ഞങ്ങൾ പരസ്യങ്ങൾ എങ്ങനെ മോഡറേറ്റ് ചെയ്യുന്നു

ഉപയോക്താക്കൾക്ക് അവരുടേതായ ഉള്ളടക്കം സൃഷ്ടിക്കാൻ കഴിയുന്ന ഓരോ സേവനവും (UGC - ഉപയോക്താവ് സൃഷ്ടിച്ച ഉള്ളടക്കം) ബിസിനസ് പ്രശ്നങ്ങൾ പരിഹരിക്കാൻ മാത്രമല്ല, UGC-യിൽ കാര്യങ്ങൾ ക്രമീകരിക്കാനും നിർബന്ധിതരാകുന്നു. മോശം അല്ലെങ്കിൽ നിലവാരം കുറഞ്ഞ ഉള്ളടക്ക മോഡറേഷൻ ആത്യന്തികമായി ഉപയോക്താക്കൾക്കുള്ള സേവനത്തിന്റെ ആകർഷണം കുറയ്ക്കുകയും അതിന്റെ പ്രവർത്തനം അവസാനിപ്പിക്കുകയും ചെയ്യും.

യൂലയും ഒഡ്‌നോക്ലാസ്‌നിക്കിയും തമ്മിലുള്ള സമന്വയത്തെക്കുറിച്ച് ഇന്ന് ഞങ്ങൾ നിങ്ങളോട് പറയും, ഇത് യുലയിലെ പരസ്യങ്ങൾ ഫലപ്രദമായി മോഡറേറ്റ് ചെയ്യാൻ ഞങ്ങളെ സഹായിക്കുന്നു.

പൊതുവെ സമന്വയം വളരെ ഉപയോഗപ്രദമായ ഒരു കാര്യമാണ്, ആധുനിക ലോകത്ത്, സാങ്കേതികവിദ്യകളും പ്രവണതകളും വളരെ വേഗത്തിൽ മാറുമ്പോൾ, അത് ഒരു ലൈഫ് സേവർ ആയി മാറും. നിങ്ങളുടെ മുമ്പിൽ കണ്ടുപിടിച്ചതും മനസ്സിൽ കൊണ്ടുവന്നതുമായ എന്തെങ്കിലും കണ്ടുപിടിക്കാൻ എന്തിനാണ് വിരളമായ വിഭവങ്ങളും സമയവും പാഴാക്കുന്നത്?

ഉപയോക്തൃ ഉള്ളടക്കം മോഡറേറ്റ് ചെയ്യാനുള്ള മുഴുവൻ ചുമതലയും നേരിടേണ്ടി വന്നപ്പോൾ ഞങ്ങൾ ഇതേ കാര്യം ചിന്തിച്ചു - ചിത്രങ്ങൾ, ടെക്സ്റ്റ്, ലിങ്കുകൾ. ഞങ്ങളുടെ ഉപയോക്താക്കൾ ഓരോ ദിവസവും ദശലക്ഷക്കണക്കിന് ഉള്ളടക്കങ്ങൾ യുലയിലേക്ക് അപ്‌ലോഡ് ചെയ്യുന്നു, കൂടാതെ യാന്ത്രിക പ്രോസസ്സിംഗ് കൂടാതെ ഈ ഡാറ്റയെല്ലാം സ്വമേധയാ മോഡറേറ്റ് ചെയ്യുന്നത് പൂർണ്ണമായും അസാധ്യമാണ്.

അതിനാൽ, ഞങ്ങൾ ഒരു റെഡിമെയ്ഡ് മോഡറേഷൻ പ്ലാറ്റ്ഫോം ഉപയോഗിച്ചു, അപ്പോഴേക്കും ഒഡ്നോക്ലാസ്നിക്കിയിൽ നിന്നുള്ള ഞങ്ങളുടെ സഹപ്രവർത്തകർ "ഏതാണ്ട് പൂർണത" എന്ന നിലയിലേക്ക് പൂർത്തിയാക്കിയിരുന്നു.

എന്തുകൊണ്ട് Odnoklassniki?

എല്ലാ ദിവസവും, ദശലക്ഷക്കണക്കിന് ഉപയോക്താക്കൾ സോഷ്യൽ നെറ്റ്‌വർക്കിലേക്ക് വരികയും കോടിക്കണക്കിന് ഉള്ളടക്കങ്ങൾ പ്രസിദ്ധീകരിക്കുകയും ചെയ്യുന്നു: ഫോട്ടോകൾ മുതൽ വീഡിയോകളും ടെക്‌സ്‌റ്റുകളും വരെ. Odnoklassniki മോഡറേഷൻ പ്ലാറ്റ്‌ഫോം വളരെ വലിയ അളവിലുള്ള ഡാറ്റ പരിശോധിക്കാനും സ്‌പാമർമാരെയും ബോട്ടുകളെയും പ്രതിരോധിക്കാനും സഹായിക്കുന്നു.

12 വർഷമായി അതിന്റെ ഉപകരണം മെച്ചപ്പെടുത്തുന്നതിനാൽ, OK മോഡറേഷൻ ടീം ധാരാളം അനുഭവങ്ങൾ ശേഖരിച്ചു. അവർക്ക് അവരുടെ റെഡിമെയ്ഡ് സൊല്യൂഷനുകൾ പങ്കിടാൻ മാത്രമല്ല, ഞങ്ങളുടെ നിർദ്ദിഷ്ട ജോലികൾക്ക് അനുയോജ്യമായ രീതിയിൽ അവരുടെ പ്ലാറ്റ്‌ഫോമിന്റെ ആർക്കിടെക്ചർ ഇഷ്‌ടാനുസൃതമാക്കാനും കഴിയും എന്നത് പ്രധാനമാണ്.

ഇനി മുതൽ, സംക്ഷിപ്തതയ്ക്കായി, ഞങ്ങൾ OK മോഡറേഷൻ പ്ലാറ്റ്‌ഫോമിനെ "പ്ലാറ്റ്ഫോം" എന്ന് വിളിക്കും.

എല്ലാം എങ്ങനെ പ്രവർത്തിക്കുന്നു

യൂലയും ഒഡ്‌നോക്ലാസ്‌നിക്കിയും തമ്മിലുള്ള ഡാറ്റാ കൈമാറ്റം സ്ഥാപിക്കപ്പെടുന്നു അപ്പാച്ച കാഫ്ക.

എന്തുകൊണ്ടാണ് ഞങ്ങൾ ഈ ഉപകരണം തിരഞ്ഞെടുത്തത്:

• യൂലയിൽ, എല്ലാ പരസ്യങ്ങളും പോസ്റ്റ്-മോഡറേറ്റഡ് ആയതിനാൽ തുടക്കത്തിൽ ഒരു സമന്വയ പ്രതികരണം ആവശ്യമില്ല.
• ഒരു മോശം ഖണ്ഡിക സംഭവിക്കുകയും ചില പീക്ക് ലോഡുകൾ ഉൾപ്പെടെ യുല അല്ലെങ്കിൽ ഒഡ്‌നോക്ലാസ്‌നികി ലഭ്യമല്ലെങ്കിൽ, കാഫ്കയിൽ നിന്നുള്ള ഡാറ്റ എവിടെയും അപ്രത്യക്ഷമാകില്ല, പിന്നീട് വായിക്കാനും കഴിയും.
• പ്ലാറ്റ്ഫോം ഇതിനകം കാഫ്കയുമായി സംയോജിപ്പിച്ചിരുന്നു, അതിനാൽ മിക്ക സുരക്ഷാ പ്രശ്നങ്ങളും പരിഹരിച്ചു.

യൂലയിലെ ഉപയോക്താവ് സൃഷ്‌ടിച്ചതോ പരിഷ്‌ക്കരിച്ചതോ ആയ ഓരോ പരസ്യത്തിനും, ഡാറ്റയുള്ള ഒരു JSON ജനറേറ്റ് ചെയ്യപ്പെടുന്നു, അത് തുടർന്നുള്ള മോഡറേഷനായി കാഫ്കയിൽ സ്ഥാപിക്കും. കാഫ്കയിൽ നിന്ന്, അറിയിപ്പുകൾ പ്ലാറ്റ്‌ഫോമിലേക്ക് ലോഡുചെയ്യുന്നു, അവിടെ അവ യാന്ത്രികമായോ സ്വമേധയാ വിധിക്കപ്പെടുന്നു. മോശം പരസ്യങ്ങൾ ഒരു കാരണത്താൽ തടഞ്ഞിരിക്കുന്നു, കൂടാതെ പ്ലാറ്റ്‌ഫോം ലംഘനങ്ങൾ കണ്ടെത്താത്തവ "നല്ലത്" എന്ന് അടയാളപ്പെടുത്തുന്നു. തുടർന്ന് എല്ലാ തീരുമാനങ്ങളും യുലയിലേക്ക് തിരികെ അയയ്ക്കുകയും സേവനത്തിൽ പ്രയോഗിക്കുകയും ചെയ്യുന്നു.

അവസാനം, യുലയെ സംബന്ധിച്ചിടത്തോളം ഇതെല്ലാം ലളിതമായ പ്രവർത്തനങ്ങളിലേക്ക് വരുന്നു: ഒഡ്‌നോക്ലാസ്‌നിക്കി പ്ലാറ്റ്‌ഫോമിലേക്ക് ഒരു പരസ്യം അയച്ച് “ശരി” അല്ലെങ്കിൽ എന്തുകൊണ്ട് “ശരി” എന്ന ഒരു റെസല്യൂഷൻ തിരികെ നേടുക.

യാന്ത്രിക പ്രോസസ്സിംഗ്

പ്ലാറ്റ്‌ഫോമിൽ എത്തിയതിന് ശേഷം പരസ്യത്തിന് എന്ത് സംഭവിക്കും? ഓരോ പരസ്യവും നിരവധി എന്റിറ്റികളായി തിരിച്ചിരിക്കുന്നു:

• പേര്,
• വിവരണം,
• ഫോട്ടോകൾ,
• ഉപയോക്താവ് തിരഞ്ഞെടുത്ത വിഭാഗവും പരസ്യത്തിന്റെ ഉപവിഭാഗവും,
• വില.

പ്ലാറ്റ്‌ഫോം ഓരോ എന്റിറ്റിക്കും തനിപ്പകർപ്പുകൾ കണ്ടെത്തുന്നതിന് ക്ലസ്റ്ററിംഗ് നടത്തുന്നു. കൂടാതെ, ടെക്സ്റ്റും ഫോട്ടോഗ്രാഫുകളും വ്യത്യസ്ത സ്കീമുകൾ അനുസരിച്ച് ക്ലസ്റ്റർ ചെയ്തിരിക്കുന്നു.

ക്ലസ്റ്ററിംഗിന് മുമ്പ്, പ്രത്യേക പ്രതീകങ്ങൾ, മാറിയ അക്ഷരങ്ങൾ, മറ്റ് മാലിന്യങ്ങൾ എന്നിവ നീക്കം ചെയ്യുന്നതിനായി ടെക്‌സ്‌റ്റുകൾ നോർമലൈസ് ചെയ്യുന്നു. സ്വീകരിച്ച ഡാറ്റ N-ഗ്രാമുകളായി തിരിച്ചിരിക്കുന്നു, അവയിൽ ഓരോന്നും ഹാഷ് ചെയ്യുന്നു. ഫലം നിരവധി അദ്വിതീയ ഹാഷുകളാണ്. പാഠങ്ങൾ തമ്മിലുള്ള സാമ്യം നിർണ്ണയിക്കുന്നത് ജാക്കാർഡിന്റെ അളവ് തത്ഫലമായുണ്ടാകുന്ന രണ്ട് സെറ്റുകൾക്കിടയിൽ. സമാനത ത്രെഷോൾഡിനേക്കാൾ കൂടുതലാണെങ്കിൽ, പാഠങ്ങൾ ഒരു ക്ലസ്റ്ററിലേക്ക് ലയിപ്പിക്കും. സമാന ക്ലസ്റ്ററുകൾക്കായുള്ള തിരയൽ വേഗത്തിലാക്കാൻ, MinHash, Locality-sensitive Hashing എന്നിവ ഉപയോഗിക്കുന്നു.

pHash ചിത്രങ്ങൾ താരതമ്യം ചെയ്യുന്നത് മുതൽ ന്യൂറൽ നെറ്റ്‌വർക്ക് ഉപയോഗിച്ച് ഡ്യൂപ്ലിക്കേറ്റുകൾക്കായി തിരയുന്നത് വരെ ഫോട്ടോഗ്രാഫുകൾക്കായി ചിത്രങ്ങൾ ഒട്ടിക്കുന്നതിനുള്ള വിവിധ ഓപ്ഷനുകൾ കണ്ടുപിടിച്ചിട്ടുണ്ട്.

അവസാന രീതി ഏറ്റവും "കഠിനമാണ്". മോഡലിനെ പരിശീലിപ്പിക്കുന്നതിന്, ചിത്രങ്ങളുടെ ട്രിപ്പിൾ (N, A, P) തിരഞ്ഞെടുത്തു, അതിൽ N A-യോട് സാമ്യമില്ലാത്തതും P എന്നത് A-യ്ക്ക് സമാനവുമാണ് (ഒരു സെമി-ഡ്യൂപ്ലിക്കേറ്റ് ആണ്). അപ്പോൾ ന്യൂറൽ നെറ്റ്‌വർക്ക് എയെയും പിയെയും കഴിയുന്നത്ര അടുപ്പിക്കാനും എ, എൻ എന്നിവ കഴിയുന്നത്ര അടുപ്പിക്കാനും പഠിച്ചു. മുൻകൂട്ടി പരിശീലിച്ച നെറ്റ്‌വർക്കിൽ നിന്ന് ഉൾച്ചേർക്കലുകൾ എടുക്കുന്നതുമായി താരതമ്യം ചെയ്യുമ്പോൾ ഇത് കുറച്ച് തെറ്റായ പോസിറ്റീവുകൾക്ക് കാരണമാകുന്നു.

ന്യൂറൽ നെറ്റ്‌വർക്ക് ഇമേജുകൾ ഇൻപുട്ടായി സ്വീകരിക്കുമ്പോൾ, അവ ഓരോന്നിനും ഒരു N(128)-ഡൈമൻഷണൽ വെക്‌റ്റർ സൃഷ്‌ടിക്കുകയും ചിത്രത്തിന്റെ സാമീപ്യം വിലയിരുത്താൻ ഒരു അഭ്യർത്ഥന നടത്തുകയും ചെയ്യുന്നു. അടുത്തതായി, അടുത്ത ചിത്രങ്ങൾ ഡ്യൂപ്ലിക്കേറ്റുകളായി കണക്കാക്കുന്ന ഒരു പരിധി കണക്കാക്കുന്നു.

pHash താരതമ്യത്തെ മറികടക്കുന്നതിനായി വ്യത്യസ്ത കോണുകളിൽ നിന്ന് ഒരേ ഉൽപ്പന്നത്തെ പ്രത്യേകമായി ചിത്രീകരിക്കുന്ന സ്പാമർമാരെ കണ്ടെത്താൻ മോഡലിന് കഴിയും.

ഒരു ന്യൂറൽ നെറ്റ്‌വർക്ക് ഡ്യൂപ്ലിക്കേറ്റുകളായി ഒട്ടിച്ചിരിക്കുന്ന സ്പാം ഫോട്ടോകളുടെ ഒരു ഉദാഹരണം.

അവസാന ഘട്ടത്തിൽ, ഡ്യൂപ്ലിക്കേറ്റ് പരസ്യങ്ങൾ ടെക്സ്റ്റും ഇമേജും ഉപയോഗിച്ച് ഒരേസമയം തിരയുന്നു.

രണ്ടോ അതിലധികമോ പരസ്യങ്ങൾ ഒരു ക്ലസ്റ്ററിൽ ഒട്ടിച്ചേർന്നാൽ, സിസ്റ്റം ഓട്ടോമാറ്റിക് ബ്ലോക്കിംഗ് ആരംഭിക്കുന്നു, ഇത് ചില അൽഗോരിതങ്ങൾ ഉപയോഗിച്ച്, ഏതൊക്കെ തനിപ്പകർപ്പുകൾ ഇല്ലാതാക്കണമെന്നും ഏതൊക്കെ ഉപേക്ഷിക്കണമെന്നും തിരഞ്ഞെടുക്കുന്നു. ഉദാഹരണത്തിന്, ഒരു പരസ്യത്തിൽ രണ്ട് ഉപയോക്താക്കൾക്ക് ഒരേ ഫോട്ടോകൾ ഉണ്ടെങ്കിൽ, സിസ്റ്റം ഏറ്റവും പുതിയ പരസ്യം തടയും.

സൃഷ്ടിച്ചുകഴിഞ്ഞാൽ, എല്ലാ ക്ലസ്റ്ററുകളും ഓട്ടോമാറ്റിക് ഫിൽട്ടറുകളിലൂടെ കടന്നുപോകുന്നു. ഓരോ ഫിൽട്ടറും ക്ലസ്റ്ററിന് ഒരു സ്കോർ നൽകുന്നു: ഈ ഫിൽട്ടർ തിരിച്ചറിയുന്ന ഭീഷണി അതിൽ അടങ്ങിയിരിക്കാൻ എത്രത്തോളം സാധ്യതയുണ്ട്.

ഉദാഹരണത്തിന്, ഒരു പരസ്യത്തിലെ വിവരണം സിസ്റ്റം വിശകലനം ചെയ്യുകയും അതിനായി സാധ്യതയുള്ള വിഭാഗങ്ങൾ തിരഞ്ഞെടുക്കുകയും ചെയ്യുന്നു. തുടർന്ന് അത് പരമാവധി സാധ്യതയുള്ള ഒന്ന് എടുത്ത് പരസ്യത്തിന്റെ രചയിതാവ് വ്യക്തമാക്കിയ വിഭാഗവുമായി താരതമ്യം ചെയ്യുന്നു. അവ പൊരുത്തപ്പെടുന്നില്ലെങ്കിൽ, തെറ്റായ വിഭാഗത്തിനായി പരസ്യം ബ്ലോക്ക് ചെയ്യപ്പെടും. ഞങ്ങൾ ദയയും സത്യസന്ധരുമായതിനാൽ, പരസ്യം മോഡറേഷനിൽ വിജയിക്കുന്നതിന് ഏത് വിഭാഗം തിരഞ്ഞെടുക്കണമെന്ന് ഉപയോക്താവിനോട് ഞങ്ങൾ നേരിട്ട് പറയുന്നു.

തെറ്റായ വിഭാഗത്തിന് തടയൽ അറിയിപ്പ്.

മെഷീൻ ലേണിംഗ് ഞങ്ങളുടെ പ്ലാറ്റ്‌ഫോമിൽ തന്നെയാണെന്ന് തോന്നുന്നു. ഉദാഹരണത്തിന്, അതിന്റെ സഹായത്തോടെ ഞങ്ങൾ റഷ്യൻ ഫെഡറേഷനിൽ നിരോധിച്ചിരിക്കുന്ന വസ്തുക്കളുടെ പേരുകളിലും വിവരണങ്ങളിലും തിരയുന്നു. കൂടാതെ ന്യൂറൽ നെറ്റ്‌വർക്ക് മോഡലുകൾ ചിത്രങ്ങളിൽ URL-കൾ, സ്‌പാം ടെക്‌സ്‌റ്റുകൾ, ടെലിഫോൺ നമ്പറുകൾ എന്നിവയും അതേ "വിലക്കപ്പെട്ട" വിവരങ്ങളും അടങ്ങിയിട്ടുണ്ടോ എന്ന് സൂക്ഷ്മമായി "പരിശോധിക്കുന്നു".

നിയമാനുസൃതമായ ഒന്നായി വേഷംമാറി ഒരു നിരോധിത ഉൽപ്പന്നം വിൽക്കാൻ അവർ ശ്രമിക്കുന്ന സന്ദർഭങ്ങളിൽ, ശീർഷകത്തിലോ വിവരണത്തിലോ ടെക്‌സ്‌റ്റ് ഇല്ലെങ്കിൽ, ഞങ്ങൾ ഇമേജ് ടാഗിംഗ് ഉപയോഗിക്കുന്നു. ഓരോ ചിത്രത്തിനും, ചിത്രത്തിലുള്ളത് വിവരിക്കുന്ന 11 ആയിരം വ്യത്യസ്ത ടാഗുകൾ വരെ ചേർക്കാം.

സമോവറിന്റെ വേഷം കെട്ടിയാണ് ഹുക്ക വിൽക്കാൻ ശ്രമിക്കുന്നത്.

സങ്കീർണ്ണമായ ഫിൽട്ടറുകൾക്ക് സമാന്തരമായി, ലളിതമായവയും പ്രവർത്തിക്കുന്നു, വാചകവുമായി ബന്ധപ്പെട്ട വ്യക്തമായ പ്രശ്നങ്ങൾ പരിഹരിക്കുന്നു:

• ആന്റിമാറ്റ്;
• URL, ഫോൺ നമ്പർ ഡിറ്റക്ടർ;
• തൽക്ഷണ സന്ദേശവാഹകരുടെയും മറ്റ് കോൺടാക്റ്റുകളുടെയും പരാമർശം;
• വില കുറച്ചു;
• ഒന്നും വിൽക്കാനില്ലാത്ത പരസ്യങ്ങൾ മുതലായവ.

ഇന്ന്, ഓരോ പരസ്യവും 50-ലധികം ഓട്ടോമാറ്റിക് ഫിൽട്ടറുകളിലൂടെ കടന്നുപോകുന്നു, അത് പരസ്യത്തിൽ മോശമായ എന്തെങ്കിലും കണ്ടെത്താൻ ശ്രമിക്കുന്നു.

ഡിറ്റക്ടറുകളൊന്നും പ്രവർത്തിക്കുന്നില്ലെങ്കിൽ, പരസ്യം "മിക്കവാറും" തികഞ്ഞ ക്രമത്തിലാണെന്ന് യുലയ്ക്ക് ഒരു പ്രതികരണം അയച്ചു. ഞങ്ങൾ ഈ ഉത്തരം സ്വയം ഉപയോഗിക്കുന്നു, വിൽപ്പനക്കാരന്റെ വരിക്കാരായ ഉപയോക്താക്കൾക്ക് ഒരു പുതിയ ഉൽപ്പന്നത്തിന്റെ ലഭ്യതയെക്കുറിച്ചുള്ള അറിയിപ്പ് ലഭിക്കും.

വിൽപ്പനക്കാരന് ഒരു പുതിയ ഉൽപ്പന്നമുണ്ടെന്ന് അറിയിപ്പ്.

തൽഫലമായി, ഓരോ പരസ്യവും മെറ്റാഡാറ്റ ഉപയോഗിച്ച് “പടർന്നിരിക്കുന്നു”, അവയിൽ ചിലത് പരസ്യം സൃഷ്‌ടിക്കുമ്പോൾ സൃഷ്ടിക്കപ്പെടുന്നു (രചയിതാവിന്റെ IP വിലാസം, ഉപയോക്തൃ-ഏജന്റ്, പ്ലാറ്റ്‌ഫോം, ജിയോലൊക്കേഷൻ മുതലായവ), ബാക്കിയുള്ളത് ഓരോ ഫിൽട്ടറും നൽകുന്ന സ്‌കോർ ആണ്. .

പ്രഖ്യാപന ക്യൂകൾ

ഒരു പരസ്യം പ്ലാറ്റ്‌ഫോമിൽ എത്തുമ്പോൾ, സിസ്റ്റം അതിനെ ഒരു ക്യൂവിൽ ഇടുന്നു. ഏതെങ്കിലും മോശം പാറ്റേണുകൾ കണ്ടെത്തുന്ന തരത്തിൽ പരസ്യ മെറ്റാഡാറ്റ സംയോജിപ്പിക്കുന്ന ഒരു ഗണിത സൂത്രവാക്യം ഉപയോഗിച്ചാണ് ഓരോ ക്യൂവും സൃഷ്‌ടിച്ചിരിക്കുന്നത്.

ഉദാഹരണത്തിന്, സെന്റ് പീറ്റേഴ്‌സ്ബർഗിൽ നിന്നുള്ള യൂല ഉപയോക്താക്കളിൽ നിന്ന് നിങ്ങൾക്ക് "സെൽ ഫോണുകൾ" വിഭാഗത്തിൽ പരസ്യങ്ങളുടെ ഒരു ക്യൂ സൃഷ്ടിക്കാൻ കഴിയും, എന്നാൽ അവരുടെ IP വിലാസങ്ങൾ മോസ്കോയിൽ നിന്നോ മറ്റ് നഗരങ്ങളിൽ നിന്നോ ആണ്.

വിവിധ നഗരങ്ങളിൽ ഒരു ഉപയോക്താവ് പോസ്റ്റ് ചെയ്ത പരസ്യങ്ങളുടെ ഉദാഹരണം.

അല്ലെങ്കിൽ ന്യൂറൽ നെറ്റ്‌വർക്ക് പരസ്യങ്ങൾക്ക് നൽകുന്ന സ്‌കോറുകളെ അടിസ്ഥാനമാക്കി അവ അവരോഹണ ക്രമത്തിൽ ക്രമീകരിച്ചുകൊണ്ട് നിങ്ങൾക്ക് ക്യൂകൾ രൂപപ്പെടുത്താം.

ഓരോ ക്യൂവും, സ്വന്തം ഫോർമുല അനുസരിച്ച്, പരസ്യത്തിന് അന്തിമ സ്കോർ നൽകുന്നു. തുടർന്ന് നിങ്ങൾക്ക് വ്യത്യസ്ത രീതികളിൽ മുന്നോട്ട് പോകാം:

• ഒരു പരസ്യത്തിന് ഒരു പ്രത്യേക തരം തടയൽ ലഭിക്കുന്ന പരിധി വ്യക്തമാക്കുക;
• മാനുവൽ അവലോകനത്തിനായി ക്യൂവിലുള്ള എല്ലാ പരസ്യങ്ങളും മോഡറേറ്റർമാർക്ക് അയയ്ക്കുക;
• അല്ലെങ്കിൽ മുമ്പത്തെ ഓപ്‌ഷനുകൾ സംയോജിപ്പിക്കുക: ഓട്ടോമാറ്റിക് ബ്ലോക്കിംഗ് ത്രെഷോൾഡ് വ്യക്തമാക്കുകയും ഈ പരിധിയിൽ എത്തിയിട്ടില്ലാത്ത പരസ്യങ്ങൾ മോഡറേറ്റർമാർക്ക് അയയ്ക്കുകയും ചെയ്യുക.

എന്തുകൊണ്ടാണ് ഈ ക്യൂകൾ ആവശ്യമായി വരുന്നത്? ഒരു ഉപയോക്താവ് ഒരു തോക്കിന്റെ ഫോട്ടോ അപ്‌ലോഡ് ചെയ്‌തുവെന്നിരിക്കട്ടെ. ന്യൂറൽ നെറ്റ്‌വർക്ക് ഇതിന് 95 മുതൽ 100 ​​വരെ സ്‌കോർ നൽകുകയും ചിത്രത്തിൽ ആയുധമുണ്ടെന്ന് 99 ശതമാനം കൃത്യതയോടെ നിർണ്ണയിക്കുകയും ചെയ്യുന്നു. എന്നാൽ സ്കോർ മൂല്യം 95% ൽ താഴെയാണെങ്കിൽ, മോഡലിന്റെ കൃത്യത കുറയാൻ തുടങ്ങുന്നു (ഇത് ന്യൂറൽ നെറ്റ്വർക്ക് മോഡലുകളുടെ സവിശേഷതയാണ്).

തൽഫലമായി, സ്കോർ മോഡലിനെ അടിസ്ഥാനമാക്കി ഒരു ക്യൂ രൂപീകരിക്കപ്പെടുന്നു, കൂടാതെ 95 നും 100 നും ഇടയിൽ ലഭിച്ച പരസ്യങ്ങൾ "നിരോധിത ഉൽപ്പന്നങ്ങൾ" ആയി സ്വയമേവ തടയപ്പെടും. 95-ൽ താഴെ സ്‌കോർ ഉള്ള പരസ്യങ്ങൾ മാനുവൽ പ്രോസസ്സിംഗിനായി മോഡറേറ്റർമാർക്ക് അയയ്‌ക്കുന്നു.

വെടിയുണ്ടകളുള്ള ചോക്ലേറ്റ് ബെറെറ്റ. മാനുവൽ മോഡറേഷനു മാത്രം! 🙂

മാനുവൽ മോഡറേഷൻ

2019 ന്റെ തുടക്കത്തിൽ, യുലയിലെ എല്ലാ പരസ്യങ്ങളിലും 94% സ്വയമേവ മോഡറേറ്റ് ചെയ്യപ്പെടുന്നു.

പ്ലാറ്റ്‌ഫോമിന് ചില പരസ്യങ്ങൾ തീരുമാനിക്കാൻ കഴിയുന്നില്ലെങ്കിൽ, അത് മാനുവൽ മോഡറേഷനായി അയയ്‌ക്കുന്നു. Odnoklassniki അവരുടെ സ്വന്തം ഉപകരണം വികസിപ്പിച്ചെടുത്തു: മോഡറേറ്റർമാർക്കുള്ള ടാസ്‌ക്കുകൾ പെട്ടെന്ന് തീരുമാനമെടുക്കാൻ ആവശ്യമായ എല്ലാ വിവരങ്ങളും ഉടനടി പ്രദർശിപ്പിക്കുന്നു - പരസ്യം അനുയോജ്യമാണ് അല്ലെങ്കിൽ തടയണം, കാരണം സൂചിപ്പിക്കുന്നു.

മാനുവൽ മോഡറേഷൻ സമയത്ത് സേവനത്തിന്റെ ഗുണനിലവാരം ബാധിക്കാതിരിക്കാൻ, ആളുകളുടെ ജോലി നിരന്തരം നിരീക്ഷിക്കപ്പെടുന്നു. ഉദാഹരണത്തിന്, ടാസ്‌ക് സ്ട്രീമിൽ, മോഡറേറ്റർ "ട്രാപ്പുകൾ" കാണിക്കുന്നു - ഇതിനകം റെഡിമെയ്ഡ് സൊല്യൂഷനുകൾ ഉള്ള പരസ്യങ്ങൾ. മോഡറേറ്ററുടെ തീരുമാനം പൂർത്തിയായ തീരുമാനവുമായി പൊരുത്തപ്പെടുന്നില്ലെങ്കിൽ, മോഡറേറ്റർക്ക് ഒരു പിശക് ലഭിക്കും.

ശരാശരി, ഒരു മോഡറേറ്റർ ഒരു പരസ്യം പരിശോധിക്കാൻ 10 സെക്കൻഡ് ചെലവഴിക്കുന്നു. മാത്രമല്ല, പിശകുകളുടെ എണ്ണം പരിശോധിച്ചുറപ്പിച്ച എല്ലാ പരസ്യങ്ങളുടെയും 0,5% ൽ കൂടുതലല്ല.

ജനങ്ങളുടെ മിതത്വം

ഒഡ്‌നോക്ലാസ്‌നിക്കിയിൽ നിന്നുള്ള സഹപ്രവർത്തകർ കൂടുതൽ മുന്നോട്ട് പോയി “പ്രേക്ഷകരുടെ സഹായം” പ്രയോജനപ്പെടുത്തി: അവർ സോഷ്യൽ നെറ്റ്‌വർക്കിനായി ഒരു ഗെയിം ആപ്ലിക്കേഷൻ എഴുതി, അതിൽ നിങ്ങൾക്ക് ധാരാളം ഡാറ്റ വേഗത്തിൽ അടയാളപ്പെടുത്താൻ കഴിയും, ചില മോശം അടയാളങ്ങൾ എടുത്തുകാണിക്കുന്നു - ഒഡ്‌നോക്ലാസ്‌നിക്കി മോഡറേറ്റർ (https://ok.ru/app/moderator). ഉള്ളടക്കം കൂടുതൽ ആസ്വാദ്യകരമാക്കാൻ ശ്രമിക്കുന്ന OK ഉപയോക്താക്കളുടെ സഹായം പ്രയോജനപ്പെടുത്താനുള്ള ഒരു നല്ല മാർഗം.

ഫോൺ നമ്പറുള്ള ഫോട്ടോകൾ ഉപയോക്താക്കൾ ടാഗ് ചെയ്യുന്ന ഗെയിം.

പ്ലാറ്റ്‌ഫോമിലെ പരസ്യങ്ങളുടെ ഏത് ക്യൂവും Odnoklassniki മോഡറേറ്റർ ഗെയിമിലേക്ക് റീഡയറക്‌ടുചെയ്യാനാകും. ഗെയിം ഉപയോക്താക്കൾ അടയാളപ്പെടുത്തുന്നതെല്ലാം ആന്തരിക മോഡറേറ്റർമാർക്ക് അവലോകനത്തിനായി അയയ്‌ക്കും. ഫിൽട്ടറുകൾ ഇതുവരെ സൃഷ്ടിക്കാത്ത പരസ്യങ്ങൾ തടയാനും ഒരേസമയം പരിശീലന സാമ്പിളുകൾ സൃഷ്ടിക്കാനും ഈ സ്കീം നിങ്ങളെ അനുവദിക്കുന്നു.

മോഡറേഷൻ ഫലങ്ങൾ സംഭരിക്കുന്നു

മോഡറേഷൻ സമയത്ത് എടുത്ത എല്ലാ തീരുമാനങ്ങളും ഞങ്ങൾ സംരക്ഷിക്കുന്നു, അതിനാൽ ഞങ്ങൾ ഇതിനകം തീരുമാനമെടുത്ത പരസ്യങ്ങൾ വീണ്ടും പ്രോസസ്സ് ചെയ്യില്ല.

പരസ്യങ്ങളെ അടിസ്ഥാനമാക്കി ഓരോ ദിവസവും ദശലക്ഷക്കണക്കിന് ക്ലസ്റ്ററുകൾ സൃഷ്ടിക്കപ്പെടുന്നു. കാലക്രമേണ, ഓരോ ക്ലസ്റ്ററും "നല്ലത്" അല്ലെങ്കിൽ "മോശം" എന്ന് ലേബൽ ചെയ്യപ്പെടുന്നു. ഓരോ പുതിയ പരസ്യവും അല്ലെങ്കിൽ അതിന്റെ പുനരവലോകനവും, ഒരു അടയാളമുള്ള ഒരു ക്ലസ്റ്ററിൽ പ്രവേശിക്കുമ്പോൾ, ക്ലസ്റ്ററിൽ നിന്ന് തന്നെ ഒരു റെസല്യൂഷൻ സ്വയമേവ സ്വീകരിക്കുന്നു. പ്രതിദിനം ഏകദേശം 20 ആയിരം ഓട്ടോമാറ്റിക് റെസലൂഷനുകൾ ഉണ്ട്.

ക്ലസ്റ്ററിലേക്ക് പുതിയ അറിയിപ്പുകളൊന്നും വരുന്നില്ലെങ്കിൽ, അത് മെമ്മറിയിൽ നിന്ന് നീക്കം ചെയ്യുകയും അതിന്റെ ഹാഷും പരിഹാരവും അപ്പാച്ചെ കസാന്ദ്രയിലേക്ക് എഴുതുകയും ചെയ്യും.

പ്ലാറ്റ്‌ഫോമിന് ഒരു പുതിയ പരസ്യം ലഭിക്കുമ്പോൾ, ഇതിനകം സൃഷ്‌ടിച്ചവയിൽ സമാനമായ ഒരു ക്ലസ്റ്റർ കണ്ടെത്താനും അതിൽ നിന്ന് ഒരു പരിഹാരം എടുക്കാനും അത് ആദ്യം ശ്രമിക്കുന്നു. അത്തരമൊരു ക്ലസ്റ്റർ ഇല്ലെങ്കിൽ, പ്ലാറ്റ്ഫോം കസാന്ദ്രയിലേക്ക് പോയി അവിടെ നോക്കുന്നു. നിങ്ങൾ കണ്ടെത്തിയോ? മികച്ചത്, ക്ലസ്റ്ററിലേക്ക് പരിഹാരം പ്രയോഗിക്കുകയും അത് യൂലയിലേക്ക് അയയ്ക്കുകയും ചെയ്യുന്നു. ഓരോ ദിവസവും ശരാശരി 70 ആയിരം അത്തരം "ആവർത്തിച്ചുള്ള" തീരുമാനങ്ങൾ ഉണ്ട്-മൊത്തം 8%.

ചുരുക്കത്തിൽ

ഞങ്ങൾ രണ്ടര വർഷമായി Odnoklassniki മോഡറേഷൻ പ്ലാറ്റ്ഫോം ഉപയോഗിക്കുന്നു. ഞങ്ങൾ ഫലങ്ങൾ ഇഷ്ടപ്പെടുന്നു:

• പ്രതിദിനം എല്ലാ പരസ്യങ്ങളുടെയും 94% ഞങ്ങൾ സ്വയമേവ മോഡറേറ്റ് ചെയ്യുന്നു.
• ഒരു പരസ്യം മോഡറേറ്റ് ചെയ്യുന്നതിനുള്ള ചെലവ് 2 റൂബിളിൽ നിന്ന് 7 കോപെക്കുകളായി കുറച്ചു.
• റെഡിമെയ്ഡ് ഉപകരണത്തിന് നന്ദി, മോഡറേറ്റർമാരെ നിയന്ത്രിക്കുന്നതിലെ പ്രശ്നങ്ങളെക്കുറിച്ച് ഞങ്ങൾ മറന്നു.
• അതേ എണ്ണം മോഡറേറ്റർമാരും ബജറ്റും ഉപയോഗിച്ച് ഞങ്ങൾ സ്വമേധയാ പ്രോസസ്സ് ചെയ്ത പരസ്യങ്ങളുടെ എണ്ണം 2,5 മടങ്ങ് വർദ്ധിപ്പിച്ചു. സ്വയമേവയുള്ള നിയന്ത്രണം കാരണം മാനുവൽ മോഡറേഷന്റെ ഗുണനിലവാരവും വർദ്ധിച്ചു, കൂടാതെ ഏകദേശം 0,5% പിശകുകൾ ചാഞ്ചാടുന്നു.
• പുതിയ തരം സ്പാമുകൾ ഞങ്ങൾ ഫിൽട്ടറുകൾ ഉപയോഗിച്ച് വേഗത്തിൽ കവർ ചെയ്യുന്നു.
• ഞങ്ങൾ പുതിയ വകുപ്പുകളെ മോഡറേഷനിലേക്ക് വേഗത്തിൽ ബന്ധിപ്പിക്കുന്നു "യൂല വെർട്ടിക്കൽസ്". 2017 മുതൽ, റിയൽ എസ്റ്റേറ്റ്, ഒഴിവുകൾ, ഓട്ടോ വെർട്ടിക്കലുകൾ എന്നിവ യുല ചേർത്തു.

അവലംബം: www.habr.com