[논문]장르유사도와 선호장르를 이용한 협업필터링 설계

김경록; 변재희; 문남미

doi:10.9708/jksci.2011.16.4.159

장르유사도와 선호장르를 이용한 협업필터링 설계
Collaborative Filtering Design Using Genre Similarity and Preffered Genre 원문보기

韓國컴퓨터情報學會論文誌 = Journal of the Korea Society of Computer and Information, v.16 no.4, 2011년, pp.159 - 168

김경록 (호서대학교벤처전문대학원 IT응용기술학과) , 변재희 (호서대학교벤처전문대학원 IT응용기술학과) , 문남미 (호서대학교벤처전문대학원 IT응용기술학과)

초록
AI-Helper

전자상거래와 소셜미디어 서비스의 활성화에 따라, 집단지성을 개인 맞춤 서비스에 활용하는 추천시스템에 관한 연구가 활발히 진행되고 있다. 또한, 스마트폰의 발달과 모바일 환경의 발달에 따라 단말의 제약성에도 불구하고 개인화 서비스에 대한 연구가 가속화되고 있다. 대표적인 예로 위치기반 서비스와의 결합이다. 이에 본 연구에서는 영화의 장르유사도와 선호장르를 이용한 추천시스템을 제안한다. 영화 장르 유사도 프로파일을 생성하여 이를 모바일실험 환경에서 서비스 될 수 있도록 설계하고 프로토 타이핑 한 후에 MovieLens 데이터를 적용하여 평가한다.

Abstract ▼ AI-Helper

As e-commerce and social media service evolves, studies on recommender systems advance, especially concerning the application of collective intelligence to personalized custom service. With the development of smartphones and mobile environment, studies on customized service are accelerated despite physical limitations of mobile devices. A typical example is combined with location-based services. In this study, we propose a recommender system using movie genre similarity and preferred genres. A profile of movie genre similarity is generated and designed to provide related service in mobile experimental environment before prototyping and testing with data from MovieLens.

주제어

AI 본문요약
AI-Helper

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

문제 정의

기존 장르유사도를 이용한 아이템 기반 협업 필터링 방법은 아이템의 장르들을 바탕으로 이웃 아이템 후보를 선택한 후, 근접 이웃 그룹과 평점을 이용하여 목표아이템과 후보 아이템간의 유사도를 계산하여 추천하는 방법으로 그룹의 크기를 바탕으로 추천관계를 알아보고자 한 것이다.[25] 이를 개선하기 위해 본 연구에서는 장르유사도와 선호장르를 이용한 협업필터링(Collaborative Filtering Using Genre Similarity and User Preferred Genre : CF_GS_UP) 방법을 제안한다.
또한, 콘텐츠에 대한 선호기호를 반영하고 있는 교육 서비스 부분 등으로 대상 범위를 확대할 수도 있고, 더 나아가 추천된 결과에 대한 고객의 피드백(feedback)을 되받아 적용할 수 있도록 연구를 확대 하고자 한다.
본 연구에서는 MovieLens Data Set를 기반으로 고객선호 장르 프로파일과 장르 유사도 프로파일을 추가 확장하여 추천목록을 도출하여 모바일 실험 환경에서 서비스 될 수 있도록 구현하였다. 이는 협업필터링의 희박성(Sparsity)의 한계점을 극복하고자 한 것과 안드로이드(Android)폰을 이용하여 모바일 서비스에 적용한 것의 의미가 있다.
본 연구에서는 인구통계학적 유사그룹 방식과 선호장르가 반영된 유사그룹 방식을 추가하여 비교 실험이 되도록 한다.
이에 본 연구에서는 이러한 정보를 활용하여 개인맞춤서비스를 위한 추천시스템에 관한 연구를 진행하고자 한다.

