ພວກເຮົາປານກາງການໂຄສະນາແນວໃດ

ແຕ່ລະບໍລິການທີ່ຜູ້ໃຊ້ສາມາດສ້າງເນື້ອຫາຂອງຕົນເອງ (UGC - ເນື້ອຫາທີ່ສ້າງໂດຍຜູ້ໃຊ້) ຖືກບັງຄັບບໍ່ພຽງແຕ່ແກ້ໄຂບັນຫາທຸລະກິດ, ແຕ່ຍັງເຮັດໃຫ້ສິ່ງຕ່າງໆເປັນລະບຽບໃນ UGC. ການປານກາງເນື້ອຫາທີ່ບໍ່ດີຫຼືຄຸນນະພາບຕ່ໍາໃນທີ່ສຸດສາມາດຫຼຸດຜ່ອນຄວາມດຶງດູດຂອງການບໍລິການສໍາລັບຜູ້ໃຊ້, ເຖິງແມ່ນວ່າຈະສິ້ນສຸດການດໍາເນີນງານຂອງມັນ.

ມື້ນີ້ພວກເຮົາຈະບອກທ່ານກ່ຽວກັບການປະສົມປະສານລະຫວ່າງ Yula ແລະ Odnoklassniki, ເຊິ່ງຊ່ວຍໃຫ້ພວກເຮົາປານກາງການໂຄສະນາໃນ Yula.

Synergy ໂດຍທົ່ວໄປແມ່ນສິ່ງທີ່ມີປະໂຫຍດຫຼາຍ, ແລະໃນໂລກທີ່ທັນສະໄຫມ, ເມື່ອເຕັກໂນໂລຢີແລະທ່າອ່ຽງປ່ຽນແປງຢ່າງໄວວາ, ມັນສາມາດກາຍເປັນຕົວຊ່ວຍຊີວິດໄດ້. ເປັນຫຍັງຕ້ອງເສຍຊັບພະຍາກອນທີ່ຫາຍາກ ແລະເວລາໄປປະດິດສິ່ງຂອງທີ່ເຄີຍຄິດຄົ້ນຂຶ້ນມາແລ້ວ ແລະຄິດເຖິງກ່ອນເຈົ້າ?

ພວກເຮົາຄິດຄືກັນເມື່ອພວກເຮົາປະເຊີນຫນ້າກັບວຽກງານອັນເຕັມທີ່ຂອງການຄວບຄຸມເນື້ອຫາຂອງຜູ້ໃຊ້ - ຮູບພາບ, ຂໍ້ຄວາມແລະການເຊື່ອມຕໍ່. ຜູ້ໃຊ້ຂອງພວກເຮົາອັບໂຫຼດຫຼາຍລ້ານເນື້ອໃນໃສ່ Yula ທຸກໆມື້, ແລະບໍ່ມີການປະມວນຜົນອັດຕະໂນມັດ, ມັນເປັນໄປບໍ່ໄດ້ທີ່ຈະຄວບຄຸມຂໍ້ມູນທັງໝົດນີ້ດ້ວຍຕົນເອງ.

ດັ່ງນັ້ນ, ພວກເຮົາໄດ້ໃຊ້ເວທີການປານກາງທີ່ກຽມພ້ອມ, ເຊິ່ງໃນເວລານັ້ນ, ເພື່ອນຮ່ວມງານຂອງພວກເຮົາຈາກ Odnoklassniki ໄດ້ສໍາເລັດໃນສະພາບຂອງ "ເກືອບສົມບູນແບບ."

ເປັນຫຍັງ Odnoklassniki?

ທຸກໆມື້, ຜູ້ໃຊ້ຫຼາຍສິບລ້ານຄົນເຂົ້າມາໃນເຄືອຂ່າຍສັງຄົມແລະເຜີຍແຜ່ເນື້ອຫາຫຼາຍຕື້: ຈາກຮູບພາບໄປຫາວິດີໂອແລະຂໍ້ຄວາມ. ແພລະຕະຟອມຄວບຄຸມ Odnoklassniki ຊ່ວຍໃຫ້ການກວດສອບຂໍ້ມູນຈໍານວນຫຼວງຫຼາຍແລະຕ້ານ spammers ແລະ bots.

ທີມງານ OK moderation ໄດ້ສະສົມປະສົບການຫຼາຍ, ນັບຕັ້ງແຕ່ມັນໄດ້ປັບປຸງເຄື່ອງມືຂອງຕົນສໍາລັບ 12 ປີ. ມັນເປັນສິ່ງສໍາຄັນທີ່ພວກເຂົາສາມາດບໍ່ພຽງແຕ່ແບ່ງປັນວິທີແກ້ໄຂທີ່ກຽມພ້ອມຂອງພວກເຂົາ, ແຕ່ຍັງປັບແຕ່ງສະຖາປັດຕະຍະກໍາຂອງເວທີຂອງພວກເຂົາໃຫ້ເຫມາະສົມກັບວຽກງານສະເພາະຂອງພວກເຮົາ.

ຈາກນີ້ໄປ, ເພື່ອຄວາມສັ້ນ, ພວກເຮົາພຽງແຕ່ຈະເອີ້ນເວທີການປານກາງ OK ວ່າ "ເວທີ."

ທຸກຢ່າງເຮັດວຽກແນວໃດ

ການແລກປ່ຽນຂໍ້ມູນລະຫວ່າງ Yula ແລະ Odnoklassniki ແມ່ນສ້າງຕັ້ງຂຶ້ນໂດຍຜ່ານ Apache Kafka.

ເປັນຫຍັງພວກເຮົາເລືອກເຄື່ອງມືນີ້:

• ໃນ Yula, ການໂຄສະນາທັງຫມົດແມ່ນໄດ້ຮັບການປັບປຸງ, ສະນັ້ນໃນເບື້ອງຕົ້ນການຕອບສະຫນອງ synchronous ແມ່ນບໍ່ຈໍາເປັນ.
• ຖ້າວັກທີ່ບໍ່ດີເກີດຂື້ນແລະ Yula ຫຼື Odnoklassniki ບໍ່ສາມາດໃຊ້ໄດ້, ລວມທັງເນື່ອງຈາກການໂຫຼດສູງສຸດບາງຢ່າງ, ຫຼັງຈາກນັ້ນຂໍ້ມູນຈາກ Kafka ຈະບໍ່ຫາຍໄປທຸກບ່ອນແລະສາມາດອ່ານໄດ້ໃນພາຍຫຼັງ.
• ເວທີດັ່ງກ່າວໄດ້ຖືກປະສົມປະສານກັບ Kafka ແລ້ວ, ດັ່ງນັ້ນບັນຫາຄວາມປອດໄພສ່ວນໃຫຍ່ໄດ້ຖືກແກ້ໄຂ.

ສໍາລັບແຕ່ລະໂຄສະນາທີ່ສ້າງຫຼືດັດແກ້ໂດຍຜູ້ໃຊ້ໃນ Yula, JSON ທີ່ມີຂໍ້ມູນແມ່ນຖືກສ້າງຂຶ້ນ, ເຊິ່ງຖືກຈັດໃສ່ໃນ Kafka ສໍາລັບການປານກາງຕໍ່ມາ. ຈາກ Kafka, ການປະກາດຈະຖືກໂຫລດເຂົ້າໄປໃນເວທີ, ບ່ອນທີ່ພວກເຂົາຖືກຕັດສິນໂດຍອັດຕະໂນມັດຫຼືດ້ວຍຕົນເອງ. ໂຄສະນາທີ່ບໍ່ດີຖືກບລັອກດ້ວຍເຫດຜົນ, ແລະຜູ້ທີ່ຢູ່ໃນເວທີບໍ່ພົບການລະເມີດຈະຖືກຫມາຍເປັນ "ດີ." ຫຼັງຈາກນັ້ນ, ການຕັດສິນໃຈທັງຫມົດແມ່ນຖືກສົ່ງໄປຫາ Yula ແລະນໍາໃຊ້ໃນການບໍລິການ.

ໃນທີ່ສຸດ, ສໍາລັບ Yula ມັນທັງຫມົດແມ່ນມາຈາກການກະທໍາທີ່ງ່າຍດາຍ: ສົ່ງໂຄສະນາໄປຫາເວທີ Odnoklassniki ແລະໄດ້ຮັບການແກ້ໄຂ "ok", ຫຼືເປັນຫຍັງບໍ່ "ok".

ການປະມວນຜົນອັດຕະໂນມັດ

ຈະເກີດຫຍັງຂຶ້ນກັບການໂຄສະນາຫຼັງຈາກທີ່ມັນ hits ເວທີ? ແຕ່ລະໂຄສະນາແບ່ງອອກເປັນຫຼາຍໜ່ວຍ:

• ຊື່,
• ລາຍ​ລະ​ອຽດ​,
• ຮູບ​ພາບ​,
• ໝວດໝູ່ທີ່ເລືອກໂດຍຜູ້ໃຊ້ ແລະໝວດຍ່ອຍຂອງໂຄສະນາ,
• ລາຄາ

ຫຼັງຈາກນັ້ນ, ເວທີຈະດໍາເນີນການ clustering ສໍາລັບແຕ່ລະຫນ່ວຍງານເພື່ອຊອກຫາທີ່ຊ້ໍາກັນ. ຍິ່ງໄປກວ່ານັ້ນ, ຂໍ້ຄວາມແລະຮູບແມ່ນເປັນກຸ່ມຕາມໂຄງການທີ່ແຕກຕ່າງກັນ.

ກ່ອນທີ່ຈະຈັດກຸ່ມ, ຂໍ້ຄວາມຖືກປັບປຸງເປັນປົກກະຕິເພື່ອເອົາຕົວອັກສອນພິເສດ, ຕົວອັກສອນທີ່ມີການປ່ຽນແປງແລະຂີ້ເຫຍື້ອອື່ນໆ. ຂໍ້ມູນທີ່ໄດ້ຮັບແມ່ນແບ່ງອອກເປັນ N-grams, ແຕ່ລະອັນແມ່ນ hashed. ຜົນໄດ້ຮັບແມ່ນຫຼາຍ hashes ເປັນເອກະລັກ. ຄວາມຄ້າຍຄືກັນລະຫວ່າງບົດເລື່ອງແມ່ນຖືກກໍານົດໂດຍ ມາດຕະການຂອງ Jaccard ລະຫວ່າງສອງຊຸດຜົນໄດ້ຮັບ. ຖ້າຄວາມຄ້າຍຄືກັນແມ່ນໃຫຍ່ກວ່າເກນ, ຫຼັງຈາກນັ້ນບົດເລື່ອງຕ່າງໆຈະຖືກລວມເຂົ້າເປັນກຸ່ມດຽວ. ເພື່ອເລັ່ງການຄົ້ນຫາກຸ່ມທີ່ຄ້າຍຄືກັນ, MinHash ແລະ Locality-sensitive hashing ຖືກນໍາໃຊ້.

ທາງເລືອກຕ່າງໆສໍາລັບການຕິດກາວຮູບພາບໄດ້ຖືກປະດິດສໍາລັບການຖ່າຍຮູບ, ຈາກການປຽບທຽບຮູບພາບ pHash ໄປຫາການຄົ້ນຫາທີ່ຊ້ໍາກັນໂດຍໃຊ້ເຄືອຂ່າຍ neural.

ວິທີການສຸດທ້າຍແມ່ນ "ຮ້າຍແຮງທີ່ສຸດ". ເພື່ອຝຶກອົບຮົມແບບຈໍາລອງ, ຮູບສາມຫຼ່ຽມ (N, A, P) ຖືກເລືອກໃນທີ່ N ບໍ່ຄ້າຍຄືກັນກັບ A, ແລະ P ແມ່ນຄ້າຍຄືກັນກັບ A (ແມ່ນເຄິ່ງທີ່ຊ້ໍາກັນ). ຫຼັງຈາກນັ້ນ, ເຄືອຂ່າຍ neural ໄດ້ຮຽນຮູ້ເພື່ອເຮັດໃຫ້ A ແລະ P ໃກ້ຊິດເທົ່າທີ່ເປັນໄປໄດ້, ແລະ A ແລະ N ເທົ່າທີ່ເປັນໄປໄດ້. ນີ້ເຮັດໃຫ້ຜົນບວກທີ່ບໍ່ຖືກຕ້ອງຫນ້ອຍລົງເມື່ອທຽບກັບພຽງແຕ່ການຝັງຕົວຈາກເຄືອຂ່າຍທີ່ໄດ້ຮັບການຝຶກອົບຮົມກ່ອນ.

ເມື່ອເຄືອຂ່າຍ neural ໄດ້ຮັບຮູບພາບເປັນການປ້ອນຂໍ້ມູນ, ມັນຈະສ້າງ vector ມິຕິລະດັບ N(128) ສໍາລັບແຕ່ລະພວກມັນແລະການຮ້ອງຂໍແມ່ນເຮັດເພື່ອປະເມີນຄວາມໃກ້ຊິດຂອງຮູບພາບ. ຕໍ່ໄປ, ຂອບເຂດຈະຖືກຄິດໄລ່ທີ່ຮູບພາບທີ່ໃກ້ຊິດຖືກພິຈາລະນາວ່າຊ້ໍາກັນ.

