ಬಳಕೆದಾರರು ತಮ್ಮದೇ ಆದ ವಿಷಯವನ್ನು ರಚಿಸಬಹುದಾದ ಪ್ರತಿಯೊಂದು ಸೇವೆಯು (UGC - ಬಳಕೆದಾರ-ರಚಿಸಿದ ವಿಷಯ) ವ್ಯಾಪಾರದ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಮಾತ್ರವಲ್ಲ, UGC ಯಲ್ಲಿ ವಿಷಯಗಳನ್ನು ಕ್ರಮವಾಗಿ ಇರಿಸಲು ಒತ್ತಾಯಿಸಲಾಗುತ್ತದೆ. ಕಳಪೆ ಅಥವಾ ಕಡಿಮೆ-ಗುಣಮಟ್ಟದ ವಿಷಯ ಮಾಡರೇಶನ್ ಅಂತಿಮವಾಗಿ ಬಳಕೆದಾರರಿಗೆ ಸೇವೆಯ ಆಕರ್ಷಣೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ, ಅದರ ಕಾರ್ಯಾಚರಣೆಯನ್ನು ಸಹ ಕೊನೆಗೊಳಿಸುತ್ತದೆ.
ಇಂದು ನಾವು ಯುಲಾ ಮತ್ತು ಓಡ್ನೋಕ್ಲಾಸ್ನಿಕಿ ನಡುವಿನ ಸಿನರ್ಜಿಯ ಬಗ್ಗೆ ನಿಮಗೆ ಹೇಳುತ್ತೇವೆ, ಇದು ಯುಲಾದಲ್ಲಿ ಜಾಹೀರಾತುಗಳನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಮಾಡರೇಟ್ ಮಾಡಲು ನಮಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ.
ಸಾಮಾನ್ಯವಾಗಿ ಸಿನರ್ಜಿ ಬಹಳ ಉಪಯುಕ್ತ ವಿಷಯವಾಗಿದೆ, ಮತ್ತು ಆಧುನಿಕ ಜಗತ್ತಿನಲ್ಲಿ, ತಂತ್ರಜ್ಞಾನಗಳು ಮತ್ತು ಪ್ರವೃತ್ತಿಗಳು ಬಹಳ ಬೇಗನೆ ಬದಲಾದಾಗ, ಅದು ಜೀವರಕ್ಷಕವಾಗಿ ಬದಲಾಗಬಹುದು. ನಿಮ್ಮ ಮುಂದೆ ಈಗಾಗಲೇ ಆವಿಷ್ಕರಿಸಲಾದ ಮತ್ತು ಮನಸ್ಸಿಗೆ ತಂದದ್ದನ್ನು ಆವಿಷ್ಕರಿಸಲು ವಿರಳ ಸಂಪನ್ಮೂಲಗಳು ಮತ್ತು ಸಮಯವನ್ನು ಏಕೆ ವ್ಯರ್ಥ ಮಾಡುತ್ತೀರಿ?
ಬಳಕೆದಾರರ ವಿಷಯವನ್ನು - ಚಿತ್ರಗಳು, ಪಠ್ಯ ಮತ್ತು ಲಿಂಕ್‌ಗಳನ್ನು ಮಾಡರೇಟ್ ಮಾಡುವ ಪೂರ್ಣ ಕಾರ್ಯವನ್ನು ನಾವು ಎದುರಿಸಿದಾಗ ನಾವು ಅದೇ ವಿಷಯವನ್ನು ಯೋಚಿಸಿದ್ದೇವೆ. ನಮ್ಮ ಬಳಕೆದಾರರು ಪ್ರತಿದಿನ ಯುಲಾಗೆ ಲಕ್ಷಾಂತರ ವಿಷಯಗಳ ತುಣುಕುಗಳನ್ನು ಅಪ್‌ಲೋಡ್ ಮಾಡುತ್ತಾರೆ ಮತ್ತು ಸ್ವಯಂಚಾಲಿತ ಪ್ರಕ್ರಿಯೆ ಇಲ್ಲದೆ ಈ ಎಲ್ಲಾ ಡೇಟಾವನ್ನು ಹಸ್ತಚಾಲಿತವಾಗಿ ಮಾಡರೇಟ್ ಮಾಡುವುದು ಸಂಪೂರ್ಣವಾಗಿ ಅಸಾಧ್ಯ.
ಆದ್ದರಿಂದ, ನಾವು ರೆಡಿಮೇಡ್ ಮಾಡರೇಶನ್ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಅನ್ನು ಬಳಸಿದ್ದೇವೆ, ಆ ಹೊತ್ತಿಗೆ ಓಡ್ನೋಕ್ಲಾಸ್ನಿಕಿಯ ನಮ್ಮ ಸಹೋದ್ಯೋಗಿಗಳು "ಬಹುತೇಕ ಪರಿಪೂರ್ಣತೆಯ" ಸ್ಥಿತಿಗೆ ತಲುಪಿದ್ದರು.
ಓಡ್ನೋಕ್ಲಾಸ್ನಿಕಿ ಏಕೆ?
ಪ್ರತಿದಿನ, ಹತ್ತಾರು ಮಿಲಿಯನ್ ಬಳಕೆದಾರರು ಸಾಮಾಜಿಕ ನೆಟ್‌ವರ್ಕ್‌ಗೆ ಬರುತ್ತಾರೆ ಮತ್ತು ಶತಕೋಟಿ ವಿಷಯಗಳ ತುಣುಕುಗಳನ್ನು ಪ್ರಕಟಿಸುತ್ತಾರೆ: ಫೋಟೋಗಳಿಂದ ವೀಡಿಯೊಗಳು ಮತ್ತು ಪಠ್ಯಗಳಿಗೆ. Odnoklassniki ಮಾಡರೇಶನ್ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ದೊಡ್ಡ ಪ್ರಮಾಣದ ಡೇಟಾವನ್ನು ಪರಿಶೀಲಿಸಲು ಮತ್ತು ಸ್ಪ್ಯಾಮರ್‌ಗಳು ಮತ್ತು ಬಾಟ್‌ಗಳನ್ನು ಎದುರಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.
ಸರಿ ಮಾಡರೇಶನ್ ತಂಡವು ಸಾಕಷ್ಟು ಅನುಭವವನ್ನು ಸಂಗ್ರಹಿಸಿದೆ, ಏಕೆಂದರೆ ಅದು 12 ವರ್ಷಗಳಿಂದ ತನ್ನ ಸಾಧನವನ್ನು ಸುಧಾರಿಸುತ್ತಿದೆ. ಅವರು ತಮ್ಮ ಸಿದ್ಧ ಪರಿಹಾರಗಳನ್ನು ಹಂಚಿಕೊಳ್ಳುವುದು ಮಾತ್ರವಲ್ಲ, ನಮ್ಮ ನಿರ್ದಿಷ್ಟ ಕಾರ್ಯಗಳಿಗೆ ಸರಿಹೊಂದುವಂತೆ ಅವರ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ನ ವಾಸ್ತುಶಿಲ್ಪವನ್ನು ಕಸ್ಟಮೈಸ್ ಮಾಡುವುದು ಮುಖ್ಯ.
