SlideShare ist ein Scribd-Unternehmen logo
1 von 68
네이버 사용자를 만족시켜라!
Name : 최재걸
Team: 통합검색
Naver Search
네이버의 수많은 자료를..
종합하여 하나로 보여주는 통합검색
네이버 검색의 얼굴
국내여행 기업 가수 스포츠스타
그런데, 통합검색 품질이 잘못되면..
실시간 검색어..
좀.. Sensitive하게 설계…
주변검색어 서비스..
서비스 fade out..
개발자 & 서비스
검색서비스의 목적
검색 이용자를 만족 시킨다
네이버 검색의 목적
이름이 뭐였더라..
기억날 듯 말듯.
크리스 프랫
가오갤 주인공.
검색의도 정답결과
왜 검색
했을까?
1.
검색 의도
1.1 질의에서 검색 의도를.
“김아중 김남길 나오는 드라마 이름이 뭐지”
의도 : 드라마 이름
1.1 질의에서 검색 의도를.
“김아중”
의도 :
1. 김아중이 누군가?
2. 김아중 몇살?
3. 김아중 사진
4. 김아중 나왔던 드라마.
..
1.2 몇 개의 검색 의도가 있는가?
모릅니다.
1.2 몇 개의 검색 의도가 있는가?
1.2 몇 개의 검색 의도가 있는가?
검색창의 의미가 검색을 넘어섰습니다.
1.3 검색 의도 ­ 재료 그리고 방법
질의
문서 로그
1.3 검색 의도 ­ 재료 그리고 방법
질의
문서 로그
클러스터링
토픽모델
Word
embedding
1
5
10
NLP
LSTM
RNN
Click
User Profiling
User group
1.3 검색 의도 ­ 여러가지 결과
3-depth
989개 클러스터
1000개 topic 128차원
embedding
1.3 검색 의도 ­ 그 다음 필요한 것?
서비스 감각
인내
1.3 검색 의도 ­결과, 그 다음
“김아중 김남길 나오는 드라마 이름이 뭐지”
배우 배우 등장하는 알고 싶은것 필요없음
Entity
tagging
NLP
정규화
Knowledge
Graph
단답형
: Know Simple
1.3 검색 의도 ­결과, 그 다음
“서현역 토끼정 메뉴”
지명 식당 알고 싶은것
장소
: Visit in Person
1.3 검색 의도 ­결과, 그 다음
“갤럭시 S8 가격”
상품 알고 싶은것
행위
: Do ( Transactional )
1.3 검색 의도 ­결과, 그 다음.
“김아중”
인물
정보
: Know
1.4 검색의도 ­BIG 6
단답 ( Know Simple)
장소 ( Visit in Person )
행위 ( Do )
사이트 ( Website )
정보 ( Know )
‘페이스북’, ‘세금 내는 사이트’
그 외 모든 것
방법 ( HowTo ) ‘수영 잘하는 법’
이것이 정답인가? Absolutely NOT
1.4 검색의도 ­HowTo가 왜 중요한가?
HowTo를 놓친 실수
1.4 검색의도 ­HowTo가 왜 중요한가?
단답 ( Know Simple)
장소 ( Visit in Person )
행위 ( Do )
사이트 ( Website )
정보 ( Know )
방법 ( HowTo ) ‘동영상’ 시대의 도래..
Developed by 박형애 박효균
1.5 검색의도 좀더 자세히 ­ 질의 주제 추가
KnowSimple
Visit
Do
Navigation
Know
How To
인물 쇼핑 방송 식당 명소 기업 어학 여행 날씨
상단 ­ 질의 카테고리 88개
좌측 ­ 검색 의도 6개
총, 528개의 의도 관리.
점수는 비공개..
1.6 이 정도면 되었을까요?- Two Axis
부족합니다
이 정도면 되었을까요?
리라… 터키 돈이로군요!
식은 죽 먹기네요~
1.7 우리가 만난 문제 ­ 여러가지 의도
환율-
KnowSimple
자신있게!
1.7 우리가 만난 문제 ­ 여러가지 의도
1.7 우리가 만난 문제 ­ 여러가지 의도
사회문화-
Know
1.7 우리가 만난 문제 ­ 여러가지 의도 2
여행-Visit
런던 테러!
이슈-Know
Data is always saying.
Through Associated Query
Through Documents
Through Scroll Behavior
Through Click Behavior
1.8 통합검색 감시 시스템
Developed by 민수진 최수진
1.8 통합검색 감시 시스템
1.9 필요한 개발자
“자네가 적당하겠군”
Do Visit
Know
Simple
Site Howto
사용자 질의
Answering
Engine
의미검색
(Semantic Search)
데이터
의도파악