ຮູບແບບສາມາດຊອກຫາ spammers ທີ່ຊໍານິຊໍານານໂດຍສະເພາະການຖ່າຍຮູບຜະລິດຕະພັນດຽວກັນຈາກມຸມທີ່ແຕກຕ່າງກັນເພື່ອຂ້າມການປຽບທຽບ pHash.

ຕົວຢ່າງຂອງຮູບພາບຂີ້ເຫຍື້ອທີ່ຕິດກັນໂດຍເຄືອຂ່າຍ neural ເປັນການຊໍ້າກັນ.

ໃນຂັ້ນຕອນສຸດທ້າຍ, ການໂຄສະນາທີ່ຊ້ໍາກັນໄດ້ຖືກຄົ້ນຫາພ້ອມໆກັນໂດຍທັງຂໍ້ຄວາມແລະຮູບພາບ.

ຖ້າໂຄສະນາສອງຫຼືຫຼາຍກວ່ານັ້ນຕິດຢູ່ຮ່ວມກັນໃນກຸ່ມ, ລະບົບຈະເລີ່ມການປິດກັ້ນອັດຕະໂນມັດ, ເຊິ່ງ, ໂດຍໃຊ້ສູດການຄິດໄລ່ທີ່ແນ່ນອນ, ເລືອກວ່າຈະລຶບອັນໃດຊໍ້າກັນແລະອັນໃດທີ່ຈະອອກ. ຕົວຢ່າງ, ຖ້າຜູ້ໃຊ້ສອງຄົນມີຮູບດຽວກັນຢູ່ໃນໂຄສະນາ, ລະບົບຈະບລັອກໂຄສະນາທີ່ຜ່ານມາ.

ເມື່ອສ້າງແລ້ວ, ກຸ່ມທັງໝົດຈະຜ່ານຕົວກອງອັດຕະໂນມັດຫຼາຍຊຸດ. ແຕ່ລະຕົວກອງຈະມອບຄະແນນໃຫ້ກຸ່ມ: ມັນເປັນໄປໄດ້ແນວໃດທີ່ມັນມີໄພຂົ່ມຂູ່ທີ່ຕົວກອງນີ້ລະບຸ.

ຕົວຢ່າງ, ລະບົບຈະວິເຄາະຄໍາອະທິບາຍໃນການໂຄສະນາແລະເລືອກປະເພດທີ່ມີທ່າແຮງສໍາລັບມັນ. ຫຼັງຈາກນັ້ນ, ມັນໃຊ້ເວລາຫນຶ່ງທີ່ມີຄວາມເປັນໄປໄດ້ສູງສຸດແລະປຽບທຽບກັບປະເພດທີ່ລະບຸໄວ້ໂດຍຜູ້ຂຽນຂອງໂຄສະນາ. ຖ້າພວກເຂົາບໍ່ກົງກັນ, ໂຄສະນາຖືກບລັອກສໍາລັບປະເພດທີ່ບໍ່ຖືກຕ້ອງ. ແລະຍ້ອນວ່າພວກເຮົາມີຄວາມເມດຕາແລະຄວາມຊື່ສັດ, ພວກເຮົາບອກຜູ້ໃຊ້ໂດຍກົງວ່າລາວຕ້ອງການເລືອກປະເພດໃດເພື່ອໃຫ້ໂຄສະນາຜ່ານປານກາງ.

ແຈ້ງການປິດກັ້ນສໍາລັບປະເພດທີ່ບໍ່ຖືກຕ້ອງ.

ການຮຽນຮູ້ເຄື່ອງຈັກຮູ້ສຶກດີຢູ່ເຮືອນໃນເວທີຂອງພວກເຮົາ. ຕົວຢ່າງ, ດ້ວຍການຊ່ວຍເຫຼືອຂອງມັນ, ພວກເຮົາຄົ້ນຫາໃນຊື່ແລະຄໍາອະທິບາຍຂອງສິນຄ້າທີ່ຫ້າມໃນສະຫະພັນລັດເຊຍ. ແລະຕົວແບບເຄືອຂ່າຍ neural ລະມັດລະວັງ "ກວດເບິ່ງ" ຮູບພາບເພື່ອເບິ່ງວ່າພວກມັນມີ URLs, ຂໍ້ຄວາມຂີ້ເຫຍື້ອ, ເບີໂທລະສັບ, ແລະຂໍ້ມູນ "ຫ້າມ" ດຽວກັນ.

