Filme porno

Categorii

Advertising

Sisteme de recomandare in timp real bazate pe grafice

Cum sa construiti un motor de recomandare care sa valorifice conexiunile in cadrul datelor in timp real. Exemplu practic folosind Neo4j si Cypher.

In postarea anterioara pe blog am explicat de ce metodele bazate pe memorie au unele dezavantaje de luat in considerare atunci cand le pun in productie.

In primul rand, necesitatea de a determina fie utilizatori similari, fie elemente similare pentru a face predictii poate fi impracticabila in setarile la scara larga. In al doilea rand, raritatea matricei de evaluare a utilizatorilor creeaza provocari pentru un calcul solid al similaritatii. Metoda

factorilor latenti ar putea fi o solutie a acestor probleme (pentru detalii suplimentare consultati Invatarea profunda pentru filtrarea colaborativa).

Fotografie de Moritz Kindler pe Unsplash

In acest articol prezint o abordare diferita a aceleiasi probleme, care consta in a se baza pe o baza de date cu grafice . Vreau sa arat cat de usor este sa modelezi un domeniu de recomandare ca grafic si sa raspunzi la intrebari intr-un limbaj aproape natural. In plus, folosind o structura de date pentru grafic pentru stocarea datelor, putem parcurge cu usurinta graficul, gasind modele pe care utilizatorii nostri le au in comun.

Motoarele traditionale de recomandare functioneaza offline: un proces in lot trece istoricul achizitiilor fiecarui client printr-un set de algoritmi si genereaza recomandari personalizate o data pe zi, saptamana sau luna.

Pentru a intelege dezavantajele recomandarilor procesate in serie, imaginati-va ca un client va viziteaza magazinul online si adauga o pereche de ochelari de soare in cos. Ce sugereaza de obicei motorul tau offline sa adauge in continuare? Raspunsul, in majoritatea cazurilor, este mai mult ochelari de soare.

Array

Motorul dvs. cunoaste achizitia anterioara a clientului, dar nu stie ce urmeaza sa cumpere si nu se poate adapta pentru a se potrivi cu aceste noi cunostinte. Ca urmare, recomandarile sale ulterioare nu vor fi interesante si este probabil ca clientul sa le ignore.

O abordare mai buna ar fi sa reactionezi la actiunile clientului in timp ce acesta inca navigheaza pe site-ul tau si sa recalculezi recomandarile lor in timp real, de exemplu, pentru a sugera accesorii, pantaloni sau camasa care sa se potriveasca cu noua pereche de ochelari de soare. Acest lucru i-ar oferi clientului sentimentul ca vorbeste cu un asistent de vanzari din magazin si ar face experienta ei mai personalizata.

Fotografie de Aron Visuals pe Unsplash

Poate ca acum va intrebati „ De ce nu fac companiile deja acest lucru? De ce nu isi ruleaza motorul de recomandare pentru fiecare tranzactie, in loc sa programeze sarcini zilnice, saptamanale sau lunare?

Problema se bazeaza pe complexitatea crescanda a modelelor de recomandare si pe volumul crescut masiv de date pe care aceste modele trebuie sa le proceseze. Pe masura ce volumul de date creste, motoarele de recomandare procesate in serie pot dura cateva minute sau chiar ore pentru a se finaliza. Acest lucru nu se amesteca bine cu recomandarile in timp real.

Principiul de baza al tuturor algoritmilor de recomandare este acelasi: incep prin a gasi entitati cu proprietati similare si a calcula o masura a „similaritatii” lor. De exemplu, clientii care locuiesc in aceeasi zona, care au o varsta similara sau care impartasesc interese, sunt „grupati”.

Al doilea pas necesita analiza tuturor actiunilor intreprinse de fiecare client. Cunoscand activitatile anterioare ale a doi clienti similari, este posibil sa gasiti recomandarile potrivite pentru acestia.

Imaginati-va ca Alice a achizitionat articolul 1 si articolul 2. In cazul in care Bob cumpara si articolul 1, iar modelul nostru de notare il considera similar cu Alice, va recomandam sa adauge si articolul 2 in cosul sau.

Punctul cheie de observat aici este ca ambii pasi ai procesului depind de relatii : in primul rand, relatia dintre clienti si, in al doilea rand, relatiile dintre clienti si achizitiile acestora. Cu cat puteti interoga si parcurge mai repede aceste relatii, cu atat mai puternica este capacitatea dvs. de a oferi recomandari in timp real.

