$\require{mediawiki-texvc}$
  • 검색어에 아래의 연산자를 사용하시면 더 정확한 검색결과를 얻을 수 있습니다.
  • 검색연산자
검색연산자 기능 검색시 예
() 우선순위가 가장 높은 연산자 예1) (나노 (기계 | machine))
공백 두 개의 검색어(식)을 모두 포함하고 있는 문서 검색 예1) (나노 기계)
예2) 나노 장영실
| 두 개의 검색어(식) 중 하나 이상 포함하고 있는 문서 검색 예1) (줄기세포 | 면역)
예2) 줄기세포 | 장영실
! NOT 이후에 있는 검색어가 포함된 문서는 제외 예1) (황금 !백금)
예2) !image
* 검색어의 *란에 0개 이상의 임의의 문자가 포함된 문서 검색 예) semi*
"" 따옴표 내의 구문과 완전히 일치하는 문서만 검색 예) "Transform and Quantization"
쳇봇 이모티콘
안녕하세요!
ScienceON 챗봇입니다.
궁금한 것은 저에게 물어봐주세요.

논문 상세정보

초록

농림수산식품교육문화정보원에서는 2015년 1월부터 공공데이터 포털 서비스를 시작하였으며 포털 내에 구축된 빅데이터 기반 농식품 추천 시스템을 이용한 맞춤소비정보를 제공하고 있다. 추천시스템의 특징은 첫째, SNS오피니언마이닝, 소비자패널의 모든 구매내역 정보, 기후데이터, 도매가격 데이터와 같은 빅데이터의 성격을 가진 농식품분야의 다양한 데이터들을 이용하기 때문에 데이터 양의 관점에서 추천의 정확도를 높일 수 있다. 둘째, 추천시스템 구축 초기에는 사용자 정보 기반 추천이 어려운 한계를 극복할 수 있는 방법으로 식생활 라이프스타일과 메가트렌드 요인을 이용한 소비자 세분화방법을 사용한다. 이는 사용자 개인정보가 없는 상황에서도 다양한 식품 선호를 반영할 수 있도록 하여 추천실패율을 낯춘다. 셋째, 디리슐레-다항분포를 이용하는 추천 알고리즘을 적용하여 다양한 상황적 요인들의 선호가 반영된 농식품 추천이 가능하도록 하였다. 이 외에도 추천 농식품에 대한 SNS 맛집정보와 버즈량, 관련 식재료를 판매하는 주변 소매점 위치 및 가격정보 등 다양한 정보를 제공하여 농식품 분야 정보에 관심을 높일 수 있도록 시스템을 구현하였다.

Abstract

The Korea Agency of Education, Promotion and Information Service in Food, Agriculture, Forestry and Fisheries launched a public data portal service in January 2015. The service provides customized information for consumers through an agri-food recommendation system built-in portal service. The recommendation system has fallowing characteristics. First, the system can increase recommendation accuracy by using a wide variety of agri-food related data, including SNS opinion mining, consumer's purchase data, climate data, and wholesale price data. Second, the system uses segmentation method based on consumer's lifestyle and megatrends factors to overcome the cold start problem. Third, the system recommends agri-foods to users reflecting various preference contextual factors by using recommendation algorithm, dirichlet-multinomial distribution. In addition, the system provides diverse information related to recommended agri-foods to increase interest in agri-food of service users.

질의응답 

키워드에 따른 질의응답 제공
핵심어 질문 논문에서 추출한 답변
협력 기반 추천 기법
협력 기반 추천 기법이란 무엇인가?
사용자들의 과거 성향이 지속적으로 유지되는 것을 가정하여 취향이 비슷한 사용자들에게 아직 구매하지 않은 상품을 교차 추천하는 방법

내용 기반의 추천 기법은 사용자가 특정 아이템을 선호하면 이와 관련성이 높은 아이템을 추천하는 방식으로 추천 대상 아이템이 자주 바뀌지 않을 때 적합한 방법이다[2]. 협력 기반 추천 기법은 사용자들의 과거 성향이 지속적으로 유지되는 것을 가정하여 취향이 비슷한 사용자들에게 아직 구매하지 않은 상품을 교차 추천하는 방법이다. 추천 대상 아이템이 자주 바뀔 때 유용한 방법이다[2].

