[Pratique] Exploration et pratique de l'algorithme de recommandation PaaS

Auteur : JD Retail Cui Ning

1. Origines

À l'heure actuelle, le département d'algorithmes de recommandation prend en charge plus de 900 scénarios de recommandation de plus de 20 secteurs d'activité tels que le site Web principal, l'entreprise et l'omnicanal.En triant les exigences communes de la grande opération de promotion et les scénarios de recommandation de chaque entreprise verticale ligne, les capacités d'algorithme de recommandation existantes sont précipitées et accumulées, et créent une capacité de recommandation générale via l'algorithme PaaS, améliorent l'efficacité de l'autonomisation des recommandations dans divers scénarios commerciaux et répondent efficacement aux besoins de l'entreprise.

Pourquoi c'est PaaS : Tout d'abord, nous pensons que PaaS est une meilleure solution et un meilleur plan, car il fournit un cadre de base pour résoudre les activités complexes des super entreprises qui peuvent être modifiées, étendues et réutilisables . , le travail répétitif peut être considérablement libéré pour parvenir à une amélioration efficace de l'activité ; deuxièmement, nous avons également vu d'autres acteurs dans certaines industries, qui mettent également en œuvre le PaaS sur la base de leurs propres plates-formes commerciales et fournissent des services via le PaaS La capacité d'incuber en continu leur propre des projets innovants pour réduire leur apport en main-d'œuvre et réduire leurs coûts d'entrée, et ils ont également lancé de nombreux outils PaaS à usage commercial pour créer des opportunités pour une plus grande valeur sociale ; par conséquent, nous pensons que le PaaS devrait être une meilleure solution au problème que nous choisira à l'heure actuelle;
Comment aider à améliorer les capacités commerciales de recommandation : En triant les exigences communes dans les scénarios de recommandation, dans le cadre de base des capacités modifiables, évolutives et réutilisables, nous classons les exigences commerciales et les capacités abstraites, et fournissons des stratégies d'adaptation étape par étape ; besoins, nous fournissons des capacités de recommandation personnalisées à guichet unique pour répondre aux besoins d'accès rapide aux entreprises; pour les besoins personnalisés, en créant des outils PaaS efficaces et faciles à utiliser , d'une part, réduire l'investissement dans la main-d'œuvre algorithmique, d'autre part d'autre part, raccourcir le cycle de livraison des besoins de l'entreprise ;

2. Conception du schéma

Dans le processus de tri des exigences commerciales recommandées, nous avons résumé les demandes du côté commercial dans les deux catégories suivantes :

Ajout des exigences commerciales recommandées

Selon les scénarios de recommandation, il peut être grossièrement divisé en accès aux scénarios de recommandation tels que la première recommandation, mon Pékin, les détails du magasin, le panier, la courte vidéo, la diffusion en direct et les chaînes ;
Selon la classification des capacités de recommandation personnalisées, elles peuvent être grossièrement divisées en modules d'accès aux données, de rappel, de tri, de filtrage/ajustement du poids, de diversité, de rendu et d'autres algorithmes de recommandation, ainsi qu'en expériences AB et en capacités d'analyse de données ;
Selon la division des demandes opérationnelles, il peut être grossièrement divisé en capacités de soutien telles que la promotion des droits, l'investissement fixe, l'investissement non programmé et la fosse fixe ;

Position de recommandation existante stratégie de recommandation optimisation itérative exigences métier

Les exigences commerciales d'amélioration des effets : peuvent être grossièrement divisées en nouveaux pools de produits, rappeler de nouvelles sources de données, étiquettes commerciales/modèles d'accès aux facteurs de fonctionnalités, catégories de support, analyse de données, etc. ;
Les exigences commerciales de l'expérience utilisateur : peuvent être grossièrement divisées en ajustement/filtrage du poids, rétroaction négative, tri de la diversité, nouveauté, entrelacement multi-matériaux, etc. ;
Exigences opérationnelles : peuvent être grossièrement divisées en capacités opérationnelles telles que le soutien spécial des flux de produits, le mécanisme des courses de chevaux, la promotion des droits, l'investissement fixe et la fosse fixe ;

Afin de répondre plus efficacement aux besoins commerciaux ci-dessus, l'algorithme PaaS recommandé est construit autour des six directions PaaS de données/composants d'algorithme/analyse de données/opérateurs/modèles de scénario/services, dans le but de raccourcir le cycle de livraison de la demande et d'améliorer efficacement perception de l'usage.

