[논문]과학기술정보 서비스 플랫폼에서의 빅데이터 분석을 통한 개인화 추천서비스 설계

김도균

doi:10.14699/kbiblia.2017.28.4.501

과학기술정보 서비스 플랫폼에서의 빅데이터 분석을 통한 개인화 추천서비스 설계
Personal Recommendation Service Design Through Big Data Analysis on Science Technology Information Service Platform 원문보기

한국비블리아학회지 = Journal of the Korean Biblia Society for Library and Information Science, v.28 no.4, 2017년, pp.501 - 518

초록
AI-Helper

연구자들에게 지식을 습득하여 연구 활동에 도입하는데 걸리는 소요시간을 단축하는 것은 연구생산성 향상에 필수적인 요소라고 할 수 있다. 본 연구의 목적은 한민족과학기술자네트워크(KOSEN) 사용자들의 정보 이용 패턴을 군집화하고 그룹화 된 사용자들에게 맞는 개인화 추천서비스 알고리즘의 최적화 방안을 제안하는 것이다. 사용자들의 연구활동과 이용정보에 기반하여 적합한 서비스와 콘텐츠를 식별한 후 Spark 기반의 빅데이터 분석 기술을 적용하여 개인화 추천 알고리즘을 도출하였다. 개인화 추천 알고리즘은 사용자의 정보검색에 소요되는 시간을 절약하고 적합한 정보를 찾아내는데 도움을 줄 수 있다.

Abstract ▼ AI-Helper

Reducing the time it takes for researchers to acquire knowledge and introduce them into research activities can be regarded as an indispensable factor in improving the productivity of research. The purpose of this research is to cluster the information usage patterns of KOSEN users and to suggest optimization method of personalized recommendation service algorithm for grouped users. Based on user research activities and usage information, after identifying appropriate services and contents, we applied a Spark based big data analysis technology to derive a personal recommendation algorithm. Individual recommendation algorithms can save time to search for user information and can help to find appropriate information.

주제어

AI 본문요약
AI-Helper

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

문제 정의

본 연구는 KOSEN 사용자들의 정보 이용 패턴을 군집화하고 그룹화 된 사용자들에게 맞는 개인화 추천서비스 알고리즘의 최적화를 진행하였다. 개인화 추천 알고리즘은 사용자의 정보검색에 소요되는 시간을 절약하고 적합한 정보를 찾아내는데 도움을 줄 수 있다.
본 연구에서는 Spark 기반의 빅데이터 개인화 추천서비스의 설계를 위한 기술들을 바탕으로 콘텐츠간의 유사도 분석방법과 추천 콘텐츠를 추출하고자 하는 설계에 관한 연구와 회원의 활동 로그 기반의 추천 시스템의 적용 방법을 위해서 SQL 질의 처리의 분산과 병행 최적화를 통한 시스템의 구성안에 대해서 연구 하였다.
본 연구에서는 사용자 기반 개인화 서비스 추천 시스템 설계에 중점을 두었다. 회원 서비스 이용 활성화를 위해 회원정보와 활동 로그 정보를 분석하여 그룹별 추천 서비스를 제공하였으며, 회원들의 선호도에 따라 노출방식을 변경하여 원하는 정보를 직관적으로 확인할 수 있도록 하였다.
본 연구에서의 개인화 추천시스템은 첫째, 회원들의 활동 정보를 기반으로 빅데이터 기반의 추천 알고리즘을 적용하여, 회원들에게 개인 맞춤형 정보 서비스 및 콘텐츠 제공을 목적으로 한다.
본 연구의 목적은 한민족과학기술자네트워크(KOSEN) 사용자들의 정보 이용 패턴을 군집화하고 그룹화 된 사용자들에게 맞는 개인화 추천서비스 알고리즘의 최적화 방안을 제안하는 것이다. 사용자들의 연구활동과 이용정보에 기반하여 적합한 서비스와 콘텐츠를 식별한 후 빅데이터 분석 기술을 적용하여 개인화 추천 알고리즘을 도출하였다.