의도에 맞는 결과
1.8 의도 파악 그 다음 ­ 결과 만들기
Know
TOPIC
주제검색
(Search by Topic)
2.
의도에 맞는 검색 결과
2.1 의도에 맞는 검색
2.1 의도에 맞는 검색
Answering Engine
Smart Lens
Naver I
528개의 의도마다 대응
검색 콜로키움에서 ..
2.1 의도에 맞는 검색 ­ 예제
과학-KnowSimple 카페-Visit 스타-Know
2.1 의도에 맞는 검색 ­ 문제점
스타-Know
방탄소년단 ‘진’이 아님.
방탄소년단 ‘진’이 맞음
“중의성”
2.1 의도에 맞는 검색 ­ 해결법
기술
서비스
2.2 중의성 ­ Disambiguation
시멘틱 태깅
Semantic Tagging
Developed by 정유진
2.2 중의성 ­ 시멘틱 태깅
Developed by 정유진
“수지, 전지현-아이유 압도하는 단발 변신, 승자는?”
수지가 트레이드마크인 긴 생머리를 싹뚝 잘랐다. 수지는 30일 자신의 인스타그
램에 한 장의 폴라로이드 사진을 공개했다. 흑백 사진 속 수지는 보이시한 단발머
리 스타일에 시크한 표정으로 한층 세련된 분위기다. 수지가 단발머리로 변신한
이유는 올해 방영을 앞둔 SBS 드라마 ‘당신이 잠든 사이에’ 때문인 것으로 전해졌
다. 수지는 불행한 사건 사고를 꿈으로 미리 볼 수 있는 여자 남홍주를 연기하며
이종석과 호흡을 맞춘다. 앞서 단발머리 변신으로 가장 큰 화제를 모은 인물은 배
우 전지현이다. 전지현은 데뷔 때부터 고수해 온 긴 생머리를 2015년 영화 ‘암살’
촬영 차 잘랐다. 가수 아이유도 데뷔 당시부터 트레이드마크였던 긴 생머리를 지
난해 자르고 한층 성숙된 분위기로 변신한 바 있다.
“고속 열차로 여행하기”
런던발 파리행 열차는 유로스타(Eurostar) 고속열차입니다. 이 편안한 열차는
영불해협 터널(Channel Tunnel)을 지나 유럽으로 들어갑니다. 여행 시간은 2시
간 16분입니다. 실제 여행시간은 유레일 시간표를 참조해 주세요. 이탈리아, 스
페인 등의 인접 국가와 프랑스를 함께 여행하실 수 있는 유레일 패스도 준비되어
있습니다. 프랑스에서 유효한 패스의 소지자는 유로스타를 이용하여 파리와 런
던 구간을 여행하실 수 있습니다.
전지현
PS_94939
아이유
PS_159229
이종석
PS_154644
당신이 잠든
사이에
BP_4576600
암살
MV_121048
파리
CITY_844
프랑스
NATION
475380
스페인
NATION
475541
런던
CITY_511
이탈리아
NATION
475401
수지
PS_123454
2.2 중의성 ­ 시멘틱 태깅
Developed by 정유진
2.3 개체검색으로 충분?
혹시.. 528개의 의도마다 다른 검
색 모델링이 필요한 것은 아닐까?
2.3 개체검색으로 충분?
주제 단위 검색
Developed by 박찬훈
2.4 주제 단위 검색
식당-Visit
광고가 많은 영역
à 진성 리뷰 모델
링
스타-Know
최근활동소식궁금
à 최신성강조 모델
링
1. 중의성 해소 자동화
중의성 질의를기계적으로
파악하여대응
2. 질의 주제 판정 자동화
‘프랑스파리’와‘곤충파리’의
주제비율이9:1이므로
여행주제를자동으로선택
3. 사용자 요구 추출 자동화
여행주제에맞는
서비스 요소를자동추출해
정보구성에도움
날씨정보3%
이미지13%
백과정보3%
여행지추천19%
리뷰53%
3. 사용자 요구 추출 자동화
여행주제에맞는
서비스 요소를자동추출해
정보구성에도움
4. 사용량에 따른
실시간 변경
곤충이화제가되면
바로곤충주제로자동변경
5. 이슈상황 대응 자동화
파리에테러가일어나면
바로주제형 해제하고이슈제공
6. 다른 주제로의 탐색 경로
제공 (중의성 해소)
여행주제를우선서비스했지만
다른주제로탐색할방법제공
7. 주제로 통일된 결과
자동 적용
의미검색을
컬렉션전체에 적용
웹결과
웹결과
사이트결과
2.5 이제 충분?
우리는 더 많은 문제를 만나게 될겁니다.
확신 하건데,
2.5 의도에 대응해 가는 중
성공하는 것, 실패 하는 것
WHY?
2.5 의도에 대응해 가는 중 ­ 실패 이유
서비스 관점을 잃으면 바로 실패
2.6 개발자 그리고 서비스
개발자에게 서비스란.
3.
개발자 그리고 서비스
3.1 개발자의 포지션
개발자는 개발하는 사람?
3.2 기술의 우위가 서비스의 우위이다?
3.3 개발자에게 필요한.. - 균형감
서비스 感覺
기술력
Q & A
Thank you

