[논문]과학 학술정보 서비스 플랫폼에서 개인화를 적용한 콘텐츠 추천 알고리즘 최적화를 통한 추천 결과의 성능 평가

박성은; 황윤영; 윤정선

doi:10.5392/jkca.2017.17.11.183

과학 학술정보 서비스 플랫폼에서 개인화를 적용한 콘텐츠 추천 알고리즘 최적화를 통한 추천 결과의 성능 평가
Performance Evaluation of Recommendation Results through Optimization on Content Recommendation Algorithm Applying Personalization in Scientific Information Service Platform 원문보기

한국콘텐츠학회논문지 = The Journal of the Korea Contents Association, v.17 no.11, 2017년, pp.183 - 191

박성은 (한국과학기술정보연구원 과학기술정보센터 정보융합연구실) , 황윤영 (한국과학기술정보연구원 과학기술정보센터 정보융합연구실) , 윤정선 (한국과학기술정보연구원 과학기술정보센터 정보융합연구실)

초록
AI-Helper

본 연구는 과학 학술정보 서비스 플랫폼 이용자의 정보 검색 편의성을 확보하고 적합한 정보의 획득에 소요되는 시간을 절약하기 위하여, 운영 중인 서비스 메뉴와 각 서비스 별 콘텐츠 정보를 제공하는 알고리즘 중 콘텐츠 추천 알고리즘을 최적화하고 그 결과를 비교평가 하는 것이다. 추천 정확도를 높이기 위해 이용자의 '전공' 항목을 기존 알고리즘에 추가하였으며, 기존 알고리즘과 최적화된 알고리즘을 통한 추천 결과의 성능평가를 수행하였다. 성능평가 결과 최적화된 알고리즘을 통해 이용자에게 제공되는 콘텐츠의 적합도가 21.2% 증가함을 파악하였다. 이용자에게 적합한 콘텐츠를 시스템에서 자동 도출하여 각 서비스 메뉴 별로 제공함으로써 정보 획득 시간을 단축하고, 연구정보로서 가치 있는 연구결과물의 생명주기를 연장할 수 있는 방안이라는 데 본 연구의 의의가 있다.

Abstract ▼ AI-Helper

In order to secure the convenience of information retrieval by users of scientific information service platforms and to reduce the time required to acquire the proper information, this study proposes an optimized content recommendation algorithm among the algorithms that currently provide service menus and content information for each service, and conducts comparative evaluation on the results. To enhance the recommendation accuracy, users' major items were added to the original algorithm, and performance evaluations on the recommendation results from the original and optimized algorithms were performed. As a result of this evaluation, we found that the relevance of the content provided to the users through the optimized algorithm was increased by 21.2%. This study proposes a method to shorten the information acquisition time and extend the life cycle of the results as valuable information by automatically computing and providing content suitable for users in the system for each service menu.

주제어

표/그림 (5)

그림 그림 1. '서비스 메뉴 및 콘텐츠 개인화 추천 시스템'의 개요
그림 그림 2. '서비스 메뉴 및 콘텐츠 개인화 추천 시스템'에 전공 분야 추가 적용
표 표 1. 알고리즘별 콘텐츠 추천 관련성 평가 결과
표 표 2. 기존 알고리즘 콘텐츠 추천 관련성 평가 리스트
표 표 3. 최적화 알고리즘 콘텐츠 추천 관련성 평가 리스트