제안 방법

KOSEN의 회원정보 및 회원의 활동정보를 기반으로 데이터를 수집하여 수집된 데이터 중에서 회원의 특성을 구분하고 클러스터링 시 유저그룹의 변별력을 확연히 구분할 수 있는 항목에 대한 가중치를 부여하고자 하고 사용자 정보에서는 학위, 직종, 거주국, 회원타입, 회원구분 및 연구 분야를 주요 항목으로 하여 데이터를 추출했다. 또한 정보서비스 시스템의 사용자 별 서비스 이용로그를 기반으로 빅데이터 기반의 저장 처리 기술을 통해 빅데이터화 하고 이를 기반으로 분석, 추천 알고리즘의 적용 및 관리자 관점에서의 사용자 추천을 위한 사용자 그룹, 사용자 연령등의 그룹핑을 통해 추천 할 수 있는 관리자 기능과 추천 기술을 적용하였다(<그림 1> 참조).
개인화 추천 알고리즘 개발을 위한 조건별 가중치 조정은 회원정보와 서비스 이용 활동 정보를 기준으로 하였다. 일차 가중치 조정을 위한 회원정보의 레코드 수는 128,997건이며 회원정보는 <표 2>와 같다.
본 연구에서는 먼저 추천시스템의 정의와 종류에 대한 선행연구에 대해서 소개하고, 과학 기술 서비스 플랫폼인 KOSEN의 서비스 구성에 대해서 설명한다. 다음으로 실제적인 서비스 환경에서 빅데이터 기반의 추천 알고리즘의 발견을 위해서 기존 시스템을 이용하는 회원들의 배경 및 활동에 기반하여 회원에게 적합한 서비스 및 콘텐츠를 식별한 후 Spark 기반의 빅데이터 기반의 분석 기술을 적용하였다. 마지막으로 회원의 선호 서비스 도출 및 적합한 추천 알고리즘을 도출하였다.
또한 정보서비스 시스템의 사용자 별 서비스 이용로그를 기반으로 빅데이터 기반의 저장 처리 기술을 통해 빅데이터화 하고 이를 기반으로 분석, 추천 알고리즘의 적용 및 관리자 관점에서의 사용자 추천을 위한 사용자 그룹, 사용자 연령등의 그룹핑을 통해 추천 할 수 있는 관리자 기능과 추천 기술을 적용하였다( 참조).
개인화 서비스 활용 증대 위하여 회원 이용자의 기본정보(직군, 학력, 전공분야, 회원등급 등)와 활동정보를 로그화 한 대량의 데이터를 기반으로 텍스트마이닝 과정을 통한 분석을 통하여 회원 개인별 관심서비스 정보를 구축하도록 하겠습니다. 또한, 분석 된 정보를 기반으로 회원 개인에게 추천할 수 있는 서비스 목록과 그에 따른 콘텐츠 정보를 구축하였다. 이는 전체 회원의 서비스 이용 활동 데이터 로그를 기반으로 대량의 데이터 분석을 거쳐 회원 이용자들의 배경 및 활동 정보를 텍스트마이닝 과정을 거쳐 빅데이터 처리기술에 기반한 개인화 서비스 제공을 위한 콘텐트를 구축하였다(<그림 4> 참조).
리스트 서비스는 총 9개의 서비스 메뉴로 구성하고, 로그인 후 개인화가 적용된 시점에 유저가 포함되어져 있는 유저그룹의 주 이용 서비스를 기반으로 9개 서비스 메뉴에 대해 순차적으로 제공한다. 9개의 서비스 메뉴는 연구실 정보, 학회정보, 사업공고, 코센리포트, 동향보고서, 지식공감, Whatis?, 채용공고, 분석신청 등으로 구성된다.
다음으로 실제적인 서비스 환경에서 빅데이터 기반의 추천 알고리즘의 발견을 위해서 기존 시스템을 이용하는 회원들의 배경 및 활동에 기반하여 회원에게 적합한 서비스 및 콘텐츠를 식별한 후 Spark 기반의 빅데이터 기반의 분석 기술을 적용하였다. 마지막으로 회원의 선호 서비스 도출 및 적합한 추천 알고리즘을 도출하였다.