2.1 Classification des capacités PaaS d'algorithme de recommandation

En tant que fournisseur de capacités de recommandation personnalisées, nous espérons afficher de manière transparente le système de recommandation à tout le monde grâce à une technologie habilitante pour les entreprises et à des algorithmes de recommandation basés sur PaaS. Sur la base d'une nouvelle compréhension du système de recommandation, nous pourrons mieux déduire l'avenir ; nous allons Le recommandé L'algorithme PaaS est divisé en données/composants d'algorithme/analyse de données/opérateurs/modèles de scène/services, un total de 6 capacités de premier niveau et 20 capacités de second niveau, comme suit

capacité de niveau un	Définition de la compétence de niveau 1	capacité secondaire	Définition des compétences de deuxième niveau
multiplexage de données	Recommander la réutilisation des données dans chaque lien	Réutilisation directe des données de rappel
		Traitement simple et réutilisation des données rappelées
		Trier la réutilisation des fichiers modèles
Réutilisation du code (composants de l'algorithme)		rappel non modèle	Rappel de démarrage à froid, rappel de portrait, rappel lié à la similarité, etc. (La différence entre chaque type de source de rappel réside dans les différents scripts de calcul appelés)
		Rappel KNN
		Modèle raffiné
Réutilisation de l'analyse des données		table intermédiaire de base
Réutilisation de l'analyse des données		table intermédiaire de projet
Multiplexage opérateur	Y compris le multiplexage des fonctions liées à l'opérateur et le multiplexage des données associées	opérateur de filtre
		Opérateur de réglage
		meilleur opérateur
		opérateur de déduplication
		opérateur de rendu
		opérateur de diversité
Réutilisation du modèle de scène	Recommandation complète de produits dans toute la station, retransmission en direct du panier d'achat... Spectacle d'enherbement	Recommander la fonction de flux de flux de la page d'accueil du package pour vous, en fonction des préférences de comportement de l'utilisateur et des recommandations complètes liées à des produits similaires	Prise en charge multi-matériaux (magasins, classements, graphiques, matériaux d'agrégation), prise en charge de la configuration du rappel knn, prise en charge des objectifs du modèle d'ajustement commercial, fonctionnalités du modèle d'auto-configuration commerciale
		Détails du package de recommandation de produit principal, panier d'achat, pour les scénarios avec les produits participants	Prend en charge les rappels connexes similaires des produits participants, la recommandation de livraison gratuite (filtrage du prix et du poids), la recommandation de produit du même magasin, le filtrage autonome non autonome, la prise en charge de recommandations contextuelles d'achat supplémentaires pour des catégories commerciales spécifiées et l'ajustement commercial objectifs du modèle, fonctionnalités du modèle d'auto-configuration des services, recommandation LBS
		Activités marketing de recommandation de pool de produits (Jour de l'An, etc.), tri d'onglets, recommandation de produits de classification d'onglets, recommandation de magasin + suk, recommandation de type O2O	Prend en charge le tri des onglets, le tri basé sur les paramètres d'entrée des onglets, la recommandation de marque, la grande demande de promotion pour de nouveaux scénarios, les ventes flash et d'autres fonctions de recommandation : rappel basé sur le temps, fonction de filtre, création et rappel de pots spéciaux (kv)
réutilisation des services		Service matériel unique, produit unique, magasin unique, vidéo courte, marché des bonnes choses... LBS
		service de filtrage	J'ai déjà
		Service de raisonnement raffiné	J'ai déjà

La classification ci-dessus est basée sur notre compréhension actuelle des besoins de l'entreprise.Avec l'avancement continu de l'algorithme de recommandation PaaS, la définition et la classification continueront à migrer ;

2.2 Renforcement des capacités PaaS de l'algorithme de recommandation

2.2.1 Composantisation des algorithmes de recommandation

La mise en composants de l'algorithme de recommandation est une étape préalable à la mise en plate-forme et à la configuration. Grâce à la mise en composants, nous pouvons visualiser les capacités algorithmiques, laisser certaines informations déposées dans le code être affichées au public et faire des capacités algorithmiques un véritable atout héréditaire. , pour répondre efficacement aux besoins de l'entreprise ; en particulier, nous résumons et encapsulons les capacités de l'algorithme et les intégrons dans un package de code exécutable. Les utilisateurs peuvent utiliser des applications "enfichables" grâce à l'introduction de composants d'algorithme et d'instructions d'utilisation dans leur domaine d'activité ;

