La participación se centrará en una visión general de los titulares de hoy y de análisis del sistema de recomendación de contenido, las etiquetas de usuarios, análisis de evaluación, los principios de seguridad de contenidos.
I. Descripción general del sistema
sistema de recomendación, si es una manera formal para describir realmente encaja en función de la satisfacción de los usuarios de contenidos, esta función requiere variables de entrada en tres dimensiones.
La primera dimensión es el contenido. Titulares ahora es una plataforma completa para el contenido, gráficos, vídeo, UGC pequeño video, concursos, micro titulares, cada contenido tiene una gran cantidad de sus propias características, necesidad de considerar cómo extraer los contenidos de los diferentes tipos de características hacen recomendaciones.
La segunda dimensión es la función de usuario. Una variedad de etiquetas, incluyendo intereses, ocupación, edad, sexo, etc, hay muchos modelo representa el interés de los usuarios implícita y así sucesivamente.
La tercera dimensión es características ambientales. Esta es la recomendación de las características de la era de Internet móvil, los usuarios de móvil en cualquier momento y en cualquier lugar, en diferentes escenarios de trabajo, los desplazamientos, el turismo, las preferencias de la información han cambiado.
En combinación con las tres dimensiones, el modelo da un pronóstico de que la especulación es recomendaciones apropiadas al usuario en este escenario.
También hay un problema, la manera de introducir objetivo no se puede medir directamente?
modelo recomendada, el porcentaje de clics, el tiempo para leer, pulgares para arriba, comentario, expedición incluyendo los pulgares se puede cuantificar los objetivos, las estimaciones se puede montar directamente que ver con el modelo, véase el ascensor en línea puede saber hacer el bien.
Pero un volumen general de los sistemas de recomendación, los servicios de muchos usuarios, no puede evaluarse plenamente por el índice, la introducción de elementos distintos de los indicadores de datos también son muy importantes.
Por ejemplo, los anuncios y control de contenido de frecuencia especial. tarjeta de Q es como una forma especial de contenido, su objetivo recomendado no se permite a los usuarios navegar con exactitud, pero también tienen en cuenta la respuesta a atraer a los usuarios a aportar contenidos a la comunidad. Cómo estos y el contenido general - texto, cómo controlar la necesidad de control de frecuencia para ser considerado.
Además, la plataforma para las consideraciones ecológicas de contenido y la responsabilidad social, para suprimir como contenido vulgar, el título de la fiesta, al contenido de baja calidad suprimir, noticias importantes de la parte superior, ponderado, Barge, de bajo nivel de cuentas por el contenido correcto es el algoritmo en sí no puede ser completada la necesidad de una mayor intervención en el contenido.
Ahora voy a describir brevemente cómo lograr sus objetivos sobre la base del algoritmo anterior.
La ecuación antes mencionada y = F (Xi, Xu, Xc), es un clásico problemas de aprendizaje supervisado. Hay muchas maneras de alcanzar, tales como el modelo tradicional de filtrado colaborativo, aprendizaje supervisado algoritmo modelo de regresión logística, basado en el modelo de aprendizaje profundo, factorización de la máquina y GBDT y así sucesivamente.
A los sistemas industriales buena recomendación requieren plataforma experimento algoritmo muy flexible que puede soportar una variedad de combinaciones de algoritmos, incluyendo modelo de ajuste estructural. Debido a que el modelo es difícil tener una arquitectura común para la totalidad de la escena recomendado.
Ahora combinación muy popular de la LR y DNN, Facebook va a hacer la cosechadora y GBDT LR algoritmo de hace unos años. Los titulares de hoy varios productos están en uso con un potente conjunto de algoritmos sistema de recomendación, pero de acuerdo a diferentes escenarios, se ajustarán el marco del modelo.
Mira una característica típica de la recomendación a partir del modelo, hay cuatro tipos de características recomendarían a jugar un papel más importante.
La primera categoría es las características de correlación, los atributos y el contenido es evaluar si el usuario coincide. Las comparaciones explícitas incluyen concordancia de palabras clave, partido de clasificación, comparación del origen, que coincide con el tema. Como el modelo de FM, hay alguna coincidencia oculto, el usuario puede derivarse a partir del vector distancia y el contenido de vectores.
El segundo tipo es las características ambientales, incluyendo la ubicación, el tiempo. Estas características no sólo sesgo, sino también con el fin de construir algunas de las características que coinciden.