토픽 모델링
토픽 모델링에서 가장 많이 사용하는 알고리즘과 그 알고리즘을 사용한 이유는?
LDA(Latent Dirichlet Allocation) 알고리즘이 가장 많이 사용된다. LDA 알고리즘은 Dirichlet 분포와 다항 분포 사이에 공액사전분포함수(conjugate prior) 관계가 성립하는 이점을 활용하여 문서의 주제 분포와 각 주제에 해당되는 단어의 출현 확률정보를 이용하여 주어진 문서가 어떤 주제인지를 통계적으로 계산할 수 있다

이러한 평가 데이터 부족의 문제를 보완할 수 있는 방법으로 과거의 행동정보와 사용자(아이템)의 숨겨진 특성을 이용하여 평가정보를 대체하는 방법으로 토픽 모델링이 사용될 수 있다. 이 기법은 문서 내에서 은닉 주제들을 찾아내기 위해 개발된 통계 추론 방법으로 LDA(Latent Dirichlet Allocation) 알고리즘이 가장 많이 사용된다. LDA 알고리즘은 Dirichlet 분포와 다항 분포 사이에 공액사전분포함수(conjugate prior) 관계가 성립하는 이점을 활용하여 문서의 주제 분포와 각 주제에 해당되는 단어의 출현 확률정보를 이용하여 주어진 문서가 어떤 주제인지를 통계적으로 계산할 수 있다[23]. 또한 LDA는 문서뿐만 아니라 비슷한 형태의 모든 데이터 분석에 활용될 수 있는 장점을 가진다[25].

내용 기반 추천 기법
내용 기반 추천 기법의 문제점은 무엇인가?
인구 통계적 특성을 얻기 힘든 경우가 많고 사용자가 명시한 선호 특성들을 구하기 어려운 문제

내용 기반 추천 기법은 인구 통계적 특성을 얻기 힘든 경우가 많고 사용자가 명시한 선호 특성들을 구하기 어려운 문제를 가진다[3]. 협력 기반 추천 기법은 많은 연구들에서 비교적 정확도가 높은 것으로 평가 되고 있으나 이 역시 사용자들의 평가정보를 얻기 힘든 경우가 많고, 평가 정보의 양이 많지 않을 경우 추천성능이 크게 감소하는 문제가 있다[3].

질의응답 정보가 도움이 되었나요?

참고문헌 (36)

  1. EPIS, RFP for research on agri-food public open data and development bigdata business model, pp. 3, 2014. 

    인용 구절

    농식품 분야의 공공데이터는 개방 완료된 120종 외에도 데이터베이스에 저장되어있는 데이터도 290개에 달하는 것으로 조사되었다[1].

  2. J. S. Jeong and S. J. Kang "Hybrid food recommendation system using auto-generated user profiles," J. Korean Inst. Intell. Syst., vol. 21, no. 5, pp. 609-617, 2011. 

    인용 구절

    내용 기반의 추천 기법은 사용자가 특정 아이템을 선호하면 이와 관련성이 높은 아이템을 추천하는 방식으로 추천 대상 아이템이 자주 바뀌지 않을 때 적합한 방법이다[2].

    추천 대상 아이템이 자주 바뀔 때 유용한 방법이다[2].

    한편 일반 사용자용 추천시스템은 건강한 식단을 제공하기 위한 목적과[16,22] 즐겨 먹는 음식의 특징을 파악하여 소비자의 메뉴선택 의사결정을 도와 만족도를 높이는 목적으로[2,15,18] 다시 구분할 수 있다.

    사용자의 메뉴선택 의사결정을 지원하는 추천시스템으로는 과거의 식품 주문정보를 학습하여 선호도가 높은 식품을 추천하는 방법[18], 사용자에게 직접 요구사항을 질문한 뒤 텍스트마이닝으로 사용자 니즈를 추출하여 영양정보를 기반으로 해당 질문과 가장 관계가 큰 식품을 추천하는 방법[15], 그리고 사용자의 트위터 계정과 연동하여 작성된 트윗을 텍스트 마이닝하여 선호하는 식품 정보를 추출하여 추천에 활용하는 방법[2]이 소개되었다.

  3. H. J. Ahn and J. W. Kim, "Comparison of product and customer feature selection methods for content-based recommendation in internet storefronts," J. KIPS, vol. 13-D, no. 2, pp. 279-286, 2006. 