ສຳລັບກໍລະນີທີ່ເຂົາເຈົ້າພະຍາຍາມຂາຍສິນຄ້າຕ້ອງຫ້າມປອມຕົວເປັນສິ່ງທີ່ຖືກຕ້ອງຕາມກົດໝາຍ, ແລະ ບໍ່ມີຂໍ້ຄວາມໃນຫົວຂໍ້ ຫຼື ຄຳອະທິບາຍ, ພວກເຮົາໃຊ້ການແທັກຮູບພາບ. ສໍາລັບແຕ່ລະຮູບພາບ, ສາມາດເພີ່ມໄດ້ເຖິງ 11 ພັນແທັກທີ່ແຕກຕ່າງກັນທີ່ອະທິບາຍສິ່ງທີ່ຢູ່ໃນຮູບພາບ.

ເຂົາເຈົ້າພະຍາຍາມຂາຍ hookah ໂດຍປອມຕົວເປັນ samovar.

ໃນຂະຫນານກັບການກັ່ນຕອງສະລັບສັບຊ້ອນ, ງ່າຍດາຍຍັງເຮັດວຽກ, ແກ້ໄຂບັນຫາທີ່ຊັດເຈນກ່ຽວກັບຂໍ້ຄວາມ:

• antimat;
• ຕົວກວດຈັບ URL ແລະເບີໂທລະສັບ;
• ການກ່າວເຖິງຜູ້ສົ່ງຂ່າວທັນທີແລະການຕິດຕໍ່ອື່ນໆ;
• ຫຼຸດລາຄາ;
• ການໂຄສະນາທີ່ບໍ່ມີການຂາຍ, ແລະອື່ນໆ.

ໃນມື້ນີ້, ທຸກໆການໂຄສະນາຜ່ານ sieve ທີ່ດີຂອງຫຼາຍກ່ວາ 50 ຕົວກອງອັດຕະໂນມັດທີ່ພະຍາຍາມຊອກຫາສິ່ງທີ່ບໍ່ດີໃນການໂຄສະນາ.

ຖ້າບໍ່ມີເຄື່ອງກວດຈັບໃດເຮັດວຽກ, ຄໍາຕອບຈະຖືກສົ່ງໄປຫາ Yula ວ່າໂຄສະນາ "ເປັນໄປໄດ້" ໃນຄໍາສັ່ງທີ່ສົມບູນແບບ. ພວກເຮົາໃຊ້ຄໍາຕອບນີ້ເອງ, ແລະຜູ້ໃຊ້ທີ່ໄດ້ລົງທະບຽນກັບຜູ້ຂາຍໄດ້ຮັບການແຈ້ງເຕືອນກ່ຽວກັບການມີຜະລິດຕະພັນໃຫມ່.

ແຈ້ງການວ່າຜູ້ຂາຍມີຜະລິດຕະພັນໃຫມ່.

ດັ່ງນັ້ນ, ແຕ່ລະໂຄສະນາແມ່ນ "overgrown" ກັບ metadata, ບາງສ່ວນຂອງທີ່ສ້າງຂຶ້ນໃນເວລາທີ່ການໂຄສະນາໄດ້ຖືກສ້າງ (ທີ່ຢູ່ IP ຂອງຜູ້ຂຽນ, ຕົວແທນຜູ້ໃຊ້, ເວທີ, geolocation, ແລະອື່ນໆ), ແລະສ່ວນທີ່ເຫຼືອແມ່ນຄະແນນອອກໂດຍແຕ່ລະຕົວກອງ. .

ຄິວປະກາດ

ເມື່ອໂຄສະນາຕີເວທີ, ລະບົບເຮັດໃຫ້ມັນຢູ່ໃນແຖວຫນຶ່ງ. ແຕ່ລະແຖວຖືກສ້າງຂື້ນໂດຍໃຊ້ສູດຄະນິດສາດທີ່ປະສົມປະສານ metadata ໂຄສະນາໃນທາງທີ່ກວດພົບຮູບແບບທີ່ບໍ່ດີ.

ຕົວຢ່າງ, ທ່ານສາມາດສ້າງແຖວໂຄສະນາໃນຫມວດ "ໂທລະສັບມືຖື" ຈາກຜູ້ໃຊ້ Yula supposedly ຈາກ St. Petersburg, ແຕ່ທີ່ຢູ່ IP ຂອງພວກເຂົາແມ່ນມາຈາກ Moscow ຫຼືເມືອງອື່ນໆ.

ຕົວຢ່າງຂອງການໂຄສະນາທີ່ປະກາດໂດຍຜູ້ໃຊ້ຫນຶ່ງໃນເມືອງທີ່ແຕກຕ່າງກັນ.

ຫຼືທ່ານສາມາດສ້າງຄິວໂດຍອີງໃສ່ຄະແນນທີ່ເຄືອຂ່າຍ neural ມອບໃຫ້ການໂຄສະນາ, ຈັດລຽງຕາມລໍາດັບຈາກໃຫຍ່ໄປຫາ.

ແຕ່ລະແຖວ, ອີງຕາມສູດຂອງຕົນເອງ, ມອບຄະແນນສຸດທ້າຍໃຫ້ກັບໂຄສະນາ. ຫຼັງຈາກນັ້ນ, ທ່ານສາມາດດໍາເນີນການໃນວິທີທີ່ແຕກຕ່າງກັນ:

• ກໍານົດຂອບເຂດທີ່ໂຄສະນາຈະໄດ້ຮັບບາງປະເພດຂອງການສະກັດ;
• ສົ່ງໂຄສະນາທັງໝົດໃນຄິວໄປຫາຜູ້ຄວບຄຸມເພື່ອທົບທວນຄູ່ມື;
• ຫຼືປະສົມປະສານທາງເລືອກທີ່ຜ່ານມາ: ກໍານົດຂອບເຂດການປິດກັ້ນອັດຕະໂນມັດແລະສົ່ງໃຫ້ຜູ້ຄວບຄຸມການໂຄສະນາເຫຼົ່ານັ້ນທີ່ຍັງບໍ່ທັນຮອດເກນນີ້.

ເປັນຫຍັງຄິວເຫຼົ່ານີ້ຕ້ອງການ? ສົມມຸດວ່າຜູ້ໃຊ້ອັບໂຫລດຮູບປືນ. ເຄືອຂ່າຍ neural ກໍານົດໃຫ້ມັນຄະແນນຈາກ 95 ຫາ 100 ແລະກໍານົດດ້ວຍຄວາມຖືກຕ້ອງ 99 ເປີເຊັນວ່າມີອາວຸດຢູ່ໃນຮູບ. ແຕ່ຖ້າມູນຄ່າຄະແນນຕ່ໍາກວ່າ 95%, ຄວາມຖືກຕ້ອງຂອງຕົວແບບຈະເລີ່ມຫຼຸດລົງ (ນີ້ແມ່ນລັກສະນະຂອງຕົວແບບເຄືອຂ່າຍ neural).

ດັ່ງນັ້ນ, ຄິວຖືກສ້າງຕັ້ງຂຶ້ນໂດຍອີງໃສ່ຮູບແບບຄະແນນ, ແລະການໂຄສະນາທີ່ໄດ້ຮັບຈາກ 95 ຫາ 100 ຈະຖືກບລັອກໂດຍອັດຕະໂນມັດເປັນ "ຜະລິດຕະພັນທີ່ຫ້າມ". ໂຄສະນາທີ່ມີຄະແນນຕໍ່າກວ່າ 95 ແມ່ນຖືກສົ່ງໄປຫາຜູ້ຄວບຄຸມສໍາລັບການປຸງແຕ່ງດ້ວຍຕົນເອງ.

Chocolate Beretta ກັບຕະຫລັບຫມຶກ. ພຽງແຕ່ສໍາລັບການປານກາງຄູ່ມື! 🙂

ການຄວບຄຸມຄູ່ມື

ໃນຕອນຕົ້ນຂອງ 2019, ປະມານ 94% ຂອງການໂຄສະນາທັງຫມົດໃນ Yula ໄດ້ຖືກປັບປຸງອັດຕະໂນມັດ.

ຖ້າແພລະຕະຟອມບໍ່ສາມາດຕັດສິນໃຈກ່ຽວກັບການໂຄສະນາບາງຢ່າງ, ມັນສົ່ງໃຫ້ພວກເຂົາສໍາລັບການປານກາງຄູ່ມື. Odnoklassniki ພັດທະນາເຄື່ອງມືຂອງຕົນເອງ: ວຽກງານສໍາລັບຜູ້ຄວບຄຸມທັນທີສະແດງຂໍ້ມູນທີ່ຈໍາເປັນທັງຫມົດເພື່ອຕັດສິນໃຈຢ່າງໄວວາ - ໂຄສະນາທີ່ເຫມາະສົມຫຼືຄວນຈະຖືກບລັອກ, ຊີ້ບອກເຫດຜົນ.