La tercera categoría es la característica de calor. Incluyendo global de calor, el calor de clasificación, calentar el tema, y el calor de palabras clave y así sucesivamente. información del contenido de calor es muy eficaz en un momento en que el sistema se recomienda especialmente en el arranque en frío de usuario.
La cuarta categoría es el co-estelar, que puede ayudar a resolver los algoritmos de los llamados impulsar el tema más estrecho en algún grado.
características de colaboración no se considera usuario tiene una historia. Pero el análisis de la similitud entre diferentes usuarios por el comportamiento del usuario, como hacer clic en un similares, intereses temáticos similares intereses similares palabras similares, o incluso vector similar, la capacidad de extender el modelo de exploración.
El modelo de formación, la mayoría de los titulares del Departamento de productos que utilizan el entrenamiento en tiempo real recomendable. ahorro de recursos de capacitación y retroalimentación rápida, lo que es muy importante para el flujo de productos de información en tiempo real. información del comportamiento del usuario puede necesitar ser rápidamente capturado y se alimenta de nuevo a la siguiente modelo de efectos cepillo recomendación.
En este momento en línea en tiempo real de procesamiento basados en datos de muestra cúmulo de tormenta, incluyendo clic, espectáculo, recopilación, intercambio y otros tipos de acción.
servidor parámetro de modelo es un sistema de alto rendimiento desarrollado internamente, debido a que el tamaño del crecimiento de los datos titulares demasiado rápido, similar a la estabilidad del sistema de código abierto y el rendimiento no se puede cumplir, y nuestro sistema de auto-desarrollo subyacente a hacer un montón de optimización específica, proporcionando mejorar la herramienta de operación y mantenimiento, sino también la adaptación de un escenarios de negocio existentes.
Actualmente, los titulares recomendación modelo algoritmo de todo el mundo es relativamente grande, que contiene decenas de miles y miles de vector de características características originales.
El servidor de proceso de entrenamiento conjunto es características en tiempo real de registro en línea, archivo de Kafka en la cola, y luego aún más la tormenta importación cúmulo datos de consumo de Kafka, el cliente devuelva las muestras de entrenamiento construcción recomendada en la etiqueta, seguido de los parámetros del modelo de formación en línea se actualizan de acuerdo a la última muestra, la línea final del modelo se actualiza.
Este proceso es el principal usuario de la acción de retardo de realimentación de retardo, porque inmediatamente después del artículo recomienda que no necesariamente se ve, no tienen en cuenta esta parte de las veces, todo el sistema está casi en tiempo real.
Sin embargo, los titulares debido a que el contenido actual es muy grande, con un pequeño contenido de vídeo tienen millones de niveles, todo el sistema de recomendación de contenido no pueden ser estimados por el modelo de todos.
Por lo que es necesario tomar en cuenta algunas de las estrategias de diseño, cada vez que el nivel recomendado de detección de miles de contenidos para la biblioteca de la masa de contenido. estrategia de retiro requisito más importante es ser el máximo rendimiento, las horas extraordinarias general puede no supere los 50 milisegundos.
Hay muchos tipos recuerdan estrategia, utilizamos principalmente la forma invertida de pensar. Desconectado mantener una invertida, la invertida la clave puede ser clasificado, tema, entidad fuentes.
Considere el calor de pedidos, frescura, y similares acciones. recuerdo en línea se puede cortar con rapidez para hacer que el contenido de la invertida basado en etiquetas de intereses de usuarios, detección más fiable y eficiente de una pequeña parte de una gran biblioteca.
En segundo lugar, el análisis de contenido
El análisis de contenido que incluye el análisis de textos, análisis de imágenes y análisis de vídeo. Hacemos principalmente una información de cabecera, hoy hablamos del análisis del texto principal. Análisis de texto es un papel muy importante en el sistema de recomendación es el modelado interés de los usuarios.
No hay etiquetas y contenidos de texto, el usuario no puede conseguir el interés de la etiqueta. Por ejemplo, sólo aquellos que conocen la etiqueta del artículo es el Internet, los usuarios de Internet leer las etiquetas de las prendas a fin de conocer el usuario con una etiqueta de Internet, otras palabras clave también.
Por otro lado, el texto de la etiqueta puede ayudar directamente a las características recomendadas, como el contenido de Meizu se pueden recomendar a la atención del usuario Meizu, que se pongan en venta la etiqueta de usuario.
