여러 오픈마켓에서 판매자가 동일한 상품을 등록할 시에 각 오픈마켓마다 다른 기준으로 제공되는 카테고리로 인하여 카테고리 선정에 어려움이 발생한다. 본 논문에서는 판매자가 오픈마켓에서 상품 등록 시 다른 오픈마켓에서 기 판매하고 있는 상품의 카테고리와 의미적으로 가장 연관성이 높은 카테고리를 추천하는 방법을 제안한다. 이때 입력받은 카테고리를 의미 분석하는 방법으로 형태소 분석, Wiki 낱말사전, WordNet, Google 번역 서비스를 사용하여 추출된 색인어로 카테고리를 검색한 후, 의미적 연관성 측정을 통하여 가장 의미가 비슷한 카테고리를 추천하는 방법이다. 실험 결과로 색인어 기반의 검색방법 보다 제안하는 의미분석 검색방법이 정확한 검색결과를 보여주어 시스템의 신뢰도를 향상시켰으며, 카테고리를 선택하는데 드는 시간비용을 절감해주는 것을 보인다.
여러 오픈마켓에서 판매자가 동일한 상품을 등록할 시에 각 오픈마켓마다 다른 기준으로 제공되는 카테고리로 인하여 카테고리 선정에 어려움이 발생한다. 본 논문에서는 판매자가 오픈마켓에서 상품 등록 시 다른 오픈마켓에서 기 판매하고 있는 상품의 카테고리와 의미적으로 가장 연관성이 높은 카테고리를 추천하는 방법을 제안한다. 이때 입력받은 카테고리를 의미 분석하는 방법으로 형태소 분석, Wiki 낱말사전, WordNet, Google 번역 서비스를 사용하여 추출된 색인어로 카테고리를 검색한 후, 의미적 연관성 측정을 통하여 가장 의미가 비슷한 카테고리를 추천하는 방법이다. 실험 결과로 색인어 기반의 검색방법 보다 제안하는 의미분석 검색방법이 정확한 검색결과를 보여주어 시스템의 신뢰도를 향상시켰으며, 카테고리를 선택하는데 드는 시간비용을 절감해주는 것을 보인다.
Open Market is one of the key factors to accelerate the profit. Usually retailers sell items in several Open Market. One of the challenges for retailers is to assign categories of items with different classification systems. In this research, we propose an item category recommendation method to supp...
Open Market is one of the key factors to accelerate the profit. Usually retailers sell items in several Open Market. One of the challenges for retailers is to assign categories of items with different classification systems. In this research, we propose an item category recommendation method to support appropriate products category registration. Our recommendations are based on semantic relation between existing and any other Open Market categorization. In order to analyze correlations of categories, we use Morpheme analysis, Korean Wiki Dictionary, WordNet and Google Translation API. Our proposed method recommends a category, which is most similar to a guide word by measuring semantic similarity. The experimental results show that, our system improves the system accuracy in term of search category, and retailers can easily select the appropriate categories from our proposed method.
Open Market is one of the key factors to accelerate the profit. Usually retailers sell items in several Open Market. One of the challenges for retailers is to assign categories of items with different classification systems. In this research, we propose an item category recommendation method to support appropriate products category registration. Our recommendations are based on semantic relation between existing and any other Open Market categorization. In order to analyze correlations of categories, we use Morpheme analysis, Korean Wiki Dictionary, WordNet and Google Translation API. Our proposed method recommends a category, which is most similar to a guide word by measuring semantic similarity. The experimental results show that, our system improves the system accuracy in term of search category, and retailers can easily select the appropriate categories from our proposed method.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서 본 논문에서는 오픈마켓에서 대량의 상품을 판매하는 판매자들, 그리고 써드파티 업체들이 좀 더 효율적으로 카테고리를 검색하고, 상품을 등록하기 위한 방안으로 WordNet 기반의 오픈마켓 카테고리 검색시스템을 제안하였다. 이를 위해 오픈마켓 카테고리의 특성을 분석하였고, 그 특성에 맞게 카테고리에서 색인어를 추출하였다.
WordNet을 통한 검색어에 대해 5가지 관계가 존재하는데, 이는 Synonym(동의어, 유의어), Hypernym(상위어), Hyponym(하위어), Coordinate term(등위어), Meronyms(부분어)이다. 본 논문에서는 Hypernym을 사용하여 상위어휘를 검색하고자 한다. [그림 3]과 같이 Hypernym은 단어의 상위어휘를 표시하며, 마지막 상위어휘인 개체(Entity)까지 계층적으로 표시하게 되나, 모든 단어의 너무 높은 단계끼리 비교하게 되면 모든 카테고리가 동일하다는 잘못된 결론이 도출되므로 정확한 검색을 위해 본 연구에서는 상위 3단계까지만 비교한다.
본 논문에서는 온톨로지를 구축하기 보단 의미분석 검색방법을 통해 카테고리 매칭을 하고자 한다. 이를 위해 카테고리 특성을 분석한 결과는 다음과 같다.
본 연구에서는 오픈마켓 카테고리를 통합 및 표준화 하지 않고 의미분석 방법을 통하여 카테고리를 검색하는 시스템을 제안한다.
본 연구에서는 오픈마켓을 위한 카테고리 검색 시스템을 제안하여 서로 상이한 카테고리를 가지는 오픈마켓의 판매자들이 상품등록 수행 시 빠르고 효과적으로 카테고리를 검색할 수 있도록 제안한다.
이처럼 다른 계층구조에서 동일성을 파악하고 이를 선택할 수 있는 방법이 요구된다. 이와 같은 문제를 해결하기 위해서 본 논문에서는 색인어로 조회된 모든 카테고리의 대카테고리와 원본카테고리의 의미를 분석하여 WordNet을 이용하여 상위계층끼리 비교하는 방법을 제안한다.
가설 설정
3. 카테고리 의미는 같으나 명칭이 다르다.
4. 상품 속성에 대한 단위표시가 다르다.
5. 상품 속성을 상세하게 표시되거나 간략하게 표시된다.
실험 데이터는 옥션, 11번가, G마켓, 인터파크의 카테고리를 수집하여 저장하였다. 여기서 오픈마켓 카테고리 정보는 오픈마켓 CM(Category Manager)으로부터 제공받거나 직접 수집한다는 가정을 한다.
제안 방법
3.1절에서 제시한 특성들을 가지는 오픈마켓의 카테고리 검색 시스템을 위한 의미 분석 방법으로 형태소 분석을 통하여 카테고리명의 구문을 분석하는 방법을 제안한다.
본 논문에서는 Hypernym을 사용하여 상위어휘를 검색하고자 한다. [그림 3]과 같이 Hypernym은 단어의 상위어휘를 표시하며, 마지막 상위어휘인 개체(Entity)까지 계층적으로 표시하게 되나, 모든 단어의 너무 높은 단계끼리 비교하게 되면 모든 카테고리가 동일하다는 잘못된 결론이 도출되므로 정확한 검색을 위해 본 연구에서는 상위 3단계까지만 비교한다.
검색 기준은 색인어기반 검색방법의 경우 원본카테고리 ㄹ와 검색된 카테고리 중에 매칭이 가능한 카테고리가 있는 경우에 검색된 것으로 측정하였고, 의미분석 검색방법의 경우 원본카테고리를 통해 검색된 카테고리들 중에서 언어적 측정 값과 구조적 측정값의 합을 내림차순으로 정렬하여 가장 큰 값을 가지는 카테고리를 선정하여 그 값이 1.4보다 큰 경우 검색된 것으로 측정하였으며, 카테고리가 조회되지 않거나, 없는 경우에는 검색실패로 처리했다.
따라서 조회된 오픈마켓 카테고리에 대해 우선순위를 정하는 작업이 필요하며, 이는 의미적 연관성 척도[12]를 변형하여 측정하였다.
본 연구에서는 구문 분석 범위를 명사 추출 및 상위어 비교분석으로 한정하도록 한다. 명사 추출 시 모든 사용자들이 참여하는 사전인 Wiki 낱말사전[11]에 등록된 명사를 사용하였으며, 의미를 비교하기 위해 앞서 기술한 WordNet의 상위어 유형분석기능을 사용하고, 한영번역을 위해 Google에서 OpenAPI로 제공되는 번역 서비스를 사용하였다.
밀러 심리학 교수가 지도하는 인지 과학 연구소에 의해 1985년에 만들어진 영어의 의미어휘목록이다[6]. 물론 한글에 관해서도 아시아 워드넷 프로젝트[7], 한국어 어휘망 코렉스[8], 코어넷[9]과 같이 공개적으로 연구가 많이 진행되고 있으나, 본 연구에서 사용하기 적합한 한국어의미어휘 목록을 제공하는 곳이 없어, 영어의미어휘 목록인 WordNet을 사용하고자 한다.
본 논문에서는 매칭행렬을 사용하여 언어적 상관관계를 측정하였으며, 측정된 가중치 중 가장 높은 값을 해당 카테고리명에 대한 가중치로 설정하고, 이는 수식(1)과 같이 정의된다.
본 논문에서는 판매자로부터 입력받거나 선택된 카테고리를 “원본카테고리”로 정의하였다.
보다 정확한 구문 분석을 위해서는 카테고리의 내용을 파악하고 미리 연관된 관계어를 정리해야 하나 시간 및 비용 측면에서 비효율적이며, 한국어 특성상 범위가 넓어지게 되고, 오히려 정확도가 떨어질 수 있게 된다. 본 연구에서는 구문 분석 범위를 명사 추출 및 상위어 비교분석으로 한정하도록 한다. 명사 추출 시 모든 사용자들이 참여하는 사전인 Wiki 낱말사전[11]에 등록된 명사를 사용하였으며, 의미를 비교하기 위해 앞서 기술한 WordNet의 상위어 유형분석기능을 사용하고, 한영번역을 위해 Google에서 OpenAPI로 제공되는 번역 서비스를 사용하였다.
본 절에서는 형태소 분석, Wiki 낱말사전, WordNet을 이용하여 원본카테고리의 색인어를 확장한 후 오픈마켓 카테고리에서 색인어를 포함하는 카테고리를 조회한다. 그 후 연관성을 측정하여 판매자에게 연관성이 높은 순으로 추천한다.
과정 2. 시스템은 원본카테고리를 형태소 분석하여 색인어를 추출한다. 추출 시 Wiki 낱말사전에 등록된 명사를 토대로 추출한다.
프로그램은 카테고리 선택(상단), 조회된 카테고리 목록(중단), 판매자가 원하는 카테고리를 찾아볼 수 있는 오픈마켓 카테고리목록(하단)에 대한 부분으로 구성되어 있다. 실험 데이터를 통해 색인어기반 검색방법과 의미분석 검색방법의 검색 성능을 비교하기 위해 평균 검색 시간과 각 오픈마켓 카테고리를 검색 원본으로 하여 다른 오픈마켓의 카테고리와의 매칭 여부를 실험하였다.
과정 3. 오픈마켓 카테고리 테이블에서 추출된 색인어를 포함하는 카테고리를 조회한다.
과정 5. 원본카테고리와 조회된 카테고리간의 의미적 연관성을 측정한다.
그러나 오픈마켓 카테고리 특성으로 인해 원본카테고리와 다른 의미의 카테고리까지 조회된다. 이 문제를 해결하기 위하여 Google의 번역 서비스와 WordNet의 상위어 조회 기능을 사용하여 조회된 카테고리 목록 중 원본카테고리와 같은 상위어휘를 가지지 않는 카테고리를 제거하였으며, 의미적 연관성을 측정하여 판매자에게 원본카테고리와 가장 비슷한 카테고리를 추천하였다. 사용자는 [그림 4]와 같이 오픈마켓에 상품 등록 시 시스템에서 추천하는 카테고리 정보를 이용함으로써 상품등록 시간이 감소되고 대량의 상품을 효율적으로 관리할 수 있게 된다.
따라서 본 논문에서는 오픈마켓에서 대량의 상품을 판매하는 판매자들, 그리고 써드파티 업체들이 좀 더 효율적으로 카테고리를 검색하고, 상품을 등록하기 위한 방안으로 WordNet 기반의 오픈마켓 카테고리 검색시스템을 제안하였다. 이를 위해 오픈마켓 카테고리의 특성을 분석하였고, 그 특성에 맞게 카테고리에서 색인어를 추출하였다. 추출된 색인어를 의미적으로 분석하기 위해 언어적 측정값과 구조적 측정값을 계산하여 조회하는 시스템을 설계 및 구현해 보았다.
이처럼 의미는 같으나 다른 단위로 표시될 수 있으나 본 논문에서는 단위로 구분하더라도 “형(形)”이 단위인지 “형(兄)”인지 구분하기 어려우므로 형태소 분석기준에 따라 “17형”, “17인치”, “17” 형태로 검색을 하였다.
조회된 오픈마켓 카테고리의 우선순위를 정하기 위하여 언어적 및 구조적 측정 방법을 사용한다. 의미적 연관성 척도는 언어적 측정값과 구조적 측정값을 합한 비율로 정의하며, 이 값이 2에 가까울수록 비교 대상인 두 카테고리가 의미적으로 연관성이 높다고 볼 수 있다.
이를 위해 오픈마켓 카테고리의 특성을 분석하였고, 그 특성에 맞게 카테고리에서 색인어를 추출하였다. 추출된 색인어를 의미적으로 분석하기 위해 언어적 측정값과 구조적 측정값을 계산하여 조회하는 시스템을 설계 및 구현해 보았다. 그 결과로 색인어기반 검색방법 보다 의미기반 검색방법이 원본카테고리에 의미적으로 가까운 카테고리를 추천하여 제안하는 방법의 유용성을 확인 할 수 있었다.
오픈마켓 카테고리 검색 시스템은 [그림 5]와 같이 구성되어 있다. 판매자가 특정 오픈마켓 카테고리를 선택하면 시스템은 카테고리를 분석하여 색인어를 추출한다. 오픈마켓 카테고리 특성상 동일한 구조와 용어를 사용하지 않으므로 단계별로 카테고리를 검색한다.
[그림 6]은 오픈마켓 카테고리 검색 시스템의 실험 결과를 보여준다. 프로그램은 카테고리 선택(상단), 조회된 카테고리 목록(중단), 판매자가 원하는 카테고리를 찾아볼 수 있는 오픈마켓 카테고리목록(하단)에 대한 부분으로 구성되어 있다. 실험 데이터를 통해 색인어기반 검색방법과 의미분석 검색방법의 검색 성능을 비교하기 위해 평균 검색 시간과 각 오픈마켓 카테고리를 검색 원본으로 하여 다른 오픈마켓의 카테고리와의 매칭 여부를 실험하였다.
형태소 분석을 통해 카테고리명으로부터 명사를 추출하는 방법을 사용하였다. 보다 정확한 구문 분석을 위해서는 카테고리의 내용을 파악하고 미리 연관된 관계어를 정리해야 하나 시간 및 비용 측면에서 비효율적이며, 한국어 특성상 범위가 넓어지게 되고, 오히려 정확도가 떨어질 수 있게 된다.
대상 데이터
오픈마켓 판매자는 상품을 등록하고 주문 및 배송작업을 오픈마켓에서 제공하는 판매관리화면에서 처리하며, 국내 오픈마켓 중 하나인 11번가의 상품등록화면에서는 [그림 1]과 같이 카테고리를 3~4단계를 거쳐 선택할 수 있는 인터페이스가 제공되며 다른 오픈마켓에서도 [그림 1]과 유사한 인터페이스가 제공되고 있다. 본 논문에서는 상위 카테고리부터 대카테고리, 중카테고리, 소카테고리, 세부카테고리로 명명하였다.
본 연구의 실험 환경은 Intel Pentium 4, MS Windows XP, RAM 2GB이며, 구현을 위해 Microsoft 사의 C# 언어와 데이터 처리를 위한 DBMS로는 Microsoft 사의 Access를 사용하였다. 실험 데이터는 옥션, 11번가, G마켓, 인터파크의 카테고리를 수집하여 저장하였다.
본 연구의 실험 환경은 Intel Pentium 4, MS Windows XP, RAM 2GB이며, 구현을 위해 Microsoft 사의 C# 언어와 데이터 처리를 위한 DBMS로는 Microsoft 사의 Access를 사용하였다. 실험 데이터는 옥션, 11번가, G마켓, 인터파크의 카테고리를 수집하여 저장하였다. 여기서 오픈마켓 카테고리 정보는 오픈마켓 CM(Category Manager)으로부터 제공받거나 직접 수집한다는 가정을 한다.
과정 1. 판매자는 원본 오픈마켓 카테고리를 선택한다.
성능/효과
[표 6]은 본 논문에서 제안한 의미분석 검색방법이 색인어기반 검색방법보다 최소 12%부터 최대 21% 사이로 평균 17.5% 더 향상된 검색결과를 보여주고 있다.
결과적으로 색인어기반 검색방법은 단순 색인어 검색으로 카테고리 관계도가 상이할수록 카테고리가 조회되지 않거나, 의미가 다른 카테고리만 조회되는 경우가 빈번히 발생하였다.
추출된 색인어를 의미적으로 분석하기 위해 언어적 측정값과 구조적 측정값을 계산하여 조회하는 시스템을 설계 및 구현해 보았다. 그 결과로 색인어기반 검색방법 보다 의미기반 검색방법이 원본카테고리에 의미적으로 가까운 카테고리를 추천하여 제안하는 방법의 유용성을 확인 할 수 있었다.
두 그룹 간에 카테고리 매칭 정확도를 보면 많은 카테고리를 가진 그룹1→그룹1의 색인어기반 검색방법과 의미기반 검색방법 모두가 가장 높은 정확도를 보여주었다.
이는 카테고리의 수가 적은 경우 보다 많을수록 판매자가 원하는 카테고리를 상대적으로 검색하기 수월함을 보여주었다. 또한 카테고리 검색 시 같은 그룹 간에서 정확도가 약 66%로 보여지고, 다른 그룹 간에서 정확도가 82~84%로 보여지는데, 이는 비슷한 카테고리 수를 가지는 오픈마켓일지라도 카테고리 관계도가 유사하지 않음을 보여주고 있으며, 반면에 다른 카테고리 수를 가지는 오픈마켓 간에 카테고리 관계도의 유사 여부를 떠나 보다 향상된 정확도를 보여주고 있다.
반면 상대적으로 적은 카테고리를 가진 그룹2→그룹2의 색인어기반 검색방법과 의미기반 검색방법 모두 가장 낮은 정확도를 보여주었다.
실험의 수행 시간은 색인어기반 검색방법은 카테고리별로 평균 1초 내로 검색결과를 확인할 수 있었고, 의미분석 검색방법의 경우 평균 5초 내로 검색결과를 확인할 수 있었다. 이는 단순히 카테고리를 조회하는 색인어기반 검색방법과는 다르게 OpenAPI를 이용하는 의미분석 검색방법이 상대적으로 더 많은 시간을 소요한다.
앞서 온톨로지를 이용하는 제안된 방법들은 카테고리 매칭에 효과적이나 해외 오픈마켓과는 다르게 국내 오픈마켓은 카테고리가 온톨로지화 되어 있지 않고, 표준화된 카테고리의 기준이 없으며, 수시로 변하는 오픈마켓 카테고리에 대응하기에는 상대적으로 시간 및 유지보수 측면에서 비효율적이다.
하지만 본 논문에서 제안한 의미분석 검색방법은 원본카테고리를 의미적으로 분석하는 단계를 거쳐 색인어를 추출하기 때문에 카테고리 관계도가 상이하더라도 색인어 기반 검색방법보다 정확도가 높아 성능이 우수하였음을 보였다.
후속연구
향후 연구로는 향상된 카테고리 검색을 위해 보다 정확하게 동일성을 파악하기 위해서는 WordNet의 계층관계를 이용하기 보단, 공개적으로 이용할 수 있는 한국어 워드넷이 필요로 하다. 그리고 한글의 동의어, 유의어에 대한 조사가 이루어지지 않았는데 향후에는 국립국어원에서 구축한 21세기 세종계획[14]을 이용하여 추출된 색인어 목록에 동의어와 유의어를 추가한다면 매칭 정확도가 보다 높아질 것이다. 마지막으로 오픈마켓 카테고리가 상품의 모든 속성을 표현할 수 없기 때문에 사용자 의도를 정확히 판단하여 카테고리 매칭하기 위해 개인화 연구가 필요하다.
또한 “생활주방”의 카테고리인 경우 “생활”, “활주”, “주방” 3개의 명사가 추출되는데 여기서 “활주”는 카테고리 성격과 맞지 않는 명사이므로 제거하는 과정이 추가로 필요하겠다.
그리고 한글의 동의어, 유의어에 대한 조사가 이루어지지 않았는데 향후에는 국립국어원에서 구축한 21세기 세종계획[14]을 이용하여 추출된 색인어 목록에 동의어와 유의어를 추가한다면 매칭 정확도가 보다 높아질 것이다. 마지막으로 오픈마켓 카테고리가 상품의 모든 속성을 표현할 수 없기 때문에 사용자 의도를 정확히 판단하여 카테고리 매칭하기 위해 개인화 연구가 필요하다.
향후 연구로는 향상된 카테고리 검색을 위해 보다 정확하게 동일성을 파악하기 위해서는 WordNet의 계층관계를 이용하기 보단, 공개적으로 이용할 수 있는 한국어 워드넷이 필요로 하다. 그리고 한글의 동의어, 유의어에 대한 조사가 이루어지지 않았는데 향후에는 국립국어원에서 구축한 21세기 세종계획[14]을 이용하여 추출된 색인어 목록에 동의어와 유의어를 추가한다면 매칭 정확도가 보다 높아질 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
오픈마켓의 특징은?
인터넷쇼핑몰 시장의 일부인 오픈마켓(Open market)은 저비용으로 소비자가 판매자가 될 수 있는 공간을 제공하는 C2C(Customer To Customer)시장으로, 2011년 3/4분기 인터넷쇼핑몰 시장은 7조 2,770억원으로 전년 동분기 대비 16.3% 증가한 시장규모를 형성하였으며 또한 진입장벽이 낮다는 장점 때문에 국내 전자상거래 시장에서 차지하는 비율 또한 매년 성장하고 있는 추세이다[1].
카테 고리 매칭하는 일반적인 방법에는 무엇이 있는가?
2010년 상반기에는 옥션과 G마켓에서 서로 간에 상품을 복사등록하는 서비스가 추가 되었으며,이 과정에서 카테고리를 자동으로 매칭해주는 “카테고리매칭" 을 제공하고 있다. 카테 고리 매칭하는 방법은 일반적으로 오픈마켓에서 공개하는 카테고리를 웹스크랩하여 수집하거나, 오픈마켓 CM(Category Manager)으로부터 카테고리를 제공 받은 후 수동으로 매칭작업을 하는 것으로 조사되었다.