AI 본문요약
AI-Helper

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

문제 정의

본 연구에서는 과학 학술정보 서비스 플랫폼에서 운영 중인 서비스 메뉴와 각 서비스 별 콘텐츠 정보를 제공하는 알고리즘 중 콘텐츠 추천 알고리즘을 최적화하여 그 성능을 비교평가 함으로써, 이용자에 대한 추천 정확도를 높일 수 있는 방안을 제시하고자 하였다.
본 연구에서는 국내의 과학 학술정보 사이트 중 국내 뿐만 아니라 해외에 거주하고 있는 한인 과학자들의 학술 연구 분야에서의 학술 활동 및 동료 연구자와의 학술적 커뮤니케이션 활성화를 목적으로 하는 플랫폼인 KOSEN을 대상으로 추천 알고리즘 고도화의 전후 비교 평가를 진행하였다. 현재 KOSEN을 이용하고 있는 회원은 134,708명(2017.
이용자마다 각각 본인의 정보를 바탕으로 기존에 운영했던 알고리즘으로 추출된 ‘코센리포트’ 서비스의 콘텐츠 목록과 최적화된 알고리즘으로 추출된 ‘코센리포트’ 서비스의 콘텐츠 목록을 각각 15건씩 제시하였다. 이용자는 그 리스트를 보고, 각 항목에 대하여 본인과의 관련성 여부를 평가하였다.

제안 방법

KOSEN의 개인화 메인 페이지에서 제공되는 리스트식 서비스와 카드식 서비스 중 가장 이용률이 높은 ‘코센리포트’ 서비스를 대상으로 성능평가를 진행하였으며, 성능평가 결과 이용자의 ‘전공’ 항목을 적용하여 최적화된 개인별 콘텐츠 추천 알고리즘의 효과를 검증하였다.
다만 해당 단어가 다른 문서 내에서도 많이 나온다면 중요하지 않은 단어일 수 있다. TF-IDF 기법을 통해 계산된 각 그룹․개인별, 서비스 별 콘텐츠의 상관관계 값이 높은 순서에 따라 Ranking을 구성하여 DB에 저장하고 그룹․개인별 추천 DB를 생성한다.
도출된 그룹별 회원정보를 자동 저장하며, 매월 단위로 이용자의 특성정보를 기반으로 그룹을 재구성하여 DB에 자동 저장한다. 그리고 각 그룹별로 주로 이용하는 서비스와 서비스 이용로그를 Mapping 처리하여 그룹별 선호 서비스를 분석하여 추천하고, 추천된 각 그룹별 서비스 정보를 DB에 자동 저장 처리하여 그룹별 회원 DB정보와 그룹별 추천 서비스 DB를 구성한다.
각 그룹별 회원 DB와 수집된 서비스 이용로그 중 각 그룹별 이용자 ID 정보와 콘텐츠 정보를 이용한 이용자 ID를 Mapping 처리하여, 각 그룹별 이용자가 이용한 전체 콘텐츠 목록을 생성한다. 그리고 그룹별 콘텐츠 목록 정보 중 각 콘텐츠의 제목, 키워드, 초록 정보를 R 프로그램의 자연어 분석 패키지인 KoNLP 라이브러리를 이용하여 텍스트마이닝을 통해 텍스트 정보를 추출한다. 그렇게 각 그룹별 콘텐츠에서 추출된 텍스트 정보를 하나의 문서 번호(Document ID)와 다수의 단어로 구분해 관리한다.
그리고 회원의 특성을 구분하고 클러스터링 시 유저그룹의 변별력을 확연히 구분할 수 있도록 ‘학위, 직종, 거주국, 회원등급, 회원구분’에 가중치를 적용하여 유사한 성격의 이용자 그룹 9개를 도출하였다.
그렇게 각 그룹별 콘텐츠에서 추출된 텍스트 정보를 하나의 문서 번호(Document ID)와 다수의 단어로 구분해 관리한다. 또한 문서번호에 부속된 각각의 텍스트 정보 중 유의미한 단어의 생성에 저해되는 정보(조사, 숫자, 특수문자, 원문자, 스크립트 문자 및 더블스페이스 등)를 필터링 (Filtering out)하여, 개별 이용자가 유사한 그룹 내에서 이용한 콘텐츠의 용어를 분석하여 각 그룹․개인별 콘텐츠 용어 DB를 구축한다. 즉, 개별 이용자와 유사한 그룹 내에서 이용한 콘텐츠의 용어를 분석하여 그룹 콘텐츠 용어 DB를 구비하고, 개별 이용자가 이용한 콘텐츠의 용어를 분석하여 개인 콘텐츠 용어 DB를 구비하는 것이다.
즉, ‘학위, 직종, 거주국, 회원구분, 회원등급’의 총 5개 정보를 추출하고, 클러스터링 시 회원의 ‘전공’ 항목을 포함하여 9개 그룹을 분석하였다. 또한 추천 콘텐츠 선정 시, 개인의 전공 분야와 콘텐츠의 전공 분야 간 유사도 계산을 통해 추천 콘텐츠를 생성하였다.
본 시스템은 개인을 식별하여 유사한 성격을 보유하고 있는 이용자를 군집화하고, 그를 통해 구분된 이용자 그룹의 선호 서비스를 도출하기 위해 개인 이용자 프로파일 및 서비스 이용로그를 주기적으로 수집한다. 수집 주기는 1개월 단위이며, 서비스 선호도, 키워드, 분야, 회원 활동로그, 시간, 아이템기반 추천, 유저기반 추천 등의 요소를 고려한다.
본 연구에서는 기본적으로 협업 필터링 기법을 활용하였으나, 신규 콘텐츠의 경우 이용자를 대상으로 한 홍보를 위하여 우선 추천하는 방식을 적용하였다.
본 연구에서는 기존의 알고리즘을 최적화하여 이용자의 추천 정확도를 높이기 위해 이용자의 ‘전공’ 항목을 추가하였으며, 기존 알고리즘과 최적화된 알고리즘을 이용한 추천 결과의 성능평가를 수행하였다.
본 연구에서는 이용자의 추천 정확도를 높이기 위해 이용자의 ‘전공’ 항목의 추가 적용을 통해 개인별 콘텐츠 추천 알고리즘을 최적화하고, 기존 알고리즘과 최적화된 알고리즘을 통한 추천 결과의 성능평가를 수행하였다.
성능평가를 위해 현재 운영 중인 알고리즘에서 도출된 결과 값과 이용자의 ‘전공’ 항목을 추가한 알고리즘을 이용해 도출된 결과 값을 이용자에게 직접 제시하여 본인과의 관련성을 평가하도록 하였다.
본 시스템은 개인을 식별하여 유사한 성격을 보유하고 있는 이용자를 군집화하고, 그를 통해 구분된 이용자 그룹의 선호 서비스를 도출하기 위해 개인 이용자 프로파일 및 서비스 이용로그를 주기적으로 수집한다. 수집 주기는 1개월 단위이며, 서비스 선호도, 키워드, 분야, 회원 활동로그, 시간, 아이템기반 추천, 유저기반 추천 등의 요소를 고려한다.
이용자마다 각각 본인의 정보를 바탕으로 기존에 운영했던 알고리즘으로 추출된 ‘코센리포트’ 서비스의 콘텐츠 목록과 최적화된 알고리즘으로 추출된 ‘코센리포트’ 서비스의 콘텐츠 목록을 각각 15건씩 제시하였다.
즉, ‘학위, 직종, 거주국, 회원구분, 회원등급’의 총 5개 정보를 추출하고, 클러스터링 시 회원의 ‘전공’ 항목을 포함하여 9개 그룹을 분석하였다.
최적화된 알고리즘이 실제로 이용자들에게 더 적합한 콘텐츠를 추천하는지 확인하기 위해, 기존에 운영했던 알고리즘으로 추출된 콘텐츠 목록과 최적화된 알고리즘으로 추출된 콘텐츠 목록을 실제 이용자들에게 제시하여 관련성을 평가하게 하였다.
9%이다. 콘텐츠 관련도는 도출된 전체 콘텐츠개수 15개를 도출된 콘텐츠 중 본인과 관련있다고 선택한 개수로 나누어 비율을 산정하였다. 최적화된 알고리즘에서 도출된 콘텐츠 관련도는 평균 49.

