KR101608697B1 - 애드혹, 동적 모델 구성을 갖는 추천기 시스템 - Google Patents

Abstract

본 발명의 일 실시예는 의사 결정 프로세스를 용이하게 하기 위해 유틸리티 모델들의 세트를 적응적으로 결합함으로써 아이템의 추천을 생성하기 위한 추천기 시스템을 제공한다. 시스템은 상기 유틸리티 모델들의 세트를 포함하는 유틸리티 모델 데이터 베이스 및 질의 엔티티로부터 상기 아이템에 대한 적어도 하나의 질의를 수신하기 위한 질의 모듈을 포함한다. 시스템은 또한 아이템에 적용될 유틸리티 모델들의 서브셋을 특정하고 상기 특정된 유틸리티 모델들의 가중 함수를 특정하기 위해 규칙 엔진을 포함한다. 또한, 유틸리티 모델 데이터베이스에 결합된 세트 생성기 및, 질의 모듈, 및 규칙 엔진이 시스템에 포함된다. 세트 생성기는 서브셋에서의 상기 유틸리티 모델의 각각을 아이템에 적용함으로써 평가들의 세트를 계산하고 상기 가중 함수에 기초하여 아이템에 대한 전체 평가를 생성한다. 시스템은 또한 상기 전체 평가를 리턴하기 위해 통신 모듈을 포함한다.

애드혹, 추천기, 엔티티, 질의

Description

애드혹, 동적 모델 구성을 갖는 추천기 시스템{A recommender system with ad-hoc, dynamic model composition}

본 개시는 추천기 시스템에 관한 것이다. 보다 상세하게는, 본 개시는 애드혹, 동적 모델 구성이 하나 이상의 아이템들을 추천하는 것을 용이하게 하는 포괄적 추천기 시스템에 관한 것이다.

개개인의 의사 결정 프로세스의 중요한 양상은 신뢰성 있는 소스들로부터 추천들로부터의 추천들의 수용이다. 지난 수십 년간, 그러한 추천들은 구두로, 소비자 조사들, 신문들, 잡지들, 또는 인터넷에서의 리뷰들에 의해 생성 및 수신된다. 기술이 급격히 진보되어감에 따라 추천들을 수신하기 위한 방법도 급격히 진보되어간다. 오늘날, 추천들의 주요 제공자는 사용자가 흥미로워하는 사람, 장소, 물체, 추상적 아이디어 등과 같은, 추천의 유형을 나타내는 질의를 제출한 후에 추천을 생성하는 컴퓨터 기반 "추천기 시스템"이다.

추천기 시스템은 사용자에게 그의 의사 결정을 용이하게 하는 개인화된 제안 들을 제공한다. 이들 개인화된 추천들은 사용자가 책을 구매하는 것에서부터 영화를 빌려보거나 심지어 학교를 선택하는 것에 이르는, 광범위한 태스크들을 수행할 때 추천기 시스템에 의존하도록 허용한다.

대부분의 추천기 시스템들에 있어서, 추천은 일반적으로 사용자의 입력 및 피드백에 따라 하나의 특정한 양상으로 아이템들의 평가들에 기초한다. 달리 말하면, 종래의 추천기 시스템들은 아이템들의 평가들을 계산하기 위해 단지 하나의 유틸리티 모델만을 사용한다. 또한 본 설명에서 "모델"로서 언급되는 유틸리티 모델은 그 후 추천들을 하기 위해 적용될 수 있는 아이템에 대한 평가 또는 유틸리티 값을 생성하기 위해 아이템에 적용될 수 있는 모델이다. 공통으로 사용된 유틸리티 모델은 "협업적 필터링(collaborative filtering)"이며, 여기서 "가장 가까운 이웃 계산"과 같은 통계 기술들은 사용자들 및 아이템들을 유사한 프로필의 그룹들로 그룹핑하기 위해 사용된다. 평가하지 않은 아이템 및 사용자가 제공되면, 추천기 시스템은 아이템에 대한 점수(score)를 예측하기 위해 유사성 모델을 사용한다. 가장 높게 점수가 매겨진 아이템들은 그 후 사용자에게 추천된다.

모두가 그런 것은 아닐지라도, 대부분의 종래의 추천기 시스템들은 단지 하나의 유틸리티 모델에 의존한다. 협업적 필터링의 경우에, 이전 개선들은 유사성 메트릭의 계산 정확성을 향상시키는 방법에 주로 초점을 맞췄다. 온톨로지(ontology)는 종종 계층적 구조의 클래스들로 아이템들을 그룹핑하기 위해 사용된다. 보다 높은 레벨 클래스에서의 아이템의 평가는 불충분한 정보로 인하여 직접 결정될 수 없을 때 서브클래스의 평가를 추론하기 위해 사용될 수 있다. 만약, 예를 들어 질의 사용자가 타이 음식을 얼마나 많이 좋아하는지 평가하기에 충분한 정 보를 가지고 있지 않다면, 추천기 시스템은 대신에 아시아 레스토랑들을 갖는 다른 사용자들의 경험들 및 질의 사용자에 관한 정보를 사용할 수 있다. 그러나, 비록 협업적 필터 모델의 정확도가 증가할지라도, 대부분의 추천기 시스템들은 여전히 단지 하나의 모델에만 의존한다.

본 발명의 일 실시예는 의사 결정 프로세스를 용이하게 하기 위해 유틸리티 모델들의 세트를 적응적으로 조합함으로써 아이템의 추천을 생성하기 위한 추천기 시스템을 제공한다. 시스템은 질의 엔티티로부터 아이템에 대한 적어도 하나의 질의를 수신하기 위한 질의 모듈 및 유틸리티 모델들의 세트를 포함하는 유틸리티 모델 데이터베이스를 포함한다. 시스템은 또한 아이템에 적용될 유틸리티 모델들의 서브셋을 특정하고 상기 특정된 유틸리티 모델들의 가중 함수(weight function)를 특정하기 위한 규칙 엔진(rule engine)을 포함한다. 또한, 유틸리티 모델 데이터베이스, 질의 모듈, 및 규칙 엔진에 결합된 세트 생성기가 시스템에 포함된다. 세트 생성기는 서브셋에서 유틸리티 모델의 각각을 아이템에 적용함으로써 평가들의 세트를 계산하고 가중 함수에 기초하여 아이템에 대한 전체 평가를 생성한다. 시스템은 또한 전체 평가를 리턴하기 위해 통신 모듈을 포함한다.

이러한 실시예의 변이에 있어서, 규칙 엔진은 질의 엔티티와 연관된 상황 및/또는 선호 정보를 수신하기 위해 사용자 상황 모듈을 포함한다.

다른 변이에 있어서, 상황 정보는 현재 시각; 현재 기후 조건; 질의 엔티티와 연관된 위치; 질의 엔티티와 연관된 움직임; 사용자의 과거, 현재, 및/또는 미 래 스케줄을 반영한 달력 엔트리; 하나 이상의 사용자들이 관심 및/또는 계획들을 논의하는, 무엇보다, 이메일들 및/또는 인스턴트 메시지들로부터 추출된 텍스트로 이루어진 메시징 데이터의 세트; 및 사용자가 액세스한 웹 페이지들 또는 다른 소스들로부터 추출된, 사용자의 관심들 및/또는 취향들을 반영하는 콘텐트를 포함하는 판독 히스토리 중 적어도 하나를 포함한다.

이러한 실시예의 변이에 있어서, 규칙 엔진은 사용자 상황 모듈에 의해 수신된 상황 및/또는 선호 정보에 기초하여 유틸리티 모델들의 서브셋을 선택한다.

이러한 실시예의 변이에 있어서, 규칙 엔진은 가중 함수를 적응적으로 조절하기 위해 질의 엔티티에 의해 이루어진 결정을 가중 함수와 연관시킨다.

이러한 실시예의 변이에 있어서, 특정된 유틸리티 모델들의 가중 함수는 휴리스틱 접근법(heuristic approach)을 이용함으로써 구성된다.

이러한 실시예의 변이에 있어서, 특정된 유틸리티 모델들의 가중 함수는 통계적 접근법을 이용함으로써 구성된다.

본 발명의 추천기 시스템에 따르면, 의사 결정 프로세스를 용이하게 하기 위해 유틸리티 모델들의 세트를 적응적으로 결합함으로써 아이템의 추천을 용이하게 한다.

도 1은 종래의 단일 모델 추천기 시스템의 구조도를 예시한다. 종래의 추천기 시스템은 유틸리티 모델(120) 및 평가 데이터베이스(130)를 포함한다.

동작 동안, 시스템은 평가되지 않은 아이템(110)을 수신한다. 시스템은 그 후 평가 데이터베이스(130)에 저장된 정보에 기초하여 평가되지 않은 아이템(110)에 유틸리티 모델(120)을 적용한다. 예를 들면, 유틸리티 모델(120)은 협업적 필터 모델일 수 있으며, 평가 데이터베이스(130)는 사용자 프로필 정보뿐만 아니라 유사한 아이템들에 대한 정보를 저장할 수 있다. 아이템(110), 유틸리티 모델(120), 및 평가 데이터베이스(130)로부터의 정보에 기초하여, 시스템은 아이템에 대한 예측된 평가(140)를 계산할 수 있다.

본 발명의 실시예들은 아이템들의 평가들을 계산하기 위해 하나 이상의 유틸리티 모델을 이용하는 포괄적 추천기 시스템을 제공한다. 이러한 추천기 시스템은 사용자 또는 또 다른 컴퓨터 시스템일 수 있는 질의 엔티티의 요구에 따라 동적으로 업데이트될 수 있는 유틸리티 모델들의 세트를 포함한 유틸리티 모델 데이터베이스를 포함한다. 아이템을 수신한 후, 추천기 시스템은 선택적으로는 질의 엔티티에 속하는 상황 및 선호 정보에 기초하여, 질의 기반으로 유틸리티 모델 데이터베이스로부터 유틸리티 모델들의 서브셋을 선택한다. 시스템은 또한 아이템에 대한 전체 점수 또는 평가를 계산하기 위해 유틸리티 모델들의 서브셋에 가중 함수를 적용한다. 상황 정보(예로서, 공간 및 시간 정보)뿐만 아니라 선호 정보(예로서, 취향)는 질의 엔티티로부터 획득된다. 그 결과, 이러한 추천기 시스템은 기존의 시스템들보다 훨씬 더 유연하고 확장 가능하다. 더욱이, 애플리케이션 개발자들은 자유 롭게 모델들을 플러그인 또는 제거할 수 있다. 시스템은 또한 적응 가능하고 기존의 시스템들에서 이용가능하지 않았던 특성, 사용자 행동에 기초하여 시간에 걸쳐 발전할 수 있다.

일 실시예에서, 포괄적 추천기 시스템은 질의 엔티티에 대한 상황 및 선호 정보에 따라 가중 함수로 각각의 유틸리티 모델의 가중을 적응적으로 조정할 수 있다. 그 결과, 평가의 정확도는 크게 향상된다. 또한, 추천기 시스템은 추천이 이루어진 후 사용자의 행동에 관한 정보를 유지하고, 따라서 미래에 그 또는 그녀의 선호들을 보다 잘 예측하기 위해 사용자 행동의 변화들에 적응시킬 수 있다.

시스템은 모델 데이터베이스로부터 임의의 수의 모델들을 선택할 수 있고, 모델들의 선택은 평가될 아이템의 유형, 및/또는 질의 엔티티의 특성들에 종속할 수 있다. 모델들의 선택은 사용자로부터의 입력들 및/또는 시스템의 다른 모델들로부터의 입력들에 종속하여, 애드혹 또는 동적 방식으로 수행될 수 있다. 모델들이 조합되는 방식은 규칙들의 세트에 특정될 수 있거나, 또는 현재 사용자의 상황으로부터 추론될 수 있다. 또한 시스템은 어떤 모델들이 주어진 상황에서 어떤 사용자에 대해 보다 적절한지 시간에 걸쳐 학습할 수 있는 것이 가능하다.

도 2는 본 발명의 일 실시예에 따른 애드혹, 동적 모델 구성을 용이하게 하는 추천기 시스템에 대한 대표적인 구조를 예시한다. 추천기 시스템(200)은 질의 모듈(210), 사용자 상황 모듈(220), 규칙 엔진(230), 세트 생성기(240), 유틸리티 모델 데이터베이스(260), 및 통신 모듈(280)을 포함한다.

질의 모듈(210)이 평가되지 않은 아이템을 수신한 후, 규칙 엔진(230)은 사 용자 상황 모듈(220)로부터 획득된 정보에 기초하여 유틸리티 모델 데이터베이스(260)로부터 유틸리티 모델들의 서브셋을 동적으로 선택한다. 일 실시예에서, 사용자 상황 모듈(220)은 현재 시간, 기후 조건, 사용자의 위치, 사용자의 움직임들, 사용자의 과거, 현재, 및/또는 미래 스케줄을 반영한 달력 엔트리와 같은 다양한 사용자 상황; 하나 이상의 사용자들이 관심들 및/또는 계획들을 논의하는, 무엇보다, 이메일들 및/또는 인스턴트 메시지들로부터 추출된 텍스트로 이루어진 메시징 데이터의 세트; 및 사용자가 액세스한 웹 페이지들 또는 다른 소스들로부터 추출된, 사용자의 관심들 및/또는 취향들을 반영하는, 콘텐트를 포함하는 판독 히스토리를 획득할 수 있다. 다른 환경적, 사회적, 및 행동 파라미터들은 또한 사용자 상황 정보에 포함될 수 있다.

규칙 엔진(230)은 특정 카테고리에서 아이템들의 평가들을 계산하기 위해 사용되는 유틸리티 모델들의 서브셋에 대한 가중 함수를 생성한다. 일 실시예에서, 각각의 유틸리티 모델의 가중은 사용자 상황 모듈(220)로부터 획득된 상황 및 선호 정보에 기초하여 동적으로 결정될 수 있다. 선호 정보는 임의의 아이템 유형의 양상과 연관될 수 있다. 예를 들면, 영화 장르, 책들의 유형, 요리 유형, 음악 장르 등일 수 있다.

유틸리티 모델 데이터베이스(260)는 유틸리티 모델들(262 내지 268)의 세트를 포함한다. 각각의 유틸리티 모델은 그 아이템을 평가하기 위해 아이템에 적용될 수 있다. 예를 들면, 서점이 사용자에게 어떤 책을 추천해야 할지를 결정하기 위해, 협업적 필터링 모델은 사용자에 관한 정보를 수집하고, 사용자를 그룹 프로필 에 맞추고, 동일한 프로필 그룹의 다른 멤버들에 의해 또한 구매된 책들을 추천한다. 과거에 동적으로 수집된 책들 및 사용자들의 통계적 정보를 이용함으로써, 협업적 필터링 모델은 책들의 평가를 계산하고 가장 높은 평가를 가진 책들의 세트를 질의 사용자에게 추천한다. 협업적 필터링을 제외하고, 다른 유틸리티 모델들은 또한 유틸리티 모델 데이터베이스에 포함될 수 있다. 그러한 모델들은 이에 제한되지는 않지만, 사용자들의 선호들을 나타내는 사용자 선호 모델들, 사용자와 연관된 환경 파라미터들을 고려하는 사용자 상황 정보 모델들, 또는 사용자에 의해 제공되거나, 사용자와 연관된 정보를 고려하는 함축적 모델들 중 임의의 명백한 모델들을 포함한다. 도 2에 도시된 바와 같이, 각각의 유틸리티 모델은 또한 각각의 모델에 의해 사용될 적절한 데이터를 저장하는 연관 데이터베이스를 포함할 수 있다.

세트 생성기(220)는 유틸리티 모델들의 세트 및 연관된 연관 데이터베이스들을 선택한다. 예를 들면, 평가 데이터베이스는 협업적 필터링 모델과 연관될 수 있는 반면, 비용 함수 데이터베이스는 사용자 선호 모델과 연관될 수 있다. 또한, 콘텐트 선호 데이터베이스는 웹 검색 또는 이메일 키워드들과 같은, 사용자의 과거 행동들의 콘텐트들에 기초하여 아이템의 평가를 평가하는 콘텐트-선호 유틸리티 모델과 연관될 수 있다.

세트 생성기(220)는 규칙 엔진(230)에 의해 특정된 가중 함수를 이용하는 미리 결정된 공식을 이용함으로써 아이템에 대한 가중된 평가들을 생성한다. 이어서, 통신 모듈(280)은 아이템에 대한 예측된 평가를 리턴한다.

도 3은 본 발명의 일 실시예에 따른 유틸리티 모델들에 기초하여 아이템에 대한 평가들을 계산하는 대표적인 프로세스를 예시하는 흐름도를 나타낸다. 동작 동안, 질의 모듈은 평가되지 않은 아이템에 대한 질의를 수신한다(동작 310). 그 후 규칙 엔진은 사용자 상황 모듈로 확인하고 질의 엔티티에 대한 상황 및/또는 사용자 선호 정보를 검색한다(동작 320). 그러한 정보의 검색 후에, 규칙 엔진은 유틸리티 모델 데이터베이스로부터 유틸리티 모델들의 서브셋을 선택하고 선택된 유틸리티 모델들의 가중 함수를 구성한다(동작 330). 일 실시예에서, 선택된 유틸리티 모델들의 가중 함수뿐만 아니라 유틸리티 모델들의 서브셋의 선택은 질의 기반으로 사용자 상황 모듈로부터 검색된 상황 및 선호 정보에 기초하여 동적으로 결정된다.

또한, 규칙 엔진은 추천된 아이템들에 대한 사용자의 실제 선택을 관찰함으로써 어떤 유틸리티 모델들이 주어진 상황에서 사용자에게 가장 적절한 지를 시간에 걸쳐 학습할 수 있다. 평가들을 생성하기 위해 사용된 가중 함수와 사용자에 의해 이루어진 결정을 연관시킴으로써, 규칙 엔진의 학습 메커니즘은 각각의 유틸리티 모델의 가중을 동적으로 조정할 수 있다.

동작 340에서, 세트 생성기는 규칙 엔진에 의해 특정된 가중 함수를 이용함으로써 아이템에 대한 전체 평가를 계산한다. 미리 결정된 규칙들의 세트는 모델들의 서브셋이 어떻게 결합될 수 있는지를 결정한다. 가장 높은 평가를 갖는 아이템들을 포함한 응답은 동작 350에서 통신 모듈을 통해 질의 엔티티로 리턴된다.

도 4는 본 발명의 일 실시예에 따른 규칙 엔진 및 세트 생성기의 동작들의 대표적인 시퀀스를 예시하는 흐름도를 나타낸다. 동작 동안, 규칙 엔진은 질의에 나타낸 아이템의 유형에 따라 가중 함수를 구성하기 위해 유틸리티 모델들의 특정 서브셋을 선택하도록 구성될 수 있다. 그것은 또한 질의 엔티티에 대한 상황 및 선호 정보를 이용하여 가중 함수의 요소들을 선택하기 위해 통계적 방법들 또는 휴리스틱스들을 이용할 수 있다(동작 410). 일 실시예에서, 규칙 엔진은 가중 함수를 구성하기 위해 베이시안 네트워크(Bayesian network) 또는 지수형 회귀(logistic regression)를 이용할 수 있다.

일 실시예에서, 규칙 엔진은 사용자의 행동들을 관찰하고 가중 함수의 요소들을 적응적으로 선택한다. 예를 들면, 사용자는 특정한 경우를 위한 활동에 대한 제안을 위해 질의를 제시할 수 있다. 그 경우에 대한 정보에 기초하여, 규칙 엔진은 두 개의 유틸리티 모델들, 즉 협업적 필터링 모델 및 소프트 질의 모델을 선택한다. 협업적 필터링 모델이 사람들의 그룹의 선호들을 취함으로써 상이한 활동들의 평가들을 계산하는 반면, 소프트 질의 모델은 사용자에 의해 제공된 선호들에 기초하여 상이한 활동들의 평가들을 계산한다.

동작 420에서, 규칙 엔진은 질의와 연관된 상황 정보를 이용함으로써 각각의 유틸리티 모델의 가중을 결정한다. 예를 들면, 질의가 사람들의 그룹에 대한 활동에 관한 것이라면, 규칙 엔진은 협업적 필터링 모델에 보다 높은 가중치를 할당할 수 있다. 그러나, 만약 질의가 개개인을 위한 활동에 관한 것이라면, 규칙 엔진은 소프트 질의 모델에 보다 높은 가중치를 할당할 수 있다.

동작 430에서, 두 개의 유틸리티 모델들의 가중 함수는, 계산적이고 통계적인 방법들에 의해 데이터로부터 정보를 자동으로 추출하는, 기계 학습 메커니즘을 이용하여 구성된다. 세트 생성기는 선택된 유틸리티 모델들을 개별적으로 이용하여 아이템에 대한 상이한 평가들을 생성한다. 이어서, 가중된 평가는 각각의 유틸리티 모델에 대응하는 평가들을 결합함으로써 계산된다.

도 5는 본 발명의 일 실시예에 따른 애드혹, 동적 모델 구성을 용이하게 하는 대표적인 컴퓨터 기반 추천기 시스템을 예시한다. 컴퓨터 및 통신 시스템(500)은 프로세서(510), 메모리(520), 저장 디바이스(530), 및 통신 모듈(540)을 포함한다. 저장 디바이스(530)는 질의 모듈(532), 사용자 상황 모듈(536)을 포함한 규칙 엔진(532), 세트 생성기(538), 및 유틸리티 모델 데이터베이스(540)를 포함하는, 애플리케이션들을 저장한다. 동작 동안, 유틸리티 모델 데이터베이스(540)를 제외한 모든 애플리케이션들은 저장 디바이스(530)로부터 메모리(520)로 로딩되고, 그 후 프로세서(510)에 의해 실행된다. 애플리케이션들을 실행하는 동안, 프로세서(510)는 상술된 하나 이상의 함수들을 수행한다.

도 1은 종래의 단일 모델 추천기 시스템의 구조도를 예시한 도면.

도 2는 본 발명의 일 실시예에 따라 애드혹, 동적 모델 구성을 용이하게 하는 추천기 시스템에 대한 대표적인 구조를 예시한 도면.

도 3은 본 발명의 일 실시예에 따른 유틸리티 모델들에 기초하여 아이템들에 대한 평가들을 계산하는 대표적인 프로세스를 예시한 흐름도를 나타낸 도면.

도 4는 본 발명의 일 실시예에 따른 규칙 엔진 및 세트 생성기의 동작들의 대표적인 시퀀스를 예시한 흐름도를 나타낸 도면.

도 5는 본 발명의 일 실시예에 따른 애드혹, 동적 모델 구성을 용이하게 하는 대표적인 컴퓨터 기반 추천기 시스템을 예시한 도면.

Claims (4)

1. 의사 결정 프로세스를 용이하게 하기 위해 유틸리티 모델들의 세트를 적응적으로 결합함으로써 아이템의 추천을 생성하기 위한 추천기 시스템에 있어서,

   상기 유틸리티 모델들의 세트를 포함하는 유틸리티 모델 데이터베이스;

   질의 엔티티로부터 상기 아이템에 대한 질의를 수신하기 위한 질의 모듈;

   규칙 엔진으로서,

   상기 아이템에 적용될 하나 이상의 유틸리티 모델들을 특정하고,

   각각의 유틸리티 모델의 가중치(weight)를 결정하고,

   결정된 가중치에 기초하여 유틸리티 모델들의 가중 함수를 특정하는, 상기 규칙 엔진;

   세트 생성기로서,

   상기 아이템에 대해 각각의 유틸리티 모델을 적용함으로써 평가들의 세트를 계산하고,

   상기 가중 함수에 기초하여 상기 아이템에 대한 전체 평가를 생성하는, 상기 세트 생성기; 및

   상기 전체 평가를 리턴하기 위한 통신 모듈을 포함하고,

   상기 규칙 엔진은 상기 질의 엔티티와 연관된 상황 정보(contextual information) 및/또는 선호 정보를 수신하기 위한 사용자 상황 모듈을 포함하고,

   상기 상황 정보는,

   현재 시각;

   현재 기후 조건;

   상기 질의 엔티티와 연관된 위치;

   상기 질의 엔티티와 연관된 움직임;

   사용자의 과거, 현재, 및/또는 미래 스케줄을 반영한 달력 엔트리;

   하나 이상의 사용자들이 관심들 및/또는 계획들을 논의하는, 이메일들 및 인스턴트 메시지들 중 적어도 하나로부터 추출된 텍스트로 이루어진 메시징 데이터의 세트; 및

   사용자가 액세스한 다른 소스들 또는 웹 페이지들로부터 추출된, 상기 사용자의 관심들 및/또는 취향들을 반영하는, 콘텐트를 포함하는 판독 히스토리 중 적어도 하나를 포함하는, 추천기 시스템.
2. 삭제
3. 삭제
4. 제 1 항에 있어서,

   상기 규칙 엔진은 사용자 상황 모듈에 의해 수신된 상황 정보 및/또는 선호 정보에 기초하여 유틸리티 모델들의 서브셋을 선택하는, 추천기 시스템.

Images