항목 기반의 협업 필터링 기법은 사용자들이 평가한 상품들의 정보를 사용한다. 사용자들은 과거에 선호했던 제품들과 유사한 제품을 선호하는 경향이 있다는 점을 사용하여 유사한 제품들의 정보를 제공한다. 내용 기반의 필터링 기법은 자연 언어 처리나 정보 검색 분야에 기반을 두고 있으며 정보의 내용이나 사용자의 정보들을 비교하여 사용자에게 적합한 정보를 제공해준다.
본 연구의 목적은 한민족과학기술자네트워크(KOSEN) 사용자들의 정보 이용 패턴을 군집화하고 그룹화 된 사용자들에게 맞는 개인화 추천서비스 알고리즘의 최적화 방안을 제안하는 것이다. 사용자들의 연구활동과 이용정보에 기반하여 적합한 서비스와 콘텐츠를 식별한 후 빅데이터 분석 기술을 적용하여 개인화 추천 알고리즘을 도출하였다. 이 추천 알고리즘은 사용자의 정보검색에 소요되는 시간을 절약하고 적합한 정보를 찾아내는데 도움을 줄 수 있다.
유사그룹 분류 생성을 위한 가중치 특성 적용하고 가중치는 총합계를 1로 설정하였으며, ‘분야>학위=직종군>거주국=회원등급=회원구분’의 조건별로 구분하였다.
이는 전체 회원의 서비스 이용 활동 데이터 로그를 기반으로 대량의 데이터 분석을 거쳐 회원 이용자들의 배경 및 활동 정보를 텍스트마이닝 과정을 거쳐 빅데이터 처리기술에 기반한 개인화 서비스 제공을 위한 콘텐트를 구축하였다( 참조).
본 고에서의 연구개발을 위해 사용된 데이터는 2012~2016년을 기준으로 자체 생산한 전문 정보 2,596건, 국내외 연계수집 자료 29,001건이며 회원 간 지식교류를 통해 축적된 정보는 23,271건(2015년 기준)이다. 이와 함께 회원 활동 웹로그 정보와 DB에 저장된 회원 정보를 활용하여 군집화에 활용하였다. 회원 정보는 학위, 직종, 거주국, 회원타입, 회원구분, 연구분야가 주요항목으로 설정되었다.
조건별로 군집 가중치 테스트를 실시하고 군집화 결과를 분석했다. 학위, 회원타입, 직종, 회원구분, 거주국에는 가중치를 부여하고 최종적으로 변별력 확보를 위해 학위와 직종에 각각 0.
조건별로 군집 가중치 테스트를 실시하고 군집화 결과를 분석했다. 학위, 회원타입, 직종, 회원구분, 거주국에는 가중치를 부여하고 최종적으로 변별력 확보를 위해 학위와 직종에 각각 0.0485 가중치 적용하고 회원타입, 회원구분, 거주국에 0.01을 부여하여 총 1점이 되도록 가중치를 적용하였다. 이러한 군집화 분석을 통해서 9개 리스트 서비스의에 대해서 9개 그룹의 군집을 도출해내고 카드식 서비스에 대해서는 11개 메뉴에 대한 9개 그룹을 도출하였다.
본 연구에서는 사용자 기반 개인화 서비스 추천 시스템 설계에 중점을 두었다. 회원 서비스 이용 활성화를 위해 회원정보와 활동 로그 정보를 분석하여 그룹별 추천 서비스를 제공하였으며, 회원들의 선호도에 따라 노출방식을 변경하여 원하는 정보를 직관적으로 확인할 수 있도록 하였다. 또한, 신규 서비스는 우선 노출하되 회원이 서비스의 설정을 변경할 수 있는 기능도 제공되고 있다.
회원 이용자 정보와 이용 활동정보를 추출하고 분야와 직위, 직종, 거주국을 동일 형태로 가공한 후 회원 정보 데이터 표준화 작업을 거쳐 특성 가중치를 부여하였다. 각 클러스터링 된 그룹의 산정 로직은 <그림 7>과 같다.
회원을 특정 할 수 있는 항목을 5개(학위, 직종, 회원타입, 회원구분, 거주국)로 정의하고, 각 항목(독립변수)별로 가중치를 달리 적용하여 KOSEN 회원 그룹별 서비스 군집화 도출 및 콘텐츠 추천을 적용하였다. 군집화 된 회원 그룹별 개인화 기반의 서비스 메뉴 추천결과는 <그림 9>와 같다.