대상 데이터

28명 중 회신된 11명의 응답을 분석하여 결과를 도출하였다. 평가 결과 최적화된 알고리즘으로 추천된 콘텐츠가 상대적으로 본인과의 관련성이 높다고 평가하였다.
비교평가를 진행할 대상은 다음과 같은 절차로 선정하였다. KOSEN의 회원 등급은 관리자, 교정자, 전문가, 준전문가, 일반회원으로 구분되는데, 이 중 콘텐츠 추천의 변화를 인지하기 용이하도록 전문가, 준전문가, 일반회원에 한정하여 각각 활동로그가 가장 많은 상위 10명, 총 30명을 선정하였다. 이 중 관리자와 관련 있는 2명을 제외하고 28명을 대상으로 평가를 진행하였다.
KOSEN의 회원 등급은 관리자, 교정자, 전문가, 준전문가, 일반회원으로 구분되는데, 이 중 콘텐츠 추천의 변화를 인지하기 용이하도록 전문가, 준전문가, 일반회원에 한정하여 각각 활동로그가 가장 많은 상위 10명, 총 30명을 선정하였다. 이 중 관리자와 관련 있는 2명을 제외하고 28명을 대상으로 평가를 진행하였다.

이론/모형

각 그룹․개인별 콘텐츠 용어와 전체 콘텐츠의 용어 DB(DTM : Document Term Matrix)의 유사도를 TF-IDF(Term Frequency-Inverse Document Frequency) 기법을 통해 계산한다. TF-IDF 기법은 특정한 단어가 문서 내에서 얼마나 자주 등장하는지를 나타내는 값을 의미하며, 이 값이 높을수록 문서 내에서 중요한 단어(키워드)라고 생각할 수 있다.
회원정보 및 회원의 활동정보를 기반으로 데이터를 수집하며, 수집된 데이터를 R 프로그램의 군집화 (Clustering) 기능을 이용하여 자동 클러스터링 하는데, 이 때 K-means 알고리즘을 이용한다. 그리고 회원의 특성을 구분하고 클러스터링 시 유저그룹의 변별력을 확연히 구분할 수 있도록 ‘학위, 직종, 거주국, 회원등급, 회원구분’에 가중치를 적용하여 유사한 성격의 이용자 그룹 9개를 도출하였다.

성능/효과

KOSEN의 개인화 메인 페이지에서 제공되는 리스트식 서비스와 카드식 서비스 중 가장 이용률이 높은 ‘코센리포트’ 서비스를 대상으로 성능평가를 진행하였으며, 성능평가 결과 이용자의 ‘전공’ 항목을 적용하여 최적화된 개인별 콘텐츠 추천 알고리즘의 효과를 검증하였다. 기존 알고리즘에서 도출된 콘텐츠 관련도의 평균은 27.9%이며, 최적화 알고리즘에서 도출된 콘텐츠 관련도는 평균 49.1%로 21.2%의 차이를 보였다. 이 차이는 콘텐츠 추천 알고리즘에 회원의 ‘전공’ 항목을 적용함으로써 회원과 상관없는 자료가 제거되고, 이용자와 관련있고 흥미 있는 자료가 상위에 랭킹되어 이용자에 대한 추천 정확도가 향상되었음을 나타낸다.
실제 응답 결과를 세부적으로 살펴보면, 화학 분야중 준전문가인 김** 회원은 기존 알고리즘에서 도출된 콘텐츠 중 본인과 관련 있다고 선택한 개수는 5개였으나, 최적화된 알고리즘에서 도출된 콘텐츠에서는 9개가 본인과 관련있다고 선택하여, 콘텐츠 관련도가 33.3% 에서 60%로 증가하였다.
콘텐츠 관련도는 도출된 전체 콘텐츠개수 15개를 도출된 콘텐츠 중 본인과 관련있다고 선택한 개수로 나누어 비율을 산정하였다. 최적화된 알고리즘에서 도출된 콘텐츠 관련도는 평균 49.1%로 21.2%의 차이를 보였다. 따라서 최적화 알고리즘으로 추천되는 콘텐츠가 회원에게 더 적합한 정보를 추천함을 알 수 있다.
28명 중 회신된 11명의 응답을 분석하여 결과를 도출하였다. 평가 결과 최적화된 알고리즘으로 추천된 콘텐츠가 상대적으로 본인과의 관련성이 높다고 평가하였다. 상세한 결과는 [표 1]과 같다.