ແລະເພື່ອໃຫ້ຄຸນນະພາບຂອງການບໍລິການບໍ່ທົນທຸກໃນເວລາປານກາງ, ວຽກງານຂອງປະຊາຊົນໄດ້ຖືກຕິດຕາມຢ່າງຕໍ່ເນື່ອງ. ຕົວຢ່າງ, ໃນກະແສວຽກ, ຜູ້ຄວບຄຸມຈະສະແດງ "ໃສ່ກັບດັກ" - ໂຄສະນາທີ່ມີວິທີແກ້ໄຂທີ່ກຽມພ້ອມແລ້ວ. ຖ້າການຕັດສິນໃຈຂອງຜູ້ຄວບຄຸມບໍ່ກົງກັນກັບອັນທີ່ສໍາເລັດແລ້ວ, ຜູ້ຄວບຄຸມຈະໄດ້ຮັບຄວາມຜິດພາດ.

ໂດຍສະເລ່ຍ, ຜູ້ຄວບຄຸມໃຊ້ເວລາ 10 ວິນາທີເພື່ອກວດເບິ່ງໂຄສະນາຫນຶ່ງ. ຍິ່ງໄປກວ່ານັ້ນ, ຈໍານວນຂໍ້ຜິດພາດບໍ່ເກີນ 0,5% ຂອງການໂຄສະນາທີ່ຢືນຢັນທັງຫມົດ.

ການປານກາງຂອງປະຊາຊົນ

ເພື່ອນຮ່ວມງານຈາກ Odnoklassniki ໄດ້ໄປຕື່ມອີກແລະໃຊ້ປະໂຫຍດຈາກ "ການຊ່ວຍເຫຼືອຂອງຜູ້ຊົມ": ພວກເຂົາຂຽນຄໍາຮ້ອງສະຫມັກເກມສໍາລັບເຄືອຂ່າຍສັງຄົມທີ່ທ່ານສາມາດຫມາຍຂໍ້ມູນຈໍານວນຫຼວງຫຼາຍໄດ້ໄວ, ເນັ້ນໃສ່ສັນຍານທີ່ບໍ່ດີ - Odnoklassniki Moderator (https://ok.ru/app/moderator). ວິທີທີ່ດີທີ່ຈະໃຊ້ປະໂຫຍດຈາກການຊ່ວຍເຫຼືອຂອງຜູ້ໃຊ້ OK ທີ່ພະຍາຍາມເຮັດໃຫ້ເນື້ອຫາມີຄວາມມ່ວນຫຼາຍ.

ເກມທີ່ຜູ້ໃຊ້ແທັກຮູບທີ່ມີເບີໂທລະສັບໃສ່ພວກມັນ.

ແຖວໂຄສະນາໃດໆໃນເວທີສາມາດຖືກໂອນໄປຫາເກມ Odnoklassniki Moderator. ທຸກຢ່າງທີ່ຜູ້ໃຊ້ເກມໝາຍເຖິງຈະຖືກສົ່ງໄປໃຫ້ຜູ້ຄວບຄຸມພາຍໃນກວດສອບ. ໂຄງ​ການ​ນີ້​ອະ​ນຸ​ຍາດ​ໃຫ້​ທ່ານ​ເພື່ອ​ຕັນ​ການ​ໂຄ​ສະ​ນາ​ສໍາ​ລັບ​ການ​ທີ່​ຕົວ​ກັ່ນ​ຕອງ​ຍັງ​ບໍ່​ທັນ​ໄດ້​ຮັບ​ການ​ສ້າງ​ຕັ້ງ​, ແລະ​ພ້ອມ​ກັນ​ສ້າງ​ຕົວ​ຢ່າງ​ການ​ຝຶກ​ອົບ​ຮົມ​.

ການເກັບຮັກສາຜົນໄດ້ຮັບປານກາງ

ພວກເຮົາບັນທຶກການຕັດສິນໃຈທັງໝົດທີ່ເຮັດໃນລະຫວ່າງການປານກາງເພື່ອບໍ່ໃຫ້ພວກເຮົາປະມວນຜົນການໂຄສະນາເຫຼົ່ານັ້ນຄືນໃໝ່ທີ່ພວກເຮົາໄດ້ຕັດສິນໃຈແລ້ວ.