Bazele de date relationale pot modela relatiile; dar pentru a traversa aceste relatii, trebuie sa scrieti interogari SQL care se alatura tabelelor impreuna. Procesul de imbinare este costisitor din punct de vedere al calculului si devine mai lent pe masura ce creste numarul de imbinari, ceea ce face ca analiza in timp real sa nu fie practica in productie,

Datele grafice pot ajuta la rezolvarea acestei probleme.

O baza de date grafice este un sistem de management care lucreaza la un model de date grafice. Spre deosebire de alte baze de date, relatiile au prioritate in bazele de date grafice. Aceasta inseamna ca sistemul dvs. nu trebuie sa deduca conexiuni de date folosind lucruri precum chei straine.

Datele grafice reprezinta reprezentarea, utilizarea si persistenta relatiilor dintre elementele de date. Cheia aici este sa mentineti cunostintele despre relatie si nu sa le instantiati pur si simplu asa cum s-ar putea face folosind un tabel JOIN intr-un sistem de gestionare a bazelor de date relationale (RDBMS).

ROI pentru datele conectate: cum deblocheaza conexiunile valoarea afacerii de Jeff Morris

Deoarece relatiile sunt explicite de elementele de margine, parcurgerea graficului de la un varf la altul este atat simpla din punct de vedere conceptual, cat si ieftin din punct de vedere al calculului.

Drept urmare, puteti efectua interogari bazate pe relatii in timp real si puteti interoga rapid achizitiile anterioare ale clientilor, precum si sa surprindeti instantaneu orice interese noi afisate in vizita lor online curenta, ambele fiind esentiale pentru a face recomandari in timp real.

Contextul este orice informatie care poate fi utilizata pentru a caracteriza situatia unei entitati. O entitate este o persoana, un loc sau un obiect care este considerat a fi relevant pentru interactiunea dintre utilizatori si articol.

Cele mai frecvente tipuri de context sunt Identitate („cine”), Activitate („ce”), Timp („cand”) si Locatie („unde”) si se pot utiliza aceste informatii pentru a determina „de ce” se intampla situatia.

Bazele de date grafice pot face recomandari mai personalizate prin includerea informatiilor contextuale prin utilizarea conexiunilor dintre datele dvs.

Acest lucru nu poate fi realizat cu o tehnologie de baza de date relationala (RDBMS), deoarece interogarile SQL sunt prea complexe si dureaza prea mult pentru a rula.

In aceasta sectiune va voi da o idee despre cat de usor este sa generati recomandari de produse personalizate in timp real bazate pe grafice in zonele de vanzare cu amanuntul.

Voi folosi Cypher (Limbaj de interogare), care este un limbaj de interogare a graficului declarativ care permite interogarea si actualizarea expresiva si eficienta a unui grafic de proprietati. Pentru mai multe detalii despre Cypher, va recomand sa cititi Ghidurile pentru dezvoltatori Neo4j.

Intr-un scenariu de vanzare cu amanuntul, am putea stoca cosurile cumparate de clienti intr-un grafic ca cel de mai jos.

Alimentarea recomandarilor in timp real de Jim Webber

Graficul de mai sus arata cum este posibil sa creati un istoric al achizitiilor pentru client prin construirea unei liste simple legate de cosuri de cumparaturi conectate prin relatiile NEXT .

In acel grafic, vedem ca clientul a vizitat de trei ori, si-a salvat prima achizitie pentru mai tarziu ( relatia SALVATA intre client si nodurile cosului) si a cumparat in cele din urma un cos (indicat de relatia CUMPARAT intre client si nodul cosului) si este in prezent asamblarea unui cos, aratat de relatia CURENT care indica un cos activ in capul listei conectate.

Este important sa intelegeti ca nu este o schema sau o diagrama ER, ci reprezinta date reale pentru un singur client.

In forma de grafic, este usor sa ne dam seama de comportamentul clientului: ea a devenit un client (potential) nou, dar nu a reusit sa se angajeze sa cumpere pasta de dinti si a revenit o zi mai tarziu si a cumparat pasta de dinti, paine si unt. In cele din urma, clientul s-a hotarat sa cumpere paine si unt in urmatoarea lor achizitie.

