घटना वर्गीकरण वास्तुकला - वैरिआ

आसपास की दुनिया का स्थान व्यक्तिगत घटनाओं और उनकी श्रृंखलाओं से भरा हुआ है - ये घटनाएं मीडिया में, सामाजिक नेटवर्क पर ब्लॉगर्स और सामान्य लोगों के खातों में परिलक्षित होती हैं। आसपास की वास्तविकता की एक तस्वीर, एक निश्चित डिग्री की वस्तुनिष्ठता का दावा करते हुए, केवल तभी प्राप्त की जा सकती है जब हम एक ही समस्या पर विभिन्न दृष्टिकोणों को एकत्र करते हैं। घटनाओं का वर्गीकरण वह उपकरण है जो एकत्रित की गई "जानकारी" एकत्र करता है: घटनाओं के विवरण के संस्करण। इसके बाद, खोज उपकरणों, अनुशंसाओं और घटनाओं के समय अनुक्रमों के दृश्य प्रतिनिधित्व के माध्यम से उपयोगकर्ताओं को घटनाओं के बारे में जानकारी प्रदान करें।

आज हम अपने सिस्टम के बारे में बात करेंगे, इसके सॉफ़्टवेयर कोर के बारे में अधिक सटीक रूप से, कोड नाम "वैरिआ" के तहत - प्रमुख डेवलपर के सम्मान में।
हम अभी तक अपने स्टार्टअप के नाम का उल्लेख नहीं कर सकते हैं, हब्राह्रा प्रशासन के अनुरोध पर, अब हमने हमें स्टार्टअप का दर्जा देने के लिए एक आवेदन प्रस्तुत किया है। हालाँकि, हम आपको अब कार्यक्षमता और हमारे विचारों के बारे में बता सकते हैं। हमारी प्रणाली उपयोगकर्ता और सक्षम डेटा प्रबंधन के लिए घटना की जानकारी की प्रासंगिकता सुनिश्चित करती है - प्रणाली में, प्रत्येक उपयोगकर्ता खुद निर्धारित करता है कि क्या देखना और पढ़ना है, खोज और सिफारिशों को नियंत्रित करता है।

हमारी परियोजना तकनीकी और एल्गोरिदमिक रूप से जटिल प्रणालियों, प्रोग्रामिंग, विपणन और प्रबंधन के डिजाइन में दक्षताओं के साथ 8 लोगों की एक टीम है।
एक साथ, हर दिन टीम परियोजना पर काम करती है - जानकारी को वर्गीकृत करने, खोज करने और प्रस्तुत करने के लिए एल्गोरिदम पहले से ही लागू किए गए हैं। उपयोगकर्ता के लिए सिफारिशों से संबंधित एल्गोरिदम का कार्यान्वयन अभी भी आगे है: घटनाओं, लोगों के संबंध और उपयोगकर्ता गतिविधि और हितों के विश्लेषण के आधार पर।

हम किन कार्यों को हल करते हैं और हम इसके बारे में क्यों बात करते हैं? हम लोगों को किसी भी पैमाने की घटनाओं के बारे में विस्तृत जानकारी प्राप्त करने में मदद करते हैं, चाहे वे कब और कहाँ हुए हों।
परियोजना उपयोगकर्ताओं को समान विचारधारा वाले लोगों के एक समूह में घटनाओं पर चर्चा करने के लिए एक मंच प्रदान करती है, जो आपको एक टिप्पणी या अपने स्वयं के संस्करण को साझा करने की अनुमति देती है कि क्या हुआ। सोशल मीडिया प्लेटफॉर्म उन लोगों के लिए बनाया गया था जो "औसत से ऊपर" जानना चाहते हैं और अतीत, वर्तमान और भविष्य की मुख्य घटनाओं के बारे में एक निजी राय रखते हैं।
उपयोगकर्ता स्वयं मीडिया स्थान में उपयोगी सामग्री ढूंढते हैं और बनाते हैं और इसकी विश्वसनीयता की निगरानी करते हैं। हम उनके जीवन की घटनाओं की एक स्मृति रखते हैं।
अब यह परियोजना एमवीपी स्तर पर है, हम आगे की विकास के लिए सही दिशा निर्धारित करने के लिए श्रेणीबद्धता की कार्यक्षमता और कार्य के बारे में परिकल्पना का परीक्षण कर रहे हैं। इस लेख में हम उन तकनीकों के बारे में बात करेंगे जिनके साथ हम अपने कार्यों को हल करते हैं और अपनी सर्वोत्तम प्रथाओं को साझा करते हैं।