대상 데이터

개인화 추천 알고리즘 개발을 위한 이차 조건별 가중치 조정을 위한 서비스 이용 활동 정보의 대상은 KOSEN 서비스 가입회원이 활동한 활동정보를 회원 별로 그룹핑 한 데이터이다. 서비스 이용정보는 이용자 27,265명이 이용한 활동정보를 서비스 메뉴 기준으로 분석하였다.
본 고에서의 연구개발을 위해 사용된 데이터는 2012~2016년을 기준으로 자체 생산한 전문 정보 2,596건, 국내외 연계수집 자료 29,001건이며 회원 간 지식교류를 통해 축적된 정보는 23,271건(2015년 기준)이다. 이와 함께 회원 활동 웹로그 정보와 DB에 저장된 회원 정보를 활용하여 군집화에 활용하였다.
개인화 추천 알고리즘 개발을 위한 이차 조건별 가중치 조정을 위한 서비스 이용 활동 정보의 대상은 KOSEN 서비스 가입회원이 활동한 활동정보를 회원 별로 그룹핑 한 데이터이다. 서비스 이용정보는 이용자 27,265명이 이용한 활동정보를 서비스 메뉴 기준으로 분석하였다. 서비스는 리스트식 서비스와 카드식 서비스로 구분할 수 있다.
우선 리스트식과 카드식의 메뉴별 전체 게시물을 대상으로 게시물명과 본문내용, 게시물 분야 등을 텍스트 마이닝 기법 적용을 위한 데이터 항목을 선정하고 수집하였다. 이후 메뉴별 전체 게시물 정보를 식별할 수 있는 정보를 기반으로 언어의 표본을 추출한 집단(말뭉치)를 생성하고 텍스트 문서를 기반으로 단어/용어의 표현빈도를 매트릭스 형태로 생성하고 용어추출시 TF-IDF(TF: 문서별 단어 빈도, IDF: 역문서 빈도)방식을 사용하여 알고리즘을 구성하였다.
정보서비스 시스템의 구성 레이어는 오라클 DB로부터 사용자의 활동정보, 사용자 정보, 콘텐츠 정보 등을 추출하는 추출 레이어, 사용자 활동정보 및 사용자 정보를 수집하는 수집레이어, 수집된 데이터에서 사용자 별 군집, 콘텐츠 메타데이터 분서 및 서비스 로그 분류 등의 기능을 수행하는 분석레이어와 추천 및 모니터링을 담당하는 서비스레이어등의 4개 영역으로 구성된다. 서비스 시스템은 사용자에게 추천 서비스를 제공하는 사용자 기반의 웹 서비스 페이지와 모바일 페이지로 구분되며, 리스트 서비스, 카드 서비스, 위젯서비스, 이미지 서비스의 정보 제공을 관리하는 관리자 기능으로 구분된다(<그림 2> 참조).

이론/모형

우선 리스트식과 카드식의 메뉴별 전체 게시물을 대상으로 게시물명과 본문내용, 게시물 분야 등을 텍스트 마이닝 기법 적용을 위한 데이터 항목을 선정하고 수집하였다. 이후 메뉴별 전체 게시물 정보를 식별할 수 있는 정보를 기반으로 언어의 표본을 추출한 집단(말뭉치)를 생성하고 텍스트 문서를 기반으로 단어/용어의 표현빈도를 매트릭스 형태로 생성하고 용어추출시 TF-IDF(TF: 문서별 단어 빈도, IDF: 역문서 빈도)방식을 사용하여 알고리즘을 구성하였다. 이를 통한 추천 리스트는 분석 시스템을 통해 추천되는 각 서비스 별 서브 페이지 상에서 사용자가 이용하지 않았던 게시물 중에서 유저 그룹이 사용했던 정보를 기반으로 추천하는 기능으로 구성되어 서비스된다.
특히 개인화된 콘텐츠 추천을 위하여 아이템기반의 협업 필터링(collaborative filtering) 알고리즘을 사용하여 아이템 간의 유사도를 도출하고 이를 기반으로 특정 사용자에게 가장 선호도가 높을 것으로 추정되는 콘텐츠를 추천하였다(최성우, 한성희, 정병희 2014).

성능/효과

둘째, 개인 회원의 선호도를 빅데이터 기반의 분석 및 추천 알고리즘을 통해 개인에게 최적화된 서비스 및 콘텐츠를 제공하고, 동일 유저 그룹의 선호 서비스를 개인에게 추천하여 서비스의 활성화를 유도하여 선제적 개인화 맞춤 서비스를 효율적인 정보의 제공한다.
01을 부여하여 총 1점이 되도록 가중치를 적용하였다. 이러한 군집화 분석을 통해서 9개 리스트 서비스의에 대해서 9개 그룹의 군집을 도출해내고 카드식 서비스에 대해서는 11개 메뉴에 대한 9개 그룹을 도출하였다.

