道反復アルゴリズムのQichezhijia推薦システムのソート

著者：

苔徐、シニアアルゴリズムエンジニアの車の家。2014は、並べ替え、検索意図の分析、テキストマイニングに従事し、その推奨している車を家に参加しました。大規模なこのプラットフォームのユーザーの何百万、数百の家や車の中でのリソース、および積極的に試してみて、最新のアルゴリズムの研究を着陸するだけでなく、積極的にこれに基づいて革新しようとすると、いくつかの結果を達成しています。

チーム：

車の家の車のホーム内部紹介シーンをサポートする数百万のユーザーをサポートし、外国出力の技術の成果を始めながら、効率的な勧告のための共通のプラットフォームを作成することにより、家庭やパーソナライズされた勧告の他のシーンを担当するチームを推奨し、効果を高めるために、経験を強化します。業界をリードする大規模なデータプラットフォーム、GPUのクラスタリングや機械学習プラットフォームは、チームの基盤のサポートを提供します。一方、チームは、同時に革新的な作りとモデルとアーキテクチャをリードする効果を大胆かつ革新的な実践を奨励するために、最新の研究成果のフォローアップします。

 

REVIEW：車のホーム推奨システムは、シーンの複数の内部勧告をサポートしながら、外部出力の度合いがあり、最先端の技術が続きます。私たちは、次の車のホーム推奨システムを楽しみにしていないだけで、最先端の技術の応用、さらにプロモーターとイノベーターがあります。：を含む道路のアルゴリズムの反復をソートqichezhijia推薦システムの共有をテーマに、

• 車のホーム推奨システム

• ランキングモデル

• 特性と学習サンプル

• 最適化計画の今後の方向

01。Qichezhijia推薦システム

1 。  概要

ライン主にホームユーザーへの推薦システム上のほぼ5歳の車の家は、自動車のパーソナライズされたリソースをお勧めします。オンライン推薦システムは、パーソナライズされた重要なマイルストーンとして推奨変換するためにコンテンツを配信するために、車のホームAPP生態分類システムです。車の家の推奨リソースが含まれます：プロの編集、自動車ビッグV、記事、ビデオ、写真、および、そのような総額十億の車、などの項目のユーザーフォーラムの生産を。

推奨ターゲットは、以下の3つのサブ目標の解体のための勧告を行うことができ、ユーザーに自分の好みのコンテンツを推薦することです。

• まず、利用者の理解

• 第二に、資源の特性評価

• 第三は、ベストマッチのユーザーとリソースであります

上記の3つの目標は、再度特性化リソースが一致する属性とその割り当てられたリソースの外部機能、ユーザーと資源である豊富な方法又はモデルを含む、利用者の属性、動作および挙動収集表現を理解するユーザを含む、分解します推薦システム、より良い、より良いマッチングの追求、推薦システムの作品のコアはパワー嘘を進化さです。

マッチングは二つの部分に分けることができ、およびリコールを注文、リコールは多くのユーザーが、再びそれを行うためのリソースを好むよう求めることであることが好ましいが見つかりました並べ替え資源のある、リコールや仕分けをさらに細分化することができます。