Weitere ähnliche Inhalte

Was ist angesagt?

[226]대용량 텍스트마이닝 기술 하정우
[226]대용량 텍스트마이닝 기술 하정우[226]대용량 텍스트마이닝 기술 하정우
[226]대용량 텍스트마이닝 기술 하정우
NAVER D2
 

Was ist angesagt? (20)

NLTK
NLTKNLTK
NLTK
 
Python과 Tensorflow를 활용한 AI Chatbot 개발 및 실무 적용
Python과 Tensorflow를 활용한  AI Chatbot 개발 및 실무 적용Python과 Tensorflow를 활용한  AI Chatbot 개발 및 실무 적용
Python과 Tensorflow를 활용한 AI Chatbot 개발 및 실무 적용
 
고려대학교 컴퓨터학과 특강 - 대학생 때 알았더라면 좋았을 것들
고려대학교 컴퓨터학과 특강 - 대학생 때 알았더라면 좋았을 것들고려대학교 컴퓨터학과 특강 - 대학생 때 알았더라면 좋았을 것들
고려대학교 컴퓨터학과 특강 - 대학생 때 알았더라면 좋았을 것들
 
실무에서 활용하는 A/B테스트
실무에서 활용하는 A/B테스트실무에서 활용하는 A/B테스트
실무에서 활용하는 A/B테스트
 
[224]네이버 검색과 개인화
[224]네이버 검색과 개인화[224]네이버 검색과 개인화
[224]네이버 검색과 개인화
 
RoFormer: Enhanced Transformer with Rotary Position Embedding
RoFormer: Enhanced Transformer with Rotary Position EmbeddingRoFormer: Enhanced Transformer with Rotary Position Embedding
RoFormer: Enhanced Transformer with Rotary Position Embedding
 
딥러닝 기반 자연어 언어모델 BERT
딥러닝 기반 자연어 언어모델 BERT딥러닝 기반 자연어 언어모델 BERT
딥러닝 기반 자연어 언어모델 BERT
 
[226]대용량 텍스트마이닝 기술 하정우
[226]대용량 텍스트마이닝 기술 하정우[226]대용량 텍스트마이닝 기술 하정우
[226]대용량 텍스트마이닝 기술 하정우
 
서비스 기획자를 위한 데이터분석 시작하기
서비스 기획자를 위한 데이터분석 시작하기서비스 기획자를 위한 데이터분석 시작하기
서비스 기획자를 위한 데이터분석 시작하기
 
제 11회 보아즈(BOAZ) 빅데이터 컨퍼런스 - 코끼리(BOAZ) 사서의 도서 추천 솔루션
제 11회 보아즈(BOAZ) 빅데이터 컨퍼런스 - 코끼리(BOAZ) 사서의 도서 추천 솔루션제 11회 보아즈(BOAZ) 빅데이터 컨퍼런스 - 코끼리(BOAZ) 사서의 도서 추천 솔루션
제 11회 보아즈(BOAZ) 빅데이터 컨퍼런스 - 코끼리(BOAZ) 사서의 도서 추천 솔루션
 
[211] 네이버 검색과 데이터마이닝
[211] 네이버 검색과 데이터마이닝[211] 네이버 검색과 데이터마이닝
[211] 네이버 검색과 데이터마이닝
 
검색엔진이 데이터를 다루는 법 김종민
검색엔진이 데이터를 다루는 법 김종민검색엔진이 데이터를 다루는 법 김종민
검색엔진이 데이터를 다루는 법 김종민
 
데이터 분석 프로젝트 관리 방법론
데이터 분석 프로젝트 관리 방법론데이터 분석 프로젝트 관리 방법론
데이터 분석 프로젝트 관리 방법론
 
딥러닝을 이용한 자연어처리의 연구동향
딥러닝을 이용한 자연어처리의 연구동향딥러닝을 이용한 자연어처리의 연구동향
딥러닝을 이용한 자연어처리의 연구동향
 
[팝콘 시즌1] 이윤희 : 다짜고짜 배워보는 인과추론
[팝콘 시즌1] 이윤희 : 다짜고짜 배워보는 인과추론[팝콘 시즌1] 이윤희 : 다짜고짜 배워보는 인과추론
[팝콘 시즌1] 이윤희 : 다짜고짜 배워보는 인과추론
 