Acum, ca avem un grafic, ne putem gandi la recomandari pentru a influenta comportamentul de cumparare viitor al clientilor. De departe cea mai simpla recomandare este de a arata produse populare in magazin. Acest lucru este banal in Cypher asa cum vedem in urmatoarea interogare

MATCH

(client: Client) – [: BOUGHT] -> (: Cos) <- [: IN] – (produs: Produs)

RETURNARE produs, numar (produs)

COMANDA PE numar (produs) DESC LIMIT 5

Sintaxa lui Cypher ofera o modalitate vizuala si logica de a se potrivi cu tiparele nodurilor si relatiile din grafic. Este un limbaj declarativ inspirat de SQL pentru descrierea tiparelor vizuale in grafice folosind sintaxa ASCII-Art. Ne permite sa afirmam ce vrem sa selectam din datele grafice, fara a descrie exact cum sa o facem.

Cu toate acestea, interogarea de mai sus nu este intr-adevar contextualizata de client. Ne descurcam mai bine fara multa munca suplimentara recomandand achizitii populare din punct de vedere istoric pe care clientul le-a facut singur, ca in urmatoarea interogare:

MATCH

(client: Client {nume: ‘Alice’})) – [: BOUGHT] -> (: Cos) <- [: IN] – (produs: Produs)

RETURNARE produs, numar (produs)

COMANDA PE numar (produs) DESC LIMITA 5

Singura modificare a acestei interogari, comparativ cu precedenta, este includerea unei constrangeri pe nodul clientului.

Dupa cum sa explicat in sectiunea anterioara, ar putea personaliza in continuare recomandarea prin includerea informatiilor contextuale.

Desigur, am putea arata clientilor produse populare in „reteaua lor sociala”. Asa cum v-ati astepta, adaugarea unei informatii sociale intr-un grafic este usoara si interogarea pentru prieteni / prieteni-prieteni / vecini / colegi sau alte date demografice este simpla.

MATCH

(client: Client {name: ‘Alice’}) – [: FRIEND * 1..2] -> (prieten: Client) UNDE client <> prieten

CU DISTINCT prieten

MATCH

(prieten) – [: BOUGHT] -> ( : Cos) <- [: IN] – (produs: Produs)

RETURNARE produs, numar (produs)

ORDINA PE numar (produs) DESC LIMIT 5

In acest fel, putem recomanda achizitiile cele mai populare ale prietenilor si prietenilor de-ai clientilor, bazandu-ne pe conexiunea dintre datele noastre.

Evident, exista o mare varietate de baze de date grafice care difera in ceea ce priveste limbajul, scopul etc. Printre cele mai populare implementari de baze de date grafice avem Neo4j, Amazone Neptune, Tigergraph si altele.

O comparatie este aici in afara domeniului de aplicare, astfel incat voi lista doar motivele care m-au determinat pe mine si echipa mea de la Quantyca sa alegem Neo4j:

  • Inventator al modelului graficului de proprietati si primul motor pe piata graficelor.
  • Cea mai mare si mai activa comunitate Graph.
  • Usor de invatat: o multime de materiale de instruire, carti create de experti si un numar semnificativ de evenimente pe an.
  • Inventator al Cypher, cel mai puternic si productiv limbaj de interogare grafic din lume.

Motoarele de recomandare traditionale au fost initial construite fara o tehnologie bine stabilita pentru a analiza rapid si eficient relatiile dintre date. Interogarea si parcurgerea acestor relatii este costisitoare din punct de vedere al calculului, ceea ce face imposibila analiza in timp real la scara.

In acest articol am aratat cat de usor este sa modelati un domeniu de recomandare ca grafic, luand Cypher ca limbaj pentru a prelua date din baza de date a graficului.

Datele grafice ne permit sa reactionam instantaneu la actiunile clientului si sa le calculam recomandarile in timp real – facand experienta lor mai personalizata. Un scenariu de vanzare cu amanuntul a fost luat ca exemplu de aplicare.

Rezumand, daca incercati sa construiti un motor de recomandare care sa valorifice conexiunile in cadrul datelor dvs. in timp real, ar trebui sa incercati tehnologiile grafice!

Video Description:

Cum sa construiti un motor de recomandare care sa valorifice conexiunile in cadrul datelor in timp real. Exemplu practic folosind Neo4j si Cypher.In postarea anterioara pe blog am explicat de ce metodele bazate pe memorie au unele dezavantaje de luat in considerare atunci cand le pun in productie. In primul rand, necesitatea de a determina fie utilizatori similari, fie elemente similare pentru a face predictii poate fi impracticabila in setarile la scara larga. In al doilea rand, raritatea matricei de evaluare a utilizatorilor creeaza provocari pentru un calcul solid al similaritatii. Metoda factorilor latenti ar putea fi o solutie a acestor probleme (pentru detalii suplimentare consultati Invatarea profunda pentru filtrarea colaborativa).Fotografie de Moritz Kindler pe UnsplashIn acest articol prezint o abordare diferita a aceleiasi probleme, care consta in a se baza pe o baza de date cu grafice . Vreau sa arat cat de usor este sa modelezi un domeniu de recomandare ca grafic si sa raspunzi la intrebari intr-un limbaj aproape natural. In plus, folosind o structura de date pentru grafic pentru stocarea datelor, putem parcurge cu usurinta graficul, gasind modele pe care utilizatorii nostri le au in comun.Motoarele traditionale de recomandare functioneaza offline: un proces in lot trece istoricul achizitiilor fiecarui client printr-un set de algoritmi si genereaza recomandari personalizate o data pe zi, saptamana sau luna.Pentru a intelege dezavantajele recomandarilor procesate in serie, imaginati-va ca un client va viziteaza magazinul online si adauga o pereche de ochelari de soare in cos. Ce sugereaza de obicei motorul tau offline sa adauge in continuare? Raspunsul, in majoritatea cazurilor, este mai mult ochelari de soare. Array Motorul dvs. cunoaste achizitia anterioara a clientului, dar nu stie ce urmeaza sa cumpere si nu se poate adapta pentru a se potrivi cu aceste noi cunostinte. Ca urmare, recomandarile sale ulterioare nu vor fi interesante si este probabil ca clientul sa le ignore.O abordare mai buna ar fi sa reactionezi la actiunile clientului in timp ce acesta inca navigheaza pe site-ul tau si sa recalculezi recomandarile lor in timp real, de exemplu, pentru a sugera accesorii, pantaloni sau camasa care sa se potriveasca cu noua pereche de ochelari de soare. Acest lucru i-ar oferi clientului sentimentul ca vorbeste cu un asistent de vanzari din magazin si ar face experienta ei mai personalizata.Fotografie de Aron Visuals pe UnsplashPoate ca acum va intrebati „ De ce nu fac companiile deja acest lucru? De ce nu isi ruleaza motorul de recomandare pentru fiecare tranzactie, in loc sa programeze sarcini zilnice, saptamanale sau lunare?Problema se bazeaza pe complexitatea crescanda a modelelor de recomandare si pe volumul crescut masiv de date pe care aceste modele trebuie sa le proceseze. Pe masura ce volumul de date creste, motoarele de recomandare procesate in serie pot dura cateva minute sau chiar ore pentru a se finaliza. Acest lucru nu se amesteca bine cu recomandarile in timp real.Principiul de baza al tuturor algoritmilor de recomandare este acelasi: incep prin a gasi entitati cu proprietati similare si a calcula o masura a „similaritatii” lor. De exemplu, clientii care locuiesc in aceeasi zona, care au o varsta similara sau care impartasesc interese, sunt „grupati”.Al doilea pas necesita analiza tuturor actiunilor intreprinse de fiecare client. Cunoscand activitatile anterioare ale a doi clienti similari, este posibil sa gasiti recomandarile potrivite pentru acestia. porno tunisie lite-light.com laetitia lacourt porno loosandcompanyinc.us catherine ringer porno thedunhamfamily.com sport porno lespooch.com porno gamine buypcb.com porno francais vintage petraplus.com porno etranger www.videoconverse.com scenes porno deargeek.com porno entier headstart.org porno a trois northeasttheater.biz porno gwada b90.topnotchaccessories.com lecture porno ttcbzc.com porno prostituée kohlerrentalpower.info porno khmer microexchangeoutlet.com film porno lesbien findtoexplore.com porno cru howtothrow.com hermaphrodite porno valuedresources.com one piece porno 5pf.dirtyrottenrascals.com porno disney