2. アーキテクチャ 

膨大なリソースライブラリからの推奨システムは、ユーザーがすぐに潜在的な関心のリソースを見つけます。4つの主要分野があります。

まず、リソースを集めます。

第二に、ユーザーが興味を持っているすべてのリソースからのリソースを見つけます。

第三に、ユーザーへの関心のリソース、ユーザの好みに基づいて注文しました。

第四に、n個のリソースのユーザーへの出力は、ほとんどのに興味を持っています。

推奨されるシステムのアーキテクチャは、一般的に以下のモジュールから構成され、上記の4つの領域に基づいて設計されています。

どこで：

• リソースプール： MySQLなど、典型的にはデータベースによって格納されたマスストレージリソースの様々なタイプ、ハイブは、Redisのように。

• ラベル生成：ラベルは資源より多くの次元の描写が構成されています。たとえば、次のカテゴリタグ、キーワード、品質等級。

• インデックス：ラベル資源の様々なタイプ、ビルドは転置インデックス、および検索エンジンや他の類似のベクターをキーワード。

• フィルタ：ユーザーの曝露歴、負のフィードバックフィルタ。

• リコール：ユーザーの肖像画やユーザ関連する候補リソースを得るために、インデックスとベクトルライブラリにタグを埋め込みます。

• ユーザーの肖像：ユーザー属性とタグを再生するには、ユーザに、ユーザの歴史的行動に基づきます。

• 並べ替え：リコールを予測するために、各候補リソースモデルによるスコアリング。

• 特集/モデル：ユーザー機能のための依存関係、およびリソースの特性モデル。

• 操作：他の事業戦略を破る、ウェイトを持ち上げ露出制御を占めるなど、事業戦略、。

• 出力：リターン・パッケージには、クライアントにソートされ、運用のtopNリソース。

02。ソートモデル

1.  モデルの紹介

オートハウスホームは、順序モデルはまた、ワイド＆ディープ、DCN、LSTM、GRUおよび他のモデルとして実験を行った過程で、LR、XGBoost、FM、DeepFM、DeepFMオンライン学習これらの主要な進化を主に経験しているお勧めします。

CTR LRモデルは、フィールドの最も成功したモデルの初期の推定値である、初期の産業のほとんどはLRこの「人工+線形モデルは非線形の導入を組み合わせています」モデルを取るためにシステムを注文するお勧めします。LRモデルは、ライン、高速で、強力な説明は、簡単にスケールメリットで、このモデルを取るために、多くの実用的なシステムがまだある、高速の電車があります。一方、LRモデルは、ホームの初期発注システムの後半にベースラインモデルの検証とモデルをお勧めします。

達成比較的有意な結果の後の行に、同じ機能を使用してLRのXGBoostモデルは、その後追加されたユーザーは、リアルタイム項目を特徴と実験群はさらに、一般に、昇降6％に対向する、CTRを向上しました。制御及び観測を3週間続けた後、XGBoostを向上させる効果が総量がLRベースラインモデルとモデルラインを置き換えることが、確認され。また試みXGBoost + LR後、効果がXGBoostと比較して有意に改善されません。

FMのシンプルかつエレガントな、機能の二次の組み合わせを達成しました。特性の組み合わせを達成することが容易にはLRに基づいて、二次特性の付加を組み合わせ、LRモデルに追加した2つの特徴を考慮新規な特徴の特徴の組み合わせ、の、すなわち、任意の組み合わせであってもよいことが企図されます。トレーニングの機能の適切な組み合わせが可能な学習の段階に焦点を当てています。しかし、機能ベースのモデリングのこの組み合わせは、一般化は、特に大規模なシーンまばらな機能の存在下で、比較的弱いです。FMモデルは、特徴のいずれか2つの組み合わせの二次機能に直接導入することができるが、各機能に対して、k次元のベクトルの特徴の大きさに対する重み値を学習する、Xi及びXjの2つの機能は、対応する特徴ベクトルViを介して、合成します内積はVjの<Viと、VJが>表されます。これは、同じである、現在の一般的な基本的な考え方を埋め込み、この性質の埋め込み機能、および様々な主体が特徴です。DNNモデルは、機能のこの機能の組み合わせなくてはならないとしてソートする機能の推奨組み合わせは、非常に重要ですが、関連した深さモデルの並べ替えは、基本的な機能のセクションのFMの同様の組み合わせを持っているので、MLPは、構造の特徴の非効率性キャプチャの組み合わせの一種であります。メインFMモデルの練習はオンラインすぐDeepFMが、後続として2％の相対コントラストXGBoostによって3億、CTRオンライン実験にサンプルステージは、いくつかの10で構成されて増加しており、全体のFMをプッシュしていませんでした。

ワイド＆ディープ奥行きモデルは2016年にGoogleが導入された、大きな成功を達成するための最も初期の推奨領域です。ワイド＆ディープモデルが広い部分と深い部分、LRの幅広部を備え、入力は、離散が部分は、より有意な相関特性のメモリ及び標的サンプルとすることができる周波数分割浴槽、後ワンホットと連続特性のような特徴があります学習; MLPの深部、入力は、離散的であり、埋め込み特性が正規化後の連続的な特性後、標的サンプルが表示されない複数の特徴との間の潜在的な相関を研究するために一般化することができます。ワイド＆ディープ広い部分を使用してのもう一つの利点は、あなたが浅いの学習成果、プロジェクトの特に特徴的な部分に従うことができます前に、そこにあるということです。ワイド＆ディープ3％、0.5％は、同じ期間にわたってDeepFM線よりも低い逆のリフト線CTRに、それは主にDeepFM線路モデルを用いています。