ລ້ານກຸ່ມຖືກສ້າງຂື້ນທຸກໆມື້ໂດຍອີງໃສ່ການໂຄສະນາ. ເມື່ອເວລາຜ່ານໄປ, ແຕ່ລະກຸ່ມຖືກຕິດສະຫຼາກ "ດີ" ຫຼື "ບໍ່ດີ". ແຕ່ລະໂຄສະນາໃຫມ່ຫຼືການແກ້ໄຂຂອງມັນ, ເຂົ້າໄປໃນກຸ່ມທີ່ມີເຄື່ອງຫມາຍ, ອັດຕະໂນມັດໄດ້ຮັບການແກ້ໄຂຈາກກຸ່ມຕົວມັນເອງ. ມີປະມານ 20 ພັນການແກ້ໄຂອັດຕະໂນມັດດັ່ງກ່າວຕໍ່ມື້.

ຖ້າບໍ່ມີການປະກາດໃຫມ່ມາຮອດກຸ່ມ, ມັນຈະຖືກລຶບອອກຈາກຫນ່ວຍຄວາມຈໍາແລະ hash ແລະການແກ້ໄຂຂອງມັນຖືກຂຽນໃສ່ Apache Cassandra.

ເມື່ອເວທີໄດ້ຮັບການໂຄສະນາໃຫມ່, ມັນທໍາອິດພະຍາຍາມຊອກຫາກຸ່ມທີ່ຄ້າຍຄືກັນໃນບັນດາຜູ້ທີ່ສ້າງແລ້ວແລະເອົາວິທີແກ້ໄຂຈາກມັນ. ຖ້າບໍ່ມີກຸ່ມດັ່ງກ່າວ, ເວທີຈະໄປຫາ Cassandra ແລະເບິ່ງຢູ່ທີ່ນັ້ນ. ເຈົ້າພົບເຫັນບໍ? ຍິ່ງໃຫຍ່, ນໍາໃຊ້ການແກ້ໄຂກັບກຸ່ມແລະສົ່ງໃຫ້ Yula. ມີການຕັດສິນໃຈແບບ "ຊ້ຳໆ" ໂດຍສະເລ່ຍ 70 ພັນຄົນໃນແຕ່ລະມື້ - 8% ຂອງຈຳນວນທັງໝົດ.

ເພື່ອສະຫຼຸບ

ພວກເຮົາໄດ້ໃຊ້ເວທີການປານກາງ Odnoklassniki ສໍາລັບສອງປີເຄິ່ງ. ພວກເຮົາມັກຜົນໄດ້ຮັບ:

• ພວກເຮົາປານກາງ 94% ຂອງການໂຄສະນາທັງຫມົດຕໍ່ມື້ໂດຍອັດຕະໂນມັດ.
• ຄ່າໃຊ້ຈ່າຍໃນການແກ້ໄຂການໂຄສະນາຫນຶ່ງໄດ້ຖືກຫຼຸດລົງຈາກ 2 rubles ເປັນ 7 kopecks.
• ຂໍຂອບໃຈກັບເຄື່ອງມືທີ່ກຽມພ້ອມ, ພວກເຮົາລືມກ່ຽວກັບບັນຫາຂອງການຄຸ້ມຄອງຜູ້ຄວບຄຸມ.
• ພວກເຮົາໄດ້ເພີ່ມຈໍານວນການໂຄສະນາທີ່ປຸງແຕ່ງດ້ວຍຕົນເອງ 2,5 ເທົ່າດ້ວຍຈໍານວນຜູ້ຄວບຄຸມແລະງົບປະມານດຽວກັນ. ຄຸນນະພາບຂອງການປານກາງຄູ່ມືຍັງໄດ້ເພີ່ມຂຶ້ນເນື່ອງຈາກການຄວບຄຸມອັດຕະໂນມັດ, ແລະການຜັນຜວນປະມານ 0,5% ຂອງຄວາມຜິດພາດ.
• ພວກເຮົາກວມເອົາປະເພດໃຫມ່ຂອງ spam ຢ່າງໄວວາດ້ວຍຕົວກອງ.
• ພວກ​ເຮົາ​ເຊື່ອມ​ຕໍ່​ພະ​ແນກ​ໃຫມ່​ຢ່າງ​ວ່ອງ​ໄວ​ກັບ​ການ​ປານ​ກາງ​ "Yula Verticals". ນັບຕັ້ງແຕ່ 2017, Yula ໄດ້ເພີ່ມອະສັງຫາລິມະສັບ, ຫວ່າງງານ ແລະແນວຕັ້ງອັດຕະໂນມັດ.

ແຫຼ່ງຂໍ້ມູນ: www.habr.com