후속연구

다만 본 연구에서 제시한 결과는 ‘코센리포트’ 서비스한 가지만을 대상으로 평가를 진행하였기 때문에 알고리즘의 성능을 일반화하기에는 한계가 있다. 향후 다른 서비스를 대상으로 개인별 콘텐츠 추천 알고리즘의 성능을 평가할 예정이다.
향후 다른 서비스를 대상으로 개인별 콘텐츠 추천 알고리즘의 성능을 평가할 예정이다. 또한 기존의 알고리즘에 ‘전공’ 분야만을 추가하였기 때문에 다른 변수들도 추가하여 변수들의 활용에 대한 연구를 진행함으로써 콘텐츠 추천 알고리즘을 고도화할 예정이다.
이는 이용자에게 적합한 콘텐츠를 시스템에서 자동 도출하여 각 서비스 메뉴 별로 제공함으로써 정보 획득 시간을 단축하고, 연구정보로서 가치 있는 연구결과물의 생명주기를 연장할 수 있는 방안이 될 것이라 기대한다.
다만 본 연구에서 제시한 결과는 ‘코센리포트’ 서비스한 가지만을 대상으로 평가를 진행하였기 때문에 알고리즘의 성능을 일반화하기에는 한계가 있다. 향후 다른 서비스를 대상으로 개인별 콘텐츠 추천 알고리즘의 성능을 평가할 예정이다. 또한 기존의 알고리즘에 ‘전공’ 분야만을 추가하였기 때문에 다른 변수들도 추가하여 변수들의 활용에 대한 연구를 진행함으로써 콘텐츠 추천 알고리즘을 고도화할 예정이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	콘텐츠 기반 필터링 기법은 언제 적용 가능한가?	콘텐츠 기반 필터링 기법은 이용자가 과거에 좋아했던 항목과 유사한 특징들을 가지는 항목을 추천하는 기법으로, 이용자와 콘텐츠 사이에 유사도를 계산해서 연관성이 높은 콘텐츠를 추천하는 기법이다. 이 기법은 이용자와 추천 콘텐츠의 프로필 정보를 모두 알고 있을 때 사용할 수 있다[4]. 관련하여 웹, IPTV 등의 콘텐츠 유통망에서의 개인화 추천서비스를 위하여 이용자의 콘텐츠 이용행위와 콘텐츠의 위치정보를 활용한 추천 방법을 제안하는 연구에서 협업 필터링 기법 및 콘텐츠 기반 필터링 기법을 활용한 바 있다[5].
	추천 시스템이란 무엇인가?	추천 시스템(Recommendation system)은 이용자가 콘텐츠를 이용할 때 수많은 콘텐츠 중 이용자 혹은 콘텐츠가 가지고 있는 정보를 이용하여 이용자에게 적합한 콘텐츠를 선별하여 제시해주는 것으로서, 수많은 정보 속에서 이용자들이 직접 원하는 콘텐츠를 찾아내는 수고를 줄여주는 것이다[1]. 추천 시스템에 관한 연구는 1990년대 후반 뉴스 및 웹페이지 등을 대상으로 개인화 서비스를 위한 필터링 기법으로부터 연구 개발이 시작되어, 2006년 미국 Netflix 사에서 주최한 경연대회를 기점으로 추천 기법들이 정교화, 고도화 되었다[2].
	추천 기법의 종류에는 무엇이 있는가?	추천 기법은 비교적 오래 전부터 연구되어 왔는데, 대표적인 방법들이 인구통계학적 추천(Demographic recommendation), 콘텐츠 기반 필터링(Content based filtering) 기법, 협업 필터링(Collaborative filtering) 기법, 또한 각각의 방법이 가지고 있는 한계점을 보완하기 위해 두 방법의 장점을 취합하는 하이브리드 필터링 (Hybrid filtering) 기법이 있다[3]. 콘텐츠 추천 시스템에 대표적으로 사용하는 알고리즘은 콘텐츠 기반 추천 알고리즘과 협업 필터링 알고리즘이다.