La construction de la composition de l'algorithme comprend principalement deux parties. L'une est que le générateur de capacités PaaS de l'algorithme de recommandation intègre les capacités de l'algorithme de recommandation, et l'autre est la capacité PaaS de l'algorithme de recommandation. Vous pouvez saisir le rythme de livraison de la demande ;

Schéma de principe de la composition de l'algorithme de recommandation

2.2.2 Platformisation des capacités générales de l'algorithme

L'objectif principal de la plateformisation est de simplifier la complexité de l'utilisation des composants de l'algorithme de recommandation. Par conséquent, nos exigences en matière d'outils de plate-forme sont utilisables, visibles et modifiables. Il convient de noter que la plateformisation peut être divisée en deux grandes catégories : la première est la plateformisation. du lien complet des capacités de recommandation, dont le but est de prendre rapidement en charge les besoins de l'entreprise tels que les nouveaux postes de recommandation ; le second est la plateformisation des modules d'algorithme de recommandation. Grâce à ces outils de plate-forme, nous espérons prendre rapidement en charge la stratégie itérative de recommandation de position recommandée existante les exigences métier de la classe d'optimisation ;

Pour la plateformisation du lien complet des capacités de recommandation, nous coopérons avec des produits, des architectures et des plates-formes pour répondre aux demandes d'accès rapide aux services en créant des modèles de scénarios de recommandation riches et en fournissant des capacités de distribution personnalisées générales ; en particulier, pour les entreprises qui ont des demandes différentes pour différents scénarios de recommandation. L'équipe de projet basée sur le PaaS a construit des recommandations complètes pour les produits sur l'ensemble du site, des recommandations associées similaires au sku principal, des recommandations commerciales flexibles, des recommandations de produits omnicanaux + magasin, et des recommandations de produits d'assistant, etc. types de modèles à usage général. Sur ces modèles, l'algorithme de recommandation PaaS est basé sur une logique de base modifiable et réutilisable. En fournissant des stratégies de recommandation riches que les parties commerciales peuvent choisir et utiliser, il couvre davantage d'exigences pour les nouveaux postes de recommandation ;

Schéma de principe de la liste des modèles de scène

Pour la plateformisation du module d'algorithme de recommandation, nous prévoyons de coopérer avec le côté plate-forme pour améliorer l'efficacité du travail des étudiants en algorithme et raccourcir le cycle de livraison de la demande en créant un lot d'outils d'amélioration de l'efficacité ;

2.2.3 Configuration générale de la stratégie d'algorithme

Afin d'améliorer l'efficacité du personnel de l'algorithme dans la prise en charge des besoins de l'entreprise, sur la base du système de recommandation actuel, coopérer avec le cadre de recommandation pour achever la construction d'une bibliothèque d'opérateurs générale, y compris les opérateurs couramment utilisés tels que l'extraction, le rappel, le tri, le filtrage, et diversité ; à l'avenir, ce lot d'opérateurs à usage général peut entrer directement dans l'expérience de petit trafic pour vérifier l'effet, réduire le coût de la configuration de l'opérateur, améliorer la réutilisation du code et atteindre l'objectif de raccourcir le cycle de livraison de la demande ;

Comparaison de processus avant et après la mise en œuvre de la configuration générale de la stratégie d'algorithme

2.2.4 Développement low-code d'une stratégie d'algorithme personnalisée

Dans le processus de prise en charge des besoins de l'entreprise, nous avons constaté que le développement d'un petit opérateur consomme également beaucoup de temps pour le personnel de l'algorithme, y compris, mais sans s'y limiter : la communication de développement précoce, le développement de la stratégie, le déploiement de l'environnement, la vérification de la stratégie et le lancement de l'opérateur, etc., nous espérons rationaliser le processus de développement pour atteindre l'objectif d'amélioration de l'efficacité. Sur cette base, nous sommes parvenus à un consensus avec l'architecture et la plate-forme recommandées pour créer des outils de développement low-code pour les professionnels tels que les algorithmes, afin que les exigences personnalisées peut passer rapidement le lien low-code Développement et publication rapides ;

