세 부분으로 구성된 이 시리즈는 GNN(그래프 신경망)을 사용하는 방법과 아마존 해왕성 를 사용하여 영화 추천을 생성합니다. IMDb 및 Box Office Mojo 영화/TV/OTT 1억 명 이상의 사용자 등급을 포함하여 광범위한 엔터테인먼트 메타데이터를 제공하는 라이선스 데이터 패키지 11만 명 이상의 출연진 및 제작진을 위한 크레딧; 9만 개의 영화, TV 및 엔터테인먼트 타이틀; 60개국 이상의 글로벌 박스오피스 보고 데이터. 많은 AWS 미디어 및 엔터테인먼트 고객이 다음을 통해 IMDb 데이터에 라이선스를 부여합니다. AWS 데이터 교환 콘텐츠 검색을 개선하고 고객 참여 및 유지율을 높입니다.
다음 다이어그램은 이 시리즈의 일부로 구현된 전체 아키텍처를 보여줍니다.
In 파트 1, 우리는 GNN의 응용과 IMDb 데이터를 지식 그래프(KG)로 변환하고 준비하는 방법에 대해 논의했습니다. AWS Data Exchange에서 데이터를 다운로드하여 AWS 접착제 KG 파일을 생성합니다. KG 파일은 다음 위치에 저장되었습니다. 아마존 단순 스토리지 서비스 (Amazon S3) 그런 다음 로드됨 아마존 해왕성.
In 파트 2, 사용 방법을 시연했습니다. 아마존 넵튠 ML (의 아마존 세이지 메이커) KG를 훈련시키고 KG 임베딩을 생성합니다.
이 게시물에서는 다음을 사용하여 Amazon S3에서 훈련된 KG 임베딩을 카탈로그 외부 검색 사용 사례에 적용하는 방법을 안내합니다. 아마존 오픈서치 서비스 및 AWS 람다. 또한 대화형 검색 환경을 위해 로컬 웹 앱을 배포합니다. 이 게시물에 사용된 모든 리소스는 단일 리소스를 사용하여 생성할 수 있습니다. AWS 클라우드 개발 키트 (AWS CDK) 명령은 게시물 뒷부분에서 설명합니다.
배경
비디오 스트리밍 플랫폼에서 사용할 수 없는 콘텐츠 제목을 실수로 검색한 적이 있습니까? 그렇다면 빈 검색 결과 페이지 대신 출연진이나 제작진과 함께 같은 장르의 영화 목록을 찾을 수 있습니다. 그것은 카탈로그에서 벗어난 검색 경험입니다!
카탈로그 외 검색 (OOC)는 카탈로그에 직접 일치하지 않는 검색어를 입력한 경우입니다. 이 이벤트는 제한된 시간 동안 여러 벤더 및 제작사로부터 다양한 콘텐츠를 지속적으로 구매하는 비디오 스트리밍 플랫폼에서 자주 발생합니다. 관련성이 없거나 스트리밍 회사의 카탈로그에서 영화 및 쇼의 대규모 지식 기반으로 매핑되지 않으면 OOC 콘텐츠를 쿼리하는 고객에게 수준 이하의 검색 경험이 제공되어 플랫폼과의 상호 작용 시간이 단축될 수 있습니다. 이 매핑은 빈번한 OOC 쿼리를 카탈로그 콘텐츠에 수동으로 매핑하여 수행하거나 기계 학습(ML)을 사용하여 자동화할 수 있습니다.
이 게시물에서는 IMDb 데이터 세트(글로벌 엔터테인먼트 메타데이터의 주요 소스) 및 지식 그래프를 활용하여 OOC를 처리하는 방법을 설명합니다.
오픈서치 서비스 대화형 로그 분석, 실시간 애플리케이션 모니터링, 웹 사이트 검색 등을 쉽게 수행할 수 있는 완전 관리형 서비스입니다. OpenSearch는 Elasticsearch에서 파생된 오픈 소스 분산 검색 및 분석 제품군입니다. OpenSearch Service는 최신 버전의 OpenSearch, 19개 버전의 Elasticsearch(1.5~7.10 버전) 지원, OpenSearch 대시보드 및 Kibana(1.5~7.10 버전)에서 제공하는 시각화 기능을 제공합니다. OpenSearch Service는 현재 수만 명의 활성 고객을 보유하고 있으며 관리 하에 수십만 개의 클러스터가 매월 수조 건의 요청을 처리하고 있습니다. OpenSearch Service는 kNN 검색을 제공하여 제품 추천, 사기 탐지, 이미지, 비디오, 문서 및 쿼리 유사성과 같은 일부 특정 시맨틱 시나리오와 같은 사용 사례에서 검색을 향상시킬 수 있습니다. OpenSearch Service의 자연어 이해 기반 검색 기능에 대한 자세한 내용은 다음을 참조하십시오. Amazon SageMaker 및 Amazon OpenSearch Service KNN 기능을 사용하여 NLU 기반 검색 애플리케이션 구축.