मशीन वर्ड प्रोसेसिंग का कार्य सर्च इंजनों द्वारा हल किया जाता है: यांडेक्स, गूगल, बिंग, आदि। सूचना प्रवाह के साथ काम करने और उनमें होने वाली घटनाओं को अलग करने के लिए एक आदर्श प्रणाली निम्नानुसार दिख सकती है।
यैंडेक्स और Google के समान एक इंफ्रास्ट्रक्चर सिस्टम के लिए बनाया गया है, संपूर्ण इंटरनेट को अपडेट के लिए वास्तविक समय में स्कैन किया जाता है, और फिर सूचना की धारा में ईवेंट कर्नेल आवंटित किए जाते हैं, जिसके चारों ओर उनके संस्करणों और संबंधित सामग्री के एग्रीग्लोमेशन बनते हैं। सेवा का सॉफ्टवेयर कार्यान्वयन एक गहन शिक्षण तंत्रिका नेटवर्क और / या यांडेक्स लाइब्रेरी - कैटबॉस्ट पर आधारित समाधान पर आधारित है।
कूल? हालाँकि, हमारे पास अभी तक डेटा की इतनी मात्रा नहीं है, और आत्मसात करने के लिए कोई संगत कंप्यूटिंग संसाधन नहीं हैं।
विषय द्वारा वर्गीकरण एक लोकप्रिय कार्य है, इसे हल करने के लिए कई एल्गोरिदम हैं: भोले बेयर्स क्लासिफायर, अव्यक्त डिरिक्लेट प्लेसमेंट, निर्णय पेड़ों और तंत्रिका नेटवर्क को बढ़ावा देना। मशीन लर्निंग की सभी समस्याओं में, जैसा कि, वर्णित एल्गोरिदम का उपयोग करते समय, दो समस्याएं उत्पन्न होती हैं:
पहला, बहुत सारा डेटा कहां से लाएं?
दूसरे, उन्हें सस्ते और गुस्से में कैसे जगह दें?

घटना-आधारित प्रणाली के लिए हमने क्या दृष्टिकोण चुना?

हमारा उत्पाद घटनाओं के साथ काम करता है। घटनाएं नियमित लेखों से कुछ अलग हैं।
"कोल्ड स्टार्ट" पर काबू पाने के लिए, हमने दो विकीमीडिया परियोजनाओं का उपयोग करने का निर्णय लिया: विकिपीडिया और विकिन्यूज़। एक विकिपीडिया लेख में कई घटनाओं का वर्णन किया जा सकता है (उदाहरण के लिए, सन माइक्रोसिस्टम्स के विकास का इतिहास, मायाकोवस्की की जीवनी या महान देशभक्तिपूर्ण युद्ध का पाठ्यक्रम)।
घटना की जानकारी के अन्य स्रोत आरएसएस फ़ीड हैं। समाचार विभिन्न तरीकों से होता है: बड़े विश्लेषणात्मक लेखों में कई घटनाएं होती हैं, जैसे कि विकिपीडिया ग्रंथ और विभिन्न स्रोतों से लघु सूचना संदेश एक ही घटना का प्रतिनिधित्व करते हैं।
इस प्रकार, लेख और घटनाएं कई-से-कई संबंध बनाती हैं। लेकिन एमवीपी चरण में, हम यह धारणा बनाते हैं कि एक लेख एक घटना है।

Google या Yandex के इंटरफ़ेस को देखते हुए, आप सोच सकते हैं कि खोज इंजन केवल कीवर्ड के लिए दिखते हैं। यह केवल बहुत ही सरल ऑनलाइन खुदरा विक्रेताओं के लिए है। अधिकांश खोज इंजन बहु-मापदंड हैं, और हमारी परियोजना का इंजन कोई अपवाद नहीं है। इसके अलावा, खोज के दौरान ध्यान में रखे गए सभी मापदंडों से उपयोगकर्ता इंटरफ़ेस में प्रदर्शित किया जाता है। हमारी परियोजना में उन मापदंडों की एक सूची है जो उपयोगकर्ता का चयन करता है, जैसे:
विषय और कीवर्ड - "क्या?" ; स्थान - "कहाँ?" ; दिनांक - "कब?" ;

जो लोग खोज इंजन लिखते हैं, वे जानते हैं कि अकेले कीवर्ड बहुत सारी समस्याएं पैदा करते हैं। खैर, बाकी विकल्प भी इतने सरल नहीं हैं।
घटना का विषय बहुत कठिन है। मानव मस्तिष्क को इसलिए बनाया गया है कि वह हर चीज को वर्गीकृत करना पसंद करता है, और वास्तविक दुनिया इस बात से दृढ़ता से सहमत नहीं है। आने वाले लेख विषयों के अपने समूह बनाना चाहते हैं, और वे उन सभी पर नहीं हैं जिन्हें हम और हमारे उत्साही उपयोगकर्ता उन्हें वितरित करते हैं।
अब हमारे पास घटनाओं के 15 मुख्य विषय हैं, और इस सूची को कई बार संशोधित किया गया है, और, कम से कम, बढ़ेगा।
स्थानों और तिथियों को थोड़ा और औपचारिक रूप से व्यवस्थित किया जाता है, लेकिन यहां नुकसान होते हैं।

इसलिए, हमारे पास औपचारिक मानदंड और कच्चे डेटा का एक सेट है जिसे हमें इन मानदंडों के लिए मैप करने की आवश्यकता है। और यहाँ है कि हम इसे कैसे करते हैं।

मकड़ी

मकड़ी का काम आने वाले लेखों को मोड़ना है ताकि उन्हें जल्दी से खोजा जा सके। ऐसा करने के लिए, मकड़ी को लेखों के विषय, स्थान और तिथि को निर्दिष्ट करने में सक्षम होना चाहिए, साथ ही रैंकिंग के लिए आवश्यक कुछ अन्य पैरामीटर भी। हमारे इनपुट मकड़ी को क्रॉलर द्वारा निर्मित लेख का एक पाठ मॉडल प्राप्त होता है। एक टेक्स्ट मॉडल एक लेख के भागों और उनके संबंधित ग्रंथों की एक सूची है। उदाहरण के लिए, लगभग हर लेख में कम से कम एक हेडलाइन और बॉडी टेक्स्ट होता है। वास्तव में, उसके पास अभी भी पहला पैराग्राफ है, श्रेणियों का एक सेट, जिसके लिए यह पाठ अपने स्रोत को संदर्भित करता है, और जानकारी बॉक्स फ़ील्ड की सूची (विकिपीडिया और ऐसे मेटाडेटा टैग वाले स्रोतों के लिए)। अभी भी एक प्रकाशन की तारीख है। एक खोज इंजन में रैंकिंग के लिए, यह जानना हमारे लिए महत्वपूर्ण होगा कि क्या, उदाहरण के लिए, हेडर या कहीं पाठ के अंत में एक तारीख मिलती है। एक टेक्स्ट मॉडल का उपयोग विषय मॉडल, एक स्थान मॉडल और एक तिथि मॉडल बनाने के लिए किया जाता है, और फिर परिणाम सूचकांक में जोड़ा जाता है। इन मॉडलों में से प्रत्येक के बारे में एक अलग लेख लिखा जा सकता है, इसलिए यहां हम केवल संक्षिप्त रूप से दृष्टिकोणों की रूपरेखा तैयार करेंगे।

विषयों

दस्तावेजों के विषय का निर्धारण एक सामान्य कार्य है। दस्तावेज़ के लेखक द्वारा विषयों को मैन्युअल रूप से जिम्मेदार ठहराया जा सकता है, या स्वचालित रूप से निर्धारित किया जा सकता है। बेशक, हमारे पास ऐसे विषय हैं जो समाचार स्रोतों और विकिपीडिया ने हमारे दस्तावेजों के लिए जिम्मेदार ठहराया है, लेकिन ये विषय घटनाओं के बारे में नहीं हैं। क्या आप अक्सर समाचार अवकाश में "छुट्टियाँ" विषय पाते हैं? बल्कि, आप "समाज" के विषय से मिलेंगे। यह भी हमने शुरुआती संस्करणों में से एक में किया था। हम यह निर्धारित नहीं कर सके कि इसका क्या संबंध होना चाहिए, और इसे हटाने के लिए मजबूर किया गया। और इसके अलावा, सभी स्रोतों में विषयों का अपना सेट है।