Pour l'idée générale, référez-vous au système de studio facile du big data

2.2.5 Construction de l'outil PaaS d'algorithme de recommandation

Ici, nous considérons principalement les exigences de personnalisation, telles que le rappel de nouvelles sources de données, le filtrage des produits sensibles, les outils de dépannage de cas, etc. ; pour les exigences de personnalisation, nous espérons fournir des outils PaaS efficaces et faciles à utiliser. D'une part, le le travail répétitif de l'algorithme est libéré, D'autre part, raccourcir le cycle de livraison des exigences de l'entreprise ;

3. Mise en œuvre

3.1 Cas 1 Scénario modèle recommandation personnalisée renforcement des capacités

3.1.1 Développement d'un modèle de scénario

Les modèles de scénarios, en tant qu'outil pour répondre aux besoins des nouveaux postes de recommandation, sont directement ouverts aux parties commerciales. Pour différents scénarios de recommandation, nous avons créé une multitude de modèles parmi lesquels les parties commerciales peuvent choisir, notamment : recommandation de produit complète, détails commerciaux, Voitures d'achat, diffusions en direct, courtes vidéos, etc., sur chaque modèle, nous avons configuré une stratégie de distribution de recommandation de base, et le côté commercial peut choisir la stratégie de recommandation à utiliser en fonction de ses propres besoins ; ce qui suit utilise la recommandation de l'onglet d'agrégation de produits à titre d'exemple pour introduire un modèle de recommandation personnalisée Mise en œuvre des capacités ;

Tout d'abord, au début de la construction du modèle, nous confirmerons l'ampleur des besoins similaires avec le produit comme base pour évaluer s'il faut créer un modèle ; Un, et les exigences de ce type de demande de capacités d'algorithme sont fondamentalement similaires Par conséquent, nous pensons que la recommandation d'onglet d'agrégation de produits est un type de demande général et relativement fréquent, et qu'il est nécessaire de créer un modèle pour entreprendre efficacement ce type de demande ;

Deuxièmement, en tant que personnel d'algorithme, nous devons trier les capacités d'algorithme pour ce type de demande. Sur la base des exigences de capacités de recommandation de plus d'une douzaine de besoins similaires dans le passé, nous pouvons trier grossièrement une version de solutions d'algorithme avec des fonctions et une couverture élevée ; Prenons l'exemple de la recommandation de l'onglet d'agrégation. Lors de l'accès aux données, dans la plupart des demandes, les données fournies par la partie commerciale sont un pool qui comprend un pool de produits de base (did), une catégorie/marque virtuelle (vcateid) et une catégorie/réelle marque (cate_id) Lors du rappel des données, le rappel des catégories/marques virtuelles et des catégories/marques réelles est souvent complété par un rappel bidirectionnel du démarrage à froid et du portrait, puis la notation de l'étape de classement est complétée par un modèle de classement linéaire, complété par le filtrage, l'ajustement du poids et La stratégie de diversité complète la mise en place de l'ensemble de la capacité de distribution des recommandations. Il n'est pas difficile de découvrir à partir de la description ci-dessus que si la plupart des exigences sont avancées selon le processus ci-dessus, alors nous pouvons concevoir un solution d'algorithme complète pour répondre efficacement à des exigences similaires ;

Ensuite, sur la base de l'achèvement de l'examen du schéma d'algorithme, le côté architecture achève le développement de la fonction et le côté plate-forme achève le développement de la page frontale ;

Enfin, lorsqu'il existe des besoins commerciaux similaires, nous ouvrons la capacité de modèle au côté commercial, et le côté commercial peut répondre à la demande via la page de style clic, et la progression de ce processus est contrôlée par le côté commercial lui-même ;

