[논문]메타데이타와 텍스트 정보의 통합검색 모델

유정목; 맹성현; 김성수; 이만호

문제 정의

따라서 본 논문에서는 사용자의 키워드 기반 질의어들을 메타데이타 검색에 적합한 사용자 질의로 자동적으로 변환하여 메타데이타를 대상으로 검색할 수 있는 방법을 제시한다. 사용자가 작성한 키워드 집합과 메타데이타 필드 집합 사이의 유사도 값을 이용하여 사용자가 이용한 검색 키워드들과 메타데이타 필드들 사이의 상호 연관성을 검색에 반영하여 일반적으로 사용하는 키워드 기반 질의어들을 이용하여 메타데이타 구조정보를 반영한 사용자 질의를 자동 생성한다.
또한 텍스트 부분을 메타데이타를 구성하는 메타데이타 필드들과 함께 상호 보완적으로 검색하여 메타데이타만을 대상으로 한 검색 결과를 보완하여 좀 더 향상된 검색 결과들을 사용자에게 제공하는 모델을 제안한다.
본 논문에서는 VT1 과 VT1 〜VT5의 결과와 본 논문에서 제안하고자 하는 방안을 실험을 통하여 비교한다.
위한 메타데이타 표준들이 존재한다. 본 논문에서는 그 중에서 텍스트 데이타를 위한 메타데이타를 대상으로 정보검색 응용 분야에서 사용자에게 좀 더 효율적인 검색 결과를 제공해 줄 수 있는 방안에 대해 기술한다. 텍스트를 위한 메타데이타는 텍스트 자원의 다양한 부가 속성을 기술하였기 때문에 자원 자처】, 즉 텍스트보다는 소량의 정보를 가지고 있다.
적합문서 판단을 위한 질의는 단순질의와 복합질의의 두 가지 종류로 구성하였는데, 단순질의란 하나의 필드에 대해서만 질의를 구성하는 것이며 복합질의란 두 개의 메타데이타 필드를 이용하여 질의를 구성한 것이다. 본 실험에서는 적합문서 판단을 위한 두 가지 형태의 질의는 Virginia Tech에서 제공받은 것으로 같은 질의 형태 및 질의를 사용함으로써 결과 비교를 용이하게 하고자 하였다. 단, 질의에 해당하는 적합문서들은 제공받지 못하여 적합문서 판단은 ICU의 IRNLP 연구실의 학생들에 의해 수행되었고 따라서 Virginia Tech의 결과와 다소 상이할 수도 있다.
본 연구의 목표는 사용자가 메타데이타의 특성을 이해하지 못하는 경우에도 가장 적합한 질의를 자동 생성하여 검색하며 텍스트 필드를 상호 보완적으로 검색하여 질의와 가장 적합한 문서를 찾아내는 것이다. 관련 연구에서 이미 언급하였듯이 사용자의 다양한 질의를 자동적으로 구조형 질의로 전환해주는 연구는 Goncalves et al[8]에서 먼저 수행되었다.
실험 목적은 비구조형 칠의를 이용하여 텍스트 검색을 수행한 경우(UQ)와 사용자가 작성한 구조형 질의를 이용하여 구조 검색을 수행한 경우(SQ), 자동적으로 구조형 질의를 구성하여 구조 검색을 수행한 경우([8] 에서제안한 방법으로 VT로 명기한다), 마지막으로 본 논문에서 제안하는 구조형 질의를 이용하여 구조검색과 텍스트 검색을 병행하여 상호 보완하는 경우(HQ)의 검색 결과들을 평가하여 상호 비교하는 것이다. SQ는 SQ (AND)와 SQ(OR)로 분류하여 비교하였다.