ಇಂದಿನಿಂದ, ಸಂಕ್ಷಿಪ್ತತೆಗಾಗಿ, ನಾವು ಸರಿ ಮಾಡರೇಶನ್ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಅನ್ನು "ಪ್ಲಾಟ್‌ಫಾರ್ಮ್" ಎಂದು ಕರೆಯುತ್ತೇವೆ.
ಎಲ್ಲವೂ ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ
ಯುಲಾ ಮತ್ತು ಓಡ್ನೋಕ್ಲಾಸ್ನಿಕಿ ನಡುವಿನ ಡೇಟಾ ವಿನಿಮಯವನ್ನು ಸ್ಥಾಪಿಸಲಾಗಿದೆ .
ನಾವು ಈ ಉಪಕರಣವನ್ನು ಏಕೆ ಆರಿಸಿದ್ದೇವೆ:
- ಯುಲಾದಲ್ಲಿ, ಎಲ್ಲಾ ಜಾಹೀರಾತುಗಳು ನಂತರದ-ಮಾಡರೇಟೆಡ್ ಆಗಿರುತ್ತವೆ, ಆದ್ದರಿಂದ ಆರಂಭದಲ್ಲಿ ಸಿಂಕ್ರೊನಸ್ ಪ್ರತಿಕ್ರಿಯೆಯ ಅಗತ್ಯವಿರಲಿಲ್ಲ.
- ಕೆಟ್ಟ ಪ್ಯಾರಾಗ್ರಾಫ್ ಸಂಭವಿಸಿದಲ್ಲಿ ಮತ್ತು ಯುಲಾ ಅಥವಾ ಓಡ್ನೋಕ್ಲಾಸ್ನಿಕಿ ಲಭ್ಯವಿಲ್ಲದಿದ್ದರೆ, ಕೆಲವು ಗರಿಷ್ಠ ಲೋಡ್‌ಗಳ ಕಾರಣದಿಂದಾಗಿ, ಕಾಫ್ಕಾದಿಂದ ಡೇಟಾ ಎಲ್ಲಿಯೂ ಕಣ್ಮರೆಯಾಗುವುದಿಲ್ಲ ಮತ್ತು ನಂತರ ಓದಬಹುದು.
- ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಅನ್ನು ಈಗಾಗಲೇ ಕಾಫ್ಕಾದೊಂದಿಗೆ ಸಂಯೋಜಿಸಲಾಗಿದೆ, ಆದ್ದರಿಂದ ಹೆಚ್ಚಿನ ಭದ್ರತಾ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲಾಗಿದೆ.
ಯುಲಾದಲ್ಲಿ ಬಳಕೆದಾರರು ರಚಿಸಿದ ಅಥವಾ ಮಾರ್ಪಡಿಸಿದ ಪ್ರತಿಯೊಂದು ಜಾಹೀರಾತಿಗಾಗಿ, ಡೇಟಾದೊಂದಿಗೆ JSON ಅನ್ನು ರಚಿಸಲಾಗುತ್ತದೆ, ಅದನ್ನು ನಂತರದ ಮಾಡರೇಶನ್‌ಗಾಗಿ ಕಾಫ್ಕಾದಲ್ಲಿ ಇರಿಸಲಾಗುತ್ತದೆ. ಕಾಫ್ಕಾದಿಂದ, ಪ್ರಕಟಣೆಗಳನ್ನು ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ಗೆ ಲೋಡ್ ಮಾಡಲಾಗುತ್ತದೆ, ಅಲ್ಲಿ ಅವುಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಅಥವಾ ಹಸ್ತಚಾಲಿತವಾಗಿ ನಿರ್ಣಯಿಸಲಾಗುತ್ತದೆ. ಕೆಟ್ಟ ಜಾಹೀರಾತುಗಳನ್ನು ಕಾರಣದೊಂದಿಗೆ ನಿರ್ಬಂಧಿಸಲಾಗಿದೆ ಮತ್ತು ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಉಲ್ಲಂಘನೆಗಳನ್ನು ಕಂಡುಹಿಡಿಯದಿದ್ದಲ್ಲಿ "ಒಳ್ಳೆಯದು" ಎಂದು ಗುರುತಿಸಲಾಗಿದೆ. ನಂತರ ಎಲ್ಲಾ ನಿರ್ಧಾರಗಳನ್ನು ಯುಲಾಗೆ ಹಿಂತಿರುಗಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಸೇವೆಯಲ್ಲಿ ಅನ್ವಯಿಸಲಾಗುತ್ತದೆ.
ಕೊನೆಯಲ್ಲಿ, ಯುಲಾಗೆ ಇದು ಎಲ್ಲಾ ಸರಳ ಕ್ರಿಯೆಗಳಿಗೆ ಬರುತ್ತದೆ: ಓಡ್ನೋಕ್ಲಾಸ್ನಿಕಿ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ಗೆ ಜಾಹೀರಾತನ್ನು ಕಳುಹಿಸಿ ಮತ್ತು "ಸರಿ" ರೆಸಲ್ಯೂಶನ್ ಅನ್ನು ಮರಳಿ ಪಡೆಯಿರಿ, ಅಥವಾ ಏಕೆ "ಸರಿ" ಅಲ್ಲ.
ಸ್ವಯಂಚಾಲಿತ ಸಂಸ್ಕರಣೆ
ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ಗೆ ಬಂದ ನಂತರ ಜಾಹೀರಾತು ಏನಾಗುತ್ತದೆ? ಪ್ರತಿಯೊಂದು ಜಾಹೀರಾತನ್ನು ಹಲವಾರು ಘಟಕಗಳಾಗಿ ವಿಂಗಡಿಸಲಾಗಿದೆ:
- ಹೆಸರು,
- ವಿವರಣೆ,
- ಫೋಟೋಗಳು,
- ಬಳಕೆದಾರ-ಆಯ್ಕೆ ಮಾಡಿದ ವರ್ಗ ಮತ್ತು ಜಾಹೀರಾತಿನ ಉಪವರ್ಗ,
- ಬೆಲೆ.
ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ನಂತರ ನಕಲುಗಳನ್ನು ಹುಡುಕಲು ಪ್ರತಿ ಘಟಕಕ್ಕೆ ಕ್ಲಸ್ಟರಿಂಗ್ ಅನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ. ಇದಲ್ಲದೆ, ಪಠ್ಯ ಮತ್ತು ಛಾಯಾಚಿತ್ರಗಳನ್ನು ವಿವಿಧ ಯೋಜನೆಗಳ ಪ್ರಕಾರ ಕ್ಲಸ್ಟರ್ ಮಾಡಲಾಗುತ್ತದೆ.
ಕ್ಲಸ್ಟರಿಂಗ್ ಮಾಡುವ ಮೊದಲು, ವಿಶೇಷ ಅಕ್ಷರಗಳು, ಬದಲಾದ ಅಕ್ಷರಗಳು ಮತ್ತು ಇತರ ಕಸವನ್ನು ತೆಗೆದುಹಾಕಲು ಪಠ್ಯಗಳನ್ನು ಸಾಮಾನ್ಯಗೊಳಿಸಲಾಗುತ್ತದೆ. ಸ್ವೀಕರಿಸಿದ ಡೇಟಾವನ್ನು ಎನ್-ಗ್ರಾಂಗಳಾಗಿ ವಿಂಗಡಿಸಲಾಗಿದೆ, ಪ್ರತಿಯೊಂದೂ ಹ್ಯಾಶ್ ಮಾಡಲಾಗಿದೆ. ಫಲಿತಾಂಶವು ಅನೇಕ ವಿಶಿಷ್ಟ ಹ್ಯಾಶ್‌ಗಳು. ಪಠ್ಯಗಳ ನಡುವಿನ ಹೋಲಿಕೆಯನ್ನು ನಿರ್ಧರಿಸಲಾಗುತ್ತದೆ ಫಲಿತಾಂಶದ ಎರಡು ಸೆಟ್‌ಗಳ ನಡುವೆ. ಹೋಲಿಕೆಯು ಮಿತಿಗಿಂತ ಹೆಚ್ಚಿದ್ದರೆ, ಪಠ್ಯಗಳನ್ನು ಒಂದು ಕ್ಲಸ್ಟರ್ಗೆ ವಿಲೀನಗೊಳಿಸಲಾಗುತ್ತದೆ. ಒಂದೇ ರೀತಿಯ ಕ್ಲಸ್ಟರ್‌ಗಳ ಹುಡುಕಾಟವನ್ನು ವೇಗಗೊಳಿಸಲು, MinHash ಮತ್ತು Locality-sensitive ಹ್ಯಾಶಿಂಗ್ ಅನ್ನು ಬಳಸಲಾಗುತ್ತದೆ.
pHash ಚಿತ್ರಗಳನ್ನು ಹೋಲಿಸುವುದರಿಂದ ಹಿಡಿದು ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್ ಬಳಸಿ ನಕಲುಗಳನ್ನು ಹುಡುಕುವವರೆಗೆ ಛಾಯಾಚಿತ್ರಗಳಿಗಾಗಿ ಚಿತ್ರಗಳನ್ನು ಅಂಟಿಸಲು ವಿವಿಧ ಆಯ್ಕೆಗಳನ್ನು ಕಂಡುಹಿಡಿಯಲಾಗಿದೆ.
ಕೊನೆಯ ವಿಧಾನವು ಅತ್ಯಂತ "ತೀವ್ರ" ಆಗಿದೆ. ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡಲು, ಚಿತ್ರಗಳ ತ್ರಿವಳಿಗಳನ್ನು (N, A, P) ಆಯ್ಕೆಮಾಡಲಾಗಿದೆ, ಇದರಲ್ಲಿ N A ಗೆ ಹೋಲುವಂತಿಲ್ಲ ಮತ್ತು P A ಗೆ ಹೋಲುತ್ತದೆ (ಅರೆ-ನಕಲು). ನಂತರ ನರಮಂಡಲವು A ಮತ್ತು P ಅನ್ನು ಸಾಧ್ಯವಾದಷ್ಟು ಹತ್ತಿರ ಮತ್ತು A ಮತ್ತು N ಅನ್ನು ಸಾಧ್ಯವಾದಷ್ಟು ಮಾಡಲು ಕಲಿತಿದೆ. ಪೂರ್ವ-ತರಬೇತಿ ಪಡೆದ ನೆಟ್‌ವರ್ಕ್‌ನಿಂದ ಎಂಬೆಡಿಂಗ್‌ಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುವುದಕ್ಕೆ ಹೋಲಿಸಿದರೆ ಇದು ಕಡಿಮೆ ತಪ್ಪು ಧನಾತ್ಮಕತೆಯನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ.
ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್ ಚಿತ್ರಗಳನ್ನು ಇನ್‌ಪುಟ್ ಆಗಿ ಸ್ವೀಕರಿಸಿದಾಗ, ಅದು ಪ್ರತಿಯೊಂದಕ್ಕೂ N(128)-ಆಯಾಮದ ವೆಕ್ಟರ್ ಅನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ ಮತ್ತು ಚಿತ್ರದ ಸಾಮೀಪ್ಯವನ್ನು ನಿರ್ಣಯಿಸಲು ವಿನಂತಿಯನ್ನು ಮಾಡಲಾಗುತ್ತದೆ. ಮುಂದೆ, ನಿಕಟ ಚಿತ್ರಗಳನ್ನು ನಕಲು ಎಂದು ಪರಿಗಣಿಸುವ ಮಿತಿಯನ್ನು ಲೆಕ್ಕಹಾಕಲಾಗುತ್ತದೆ.
pHash ಹೋಲಿಕೆಯನ್ನು ಬೈಪಾಸ್ ಮಾಡಲು ವಿಭಿನ್ನ ಕೋನಗಳಿಂದ ಒಂದೇ ಉತ್ಪನ್ನವನ್ನು ನಿರ್ದಿಷ್ಟವಾಗಿ ಛಾಯಾಚಿತ್ರ ಮಾಡುವ ಸ್ಪ್ಯಾಮರ್‌ಗಳನ್ನು ಕೌಶಲ್ಯದಿಂದ ಕಂಡುಹಿಡಿಯಲು ಮಾದರಿಯು ಸಾಧ್ಯವಾಗುತ್ತದೆ.
ಸ್ಪ್ಯಾಮ್ ಫೋಟೋಗಳ ಉದಾಹರಣೆಯು ನಕಲುಗಳಂತೆ ನರ ನೆಟ್‌ವರ್ಕ್‌ನಿಂದ ಒಟ್ಟಿಗೆ ಅಂಟಿಸಲಾಗಿದೆ.
ಅಂತಿಮ ಹಂತದಲ್ಲಿ, ನಕಲಿ ಜಾಹೀರಾತುಗಳನ್ನು ಪಠ್ಯ ಮತ್ತು ಚಿತ್ರ ಎರಡರಿಂದಲೂ ಏಕಕಾಲದಲ್ಲಿ ಹುಡುಕಲಾಗುತ್ತದೆ.
ಎರಡು ಅಥವಾ ಹೆಚ್ಚಿನ ಜಾಹೀರಾತುಗಳು ಕ್ಲಸ್ಟರ್‌ನಲ್ಲಿ ಒಟ್ಟಿಗೆ ಅಂಟಿಕೊಂಡಿದ್ದರೆ, ಸಿಸ್ಟಮ್ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ನಿರ್ಬಂಧಿಸುವಿಕೆಯನ್ನು ಪ್ರಾರಂಭಿಸುತ್ತದೆ, ಇದು ಕೆಲವು ಅಲ್ಗಾರಿದಮ್‌ಗಳನ್ನು ಬಳಸಿಕೊಂಡು, ಯಾವ ನಕಲುಗಳನ್ನು ಅಳಿಸಬೇಕು ಮತ್ತು ಯಾವುದನ್ನು ಬಿಡಬೇಕು ಎಂಬುದನ್ನು ಆಯ್ಕೆ ಮಾಡುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ಇಬ್ಬರು ಬಳಕೆದಾರರು ಜಾಹೀರಾತಿನಲ್ಲಿ ಒಂದೇ ಫೋಟೋಗಳನ್ನು ಹೊಂದಿದ್ದರೆ, ಸಿಸ್ಟಮ್ ಇತ್ತೀಚಿನ ಜಾಹೀರಾತನ್ನು ನಿರ್ಬಂಧಿಸುತ್ತದೆ.
ಒಮ್ಮೆ ರಚಿಸಿದ ನಂತರ, ಎಲ್ಲಾ ಕ್ಲಸ್ಟರ್‌ಗಳು ಸ್ವಯಂಚಾಲಿತ ಫಿಲ್ಟರ್‌ಗಳ ಸರಣಿಯ ಮೂಲಕ ಹೋಗುತ್ತವೆ. ಪ್ರತಿಯೊಂದು ಫಿಲ್ಟರ್ ಕ್ಲಸ್ಟರ್ಗೆ ಸ್ಕೋರ್ ಅನ್ನು ನಿಯೋಜಿಸುತ್ತದೆ: ಈ ಫಿಲ್ಟರ್ ಗುರುತಿಸುವ ಬೆದರಿಕೆಯನ್ನು ಅದು ಒಳಗೊಂಡಿರುವ ಸಾಧ್ಯತೆ ಎಷ್ಟು.
ಉದಾಹರಣೆಗೆ, ಸಿಸ್ಟಮ್ ಜಾಹೀರಾತಿನಲ್ಲಿ ವಿವರಣೆಯನ್ನು ವಿಶ್ಲೇಷಿಸುತ್ತದೆ ಮತ್ತು ಅದಕ್ಕೆ ಸಂಭಾವ್ಯ ವರ್ಗಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡುತ್ತದೆ. ನಂತರ ಅದು ಗರಿಷ್ಠ ಸಂಭವನೀಯತೆಯೊಂದಿಗೆ ಒಂದನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ ಮತ್ತು ಅದನ್ನು ಜಾಹೀರಾತಿನ ಲೇಖಕರು ನಿರ್ದಿಷ್ಟಪಡಿಸಿದ ವರ್ಗದೊಂದಿಗೆ ಹೋಲಿಸುತ್ತದೆ. ಅವು ಹೊಂದಿಕೆಯಾಗದಿದ್ದರೆ, ತಪ್ಪು ವರ್ಗಕ್ಕಾಗಿ ಜಾಹೀರಾತು ನಿರ್ಬಂಧಿಸಲಾಗಿದೆ. ಮತ್ತು ನಾವು ದಯೆ ಮತ್ತು ಪ್ರಾಮಾಣಿಕರಾಗಿರುವುದರಿಂದ, ಜಾಹೀರಾತು ಮಾಡರೇಶನ್ ಅನ್ನು ರವಾನಿಸಲು ಯಾವ ವರ್ಗವನ್ನು ಆಯ್ಕೆ ಮಾಡಬೇಕೆಂದು ನಾವು ಬಳಕೆದಾರರಿಗೆ ನೇರವಾಗಿ ಹೇಳುತ್ತೇವೆ.
ತಪ್ಪಾದ ವರ್ಗಕ್ಕಾಗಿ ನಿರ್ಬಂಧಿಸುವ ಸೂಚನೆ.
ಯಂತ್ರ ಕಲಿಕೆಯು ನಮ್ಮ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ನಲ್ಲಿ ಸರಿಯಾಗಿದೆ. ಉದಾಹರಣೆಗೆ, ಅದರ ಸಹಾಯದಿಂದ ನಾವು ರಷ್ಯಾದ ಒಕ್ಕೂಟದಲ್ಲಿ ನಿಷೇಧಿಸಲಾದ ಸರಕುಗಳ ಹೆಸರುಗಳು ಮತ್ತು ವಿವರಣೆಗಳಲ್ಲಿ ಹುಡುಕುತ್ತೇವೆ. ಮತ್ತು ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್ ಮಾದರಿಗಳು ಚಿತ್ರಗಳು URL ಗಳು, ಸ್ಪ್ಯಾಮ್ ಪಠ್ಯಗಳು, ದೂರವಾಣಿ ಸಂಖ್ಯೆಗಳು ಮತ್ತು ಅದೇ "ನಿಷೇಧಿತ" ಮಾಹಿತಿಯನ್ನು ಒಳಗೊಂಡಿವೆಯೇ ಎಂದು ನೋಡಲು ಸೂಕ್ಷ್ಮವಾಗಿ "ಪರಿಶೀಲಿಸುತ್ತದೆ".
ಅವರು ನಿಷೇಧಿತ ಉತ್ಪನ್ನವನ್ನು ಕಾನೂನು ವೇಷದಲ್ಲಿ ಮಾರಾಟ ಮಾಡಲು ಪ್ರಯತ್ನಿಸುತ್ತಿರುವ ಸಂದರ್ಭಗಳಲ್ಲಿ ಮತ್ತು ಶೀರ್ಷಿಕೆ ಅಥವಾ ವಿವರಣೆಯಲ್ಲಿ ಯಾವುದೇ ಪಠ್ಯವಿಲ್ಲದಿದ್ದರೆ, ನಾವು ಇಮೇಜ್ ಟ್ಯಾಗಿಂಗ್ ಅನ್ನು ಬಳಸುತ್ತೇವೆ. ಪ್ರತಿ ಚಿತ್ರಕ್ಕೆ, ಚಿತ್ರದಲ್ಲಿ ಏನಿದೆ ಎಂಬುದನ್ನು ವಿವರಿಸುವ 11 ಸಾವಿರ ವಿಭಿನ್ನ ಟ್ಯಾಗ್‌ಗಳನ್ನು ಸೇರಿಸಬಹುದು.
ಸಮೋವರ್ ವೇಷ ಹಾಕಿ ಹುಕ್ಕಾ ಮಾರಾಟ ಮಾಡಲು ಯತ್ನಿಸುತ್ತಿದ್ದಾರೆ.
ಸಂಕೀರ್ಣ ಫಿಲ್ಟರ್‌ಗಳಿಗೆ ಸಮಾನಾಂತರವಾಗಿ, ಸರಳವಾದವುಗಳು ಸಹ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ, ಪಠ್ಯಕ್ಕೆ ಸಂಬಂಧಿಸಿದ ಸ್ಪಷ್ಟ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸುತ್ತವೆ:
- ಆಂಟಿಮ್ಯಾಟ್;
- URL ಮತ್ತು ಫೋನ್ ಸಂಖ್ಯೆ ಡಿಟೆಕ್ಟರ್;
- ತ್ವರಿತ ಸಂದೇಶವಾಹಕರು ಮತ್ತು ಇತರ ಸಂಪರ್ಕಗಳ ಉಲ್ಲೇಖ;
- ಕಡಿಮೆ ಬೆಲೆ;
- ಯಾವುದೂ ಮಾರಾಟಕ್ಕಿಲ್ಲದ ಜಾಹೀರಾತುಗಳು ಇತ್ಯಾದಿ.
ಇಂದು, ಪ್ರತಿ ಜಾಹೀರಾತು ಜಾಹೀರಾತಿನಲ್ಲಿ ಕೆಟ್ಟದ್ದನ್ನು ಹುಡುಕಲು ಪ್ರಯತ್ನಿಸುವ 50 ಕ್ಕೂ ಹೆಚ್ಚು ಸ್ವಯಂಚಾಲಿತ ಫಿಲ್ಟರ್‌ಗಳ ಉತ್ತಮ ಜರಡಿ ಮೂಲಕ ಹೋಗುತ್ತದೆ.
ಯಾವುದೇ ಡಿಟೆಕ್ಟರ್‌ಗಳು ಕಾರ್ಯನಿರ್ವಹಿಸದಿದ್ದರೆ, ಜಾಹೀರಾತು "ಹೆಚ್ಚಾಗಿ" ಪರಿಪೂರ್ಣ ಕ್ರಮದಲ್ಲಿದೆ ಎಂದು ಯುಲಾಗೆ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಕಳುಹಿಸಲಾಗುತ್ತದೆ. ಈ ಉತ್ತರವನ್ನು ನಾವೇ ಬಳಸುತ್ತೇವೆ ಮತ್ತು ಮಾರಾಟಗಾರರಿಗೆ ಚಂದಾದಾರರಾಗಿರುವ ಬಳಕೆದಾರರು ಹೊಸ ಉತ್ಪನ್ನದ ಲಭ್ಯತೆಯ ಕುರಿತು ಅಧಿಸೂಚನೆಯನ್ನು ಸ್ವೀಕರಿಸುತ್ತಾರೆ.
ಮಾರಾಟಗಾರನು ಹೊಸ ಉತ್ಪನ್ನವನ್ನು ಹೊಂದಿರುವ ಸೂಚನೆ.
ಪರಿಣಾಮವಾಗಿ, ಪ್ರತಿ ಜಾಹೀರಾತು ಮೆಟಾಡೇಟಾದೊಂದಿಗೆ "ಮಿತಿಮೀರಿ ಬೆಳೆದಿದೆ", ಜಾಹೀರಾತನ್ನು ರಚಿಸಿದಾಗ ಅವುಗಳಲ್ಲಿ ಕೆಲವು (ಲೇಖಕರ IP ವಿಳಾಸ, ಬಳಕೆದಾರ-ಏಜೆಂಟ್, ಪ್ಲಾಟ್‌ಫಾರ್ಮ್, ಜಿಯೋಲೊಕೇಶನ್, ಇತ್ಯಾದಿ), ಮತ್ತು ಉಳಿದವು ಪ್ರತಿ ಫಿಲ್ಟರ್ ನೀಡಿದ ಸ್ಕೋರ್ ಆಗಿದೆ .
ಘೋಷಣೆ ಸಾಲುಗಳು
ಜಾಹೀರಾತು ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ಗೆ ಬಂದಾಗ, ಸಿಸ್ಟಮ್ ಅದನ್ನು ಸರತಿ ಸಾಲಿನಲ್ಲಿ ಇರಿಸುತ್ತದೆ. ಯಾವುದೇ ಕೆಟ್ಟ ಮಾದರಿಗಳನ್ನು ಪತ್ತೆಹಚ್ಚುವ ರೀತಿಯಲ್ಲಿ ಜಾಹೀರಾತು ಮೆಟಾಡೇಟಾವನ್ನು ಸಂಯೋಜಿಸುವ ಗಣಿತದ ಸೂತ್ರವನ್ನು ಬಳಸಿಕೊಂಡು ಪ್ರತಿಯೊಂದು ಸರತಿಯನ್ನು ರಚಿಸಲಾಗಿದೆ.
ಉದಾಹರಣೆಗೆ, ಸೇಂಟ್ ಪೀಟರ್ಸ್‌ಬರ್ಗ್‌ನಿಂದ ಯುಲಾ ಬಳಕೆದಾರರಿಂದ "ಸೆಲ್ ಫೋನ್‌ಗಳು" ವಿಭಾಗದಲ್ಲಿ ನೀವು ಜಾಹೀರಾತುಗಳ ಸರದಿಯನ್ನು ರಚಿಸಬಹುದು, ಆದರೆ ಅವರ IP ವಿಳಾಸಗಳು ಮಾಸ್ಕೋ ಅಥವಾ ಇತರ ನಗರಗಳಿಂದ ಬಂದವು.
ವಿವಿಧ ನಗರಗಳಲ್ಲಿ ಒಬ್ಬ ಬಳಕೆದಾರರು ಪೋಸ್ಟ್ ಮಾಡಿದ ಜಾಹೀರಾತುಗಳ ಉದಾಹರಣೆ.
ಅಥವಾ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್ ಜಾಹೀರಾತುಗಳಿಗೆ ನಿಯೋಜಿಸುವ ಸ್ಕೋರ್‌ಗಳ ಆಧಾರದ ಮೇಲೆ ನೀವು ಕ್ಯೂಗಳನ್ನು ರಚಿಸಬಹುದು, ಅವುಗಳನ್ನು ಅವರೋಹಣ ಕ್ರಮದಲ್ಲಿ ಜೋಡಿಸಬಹುದು.
ಪ್ರತಿಯೊಂದು ಸರತಿಯು ತನ್ನದೇ ಆದ ಸೂತ್ರದ ಪ್ರಕಾರ, ಜಾಹೀರಾತಿಗೆ ಅಂತಿಮ ಸ್ಕೋರ್ ಅನ್ನು ನಿಯೋಜಿಸುತ್ತದೆ. ನಂತರ ನೀವು ವಿವಿಧ ರೀತಿಯಲ್ಲಿ ಮುಂದುವರಿಯಬಹುದು:
- ಜಾಹೀರಾತು ನಿರ್ದಿಷ್ಟ ರೀತಿಯ ನಿರ್ಬಂಧಿಸುವಿಕೆಯನ್ನು ಸ್ವೀಕರಿಸುವ ಮಿತಿಯನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸಿ;
- ಹಸ್ತಚಾಲಿತ ಪರಿಶೀಲನೆಗಾಗಿ ಸರದಿಯಲ್ಲಿರುವ ಎಲ್ಲಾ ಜಾಹೀರಾತುಗಳನ್ನು ಮಾಡರೇಟರ್‌ಗಳಿಗೆ ಕಳುಹಿಸಿ;
- ಅಥವಾ ಹಿಂದಿನ ಆಯ್ಕೆಗಳನ್ನು ಸಂಯೋಜಿಸಿ: ಸ್ವಯಂಚಾಲಿತ ನಿರ್ಬಂಧಿಸುವ ಮಿತಿಯನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸಿ ಮತ್ತು ಈ ಮಿತಿಯನ್ನು ತಲುಪದಿರುವ ಜಾಹೀರಾತುಗಳನ್ನು ಮಾಡರೇಟರ್‌ಗಳಿಗೆ ಕಳುಹಿಸಿ.
ಈ ಸಾಲುಗಳು ಏಕೆ ಬೇಕು? ಬಳಕೆದಾರರು ಬಂದೂಕಿನ ಫೋಟೋವನ್ನು ಅಪ್‌ಲೋಡ್ ಮಾಡಿದ್ದಾರೆ ಎಂದು ಭಾವಿಸೋಣ. ನರಮಂಡಲವು 95 ರಿಂದ 100 ರವರೆಗಿನ ಅಂಕವನ್ನು ನಿಗದಿಪಡಿಸುತ್ತದೆ ಮತ್ತು ಚಿತ್ರದಲ್ಲಿ ಆಯುಧವಿದೆ ಎಂದು 99 ಪ್ರತಿಶತ ನಿಖರತೆಯೊಂದಿಗೆ ನಿರ್ಧರಿಸುತ್ತದೆ. ಆದರೆ ಸ್ಕೋರ್ ಮೌಲ್ಯವು 95% ಕ್ಕಿಂತ ಕಡಿಮೆಯಿದ್ದರೆ, ಮಾದರಿಯ ನಿಖರತೆ ಕಡಿಮೆಯಾಗಲು ಪ್ರಾರಂಭವಾಗುತ್ತದೆ (ಇದು ನರಮಂಡಲದ ಮಾದರಿಗಳ ವೈಶಿಷ್ಟ್ಯವಾಗಿದೆ).
ಪರಿಣಾಮವಾಗಿ, ಸ್ಕೋರ್ ಮಾದರಿಯ ಆಧಾರದ ಮೇಲೆ ಕ್ಯೂ ರಚನೆಯಾಗುತ್ತದೆ ಮತ್ತು 95 ಮತ್ತು 100 ರ ನಡುವೆ ಸ್ವೀಕರಿಸಿದ ಜಾಹೀರಾತುಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ "ನಿಷೇಧಿತ ಉತ್ಪನ್ನಗಳು" ಎಂದು ನಿರ್ಬಂಧಿಸಲಾಗುತ್ತದೆ. 95 ಕ್ಕಿಂತ ಕಡಿಮೆ ಸ್ಕೋರ್ ಹೊಂದಿರುವ ಜಾಹೀರಾತುಗಳನ್ನು ಹಸ್ತಚಾಲಿತ ಪ್ರಕ್ರಿಯೆಗಾಗಿ ಮಾಡರೇಟರ್‌ಗಳಿಗೆ ಕಳುಹಿಸಲಾಗುತ್ತದೆ.
ಕಾರ್ಟ್ರಿಜ್ಗಳೊಂದಿಗೆ ಚಾಕೊಲೇಟ್ ಬೆರೆಟ್ಟಾ. ಹಸ್ತಚಾಲಿತ ಮಿತಗೊಳಿಸುವಿಕೆಗೆ ಮಾತ್ರ! 🙂
ಹಸ್ತಚಾಲಿತ ಮಿತಗೊಳಿಸುವಿಕೆ
2019 ರ ಆರಂಭದಲ್ಲಿ, ಯುಲಾದಲ್ಲಿನ ಎಲ್ಲಾ ಜಾಹೀರಾತುಗಳಲ್ಲಿ ಸುಮಾರು 94% ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಮಾಡರೇಟ್ ಆಗುತ್ತವೆ.
ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಕೆಲವು ಜಾಹೀರಾತುಗಳನ್ನು ನಿರ್ಧರಿಸಲು ಸಾಧ್ಯವಾಗದಿದ್ದರೆ, ಅದು ಅವುಗಳನ್ನು ಹಸ್ತಚಾಲಿತ ಮಾಡರೇಶನ್‌ಗಾಗಿ ಕಳುಹಿಸುತ್ತದೆ. ಓಡ್ನೋಕ್ಲಾಸ್ನಿಕಿ ತಮ್ಮದೇ ಆದ ಸಾಧನವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ್ದಾರೆ: ಮಾಡರೇಟರ್‌ಗಳಿಗೆ ಕಾರ್ಯಗಳು ತ್ವರಿತ ನಿರ್ಧಾರವನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ಅಗತ್ಯವಿರುವ ಎಲ್ಲಾ ಮಾಹಿತಿಯನ್ನು ತಕ್ಷಣವೇ ಪ್ರದರ್ಶಿಸುತ್ತವೆ - ಜಾಹೀರಾತು ಸೂಕ್ತವಾಗಿದೆ ಅಥವಾ ನಿರ್ಬಂಧಿಸಬೇಕು, ಕಾರಣವನ್ನು ಸೂಚಿಸುತ್ತದೆ.
ಮತ್ತು ಹಸ್ತಚಾಲಿತ ಮಿತಗೊಳಿಸುವಿಕೆಯ ಸಮಯದಲ್ಲಿ ಸೇವೆಯ ಗುಣಮಟ್ಟವು ಬಳಲುತ್ತಿಲ್ಲ, ಜನರ ಕೆಲಸವನ್ನು ನಿರಂತರವಾಗಿ ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಲಾಗುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ಟಾಸ್ಕ್ ಸ್ಟ್ರೀಮ್‌ನಲ್ಲಿ, ಮಾಡರೇಟರ್‌ಗೆ "ಟ್ರ್ಯಾಪ್ಸ್" ಅನ್ನು ತೋರಿಸಲಾಗುತ್ತದೆ - ಜಾಹೀರಾತುಗಳಿಗೆ ಈಗಾಗಲೇ ಸಿದ್ಧ ಪರಿಹಾರಗಳಿವೆ. ಮಾಡರೇಟರ್‌ನ ನಿರ್ಧಾರವು ಮುಗಿದ ನಿರ್ಧಾರದೊಂದಿಗೆ ಹೊಂದಿಕೆಯಾಗದಿದ್ದರೆ, ಮಾಡರೇಟರ್‌ಗೆ ದೋಷವನ್ನು ನೀಡಲಾಗುತ್ತದೆ.
ಸರಾಸರಿಯಾಗಿ, ಮಾಡರೇಟರ್ ಒಂದು ಜಾಹೀರಾತನ್ನು ಪರಿಶೀಲಿಸಲು 10 ಸೆಕೆಂಡುಗಳನ್ನು ಕಳೆಯುತ್ತಾರೆ. ಇದಲ್ಲದೆ, ದೋಷಗಳ ಸಂಖ್ಯೆಯು ಎಲ್ಲಾ ಪರಿಶೀಲಿಸಿದ ಜಾಹೀರಾತುಗಳಲ್ಲಿ 0,5% ಕ್ಕಿಂತ ಹೆಚ್ಚಿಲ್ಲ.
ಜನರ ಮಿತವಾದ
ಓಡ್ನೋಕ್ಲಾಸ್ನಿಕಿಯ ಸಹೋದ್ಯೋಗಿಗಳು ಇನ್ನೂ ಮುಂದೆ ಹೋದರು ಮತ್ತು "ಪ್ರೇಕ್ಷಕರ ಸಹಾಯ" ದ ಲಾಭವನ್ನು ಪಡೆದರು: ಅವರು ಸಾಮಾಜಿಕ ನೆಟ್‌ವರ್ಕ್‌ಗಾಗಿ ಆಟದ ಅಪ್ಲಿಕೇಶನ್ ಅನ್ನು ಬರೆದಿದ್ದಾರೆ, ಇದರಲ್ಲಿ ನೀವು ಹೆಚ್ಚಿನ ಪ್ರಮಾಣದ ಡೇಟಾವನ್ನು ತ್ವರಿತವಾಗಿ ಗುರುತಿಸಬಹುದು, ಕೆಲವು ಕೆಟ್ಟ ಚಿಹ್ನೆಗಳನ್ನು ಹೈಲೈಟ್ ಮಾಡಬಹುದು - ಓಡ್ನೋಕ್ಲಾಸ್ನಿಕಿ ಮಾಡರೇಟರ್ () ವಿಷಯವನ್ನು ಹೆಚ್ಚು ಆನಂದದಾಯಕವಾಗಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತಿರುವ ಸರಿ ಬಳಕೆದಾರರ ಸಹಾಯದ ಲಾಭವನ್ನು ಪಡೆಯಲು ಉತ್ತಮ ಮಾರ್ಗವಾಗಿದೆ.
ಬಳಕೆದಾರರು ಫೋನ್ ಸಂಖ್ಯೆಯನ್ನು ಹೊಂದಿರುವ ಫೋಟೋಗಳನ್ನು ಟ್ಯಾಗ್ ಮಾಡುವ ಆಟ.
ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ನಲ್ಲಿನ ಯಾವುದೇ ಜಾಹೀರಾತುಗಳ ಸರದಿಯನ್ನು ಓಡ್ನೋಕ್ಲಾಸ್ನಿಕಿ ಮಾಡರೇಟರ್ ಆಟಕ್ಕೆ ಮರುನಿರ್ದೇಶಿಸಬಹುದು. ಆಟದ ಬಳಕೆದಾರರು ಗುರುತಿಸುವ ಎಲ್ಲವನ್ನೂ ನಂತರ ಪರಿಶೀಲನೆಗಾಗಿ ಆಂತರಿಕ ಮಾಡರೇಟರ್‌ಗಳಿಗೆ ಕಳುಹಿಸಲಾಗುತ್ತದೆ. ಫಿಲ್ಟರ್‌ಗಳನ್ನು ಇನ್ನೂ ರಚಿಸದ ಜಾಹೀರಾತುಗಳನ್ನು ನಿರ್ಬಂಧಿಸಲು ಮತ್ತು ಏಕಕಾಲದಲ್ಲಿ ತರಬೇತಿ ಮಾದರಿಗಳನ್ನು ರಚಿಸಲು ಈ ಯೋಜನೆಯು ನಿಮಗೆ ಅನುಮತಿಸುತ್ತದೆ.
ಮಾಡರೇಶನ್ ಫಲಿತಾಂಶಗಳನ್ನು ಸಂಗ್ರಹಿಸಲಾಗುತ್ತಿದೆ
ಮಾಡರೇಶನ್ ಸಮಯದಲ್ಲಿ ಮಾಡಿದ ಎಲ್ಲಾ ನಿರ್ಧಾರಗಳನ್ನು ನಾವು ಉಳಿಸುತ್ತೇವೆ ಇದರಿಂದ ನಾವು ಈಗಾಗಲೇ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಂಡಿರುವ ಜಾಹೀರಾತುಗಳನ್ನು ಮರು-ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುವುದಿಲ್ಲ.
ಜಾಹೀರಾತುಗಳ ಆಧಾರದ ಮೇಲೆ ಪ್ರತಿದಿನ ಲಕ್ಷಾಂತರ ಕ್ಲಸ್ಟರ್‌ಗಳನ್ನು ರಚಿಸಲಾಗುತ್ತದೆ. ಕಾಲಾನಂತರದಲ್ಲಿ, ಪ್ರತಿ ಕ್ಲಸ್ಟರ್ ಅನ್ನು "ಒಳ್ಳೆಯದು" ಅಥವಾ "ಕೆಟ್ಟದು" ಎಂದು ಲೇಬಲ್ ಮಾಡಲಾಗುತ್ತದೆ. ಪ್ರತಿಯೊಂದು ಹೊಸ ಜಾಹೀರಾತು ಅಥವಾ ಅದರ ಪರಿಷ್ಕರಣೆ, ಮಾರ್ಕ್‌ನೊಂದಿಗೆ ಕ್ಲಸ್ಟರ್ ಅನ್ನು ನಮೂದಿಸಿ, ಕ್ಲಸ್ಟರ್‌ನಿಂದಲೇ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ರೆಸಲ್ಯೂಶನ್ ಪಡೆಯುತ್ತದೆ. ದಿನಕ್ಕೆ ಸುಮಾರು 20 ಸಾವಿರ ಇಂತಹ ಸ್ವಯಂಚಾಲಿತ ನಿರ್ಣಯಗಳಿವೆ.
ಕ್ಲಸ್ಟರ್ಗೆ ಯಾವುದೇ ಹೊಸ ಪ್ರಕಟಣೆಗಳು ಬರದಿದ್ದರೆ, ಅದನ್ನು ಮೆಮೊರಿಯಿಂದ ತೆಗೆದುಹಾಕಲಾಗುತ್ತದೆ ಮತ್ತು ಅದರ ಹ್ಯಾಶ್ ಮತ್ತು ಪರಿಹಾರವನ್ನು ಅಪಾಚೆ ಕ್ಯಾಸಂಡ್ರಾಗೆ ಬರೆಯಲಾಗುತ್ತದೆ.
ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಹೊಸ ಜಾಹೀರಾತನ್ನು ಸ್ವೀಕರಿಸಿದಾಗ, ಅದು ಮೊದಲು ಈಗಾಗಲೇ ರಚಿಸಿದವರಲ್ಲಿ ಇದೇ ರೀತಿಯ ಕ್ಲಸ್ಟರ್ ಅನ್ನು ಹುಡುಕಲು ಪ್ರಯತ್ನಿಸುತ್ತದೆ ಮತ್ತು ಅದರಿಂದ ಪರಿಹಾರವನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ. ಅಂತಹ ಯಾವುದೇ ಕ್ಲಸ್ಟರ್ ಇಲ್ಲದಿದ್ದರೆ, ವೇದಿಕೆಯು ಕಸ್ಸಂದ್ರಕ್ಕೆ ಹೋಗುತ್ತದೆ ಮತ್ತು ಅಲ್ಲಿ ನೋಡುತ್ತದೆ. ನೀವು ಅದನ್ನು ಕಂಡುಕೊಂಡಿದ್ದೀರಾ? ಗ್ರೇಟ್, ಕ್ಲಸ್ಟರ್ಗೆ ಪರಿಹಾರವನ್ನು ಅನ್ವಯಿಸುತ್ತದೆ ಮತ್ತು ಅದನ್ನು ಯುಲಾಗೆ ಕಳುಹಿಸುತ್ತದೆ. ಪ್ರತಿದಿನ ಸರಾಸರಿ 70 ಸಾವಿರ ಇಂತಹ "ಪುನರಾವರ್ತಿತ" ನಿರ್ಧಾರಗಳಿವೆ - ಒಟ್ಟು 8%.
ಸಾರಾಂಶ
ನಾವು ಎರಡೂವರೆ ವರ್ಷಗಳಿಂದ ಓಡ್ನೋಕ್ಲಾಸ್ನಿಕಿ ಮಾಡರೇಶನ್ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಅನ್ನು ಬಳಸುತ್ತಿದ್ದೇವೆ. ನಾವು ಫಲಿತಾಂಶಗಳನ್ನು ಇಷ್ಟಪಡುತ್ತೇವೆ:
- ನಾವು ದಿನಕ್ಕೆ 94% ಎಲ್ಲಾ ಜಾಹೀರಾತುಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಮಾಡರೇಟ್ ಮಾಡುತ್ತೇವೆ.
- ಒಂದು ಜಾಹೀರಾತನ್ನು ಮಾಡರೇಟ್ ಮಾಡುವ ವೆಚ್ಚವನ್ನು 2 ರೂಬಲ್ಸ್‌ಗಳಿಂದ 7 ಕೊಪೆಕ್‌ಗಳಿಗೆ ಕಡಿಮೆ ಮಾಡಲಾಗಿದೆ.
- ರೆಡಿಮೇಡ್ ಟೂಲ್ಗೆ ಧನ್ಯವಾದಗಳು, ಮಾಡರೇಟರ್ಗಳನ್ನು ನಿರ್ವಹಿಸುವ ಸಮಸ್ಯೆಗಳ ಬಗ್ಗೆ ನಾವು ಮರೆತಿದ್ದೇವೆ.
- ಅದೇ ಸಂಖ್ಯೆಯ ಮಾಡರೇಟರ್‌ಗಳು ಮತ್ತು ಬಜೆಟ್‌ನೊಂದಿಗೆ ನಾವು ಹಸ್ತಚಾಲಿತವಾಗಿ ಸಂಸ್ಕರಿಸಿದ ಜಾಹೀರಾತುಗಳ ಸಂಖ್ಯೆಯನ್ನು 2,5 ಪಟ್ಟು ಹೆಚ್ಚಿಸಿದ್ದೇವೆ. ಸ್ವಯಂಚಾಲಿತ ನಿಯಂತ್ರಣದಿಂದಾಗಿ ಹಸ್ತಚಾಲಿತ ಮಿತಗೊಳಿಸುವಿಕೆಯ ಗುಣಮಟ್ಟವೂ ಹೆಚ್ಚಾಗಿದೆ ಮತ್ತು ಸುಮಾರು 0,5% ದೋಷಗಳು ಏರಿಳಿತಗೊಳ್ಳುತ್ತವೆ.
- ನಾವು ಫಿಲ್ಟರ್‌ಗಳೊಂದಿಗೆ ಹೊಸ ರೀತಿಯ ಸ್ಪ್ಯಾಮ್‌ಗಳನ್ನು ತ್ವರಿತವಾಗಿ ಕವರ್ ಮಾಡುತ್ತೇವೆ.
- ನಾವು ಹೊಸ ಇಲಾಖೆಗಳನ್ನು ಮಾಡರೇಶನ್‌ಗೆ ತ್ವರಿತವಾಗಿ ಸಂಪರ್ಕಿಸುತ್ತೇವೆ . 2017 ರಿಂದ, ಯುಲಾ ರಿಯಲ್ ಎಸ್ಟೇಟ್, ಖಾಲಿ ಹುದ್ದೆಗಳು ಮತ್ತು ಆಟೋ ವರ್ಟಿಕಲ್‌ಗಳನ್ನು ಸೇರಿಸಿದೆ.
ಮೂಲ: www.habr.com