제안 방법

각 협업필터링모델에서 도출된 최종 추천목록을 모바일 단말을 통해 서비스 할 수 있도록 실험환경을 구한다. 이를 위한 개발환경은 MySQL5.
도출된 추천목록은 안드로이드 모바일 실험 환경에서 XML파일로 구성하여 안드로이드의 XMLPullParser를 이용하여 ListView형식과 ImageView형식으로 구성된 목표고객에게 서비스 할 수 있도록 한다.
두 번째, CF_PG_US 모델은 고객 선호장르 프로파일을 기반으로 목표고객의 선호장르가 반영된 인구통계학적 유사고객을 대상으로 한다. 먼저, 인구통계학적 요소가 유사한 고객을 대상으로 선호장르가 2개 이상 유사한 고객을 유사 고객으로 재구성한다. 그 후 이들이 평가한 각 영화의 평점을 기반으로 피어슨 상관계수(Pearson correlation coefficient)를 이용하여 유사도를 산출한 후 최근접 방법(K-nearest Method)으로 목표고객과 유사 상관관계를 나타내는 유사 그룹을 도출한다.
목표고객과 유사고객이 공통으로 평가한 영화의 평가치를 바탕으로 피어슨 상관계수를 이용하여 최근접 유사그룹을 도출한다. 이를 바탕으로 추천 목록을 도출하여 모바일 환경에서 위치정보와 함께 개인화된 추천 정보를 제공한다.
본 연구에서 제안한 장르유사도와 선호장르를 이용한 협업추천(CF_GS_UP : Collaborative Filtering Using Genre Similarity and User Preferred Genre) 방식에 대한 실험을 위하여, 943명의 고객이 시청한 영화의 빈도수를 기준으로 3그룹으로 나누었다. 즉, 고객이 가장 적게 본 영화의 개수는 20개였으며, 가장 많이 본 영화의 개수는 737개였다.
본 연구에서 제안한 추천시스템은 고객의 과거 평가치 정보를 바탕으로 선호 영화 장르와 영화 장르 유사도를 도출하여 프로파일을 생성하고, 목표고객의 인구통계학적 정보인 연령, 성별, 직업을 바탕으로 유사고객 그룹을 형성한다.
목표고객과 유사고객이 공통으로 평가한 영화의 평가치를 바탕으로 피어슨 상관계수를 이용하여 최근접 유사그룹을 도출한다. 이를 바탕으로 추천 목록을 도출하여 모바일 환경에서 위치정보와 함께 개인화된 추천 정보를 제공한다.
이제 본 연구에서 제안한 장르유사도와 선호장르를 이용하는 추천 방식을 위하여 기본 데이터집합을 바탕으로, 고객 선호장르 프로파일(User Preference Profile)과 장르간 유사도 프로파일(Genre Similarity Profile)을 생성하고, 우편번호코드를 재구성하여 지역 위치정보 코드를 생성한다. 이는 협업 추천 방식의 확장성 문제에 대체하고 모바일 실험 환경에서 활용하기 위한 것이다.
추천시스템의 예측 성능을 측정하는 지표로는 MAE(Mean Absolute Error), MAPE(Mean Absolute Precent Error), RMSE(Root Mean Squared Error)가 보편적으로 이용된다. 이중 본 연구에서는 가장 많이 사용되는 MAE를 이용하여 고객이 실제 부여한 평가치(p_i)와 추천 알고리즘에 의해 예측된 평가치(r_i)의 차이로 성능을 측정한다[23-24].
이는 사용자 우편번호 정보를 활용하여 지역 위치 정보를 생성한다. 즉, 우편번호의 앞 2자리를 이용하여 공통 그룹화 하여 10개의 그룹으로 재구성하고 이를 지역 위치 정보 코드화 한다.
세 번째, CF_GS_UP 모델은 장르유사도와 선호장르가 반영된 유사 고객을 대상으로 한다. 즉, 인구 통계학적 유사 고객에 대해 목표고객의 선호장르를 장르유사도를 사용하여 재구성하고 이 선호장르가 반영된 유사 고객 그룹을 도출한다. 이는 장르유사도 프로파일을 기반으로, 목표고객의 선호장르를 재구성하는 것이다.
아래 표는 CF_PG_US 모델을 적용하여, 12명의 실험군 목표고객 중 498번 대한 추천 실험 결과표이다. 즉, 인구통계학적 유사그룹에 대해 목표고객의 선호장르를 반영하여 목표고객의 유사그룹을 재도출한 후, 유사 그룹이 시청한 영화의 평점을 바탕으로 평가 예측치를 구한 것이다.

대상 데이터

그 후 각 그룹에 속한 고객 중 무작위로 4명씩을 추출하여 총 12명을 실험군 목표고객으로 선정하여 진행한다.
본 연구에서 데이터집합은 미네소타대학의 GroupLens Research Project에서 수집된 MovieLens Data Set로 943명의 사용자들이, 18개 장르, 1682개 영화에 대해 100,000건의 평점을 매긴 자료를 바탕으로 한다. 각 영화는 미국 영화 데이터베이스인 IMDB (Internet Movie Database, http://www.

데이터처리

③ 또한, 장르 사이의 그룹화를 위해 K-Means Clustering 을 실시한다. 아래 그림은 상관계수의 변화를 나타내고 있으며, 여기서 변화가 큰 1678을 기준으로 그룹화를 할 수 있다.
④ 이제, 목표고객(u_a)의 선호장르(①)와 아이템 속성(장르) 유사도(②)를 바탕으로 새로운 선호장르를 도출한 후, 인구통계학적 유사그룹(③)에 대해, 목표고객( ua)와 유사그룹내 고객(u_i)간의 유사도P(u_a,u_i)를 널리 사용되는 피어슨 상관계수(Pearson correlation coefficient)를 이용하여 계산한다[24,27].
각 모델별 실험을 통해 얻은 추천 결과값에 대한 MAE에 대해 Paired-Samples T-test를 실시하여 실험 결과를 검증한다.
먼저, 인구통계학적 요소가 유사한 고객을 대상으로 선호장르가 2개 이상 유사한 고객을 유사 고객으로 재구성한다. 그 후 이들이 평가한 각 영화의 평점을 기반으로 피어슨 상관계수(Pearson correlation coefficient)를 이용하여 유사도를 산출한 후 최근접 방법(K-nearest Method)으로 목표고객과 유사 상관관계를 나타내는 유사 그룹을 도출한다. 그 이후는 첫 번째 방법을 적용하여 도출한다.
다음으로는 목표고객의 선호장르가 반영된 인구통계학적 유사그룹을 바탕으로 협업필터링(collaborative Filtering Using Preference Genre Based User Similarity: CF_PG_US)방법을 적용한다. 끝으로, 본 연구에서 제안한 장르유사도와 선호장르 기반 협업필터링(Collaborative Filtering Using Genre Similarity and User Preferred Genre: CF_GS_UP)방법을 적용하여 상호 비교 분석 한다.
② 고객의 이용정보 데이터를 바탕으로 아이템 장르 속성 데이터를 수집 분석한다. 아이템 장르 속성 사이 유사도 프로파일은, 아이템 속성들에 대한 피어슨 상관계수를 구한 후, 이들 관계를 파악하기 위해 K-Means Clustering으로 유사그룹을 도출한다. 그룹내 관계를 피어슨 상관계수로 결정한다.
이제, 이 유사 그룹 고객들이 본 영화를 바탕으로 목표고객이 보지 않은 영화를 추천하기 위한 평가 예측치는 평균반영평균(Bias-form-mean Average) 방법을 이용하여 도출한다. 마지막으로 Top-N기법으로 추천 목록을 생성하여 서비스 할 수 있도록 한다[27-28].
첫 번째, CF_US 모델은 목표고객과 인구통계학적 요소(성별, 나이, 직업)가 유사한 고객을 대상으로 한다. 즉, 이들이 평가한 각 영화의 평점을 기반으로 피어슨 상관계수(Pearson correlation coefficient)를 이용하여 유사도를 산출한 후 최근접 방법(K-nearest Method)으로 목표고객과 유사 상관관계를 나타내는 유사 그룹을 도출한다.

이론/모형

먼저 인구통계학적 유사그룹을 바탕으로 협업필터링(Collaborative Filtering Using User Similarity: CF_US)방법을 적용한다. 다음으로는 목표고객의 선호장르가 반영된 인구통계학적 유사그룹을 바탕으로 협업필터링(collaborative Filtering Using Preference Genre Based User Similarity: CF_PG_US)방법을 적용한다. 끝으로, 본 연구에서 제안한 장르유사도와 선호장르 기반 협업필터링(Collaborative Filtering Using Genre Similarity and User Preferred Genre: CF_GS_UP)방법을 적용하여 상호 비교 분석 한다.
먼저 인구통계학적 유사그룹을 바탕으로 협업필터링(Collaborative Filtering Using User Similarity: CF_US)방법을 적용한다. 다음으로는 목표고객의 선호장르가 반영된 인구통계학적 유사그룹을 바탕으로 협업필터링(collaborative Filtering Using Preference Genre Based User Similarity: CF_PG_US)방법을 적용한다.

성능/효과

이는 협업필터링의 희박성(Sparsity)의 한계점을 극복하고자 한 것과 안드로이드(Android)폰을 이용하여 모바일 서비스에 적용한 것의 의미가 있다. 더 나아가, 본 제안 모델은 모바일의 특성과 장르유사도의 특성을 반영하여, 신규 아이템이나 신규 고객에게도 최소한의 추천을 해 줄 수 있다는 것을 의미한다. 또한, 협업필터링 확장성(Scalability)의 한계점을 극복할 수 있도록 장르기반 프로파일과 고객 선호장르 프로파일을 추가하여 추천함으로써 추천 성능을 높인것 이다.
두 번째, CF_PG_US 모델은 고객 선호장르 프로파일을 기반으로 목표고객의 선호장르가 반영된 인구통계학적 유사고객을 대상으로 한다. 먼저, 인구통계학적 요소가 유사한 고객을 대상으로 선호장르가 2개 이상 유사한 고객을 유사 고객으로 재구성한다.
본 실험에서는 영화 시청 빈도가 가장 적은 0~33% 그룹의 MAE값이 가장 적다. 이는 아이템에 대한 평가치가 적은 경우에도 본 연구에서 제안한 기법이 효과가 있음을 나타내고 있다.
세 번째, CF_GS_UP 모델은 장르유사도와 선호장르가 반영된 유사 고객을 대상으로 한다. 즉, 인구 통계학적 유사 고객에 대해 목표고객의 선호장르를 장르유사도를 사용하여 재구성하고 이 선호장르가 반영된 유사 고객 그룹을 도출한다.
또한, ③(CF_GS_UP) 모델이 ②(CF_PG_US) 모델보다 평균 오차값이 감소한 것을 관찰 할 수 있다. 이는 본 연구에서 제안한 장르유사도와 선호장르를 이용한 협업필터링 모델이 성능 향상에 도움이 된다는 것이다.
본 실험에서는 영화 시청 빈도가 가장 적은 0~33% 그룹의 MAE값이 가장 적다. 이는 아이템에 대한 평가치가 적은 경우에도 본 연구에서 제안한 기법이 효과가 있음을 나타내고 있다.
첫 번째, CF_US 모델은 목표고객과 인구통계학적 요소(성별, 나이, 직업)가 유사한 고객을 대상으로 한다. 즉, 이들이 평가한 각 영화의 평점을 기반으로 피어슨 상관계수(Pearson correlation coefficient)를 이용하여 유사도를 산출한 후 최근접 방법(K-nearest Method)으로 목표고객과 유사 상관관계를 나타내는 유사 그룹을 도출한다.

후속연구

다른 한편, MovieLens Data Set에서는 장르라는 대표 속성만 제공하고 있지만, 유사 속성으로 배우, 감독, 음악 등의 속성을 더 포함할 수 있으며, 이들을 추가 클러스터링하여 추천한다면, 보다 다양한 고객들의 기호를 충족시킬 수 있을 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	추천시스템은 무엇인가?	추천시스템은 사용자의 과거 선호(Preference)도에 기반하여 예측한 후 새로운 아이템에 대한 평가치를 예측하여 제공하는 시스템이다[12-13]. 즉, 전자상거래의 경우는, 고객 요구에 가장 적합한 상품을 추천하는 것으로 고객의 신상정보를 바탕으로 판매자가 소비자의 소비 패턴, 행동 패턴을 실시간으로 분석한 후 추천아이템을 생성, 전달하여 소비자의 구매 의사결정에 도움을 주는 방법이다[14].
	군집화의 두 유형은?	군집화는 데이터의 집합을 분류하는 방법으로, 분할적 군집화(Partitional Clustering)와 계층적 군집화(Hierarchical Clustering)로 나눌 수 있다. 분할적 군집화는 주어진 목적 함수를 최적화하기 위해 데이터 집합을 K개의 군집으로 나누는 것으로 K-평균(K-Means)이 대표적이다.
	내용기반 추천방식의 문제점은 무엇인가?	내용기반(Contents-based)은 소비한 아이템들에 대한 평가를 종합하여, 좋은 평가를 받은 아이템과 비슷한 특성을 보이는 새로운 아이템을 추천해주는 방식이다. 이 방식은 아이템의 명시적 특징만을 이용하여 추천하기 때문에 취향 및 선호도 등에 대한 소비자의 욕구를 만족시키기 어렵다. 또한, 소비자의 경험을 이용해야 하기 때문에 아이템에 대한 소비자의 경험이 없다면 아이템을 추천하지 못하는 문제점도 있다[15].

참고문헌 (28)

M.D.Mulvenna and S.S.Anand and A.G.Buchner, "Personalization on the Net Using Web Mining : Introduction," Communications of the ACM, Vol. 43, No. 8, pp. 122-125, 2000.

상세보기
H.J. Kwon and D.K.Chung, K.S.Hong, "A Multimedia Recommender System Using User Playback Time," Korean Society for Internet Information, Vol. 10, No. 1, pp.111-121, 2009.
J.W.Choi, "An Application for Calculation and Visualization of Narrative Relevance of Films Using Keyword Tags," Korea Advanced Institute of Science and Technlogy : Master's Thesis, pp.19-21, 2007.
K.Chorianopoulos, "Personalized and mobile digital TV applications," Multimedia tools and Applications, Vol. 36, pp.1-10, 2008.

상세보기
T.Q.Lee, Y.Park, Y.T.Park, "A time-based approach to effective recommender systems using implicit feedback," Expert Systems with Applications, Vol. 34, Issue. 4, pp.3055-3062, May 2008.

상세보기
K.R.Kim, J.H.Lee, J.H.Byeon, N.M. Moon, "Recommender System Using the Movie Genre Similarity in Mobile Service," The 4th International Conference on Multimedia and Ubiquitous Engineering, 2010.
J.M.Oh, J.H.Song, N.M.Moon, "Preference Element Selectable Interactive Recommender System by Employing Collaborative Filtering," The 4th International Conference on Multimedia and Ubiquitous Engineering, 2010.
J.Y.Park and B.S. Chon, "Analysis on Mobile Content Services of the Demestic Media Comoanies," The Journal of the Korea Contents Association, Vol. 10, No. 1, pp.160-169, 2009.

원문보기 상세보기
H.S.Park and M.H.Park, S.B.Cho, "LBS Information Recommendation in Mobile Environment Using Multi-Criteria Decision Making," Journal of Computing Science and Engineerin, Vol. 14, No. 3, pp. 306-310, 2008.
B.J.An and E.J.Kim, Y.B.Lee, "A Hiererchical Representatives Clustering Technique for Data Mining," Korean Institute of Information Scientists and Engineers, Vol. 27, No. 2, pp.69-71, 2000.
M.H.Huh and Y.G.Lee, "Reproducibility estimation and Application of K-means clustering," The Korean Journal of Applied Statistics, Vol. 17, No. 1, pp.135-144, 2004.

원문보기 상세보기
D.J.Lee and S.K.Lee, S.G.Lee, "Considering temporal context in music recommendation based on collaborative filtering," Proceedings of Korea computer congress, Vol. 36, No. 1, 2009.
G.Adomavicius and A.Tuzhilin, "Toward the Next Generation of Recommender Systems : A Survey of the State-of-the-Art and Possible Extensions," IEEE Transactions on Knowledge and Data Engineering, Vol. 17, No. 6, pp. 734-749, June 2005.

상세보기
H.C. Lee, "Enhancement of Collaborative Filtering in Electronic Commerce Recommender System," Kangwon University Graduation School : Doctoral thesis, 2009.
S.H.Jo, "Weight Recommendation Technique Based on Item Quality To Improve Performance of New User Recommendation and Recommendation on The Web, " Hannam University Graduation School : Doctoral thesis, 2008.
G.Lekakos and G.M.Giaglis, "Improving the Prediction Accuracy of Recommendation Algorithms : Approaches Anchored on Human Factors," Interacting with Computers, Vol. 18, pp. 410-431. 2006.

상세보기
S.J.Lee and T.R.Jeon, G.D,Baek, S.S.Kim, "A Movie Rating Prediction System of User Propensity Analysis based on Collaborative Filtering and Fuzzy System," Journal of Korean institute of intelligent systems, Vol. 19, No. 2, pp.242-247, 2009.

원문보기 상세보기
K.C.Park, "Collaborative Filtering Method Considering Purchase Interval for Mobile Multimedia Contents Recommendation," Hanyang University : Master's Thesis, 2008.
J.S.Lee and S.D.Park, "Performance Improvement of a Movie Recommendation System using Genre-wise Collaborative Filtering," Journal of intelligent information systems, Vol.13, No. 4, pp.65-78, 2007.
B.M.Sarwar and G.Karypis, J.Konstan, J.Riedl, "Item-Based Collaborative Filtering Recommendation Algorithms," ,Proceedings of the 10th international conference on World Wide Web, pp.285-295, 2001.
H.S.Lee, J.H.Kwon, "Collaborative Filtering Mobile Contents Recommender Application Using Context and Folksonomy," Journal of Korean Institute of Information Technology, Vol. 7, No.2, pp.132-140, April 2009.
Y.H.Cho and J.K.Kim, "Application of Web usage mining and product taxonomy to collaborative recommendations in e-commerce," Expert System with Applications, Vol 26(1), pp.233-246, 2004.

상세보기
J.K.Kim and Y.H.Cho, S.T.Kim, H.K.Kim, "A Personalized Recommender System for Mobile Commerce Application," The Korea Society of Management Information Systems, Vol. 15, No. 3, pp.223-240, 2005.
P.Melville, R.J.Mooney, R.Nagarajan, "Content- Boosted Collaborative Filtering for Improved Recommendations," AAAI-02, pp.187-192, 2002.
Y.Zhang, W.Song, "A Collaborative Filtering Recommendation Algorithm Based on Item Genre and Rating Similarity," 2009 International Conference on Computational Intelligence and Natural Computing, pp. 72-75, 2009.
B.I.Kwon, N.M.Moon, "Recommendation system for supporting self-directed learning on e-learning marketplace," Journal of The Korea Society of Computer and Information, Vol. 15, No. 2, pp.135-146, 2010.
B.M. Sarwar and G.Karypis, J.Konstan, J.Riedl, "Application of Dimensionality Reduction in Recommender System : A Case Study," WebKDD-2000 Workshop, 2000.
B.M. Sarwar and G.Karypis, J.Konstan, J.Riedl, "Recommender Systems for Large-scale E-Commerce : Scalable Neighborhood Formation Using Clustering," 5th International Conference on Computer and Information Technology, 2002.

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