FM LRのDeepFMワイド＆ディープワイドセクション人工プロジェクトを避けるために、機能を交換してください。DeepFMは、より良い低レベル特徴情報を取得するワイド＆ディープモデルと比較しました。一方、埋め込み層部分ワイド＆深いディープ設計の別の部分のための必要性が、DeepFMに、FM及び深い埋め込み層が部分的に共有は、FMトレーニングパラメータはなく、入力部MLPとして、幅広部の出力の両方として得ました。事前トレーニングや個人トレーニングなしDeepFM支持端エンドトレーニング、埋め込み、ネットワークの重み共同訓練、。オンラインのDeepFM相対CTRした後、同期間ワイド＆ディープの最後の行よりもわずかに優れ、3.49パーセントをアップグレードしてください。全体の効果は、ベースラインモデルの全体量とモデルラインを作り、DeepFMプッシュモデルを検証した後。大幅損失モデルを改善せず、パラメータが隠さ寸法の削減と埋め込みなど、深い部分を、最適化した、効果を高めるために持参推奨オンライン注文モデルは、時間のかかるを予測高めることである、音を確実にするために、最大レベルを超えませんニューロンの数および層等の層の数。展開モデルの後の行に影響を観察することによって、モデルが減少し、有意な変動CTRがない時間がかかり予測、学習の強い汎化能力の深さを示し、顕著に高いままで、でもまだ、ニューラルネットワーク構成モデルを減らしますより良いサンプルを収めることができます。

ワイド＆深くDeepFMと、DCNの一部が層間残基を嵌合することにより一方、明示的なクロス高次機能を介して、一方クロスネットワーク上で、広いクロスネットワークをアップグレードするためには、より深い非線形を掘ることが可能であるように目標の間の関係の特徴と組み合わせて、より迅速に安定したフィット感の状態に達します。同じ機能およびDeepFM、また実験CTR DeepFMフラット場合。反復的な経験やビジネスラインの特性によると、DCNのモデル構造を最適化してみてください。DCN元の埋め込みとスタッキング層で、処理後にその別個の埋め込みを特徴とする、連続フィーチャを直接一緒にスプライスされ、入力統一ネットワークへのバックは、そのような欠陥は、によって引き起こされる：ネットワークは、明示的および暗黙的の両方であってもよいが効果的な機能との交点を学習する方法が、単一の内部タップ特徴情報の欠如は、圧力のこの部分は、それによって、人件費の増加、プロジェクトの特性に転送されます。すべての機能は、それぞれの機能をフルに活用に基づくモデルの試みを注文することにより、より多くの情報を検討する適応学習を延長しています。DCN埋め込み、スタッキングとネットワーク層との間に、実験の層特徴を組み込んだ拡散、元の寸法からの各機能は、1つのn次元に拡張し、そしてのみ離散埋め込み異なるプロセス特性、プロセスの連続性特徴の寸法は、拡張します。同時に寸法に伴う増加の拡張機能は、より多くのプロジェクトの労働特性を保存し、モデルは既存の機能のより詳細な使用することができる、唯一のオリジナルの特徴を使用する場合に比べ、高次計算に参加するネットワーク層に自分の情報を入力しますコスト。オフライン実験、DCNと比較して同じ特性の場合には、実験DCN CTRに基づいて特徴延長線が相対的に1％増加しました。

上記モデル反復LSTMさらなる実験が、GRU他のモデルは、次クリックLSTM GRU及び配列ベースのモデルであるセッションはシーケンスX = [X1、X2、X3をクリックするために、モデル構造は、非常に簡単です。 ..Xn-1、Xnの]、いずれかがクリックされた次の項目を予測するモデルに順番に、X1、X2、...、XN-1入力。まず、シーケンス内の各項目がXtのは、対応するN隠れ層ユニットの後に、次いで下側確率を介してそれぞれの項目に結合された完全な層を得ることがクリックされた、ことを埋め込むに変換され、ワンホットに変換されます。CTRはまだこれらのモデルは、有意に良好DeepFMよりも、その実験的な段階にとどまっている、主要なオンラインのモデルになっていませんでした。

練習DeepFM、深さが他のモデルでは、簡単なサンプルの組成および数の特性を考慮していないのミスを犯すために、直接の暴力はトレーニング時間の急増につながる、モデルの複雑さを増大させ、時間予測モデルは大きく、長い行をファイル、最終的な原因推薦システムサービスのタイムアウト。機能の数が少ないが、機能はシンプルだが深い学習モデルを使用して、完璧かつ合理的なサンプルの選択を動作する場合、より良い結果を得ることができます。

2.  オンライン学習

オンラインリアルタイムの更新モデルパラメータは、ユーザの行動変化のリアルタイムのフィードバックの影響を予測するために、リアルタイムで収集されたユーザからのフィードバックを学習。オンライン学習モデルを更新するために、一つのサンプルのデータストリームのいずれかを使用し、相対的なオフライン学習データセットの無限の、無限の時系列として理解することができる、オンライン学習は、モデルの更新を最適化するにDeepFM後にオンラインで行われます。一日に一週間から更新されたモデルの前に、より迅速に、リアルタイムのユーザーの行動をモデル化するために学ぶために、我々は、微小レベルを行うにはサイクルモデルを更新します。

ここでの仕事は二つの部分、1つのラベルを持っており、リアルタイムの特性を取得し、モデルの第二、リアルタイム更新。

機能要求時間が参加したときにリアルタイムでアクセスのラベルと特徴は、そのラベル必見ダンプここで注意することは、要求ごとに一意の識別子IDによって生成されたジョインを実行（表示回数、クリック数）にラベル機能やクライアント・サーバの使用されていると特徴データは、ラベルの後に更新されている場合は、問題が機能によって発生する可能性があります。

モデルは、実時間でバッチを蓄積するためにリアルタイムで取得したサンプルを更新された後、繰り返しラインをプッシュする、更新されたモデルは、10分ごとに更新され進みます。10分のトータルエンジニアリングの実装の難しさを減らすことができ、またサンプルのジッタを低減することができないだけで、前提の有効性の動作をリアルタイムでキャプチャするために、ユーザーを確保するために、サンプルアンバランスな状況は、処理のためのサンプリング戦略を取ることができます。

3.  ソートサービス

APIの形で提供されるサービスでの並び替え：

入力：

DEVICEID：ユーザを一意に識別し、idはこの社内サービスを通じて特性やユーザーの行動特性を取得します。

ITEMID：これは、ソートするユーザーのためのリソースIDで、社内のサービスは、これらのリソース・プロパティ、熱およびラベルに関する情報を取得します。

PVIDは：一意回を識別する際に、関連するクライアントとサーバのログを要求。

モデル名：選択したモデルを指定するモデルの名前、ソートサービスの提供から選択するいくつかのモデル。

モデルバージョン：モデルバージョンでは、とモデル名を使用して、同じモデルのバージョンは、パラメータは主に、反復最適化モデルのために使用されているかを指定します。

デバッグ：このパラメータは、いくつかのソート処理における中間結果の出力に用いられます。

出力：その得点をITEMID。

サービスを発注する複数のモデルが異なる戦略の更新を持って、更新サイクルは設定可能です。注文サービスは、ユーザーの特性を得るために、サービスやリソースの特性に依存して、異なるモデルは、プロジェクト処理のさまざまな機能に対応してあります。

4.  モデル更新

ソートモデル実験を通して、小さな流れが直接熱が定期的に更新することができ、オンライン、オフライン検証しました。オンライン更新の一種オフライン検証に加えて、モデルの合計額が、また、前ラインの実験上の全押し前には、オンラインCTRデータの事前実験群と同様に問題はないが、その後、すべてのモデルを更新していることを確認します。

5.  AB実験

機械学習の分野では、AB実験は、最終的な結果の主な手段は、モデルを検証しています。AB実験の主な手段は、ユーザ点バレルを行った、古いモデルを課すために、実験群と対照群、新しいモデルを課すユーザーの実験群、ユーザグループにユーザへ程度です。浴槽の分裂の過程では、サンプルの独立性に注意を払うと公平な方法をサンプリングし、同じユーザーが、同じバケットに割り当てることができます確保、デバイスIDはそう、サブバレル工程で完全にランダムでなければならない選択バケットサンプルを確保するために公平です。無作為のDeviceID選択実験群と対照群を分割すると、同じ制約の下でなければなりません。、Bの下に、Cの分割は、分割されたユーザが正しくユーザーの実験群B、実際の実験的制約ユーザグループを超えており、正確ではなく、残りのすべてのユーザコントロール群、Cとして間違っていますユーザー・グループが展開している実験的に正しいユーザーは、dのみが正しいか、間違っています。

線ABは、3つの主要部分、1つの実験点及びバレル構成、及びタブに対応する第2のサブコード・ロジック、浴槽3つの実験点とパフォーマンスデータを有します。フロー実験は、サブフロー実験複数のバケットの各々の間に直交している相互に排他的です。我々はソーティング実験のモデル、分割バレルの複数、2％、5％、流量制御の三10％を設定するように、モデルは、徐々に効果を確認するために、比較のために、2％の量を拡大する開始からのライン上にあります。

6.  モデルのトレーニング

ソート推奨トレーニングモデルは、主に家庭用の機械学習プラットフォームAutoPAIに基づいています。車の家AutoPAIは、サポート複数の深い学習の枠組みを、そしてHadoopのは、オープンスパークというアルゴリズム部品を機械学習のサポート数百、分散型GPUプラットフォームのサポート、深い学習トレーニングモデルアセンブリのサポートをモデル化し、視覚ドラッグで、オンラインの開発をサポートしています、展開機能を自動化。

このようLRとしての私たちの単純なモデルで、XGBoostは、インターフェースのデータソースに直接ドラッグして、列車にコンポーネント、コンポーネントモデル、検証コンポーネントを処理する機能やキーのオンラインサービスの展開が続いたモデルを、保存することができます。、オンライン開発をサポートデバッグして、コンポーネントを学習の深さによって提出されたコードをデバッグし、トレーニングが完了した後に、GPUカードのトレーニングの数を選択するための深さのモデルは、キーの展開サービスをすることができます。

7.  可視化  デバッグ

一般的にホワイトリストの検証を通る線で、モデルや単一要求ポリシーの影響を検証し、まだコードまたはオンラインの構成にしたいために、オンライン一方で、一般的にライン上の一方のリスクは、より実験的な複数の機能がされています一緒にライン上に、実験が追加しても、他の実験によって影響を受ける可能性がホワイトリスト。この点で、我々は、我々はデバッグシステムをお勧めします公式リリース前に、プログラム上でのデバッグ、コードのデバッグの考え方に基づいており、効果を検証することができ、実験的にデバッグシステムのフロントラインの中央部分によって検証します。

入力の効果を確認するために私たちの主な推奨デバッグプラットフォームは、2つの部分を有し、一方はインターフェース、及び第二、実験構成が推奨されます。二つの部分のパラメータを変更することにより、あなたは本当の戻りラインレンダリング、出力してもよい全体の中間リンク要求の結果をシミュレートすることができます。デバッグプラットフォームは、ソートインデックスの直接検証、リコール、および他のサブモジュールをサポートし、あなたはリソースの特性を照会することができ、ユーザが、ユーザがクリックする露光動作を肖像画。デバッグのオンラインプラットフォームを大幅に私たちのオンラインの効率を向上させることができます。

03。特性と学習サンプル

1.はじめにここで

入力モデルは、一般に、ユーザコンテキストを特徴特性図、項目特性、クロス機能、位置及び配列特性項目を特徴とし、ここで：

ユーザーの肖像画の機能は以下のとおりです、性別、年齢、職業、地理的およびその他など、ユーザ自身の属性、;長、クリック、検索、投稿、コレクション、親指と他の行為を通じて、異なるタイムウィンドウなどのユーザの行動、;行動生じるに基づいて、注目例えば自動車のような嗜好は、嗜好ラベル等のユーザのクリック率、活性および上のように挙動ベースの誘導体の統計的指標。

アイテムの機能があります、タイトル、テキストワードカウント、写真や他の数などの項目自身の属性、等の影響のコンテンツ分類、キーワード、感情的、専門職学位のコンテンツ、コンテンツの豊かさ、などなどアイテムベースマイニング機能を、アイテムをユーザーが例えば、UV、PV、CTR、コレクション、親指アップ、返信などとして与えられた行動、。

前記CROSSタグの項目に一致するユーザタグが：あります。

2.加工特性

：簡単に直接含むので、モデルのニーズにさらなる処理を通過した後、元のモデルのフィッティングを使用して特徴づけられていない浴槽のような異常値処理、正規化及び周波数分割。

外れ値の取扱い：

トレーニングサンプルは、一般的に別々の位置にワンホット割り当てられることができる別個の機能のために、異常値の存在によって特徴付けられ、そしてゼロに全く完全存在しないであろうが、連続的な特性のために、その正常に割り当てられたデフォルトさまざまな機能の物理的意味の平均は満たしていない可能性がある場合の特徴は、計算の結果に参加しない場合、値は0です。X featurevalue +バイアス、重量およびモデルバイアストレーニングによって重量：妥当なデフォルト値を得るために、ソート処理ステージは各重みとバイアスの連続的導入はない0であることを特徴とする請求モデル、ことを特徴とする、デフォルト値は次のように計算され異常値は、特性値がデフォルトのバイアスに等しいときに起こります。オフライン実験は、損失テスト・セットが著しく減少され、CTRはまた、オンラインデフォルト値0または平均よりも優れています。

正規化されました：

連続特性値分布は、例えば、一般的に1より露出値より大きい露光及びCTRの量が均一ではなく、分類に直接入力する場合、1〜数百万、および0間隔CTR値とすることができる最大このモデルは、統計的特性の偏在がないだけで、トレーニングの変動につながる収束速度に影響を与え、フィッティングない終わる可能性ができます。最小 - 最大、ログ、及びオフラインテストセット損失実験によって観察された他の標準を、前記最良の結果の最小 - 最大：を含む従来の正規化方法。

このような周波数分割バレルのように：

異常な特性値の線が変化した場合、連続特徴については、そこに一般化されたまたは貧弱ロバスト性が不足することができます。この目的のために、他の周波数分割槽の導入、即ちバレルの数に応じて、次にワンホット処理、異なるバケットに元の特徴量からの周波数分布特性、良好な特性の複数のための所定の境界値をサンプリングします。ロングテール分布の特徴が最大に制限されているので、連続使用のNN一部深さモデル、より良好な離散機能を使用してNNのその後の実験の部は、また、別個の機能を使用します。

3 。 発現パターン

我々のモデルは、大規模なスパース機能の並べ替えを紹介し、発現ベクターの様々な形態を実現するだけでなく。

このような項目のバートは埋め込む埋め込み画像や動画に基づいてアイテムを埋め込む、行動ベースのグラフに基づいて、コンテンツの分類として、LSTMは埋め込むというように。

4.生産特性

オフラインプラスリアルタイムおよびオフライン機能の店、ユーザーの行動を行うと、最後の3ヶ月間、リソースへのユーザーとリソースの特性、リアルタイム更新を行うための第2のレベルを備えています。ここで次のように生産システムのアーキテクチャは次のとおりです。

サービス機能

サービスは、サービス、オフラインおよびメインユーザーとリソースのリアルタイム出力特性を注文基本的なサービスをサポートする機能します。

6.  トレーニングサンプル生成

注文サービスは、ユーザーがサービス機能、リアルタイムの履歴機能、入力モデルへのアクセスを要求するたびに呼び出され、ダンプ・キューに入れ、その後、リアルタイムのトレーニングモデル更新、上記のプロセスを生成し、クライアントの露光サンプルに参加]をクリックします。

04。  最適化計画の今後の方向 

モデル対象：期間を最適化しながら、後続の最適化の目的は、CTR、クリック数が、包括的、インタラクティブ、複数のターゲットに限定されるものではなく、など、これは将来の目的最適化の傾向です。マルチターゲットモデルは、多目的ネットワーク共有パラメータを介して達成することができ、各ターゲットモデリングおよび融合の最適化とは無関係であってもよいです。

モデルの式：変圧器などの使用など、ネットワーク構造をアップグレードするために、ある優れた特徴抽出、機能の自動化エンジニアリング、AutoML自動設計より優れたネットワークモデル、および推奨シナリオは一貫した強化学習です。

機能拡張や情報の統合：マルチモーダル情報の融合発現短く、ユーザーより正確な埋め込み式、テキスト、画像、ビデオ、インタラクティブな行動の長期金利などがあります。

Qichezhijia推薦システムは、シーンの複数の内部推薦を支持しつつ、外部出力の度合いがあり、最先端の技術が続きます。私たちは、次の車のホーム推奨システムを楽しみにしていないだけで、最先端の技術の応用、さらにプロモーターとイノベーターがあります。