BigQuery의 모든 것(기획자, 마케터, 신입 데이터 분석가를 위한) 입문편
BigQuery의 모든 것(기획자, 마케터, 신입 데이터 분석가를 위한) 입문편BigQuery의 모든 것(기획자, 마케터, 신입 데이터 분석가를 위한) 입문편
BigQuery의 모든 것(기획자, 마케터, 신입 데이터 분석가를 위한) 입문편
 
Evaluation in IR system (검색 시스템의 평가)
Evaluation in IR system (검색 시스템의 평가)Evaluation in IR system (검색 시스템의 평가)
Evaluation in IR system (검색 시스템의 평가)
 
린분석 with 레진코믹스 ( Lean Analytics with Lezhin Comics )
린분석 with 레진코믹스 ( Lean Analytics with Lezhin Comics )린분석 with 레진코믹스 ( Lean Analytics with Lezhin Comics )
린분석 with 레진코믹스 ( Lean Analytics with Lezhin Comics )
 
Bleu vs rouge
Bleu vs rougeBleu vs rouge
Bleu vs rouge
 
스토리포인트로 공수산정하기 운선순위정하기
스토리포인트로 공수산정하기 운선순위정하기스토리포인트로 공수산정하기 운선순위정하기
스토리포인트로 공수산정하기 운선순위정하기
 

Andere mochten auch

백억개의 로그를 모아 검색하고 분석하고 학습도 시켜보자 : 로기스
백억개의 로그를 모아 검색하고 분석하고 학습도 시켜보자 : 로기스백억개의 로그를 모아 검색하고 분석하고 학습도 시켜보자 : 로기스
백억개의 로그를 모아 검색하고 분석하고 학습도 시켜보자 : 로기스
NAVER D2
 

Andere mochten auch (20)

[246]reasoning, attention and memory toward differentiable reasoning machines
[246]reasoning, attention and memory   toward differentiable reasoning machines[246]reasoning, attention and memory   toward differentiable reasoning machines
[246]reasoning, attention and memory toward differentiable reasoning machines
 
유연하고 확장성 있는 빅데이터 처리
유연하고 확장성 있는 빅데이터 처리유연하고 확장성 있는 빅데이터 처리
유연하고 확장성 있는 빅데이터 처리
 
[244]네트워크 모니터링 시스템(nms)을 지탱하는 기술
[244]네트워크 모니터링 시스템(nms)을 지탱하는 기술[244]네트워크 모니터링 시스템(nms)을 지탱하는 기술
[244]네트워크 모니터링 시스템(nms)을 지탱하는 기술
 
[221]똑똑한 인공지능 dj 비서 clova music
[221]똑똑한 인공지능 dj 비서 clova music[221]똑똑한 인공지능 dj 비서 clova music
[221]똑똑한 인공지능 dj 비서 clova music
 
[212]big models without big data using domain specific deep networks in data-...
[212]big models without big data using domain specific deep networks in data-...[212]big models without big data using domain specific deep networks in data-...
[212]big models without big data using domain specific deep networks in data-...
 
[231]운영체제 수준에서의 데이터베이스 성능 분석과 최적화
[231]운영체제 수준에서의 데이터베이스 성능 분석과 최적화[231]운영체제 수준에서의 데이터베이스 성능 분석과 최적화
[231]운영체제 수준에서의 데이터베이스 성능 분석과 최적화
 
[213] 의료 ai를 위해 세상에 없는 양질의 data 만드는 도구 제작하기
[213] 의료 ai를 위해 세상에 없는 양질의 data 만드는 도구 제작하기[213] 의료 ai를 위해 세상에 없는 양질의 data 만드는 도구 제작하기
[213] 의료 ai를 위해 세상에 없는 양질의 data 만드는 도구 제작하기
 
백억개의 로그를 모아 검색하고 분석하고 학습도 시켜보자 : 로기스
백억개의 로그를 모아 검색하고 분석하고 학습도 시켜보자 : 로기스백억개의 로그를 모아 검색하고 분석하고 학습도 시켜보자 : 로기스
백억개의 로그를 모아 검색하고 분석하고 학습도 시켜보자 : 로기스
 
[232]mist 고성능 iot 스트림 처리 시스템
[232]mist 고성능 iot 스트림 처리 시스템[232]mist 고성능 iot 스트림 처리 시스템
[232]mist 고성능 iot 스트림 처리 시스템
 
[225]빅데이터를 위한 분산 딥러닝 플랫폼 만들기
[225]빅데이터를 위한 분산 딥러닝 플랫폼 만들기[225]빅데이터를 위한 분산 딥러닝 플랫폼 만들기
[225]빅데이터를 위한 분산 딥러닝 플랫폼 만들기
 
[211] HBase 기반 검색 데이터 저장소 (공개용)
[211] HBase 기반 검색 데이터 저장소 (공개용)[211] HBase 기반 검색 데이터 저장소 (공개용)
[211] HBase 기반 검색 데이터 저장소 (공개용)
 
[224]nsml 상상하는 모든 것이 이루어지는 클라우드 머신러닝 플랫폼
[224]nsml 상상하는 모든 것이 이루어지는 클라우드 머신러닝 플랫폼[224]nsml 상상하는 모든 것이 이루어지는 클라우드 머신러닝 플랫폼
[224]nsml 상상하는 모든 것이 이루어지는 클라우드 머신러닝 플랫폼
 
[222]neural machine translation (nmt) 동작의 시각화 및 분석 방법
[222]neural machine translation (nmt) 동작의 시각화 및 분석 방법[222]neural machine translation (nmt) 동작의 시각화 및 분석 방법
[222]neural machine translation (nmt) 동작의 시각화 및 분석 방법
 
[242]open stack neutron dataplane 구현
[242]open stack neutron   dataplane 구현[242]open stack neutron   dataplane 구현
[242]open stack neutron dataplane 구현
 
[213]building ai to recreate our visual world
[213]building ai to recreate our visual world[213]building ai to recreate our visual world
[213]building ai to recreate our visual world
 
[215]streetwise machine learning for painless parking
[215]streetwise machine learning for painless parking[215]streetwise machine learning for painless parking
[215]streetwise machine learning for painless parking
 
[234]멀티테넌트 하둡 클러스터 운영 경험기
[234]멀티테넌트 하둡 클러스터 운영 경험기[234]멀티테넌트 하둡 클러스터 운영 경험기
[234]멀티테넌트 하둡 클러스터 운영 경험기
 
[241]large scale search with polysemous codes
[241]large scale search with polysemous codes[241]large scale search with polysemous codes
[241]large scale search with polysemous codes
 
[223]rye, 샤딩을 지원하는 오픈소스 관계형 dbms
[223]rye, 샤딩을 지원하는 오픈소스 관계형 dbms[223]rye, 샤딩을 지원하는 오픈소스 관계형 dbms
[223]rye, 샤딩을 지원하는 오픈소스 관계형 dbms
 
[112]clova platform 인공지능을 엮는 기술
[112]clova platform 인공지능을 엮는 기술[112]clova platform 인공지능을 엮는 기술
[112]clova platform 인공지능을 엮는 기술
 

Mehr von NAVER D2

Mehr von NAVER D2 (20)

[211] 인공지능이 인공지능 챗봇을 만든다
[211] 인공지능이 인공지능 챗봇을 만든다[211] 인공지능이 인공지능 챗봇을 만든다
[211] 인공지능이 인공지능 챗봇을 만든다
 
[233] 대형 컨테이너 클러스터에서의 고가용성 Network Load Balancing: Maglev Hashing Scheduler i...
[233] 대형 컨테이너 클러스터에서의 고가용성 Network Load Balancing: Maglev Hashing Scheduler i...[233] 대형 컨테이너 클러스터에서의 고가용성 Network Load Balancing: Maglev Hashing Scheduler i...
[233] 대형 컨테이너 클러스터에서의 고가용성 Network Load Balancing: Maglev Hashing Scheduler i...
 
[215] Druid로 쉽고 빠르게 데이터 분석하기
[215] Druid로 쉽고 빠르게 데이터 분석하기[215] Druid로 쉽고 빠르게 데이터 분석하기
[215] Druid로 쉽고 빠르게 데이터 분석하기
 
[245]Papago Internals: 모델분석과 응용기술 개발
[245]Papago Internals: 모델분석과 응용기술 개발[245]Papago Internals: 모델분석과 응용기술 개발
[245]Papago Internals: 모델분석과 응용기술 개발
 
[236] 스트림 저장소 최적화 이야기: 아파치 드루이드로부터 얻은 교훈
[236] 스트림 저장소 최적화 이야기: 아파치 드루이드로부터 얻은 교훈[236] 스트림 저장소 최적화 이야기: 아파치 드루이드로부터 얻은 교훈
[236] 스트림 저장소 최적화 이야기: 아파치 드루이드로부터 얻은 교훈
 
[235]Wikipedia-scale Q&A
[235]Wikipedia-scale Q&A[235]Wikipedia-scale Q&A
[235]Wikipedia-scale Q&A
 
[244]로봇이 현실 세계에 대해 학습하도록 만들기
[244]로봇이 현실 세계에 대해 학습하도록 만들기[244]로봇이 현실 세계에 대해 학습하도록 만들기
[244]로봇이 현실 세계에 대해 학습하도록 만들기
 