Organigramme de développement du modèle de scène

3.1.2 Renforcement des capacités de la bibliothèque de vocabulaire/index de rappel automatique

Dans le processus de répondre aux besoins de l'entreprise, dans la plupart des cas, chaque partie commerciale a son propre pool de produits. Face à différents pools de produits, nous devons ajuster dynamiquement le vocabulaire ou l'indice de rappel en fonction des changements dans le pool de produits. Si nous voulons automatiser entièrement les capacités de distribution personnalisées, nous devons créer un nouvel ensemble d'outils de construction de bibliothèque de vocabulaire/index de rappel. Sur cette base, nous avons proposé conjointement une solution de création de bibliothèque de pot/index en un clic avec le côté plate-forme. , en particulier, l'algorithme le personnel résume et encapsule tous les scripts de production de bibliothèque de vocabulaire/index de rappel requis sur le modèle, réserve les paramètres d'entrée et de sortie, et le côté plate-forme obtient des commandes spécifiques de création de bibliothèque de vocabulaire/index de rappel via l'interface frontale, et utilise cette commande comme entrée paramètre pour entrer le package de code pré-packagé par le personnel de l'algorithme.Afin de mettre à jour la tâche régulièrement tous les jours et de créer automatiquement une tâche de planification BDP, le paramètre de sortie du package de code est renvoyé côté plate-forme via DUCC en tant que création de vocabulaire/ La base de la bibliothèque d'index, afin de compléter la création entièrement automatique du vocabulaire de rappel ou de la bibliothèque d'index ;

Création et mise en œuvre d'une bibliothèque de pots/index en un clic

3.1.3 Prise en charge du modèle de séquencement multiservice

Afin de couvrir davantage de besoins commerciaux, dans le module de tri, nous considérons principalement les exigences en matière de capacités de tri sous différents modes commerciaux. Par exemple, dans le scénario de naufrage, il est plus nécessaire d'améliorer l'indice UCVR, et certains besoins commerciaux du la station maîtresse espère améliorer l'UCTR de l'utilisateur Par conséquent, afin de prendre en compte divers besoins commerciaux, nous avons trié trois modèles couramment utilisés, à savoir le modèle de tri multi-domaine du site principal, le modèle de tri descendant de l'édition spéciale, et le modèle de tri d'entreprise de ToB, et a intégré les trois modèles ci-dessus dans chaque modèle, et fournit les instructions d'introduction et d'utilisation de chaque modèle, le côté commercial peut choisir en fonction du contenu spécifique de la demande ;

Sélection du modèle de tri

3.2 Cas 2 Créer des outils PaaS efficaces et faciles à utiliser

L'utilisation rationnelle des outils peut non seulement améliorer l'efficacité de notre travail, mais aussi faciliter notre travail ; ici, nous prenons le pic que nous avons créé dans l'expérience utilisateur comme exemple pour expliquer l'application des outils PaaS en entreprise ; (Pivert pour l'explication du nom : un outil de plate-forme qui prend en charge le filtrage/débannissement hors ligne et l'auto-configuration)

3.2.1 Tri de la demande

Dans le module d'expérience utilisateur, il y a souvent des besoins métier qui nécessitent de filtrer des produits, des catégories, des mots sensibles, etc., ou de filtrer dans un certain laps de temps, puis de les publier après le temps écoulé ; avant de créer un pic, nous a reçu des besoins similaires. , écrira manuellement des produits, des catégories ou des mots sensibles dans un texte, puis poussera le texte vers un certain chemin de hdfs. Lorsque la tâche de planification BDP du lendemain est exécutée, la table de données sera mise à jour pour réaliser le filtrage ou release En observant le processus ci-dessus, il n'est pas difficile de constater que la modification manuelle du texte peut facilement conduire à des erreurs, et une suppression ou un ajout involontaire peut entraîner le blocage et l'instabilité de la tâche de planification du lendemain ; de plus, après que de nouveaux arrivants prennent le relais besoins, formation Le coût est extrêmement élevé, et il faut lui apprendre plusieurs fois avant d'oser lui confier un tel métier, difficile à exploiter ;

Afin de résoudre ces problèmes, nous prévoyons de créer un outil PaaS efficace et facile à utiliser. Un tel outil peut fournir des ajouts, des suppressions, des modifications et des requêtes stables, et il doit être facile à utiliser. Il est préférable de savoir comment pour l'exploiter en un coup d'œil. Sur la base de cette idée, nous avons combiné la plate-forme pour créer Woodpecker ;

3.2.2 Conception et développement de Woodpecker

Idées de conception :

Grâce à la plate-forme jrec, tous les filtrages/libérations hors ligne peuvent être configurés en tant que paas. La plate-forme doit disposer des fonctionnalités suivantes :

La plate-forme Woodpecker fournit une entrée de configuration de filtre et de version, fournie par la plate-forme jrec ;
Les règles à long terme configurées sur la plate-forme peuvent être déplacées hors ligne pour réduire l'occupation des ressources de service en ligne ;
Le filtrage hors ligne peut être configuré de manière flexible et prend en charge la libération hors ligne, réduisant ainsi les coûts d'exploitation manuelle ;

Conception:

La conception globale de la solution est illustrée dans la figure ci-dessous. Après la configuration via l'interface WEB de la plate-forme, les données seront transférées vers la partie de la tâche de calcul hors ligne via DUCC. Une fois la tâche de calcul hors ligne terminée, le dérivé sera mis en cache dans jimdb, et le service de filtrage ou l'opérateur de filtrage ps sera configuré en ligne.Le filtrage et la libération des produits, des catégories ou des mots sensibles peuvent être complétés ;

Mise en œuvre de l'atterrissage Woodpecker

3.3.3 Utilisation des pics

Woodpecker a construit et livré le personnel d'algorithme correspondant à utiliser, et nous fournissons également un manuel d'utilisation détaillé pour les nouveaux arrivants à apprendre ;

4. Résumé de l'expérience pratique

Dans le processus d'exploration et de mise en pratique du PaaS des algorithmes de recommandation, nous, en tant que fournisseurs de capacités et utilisateurs de capacités, d'une part, résumons et trions les outils PaaS qui doivent être fournis du point de vue des fournisseurs de capacités ; d'autre part , du point de vue de la capacité Du point de vue de l'utilisateur, pour évaluer si l'outil est efficace et facile à utiliser ;

En tant que fournisseur de capacités : grâce au tri des besoins métier et à l'expérience métier à long terme des constructeurs de PaaS, basée sur le système de recommandation existant, grâce à la composantisation des algorithmes de recommandation, re-comprendre le système et re-planifier le processus ;

En tant qu'utilisateur de capacités : de passif à actif, je peux vraiment percevoir l'amélioration de l'efficacité des outils, être bon dans l'utilisation des outils et utiliser les outils PaaS pour répondre facilement aux exigences commerciales complexes. Tant que je veux le faire, je peux contrôler le rythme de livraison de la demande. ;

5. Perspectives d'avenir du travail

Nous espérons que sous l'intérêt composé du long terme, l'accumulation d'algorithmes de recommandation PaaS deviendra un miracle ; sur la base de notre compréhension actuelle des besoins de l'entreprise, à l'avenir, nous continuerons à cultiver les aspects suivants :

5.1 Modèle de scène Création de capacités de recommandation personnalisée hiérarchique

À l'avenir, nous mettrons à niveau les fonctionnalités personnalisées des modèles. En fonction de l'état actuel de la version de base, nous fournirons des fonctionnalités de version avancée et de version de haut niveau pour répondre aux demandes plus diverses de l'entreprise ;

5.2 Créer des outils PaaS efficaces et faciles à utiliser

5.2.1 Renforcement des capacités du service matériel unique

Tout d'abord, nous devons expliquer pourquoi nous devons créer une capacité de service à matériau unique. Une raison importante est que les modèles de scène ne peuvent prendre en charge que de nouvelles recommandations, et de telles exigences ne devraient pas être très compliquées. Pour les nouvelles recommandations complexes ou existantes. L'itératif Le modèle de scène d'optimisation de la position recommandée ne peut pas fournir de support ; sur cette base, nous proposons le concept de réutilisation de service. Plus précisément, nous prévoyons d'intégrer un seul matériau dans un service un par un, et le personnel de l'algorithme se concentrera sur l'optimisation du service dans La nouvelle position de recommandation doit être optimisée et l'optimisation itérative des positions de recommandation existantes est renforcée par des services, qui peuvent non seulement réduire l'apport de main-d'œuvre algorithmique, mais également raccourcir le cycle de livraison des exigences commerciales ;

5.2.2 Poursuite de la mise à niveau de la plate-forme de composants algorithmiques

Afin d'améliorer l'expérience utilisateur des capacités PaaS de l'algorithme de recommandation, nous prévoyons de plateformer certaines capacités d'algorithme courantes pour se débarrasser des opérations actuelles qui nécessitent encore que le personnel de l'algorithme copie manuellement et réalise réellement la méthode d'opération pointer-cliquer. , à l'avenir, nous coopérerons également avec le côté plate-forme pour construire conjointement ces capacités de plate-forme et libérer davantage le travail répétitif du personnel de l'algorithme ;