형태소 분석을 통해 카테고리명의 구문을 분석하는 방법은 어떻게 진행되는가?
단계 1. 카테고리 특성 1에 따라 카테고리를 공백, 특수문자로 구분한다.
단계 2. 명사 추출 시 Wiki 낱말사전에 등록된 명사를 기반으로 한다.
단계 3. 영문자+숫자 형식인 경우 영문자 또는 숫자가 3음절 이상인 경우에만 분리작업을 한다.
단계 4. 영문자+한글, 숫자+한글, 영문자+숫자+한글 형식인 경우 영문자, 숫자, 영문자+숫자가 2음절 이상이라면 한글과 분리작업을 한다.한글의 특성상 1음절 명사인 경우 검색 시 너무 많은 상황이 발생하기 때문에 2음절 이상이고 접속조사가 붙지 않은 복합명사인 경우에만 명사로 분리한다.
참고문헌 (14)
Korean Statistical Information Service, "E-commerce and cyber-shopping trends", http://kostat.go.kr, 2008-2011.
D. K. Kim, J. B. Kim, S. G. Lee, "Catalog integration for electronic commerce through category-hierarchy merging technique", Proceedings of the 12th International Workshop on Research Issues in Data Engineering: Engineering e-Commerce/ e-Business Systems, pp. 28-33, 2002.
D. W. Cha, Y. J. Park, "Articles : A Study on the Personalized Information Service Method in Internet Shopping Malls", Journal of Korea Corporation Management Association, Vol. 14, pp. 231-247, 2001.
N. Guarino, C. Masolo, G. Vetere, "OntoSeek: Content-Based Access to the Web", IEEE Intelligent Systems and their Applications, Vol. 14, No. 3, pp. 70-80, 1999.
W. J. Kim, N. H. Choi, D. W. Choi, "An Ontology-Driven Mapping Algorithm between Heterogeneous Product Classification Taxonomies", Journal of Intelligent Information Systems, Vol. 12, No. 2, pp. 33-48, 2006.
G. A. Miller, "WordNet: a lexical database for English", Communications of the ACM, Vol. 38, No. 11, pp. 39-41, 1995.
K. Robkop, S. Thoongsup, T. Charoenporn, V. Sornlertlamvanich, H. Isahara, "WNMS: Connecting the Distributed WordNet in the Case of Asian WordNet", Proceedings of the 5th International Conference of the Global WordNet Association, 2010.
S. Hwang, Y. Jung, A. Yoon, H. C. Kwon, "Building Korean Classifier Ontology Based on Korean WordNet", Proceedings of the 9th International Conference on Text, Speech and Dialogue, Vol. 4188, pp. 261-268, 2006.
K. S. Choi, H. S. Bae, "A Korean-Japanese- Chinese Aligned Wordnet with Shared Semantic Hierarchy", Lecture Notes in Computer Science, Vol. 2911, pp. 91-96, 2003.
S. S. Kang, "Korean Morphological Analysis and Information Retrieval", Hongrung Publishing Company, 2002.
M. C. Chimato, "It's a Wiki Wiki World", Medical Reference Services Quarterly, Vol. 26, No. 1, pp. 169-190, 2007.
I. H. Kwon, C. O. Kim, K. P. Kim, C. J. Kwak, "Recommendation of e-commerce sites by matching category-based buyer query and product e-catalogs", Computers in Industry, Vol. 59, No. 4, pp. 380-394, 2008.
S. Castano, A. Ferrara, S. Montanelli, "H-match: an algorithm for dynamically matching ontologies in peer-based systems", Proceedings of the 1st International Workshop on Semantic Web and Databases at VLDB, pp. 1-20, 2003.
H. G. Kim, B. M. Kang, J. H. Hong, "21st Century Sejong Modern Korean Corpora: Results and Expectations", Proceedings of the 19th Conference on Hangul and Korean Information, pp. 311-316, 2007.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.