가설 설정

VT 에서는 이러한 후보질의들에 순위를 할당하여 상위 5개의 질의만을 검색에 적합한 구조형 질의로 가정한다.
[8]에서는 사용자의 질의와 문서의 모든 메타데이타 필드를 조합함으로써 가능한 모든 구조형 질의 후보군을 생성한다. 각 후보질의들이 생성될 수 있는 확률을 Bayesian network 모델 기법을 이용하여 계산하고 확률이 높은 상위 5개의 구조형 질의만을 사용자의 정보요구에 부합하는 질의로 가정한다. 이 상위 5개의 구조형 질의를 이용하여 메타데이타 검색을 수행하고 추출된 결과를 통합한다.
구조형 질의가SQ= 일 경우를 가정해보자.
구체적인 예로 노드 Q가 A, B, C라는 부모노드를 가지며 부모노드들은 각기 아래와 같은 값을 갖는다고 가정하자.
단계별 처리과정을 자세히 설명하기 위하여 먼저 컬렉션을 구성하는 문서는 title과 author로 구성되며 초기 비구 조형 질의가 也=라 가정한다.
본 논문에서는 사용자가 구조형 질의를 효율적으로 작성하기가 어렵다고 가정하였고 질의에 더 적합한 메타데이타 필드가 존재할 수 있다고 가정하였다. 따라서 사용자가 선정한 메타데이타 필드보다 더 적합한 필드가 있는지 확인하여야 한다.
적합성을 측정한다. 사용자가 지정한 메타데이타 필드를 제외한 나머지 메타데이타 필드들을 대상으로 질의와의 적합성을 측정한 후, 이들 중 가장 유사도가 높은 메타데이타 필드를 적합한 필드로 가정하며 가장 적합성이 높은 필드가 시스템이 지정한 필드이다.
network 모델을 이용한다. 설명을 용이하게 하기 위하여 문서는 두 개의 필드로 구성되어 있다고 가정하며 VT 모델은 그림 2처럼 표현할 수 있다.
간주한다. 즉, 户(鸟 | 0)= 5沥(3, g)와 F(阳 0) = &也(3, g) 로 가정한다. 따라서 그림 [3] 의 41과 皿을 하나의 4으로통합하기 위해서 아래와 같은 link matrix를 만들 수 있으며 이를 이용하여 통합 유사도를 구할 수 있다.

제안 방법

2. 선정된 필드에 대하여 메타데이타 검색 수행: SQ=인 경우, authoi■필드 내에 “이순신”을 갖는 문서와 유사도를 측정한다.
6.3에서 설명한 바와 같이, 벡터 모델[1]에서 제 시한유사도 공식을 이용하여 질의와 필드간의 적합성을 측정한 후 선정된 필드에 대하여 선정된 필드를 갖는 문서들을 검색한다. 예를 들어 SQ=<(title, "이순신”)>이라면 title필드를 갖는 모든 문서가 검색대상이며 title 필드 내에 질의어 "이순신”을 갖는 문서들을 검색한다.
선정된 필드에서 검색된 문서들과 질의어 사이의 유사도를 측정하기 위해서는 선정된 필드(§)에 질의어가 출현하는 문서(由)의 벡터와 질의벡터( 9 )가 필요하며 두 벡터간의 유사도를 측정한다. 6.3에서 언급한 바와 같이 특정 문서 내 특정 필드에 자주 나타나는 용어에 대하여 보다 높은 가중치를 부여하고 각 문서내의 필드의 벡터 길이를 정규화하여 공정한 유사도를 측정한다.
Goncalves et al⑻에서는 [5]에서 언급한 내용들을기반으로 하여 Bayesian network 모델 기법을 응용하여 비구조형 질의를 구조형 질의로 자동적으로 변환하는 방안을 제시하였다. [8]에서는 사용자의 질의와 문서의 모든 메타데이타 필드를 조합함으로써 가능한 모든 구조형 질의 후보군을 생성한다.
VT에서는 결정된 후보질의들 중 가장 우수한 질의를 검색에 이용하는 방안(1순위의 질의를 검색에 활용한다는 의미에서 VTL으로 명기한다.)과 상위 5개의 질의를 이용하여 결과를 통합하는 방안(VT1~VT5)을 연구하였다
SQ(AND) 는 복합 질의시에 AND연산으로서 결과를 얻은 것이며 SQ(OR)는 OR연산으로 검색하였을 경우 얻은 결과이다. 그리고 VT는 VT1 과 VT1 〜VT5로 분류하여 비교하였는데 VT1 은 가장 우선순위가 높은 구조형 질의에 대해서 구조검색을 수행하는 것이며, VT1 〜VT5는 상위 5개의 구조형 질의에 대해서 모두 검색을 수행하고 이에 대한 결과들을 통합하는 것이다. 측정 기준은 총질의에 대한 평균정확율, 평균재현율, 평균 10-pre- cision, 평균 Fl 이다.
단순질의는 각 종류별로 8개의 질의로 구성하였고 복합질의는 각 종류별로 5개의 질의로 구성하여 총 62개의 질의로서 실험을 수행하였다 표 1은 각 질의 형태에 따른 종류별 질의를 예로 보여준다.
관련 연구에서 이미 언급하였듯이 사용자의 다양한 질의를 자동적으로 구조형 질의로 전환해주는 연구는 Goncalves et al[8]에서 먼저 수행되었다. 따라서 본 논문에서는 [8]에서 제안된 방안을 실험을 통해 본 연구에서 제안하는 방안과 비교하였으며 그들의 제안방안을 간단히 VT(Virginia Tech)로 명기하였다.
즉, 메타데이타필드와 질의간의 적합성이 높으면 높을수록 보다 많은가 중치를 부여하여 통합 시 이러한 특성을 반영해야 한다. 따라서 본 논문에서는 통합 시에 Bayesian net work link matrix[13] 개념을 응용하여 통합한다. Bayesian network란 변수를 표현하는 노드와 변수들 간의 의존관계를 표현하는 호(arc)의 방향성 비순환 그래프이다.
“김”)>일 경우를 가정해보자. 먼저 가상의 문서 C湖°와 질의 벡터 ^information retrieval”과의 유사도를 측정하여 적합성을 판단하고 Cw协와 질의 벡터 “김”과의 유사도를 측정하여 적합성을 판단한다. 만일 “김”。】 “김의 전쟁”과 같이 author 필드가 아닌 title 필드에 더 적합한 경우가 발생한다면 사용자가 지정한 필드, 시스템이 지정한 필드, 그리고 텍스트 필드가 검색대상으로 선정되어 최종적으로 SQ= <(title, ^information retrieval"), (text, ''information retrieval"), (author, ''김"), (title, “김”), (text, “김”)>으로 작성된다.
메타데이타를 구성하는 메타데이타 필드와 질의 사이의 적합성을 판별하여 어떤 메타데이타 필드를 구조형 질의에 사용할 것인지 결정하였다. 앞에서 언급한 바와 같이 , 본 논문에 서 는 메 타데이 타 필드뿐만 아니 라 메 타데이타가 부연 설명하는 텍스트 데이타를 검색 대상에 포함하여 더 넓은 검색 서비스 범위를 제공한다.
본 논문에서는 사용자가 메타데이타의 특성을 이해하지 못하여도 질의와 필드간의 적합성을 측정하여 사용자의 정보 요구를 추론함으로써 자동적으로 구조형 질의로 변환하는 방안을 제시하였으며 구조형 질의를 이용하여 구조 검색만 수행하는 것이 아니라 텍스트 검색을 병행하여 상호 보완하며, 검색된 결과들을 통합할 때 질의와 필드간의 적합성을 가중치로 활용하여 통합에 반영하는 방안을 제안하였다.
따라서 본 논문에서는 사용자의 키워드 기반 질의어들을 메타데이타 검색에 적합한 사용자 질의로 자동적으로 변환하여 메타데이타를 대상으로 검색할 수 있는 방법을 제시한다. 사용자가 작성한 키워드 집합과 메타데이타 필드 집합 사이의 유사도 값을 이용하여 사용자가 이용한 검색 키워드들과 메타데이타 필드들 사이의 상호 연관성을 검색에 반영하여 일반적으로 사용하는 키워드 기반 질의어들을 이용하여 메타데이타 구조정보를 반영한 사용자 질의를 자동 생성한다.
사용자는 잘못된 구조형 질의를 구성할 수 있다고 가정하였으므로, 사용자가 지정하지 않은 필드들과 질의 간의 적합성을 측정한다. 사용자가 지정한 메타데이타 필드를 제외한 나머지 메타데이타 필드들을 대상으로 질의와의 적합성을 측정한 후, 이들 중 가장 유사도가 높은 메타데이타 필드를 적합한 필드로 가정하며 가장 적합성이 높은 필드가 시스템이 지정한 필드이다.
사용할 것인지 결정하였다. 앞에서 언급한 바와 같이 , 본 논문에 서 는 메 타데이 타 필드뿐만 아니 라 메 타데이타가 부연 설명하는 텍스트 데이타를 검색 대상에 포함하여 더 넓은 검색 서비스 범위를 제공한다. 이를 위해, 텍스트 데이타를 다른 메타데이타와 같은 하나의메타데이타 필드로 정의하고 사용자 질의의 대상으로 간주한다.
위의 질의들을 이용하여 UQ, SQ(AND, OR), VT(VT1, VT1-VT5), 그리고 HQ에 대하여 검색을 수행하였으며 평균정확율, 재현율, 10-precision 그리고 F1 으로 성능을 측정하였다. 성능 비교는 아래 테이블 1 과 같다
두 벡터간 유사도를 측정하기 위해서는 문서 벡터와 질의 벡터, 두 벡터가 필요하다. 이를 위하여 컬렉션 내의 모든 문서들의 용어들을 필드를 기준으로 재구성하여 가상의 문서(Gw)를 생성하였다. 즉 C聞은 컬렉션내의 title필드에 나타나는 모든 용어들로 구성된 가상의 문서이다.
앞에서 언급한 바와 같이 , 본 논문에 서 는 메 타데이 타 필드뿐만 아니 라 메 타데이타가 부연 설명하는 텍스트 데이타를 검색 대상에 포함하여 더 넓은 검색 서비스 범위를 제공한다. 이를 위해, 텍스트 데이타를 다른 메타데이타와 같은 하나의메타데이타 필드로 정의하고 사용자 질의의 대상으로 간주한다.
즉, 너무 많은 필드를 검색대상으로 포함시킬 수가 있다. 이에 본 논문에서는 Bayesian network 가 아닌 벡터 모델을 기반으로 간단히 구조질의로 전환하고 전환된 메타데이타 필드를 검색한 후 텍스트 필드를 보완적으로 검색하여 이 두 결과를 가중치를 반영하여 통합하였다.
질의가 也=<上知, 3 >라 가정한다. 후보 질의들을 구성하기 위해 문서를 구성하는 메타데이타 필드들과 용어들의 쌍의 형태로 조합한다. 만일 4이 tile 과 author■에 나타나며 知弓 는 title에만 나타난다면 메타데이타 필드와 용어로 이루어진 쌍의 구성은 (author, 砂, (title, 4)과 (title, 弓), (title, 勺 )가 된다.

대상 데이터

6.1 과 6.2에서 기술하였듯이 본 논문에서는 하나의 질의에 대하여 비구조형 질의의 경우에는 2개의 필드(시스템이 지정한 필드와 텍스트 필드), 구조형 질의의 경우에는 2개 혹은 3개의 필드(사용자가 지정한 필드, 시스템이 지정한 필드, 그리고 텍스트 필드)를 검색 대상으로 한다. 따라서 각 필드를 검색한 결과를 통합하여유사도를 기준으로 검색 순위를 결정할 수가 있다.
비구조형 질의인 경우, 사용자가 메타데이타 필드를 지정하지 않았으므로 모든 메타데이타 필드를 검색대상으로 하며 이들 중 가장 질의와 적합성이 높은 필드를 선정하여 구조형 질의를 생성한다. 따라서 검색 대상은 시스템이 추천한 메타데이타 필드 ( 乌血»_訟应 )와 텍 스트 필드이다.
본 논문에서 제시하는 HQ는 2개의 필드 (시스템 지정 필드와 텍스트 필드) 혹은 3개의 필드 (사용자 지정 필드, 시스템 지정 필드, 그리고 텍스트 필드)만을 검색대상으로 하기 때문에 VT의 단점인 1) 불필요한 메타데이타 필드의 검색을 제한하였으며 가장 우선순위가 높은 메타데이타 필드를 검색대상으로 하고 텍스트를 보완적으로 검색하므로 위 예제의 경우 Q1 과 Q2의 구조형 질의만을 검색하게 되며VT와는 달리 질의를 분할하여 검색하지 않는다. 그리고 메타데이타 필드와 질의 간의 적합성을 가중치로 반영하기 때문에 우선순위 결정 시 Q1 으로부터 얻은 결과에 더 많은 가중치를 부여할 수 있다.
본 논문에서의 검색대상은 메타데이타M4)와 텍스트 (4)로 구성되거나 혹은 메타데이타 만으로 구성된 문서 (<) 들이며 각 문서들은 문서집합(D)를 구성한다.
본 실험에서 사용한 테스트 컬렉션은 Virginia Tech 로부터 제공 받은CITIDEL 컬렉션이다. CITIDEL 은 ACM을 비롯한 DBLP 등 다양한 과학분야의 저널에 대한 문서로 구성되어 있다.
CITIDEL 은 ACM을 비롯한 DBLP 등 다양한 과학분야의 저널에 대한 문서로 구성되어 있다. 이 중 ACM의 메타데이타로 구성된 98, 000여건의 문서에서 초록(abstract)을 포함하고 있는 문서 39, 698건을 실험 대상으로 하였다. 실험 대상이 되는 문서들은 모두 4개의 메타데이타 필드 - title, abstract, publication, author-로 구성되어있다.

이론/모형

VT에서는 Bayesian network 모델을 활용하였으나 본 논문에서는 이 적합성의 판단 기준으로 벡터 모델의 유사도[1] 개념을 채택하였다. 두 벡터간 유사도를 측정하기 위해서는 문서 벡터와 질의 벡터, 두 벡터가 필요하다.
VT에서는 후보질의 간의 순위를 결정하기 위하여 Bayesian network 모델을 이용한다. 설명을 용이하게 하기 위하여 문서는 두 개의 필드로 구성되어 있다고 가정하며 VT 모델은 그림 2처럼 표현할 수 있다.
질의와 필드간의 적합성 측정은 벡터 모델[1]을 기반으로 하였다, 벡터 모델은 문서 또는 질의에서의 중요도에 따라 추출된 용어들에 가중치를 부여함으로써, 문서와 질의를 가중치가 부여된 용어들의 벡터로 표현한다. 가상의 문서 C网d 와 질의와의 유사도는 Gw 에 출현하는 가중치가 부여된。%) 용어의 벡터와 질의에 출현하는 가중치가 부여된 질의 벡터(g*(g))의 내적으로 표현된다.

성능/효과

2) /2이다. 그러나 첫 번째 필드에 나타나는 용어로 구성된 가상문서 G 과 질의 간의 유사도는 &初(巳 , 0)二05이 며두 번째 필드에 나타나는 용어로 구성된 가상문서 C₂ 와 질의간의 유사도는 Sim(C₂, q )=0.1 이라면 儿과 皿의 유사도가 같더라도 41의 유사도에 가중치를 부여하여 통합하는 것이 타당할 것이다. 즉, 메타데이타필드와 질의간의 적합성이 높으면 높을수록 보다 많은가 중치를 부여하여 통합 시 이러한 특성을 반영해야 한다.
그러나 두 번째 경우와 같이 사용자가 지정한 메타데이타 필드와 질의간의 적합성보다 그 외메타데이타 필드와 질의간의 적합성이 더 높으므로, 사용자가 올바르게 구조형 질의를 구성하였다고 볼 수 없다. 그러므로, 사용자가 작성한 구조형 질의보다 시스템에서 추천한 구조형 질의를 이용하여 검색 서비스를 제공하는 것이 더 적합하다는 것을 알 수 있다.
첫째, 정보검색 시스템에서 메타데이타 특정 필드만을 대상으로 검색하였을 경우 사용자가 지정한 필드만을 이용함으로써 사용자에게 제한된 검색 결과만을 제공할 수가 있다. 둘째, 텍스트만을 대상으로 시스템이 검색할 경우 메타데이타에 기술된 부가 정보들을 제외한 텍스트 부분의 정보만을 제공할 수 있다. 마지막으로, 메타데이타 특정 필드와 메타데이타가 설명하는 텍스트를 함께 검색하는 경우, 앞에서 언급한 두 가지 경우보다 더 많은 검색 결과들을 사용자에게 제공할 수 있다.
사용자가 텍스트 데이타와 텍스트 데이타에 대한 메타데이타를 대상으로 검색 서비스를 수행할 경우, 실제 사용자 질의에 적합한 문서는 메타데이타내에 존재할 수도 있으며, 텍스트 데이타 내에 존재할 수도 있다. 또한, 사용자가 메타데이타에 대한 질의를 작성할 때 지정한 메타데이타 필드 외에 다른 메타데이타 필드에 존재할 가능성도 있음을 보여준다.
셋째, 메타데이타 필드 검색만으로는 충분한 정보를 사용자에게 제공할 수 없으며 따라서 텍스트를 보완적으로 검색한다.
실험을 통하여 구조검색이 비구조형 질의를 이용한 텍스트 검색보다 우수하다는 것을 보였으며 사용자의 구조형 질의뿐 아니라 시스템이 추론하여 구성한 시스템의 구조형 질의도 이용하여 구조검색하며, 텍스트를 보완적으로 검색하여 이들 결과들을 가중치를 부여하고 통합할 때 가장 우수하다는 것을 보였다.
자동적으로 구조질의로 변환하여 상위 5개의 실의를 구성하여 검색하여 통합한 경우(VT1 〜VT5)는 SQ보다다소 좋은 결과를 보인다. 왜냐하면 SQ나 VT1 은 단 하나의 메타데이타 필드에 대해서만 검색을 수행하지만 VT1 〜VT5는 적어도 두 개 이상의 메타데이타 필드를 검색하기 때문이다.
제안된 기법은 사용자가 메타데이타의 특성을 이해하지 못함에 따라 잘못된 구조질의를 하는 경우에도 사용자의 오류를 감안하여 적합한 결과를 제공해 줄 수 있다. 또한 사용자가 적합하게 구조질의를 작성하였을 경우에도 얻을 수 없는 결과를 다른 메타데이타 필드나 텍스트를 보완 검색함으로써 사용자가 원하는 결과를 제공할 수 있다.
질의와 가장 적합한 필드를 검색하여 구조형 질의로 변환하여 검색하고 텍스트를 보완적으로 검색하여 통합한 방안(HQ)이 이들 중 가장 좋은 성능을 나타낸다. 이러한 이유는VT1 〜 VT5는 다음과 같은 세 가지의 단점을 갖기 때문이다.
첫 번째, 사용자가 지정한 메타데이타 필드와 질의 간의 적합성이 다른 메타데이타 필드와 질의간의 적합성에 비교해 볼 때 더 높은 적합성을 가진다고 생각할 수 있다. 따라서 사용자는 적합한 구조형 질의를 생성하였다고 볼 수 있다.
첫째, 사용자는 비구조형 질의로도 질의할 수 있으며 구조형 질의로도 질의할 수 있다.

후속연구

다양한 필드가 있을 때 검색할 필드와 검색하지 않을 필드를 명확히 결정하고 가장 적합한 필드에서 도출된 결과들은 다른 필드에서 얻은 결과보다 차별화하여 순위를 결정할 때 사용자의 정보요구에 적합한 결과들을 효율적으로 찾아낼 수 있을 것이다.
따라서 온톨로지[10]를 기반으로 하여 질의를 확장[4] 한다면 보다 많은 적합한 문서를 얻을 수 있을 것이다. 온톨로지를 구축하여 검색할 경우 질의에 대한 적절한 확장이 가능해지고 또한 상호 이질적인 특성을 가진 메타데이타들을 동시에 검색할 수 있다.
둘째, 텍스트만을 대상으로 시스템이 검색할 경우 메타데이타에 기술된 부가 정보들을 제외한 텍스트 부분의 정보만을 제공할 수 있다. 마지막으로, 메타데이타 특정 필드와 메타데이타가 설명하는 텍스트를 함께 검색하는 경우, 앞에서 언급한 두 가지 경우보다 더 많은 검색 결과들을 사용자에게 제공할 수 있다. 이를 위해서는 사용자는 메타데이타필드들 중에서 사용자 질의에 가장 적합한 필드를 선택하여 질의에 이용하고, 또한 메타데이타 검색 결과를 보완해주기 위해 텍스트 데이타를 검색에 직접 이용하는 방법이 필요하다.
온톨로지를 구축하여 검색할 경우 질의에 대한 적절한 확장이 가능해지고 또한 상호 이질적인 특성을 가진 메타데이타들을 동시에 검색할 수 있다. 차후 연구로서 온톨로지를 구성하여 기법에 도입하면 보다 월등한 결과를 얻을 수 있을 것으로 기대된다.
볼 수 있다. 첫째, 정보검색 시스템에서 메타데이타 특정 필드만을 대상으로 검색하였을 경우 사용자가 지정한 필드만을 이용함으로써 사용자에게 제한된 검색 결과만을 제공할 수가 있다. 둘째, 텍스트만을 대상으로 시스템이 검색할 경우 메타데이타에 기술된 부가 정보들을 제외한 텍스트 부분의 정보만을 제공할 수 있다.

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

메타데이타와 텍스트 정보의 통합검색 모델
A Hybrid Information Retrieval Model Using Metadata and Text 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

참고문헌 (19)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

메타데이타와 텍스트 정보의 통합검색 모델 A Hybrid Information Retrieval Model Using Metadata and Text 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

참고문헌 (19)

이 논문을 인용한 문헌

저자의 다른 논문 :

이만호 (6)

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

메타데이타와 텍스트 정보의 통합검색 모델
A Hybrid Information Retrieval Model Using Metadata and Text 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper