[논문]Sequence-to-Sequence 모델 기반으로 한 한국어 형태소 분석의 재순위화 모델

최용석; 이공주

doi:10.3745/ktsde.2018.7.4.121

Sequence-to-Sequence 모델 기반으로 한 한국어 형태소 분석의 재순위화 모델
A Reranking Model for Korean Morphological Analysis Based on Sequence-to-Sequence Model 원문보기

정보처리학회논문지. KIPS transactions on software and data engineering. 소프트웨어 및 데이터 공학, v.7 no.4, 2018년, pp.121 - 128

최용석 (충남대학교 전자전파정보통신공학과) , 이공주 (충남대학교 전파정보통신공학과)

초록
AI-Helper

Sequence-to-sequence(Seq2seq) 모델은 입력열과 출력열의 길이가 다를 경우에도 적용할 수 있는 모델로 한국어 형태소 분석에서 많이 사용되고 있다. 일반적으로 Seq2seq 모델을 이용한 한국어 형태소 분석에서는 원문을 음절 단위로 처리하고 형태소와 품사를 음절 단위로 출력한다. 음절 단위의 형태소 분석은 사전 미등록어 문제를 쉽게 처리할 수 있다는 장점이 있는 반면 형태소 단위의 사전 정보를 반영하지 못한다는 단점이 있다. 본 연구에서는 Seq2seq 모델의 후처리로 재순위화 모델을 추가하여 형태소 분석의 최종 성능을 향상시킬 수 있는 모델을 제안한다. Seq2seq 모델에 빔 서치를 적용하여 K개 형태소 분석 결과를 생성하고 이들 결과의 순위를 재조정하는 재순위화 모델을 적용한다. 재순위화 모델은 기존의 음절 단위 처리에서 반영하지 못했던 형태소 단위의 임베딩 정보와 n-gram 문맥 정보를 활용한다. 제안한 재순위화 모델은 기존 Seq2seq 모델에 비해 약 1.17%의 F1 점수가 향상되었다.

Abstract ▼ AI-Helper

A Korean morphological analyzer adopts sequence-to-sequence (seq2seq) model, which can generate an output sequence of different length from an input. In general, a seq2seq based Korean morphological analyzer takes a syllable-unit based sequence as an input, and output a syllable-unit based sequence. Syllable-based morphological analysis has the advantage that unknown words can be easily handled, but has the disadvantages that morpheme-based information is ignored. In this paper, we propose a reranking model as a post-processor of seq2seq model that can improve the accuracy of morphological analysis. The seq2seq based morphological analyzer can generate K results by using a beam-search method. The reranking model exploits morpheme-unit embedding information as well as n-gram of morphemes in order to reorder K results. The experimental results show that the reranking model can improve 1.17% F1 score comparing with the original seq2seq model.

주제어

AI 본문요약
AI-Helper

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

문제 정의

본 연구에서는 Seq2seq 모델 기반 한국어 형태소 분석이 가지고 있는 오류를 해결해보기 위해 재순위화 모델을 제안 한다. 재순위화를 위해서는 다양한 후보 형태소 분석열이 필요하다.
본 연구에서는 Seq2seq 모델 기반의 한국어 형태소 분석기가 가지는 오류에 대해 이를 해결하기 위해 재순위화(Reranking) 모델을 제안한다. 일반적으로 Seq2seq 모델 기반의 형태소 분석기는 하나의 형태소 분석열을 결과로 생성한다.
본 연구에서는 기존 Seq2seq 모델 기반의 한국어 형태소 분석기의 결과에 대해 재순위화 모델을 사용하여 형태소 분석 결과의 순위를 재조정하는 후처리 방법을 제안하였다. 형태소 분석 결과의 순위를 재조정하기 위해 Seq2seq 모델의 디코더 단계에서 빔 서치 기법을 사용하여 여러 개의 후보 형태소 분석 결과를 생성하였다.
형태소 단위로 처리할 때의 문제점 중 하나는 미등록어 처리이다. 본 연구에서는 사전 미등록어를 효율적으로 해결 하기 위해 형태소를 형태소 단위의 처리 이외에 음절의 조합으로도 표현한다. 음절 임베딩을 학습시키고 형태소를 구성 하는 음절 벡터의 조합으로 형태소를 표현한다.
본 연구에서는 한국어 형태소 분석 연구에 가장 최근 방법인 [3]의 연구를 기본적으로 활용하고 그 분석 결과에 대해 후처리를 통하여 순위를 재조정해보고자 한다.
음절 기반의 단어 임베딩 벡터는 단어를 이루고 있는 문자들에 컨볼루션 신경망을 취하여 하나의 벡터로 표현을 하였다. 이후 단어 임베딩 벡터와 음절 기반의 단어 임베딩 벡터를 조합하여 품사 부착을 해결해보고자 하였다. 이를 영어와 포르투갈 어에 품사 부착에 적용하였을 때, 약 1.

제안 방법

성능 평가는 형태소 단위의 F1 점수를 사용한다. 3.1절에서 형태소의 표현을 3가지 방법으로 제안하였다. Table 4는 3.
형태소 분석 결과의 순위를 재조정하기 위해 Seq2seq 모델의 디코더 단계에서 빔 서치 기법을 사용하여 여러 개의 후보 형태소 분석 결과를 생성하였다. 각각의 후보 형태소 분석 결과에 대해 형태소 단위의 문맥 정보를 활용하여 형태소 분석 결과의 순위를 재조정하였다.
[9]의 연구에서는 자연 언어 생성(NLG) 분야에 Seq2seq 모델과 출력 결과를 통해 순위를 재조정하였다. 기존의 자연 언어 생성은 문장 계획(Sentence Planning)과 표층문 실현 (Surface Realization)으로 2단계로 나누어 구현하였다. 반면, [9]의 연구에서는 이 두 단계를 종단 간 모델로 구현하기 위해 Seq2seq를 사용하였다.
본 논문에서는 형태소 표현을 형태소의 단어 벡터와 품사 벡터, 그리고 음절 벡터를 합쳐서 표현하고 각각의 성능을 살펴보기 위해 Fig. 4와 같이 3가지로 나누어 비교를 수행한다. 첫째는 형태소 단어 벡터(e_morph)와 품사 벡터(e_pos)를 결합하여 형태소 벡터를 재구성한다(Fig.
본 연구에서는 Fig. 1처럼 Seq2seq 모델의 디코더 단계에서 빔 서치를 통해 K개의 형태소 분석열을 후보로 생성한다. 각 후보 형태소 분석열은 재순위화 모델에 의해 점수를 부여받게 되고 이 점수에 의해 순위를 재조정하게 된다.
일반적으로 Seq2seq 모델 기반의 형태소 분석기는 하나의 형태소 분석열을 결과로 생성한다. 본 연구에서는 [3]의 모델로부터 단일 출력열 대신 K개의 형태소 분석 후보 결과열을 생성(K-best)하고 그 후보 결과열들의 순위를 다시 재조정하여 최종 형태소 분석 결과열을 결정하는 모델을 제안한다. K개의 형태소 분석 후보 결과 열은 [5]의 연구에서 제안한 Seq2seq 모델의 디코더 단계에서 빔 서치(Beam Search) 알고리즘으로 생성한다.
그렇기 때문에 최종 형태소 분석 결과는 출력열에 나타나는 품사 정보 기준으로 앞의 나온 형태소 음절들을 해당 품사의 형태소로 간주하여 품사를 부착한다. 본 연구에서는 형태소 분석 결과의 순위를 재조정하기 위해 출력 음절들을 형태소 단위로 재구성한 후, 형태소 단위의 n-gram 정보를 이용하여 형태소 분석 결과에 점수를 부여하고 이 점수를 이용하여 재순위화를 수행한다.
이와 같이 빔 서치를 통해 얻은 다양한 후보 형태소 분석 열에는 Seq2seq 모델이 놓친 정답이 존재할 수 있다. 본 연구에서는 형태소의 사전 정보와 형태소 간의 문맥 정보를 반영하여 형태소 분석열들의 순위를 재조정한다.
음절 단위의 형태소 분석 결과를 형태소 단위의 표현으로 재구성하기 위해 세 가지의 방법을 제안하였다. 첫째는 형태소 단어 임베딩과 품사 임베딩의 결합이고, 둘째는 형태소의 음절 임베딩과 품사 임베딩의 결합이다.
