์ต๊ทผ์ ์๋์ง๋ง ์ถ์ฒ ์์คํ ์์๋ user behavior or feedback ์ ๋ํ ์ ๊ตํ๊ณ ๋ค์ํ feature์ ์ํธ์์ฉ์ ํ์ตํ๊ธฐ ์ํด์ DeepFM๊ณผ Wide & Deep๊ณผ ๊ฐ์ ๋ชจ๋ธ์ด ์ ์๋์์ต๋๋ค. ํด๋น ๋ชจ๋ธ๋ค์ ํต์ฌ์ feature๊ฐ์ ์๋ฏธ์๋ latent vector๋ฅผ ์ฐพ๊ฑฐ๋ cross-product์ ์๋ํ๋ฅผ feature engineering๋ฅผ ์ ์ฉํจ์ผ๋ก์จ ๊ธฐ์กด์ ์ ๋ ฅ์ด์๋ user์ rating๊ณผ์ ๊ด๊ณ ์ด์์ ํ์ต์ ๋๋ค.
ํ๋ํ๊ณ ์๋ ๋์๋ฆฌ์ ์ปจํผ๋ฐ์ค์ ์์ธ ์ถ์ฒ ํ๋ก์ ํธ์์ ๋ค์ํ ๋ชจ๋ธ์ ์คํํ๋ ๊ณผ์ ์์ DCN์ด๋ ๋ชจ๋ธ์ ์๊ฒ ๋์๊ณ ์ ์ฉํ๊ฒ ๋์์ต๋๋ค. DCN, Deep Cross Network ๋ํ feature๊ฐ์ ์ํธ์์ฉ์ ์ด์ ์ ๋ง์ถ ๋ชจ๋ธ์ด๋ฉฐ cross-product๋ฅผ ๋ช ์์ ์ด๊ณ ํจ๊ณผ์ ์ผ๋ก ํ์ตํ๋๋ก ์ค๊ณ๋์์ต๋๋ค.
๋ณธ๋ CTR(ํด๋ฆญ๋ฅ )์ ์ํ ๋ชจ๋ธ์ธ DCN์ด์ง๋ง ์งํํ๋ ์์ธ ์ถ์ฒ ํ๋ก์ ํธ์์๋ ์์ธ ์ ํธ๋(0/1)๋ฅผ ์์ธกํจ์ ์์ด ํด๋น ๋ชจ๋ธ์ ์ ์ฉํ๊ฒ ๋์๊ณ ์ด๋ฅผ ์ํด ๋ ผ๋ฌธ์ ์ ๋ฆฌํ๊ฒ ๋์์ต๋๋ค.
ํด๋น ํ๋ก์ ํธ์ ๋ํด์๋ github๊ณผ ๋ฐํ์์์์ ํ์ธํด ๋ณผ ์ ์์ต๋๋ค.
Feature engineering ๋ง์ ์์ธก ๋ชจ๋ธ์์ ์ค์ํ ๊ณผ์ ๋ฐ ์ญํ ์ ํ๊ณ ์์ง๋ง, ๋ณต์กํ๊ณ ์ง์ ํ๋ํ๋ ์งํํด์ผ ํ๋ค๋ exhaustive search์ ๊ฐ์ ๊ณผ์ ์ ๊ฑฐ์ณ์ผ ํ๋ค๋ ๋จ์ ์ด ์์ต๋๋ค.
๋ฅ๋ฌ๋ ๋ชจ๋ธ์ ํ์ตํ๋ ๊ณผ์ ์ ์์ด, feature ๊ฐ์ interaction์ด implicitํ๊ฒ ๋ฐ์๋๊ธฐ๋ ํ์ง๋ง feature cross๋ฅผ ํจ๊ณผ์ ์ผ๋ก ํ์ตํ๋ ๊ฒ์ ์์ด์๋ ๋ฌด๋ฆฌ๊ฐ ์๋ค๊ณ ํฉ๋๋ค.
์ด๋ฒ ๋ ผ๋ฌธ์์๋ ์ถ์ฒ ์์คํ ์ ์ฑ๊ณต์ ์ธ ์ฑ๋ฅ์ ์ํ ํจ๊ณผ์ ์ธ feature cross์ ํ์ต์ ๊ฐ๋ฅํ๊ฒ ํด์ฃผ๋ ๋ฅ๋ฌ๋ ๊ธฐ๋ฐ์ Deep & Cross Network, DCN ๋ชจ๋ธ์ ์๊ฐํ ์์ ์ ๋๋ค.
๊ทธ๋ฌ๋ ๋ณดํต ๋ชจ๋ธ์ ์ฌ์ฉ๋๋ feature๋ ๋งค์ฐ sparse and largeํ๊ธฐ ๋๋ฌธ์, ํจ๊ณผ์ ์ธ cross๋ฅผ ์กฐํฉํ์ฌ ์๋ฏธ์๋ feature cross๋ฅผ ์ฐพ๋ ๊ณผ์ ์ exhaustive search(์์ ํ์)์ ์๊ตฌํ๊ฒ ๋๋ฉฐ ๋น์ฐํ ๋นํจ์จ์ ์ด๊ฒ ๋ฉ๋๋ค.
Deep & Cross Network, DCN์ feature interaction(feature๊ฐ ์ํธ์์ฉ)์ ์๋์ ์ผ๋ก ๊ทธ๋ฆฌ๊ณ ํจ์จ์ ์ผ๋ก ๊ฐ๋ฅํ๊ฒ ํด์ฃผ๋ ๊ตฌ์กฐ๋ฅผ ์ ์ํ์์ต๋๋ค.(2017, Deep & Cross Network for Ad Click Predictions)
๊ทธ๋ฌ๋ ๋ฐฉ๋ํ ํ์ต ๋ฐ์ดํฐ์ ๋ชจ๋ธ ์๋น ๊ด์ ์์ ๊ณผ๊ฑฐ 2017๋ DCN์ feature interaction์ ํ์ตํจ์ ์์ด ํ๊ณ์ ์ ๋ณด์ด๊ธฐ๋ ํ์ต๋๋ค.
์์ง๊น์ง๋ ๋ชจ๋ธ production ๊ณผ์ ์์ ๋ง์ DNN ๋ชจ๋ธ๋ค์ ์ฌ์ ํ ์ ํต์ ์ธ feed-forward neural network์ ์์กดํ๊ณ ์์ผ๋ฉฐ, ์ด๋ feature cross์ ์์ด ์กฐ๊ธ ๋นํจ์จ์ ์ด๋ผ๊ณ ๋งํ ์ ์์ต๋๋ค.
๊ฒฐ๋ก ์ ์ผ๋ก 2020๋ ์ ๋ฐํ๋ DCN ๋ ผ๋ฌธ์์๋ ๋ฐฉ๋ํ ๋ฐ์ดํฐ ํ๊ฒฝ์ large scale์์ ์ ์ฉ๊ฐ๋ฅํ DCN-Version 2๋ฅผ ์ ์ํ๊ฒ ๋์์ต๋๋ค.
DCN-V2๋ feature interaction์ ํ์ตํจ์ ์์ด ์ฌ์ ํ ๋นํจ์จ์ ์ธ cost ๋ฌธ์ ๊ฐ ๋จ์์๊ธฐ๋ ํ์ง๋ง ๋๋ถ๋ถ์ ๋ํ์ ์ธ dataset์์ SOTA์ ์ฑ๋ฅ์ ๋ณด์์ต๋๋ค.
Learning to rank, LTR ์ ๋ฐฉ๋ํ ๋ฐ์ดํฐ์ ์ ๋ณด๊ฐ ๋์ณํ๋ฅด๋ ํ๋์์ ์ ๋ณด๊ฒ์ ๋ถ์ผ์ ์์ด ๊ต์ฅํ ํฅ๋ฏธ๋ก์ด ๊ณผ์ ๋ก ๋ฐ์ ํ ์ ์์๊ณ ๊ฒ์ ๋ถ์ผ, ์ถ์ฒ ์์คํ , ๊ด๊ณ ๋ถ์ผ์์ ๋จธ์ ๋ฌ๋๊ณผ ๋ฅ๋ฌ๋์ด ๊ฒฐํฉ๋๋ฉด์ ๋์ฑ ๊ด๋ฒ์ํ๊ฒ ๋ฐ์ ํ๊ณ ์๋ ๋ถ์ผ๊ฐ ๋๊ณ ์์ต๋๋ค.
ํจ๊ณผ์ ์ธ feature crosses๋ ๋ง์ ๋ชจ๋ธ์ ๋์ ์ฑ๋ฅ์ ์์ด ๊ต์ฅํ ์ค์ํ ์ด์ ๋ผ๊ณ ํ ์ ์๋๋ฐ, ๊ทธ ์ด์ ๋ ๊ฐ๋ณ feature๊ฐ ๋ชจ๋ธ์ ์ ๋ฌํ๋ ์ํฅ ์ด์ธ์ ์ถ๊ฐ์ ์ธ ์ํธ์์ฉ ์ ๋ณด๊ฐ ํฌํจ๋์ด ์๊ธฐ ๋๋ฌธ์ ๋๋ค.
์๋ฅผ ๋ค์ด 'country'์ 'language'์ ์กฐํฉ์ ๊ฐ feature๊ฐ ์ ๋ฌํ๋ ๊ธฐ๋ฅ ์ด์์ ์ ๋ณด๋ฅผ ์ ๋ฌํ ์ ์๋ค๊ณ ํฉ๋๋ค. (ํ๋ฒ์ ์ดํด๊ฐ ๊ฐ์ง๋ ์์ต๋๋ค..)
์ถ๊ฐ์ ์ธ ์๋ก๋, ๋ฏน์๊ธฐ๋ฅผ ๊ณ ๊ฐ์๊ฒ ์ถ์ฒํ๋ ๋ชจ๋ธ์ ์ค๊ณํ๋ ค ํ ๋, ๋ฐ๋๋์ ์๋ฆฌ์ฑ ๊ตฌ๋งค ์ฌ๋ถ์ ๋ํ ๊ฐ feature๋ ๊ฐ๋ณ์ ์ธ ์ ๋ณด๋ฅผ ์ ๋ฌํด์ค ์๋ ์์ง๋ง ๋ฐ๋๋์ ์๋ฆฌ์ฑ ๊ตฌ๋งค ์ฌ๋ถ์ ๋ํ feature cross๋ ๊ณ ๊ฐ์ด ๋ฏน์๊ธฐ๋ฅผ ๊ตฌ๋งคํจ์ ์์ด ๋ณด๋ค ์ถ๊ฐ์ ์ธ ์ ๋ณด๋ฅผ ์ ๋ฌํด ์ค ์ ์์ต๋๋ค.
์ ํ ๋ชจ๋ธ์์๋ ๋ณดํต hand-craft๊ฐ ์๊ตฌ๋๋ feature engineering์ ํตํด feature crosses๋ฅผ ์งํํ๊ณ ๋ชจ๋ธ์ expressiveness๋ฅผ ํ๋ํ๊ฒ ๋ฉ๋๋ค.
๋ํ ๋๋ถ๋ถ์ ๋ฐ์ดํฐ๊ฐ categoricalํ web-scale applications ์์์๋ large and sparse์ ํน์ง์ธ combinatorial search space(์๋ง์ ์กฐํฉ)๋ฅผ ์๋ฐํ๊ธฐ ๋๋ฌธ์ exhaustive ํฉ๋๋ค.(๋นํจ์จ์ , ์ค๋๊ฑธ๋ฆฌ๋....)
๊ทธ๋ ๊ธฐ ๋๋ฌธ์ ๋ณดํต domain ์ง์์ด ์๊ตฌ๋๊ณ ๋ชจ๋ธ์ generalize ํ๊ฒ ์ค๊ณํ๊ธฐ ๊ต์ฅํ ์ด๋ ต์ต๋๋ค.
์๊ฐ์ด ์ง๋๋ฉด์, ๊ณ ์ฐจ์ ๋ฒกํฐ๋ฅผ ์ ์ฐจ์ ๋ฒกํฐ๋ก ํฌ์ํ๋ ์๋ฒ ๋ฉ ๊ธฐ์ ์ด ๋ฐ์ ํ๊ฒ ๋๋ฉด์ ๋ค์ํ ๋ถ์ผ์์ ์ผ๋ฐ์ ์ผ๋ก ์ฌ์ฉํ๊ฒ ๋์์ต๋๋ค.
Factorization Machines(FMs)์ 2๊ฐ์ latent vectors(์ ์ฌ ๋ณ์)์ ๋ด์ ์ ํตํด feature interactions์ ๋ฝ์๋ด๊ธฐ๋ ํ์ต๋๋ค.
์ง๋ ๋ช ์ญ๋ ๊ฐ, ์ปดํจํ ํ์์ ๋ฐ์ดํฐ์ ํญ๋ฐ์ ์ฆ๊ฐ๋ก, ์ฐ์ ์์ LTR ๋ชจ๋ธ์ linear model๊ณผ FM-๊ธฐ๋ฐ ๋ชจ๋ธ์์ ๋ฅ๋ฌ๋ ๋ชจ๋ธ๋ก ์ ์ง์ ์ผ๋ก ๋ณํํ๊ณ ์์ผ๋ฉฐ, ์ด๋ฌํ ๋ณํ ๋ฐ ๋ฐ์ ์ ์ถ์ฒ ์์คํ ๊ณผ ๊ฒ์ ๋ถ์ผ์ ์ ๋ฐ์ ์ธ ๋ชจ๋ธ ํฅ์์ ์ผ๊ถ๋์ต๋๋ค.
ํจ๊ณผ์ ์ธ feature crosses๋ฅผ ์ฐพ๊ธฐ ์ํ ๋ณด๋ค ์ ํํ๊ณ ํต์์ ์ธ ํด๊ฒฐ์ฑ ์ผ๋ก๋ widerํ๊ณ deeperํ Network๋ฅผ ํตํด model capacity๋ฅผ ์ฆ๊ฐ์ํค๋ ๊ฒ์ ๋๋ค.
DCN ๋ํ widerํ๊ณ deeperํ Network๋ฅผ ๊ธฐ๋ฐ์ผ๋ก feature cross๋ฅผ ์ ์ฉํ๋ ๊ฒ์๋ ํจ๊ณผ์ ์ด์์ง๋ง, large-scale ํ๊ฒฝ์์์ production ๊ณผ์ ์์๋ ๊ต์ฅํ ๋ง์ ์ด๋ ค์์ ๋ง์ฃผ์ณค์ต๋๋ค.
๊ทธ๋์ 2017๋ ์ ๊ฑธ์ณ 2020๋ ์ ๋ฐํํ DCV-V2 ์์๋ ๊ธฐ์กด DCN์ ๊ฐ์ ํ๊ฒ ๋์์ผ๋ฉฐ, ์ด๋ฏธ ์คํ๋ค์ ํตํด learning to rank ์์คํ ์ ์ฑ๊ณต์ ์ผ๋ก ๋ฐฐํฌํ์์ต๋๋ค.
์ต๊ทผ์ feature interaction์ ํ์ตํ๋ ํต์ฌ ์์ด๋์ด๋ ๋ฅ๋ฌ๋์ ํตํด explicit, implicit feature crosses๋ฅผ ๋ชจ๋ ๋ฝ์๋ด๋ ๊ฒ์ด์์ต๋๋ค.
explicit crosses๋ฅผ ๋ชจ๋ธ๋งํ๊ธฐ ์ํด์ ๋๋ถ๋ถ์ ์ต๊ทผ ์ฐ๊ตฌ๋ค์ ๋ฅ๋ฌ๋์์ ๋นํจ์จ์ ์ธ multiplicative operations(๊ณฑ์ )์ ์ ์ํ์ผ๋ฉฐ, feature x1๊ณผ x2์ interaction์ ํจ๊ณผ์ ์ด๊ณ ๋ช ๋ฐฑํ๊ฒ ๋ชจ๋ธ๋งํ๊ธฐ ์ํด function f(x1, x2)๋ฅผ ์ค๊ณํ์์ต๋๋ค.
๋ค์์ ์ด๋ป๊ฒ explicit, implicit ํ feature crosses๋ฅผ ์กฐํฉํ๊ธฐ ์ํด ์ ์ํ๋ ์ฐ๊ตฌ ๋ฐฉ๋ฒ๋ก ๋ค์ ๋ํด ์์๋ณด๊ฒ ์ต๋๋ค.
Parallel Structure
Wide ๋ถ๋ถ์ raw feature์ cross๋ฅผ ์ ๋ ฅ์ผ๋ก ํ๊ณ Deep ๋ถ๋ถ์ DNN ๋ชจ๋ธ์ธ Wide & Deep model์ผ๋ก ๋ถํฐ ์๊ฐ์ ์ป์ด ํ๋ฒ์ Parallel(๋ณ๋ ฌ์ )์ผ๋ก ํ์ตํ๋ ๊ตฌ์กฐ์
๊ทธ๋ฌ๋ Wide ๋ถ๋ถ์ ์ํ cross features๋ฅผ ์ ๋ณํ๋ ๊ณผ์ ์์ feature engineering ๋ฌธ์ ๋ฅผ ๋ง๋๊ฒ ๋จ
๊ทธ๋ผ์๋ ๋ถ๊ตฌํ๊ณ Wide & Deep model์ ์ด๋ฌํ parallelํ ๊ตฌ์กฐ๊ฐ ๋ง์ ์ฐ๊ตฌ์ ์ฐจ์ฉ๋์๊ณ ๋ฐ์ ๋๊ณ ์์
Stacked Structure
๋ ํ๋์ ์ฐ๊ตฌ๋ explicitํ feature crosses๋ฅผ ๋ฝ์๋ด๋ interaction layer๋ฅผ ์๋ฒ ๋ฉ layer์ DNN ๋ชจ๋ธ ์ค๊ฐ์ ์์น๋์ด ์๋ stacked(์์ฌ ์๋)์ผ๋ก ํ์ตํ๋ ๊ตฌ์กฐ์
์ด ๊ตฌ์กฐ๋ ์ด๋ฐ์ feature interaction์ ๋ฝ์๋ด๊ณ DNN ๋ชจ๋ธ์์ ์ถฉ๋ถํ ํ์ต์ ์งํํ๊ฒ ๋จ
์ด๋ฒ ๋ชฉ์ฐจ์์๋ explicit, implicit feature interactions๋ฅผ ๋ชจ๋ ํ์ตํ๋ ์๋ก์ด ๋ชจ๋ธ์ธ DCN-V2์ ๊ตฌ์กฐ์ ๋ํด์ ๋ค๋ฃจ๊ฒ ๋ฉ๋๋ค.
DCN-V2๋ embedding layer๋ฅผ ์์์ผ๋ก explicit feature interaction์ ๋ฝ์๋ด๋ ๋ณต์์ cross layer๋ฅผ ํฌํจํ๋ cross network, ๊ทธ๋ฆฌ๊ณ implicit feature interactions๋ฅผ ๋ฝ์๋ด๋ deep network๋ก ๊ตฌ์ฑ๋์ด ์์ต๋๋ค.
๊ธฐ์กด DCN์ ๋นํด DCN-V2๊ฐ ๊ฐ์ ๋ ์ ์ ์ฌ์ด ๋ฐฐํฌ๋ฅผ ์ํด elegant formula๋ฅผ ์ ์งํจ์๋ ๋ถ๊ตฌํ๊ณ web-scale production data ๊ด์ ์์ ๋ณต์กํ explicit cross๋ฅผ ๋ชจ๋ธ๋งํจ์ผ๋ก์จ ํ๋ถํ ํํ๋ ฅ์ ๊ฐ์ง๊ฒ ๋์๊ณ production ๊ณผ์ ์ ๋ณด๋ค ์ต์ ํ ๋์ด ์๋ค๊ณ ํฉ๋๋ค.
cross network์ deep network๋ฅผ ๊ฒฐํฉํ๋ ๋ฐฉ์์ ์ฐจ์ด๋ก stacked๊ณผ parallelํ 2๊ฐ์ง ๊ตฌ์กฐ๊ฐ ์กด์ฌํฉ๋๋ค.
embedding layer์๋ categorical๊ณผ dense feature๊ฐ ์ ๋ ฅ์ผ๋ก ๋ค์ด๊ฐ๊ฒ ๋ฉ๋๋ค.
์ต์ข embedded vector์ categorical features์ ์๋ฒ ๋ฉ๊ณผ dense features์ ์ ๊ทํ๋ ๊ฐ์ด concat๋์ด ์ถ๋ ฅ๋ฉ๋๋ค.
DCN-V2์ ํต์ฌ์ explicit feature crosses๋ฅผ ๋ฝ์๋ด๋ cross layer์ ์์ผ๋ฉฐ, layer๊ฐ ๊ฐ์ง๋ ์์์ ๋ค์๊ณผ ๊ฐ์ด ํ์ธํ ์ ์์ต๋๋ค.
์ ๊ธฐ๋ณธ feature๋ฅผ ์๋ฏธํ๋ embedding layer์ ์ถ๋ ฅ ๋ฒกํฐ๋ผ๊ณ ์๊ฐํ ์ ์์ต๋๋ค.
์ ๋ฐ๋ณต์ ์ผ๋ก ๊ณ์ฐ๋๋ ๊ฐ layer์ ์ ๋ ฅ ๋ฐ ์ถ๋ ฅ ๋ฒกํฐ๋ฅผ ์๋ฏธํ๋ฉฐ ๋ ๊ฐ layer์์ ํ์ต๋๋ weight์ bias ๋ฒกํฐ์ ๋๋ค.
๊ฐ layer์์ ๋ฐ์ํ๋ cross layer function์ ์๊ฐํํ์ฌ ํํํ๋ฉด ๋ค์๊ณผ ๊ฐ์ด ์ดํดํ ์ ์์ต๋๋ค.
๊ฐ layer์ ์ ๋ ฅ์ธ ์ ๋๊ฐ์ด weight์ bias๋ก linear ๊ณ์ฐ์ด ์ด๋ค์ง๊ฒ ๋ ๋ค์, embedding layer์ ์ถ๋ ฅ์ธ ์ element-wise product ํด์ค์ผ๋ก์จ feature๊ฐ interaction์ด ๋ฐ๋ณต์ ์ผ๋ก ๊ณ์ฐ๋ฉ๋๋ค.
์ฒซ๋ฒ์งธ cross layer์ ๊ณ์ฐ ๊ณผ์ ์, ๊ฐ linear ๊ณ์ฐ์ ํต๊ณผํ ๊ฒฐ๊ณผ์ ๊ฐ element-wise product๋๋ฉด์ update๋๋ weight๊ฐ ๊ธฐ์กด feature๊ฐ์ interaction ์ ๋ณด๋ฅผ ๋ด๊ณ ์๋ค๊ณ ํ ์ ์์ต๋๋ค.
x_0 = [v1, v2, v3] # feature embedding vector
W = [[w11, w12, w13],
[w21, w22, w23],
[w31, W32, W33]]
x_1 = [[W11*V1*V1, W12*V1*V2, W13*V1*V3],
[W21*V2*V1, W22*V2*V2, W23*V2*V3],
[W31*V3*V1, W32*V3*V2, W33*V3*V3]]
ํด๋น heatmap์ ์ฒซ๋ฒ์งธ cross layer๊ฐ ๊ฐ์ง๊ณ ์๋ weight๋ฅผ ์๊ฐํํ ๊ฒ์ด๋ฉฐ, ๊ฐ weight๊ฐ feature๊ฐ์ 2์ฐจ์ ์กฐํฉ์ ๊ธฐ๋ฐ์ผ๋ก update๋จ์ ์ ์ ์์ต๋๋ค.
์ด ๋, weight๊ฐ ๋ ๋์์๋ก ํด๋น feature ์กฐํฉ์ด ํด๋น ๋ชจ๋ธ์ ๊ฒฐ๊ณผ๋ฅผ ์์ธกํ๋ ๊ฒ์ ์์ด ๊ฐํ ์ํธ์์ฉ์ ์๋ฏธํ๋ค๊ณ ํด์ํ ์ ์์ต๋๋ค.
์ ์ ์ธ๊ธํ๋ฏ์ด, cross network์ deep network๋ฅผ ๊ฒฐํฉํ๋ ๋ฐฉ์์ ์ฐจ์ด๋ก Stacked Structure๊ณผ Parallel Structure๋ก ๊ตฌ๋ถํ ์ ์์ผ๋ฉฐ, ๋ฐ์ดํฐ์ ๋ฐ๋ผ์ ์ฑ๋ฅ์ ์ฐจ์ด๋ฅผ ๋ณด์ธ๋ค๊ณ ํฉ๋๋ค.
Stacked Structure์ ๊ฐ cross network๋ฅผ ํต๊ณผํ ํ์ deep network๋ฅผ ํต๊ณผํ๋ ๊ตฌ์กฐ์ ๋๋ค.
โ๏ธLog Loss ์ค๋ช : ์ถ์ฒ - [๋ฐ์ด์ฝ ํ๊ฐ์ฐ์] log loss์ ๋ํด ์์๋ณด์, ๋ฐ์ด์ฝ