솔루션 개요
이번 포스팅에서는 OpenSearch Service의 k-Nearest Neighbor(kNN) 검색 기능을 활용한 지식 그래프 기반 임베딩 검색을 통해 OOC 상황을 처리하는 솔루션을 제시합니다. 이 솔루션을 구현하는 데 사용되는 주요 AWS 서비스는 OpenSearch Service, SageMaker, Lambda 및 Amazon S3입니다.
체크 아웃 파트 1 및 파트 2 Amazon Neptune ML을 사용하여 지식 그래프 생성 및 GNN 임베딩에 대해 자세히 알아보십시오.
OOC 솔루션은 스트리밍 회사인 KG와 IMDb KG를 병합하여 얻은 통합 KG가 있다고 가정합니다. 이는 제목 유형(영화, 시리즈, 다큐멘터리), 출연진 및 제작진과 함께 제목을 일치시키는 간단한 텍스트 처리 기술을 통해 수행할 수 있습니다. 또한 이 공동 지식 그래프는 다음에 언급된 파이프라인을 통해 지식 그래프 임베딩을 생성하도록 훈련되어야 합니다. 파트 1 및 파트 2. 다음 다이어그램은 결합된 KG의 단순화된 보기를 보여줍니다.
간단한 예를 통해 OOC 검색 기능을 시연하기 위해 IMDb 지식 그래프를 고객 카탈로그와 고객 카탈로그 외부로 분할했습니다. "Toy Story"가 포함된 제목을 고객 외 카탈로그 리소스로 표시하고 나머지 IMDb 지식 그래프를 고객 카탈로그로 표시합니다. 고객 카탈로그가 향상되지 않았거나 외부 데이터베이스와 병합되지 않은 시나리오에서 "장난감 이야기"를 검색하면 메타데이터에 "장난감" 또는 "이야기"라는 단어가 포함된 모든 제목이 OpenSearch 텍스트 검색으로 반환됩니다. 고객 카탈로그가 IMDb에 매핑된 경우 "toy story" 쿼리가 카탈로그에 없고 IMDb에서 상위 일치 항목이 "Toy Story", "Toy Story 2", "Toy Story"라는 사실을 더 쉽게 수집할 수 있습니다. Story 3," "Toy Story 4," 및 "Charlie: Toy Story"는 텍스트 일치와 관련된 내림차순입니다. 이러한 각 일치에 대한 카탈로그 내 결과를 얻기 위해 OpenSearch Service를 통해 고객 카탈로그 기반 kNN 임베딩(공동 KG의) 유사성에서 가장 가까운 XNUMX개의 동영상을 생성할 수 있습니다.
일반적인 OOC 환경은 다음 그림에 설명된 흐름을 따릅니다.
다음 비디오는 "토이 스토리" 쿼리에 대한 상위 XNUMX개(적중 수) OOC 결과와 고객 카탈로그의 관련 일치 항목(추천 수)을 보여줍니다.
여기서 질의는 OpenSearch Service에서 텍스트 검색을 이용하여 지식 그래프와 매칭된다. 그런 다음 OpenSearch Service kNN 인덱스를 사용하여 텍스트 일치의 임베딩을 고객 카탈로그 제목에 매핑합니다. 사용자 쿼리를 지식 그래프 엔터티에 직접 매핑할 수 없기 때문에 먼저 제목 기반 쿼리 유사성을 찾은 다음 지식 그래프 임베딩을 사용하여 제목과 유사한 항목을 찾는 XNUMX단계 접근 방식을 사용합니다. 다음 섹션에서는 OpenSearch 서비스 클러스터 설정, 지식 그래프 인덱스 생성 및 업로드, 솔루션을 웹 애플리케이션으로 배포하는 프로세스를 안내합니다.
사전 조건
이 솔루션을 구현하려면 AWS 계정, OpenSearch Service, SageMaker, Lambda 및 AWS 클라우드 포메이션의 단계를 완료했습니다. 파트 1 및 파트 2 이 시리즈의.
솔루션 리소스 실행
다음 아키텍처 다이어그램은 카탈로그 외부 워크플로우를 보여줍니다.
AWS Cloud Development Kit(CDK)를 사용하여 OOC 검색 애플리케이션에 필요한 리소스를 프로비저닝합니다. 이러한 리소스를 시작하는 코드는 다음 작업을 수행합니다.
- 리소스에 대한 VPC를 생성합니다.
- 검색 응용 프로그램에 대한 OpenSearch 서비스 도메인을 만듭니다.
- 영화 메타데이터 및 임베딩을 처리하고 OpenSearch Service 인덱스에 로드하는 Lambda 함수를 생성합니다(
**-ReadFromOpenSearchLambda-**
). - 웹 앱에서 사용자 쿼리를 입력으로 받아 OpenSearch에서 관련 제목을 반환하는 Lambda 함수를 생성합니다(
**-LoadDataIntoOpenSearchLambda-**
). - 웹 앱 사용자 인터페이스와 Lambda 사이에 추가 보안 계층을 추가하는 API 게이트웨이를 생성합니다.
시작하려면 다음 단계를 완료하십시오.
- 명령을 사용하여 터미널에서 AWS CDK를 시작합니다.
bash launch_stack.sh
. - 3부에서 생성한 두 개의 S2 파일 경로를 입력으로 제공합니다.
- 동영상 임베딩 CSV 파일의 S3 경로입니다.
- 영화 노드 파일에 대한 S3 경로입니다.
- 스크립트가 필요한 모든 리소스를 프로비저닝하고 실행을 마칠 때까지 기다립니다.
- AWS CDK 스크립트가 출력하는 API Gateway URL을 복사하여 저장합니다. (나중에 Streamlit 앱에 이것을 사용합니다).
OpenSearch 서비스 도메인 생성
설명을 위해 보안 VPC 및 서브넷 내의 r6g.large.search 인스턴스에 있는 하나의 가용 영역에 검색 도메인을 생성합니다. 모범 사례는 XNUMX개의 기본 인스턴스와 XNUMX개의 복제본 인스턴스가 있는 XNUMX개의 가용 영역에 설정하는 것입니다.
OpenSearch Service 인덱스 생성 및 데이터 업로드
Lambda 함수(AWS CDK 시작 스택 명령을 사용하여 생성됨)를 사용하여 OpenSearch Service 인덱스를 생성합니다. 색인 작성을 시작하려면 다음 단계를 완료하십시오.
- Lambda 콘솔에서 다음을 엽니다.
LoadDataIntoOpenSearchLambda
Lambda 함수. - 에 Test
탭에서 Test
데이터를 생성하고 OpenSearch Service 인덱스로 수집합니다.
이 Lambda 함수에 대한 다음 코드는 다음에서 찾을 수 있습니다. part3-out-of-catalog/cdk/ooc/lambdas/LoadDataIntoOpenSearchLambda/lambda_handler.py
:
이 기능은 다음 작업을 수행합니다.
- 스택 생성 파일에 전달된 S3 파일 경로에서 동영상 메타데이터 및 관련 임베딩이 포함된 IMDB KG 동영상 노드 파일을 로드합니다.
launch_stack.sh
. - 두 개의 입력 파일을 병합하여 인덱스 생성을 위한 단일 데이터 프레임을 생성합니다.
- Boto3 Python 라이브러리를 사용하여 OpenSearch 서비스 클라이언트를 초기화합니다.
- 텍스트(
ooc_text
) 및 kNN 임베딩 검색(ooc_knn
)를 통해 결합된 데이터 프레임에서 데이터를 대량 업로드합니다.ingest_data_into_ops
기능.
이 데이터 수집 프로세스는 5~10분이 소요되며 다음을 통해 모니터링할 수 있습니다. 아마존 클라우드 워치 에 로그온 모니터링 Lambda 함수의 탭.
텍스트 기반 검색 및 kNN 임베딩 기반 검색을 활성화하기 위해 두 개의 인덱스를 생성합니다. 텍스트 검색은 사용자가 영화 제목에 입력하는 자유 형식 쿼리를 매핑합니다. kNN 임베딩 검색은 출력으로 반환할 KG 잠재 공간에서 최상의 텍스트 일치에 가장 가까운 k개의 영화를 찾습니다.
솔루션을 로컬 웹 애플리케이션으로 배포
이제 OpenSearch Service에서 작동하는 텍스트 검색 및 kNN 인덱스가 있으므로 ML 기반 웹 앱을 빌드할 준비가 되었습니다.
우리는을 사용하여 streamlit
이 응용 프로그램의 프런트 엔드 일러스트레이션을 만드는 Python 패키지입니다. 그만큼 IMDb-Knowledge-Graph-Blog/part3-out-of-catalog/run_imdb_demo.py
우리의 파이썬 파일 GitHub 레포 이 기능을 탐색하기 위해 로컬 웹 앱을 시작하는 데 필요한 코드가 있습니다.
코드를 실행하려면 다음 단계를 완료하세요.
- 설치
streamlit
및aws_requests_auth
터미널에서 다음 명령을 통해 로컬 가상 Python 환경의 Python 패키지:
- 다음과 같이 코드의 API 게이트웨이 URL에 대한 자리 표시자를 AWS CDK에서 생성된 것으로 바꿉니다.
api = '<ENTER URL OF THE API GATEWAY HERE>/opensearch-lambda?q={query_text}&numMovies={num_movies}&numRecs={num_recs}'
- 명령을 사용하여 웹앱을 시작합니다.
streamlit run run_imdb_demo.py
터미널에서.
이 스크립트는 웹 브라우저에서 액세스할 수 있는 Streamlit 웹 앱을 시작합니다. 웹앱의 URL은 다음 스크린샷과 같이 스크립트 출력에서 검색할 수 있습니다.
앱은 새로운 검색 문자열, 히트 수 및 추천 수를 허용합니다. 히트 수는 외부(IMDb) 카탈로그에서 검색해야 하는 일치하는 OOC 타이틀 수에 해당합니다. 권장 사항의 수는 kNN 임베딩 검색을 기반으로 고객 카탈로그에서 검색해야 하는 최근접 이웃 수에 해당합니다. 다음 코드를 참조하십시오.
이 입력(쿼리, 히트 수 및 권장 사항)은 **-ReadFromOpenSearchLambda-**
API Gateway 요청을 통해 AWS CDK에서 생성한 Lambda 함수. 이는 다음 함수에서 수행됩니다.
OpenSearch Service의 Lambda 함수 출력 결과는 API Gateway로 전달되어 Streamlit 앱에 표시됩니다.
정리
명령을 통해 AWS CDK에서 생성한 모든 리소스를 삭제할 수 있습니다. npx cdk destroy –app “python3 appy.py” --all
같은 인스턴스에서(내부 cdk
폴더) 스택을 시작하는 데 사용되었습니다(다음 스크린샷 참조).
결론
이 게시물에서는 SageMaker 및 OpenSearch Service를 사용하여 텍스트 및 kNN 기반 검색을 사용하여 OOC 검색을 위한 솔루션을 만드는 방법을 보여주었습니다. 맞춤형 지식 그래프 모델 임베딩을 사용하여 카탈로그에서 IMDb 타이틀의 가장 가까운 이웃을 찾았습니다. 예를 들어 Amazon Prime Video에서 개발한 판타지 시리즈인 "The Rings of Power"를 다른 스트리밍 플랫폼에서 검색하고 검색 결과를 최적화할 수 있었던 방법을 추론할 수 있습니다.
이 게시물의 코드 샘플에 대한 자세한 내용은 GitHub 레포. 유사한 최신 ML 애플리케이션을 구축하기 위해 Amazon ML Solutions Lab과 협력하는 방법에 대해 자세히 알아보려면 다음을 참조하십시오. 아마존 머신 러닝 솔루션 랩. IMDb 데이터세트 라이선싱에 대한 자세한 내용은 다음을 방문하십시오. 개발자.imdb.com.
저자에 관하여
디비 아 바르 가비 Amazon ML Solutions Lab의 데이터 과학자이자 미디어 및 엔터테인먼트 수직 책임자로서 기계 학습을 사용하여 AWS 고객의 고부가가치 비즈니스 문제를 해결합니다. 그녀는 이미지/비디오 이해, 지식 그래프 추천 시스템, 예측 광고 사용 사례에 대해 작업합니다.
가우라프 렐 Amazon ML Solution Lab의 데이터 과학자로, 다양한 업종에서 AWS 고객과 협력하여 비즈니스 과제를 해결하기 위해 기계 학습 및 AWS 클라우드 서비스 사용을 가속화합니다.
매튜 로즈 Amazon ML Solutions Lab에서 근무하는 데이터 과학자입니다. 그는 자연어 처리 및 컴퓨터 비전과 같은 개념을 포함하는 기계 학습 파이프라인 구축을 전문으로 합니다.
카란 신드 와니 Amazon ML Solutions Lab의 데이터 과학자로 딥 러닝 모델을 구축하고 배포합니다. 그는 컴퓨터 비전 분야를 전문으로 합니다. 여가 시간에는 하이킹을 즐깁니다.
아데시나 소지 AWS의 응용 과학자로서 사기 및 남용, 지식 그래프, 추천 시스템 및 생명 과학에 대한 애플리케이션을 사용하여 그래프 작업에 대한 기계 학습을 위한 그래프 신경망 기반 모델을 개발합니다. 여가 시간에는 독서와 요리를 즐깁니다.
비 디아 사가르 라비 파티 Amazon ML Solutions Lab의 관리자로서 대규모 분산 시스템에 대한 방대한 경험과 기계 학습에 대한 열정을 활용하여 다양한 산업 분야의 AWS 고객이 AI 및 클라우드 채택을 가속화할 수 있도록 지원합니다.
- SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
- 플라토 블록체인. Web3 메타버스 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
- 출처: https://aws.amazon.com/blogs/machine-learning/power-recommendations-and-search-using-an-imdb-knowledge-graph-part-3/
- 1
- 10
- 100
- 11
- 116
- 7
- 9
- a
- 소개
- 남용
- 가속
- 수락
- 액세스
- 가로질러
- 활동적인
- 추가
- 또한
- 추가
- 양자
- 광고
- AI
- All
- 아마존
- Amazon ML 솔루션 랩
- 아마존 해왕성
- 아마존 넵튠 ML
- 아마존 오픈서치 서비스
- 아마존 세이지 메이커
- 분석
- 및
- API를
- 앱
- 어플리케이션
- 어플리케이션
- 적용된
- 신청
- 접근
- 아키텍처
- 지역
- 관련
- 자동화
- 유효성
- 가능
- AWS
- AWS 데이터 교환
- 기반으로
- 때문에
- BEST
- 사이에
- 억원
- 보물상자
- 박스 오피스
- 브라우저
- 빌드
- 건물
- 빌드
- 사업
- 기능
- 가지 경우
- 목록
- 과제
- 왼쪽 메뉴에서
- 클라이언트
- 클라우드
- 클라우드 채택
- 클라우드 서비스
- 클러스터
- 암호
- 협력
- 결합 된
- 기업
- 회사
- 회사
- 완전한
- 진행완료
- 컴퓨터
- 컴퓨터 비전
- 개념
- 콘솔에서
- 끊임없이
- 이 포함되어 있습니다
- 함유량
- 대응
- 수
- 국가
- 만들
- 만든
- 만들기
- 창조
- 크레딧
- Current
- 현재
- 관습
- 고객
- 고객 참여
- 고객
- 데이터
- 데이터 교환
- 데이터 과학자
- 데이터베이스
- 데이터 세트
- 깊은
- 깊은 학습
- 보여
- 시연
- 배포
- 배치
- 배치하다
- 파생
- 기술 된
- 파괴
- Detection System
- 개발
- 개발
- 개발
- 다른
- 곧장
- 직접
- 발견
- 논의 된
- 분산
- 분산 시스템
- 문서
- 다큐멘터리
- 하지 않습니다
- 도메인
- 마다
- 쉽게
- 가능
- 약혼
- 강화
- 엔터 버튼
- 들어갑니다
- 엔터테인먼트
- 엔티티
- 환경
- 이벤트
- EVER
- 예
- 교환
- 경험
- 탐험
- 외부
- 여분의
- 마주보고
- 정통
- 공상
- 그림
- 입양 부모로서의 귀하의 적합성을 결정하기 위해 미국 이민국에
- 파일
- Find
- finds
- 먼저,
- 흐름
- 수행원
- 다음
- 발견
- 사기
- 사기 탐지
- 빈번한
- 자주
- 에
- 충분히
- 기능
- 기능성
- 기능
- 기능
- 게이트웨이
- 생성
- 얻을
- 글로벌
- 그래프
- 그래프
- 핸들
- 헤더
- 도움
- 히트
- 조회수
- 방법
- How To
- HTML
- HTTPS
- 수백
- 영상
- 구현
- 구현
- 개선
- in
- 포함
- 증가
- 색인
- 색인
- 색인
- 산업
- 정보
- 입력
- 설치
- 예
- 를 받아야 하는 미국 여행자
- 상호 작용
- 대화형
- 인터페이스
- 감다
- IT
- 항목
- 키
- 지식
- 지식 그래프
- 실험실
- 언어
- 넓은
- 대규모
- 최근
- 시작
- 시작
- 층
- 리드
- 배우다
- 배우기
- 레버리지
- 도서관
- 특허
- Licensing
- 생활
- 생명과학
- 제한된
- 명부
- 하중
- 지방의
- 기계
- 기계 학습
- 제작
- 관리
- 구축
- 매니저
- 수동으로
- .
- 지도
- 매핑
- 지도
- 표
- 경기
- 어울리는
- 미디어
- 회원
- 말하는
- 합병
- 메타 데이터
- 백만
- 회의록
- ML
- 모델
- 모델
- 모니터링
- 모니터링
- 달
- 배우기
- 영화
- 영화 산업
- 여러
- 자연의
- 자연 언어 처리
- 이웃
- Neptune
- 네트워크 기반
- 네트워크
- 신경망
- 신제품
- 노드
- 번호
- 획득
- 제공
- Office
- ONE
- 열 수
- 오픈 소스
- 행정부
- 최적화
- 주문
- OS
- 기타
- 꾸러미
- 부품
- 합격
- 열정
- 통로
- 수행
- 수행하다
- 자리
- 플랫폼
- 플랫폼
- 플라톤
- 플라톤 데이터 인텔리전스
- 플라토데이터
- 부디
- 게시하다
- 힘
- powered
- 연습
- 수상
- Prepare
- 제시
- 일차
- 청춘
- 인쇄물
- 문제
- 방법
- 처리됨
- 처리
- 프로덕트
- 생산
- 제공
- 규정
- 매수
- 목적
- Python
- 범위
- 평가
- 읽기
- 준비
- 실시간
- 이유
- 추천
- 추천
- 관련성
- 관련된
- 대답
- 통계 보고서
- 저장소
- 의뢰
- 요청
- 필수
- 의지
- 제품 자료
- 응답
- REST
- 결과
- 결과
- 보유
- return
- 반품
- 달리기
- 달리는
- 현자
- 같은
- 찜하기
- 시나리오
- 과학
- 과학자
- 검색
- 섹션
- 안전해야합니다.
- 보안
- 연속
- 서비스
- 서비스
- 세트
- 설정
- 설정
- 영상을
- 표시
- 쇼
- 비슷한
- 유사성
- 단순, 간단, 편리
- 단순화
- 단일
- 상황
- 해결책
- 솔루션
- 풀다
- 해결
- 일부
- 출처
- 스페이스 버튼
- 전문적으로
- 구체적인
- 분열
- 스택
- 스타트
- 시작
- 최첨단
- 단계
- 저장
- 저장
- 이야기
- 스트리밍
- 서브넷
- 이러한
- 스위트
- SUPPORT
- 시스템은
- 받아
- 소요
- 작업
- 기법
- 단말기
- XNUMXD덴탈의
- 지역
- 관절
- 그들의
- 그것에 의하여
- 수천
- 세
- 을 통하여
- 시간
- Title
- 제목들
- 에
- 상단
- Train
- 훈련 된
- 변환
- 수조
- tv
- 전형적인
- 아래에
- 이해
- 업로드
- URL
- 사용
- 사용자
- 시간을 아껴주는 인터페이스
- 활용
- 종류
- 거대한
- 공급 업체
- 업종
- Video
- 관측
- 온라인
- 시력
- 심상
- 웹
- 웹 응용 프로그램
- 웹 브라우저
- 웹 사이트
- 어느
- 넓은
- 넓은 범위
- 의지
- 이내
- 워드
- 말
- 일하는
- 일
- 겠지
- 자신의
- 너의
- 제퍼 넷
- 지역