    인용 구절

    내용 기반 추천 기법은 인구 통계적 특성을 얻기 힘든 경우가 많고 사용자가 명시한 선호 특성들을 구하기 어려운 문제를 가진다[3].

    협력 기반 추천 기법은 많은 연구들에서 비교적 정확도가 높은 것으로 평가 되고 있으나 이 역시 사용자들의 평가정보를 얻기 힘든 경우가 많고, 평가 정보의 양이 많지 않을 경우 추천성능이 크게 감소하는 문제가 있다[3].

    추천시스템에서 가장 많이 사용되는 협업 필터링 방법의 경우 평가 정보가 부족한 상황에서는 추천의 정확도가 매우 떨어지는 단점이 있다[3].

  4. S. I. Lee and S. Y. Lee, "A collaborative filtering-based recommendation system with relative classification and estimation revision based on Time," J. KIIS, vol. 20, no. 2, pp. 189-194, 2010. 
  5. Y. J. Lee and K. J. Kim, "Product recommender systems using multi-model ensemble technique," J. KIISS, vol. 19, no. 2, pp. 39-54, 2013. 
  6. J. S. Kim, Y. A. Do, J. W. Ryu, and M. W. Kim, "A collaborative recommendation system using neural networks for increment of performance," J. KBS, vol. 1, no. 2, pp. 233- 244, 2001. 
  7. C. H. Shin, J. W. Lee, H. N. Yang, and I. Y. Choi, "The research on recommender for new customers using collaborative filtering and social network analysis," J. KIISS, vol. 18, no. 4, pp. 19-42, 2012. 
  8. S. J. Park, S. K. Kang, and Y. K. Kim, "A multimedia contents recommendation system using preference transition probability," J. KIIS, vol. 16, no. 2, pp. 164-171, 2006. 
  9. S. Y. Oh, Y. H. Oh, S. H. Han, and H. J. Kim, "Broadcast content recommender system based on user's viewing history," J. Korean Soc. of Broadcast Engineers, vol. 17, no. 1, pp. 129-139, 2012. 
  10. K. T. Han, M. K. Park, and Y. S. Choi, "Adaptive and collaborative recommendation using content type," J. KIISE : Softw. and Appl., vol. 38, no. 1, pp. 50-56, 2011. 
  11. B. H. Oh, J. H. Yang, and H. J. Lee, "A hybrid recommender system based on collaborative filtering with selective utilization of content-based predicted ratings," J. KIISE : Softw. and Appl., vol. 41, no. 4, pp. 289-294, 2014. 
  12. J. H. Lee, J. P. Hwang, and E. T. Kim, "A new kernelized approach to recommender system," J. KIIS, vol. 21, no. 5, pp. 624-629, 2011. 
  13. D. S. Park, "Improved movie recommendation system based-on personal propensity and collaborative filtering," KIPS Trans. Comput. and Commun. Syst., vol. 2, no. 11, pp. 475-82, 2013. 
  14. N. K. Kim and S. Y. Lee, "Bayesian network based music recommendation system considering multi-criteria decision making," The J. Digital Policy & Management, vol. 11, no. 3, pp. 345-352, 2013. 
  15. T. Ueta, M. Iwakami, and T. Ito, "Implementation of a goal-oriented recipe recommendation system providing nutrition information," in IEEE Int. Conf. TAAI, pp. 183-188, Chung-Li, Nov. 2011. 

    인용 구절

    한편 일반 사용자용 추천시스템은 건강한 식단을 제공하기 위한 목적과[16,22] 즐겨 먹는 음식의 특징을 파악하여 소비자의 메뉴선택 의사결정을 도와 만족도를 높이는 목적으로[2,15,18] 다시 구분할 수 있다.

    사용자의 메뉴선택 의사결정을 지원하는 추천시스템으로는 과거의 식품 주문정보를 학습하여 선호도가 높은 식품을 추천하는 방법[18], 사용자에게 직접 요구사항을 질문한 뒤 텍스트마이닝으로 사용자 니즈를 추출하여 영양정보를 기반으로 해당 질문과 가장 관계가 큰 식품을 추천하는 방법[15], 그리고 사용자의 트위터 계정과 연동하여 작성된 트윗을 텍스트 마이닝하여 선호하는 식품 정보를 추출하여 추천에 활용하는 방법[2]이 소개되었다.

  16. H. M. Kim, S. M. Rho, and J. K. Hong, "Design and implementation of fuzzy-based menu recommendation system," J. Korea Navig. Inst., vol. 16, no. 6, pp. 1109-1115, 2012. 

    인용 구절

    한편 일반 사용자용 추천시스템은 건강한 식단을 제공하기 위한 목적과[16,22] 즐겨 먹는 음식의 특징을 파악하여 소비자의 메뉴선택 의사결정을 도와 만족도를 높이는 목적으로[2,15,18] 다시 구분할 수 있다.

    일반인을 대상으로 하는 건강식단 추천시스템 연구로는 사용자의 키, 몸무게, 근육량 정보를 수집한 후 퍼지추론으로 비만도를 도출한 후 해당 비만도별로 고려되어야 하는 칼로리와 영양정보를 기준으로 식품을 선별하여 추천하는 방법[16], 생체신호 센서와 주변환경 인식 센서와 같은 유비쿼터스 기술을 이용하여 사용자의 건강과 식사맥락을 파악하여 최적의 음식을 추천하는 방법[22]이 소개되었다.

  17. A. S. Khan and A. Hoffmann, "Building a case-based diet recommendation system without a knowledge engineer," Artificial Intell. Med., vol. 27, no. 2, pp. 155-179, 2003. 

    인용 구절

    환자용 추천시스템은 식단 관리가 필요한 당뇨병이나 신장병 환자를 대상으로 영양정보에 기반한 음식을 추천한다[17,19].

    환자용 식단 추천 시스템의 경우 음식에 포함된 영양정보의 정확도가 매우 중요한 요인이기 때문에 영양정보가 포함된 방대한 양의 식품 데이터베이스로부터 특정한 조건의 음식을 분류하여 추천하는 것이 핵심이며 사례기반추론[17]이나 K-means, Self-Organizing Map(SOM)과 같은 군집분석 기법을 활용하여[18] 추천의 정확도를 높이는 것에 초점을 맞추고 있다.

  18. H. K. Han and U. H. Suh, "Learning based personalized foods recommendation agent," in Proc. 32th KIPS Conf., vol. 16, no. 2, pp. 313-314, 2009. 

    인용 구절

    한편 일반 사용자용 추천시스템은 건강한 식단을 제공하기 위한 목적과[16,22] 즐겨 먹는 음식의 특징을 파악하여 소비자의 메뉴선택 의사결정을 도와 만족도를 높이는 목적으로[2,15,18] 다시 구분할 수 있다.

    환자용 식단 추천 시스템의 경우 음식에 포함된 영양정보의 정확도가 매우 중요한 요인이기 때문에 영양정보가 포함된 방대한 양의 식품 데이터베이스로부터 특정한 조건의 음식을 분류하여 추천하는 것이 핵심이며 사례기반추론[17]이나 K-means, Self-Organizing Map(SOM)과 같은 군집분석 기법을 활용하여[18] 추천의 정확도를 높이는 것에 초점을 맞추고 있다.

    사용자의 메뉴선택 의사결정을 지원하는 추천시스템으로는 과거의 식품 주문정보를 학습하여 선호도가 높은 식품을 추천하는 방법[18], 사용자에게 직접 요구사항을 질문한 뒤 텍스트마이닝으로 사용자 니즈를 추출하여 영양정보를 기반으로 해당 질문과 가장 관계가 큰 식품을 추천하는 방법[15], 그리고 사용자의 트위터 계정과 연동하여 작성된 트윗을 텍스트 마이닝하여 선호하는 식품 정보를 추출하여 추천에 활용하는 방법[2]이 소개되었다.

  19. M. Phanich, P. Pholkul, and S. Phimoltares. "Food recommendation system using clustering analysis for diabetic patients," in IEEE.Int. Conf. Inf. Sci. and Appl.(ICISA), pp. 1-8, Seoul, 2010. 

    인용 구절

    환자용 추천시스템은 식단 관리가 필요한 당뇨병이나 신장병 환자를 대상으로 영양정보에 기반한 음식을 추천한다[17,19].

  20. J. S. Lee and J. C. Lee. "A case based music recommendation system using contextawareness," J. KIISS, vol. 12, no. 3, pp. 111-126, 2006. 

    인용 구절

    실제로 음악 추천 시스템에서는 계절, 날씨, 요일, 기온을 고려한 음악 추천으로 사용자 만족도를 높이고 있다[20].

  21. S. I. Lee and S. Y. Lee, "A recommendation system using context-based collaborative filtering," J. KIIS, vol. 21, no. 2, pp. 224-229, 2011. 
  22. Y. Oh, A. Choi, and W. Woo, "u-BabSang: A context-aware food recommendation system," The J. Supercomputing, vol. 54, no. 1, pp. 61-81, 2010. 

    인용 구절

    한편 일반 사용자용 추천시스템은 건강한 식단을 제공하기 위한 목적과[16,22] 즐겨 먹는 음식의 특징을 파악하여 소비자의 메뉴선택 의사결정을 도와 만족도를 높이는 목적으로[2,15,18] 다시 구분할 수 있다.

    일반인을 대상으로 하는 건강식단 추천시스템 연구로는 사용자의 키, 몸무게, 근육량 정보를 수집한 후 퍼지추론으로 비만도를 도출한 후 해당 비만도별로 고려되어야 하는 칼로리와 영양정보를 기준으로 식품을 선별하여 추천하는 방법[16], 생체신호 센서와 주변환경 인식 센서와 같은 유비쿼터스 기술을 이용하여 사용자의 건강과 식사맥락을 파악하여 최적의 음식을 추천하는 방법[22]이 소개되었다.

  23. D. M. Blei, A. Y. Ng, and M. I. Jordan, "Latent dirichlet allocation," J. Machine Learning Research, vol. 3, pp. 993-1022, 2003. 

    인용 구절

    LDA 알고리즘은 Dirichlet 분포와 다항 분포 사이에 공액사전분포함수(conjugate prior) 관계가 성립하는 이점을 활용하여 문서의 주제 분포와 각 주제에 해당되는 단어의 출현 확률정보를 이용하여 주어진 문서가 어떤 주제인지를 통계적으로 계산할 수 있다[23].

  24. S. J. Pyo, E. H. Kim, and M. C. Kim, "Topic modeling based similar user grouping and TV program recommendation for smart," in Proc. Korean Soc. Broadcast Eng. Conf., pp. 116-119, 2012. 

    인용 구절

    실제로 문서의 토픽 분류 분야 뿐 아니라 TV프로그램 추천[24,26,27], 영화 추천[28]에서도 사용되어 추천의 정확도를 높이는 것이 확인되었다.

  25. T. M. Cho and J. H. Lee, "Latent keyphrase extraction using LDA model," in Proc. KIIS Fall Conf. 2014, vol. 24, no. 2, pp. 125-126, 2014. 

    인용 구절

    또한 LDA는 문서뿐만 아니라 비슷한 형태의 모든 데이터 분석에 활용될 수 있는 장점을 가진다[25].

  26. E. H. Kim, S. J. Pyo, and M. C. Kim, "Automatic TV program recommendation using LDA based latent topic inference," J. Broadcating Eng., vol. 17, no. 2, pp. 270-283, 2012. 

    인용 구절

    실제로 문서의 토픽 분류 분야 뿐 아니라 TV프로그램 추천[24,26,27], 영화 추천[28]에서도 사용되어 추천의 정확도를 높이는 것이 확인되었다.

  27. C. Y. Park, J. D. Lee, J. H. Park, and J. H. Lee, "Contents recommendation method using LDA clustering bbased on program synopsis," in Proc. 2013 Conf. HCI Soc. Korea, pp. 618- 621, 2013. 

    인용 구절

    실제로 문서의 토픽 분류 분야 뿐 아니라 TV프로그램 추천[24,26,27], 영화 추천[28]에서도 사용되어 추천의 정확도를 높이는 것이 확인되었다.

  28. K. S. Kim, H. K. Jeong, H. J. Lee, and H. J. Kim, "Collaborative filtering using topic models for rating based recommender systems," in Proc. Korean Inf. Sci. Soc. Conf., vol. 39, no. 1B, pp. 381-383, 2012. 

    인용 구절

    실제로 문서의 토픽 분류 분야 뿐 아니라 TV프로그램 추천[24,26,27], 영화 추천[28]에서도 사용되어 추천의 정확도를 높이는 것이 확인되었다.

  29. K. G. Grunert, K. Brunso, and S. Bisp, Food-related life style: Development of a cross-culturally valid instrument for market surveillance, MAPP Arhus, Denmark, Oct. 1993. 

    인용 구절

    식생활 라이프스타일은 [29]가 처음으로 제시한 이론으로 소비자들의 식생활 행동패턴을 이해하기 위해 라이프스타일 차원의 측정도구를 개발해 새로운 관점에서의 라이프스타일 이론을 발전시켰다.

  30. K. Brunso and K. G. Grunert, "Cross-cultural similarities and differences in shopping for food," J. Business Research, vol. 42, no. 2, pp. 145-150, 1998. 

    인용 구절

    [30]은식생활 라이프 스타일의 요인을 식품구매 동기, 구매 제품의 특성, 구매 의사 결정의 목적, 조리 방법, 소비 상황을 기준으로 식품 소비와 관련된 라이프 스타일을 제시하고 이후의 연구에서는 라이프스타일 변수를 이용한 소비자 유형 세분화가 진행되었다.

  31. K. G. Grunert, T. Perrea, Y. Zhou, G. Huang, B. T. Sorensen, and A. Krystallis, "Is food-related lifestyle(FRL) able to reveal food consumption patterns in non-western cultural environments? its adaptation and application in urban China," Appetite, vol. 56, no. 2, pp. 357-367, 2011. 

    인용 구절

    본 연구에서는 [31]이 제시한 FRL 측정지표를 참고하여 설문문항을 개발하였으며 조사대상은 농촌진흥청 소비자패널 800명을 대상으로 설문지를 배포한 후 643부를 회수 하여 분석에 사용하였다.

  32. B. D. Jeong and K. Y. Jang, "Model of u-distribution with use RFID/USN," J. Korea Inst. of Maritime Inf. & Commun. Sci., vol. 11, no. 10, pp. 1814-1820, 2007. 

    인용 구절

    농식품 공급사슬의 이력정보 투명화를 위해서는 RFID/ USN 기술을 이용한 물류시스템의 구축이 필요하며[32], 농식품 소비 단계에서의 상황인식이 가능하기 위해서는 [33]에서 소개하고 있는 유비쿼터스 기반의 홈네트워크 기술의 상용화가 선행되어야 한다.

  33. D. Y. Kim, J. E. Lee, S. H. Cha, and K. H. Cho, "Design and implementation of a management framework for ubiquitous home networks," J. KICS, vol. 33, no. 5, pp. 275-284, 2008. 

    인용 구절

    농식품 공급사슬의 이력정보 투명화를 위해서는 RFID/ USN 기술을 이용한 물류시스템의 구축이 필요하며[32], 농식품 소비 단계에서의 상황인식이 가능하기 위해서는 [33]에서 소개하고 있는 유비쿼터스 기반의 홈네트워크 기술의 상용화가 선행되어야 한다.

  34. H. W. Lee and H. S. Jeong, "Speech recognition system for intelligent home network system," J. KICS, vol. 33, no. 4, pp. 162-167, 2008. 

    인용 구절

    홈네트워크 기술이 일반화 될 경우 음성인식을 기술[34]을 통해 사용자의 요구사항을 추천시스템과 연계할 수 있고, 생체정보 인식기술[35]이 적용될 경우 사용자의 건강상 태가 실시간으로 반영된 식단 추천도 가능해진다.

  35. K. H. Chon and H. J. Choi, "A study on ubiquitous psychological state recognition model using bio-signals," J. KICS, vol. 35, no. 2, pp. 232-243, 2010. 

    인용 구절

    홈네트워크 기술이 일반화 될 경우 음성인식을 기술[34]을 통해 사용자의 요구사항을 추천시스템과 연계할 수 있고, 생체정보 인식기술[35]이 적용될 경우 사용자의 건강상 태가 실시간으로 반영된 식단 추천도 가능해진다.

  36. R. Burke, "Hybrid recommender systems: Survey and experiments," User modeling and User-Adapted Interaction, vol. 12, no. 4, pp. 331-370, 2002 

    인용 구절

    하이브리드 방식은 이들 추천 기법의 단점을 보완하기 위해 각각의 특징을 결합한 추천기법으로 가중(Weighted), 전환(Switching), 혼합(Mixed), 기능조합(Feature Combination), 캐스케이드(Cascade), 메타레벨(MetaLevel)과 같은 방법이 사용된다[36].

이 논문을 인용한 문헌 (0)

  1. 이 논문을 인용한 문헌 없음

문의하기 

궁금한 사항이나 기타 의견이 있으시면 남겨주세요.

Q&A 등록

DOI 인용 스타일

"" 핵심어 질의응답