음절열로 출력된 결과로부터 형태소 단위의 재구성을 위해서는 각각의 음절 정보와 음절열로 구성된 형태소의 단어 정보, 그리고 해당 형태소의 품사 정보를 모두 임베딩 벡터로 표현하고 이를 결합하여 하나의 형태소 정보로 재구성하였다.
[15]의 연구는 음절 기반의 임베딩 벡터를 개체명 인식 문제에 적용하였다. 이 또한 미등록어 문제를 해결하기 위해 단어를 이루고 있는 문자들을 컨볼루션 신경망을 통해 하나의 단어 벡터로 표현하였다. 기본적인 개체명 인식 모델에 단어 임베딩 벡터와 음절 기반의 단어 임베딩 벡터를 입력으로 사용하였다.
하나의 형태소는 단어(lexical)와 품사(part-of-speech) 정보를 이용하여 표현한다. 이를 위해 형태소 단어의 임베딩과 품사 정보에 대한 임베딩을 결합하여 하나의 형태소를 표현 한다. 형태소 단위로 처리할 때의 문제점 중 하나는 미등록어 처리이다.
이와 같이 형태소 단위로 재구성된 형태소 분석열에서 컨볼루션 신경망(Convolutional Neural Networks) 모델을 사용하여 형태소 단위의 문맥(n-gram) 정보를 학습시키고, 이를 점수화하였다. 이 점수를 통해 후보 형태소 분석열들의 순위를 재조정 한 후, 가장 높은 점수를 받은 형태소 분석열을 최종 분석 결과로 결정한다.
재순위화 방법으로는 출력 문장 대해 각 화행 종류와 해당 슬롯 값의 존재 여부를 [12]의 분류기를 통해 얻어서 각각을 바이너리(1-hot) 벡터로 표현하는 방법이다. 입력 문장 또한 바이너리 벡터로 표현한 후 두 벡터의 거리 값을 이용하여 K개의 출력에 대해 순위를 재조정하였다. 출력 문장을 생성하기 위해 빔의 크기를 100개로 늘려서 순위를 재조정할 경우 BLEU 점수 값을 52.
이 중 정답이 존재하는 경우만 추출하여 79,418개의 문장을 재순위화 모델의 학습 데이터로 사용하였다. 학습 데이터는 (정답 형태소 분석열, 오답 형태소 분석열) 쌍으로 구성하며, 이를 이용하여 3장에서 제안한 모델을 학습시켰다. 평가 데이터는 Seq2seq 모델에서 사용한 평가 데이터를 그대로 사용한다.
형태소 단위로 표현된 분석 결과를 형태소 단위의 문맥 정보를 활용하여 점수로 환산할 수 있는 신경망을 구축하고 학습시켰다. 실험 결과 형태소를 단어, 음절, 품사의 결합 벡터로 표현했을 때, 96.
본 연구에서는 기존 Seq2seq 모델 기반의 한국어 형태소 분석기의 결과에 대해 재순위화 모델을 사용하여 형태소 분석 결과의 순위를 재조정하는 후처리 방법을 제안하였다. 형태소 분석 결과의 순위를 재조정하기 위해 Seq2seq 모델의 디코더 단계에서 빔 서치 기법을 사용하여 여러 개의 후보 형태소 분석 결과를 생성하였다. 각각의 후보 형태소 분석 결과에 대해 형태소 단위의 문맥 정보를 활용하여 형태소 분석 결과의 순위를 재조정하였다.
셋째는 형태소의 단어 임베딩, 형태소의 음절 임베딩 그리고 품사 임베딩의 결합이다. 형태소의 음절 임베딩의 경우, 고정된 크기의 벡터로 표현하기 위해 컨볼루션 신경망을 사용하였다.