참고문헌 (15)

유영석, 김지연, 손방용, 정종진, "온라인 음악 콘텐츠 추천 시스템 구현을 위한 협업 필터링 기법들의 비교 평가," 전기학회논문지, 제66권, 제7호, pp.1083-1091, 2017.
오진오, 유환조, "추천 시스템," 정보과학회지, 제32권, 제1호, pp.53-58, 2014.

원문보기 상세보기
I. Jeong, X. Yang, and H. Jung, "A Study on Movies Recommendation System of Hybrid Filtering-Based," Journal of the Korea Institute of Information and Communication Engineering, Vol.19, No.1, pp.113-118, 2015.

원문보기 상세보기
L. Iaquinta, M. de Gemmis, P. Lops, G. Semeraro, M. Filannino, and P. Molino, "Introducing serendipity in a content-based recommender system," Proc. International Conference on Hybrid Intelligent Systems, pp.168-173, 2008.
김용, 김문석, 김윤범, 박재홍, "이용자 이용행위 및 콘텐츠 위치정보에 기반한 개인화 추천방법에 관한 연구," 정보관리학회지, 제26권, 제1호, pp.81-105, 2009.

원문보기 상세보기
안성만, 김인환, 최병구, 조윤호, 김은홍, 김명균, "소셜네트워크 분석을 통한 협업필터링 추천 성과의 이해," 한국전자거래학회지, 제17권, 제2호, pp.129-147, 2012.

원문보기 상세보기
오수영, 오연희, 한성희, 김희정, "사용자 소비이력기반 방송 콘텐츠 추천 시스템," 방송공학회논문지, 제17권, 제1호, pp.129-139, 2012.

원문보기 상세보기
양희태, 차재홍, 안민제, 임종태, 이하, 복경수, 유재수, "동적 사용자 프로필 및 협업 필터링을 이용한 소셜 네트워크 그룹 추천," 한국콘텐츠학회논문지, 제13권, 제11호, pp.11-20, 2013.

원문보기 상세보기
복경수, 이수지, 노연우, 김민수, 김연우, 임종태, 유재수, "소셜 네트워크에서 사용자 성향 및 협업 필터링을 이용한 이벤트 추천 기법," 정보과학회 컴퓨팅의 실제 논문지, 제22권, 제10호, pp.504-512, 2016.

원문보기 상세보기
고건식, 김병훈, 김대윤, 최민웅, 임종태, 복경수, 유재수, "소셜 네트워크 환경에서 사용자 행위를 고려한 콘텐츠 추천 기법," 한국콘텐츠학회논문지, 제17권, 제2호, pp.404-414, 2017.

원문보기 상세보기
이진서, 고인영, "사물 인터넷 환경에서의 그룹 사용자를 위한 그룹 구성 정보 기반 서비스 추천 방법," 정보과학회논문지, 제43권, 제7호, pp.786-794, 2016.
김상화, 오병화, 김문종, 양지훈, "협력적 필터링과 콘텐츠 정보를 결함한 영화 추천 알고리즘," 정보과학회논문지 : 소프트웨어 및 응용, 제39권, 제4호, pp.261-268, 2012.
조도은, 김시정, 곽윤식, "사용자 선호도 학습을 이용한 개인화 콘텐츠 추천 방법 연구," 한국정보기술학회논문지, 제9권, 제9호, pp.229-235, 2011.

상세보기
최성우, 한성희, 정병희, "협업 필터링 기반의 콘텐츠 추천 시스템과 빅데이터 처리 솔루션을 이용한 상용화 개발 방향," 방송과 미디어, 제19권, 제4호, pp.50-59, 2014.
김용, "Apriori 알고리즘 기반의 개인화 정보 추천 시스템 설계 및 구현에 관한 연구," 한국비블리아학회지, 제23권, 제4호, pp.283-308, 2012.

원문보기 상세보기

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