हम उन विषयों की सूची को प्रबंधित करना चाहते हैं जो इंटरफ़ेस में हमारे उपयोगकर्ताओं को प्रदर्शित किए जाते हैं, इसलिए हमारे लिए दस्तावेज़ के विषय को निर्धारित करने का कार्य फ़र्ज़ी वर्गीकरण का कार्य है। वर्गीकरण कार्य के लिए लेबल किए गए उदाहरणों की आवश्यकता होती है, अर्थात, दस्तावेजों की एक सूची, जिनके लिए हमारे वांछित विषयों को पहले ही जिम्मेदार ठहराया जा चुका है। हमारी सूची सभी समान विषयों की सूची के समान है, लेकिन उनके साथ मेल नहीं खाता है, इसलिए हमारे पास एक लेबल नमूना नहीं था। आप इसे मैन्युअल रूप से या स्वचालित रूप से भी प्राप्त कर सकते हैं, लेकिन अगर हमारे विषयों की सूची बदलती है (और यह!), तो मैन्युअल रूप से एक विकल्प नहीं है।

यदि आपके पास एक लेबल नमूना नहीं है, तो आप अव्यक्त डिरिचलेट प्लेसमेंट और अन्य विषयगत मॉडलिंग एल्गोरिदम का उपयोग कर सकते हैं, हालांकि, आपके द्वारा प्राप्त किया जाने वाला सेट वह होगा जो निकला था, और वह नहीं जो आप चाहते थे।

यहां हमें एक और बिंदु का उल्लेख करना होगा: हमारे लेख विभिन्न स्रोतों से आते हैं। सभी विषयगत मॉडल प्रयुक्त शब्दावली पर एक तरह से या किसी अन्य तरीके से बनाए जाते हैं। समाचार और विकिपीडिया के लिए, यह अलग है, यहां तक ​​कि उच्च आवृत्ति वाले अलग-अलग हैं।

इस प्रकार, हमने दो कार्यों का सामना किया:
1. अर्ध-स्वचालित मोड में हमारे दस्तावेज़ों को जल्दी से बाहर निकालने का एक तरीका है।
2. इन दस्तावेजों के आधार पर हमारे विषयों का एक एक्स्टेंसिबल मॉडल बनाएं।

उन्हें हल करने के लिए, हमने एक हाइब्रिड एल्गोरिथम बनाया जिसमें स्वचालित और मैन्युअल चरणों को दर्शाया गया है।

1. मैनुअल विकिपीडिया श्रेणियों को चिह्नित करता है और विकीकाटॉपिक श्रेणीबद्ध विषय मॉडल प्राप्त करता है। इस स्तर पर, एक विन्यास बनाया गया है जो विकिपीडिया की WT श्रेणियों के एक उपसमूह को हमारे प्रत्येक T विषयों में शामिल करता है। विकिपीडिया एक छद्म विज्ञान है। इसका मतलब यह है कि अगर कुछ "विज्ञान" श्रेणी में आता है, तो यह विज्ञान के बारे में बिल्कुल नहीं हो सकता है, उदाहरण के लिए, हानिरहित उपश्रेणी "सूचना प्रौद्योगिकी" से आप वास्तव में किसी भी विकिपीडिया लेख पर आ सकते हैं। इसके साथ कैसे रहना है, इस पर एक अलग लेख की आवश्यकता है।
2. विकिपीडिया दस्तावेजों के आधार पर विकिपीडिया दस्तावेजों के लिए स्वचालित रूप से विषयों का पता लगाएं। यदि यह ग्राफ़ CT की श्रेणियों में से एक में आता है, तो दस्तावेज़ को T को विषय सौंपा गया है। ध्यान दें कि यह विधि केवल विकिपीडिया लेखों पर लागू होती है। मनमाने ढंग से पाठ के लिए विषयों की परिभाषा को सामान्य करने के लिए, प्रत्येक विषय के बैग-ऑफ-वर्ड्स का निर्माण करना संभव था, और विषय पर कॉशन दूरी पर विचार करें (और हमने कोशिश की, कुछ भी अच्छा नहीं है), लेकिन यहां तीन चीजों को ध्यान में रखा जाना चाहिए।
   
   • इस तरह के विषयों में बहुत विविध लेख होते हैं, इसलिए शब्द स्थान में विषय की छवि सुसंगत नहीं होगी, जिसका अर्थ है कि विषय का निर्धारण करने में इस तरह के एक मॉडल का "आत्मविश्वास" बहुत कम है (आखिरकार, लेख लेख के एक छोटे सेट के समान है, लेकिन बाकी के लिए नहीं)।
   • एक मनमाना पाठ, मुख्य रूप से समाचार, विकिपीडिया से इसकी शाब्दिक रचना में भिन्न होता है, यह "निश्चितता" का एक मॉडल भी नहीं जोड़ता है। इसके अलावा, कुछ विषयों को विकिपीडिया पर नहीं बनाया जा सकता है।
   • स्टेज 1 बहुत ही श्रमसाध्य काम है, और हर कोई इसे करने के लिए बहुत आलसी है।
   
   
3. अनुच्छेद 2 के परिणामों के आधार पर k- साधन विधि का उपयोग करते हुए और WikiClustTopic विषय का एक क्लस्टर मॉडल प्राप्त करने के आधार पर विषयों में क्लस्टरिंग। एक काफी सरल चाल, जिसने हमें पैराग्राफ 2 से तीन समस्याओं में से दो को हल करने की अनुमति दी। समूहों के लिए, हम बैग-ऑफ-वर्ड्स का निर्माण करते हैं, और किसी विषय से संबंधित इसकी कोस्टीन की अधिकतम दूरी के रूप में परिभाषित की जाती है। मॉडल को क्लस्टर और विकिपीडिया दस्तावेजों के बीच पत्राचार की हमारी विन्यास फाइलों में वर्णित किया गया है।
4. WikiClustTopic मॉडल की मैन्युअल सफाई, समूहों के सक्षम-अक्षम-हस्तांतरण। यहां हम चरण 1 में भी लौट आए, जब पूरी तरह से गलत समूहों की खोज की गई थी।
5. विकिपीडिया दस्तावेजों और समाचारों के लिए WikiClustTopic विषयों का स्वचालित रूप से पता लगाएँ।
6. K- साधन विधि का उपयोग करके अनुच्छेद 5 के परिणामों पर आधारित विषयों के साथ-साथ समाचार प्राप्त करना, साथ ही समाचार जो विषय प्राप्त नहीं करते थे, और NewsClustTopic विषय का क्लस्टर मॉडल प्राप्त करते थे। अब हमारे पास एक थीम मॉडल है जो समाचार की बारीकियों (साथ ही क्रॉलर के काम की गुणवत्ता के बारे में अमूल्य जानकारी) को ध्यान में रखता है।
7. NewsClustTopic मॉडल की मैन्युअल सफाई।
8. एकीकृत मॉडल ClustTopic = WikiClustTopic + NewsClustTopic के आधार पर समाचार विषयों को फिर से तैयार करना। इस मॉडल के आधार पर, नए दस्तावेजों के विषय निर्धारित किए जाते हैं।

स्थानों

स्वचालित स्थान निर्धारण नामांकित संस्थाओं की खोज के कार्य का एक विशेष मामला है। स्थानों की विशेषताएं इस प्रकार हैं:

1. सभी स्थान सूचियाँ अलग-अलग हैं और एक साथ अच्छी तरह से फिट नहीं हैं। हमने अपना स्वयं का, हाइब्रिड बनाया, जो न केवल पदानुक्रम (रूस में नोवोसिबिर्स्क क्षेत्र शामिल है) को ध्यान में रखता है, बल्कि ऐतिहासिक नाम परिवर्तन (उदाहरण के लिए, आरएसएफएसआर रूस बन गया): जियोनाम, विकीडाटा और अन्य खुले स्रोत। हालाँकि, हमें अभी भी Google मैप्स के साथ जियोटैग कनवर्टर लिखना था :)
2. कुछ स्थानों में कई शब्द शामिल हैं, उदाहरण के लिए, निज़नी नोवगोरोड, और आपको उन्हें इकट्ठा करने में सक्षम होने की आवश्यकता है।
3. स्थान अन्य शब्दों के समान हैं, विशेष रूप से उन लोगों के नाम जिनके सम्मान में उनका नाम है: किरोव, ज़ुकोव, व्लादिमीर। यह गृहिणी है। इसे ठीक करने के लिए, हमने बस्तियों का वर्णन करने वाले विकिपीडिया के लेखों पर आंकड़े एकत्र किए, जिसमें संदर्भों के स्थानों के नाम पाए जाते हैं, और ओपन कॉर्पोरा शब्दकोशों का उपयोग करके ऐसे समलैंगिकों की सूची बनाने की भी कोशिश की गई है।
4. मानवता ने कल्पना को बहुत अधिक प्रभावित नहीं किया, और कई स्थानों को एक ही नाम दिया गया है। हमारा पसंदीदा उदाहरण: कजाखस्तान में करसुक और रूस में नोवोसिबिर्स्क के पास। यह स्थानों के वर्ग के भीतर का नाम है। हम इसे हल करते हैं, यह देखते हुए कि इस एक के साथ अन्य स्थान क्या हैं, और क्या वे गृहस्वामी में से किसी एक के लिए माता-पिता या बच्चे हैं। यह विधर्मी सार्वभौमिक नहीं है, लेकिन यह अच्छी तरह से काम करता है।

दिनांक

तिथियां - थीम्स और स्थानों की तुलना में औपचारिकता का अवतार। हमने नियमित अभिव्यक्तियों के लिए उनके लिए एक विस्तार योग्य पार्सर बनाया, और हम न केवल दिन-महीने-वर्ष, बल्कि सभी प्रकार की अधिक दिलचस्प चीजों को भी पार्स कर सकते हैं, जैसे कि "सर्दियों की समाप्ति 1941", "XIX सदी के 90 के दशक में" और "पिछले महीने" “, दस्तावेज़ की उम्र और आधार की तारीख को ध्यान में रखते हुए, साथ ही लापता वर्ष को बहाल करने की कोशिश कर रहा है। तारीखों के बारे में आपको यह जानना होगा कि उनमें से सभी अच्छे नहीं हैं। उदाहरण के लिए, द्वितीय विश्व युद्ध के किसी भी युद्ध के बारे में एक लेख के अंत में, चालीस साल बाद स्मारक का उद्घाटन हो सकता है, ऐसे मामलों से निपटने के लिए, आपको लेख को घटनाओं में कटौती करने की आवश्यकता है, लेकिन हम अभी तक ऐसा नहीं कर रहे हैं। इसलिए हम केवल सबसे महत्वपूर्ण तारीखों पर विचार करते हैं: शीर्षक और पहले पैराग्राफ से।

खोज इंजन

खोज इंजन एक ऐसा काम है, जो सबसे पहले अनुरोध पर दस्तावेजों की खोज करता है, और दूसरी बात, उन्हें प्रासंगिकता के घटते क्रम में व्यवस्थित करता है, यानी प्रासंगिकता घटती है। प्रासंगिकता की गणना करने के लिए, हम कई मापदंडों का उपयोग करते हैं, केवल तुच्छता से बहुत अधिक:
डिग्री किस विषय से संबंधित है।
स्थान दस्तावेज़ के स्वामित्व की डिग्री (कितनी बार और दस्तावेज़ के कुछ हिस्सों में चयनित स्थान पाया जाता है)।
वह डिग्री जो दस्तावेज़ तिथि से मेल खाती है (अनुरोध से अंतराल के चौराहे पर दिनों की संख्या को ध्यान में रखती है और दस्तावेज़ की तारीखों के साथ-साथ चौराहे पर दिन की संख्या संघ से मिलती है)।
दस्तावेज़ की लंबाई। लंबे लेख अधिक होने चाहिए।
चित्र की उपस्थिति। सभी को चित्रों से प्यार है, अधिक होना चाहिए!
विकिपीडिया लेख का प्रकार। हम घटनाओं के विवरण के साथ लेखों को अलग कर सकते हैं, और उन्हें नमूने में "पॉप अप" करना चाहिए।
लेख का स्रोत। समाचार और कस्टम लेख विकिपीडिया से अधिक होने चाहिए।
एक खोज इंजन के रूप में, हम Apache Lucene का उपयोग करते हैं।

क्रॉलर

क्रॉलर का कार्य मकड़ी के लिए लेख एकत्र करना है। हमारे मामले में, यहां हम पाठ की प्राथमिक सफाई, और दस्तावेज़ के पाठ मॉडल का निर्माण भी शामिल करते हैं। क्रॉलर एक अलग लेख के हकदार हैं।

पुनश्च हम किसी भी प्रतिक्रिया का स्वागत करते हैं, हम आपको हमारी परियोजना का परीक्षण करने के लिए आमंत्रित करते हैं - लिंक प्राप्त करने के लिए, व्यक्तिगत संदेशों में लिखें (हम यहां प्रकाशित नहीं कर सकते हैं)। अपनी टिप्पणियों को लेख के तहत छोड़ दें, या यदि आप हमारी सेवा को प्राप्त करते हैं - वहीं, प्रतिक्रिया फ़ॉर्म के माध्यम से।