Si un determinado período de tiempo recomendado por el canal principal no es satisfactoria, se produce el estrechamiento recomendada, los usuarios encontrarán el canal a la específica recomienda la lectura (como la ciencia y la tecnología, deportes, entretenimiento, militar, etc.), el retorno a la alimentación principal, la recomendación sería mejor.
Debido a que todo el modelo está abierto, el sub-canal para explorar un espacio más pequeño, más fácil de satisfacer las necesidades del cliente. Sólo un único canal de retroalimentación para mejorar la tasa de precisión recomendación será relativamente alto grado de dificultad, el sub-canal para hacer el bien es muy importante. Y esto también requiere un buen análisis de contenido.
Los titulares de hoy en el mapa es un caso práctico de texto. Se puede ver, este artículo presenta las clasificación de textos, palabras clave, tema, palabras entidad y así sucesivamente.
Por supuesto, no sin función de texto, el sistema de recomendación puede no trabajo, el sistema más antiguo recomendación aplicación en la Amazonía, e incluso era de Wal-Mart allí, incluyendo video Netfilx no recomendamos texto también cuenta filtrado colaborativo directa.
Sin embargo, para productos de TI, la mayor parte del día el contenido de los consumidores, no el contenido del nuevo texto dispone de arranque en frío es muy difícil, en colaboración artículo de clase no puede resolver el problema de arranque en frío.
sistema de extracción de características de texto titulares recomendación de hoy incluye principalmente las siguientes categorías. Primera clase cuentan con etiquetas semánticas, el artículo explícitamente marcada con una etiqueta semántica.
Esta parte de la etiqueta está definido por las características de las personas, cada etiqueta tiene un significado claro, se predefine el sistema de etiqueta.
También hay un implícitos rasgos semánticos que se caracterizan principalmente por tema y característica de palabras clave, que se caracteriza por palabra tema para la descripción de las distribuciones de probabilidad, no significado claro, y basado en algunas palabras clave contará con unificada caracterización, no colección claro.
También cuenta con similitud de texto es también muy importante. En los titulares, comentarios de los usuarios ha sido una de la pregunta más importante es por qué el total recomendada contenido duplicado. La dificultad del problema es que todo el mundo no es la misma definición de repetición.
Por ejemplo, algunas personas encuentran que este artículo hablando de Real Madrid y Barcelona, han visto un contenido similar de ayer, dijo hoy que los dos equipos que se repite.
Sin embargo, para una pesada aficionados, especialmente los aficionados del Barcelona no pueden esperar a que todos los informes han leído a través. Artículos similares necesitan para resolver este problema de acuerdo con el tema de juicio, lee, cuerpo, etc., hacer estrategias en línea basados en estas características.
Del mismo modo, hay características espaciales y temporales, análisis de la escena y actualidad de los contenidos. Las cosas tales como Wuhan a Pekín para empujar el usuario de la línea límite podría no tener sentido.
Por último, también tienen en cuenta las características relacionadas con calidad, para determinar si el contenido vulgar, pornográfico, si es suave, sopa de pollo?
FIG etiquetas semánticas son las características principales y los escenarios de uso. La diferencia entre los niveles, diferentes requisitos.
El objetivo es llegar a una clasificación global, cada vídeo tiene una esperanza de cada clasificación de contenido, y el sistema real requiere precisión, el mismo nombre o el contenido para poder distinguir con claridad exactamente lo que se refiere a una persona o cosa en nombre de, pero no cubren en su totalidad.
Sistema concepto es responsable de resolver más precisa y pertenece a la semántica de abstracción. Esta es nuestra primera clasificación de entrenamientos libres y los conceptos se pueden encontrar en la interoperabilidad técnica, y más tarde con un conjunto unificado de arquitectura técnica.
En la actualidad, los rasgos semánticos ya implícitos pueden ser muy útiles recomendación, y etiquetas semánticas que seguir el etiquetado, nuevo término emergente nuevos conceptos, etiquetado necesidades para continuar iteración. Su dificultad y recursos para hacer mucho más grandes que las características semánticas implícitas, entonces ¿por qué necesita una etiqueta semántica?
Algunos necesitan en el producto, tal como el canal de clasificación de contenido requiere un sistema de etiqueta de texto bien definido y fácil de entender. etiquetas semánticas es comprobar el efecto de una piedra de toque tecnología de la PNL empresa.
Los titulares de hoy en línea sistema de recomendación de la clasificación es un algoritmo típico de la clasificación jerárquica de texto.
la parte superior de la raíz, la clasificación de la primera capa está por debajo de categorías tales como la ciencia y la tecnología, deportes, finanzas, entretenimiento, deportes, y luego el siguiente fútbol avería, baloncesto, tenis de mesa, tenis, atletismo, natación ..., subdividido Fútbol Internacional Fútbol fútbol chino, el fútbol chino se ha roto en un super, el equipo nacional de ... clasificador individual usando el algoritmo de clasificación jerárquica de texto puede resolver mejor el problema de sesgo de los datos.
Hay algunas excepciones a que, si se desea mejorar la memoria, podemos ver alguna conexión línea de la mosca. Esta arquitectura común, pero dependiendo de la dificultad del problema, cada isómero puede clasificador, SVM clasificación como algunos resultados buenos, algunos en conjunto con CNN, algunos en conjunto con RNN reprocesamiento.
entidad de la figura es el caso de un algoritmo de reconocimiento de palabras. Basándose en los resultados de etiquetado segmentación y candidato de selección de voz, puede tener que realizar el empalme de acuerdo con el período de base de conocimientos, algunas de las palabras es una combinación de la entidad, para determinar qué combinación de las palabras puede describir entidad de aplicación.
Si el resultado de la correlación de múltiples entidades, pero también a través de vector palabra, la distribución de frecuencia de palabras tema incluso a sí mismo y otras diferencias, el cálculo final de un modelo de correlación.
En tercer lugar, las etiquetas de usuarios
etiquetas de análisis y de los usuarios de contenidos son los dos pilares del sistema de recomendación. Análisis de contenido de contenidos relacionados con el aprendizaje de máquina un poco más, en comparación con más etiquetas de usuarios ingeniería desafíos.
Los titulares de hoy etiquetas de usuario común incluyen las categorías y temas de interés para el usuario, palabra clave, la fuente, con base en el interés del usuario y una variedad de agrupación vertical de las características de interés (automóviles, equipos deportivos, acciones, etc.). Así como el género, la edad, la ubicación y otra información.
la información de género obtenida a través de terceros cuenta de usuario de inicio de sesión sociales. era de la información es por lo general predice el modelo, el modelo, la distribución tiempo estimado de lectura.
ubicación permanente de un usuario autorizado a la información de ubicación de acceso, basado en información de ubicación a través de métodos tradicionales de la agrupación para obtener el punto de residente.
punto permanente en combinación con otra información, se puede especular que el lugar de que el usuario de trabajo, sitios de web, sitios de viaje. Estos usuarios etiquetan recomendación muy útil.
Por supuesto, el usuario más simple es la navegación a través de los contenidos de la etiqueta de la etiqueta. Pero aquí se trata de algunas de las estrategias de procesamiento de datos.
incluyendo:
Un ruido filtrado. Por corto tiempo de residencia del título clic, la filtración de la fiesta.
En segundo lugar, el enfoque de la pena. acciones del usuario en una serie de artículos populares (tales como PG Una de las noticias hace algún tiempo) para hacer bajar el tratamiento adecuado. En teoría, la extensión más amplia gama de contenidos, la confianza se reducirá.
En tercer lugar, el tiempo de decaimiento. se producirá cambio de interés de los usuarios, por lo que la estrategia está más interesado en el nuevo comportamiento del usuario. Por lo tanto, con el aumento de las acciones del usuario, los viejos pesos característica decaen con el tiempo, una nueva película de acción pesos serán aún mayor contribución al peso.
En cuarto lugar, el espectáculo castigo. Si un artículo no es recomendable para el usuario hace clic, las características relevantes serán castigados (categoría, palabra clave, fuente) de peso. cuando
Sin embargo, también hay que considerar el contexto global, no es lo más relevante contenido de inserción, y cierres relacionados y las señales de aversión.
las etiquetas de usuarios minería en general es relativamente simple, principalmente retos de ingeniería que acabamos de mencionar. Etiquetas de usurarios titulares lote marco de cálculo es la primera edición, el proceso es relativamente simple, los datos dibujado ayer de acción de usuario Nikkatsu en los últimos dos meses, todos los días, resultados de proceso por lotes en un clúster Hadoop.
Pero el problema es que con el rápido crecimiento del tipo de modelo interés de los usuarios y otras tareas de procesamiento por lotes van en aumento, la cantidad de cálculo involucrado también.
En 2014, millones de usuarios de las tareas de procesamiento por lotes etiquetar las tareas de actualización de Hadoop, el día ha comenzado la finalización de mala gana. Cluster de computación de las limitaciones de recursos pueden fácilmente afectar a otros trabajos, concentrado de escritura distribuido presión del sistema de almacenamiento comienza a aumentar, y las etiquetas de usuarios con intereses actualización de retraso cada vez más alto y más alto.
Frente a estos desafíos. A finales de 2014 sistema de cálculo de las etiquetas de usuarios línea de cluster Tormenta de streaming titulares de hoy. Después de que fluye en, siempre que la acción de actualización usuarios actualiza la etiqueta, el costo es relativamente pequeña de la CPU, se puede ahorrar un 80% del tiempo de CPU, lo que reduce considerablemente el costo de los recursos informáticos.
Al mismo tiempo, sólo unas pocas docenas de máquinas pueden apoyar a decenas de millones de modelo interés del usuario se actualiza diariamente actualizada y características muy rápido, básicamente, puede hacer casi en tiempo real. Este sistema ha sido utilizado hasta ahora de la línea.
Por supuesto, también se encontró que no todos los usuarios tienen que etiquetar el sistema de streaming. Al igual que el género, la edad, el lugar de los usuarios permanentes de esta información, no requiere tiempo real doble contabilidad, todavía conserva las actualizaciones diarias.
En cuarto lugar, la evaluación y el análisis
Lo anterior describe la arquitectura general del sistema de recomendación, a continuación, recomiendan la forma de evaluar buen efecto?
Creo que hay unas palabras muy sabias, "no es una cosa que no sería capaz de evaluar la optimización." Lo mismo puede decirse del sistema de recomendación.
De hecho, muchos factores afectarán a los resultados recomendados. Tales cambios de conjunto de candidatos, mejoras, o aumentos módulo recuerdo, los aumentos en la arquitectura modelo mejorado, como la función de parámetros del algoritmo de optimización se recomienda, no uno por un ejemplo.
Es decir, la evaluación es que una gran cantidad de optimización puede llegar a ser un efecto negativo, que no afectará a la optimización de la mejora en la línea.
sistema de recomendación de la evaluación global de las necesidades de un sistema de evaluación completa, una plataforma experimental de gran alcance y facilidad de uso de la herramienta de análisis empírico.
El llamado sistema completo no es una sola medida, no se puede simplemente el porcentaje de clics o de largo tiempo de residencia, etc., una evaluación exhaustiva.
Muchas empresas hacen bien algoritmo, no hay suficientes ingenieros la capacidad, pero necesita una fuerte plataforma para experimentos, así como herramienta de análisis experimental conveniente que puede analizar el índice de confianza de datos de inteligencia.
Un buen sistema de evaluación hay que seguir varios principios establecen, en primer lugar, tanto a corto plazo como a largo plazo índice de indicadores. Antes de que cuando la empresa responsable de la dirección del negocio eléctrico observado muchas estrategias para ajustar los usuarios a corto plazo se sienten frescos, pero en realidad no hay ningún beneficio a largo plazo.
En segundo lugar, se debe tener en cuenta los indicadores de usuario e indicadores ecológicos. Es necesario proporcionar un valor para los creadores de contenido, que sea más creativo dignidad, sino también la obligación de cumplir con el usuario, tanto de los cuales debe ser equilibrado.
También debe considerar los intereses de los anunciantes, que es el proceso de multi-juego y equilibrada.
También, preste atención al impacto de las sinergias. Experimentar el aislamiento estricto del tráfico difícil de hacer, prestar atención a los efectos externos.
plataforma experimental muy directa es una gran ventaja cuando los experimentos simultáneos relativamente largo de tiempo, el tráfico se pueden asignar automáticamente por la plataforma, sin la comunicación humana, y al final del experimento flow recuperó de inmediato, mejorar la eficiencia de la gestión.
Este análisis puede ayudar a las empresas a reducir costos, acelerar el efecto algoritmo iterativo, la optimización de todo el sistema puede trabajar de forma rápida hacia adelante.
Este es el principio básico de los titulares Experimento A B Prueba / sistema. En primer lugar, vamos a hacer bien el usuario apunta el cañón, y el experimento A continuación, asigne el tráfico en línea, los usuarios etiquetar el cubo, dado al grupo experimental en línea.
Por ejemplo, un experimento de flujo abierto 10%, cada uno de los dos grupos experimentales 5%, 5% es la misma que una línea de base, la política y el mercado en línea, otra nueva estrategia.
Durante el experimento será a las acciones del usuario recogen, básicamente, en tiempo casi real, puede ser visto por hora. Pero debido a la fluctuación de horas de datos, por lo general en una vista nodo de tiempo diario. Después de la operación habrá de tratamiento recogido registro, estadísticas de distribución, por escrito a la base de datos, muy conveniente.
En este sistema necesita un ingeniero sólo tiene que ajustar el caudal, el tiempo de experimento, definen las condiciones de filtro, ID de grupo personalizado experimental especial. El sistema puede generar automáticamente los datos experimentales comparativo, la confianza de los datos experimentales, se resumen los resultados experimentales y sugerencias de optimización experimentales.
Por supuesto, la única plataforma experimental no es suficiente. sistema de experimentación en línea sólo puede especular sobre los indicadores de datos de cambio de cambiar la experiencia del usuario, pero las métricas de datos y las diferencias de experiencia de usuario, muchos indicadores no se puede cuantificar plenamente.
Muchas de las mejoras todavía tienen que analizar manualmente, importantes mejoras necesidad de evaluar de forma manual la confirmación secundaria.
En quinto lugar, la seguridad de contenidos
Los titulares de hoy duran para introducir una serie de iniciativas en seguridad de contenidos. Titulares ahora el mayor creación y distribución de contenidos de deslizamiento, más atención debe ser responsabilidad de la responsabilidad social y líderes de la industria. Si el 1% de los problemas de contenido recomendado, tendrá un impacto mayor.
Ahora, el contenido de los titulares de hoy principalmente de dos partes, la plataforma PGC primero, con una capacidad de producción de contenido para adultos
En primer lugar, el contenido del usuario UGC tales como concursos, opiniones de usuarios, micro titulares. Ambas secciones requieren de auditoría unificado. Si se trata de un número relativamente pequeño de contenido PGC, dirigirá el riesgo de auditoría, no hay problema recomendará una amplia gama.
UGC contenido necesita ser filtrado un modelo de riesgo en cuestión entrará revisión de riesgo secundario. Después de la aprobación, el contenido es realmente para recomendar. A continuación, si recibe más de una cierta cantidad de comentarios o para informar de retroalimentación negativa, va a volver aquí para enlaces de revisión, hay preguntas directamente fuera de la plataforma.
Todo el mecanismo es relativamente robusto, como el líder del sector en seguridad de contenidos, los titulares de hoy han estado utilizando los mismos altos estándares.
Compartir tecnología de identificación de contenido es principalmente Kam modelo amarillo, abusivo y vulgar modelo modelo. Los titulares de hoy por el modelo de profundidad vulgar algoritmos de aprendizaje de formación, biblioteca de muestra muy grande, el análisis simultáneo de imágenes, texto.
Esta parte del modelo de prestar más atención a la retirada, incluso sacrificar algo de precisión. Abusivo modelo de base de datos de la muestra es también más de un millón y recuperar hasta 95% + 80% + exactitud. Si un usuario con frecuencia comentarios abiertos o inapropiados, tenemos algún mecanismo de castigo.
Pan identificar casos de baja calidad involucrado mucho a una noticia falsa no coincide, el proyecto de negro, texto del título, bajo el título de la fiesta, la calidad del contenido, etc., esta parte de la máquina es muy difícil de entender, requiere una gran cantidad de comentarios, incluyendo otra información de la muestra comparación.
Actualmente modelo de baja calidad de la precisión y la velocidad de recuperación no es particularmente alta, pero también requiere una combinación de revisión manual, se incrementará el umbral. Actualmente la retirada final haya alcanzado el 95%, esta parte del hecho de que hay una gran cantidad de trabajo por hacer. No hacerlo plataforma.
Los lectores pueden recibir los siguientes beneficios (Instrucciones para recibir):
Ali servidor de la nube 2.000 yuanes vales universales, 223 yuanes / 3 años