[243] Deep Learning to help student’s Deep Learning
[243] Deep Learning to help student’s Deep Learning[243] Deep Learning to help student’s Deep Learning
[243] Deep Learning to help student’s Deep Learning
 
[234]Fast & Accurate Data Annotation Pipeline for AI applications
[234]Fast & Accurate Data Annotation Pipeline for AI applications[234]Fast & Accurate Data Annotation Pipeline for AI applications
[234]Fast & Accurate Data Annotation Pipeline for AI applications
 
Old version: [233]대형 컨테이너 클러스터에서의 고가용성 Network Load Balancing
Old version: [233]대형 컨테이너 클러스터에서의 고가용성 Network Load BalancingOld version: [233]대형 컨테이너 클러스터에서의 고가용성 Network Load Balancing
Old version: [233]대형 컨테이너 클러스터에서의 고가용성 Network Load Balancing
 
[226]NAVER 광고 deep click prediction: 모델링부터 서빙까지
[226]NAVER 광고 deep click prediction: 모델링부터 서빙까지[226]NAVER 광고 deep click prediction: 모델링부터 서빙까지
[226]NAVER 광고 deep click prediction: 모델링부터 서빙까지
 
[225]NSML: 머신러닝 플랫폼 서비스하기 & 모델 튜닝 자동화하기
[225]NSML: 머신러닝 플랫폼 서비스하기 & 모델 튜닝 자동화하기[225]NSML: 머신러닝 플랫폼 서비스하기 & 모델 튜닝 자동화하기
[225]NSML: 머신러닝 플랫폼 서비스하기 & 모델 튜닝 자동화하기
 
[216]Search Reliability Engineering (부제: 지진에도 흔들리지 않는 네이버 검색시스템)
[216]Search Reliability Engineering (부제: 지진에도 흔들리지 않는 네이버 검색시스템)[216]Search Reliability Engineering (부제: 지진에도 흔들리지 않는 네이버 검색시스템)
[216]Search Reliability Engineering (부제: 지진에도 흔들리지 않는 네이버 검색시스템)
 
[214] Ai Serving Platform: 하루 수 억 건의 인퍼런스를 처리하기 위한 고군분투기
[214] Ai Serving Platform: 하루 수 억 건의 인퍼런스를 처리하기 위한 고군분투기[214] Ai Serving Platform: 하루 수 억 건의 인퍼런스를 처리하기 위한 고군분투기
[214] Ai Serving Platform: 하루 수 억 건의 인퍼런스를 처리하기 위한 고군분투기
 
[213] Fashion Visual Search
[213] Fashion Visual Search[213] Fashion Visual Search
[213] Fashion Visual Search
 
[232] TensorRT를 활용한 딥러닝 Inference 최적화
[232] TensorRT를 활용한 딥러닝 Inference 최적화[232] TensorRT를 활용한 딥러닝 Inference 최적화
[232] TensorRT를 활용한 딥러닝 Inference 최적화
 
[242]컴퓨터 비전을 이용한 실내 지도 자동 업데이트 방법: 딥러닝을 통한 POI 변화 탐지
[242]컴퓨터 비전을 이용한 실내 지도 자동 업데이트 방법: 딥러닝을 통한 POI 변화 탐지[242]컴퓨터 비전을 이용한 실내 지도 자동 업데이트 방법: 딥러닝을 통한 POI 변화 탐지
[242]컴퓨터 비전을 이용한 실내 지도 자동 업데이트 방법: 딥러닝을 통한 POI 변화 탐지
 
[212]C3, 데이터 처리에서 서빙까지 가능한 하둡 클러스터
[212]C3, 데이터 처리에서 서빙까지 가능한 하둡 클러스터[212]C3, 데이터 처리에서 서빙까지 가능한 하둡 클러스터
[212]C3, 데이터 처리에서 서빙까지 가능한 하둡 클러스터
 
[223]기계독해 QA: 검색인가, NLP인가?
[223]기계독해 QA: 검색인가, NLP인가?[223]기계독해 QA: 검색인가, NLP인가?
[223]기계독해 QA: 검색인가, NLP인가?
 
[231] Clova 화자인식
[231] Clova 화자인식[231] Clova 화자인식
[231] Clova 화자인식
 

[216]네이버 검색 사용자를 만족시켜라! 의도파악과 의미검색

  • 1. 네이버 사용자를 만족시켜라! Name : 최재걸 Team: 통합검색 Naver Search
  • 4. 네이버 검색의 얼굴 국내여행 기업 가수 스포츠스타
  • 10.
  • 11.
  • 12. 네이버 검색의 목적 이름이 뭐였더라.. 기억날 듯 말듯. 크리스 프랫 가오갤 주인공. 검색의도 정답결과
  • 15. 1.1 질의에서 검색 의도를. “김아중 김남길 나오는 드라마 이름이 뭐지” 의도 : 드라마 이름
  • 16. 1.1 질의에서 검색 의도를. “김아중” 의도 : 1. 김아중이 누군가? 2. 김아중 몇살? 3. 김아중 사진 4. 김아중 나왔던 드라마. ..
  • 17. 1.2 몇 개의 검색 의도가 있는가? 모릅니다.
  • 18. 1.2 몇 개의 검색 의도가 있는가?
  • 19. 1.2 몇 개의 검색 의도가 있는가? 검색창의 의미가 검색을 넘어섰습니다.
  • 20. 1.3 검색 의도 ­ 재료 그리고 방법 질의 문서 로그
  • 21. 1.3 검색 의도 ­ 재료 그리고 방법 질의 문서 로그 클러스터링 토픽모델 Word embedding 1 5 10 NLP LSTM RNN Click User Profiling User group
  • 22. 1.3 검색 의도 ­ 여러가지 결과 3-depth 989개 클러스터 1000개 topic 128차원 embedding
  • 23. 1.3 검색 의도 ­ 그 다음 필요한 것? 서비스 감각 인내
  • 24. 1.3 검색 의도 ­결과, 그 다음 “김아중 김남길 나오는 드라마 이름이 뭐지” 배우 배우 등장하는 알고 싶은것 필요없음 Entity tagging NLP 정규화 Knowledge Graph 단답형 : Know Simple
  • 25. 1.3 검색 의도 ­결과, 그 다음 “서현역 토끼정 메뉴” 지명 식당 알고 싶은것 장소 : Visit in Person
  • 26. 1.3 검색 의도 ­결과, 그 다음 “갤럭시 S8 가격” 상품 알고 싶은것 행위 : Do ( Transactional )
  • 27. 1.3 검색 의도 ­결과, 그 다음. “김아중” 인물 정보 : Know
  • 28. 1.4 검색의도 ­BIG 6 단답 ( Know Simple) 장소 ( Visit in Person ) 행위 ( Do ) 사이트 ( Website ) 정보 ( Know ) ‘페이스북’, ‘세금 내는 사이트’ 그 외 모든 것 방법 ( HowTo ) ‘수영 잘하는 법’ 이것이 정답인가? Absolutely NOT
  • 29. 1.4 검색의도 ­HowTo가 왜 중요한가? HowTo를 놓친 실수
  • 30. 1.4 검색의도 ­HowTo가 왜 중요한가? 단답 ( Know Simple) 장소 ( Visit in Person ) 행위 ( Do ) 사이트 ( Website ) 정보 ( Know ) 방법 ( HowTo ) ‘동영상’ 시대의 도래.. Developed by 박형애 박효균
  • 31. 1.5 검색의도 좀더 자세히 ­ 질의 주제 추가 KnowSimple Visit Do Navigation Know How To 인물 쇼핑 방송 식당 명소 기업 어학 여행 날씨 상단 ­ 질의 카테고리 88개 좌측 ­ 검색 의도 6개 총, 528개의 의도 관리. 점수는 비공개..
  • 32. 1.6 이 정도면 되었을까요?- Two Axis 부족합니다 이 정도면 되었을까요?
  • 33. 리라… 터키 돈이로군요! 식은 죽 먹기네요~ 1.7 우리가 만난 문제 ­ 여러가지 의도 환율- KnowSimple
  • 34. 자신있게! 1.7 우리가 만난 문제 ­ 여러가지 의도
  • 35. 1.7 우리가 만난 문제 ­ 여러가지 의도 사회문화- Know
  • 36. 1.7 우리가 만난 문제 ­ 여러가지 의도 2 여행-Visit 런던 테러! 이슈-Know
  • 37. Data is always saying. Through Associated Query Through Documents Through Scroll Behavior Through Click Behavior 1.8 통합검색 감시 시스템 Developed by 민수진 최수진
  • 40. Do Visit Know Simple Site Howto 사용자 질의 Answering Engine 의미검색 (Semantic Search) 데이터 의도파악 의도에 맞는 결과 1.8 의도 파악 그 다음 ­ 결과 만들기 Know TOPIC 주제검색 (Search by Topic)
  • 43. 2.1 의도에 맞는 검색 Answering Engine Smart Lens Naver I 528개의 의도마다 대응 검색 콜로키움에서 ..
  • 44. 2.1 의도에 맞는 검색 ­ 예제 과학-KnowSimple 카페-Visit 스타-Know
  • 45. 2.1 의도에 맞는 검색 ­ 문제점 스타-Know 방탄소년단 ‘진’이 아님. 방탄소년단 ‘진’이 맞음 “중의성”
  • 46. 2.1 의도에 맞는 검색 ­ 해결법 기술 서비스
  • 47. 2.2 중의성 ­ Disambiguation 시멘틱 태깅 Semantic Tagging Developed by 정유진
  • 48. 2.2 중의성 ­ 시멘틱 태깅 Developed by 정유진 “수지, 전지현-아이유 압도하는 단발 변신, 승자는?” 수지가 트레이드마크인 긴 생머리를 싹뚝 잘랐다. 수지는 30일 자신의 인스타그 램에 한 장의 폴라로이드 사진을 공개했다. 흑백 사진 속 수지는 보이시한 단발머 리 스타일에 시크한 표정으로 한층 세련된 분위기다. 수지가 단발머리로 변신한 이유는 올해 방영을 앞둔 SBS 드라마 ‘당신이 잠든 사이에’ 때문인 것으로 전해졌 다. 수지는 불행한 사건 사고를 꿈으로 미리 볼 수 있는 여자 남홍주를 연기하며 이종석과 호흡을 맞춘다. 앞서 단발머리 변신으로 가장 큰 화제를 모은 인물은 배 우 전지현이다. 전지현은 데뷔 때부터 고수해 온 긴 생머리를 2015년 영화 ‘암살’ 촬영 차 잘랐다. 가수 아이유도 데뷔 당시부터 트레이드마크였던 긴 생머리를 지 난해 자르고 한층 성숙된 분위기로 변신한 바 있다. “고속 열차로 여행하기” 런던발 파리행 열차는 유로스타(Eurostar) 고속열차입니다. 이 편안한 열차는 영불해협 터널(Channel Tunnel)을 지나 유럽으로 들어갑니다. 여행 시간은 2시 간 16분입니다. 실제 여행시간은 유레일 시간표를 참조해 주세요. 이탈리아, 스 페인 등의 인접 국가와 프랑스를 함께 여행하실 수 있는 유레일 패스도 준비되어 있습니다. 프랑스에서 유효한 패스의 소지자는 유로스타를 이용하여 파리와 런 던 구간을 여행하실 수 있습니다. 전지현 PS_94939 아이유 PS_159229 이종석 PS_154644 당신이 잠든 사이에 BP_4576600 암살 MV_121048 파리 CITY_844 프랑스 NATION 475380 스페인 NATION 475541 런던 CITY_511 이탈리아 NATION 475401 수지 PS_123454
  • 49. 2.2 중의성 ­ 시멘틱 태깅 Developed by 정유진
  • 50. 2.3 개체검색으로 충분? 혹시.. 528개의 의도마다 다른 검 색 모델링이 필요한 것은 아닐까?
  • 51. 2.3 개체검색으로 충분? 주제 단위 검색 Developed by 박찬훈
  • 52. 2.4 주제 단위 검색 식당-Visit 광고가 많은 영역 à 진성 리뷰 모델 링 스타-Know 최근활동소식궁금 à 최신성강조 모델 링
  • 53. 1. 중의성 해소 자동화 중의성 질의를기계적으로 파악하여대응
  • 54. 2. 질의 주제 판정 자동화 ‘프랑스파리’와‘곤충파리’의 주제비율이9:1이므로 여행주제를자동으로선택 3. 사용자 요구 추출 자동화 여행주제에맞는 서비스 요소를자동추출해 정보구성에도움 날씨정보3% 이미지13% 백과정보3%
  • 55. 여행지추천19% 리뷰53% 3. 사용자 요구 추출 자동화 여행주제에맞는 서비스 요소를자동추출해 정보구성에도움
  • 56. 4. 사용량에 따른 실시간 변경 곤충이화제가되면 바로곤충주제로자동변경 5. 이슈상황 대응 자동화 파리에테러가일어나면 바로주제형 해제하고이슈제공
  • 57. 6. 다른 주제로의 탐색 경로 제공 (중의성 해소) 여행주제를우선서비스했지만 다른주제로탐색할방법제공
  • 58. 7. 주제로 통일된 결과 자동 적용 의미검색을 컬렉션전체에 적용 웹결과 웹결과 사이트결과
  • 59. 2.5 이제 충분? 우리는 더 많은 문제를 만나게 될겁니다. 확신 하건데,
  • 60. 2.5 의도에 대응해 가는 중 성공하는 것, 실패 하는 것 WHY?
  • 61. 2.5 의도에 대응해 가는 중 ­ 실패 이유 서비스 관점을 잃으면 바로 실패
  • 62. 2.6 개발자 그리고 서비스 개발자에게 서비스란.
  • 65. 3.2 기술의 우위가 서비스의 우위이다?
  • 66. 3.3 개발자에게 필요한.. - 균형감 서비스 感覺 기술력
  • 67. Q & A