후속연구

콘텐츠의 양과 질은 회원 참여도와 밀접한 관계가 있으므로 사용자 기반의 알고리즘 적용과 더불어 한인과학기술자들을 통한 다양한 콘텐츠 구축을 위해서는 온․오프라인에서의 다양한 홍보와 함께 국제 공동연구를 통한 해외 각지의 한인과학기술자들과의 유기적인 관계 형성이 함께 해야 할 것이다. 과학기술자들을 위한 맞춤형 개인화 서비스는 향후 과학기술자들에게 도움이 되는 과학기술 정보서비스 플랫폼의 방향을 설정하는 데에 큰 도움이 되리라 기대된다.
콘텐츠의 양과 질은 회원 참여도와 밀접한 관계가 있으므로 사용자 기반의 알고리즘 적용과 더불어 한인과학기술자들을 통한 다양한 콘텐츠 구축을 위해서는 온․오프라인에서의 다양한 홍보와 함께 국제 공동연구를 통한 해외 각지의 한인과학기술자들과의 유기적인 관계 형성이 함께 해야 할 것이다. 과학기술자들을 위한 맞춤형 개인화 서비스는 향후 과학기술자들에게 도움이 되는 과학기술 정보서비스 플랫폼의 방향을 설정하는 데에 큰 도움이 되리라 기대된다.
이 추천 알고리즘은 사용자의 정보검색에 소요되는 시간을 절약하고 적합한 정보를 찾아내는데 도움을 줄 수 있다. 향후 지속적인 서비스 변수별 테스트와 고도화 작업을 통해서 사용자별로 선호모델을 재해석하고 가중치의 조절 등을 통한 고객 맞춤형 콘텐츠 제공과 함께 사용자 모델 알고리즘 집합을 통한 복잡한 데이터 사이의 연관관계를 추측하여 다양한 패턴에서의 의미의 정보를 추출해 낼 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	추천시스템이 이용하는 기법은 무엇인가?	추천시스템은 대표적으로 인구통계학적 추천(demographic recommendation), 협업 필터 링(collaborative filtering), 내용 기반 필터링 (contentbased filtering), 또한 각각의 방법이 가지고 있는 한계점을 보완하기 위해 두 가지 방법의 장점을 취합하는 혼합 필터링(hybrid filtering) 기법 등이 있다(정인용, 양새동, 정회경 2015).
	추천시스템이란 무엇인가?	추천시스템은 콘텐츠를 이용하는데 있어서 사용자나 콘텐츠가 가지고 있는 특성 정보를 이용하여 사용자에게 필요하거나 선호되어질 만한 콘텐츠를 선별하여 제시함으로서 사용자에게 검색 편의성을 제공해주는 시스템이다. 국내외 대형 플랫폼 화사들을 비롯한 많은 회사들이 빅데이터 기반의 머신러닝 기법들을 활용하여 사용자들에게 고차원적인 정보들을 제공하고 있다.
	웹상에서의 개인화로 얻을 수 있는 장점은 무엇인가?	웹상에서의 개인화는 웹사이트에 접속하는 이용자의 성향과 행태별로 세분화하여, 이용자가 선호할 수 있는 적절한 정보 또는 상품을 제공함으로써 보다 적극적인 서비스를 제공하는 것을 의미한다. 이와 같은 서비스 전략은 이용자의 요구를 만족시킴으로써 해당 웹사이트에 대한 이용자의 충성도를 높여줄 뿐 아니라 타깃 마케팅(target marketing)과 일대일 마케팅 (one-to-one marketing)을 가능하게 해준다는 점에서 의의가 크다(김용, 문성빈 2007).

참고문헌 (12)

김용, 문성빈. 2007. 대용량 음악콘텐츠 환경에서의 데이터마이닝 기법을 활용한 추천시스템에 관한 연구. 정보관리학회지, 24(2): 89-104. Kim, Yong and Sung-Been Moon. 2007. "A Study on Recommendation System Using Data Mining Techniques for Large-sized Music Contents." Journal of the Korean society for information management, 24(2): 89-104.
박성은, 황윤영, 윤정선. 2017. 과학 학술정보 서비스 플랫폼에서 개인화를 적용한 콘텐츠 추천 알고리즘 최적화를 통한 추천 결과의 성능 평가. 한국콘텐츠학회, 17(11): 183-191. Park, Seong-Eun, Yun-Young Hwang, and Jungsun Yoon. 2017. "Performance Evaluation of Recommendation Results through Optimization on Content Recommendation Algorithm Applying Personalization in Scientific Information Service Platform." Journal of Contents Association, 17(11): 183-191.
오수영, 오연희, 한성희, 김희정. 2011. 사용자 소비이력기반 방송 콘텐츠 추천 시스템. 방송공학회, 17(1): 129-139. Oh, Soo-Young et al. 2011. "Broadcast Content Recommender System based on User's Viewing History." Journal of broadcast engineering, 17(1): 129-139.
유영석, 김지연, 손방용, 정종진. 2017. 온라인 음악 콘텐츠 추천 시스템 구현을 위한 협업 필터링 기법들의 비교 평가. 대한전기학회, 66(7): 1083-1091. Yoo, Youngseok et al. 2017. "Evaluation of Collaborative Filtering Methods for Developing Online Music Contents Recommendation System." The Transactions of the Korean Institute of Electrical Engineers, 66(7): 1083-1091.
윤정선, 정혜주, 한선화. 2010. 사용자 참여형 데이터베이스 구축 연구: 코센 오픈랩 운영사례를 중심으로. 정보관리연구, 41(2): 95-110. Yoon, Jungsun, Hye-Ju Jung, and Sun-Hwa Hahn. 2010. "Study on the Building up the Laboratory Database: Case Study from the KOSEN OpenLab Service." Journal of information management, 41(2): 95-110.

원문보기 상세보기
정선양, 김기동. 2008. 산학연 협력의 새로운 방향: 산학연 협력연구실 구축을 중심으로. 기술혁신연구, 16(2): 17-40. Jung, S. Y. and K. D. Kim. 2008. "The New Approach to the Collaboration Among Academia, Industry, and Public Research Sector: Focussing on Building a Collaboration Research Center." Technical Innovation Research, 16(2): 17-40.

원문보기 상세보기
정인용, 양새동, 정회경. 2015. 혼합 필터링 기반의 영화 추천 시스템에 관한 연구. 한국정보통신학회논문지, 19(1): 113-118. Jeong I., X. Yang, and H. Jung, 2015. "A Study on Movies Recommendation System of Hybrid Filtering-Based." Journal of the Korea Institute of Information and Communication Engineering, 19(1): 113-118.

원문보기 상세보기
정재화. 2016. Spark SQL 기반 고도 분석 지원 프레임워크 설계. 한국정보처리학회, 5(10): 477-482. Chung, Jaehwa. 2016. "Design of Spark SQL Based Framework for Advanced Analytics." KIPS transactions on software and data engineering, 5(10): 477-482.
최가현, 황윤영, 윤정선. 2017. 회원정보 활용 그룹별 추천 서비스 적용에 관한 연구 - 국내외 한인과학자들을 중심으로. 2017년 한국컴퓨터종합학술대회 논문집, 2017년 06월 18-20일. 제주: 전자정보연구센터. 1466-1468. Choi, GaHyun, Yun-Young Hwang, and JungSun Yoon. 2017. "A Study on the Application of Recommendation Services to Member Information Usage Groups." Jeju: 2017 Electronic & Information Research Information Center. 2017. June 18-20. 1466-1468.
최성우, 한성희, 정병희. 2014. 협업 필터링 기반의 콘텐츠 추천 시스템과 빅데이터 처리 솔루션을 이용한 상용화 개발 방향. 방송공학회지, 19(4): 50-59. Choi, S. W., S. H. Han, and B. Jung. 2014. "Content recommendation system based on the collaborative filtering and big-data solutions for its commercialization." Journal of broadcast engineering, 19(4): 50-59.

원문보기 상세보기
한선화. 2005. 휴먼네트워크를 활용한 정보 수집 및 분석. 지식정보인프라, 18(4): 51-55. Hahn, Sun-Hwa. 2005. "Collection and analysis of information using human network." Journal of scientific & technological knowledge infrastructure, 18(4): 51-55.
KOSEN homepage. [online]. [cited 2017.12.15]. . KOSEN homepage. [online]. [cited 2017.12.15]. .

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