malayalamanoramaonline.com porno rama balancingelement.com Imaginati-va ca Alice a achizitionat articolul 1 si articolul 2. In cazul in care Bob cumpara si articolul 1, iar modelul nostru de notare il considera similar cu Alice, va recomandam sa adauge si articolul 2 in cosul sau.Punctul cheie de observat aici este ca ambii pasi ai procesului depind de relatii : in primul rand, relatia dintre clienti si, in al doilea rand, relatiile dintre clienti si achizitiile acestora. Cu cat puteti interoga si parcurge mai repede aceste relatii, cu atat mai puternica este capacitatea dvs. de a oferi recomandari in timp real.Bazele de date relationale pot modela relatiile; dar pentru a traversa aceste relatii, trebuie sa scrieti interogari SQL care se alatura tabelelor impreuna. Procesul de imbinare este costisitor din punct de vedere al calculului si devine mai lent pe masura ce creste numarul de imbinari, ceea ce face ca analiza in timp real sa nu fie practica in productie,Datele grafice pot ajuta la rezolvarea acestei probleme.O baza de date grafice este un sistem de management care lucreaza la un model de date grafice. Spre deosebire de alte baze de date, relatiile au prioritate in bazele de date grafice. Aceasta inseamna ca sistemul dvs. nu trebuie sa deduca conexiuni de date folosind lucruri precum chei straine. Datele grafice reprezinta reprezentarea, utilizarea si persistenta relatiilor dintre elementele de date. Cheia aici este sa mentineti cunostintele despre relatie si nu sa le instantiati pur si simplu asa cum s-ar putea face folosind un tabel JOIN intr-un sistem de gestionare a bazelor de date relationale (RDBMS).ROI pentru datele conectate: cum deblocheaza conexiunile valoarea afacerii de Jeff MorrisDeoarece relatiile sunt explicite de elementele de margine, parcurgerea graficului de la un varf la altul este atat simpla din punct de vedere conceptual, cat si ieftin din punct de vedere al calculului. Drept urmare, puteti efectua interogari bazate pe relatii in timp real si puteti interoga rapid achizitiile anterioare ale clientilor, precum si sa surprindeti instantaneu orice interese noi afisate in vizita lor online curenta, ambele fiind esentiale pentru a face recomandari in timp real.Contextul este orice informatie care poate fi utilizata pentru a caracteriza situatia unei entitati. O entitate este o persoana, un loc sau un obiect care este considerat a fi relevant pentru interactiunea dintre utilizatori si articol. Cele mai frecvente tipuri de context sunt Identitate („cine”), Activitate („ce”), Timp („cand”) si Locatie („unde”) si se pot utiliza aceste informatii pentru a determina „de ce” se intampla situatia. Bazele de date grafice pot face recomandari mai personalizate prin includerea informatiilor contextuale prin utilizarea conexiunilor dintre datele dvs. Acest lucru nu poate fi realizat cu o tehnologie de baza de date relationala (RDBMS), deoarece interogarile SQL sunt prea complexe si dureaza prea mult pentru a rula.In aceasta sectiune va voi da o idee despre cat de usor este sa generati recomandari de produse personalizate in timp real bazate pe grafice in zonele de vanzare cu amanuntul. Voi folosi Cypher (Limbaj de interogare), care este un limbaj de interogare a graficului declarativ care permite interogarea si actualizarea expresiva si eficienta a unui grafic de proprietati. Pentru mai multe detalii despre Cypher, va recomand sa cititi Ghidurile pentru dezvoltatori Neo4j.Intr-un scenariu de vanzare cu amanuntul, am putea stoca cosurile cumparate de clienti intr-un grafic ca cel de mai jos.Alimentarea recomandarilor in timp real de Jim WebberGraficul de mai sus arata cum este posibil sa creati un istoric al achizitiilor pentru client prin construirea unei liste simple legate de cosuri de cumparaturi conectate prin relatiile NEXT .In acel grafic, vedem ca clientul a vizitat de trei ori, si-a salvat prima achizitie pentru mai tarziu ( relatia SALVATA intre client si nodurile cosului) si a cumparat in cele din urma un cos (indicat de relatia CUMPARAT intre client si nodul cosului) si este in prezent asamblarea unui cos, aratat de relatia CURENT care indica un cos activ in capul listei conectate.Este important sa intelegeti ca nu este o schema sau o diagrama ER, ci reprezinta date reale pentru un singur client.In forma de grafic, este usor sa ne dam seama de comportamentul clientului: ea a devenit un client (potential) nou, dar nu a reusit sa se angajeze sa cumpere pasta de dinti si a revenit o zi mai tarziu si a cumparat pasta de dinti, paine si unt. In cele din urma, clientul s-a hotarat sa cumpere paine si unt in urmatoarea lor achizitie.Acum, ca avem un grafic, ne putem gandi la recomandari pentru a influenta comportamentul de cumparare viitor al clientilor. De departe cea mai simpla recomandare este de a arata produse populare in magazin. Acest lucru este banal in Cypher asa cum vedem in urmatoarea interogareMATCH (client: Client) - [: BOUGHT] -> (: Cos) <- [: IN] - (produs: Produs) RETURNARE produs, numar (produs) COMANDA PE numar (produs) DESC LIMIT 5Sintaxa lui Cypher ofera o modalitate vizuala si logica de a se potrivi cu tiparele nodurilor si relatiile din grafic. Este un limbaj declarativ inspirat de SQL pentru descrierea tiparelor vizuale in grafice folosind sintaxa ASCII-Art. Ne permite sa afirmam ce vrem sa selectam din datele grafice, fara a descrie exact cum sa o facem.Cu toate acestea, interogarea de mai sus nu este intr-adevar contextualizata de client. Ne descurcam mai bine fara multa munca suplimentara recomandand achizitii populare din punct de vedere istoric pe care clientul le-a facut singur, ca in urmatoarea interogare:MATCH (client: Client {nume: 'Alice'})) - [: BOUGHT] -> (: Cos) <- [: IN] - (produs: Produs) RETURNARE produs, numar (produs) COMANDA PE numar (produs) DESC LIMITA 5Singura modificare a acestei interogari, comparativ cu precedenta, este includerea unei constrangeri pe nodul clientului.Dupa cum sa explicat in sectiunea anterioara, ar putea personaliza in continuare recomandarea prin includerea informatiilor contextuale. Desigur, am putea arata clientilor produse populare in „reteaua lor sociala”. Asa cum v-ati astepta, adaugarea unei informatii sociale intr-un grafic este usoara si interogarea pentru prieteni / prieteni-prieteni / vecini / colegi sau alte date demografice este simpla.MATCH (client: Client {name: 'Alice'}) - [: FRIEND * 1..2] -> (prieten: Client) UNDE client <> prieten CU DISTINCT prieten MATCH (prieten) - [: BOUGHT] -> ( : Cos) <- [: IN] - (produs: Produs) RETURNARE produs, numar (produs) ORDINA PE numar (produs) DESC LIMIT 5In acest fel, putem recomanda achizitiile cele mai populare ale prietenilor si prietenilor de-ai clientilor, bazandu-ne pe conexiunea dintre datele noastre.Evident, exista o mare varietate de baze de date grafice care difera in ceea ce priveste limbajul, scopul etc. Printre cele mai populare implementari de baze de date grafice avem Neo4j, Amazone Neptune, Tigergraph si altele. O comparatie este aici in afara domeniului de aplicare, astfel incat voi lista doar motivele care m-au determinat pe mine si echipa mea de la Quantyca sa alegem Neo4j:Inventator al modelului graficului de proprietati si primul motor pe piata graficelor.Cea mai mare si mai activa comunitate Graph.Usor de invatat: o multime de materiale de instruire, carti create de experti si un numar semnificativ de evenimente pe an.Inventator al Cypher, cel mai puternic si productiv limbaj de interogare grafic din lume.Motoarele de recomandare traditionale au fost initial construite fara o tehnologie bine stabilita pentru a analiza rapid si eficient relatiile dintre date. Interogarea si parcurgerea acestor relatii este costisitoare din punct de vedere al calculului, ceea ce face imposibila analiza in timp real la scara.In acest articol am aratat cat de usor este sa modelati un domeniu de recomandare ca grafic, luand Cypher ca limbaj pentru a prelua date din baza de date a graficului. Datele grafice ne permit sa reactionam instantaneu la actiunile clientului si sa le calculam recomandarile in timp real - facand experienta lor mai personalizata. Un scenariu de vanzare cu amanuntul a fost luat ca exemplu de aplicare.Rezumand, daca incercati sa construiti un motor de recomandare care sa valorifice conexiunile in cadrul datelor dvs. in timp real, ar trebui sa incercati tehnologiile grafice!

Categorie:
Taguri:
Data adaugarii: