[논문]Textile 기반의 협력적 필터링 개인화 기술을 이용한 패션 디자인 추천 시스템 개발

정경용; 나영주; 이정현

Textile 기반의 협력적 필터링 개인화 기술을 이용한 패션 디자인 추천 시스템 개발
Development of Fashion Design Recommender System using Textile based Collaborative Filtering Personalization Technique 원문보기

정보과학회논문지. Journal of KISS : Computing practices. 컴퓨팅의 실제, v.9 no.5, 2003년, pp.541 - 550

정경용 (인하대학교 전자계산공학과) , 나영주 (인하대학교 의류학과) , 이정현 (인하대학교 컴퓨터공학부)

초록
AI-Helper

소재 개발의 프로세스가 고객 중심으로 다변화 되어가는 생활 환경 속에서 소비자의 감성과 선호도를 파악하는 것은 제품 판매 전략의 중요한 성공요소가 되고 있다. 본 연구에서는 사용자의 감성과 선호도를 중심으로 소재를 개발하는 방법의 하나로 협력적 필터링 개인화 기법을 응용하여 패션 디자인 추천 시스템(FDRS)을 제안한다. Textile 기반의 협력적 필터링 개인화 기술에서, 사용자들간의 유사도 가중치를 계산하기 위해서 피어슨 상판 계수(Pearson Correlation Coefficient)를 사용한다. 소재에 대한 사용자의 감성이나 선호도에 대한 Textile의 대표 감성 형용사를 추출함으로써 소재 개발을 위한 감성 형용사 데이타베이스를 구축한다. 패션 디자인 추천 시스템(FDRS)은 구축된 감성 형용사 데이타베이스를 기반으로 성향이 비슷한 사용자에게 Textile 디자인을 추천한다. 패션 디자인 추천 시스템으로 개발하여 시스템의 논리적 타당성과 유효성을 검증하기 위해 실험적인 적용을 시도하고자 한다.

Abstract ▼ AI-Helper

It is important for the strategy of product sales to investigate the consumer's sensitivity and preference degree in the environment that the process of material development has been changed focusing on the consumer renter. In the present study, we propose the Fashion Design Recommender System (FDRS) of textile design applying collaborative filtering personalization technique as one of methods in the material development centered on consumer's sensibility and preferences. In collaborative filtering personalization technique based on textile, Pearson Correlation Coefficient is used to calculate similarity weights between users. We build the database founded on the sensibility adjective to develop textile designs by extracting the representative sensibility adjective from users' sensibility and preferences about textile designs. FDRS recommends textile designs to a consumer who has a similar propensity about textile. Ultimately, this paper sugeests empirical applications to verify the adequacy and the validity on this system with the development of Fashion Design Recommender System (FDRS)

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

그러나 실제 field에서는 소수의 독특한 감정을 갖는 사용자가 있으며 이들의 요구를 충족시키기에는 불충분한 시스템이다. 따라서 소비자의 감성을 라이프 스타일, 감성, 선호도에 따라 분류를 수행하고 패션 디자인의 요소를 분해, 분석하고 다시 재구성함으로써 이를 데이타베이스화하여 그들의 기호에 맞는 디자인을 추천하는 시스템, 즉 사용자의 요구를 따로 입력 받지 않더라도 사용자의 선호감성을 자동으로 파악하여 디자인을 제시할 수 있는 새로운 개념의 시스템을 개발하고자 한다.
에서 많은 적용이 되고 있다. 본 논문에서 제안한 패션 디자인 추천 시스템을 Textile 기반의 협력적 필터링 기술을 이용하여 Textile을 추천하는 시스템의 프로토다입을 만들고자 한다. 다음 절에 제시된 HULIS와 FAIMSe 인간의 감성과 이미지를 물리적인 디자인 요소로 번역해 감성에 맞는 상품을 설계하는 감성공학을 이용한 시스템들이다.
그 표현도 형용사 등의 제한된 형용사에 의하여 나타나기 때문에 추상적인 사용자의 이미지를 파악하는 것은 어려운 일이다. 본 논문에서는 Textile에 대한 감성 형용사를 추출하는 과정을 통해 일반적인 사용자들의 감성을 파악하는 것이다[8,12] 각각의 Textilee 사용자에 의해서 평가된 감성 형용사의 수치 정보를 가지고 본 논문에서 제안하는 Textile에 대한 감성 형용사를 추출하는 알고리즘은 다음과 같다.
이는 향후에 연구해야 할 과제가 있다[19]. 본 연구에서는 제안한 패션 디자인 추천 시스템을 Textile 기반의 협력적 필터링 기술을 이용하여 웹 기반으로 Textile을 추천하는 시스템의 프로토타입을 만들고자 한다.

가설 설정

순위 스코어 측정은 Textile을 선택할 확률이 목록의 하단으로 갈수록 지수적으로 감소한다는 전제에서 측정된다. 각 Textilee 사용자 선호도의 가중치의 값에 따라 내림차순으로 [에 의해 정렬되어 있다고 가정한다. 식 (5)는 순위가 부여된 Textile의 목록에 대한 사용자 1爲의 순위 스코어 측정에 대한 기대 이용도(Expected utility)를 계산하기 위한 식이다.
방법 [9]을 사용한다. 본 논문에서는 같은 성별 또는 같은 나이를 가진 사람들은 각각의 Textile에 대해서 유사한 선호도를 가진다고 가정한다. 성별과 나이를 유사한 이웃을 찾아 내는데 적용한 이유는 남성과 여성간의 성별 차이 (discrimination between male and female) 와 세대차(generation gap) 를 통해서 Textile의 예측의 정확도를 높이기 위함이다.

제안 방법

원하는 감성이 데이타베이스에서 검색되고 그 다음 이미지 데이타베이스에서 이 감성과 관계있는 디자인이 계산되고, 이 디자인이 그래픽 모듈을 통해 구체적인 그래픽으로 화면에 보여진다. FAIMS-IIe FAIMS-I를 확장한 것으로 여대생의 인체 계측치를 첨가하여 개발되었다. 3군데의 인체계측치를 입력하면 시스템은 그 사람의 체형을 추론하고 영상화한다.
Textilee 상상물(Imaginal), 자연물(Natural), 기하학물 (Geometry), 인공물 (Artificial) 의 4개의 카테고리로 각각 20개의 Textile을 분류하였다. 각각의 카테고리 별로 분류한 기준은 인하대학교 의상 디자인과의 교수들에 의해 분류되었다.
감성 형용사 수집은 형용사 형태로 표현을 하며 사전, 잡지, 문헌 등에서 단어를 추출하는 방법과 상품을 디자인하는 디자이너들이 사용하는 단어를 직접 모으는 방법을 사용하였다. 감성을 표현하는 형용사 쌍을 각각 선택하도록 해서, 36개의 감성 형용사를 확정하였다.
사용하였다. 감성을 표현하는 형용사 쌍을 각각 선택하도록 해서, 36개의 감성 형용사를 확정하였다. 웹에서 설문조사는 총 60개의 Textile에 대해서 설문하는 사용자들이 느끼는 감성의 정도를 표현한 것이다.
구축하였다. 그리고 Textile 데이타베이스를 사용하여 Textile 기반의 협력적 필터링 기술을 이용한 패션 디자인 추천 시스템을 개발하였다. 본 연구는 2001년도 학술진흥재단 연구비 (KRF -2001-041- D00296)로 수행하였다.
본 논문에서는 패션 디자인 추천 시스템(FDRS)의 성능 평가를 하기 위한 실험 방법은 3가지 방법으로 실험을 진행하였다. 첫 번째 방법 (Rep_sen)은 Textile에 대한 대표 감성 형용사를 기반으로 사용자가 입력한 감성 형용사에 따른 Textile을 추천하는 방법이다.
본 논문은 감성 공학적 디자인 추천 시스템을 구축하는 방안을 제시하였고, 웹 기반으로 512명의 사용자들을 대상으로 설문 조사하여 감성 형용사에 대한 Textile 데이타베이스를 구축하였다. 그리고 Textile 데이타베이스를 사용하여 Textile 기반의 협력적 필터링 기술을 이용한 패션 디자인 추천 시스템을 개발하였다.
반감기는 사용자가 평가하거나 방문할 5。-50의 기회가 있는 목록에 있는 Textile의 수이다. 본 논문의 평가에서는 반감기를 5로 사용한다.
사용자가 감성 형용사를 순위별로 입력하는 부분과 입력한 감성 형용사들을 구축된 Textile 데이타베이스에 의해서 3.2절의 Textile에 대한 대표 감성 형용사 추출과 3.4절의 Textile 기반의 협력적 필터링 기술을 이용하여 Textile을 추천하는 부분으로 구성되어 있다. 그림 5는 패션 디자인 추천 시스템에서 감성 형용사를 입력하는 화면이다.
각각의 순위는 1순위(100%), 2순위(50%), 3순위 (15%), 5순위(5%)로 가중치의 값이 구성된다. 사용자가 선택한 감성 형용사에 대해서 표 1에서 제시한 형용사 쌍에 의해 반대 감성 형용사를 제시한다. 제시된 감성형용사와 사용자가 선택한 감성 형용사에 대한 평가 데이타를 입력할 수 있다.
0, Microsoft SQL Server 2000을 사용하여 각 알고리즘을 구현하고 시뮬레이션 하였다. 서버와 클라이언트 모듈로 패션 디자인 추천 시스템을 구성하여 개인적인 정보와 평가 데이타를 이용하여 Textile 기반의 협력적 필터링 기술을 서버에서 처리하도록 구현하였다. 서버와 클라이언트 사이에서 데이타 전송은 협력적 필터링 기술의 결과와 Textile에 대한 이미지가 전송된다.
수집하였다. 설문 데이타를 수집하는 기간은 2002년 1월부터 4월 15일까지 약 3달간 설문조사를 하였으며, 정확한 데이타를 얻기 위해서 추첨을 통하여 선물을 제공하였다. 설문하기 위한 웹 사이트는 인하대학교 컴퓨터공학과 HCI 연구실 서버 (http://HCI.
웹을 이용한 설문을 통해서 소재에 대한 사용자의 감성이나 선호도에 대한 Textile의 대표 감성 형용사를 추출함으로써 소재 개발을 위한 감성 형용사 데이타베이스를 구축한다. 구축된 감성 형용사 데이타베이스를 기반으로 한다.
서버와 클라이언트 사이에서 데이타 전송은 협력적 필터링 기술의 결과와 Textile에 대한 이미지가 전송된다. 즉 Textile에 대한 이미지는 서버에서 전송하는 것으로 서버와 클라이언트 모듈에 파일 전송 부분을 추가하여 구현하였다. 클라이언트 모듈을 사용하는 사용자들이 자신의 PC에서 서버에 접근할 때 Textile에 대한 이미지를 서버로부터 다운받게 된다.
구축된 감성 형용사 데이타베이스를 기반으로 한다. 패션 디자인 추천 시스템은 서버와 클라이언트 모듈로 구성하였다. 사용자가 패션 디자인 추천시스템의 클라이언트 모듈에서 감성 형용사를 입력을 하면 감성이 비슷한 사용자들을 기반으로 Textile 기반의 협력적 필터링 기술[7-10]에 의해 패션 디자인을 서버 모듈에서 추천한다.

대상 데이터

평가 데이타를 수집하였다. 259명의 남자는 75083개의 평가를 하였고, 253명의 여자는 74926개의 평가를 하였다. 그림 8은 Textile에 대한 사용자들이 평가한 데이타의 쌍봉분포를 나타낸 것이다.
Textile에 대한 대표 형용사 추출은 60개의 Textile에 대해서 실험을 진행하였다. Textile에 대한 대표 형용사 추출의 전체 결과 화면은 http://HCI.
실험을 진행하였다. Textile에 대한 대표 형용사 추출의 전체 결과 화면은 http://HCI.inha.ac.kr/sulTDS/ result.htm에 나타내었고, 그림 9는 감성 형용사별 평가데이타의 일부이다.
프로젝트를 진행하기 위해서 인하대학교 컴퓨터공학과 의류디자인학과가 공동 연구를 수행하였다. 본 논문에서 제안한 패션 디자인 추천 시스템은 프로그램 심의 조정 위원회에서 프로그램 저작권 등록⁵⁾을 하였고 현재 비즈니스 모델 특허 출원⁶⁾을 한 상태이다.
본 실험에 사용된 컴퓨터 사양은 PentiumIV1.9GHz, 256MB RAM 환경이며, Visual Studio C++ 6.0, Microsoft SQL Server 2000을 사용하여 각 알고리즘을 구현하고 시뮬레이션 하였다. 서버와 클라이언트 모듈로 패션 디자인 추천 시스템을 구성하여 개인적인 정보와 평가 데이타를 이용하여 Textile 기반의 협력적 필터링 기술을 서버에서 처리하도록 구현하였다.
설문 데이타를 수집하는 기간은 2002년 1월부터 4월 15일까지 약 3달간 설문조사를 하였으며, 정확한 데이타를 얻기 위해서 추첨을 통하여 선물을 제공하였다. 설문하기 위한 웹 사이트는 인하대학교 컴퓨터공학과 HCI 연구실 서버 (http://HCI.inha.ac.kr/ sulTDS)에 구성하였다.
실험 데이타는 웹 기반 설문을 통해 512명의 사용자 (남자 259명, 여자 253명)들에게 설문을 통해서 데이타를 수집하였다. 설문 데이타를 수집하는 기간은 2002년 1월부터 4월 15일까지 약 3달간 설문조사를 하였으며, 정확한 데이타를 얻기 위해서 추첨을 통하여 선물을 제공하였다.
표 1에 제시하였다. 의미분별척도의 형식으로 -2에서 +2까지의 척도(5단계)로 512명의 사용자(남자 259명, 여자 253명)들에게 평가하였다. 감성 형용사에 의한 Textile 데이타베이스는 사용자들이 평가한 평가 데이타, 사용자의 프로파일, Textile에 대한 정보를 구축하였다 [11,12]
이제까지의 과학기술이 제시한 가격과 성능이라는 두 가지 경쟁력을 넘어선 제 3의 경쟁력인 제품을 통한 인간의 감동을 감성공학을 통해 구현하는 것이다. 정부도 감성공학의 필요성을 깨닫고 지난 1995년부터 시작된 정부지원 국가기술선도사업(G7 프로젝트) 중 하나로 '감성요소 기술 개발 과제'를 선정했다[1,2]. 얼마 전부터 우리 주변에는 'Chaos'나 'Fuzzy' 등의 이름을 붙인 가전 제품들이 늘어나고 있다.
패션 디자인 추천 시스템을 개발하기 위해서 웹 기반 설문 조사를 3개월 동안 512명의 사용자들에 의해서 31232개의 평가 데이타를 수집하였다. 259명의 남자는 75083개의 평가를 하였고, 253명의 여자는 74926개의 평가를 하였다.

이론/모형

기존의 협력적 필터링 알고리즘에서 유사한 이웃을 찾아내기 위한 방법으로 Thresholding과 Best-n-Neighborhood을 사용하는 기존의 방법[6, 13] 대신에 성별과 나이를 적용한 Representative Attribute-Neighborhood 방법 [9]을 사용한다. 본 논문에서는 같은 성별 또는 같은 나이를 가진 사람들은 각각의 Textile에 대해서 유사한 선호도를 가진다고 가정한다.
그러므로 시스템이 예측을 할 수 있는 적절한 이웃의 수를 결정하는 것이 무엇보다도 중요하다 [11, 16, 17]. 예측에 사용될 이웃의 수를 결정[13]하기 위해 서 성별과 나이에 의한 Representative AttributeNeighborhood 방법[9]을 사용한다. 기본적으로 협력적필터링 기술의 알고리즘[7, 8, 10, 14, 15]은 4가지 단계를 거쳐 구현, 평가되는데 그 단계는 다음과 같다.
추천의 성능을 평가하기 위해 본 논문에서는 Breese[8]에 의해 제안된 MAE(MeanAbsolute Error)와 순위스코어 측정(Rank scoring metric)을 사용한다[14, 15, 18].

성능/효과

그림 4의 실시간에서 성별과 나이에 의한 Representative Attribute(RA)-Neighborhood를 패션 디자인 추천 시스템(FDRS)에 적용한 성능평가(RA-N적용)를 보면, 미적용한 결과(RA-N미적용)보다 성능이 우수한 것을 확인할 수 있다.
본 논문에서 정의한 성별과 나이 군집을 적용한 Representative Attribute(RA) -Neighborhood 방법을 실시간에 적용하면, 그림 4와 같이 패션 디자인의 추천 시스템의 예측 시간이 향상된다.
사용자가 평가한 횟수를 증가시킴에 따라 TbCF, Rep_sen_TbCF의 성능은 높아지나, Rep_sen를 이용한 방법은 큰 차이가 없음을 나타낸다. 예측의 정확도는 제안한 Textile 에 대한 대표 감성 형용사 추출과 Textile 기반의 협력적 필터링 기술을 병합한 방법(Rep_sen_ TbCF) 이 Rep.
큰 차이가 없음을 나타낸다. 예측의 정확도는 제안한 Textile 에 대한 대표 감성 형용사 추출과 Textile 기반의 협력적 필터링 기술을 병합한 방법(Rep_sen_ TbCF) 이 Rep.sen, TbCF의 방법보다 우세함을 알 수 있다.
나타낸다. 예측의 정확도는 제안한 패션 디자인 추천 시스템이 FAIMST와 FAIMSTI 방법보다 우세함을 알 수 있다. 이는 기능면에서는 비슷하지만 성별과 나이를 적용한 Representative Attribute-Neighborhood 방법을 사용하여 실시간으로 사용자를 군집하고, 성향이 비슷한 사용자에게 Textile 을 추천하기 때문에 제안한 방법(FDRS)이 효과적임을 알 수 있다.
예측의 정확도는 제안한 패션 디자인 추천 시스템이 FAIMST와 FAIMSTI 방법보다 우세함을 알 수 있다. 이는 기능면에서는 비슷하지만 성별과 나이를 적용한 Representative Attribute-Neighborhood 방법을 사용하여 실시간으로 사용자를 군집하고, 성향이 비슷한 사용자에게 Textile 을 추천하기 때문에 제안한 방법(FDRS)이 효과적임을 알 수 있다.
이와 관련지어 디자인 분야에서는 소비자의 감성이 구체적인 Textile의 물리적 특성으로서의 디자인 요소와 어떻게 결부되는가를 파악하여 Textile의 디자인 설계로 추진되어 가는 방향으로의 접근을 시도했으며, 사용자가 어떤 감성을 가지고 있는가를 명확히 하고 그 감성에 부응하는 Textile 기반의 디자인 추천 시스템의 개발을 하였다. 패션 디자인 추천 시스템은 Textile에 대한 대표 감성 형용사를 기반으로 Textile 기반의 협력적 필터링 기술을 의해서 다른 사용자들의 평가 데이타를 기반으로 Textile을 추천하는 방법이 실험을 통하여 성능이 좋은 것을 입증하였다.

후속연구

하지만 감성공학의 도입으로 인한 제품의 선호도 변화라든지, 성공사례 같은 수치적 통계는 아직까지 이루어지지 않고 있다. 본 논문에서 감성공학기법을 활용한 시스템에 대한 체계적인 연구가 필요하며 이의 지속적인 개발 및 발전이 요구되고 있다. 고객의 감성에 대한 분석과 제품에 대한 이미지의 구체적인 파악이 선행되어야 비로소 구체적인 제품형상의 구현이 가능하게 된다.
쉽게 활용하도록 할 것이다. 앞으로 더 연구되어야 할 것은 패션 디자인 추천 시스템을 기반으로 개인화 추천 웹 에이전트를 개발하는 것이다. 이는 실시간으로 추천하는데 있어서 시스템의 자원의 소비를 효과적으로 줄일 수 있는 연구가 필요하다.
향후에 감성 데이타베이스에서 추출된 데이타와 클라이언트 모듈은 Setup 파일로 만들어 감성연구원에게 배포하여 쉽게 활용하도록 할 것이다. 앞으로 더 연구되어야 할 것은 패션 디자인 추천 시스템을 기반으로 개인화 추천 웹 에이전트를 개발하는 것이다.

참고문헌 (19)

Eunjou Yi, Youngjoo Na, John G. Casali, and Gilsoo Cho, 'A Fabric Sound Evaluation System for Totally Auditory-Sensible Textiles,' Textile Research Journal, Vol. 72, No.7, pp. 638-644, 2002. 7

상세보기
권규식, 이정우, '감성공학적 제품개발을 위한 감성과 디자인 요소와의 관계 모형화', 한국감성과학회 연차학술대회논문집, 연세대학교, pp. 11-15, 1997.11
조길수, 나영주, '소비자의 라이프스타일에 따른 견직물의 선호감성과 태평가', 한국감성과학회 추계 학술대회발표논문집, pp. 140-144, 2000
정경용, 나영주, '소재설계를 위한 감성공학적 디자인 지원 시스템 개발', 한국섬유공학회지, 제40권, 제3호, pp. 312-320, 2003

원문보기 상세보기
M. O. Connor and J. Herlocker, 'Clustering Items for Collaborative Filtering,' Proceedings of the ACM SIGIR Workshop on Recommender Systems, Berkeley, CA, 1999
J. Herlocker, J. Konstan, A. Borchers and J. Riedl, 'An Algorithm Framework for Performing Collaborative Filtering,' In Proceedings of ACM SIGIR'99, 1999
K. Y. Jung, J. H. Lee, 'Prediction of User Preference in Recommendation System using Association User Clustering and Bayesian Estimated Value,' Lecture Notes in Artificial Intelligence 2557, Springer-Verlag, 15th Australian Joint Conference on Artificial Intelligence, December 2-6, 2002
J. S. Breese and D. Heckerman and C. Kadie, 'Empirical Analysis of Predictive Algorithms for Collaborative Filtering,' Proc. of the 14th Conference on Uncertainty in Artificial Intelligence, 1998
K. Y. Jung, J. K. Ryu, and J. H. Lee, 'A New Collaborative Filtering Method using Representative Attributes-Neighborhood and Bayesian Estimated Value,' Proceedings of International Conference on Artificial Intelligence: Las Vegas, USA, June 24-27, 2002
K. Y. Jung, Y. J. Park, and J. H. Lee, 'Integrating User Behavior Model and Collaborative Filtering Methods in Recommender Systems,' International Conference on Computer and Information Science, Seoul, Korea, August 8-9, 2002
C. Basu and H. Hirsh and W. W. Cohen, 'Recommendation as classification: Using social and content-based information in recommendation,' In proceedings of the Fifteenth National Conference on Artificial Intelligence, pp. 714-720, Madison, WI, 1998
Jason J. Jung, Kyung-Yong Jung, Geun-Sik, Jo, 'Ontological Cognitive Map for Sharing Knowledge between Heterogenous Businesses,' Lecture Notes in Computer Science, the 18th International Symposium on Computer and Information Sciences, Turkey, November 3-5, 2003
G. Karypis, 'Evaluation of Item-Based Top-N Recommendation Algorithms,' Technical Report CS-TR-00-46, Computer Science Dept., University of Minnesota, 2000
Kyung-Yong Jjung, Young-Too Na, Jung-Hyun Lee, 'FDRAS: Fashion Design Recommender Agent System using the Extraction of Representative Sensibility andthe Two-Way Filtering on Textile,' Lecture Notes in Computer Science 2736, Springer-Verlag, 14th International Conference on Database and Expert Systems Applications, 2003.9
정경용, 협력적 여과 시스템에서 연관 사용자 군집과 베이지안 추정치를 이용한 예측 방법, 인하대학교 대학원, 석사학위논문, 2002
T. Michael, Maching Learning, McGraq-Hill, pp. 154-200, 1997
P. Resnick, et. al., 'GroupLens: An Open Architecture for Collaborative Filtering of Netnews,' Proc. of ACM CSCW'94 Conference on Computer Supported Cooperative Work, pp. 175-186, 1994
정경용, 김진현, 이정현, '연관 사용자 군집과 베이지안 분류를 이용한 사용자 선호도 예측 방법', 한국정보과학회 추계학술발표 논문집(II)-우수논문, pp. 109-111, 2001
N. Good, B. Schafer, J. Konstan, A. Borchers, B. Sarwar, J. Riedl, 'Combining Collaborative filtering with Personal Agents for Better Recommendation,' AAAI/IAAI, 1999

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증