና ቋሚ የተጠቃሚ ማትሪክስ የተሰጠውን የሰነድ ማትሪክስ ለማስላት አንድ የ ALS እርምጃ እንሰራለን። ይህ መክተቻዎችን በፍጥነት እንዲቀበሉ ይፈቅድልዎታል - ሰነዱ ከታተመ በኋላ በጥቂት ደቂቃዎች ውስጥ - እና ብዙ ጊዜ የቅርብ ጊዜ ሰነዶችን ማሻሻያ ያዘምኑ።

ምክሮችን ወዲያውኑ የሰው እርምጃዎችን ከግምት ውስጥ ለማስገባት ፣በአሂድ ጊዜ ከመስመር ውጭ የተገኙ የተጠቃሚ መክተቶችን አንጠቀምም። በምትኩ፣ የ ALS እርምጃ እንሰራለን እና ትክክለኛውን የተጠቃሚ ቬክተር እናገኛለን።

ወደ ሌላ የጎራ አካባቢ ያስተላልፉ

የቪዲዮ ቬክተር ውክልና ለመገንባት በጽሑፍ ጽሑፎች ላይ የተጠቃሚ ግብረመልስ እንዴት መጠቀም ይቻላል?

መጀመሪያ ላይ የጽሑፍ መጣጥፎችን ብቻ ነው የምንመክረው፣ ስለዚህ ብዙዎቹ ስልተ ቀመሮቻችን ለዚህ አይነት ይዘት የተበጁ ናቸው። ነገር ግን ሌሎች የይዘት ዓይነቶችን ስንጨምር ሞዴሎቹን የማስማማት አስፈላጊነት አጋጥሞናል። የቪዲዮ ምሳሌ በመጠቀም ይህንን ችግር እንዴት ፈታነው? አንዱ አማራጭ ሁሉንም ሞዴሎች ከባዶ ማሰልጠን ነው. ነገር ግን ይህ ረጅም ጊዜ ይወስዳል, እና አንዳንድ ስልተ ቀመሮች በአገልግሎቱ ላይ በህይወቱ የመጀመሪያ ጊዜዎች ውስጥ ለአዲስ አይነት ይዘት በሚፈለገው መጠን ገና የማይገኝውን የስልጠና ናሙና መጠን ይጠይቃሉ.

በሌላ መንገድ ሄድን እና የጽሑፍ ሞዴሎችን ለቪዲዮው እንደገና ተጠቀምን። ተመሳሳይ የALS ብልሃት የቪዲዮዎችን የቬክተር ምስሎችን እንድንፈጥር ረድቶናል። በጽሑፍ መጣጥፎች ላይ ተመስርተን የተጠቃሚዎችን የቬክተር ውክልና ወስደን የቪዲዮ እይታ መረጃን በመጠቀም የ ALS እርምጃ ወስደናል። ስለዚህ የቪዲዮውን የቬክተር ውክልና በቀላሉ አግኝተናል። እና በሂደት ላይ በቀላሉ ከጽሑፍ መጣጥፎች በተገኘው የተጠቃሚ ቬክተር እና በቪዲዮ ቬክተር መካከል ያለውን ቅርበት እናሰላለን።

መደምደሚያ

የእውነተኛ ጊዜ የምክር ስርዓትን ማሳደግ ብዙ ፈተናዎችን ያካትታል። ይህንን ውሂብ በብቃት ለመጠቀም በፍጥነት ውሂብን ማካሄድ እና የኤምኤል ዘዴዎችን መተግበር ያስፈልግዎታል። የተጠቃሚ ምልክቶችን እና አዲስ የይዘት ክፍሎችን በትንሹ ጊዜ ማካሄድ የሚችሉ ውስብስብ የተከፋፈሉ ስርዓቶችን መገንባት፤ እና ሌሎች በርካታ ተግባራት.

አሁን ባለው ስርዓት, እኔ የገለጽኩት ንድፍ, ለተጠቃሚው የውሳኔ ሃሳቦች ጥራት ከእንቅስቃሴው እና በአገልግሎቱ ላይ የሚቆይበት ጊዜ እየጨመረ ይሄዳል. ግን በእርግጥ ፣ ዋናው ችግር እዚህ አለ-ስርአቱ ከይዘቱ ጋር ትንሽ ግንኙነት የሌለውን ሰው ፍላጎት ወዲያውኑ ለመረዳት ከባድ ነው። ለአዲስ ተጠቃሚዎች ምክሮችን ማሻሻል ቁልፍ ግባችን ነው። ለአንድ ሰው ተዛማጅነት ያለው ይዘት በፍጥነት ወደ ምግቡ እንዲገባ እና አግባብነት የሌለው ይዘት እንዳይታይ ስልተ ቀመሮችን ማሳደግ እንቀጥላለን።

ምንጭ: hab.com