대상 데이터

성능 평가는 형태소 단위의 F1 점수를 사용한다. 3.
재순위화 모델의 학습을 위해 Seq2seq 모델에 학습 데이터를 입력으로 넣어주고 10개의 후보 형태소 분석열을 생성한다. 이 중 정답이 존재하는 경우만 추출하여 79,418개의 문장을 재순위화 모델의 학습 데이터로 사용하였다. 학습 데이터는 (정답 형태소 분석열, 오답 형태소 분석열) 쌍으로 구성하며, 이를 이용하여 3장에서 제안한 모델을 학습시켰다.
제안한 재순위화 모델은 기존 형태소 분석기의 후처리를 위한 모델로 Seq2seq 모델의 학습이 필요하다. 이를 위해 세종 코퍼스¹⁾의 문장 중 9만 개의 학습 문장과 9,997개의 문장을 평가 데이터로 사용하였다. 재순위화 모델의 학습을 위해 Seq2seq 모델에 학습 데이터를 입력으로 넣어주고 10개의 후보 형태소 분석열을 생성한다.
학습 데이터는 (정답 형태소 분석열, 오답 형태소 분석열) 쌍으로 구성하며, 이를 이용하여 3장에서 제안한 모델을 학습시켰다. 평가 데이터는 Seq2seq 모델에서 사용한 평가 데이터를 그대로 사용한다. 학습 데이터와 평가 데이터에 대한 정보를 Table 1에 제시하였다.

이론/모형

본 연구에서는 [3]의 모델로부터 단일 출력열 대신 K개의 형태소 분석 후보 결과열을 생성(K-best)하고 그 후보 결과열들의 순위를 다시 재조정하여 최종 형태소 분석 결과열을 결정하는 모델을 제안한다. K개의 형태소 분석 후보 결과 열은 [5]의 연구에서 제안한 Seq2seq 모델의 디코더 단계에서 빔 서치(Beam Search) 알고리즘으로 생성한다. 생성한 K 개의 후보 결과열에 대해 Seq2seq 모델에서 다루지 못한 형태소 단위의 정보를 활용하여 재순위화 한다.
각 형태소 분석 결과에 대해 음절 단위의 분석결과를 형태소 단위의 결과로 재구성하여 하나의 벡터(MorphPOS)로 표현한다. MorphPOS 벡터로 표현된 형태소 분석 결과는 재순 위화 모델(Reranking Model)의 입력으로 사용된다. 재순위화에 사용하는 기본 정보는 형태소 단위의 문맥(n-gram) 정보이다.
그렇기 때문에 각 노드마다 하나의 출력만을 가지고 진행하므로 한 번 오류가 발생하면 그대로 누적된 오류 결과가 발생한다. 이 문제를 해결하기 위해 빔 서치 알고리즘이 Seq2seq 모델에 적용되었다[5, 7]. 빔 서치 알고리즘은 최고 우선 탐색(Best-First Search) 방법으로 t번째 단계에서 t+1번째 단계에 선택될 수 있는 가능한 모든 경우의 수를 계산한 후 상위 K개의 결과만 다음 단계의 출력 결과로 내보낸다.
이 때, 입력은 화행(dialogue act) 이고 출력은 표층 문장(surface sentence)이다. 이 연구에서는 출력 문장이 입력의 화행과 의미적으로 일치하는지 확인하기 위해 Seq2seq 모델에서 빔 서치 알고리즘을 사용하여 K개의 결과를 얻어낸다.
K개의 출력에 대해 Seq2seq_(y→x)모델을 활용하여 순위를 재조정하고 이를 통해 최종 결과를 얻어낸다. 이 외에도 추가 정보를 활용하기 위해 출력 y의 언어 모델도 사용하였다. [8] 연구의 재순위화를 위한 점수 계산은 Equation (5)와 같다.
재순위화 모델의 학습을 위한 목적 함수는 최대-마진(Max-margin)을 사용한다[18]. 이 목적 함수는 정답 형태소 분석열의 점수인 g(S_answer)가 정답이 아닌 형태소 분석열의 점수인 g(S_notanswer)보다 높아지도록 파라미터들을 학습한다.

성능/효과

첫째는 형태소 단어 임베딩과 품사 임베딩의 결합이고, 둘째는 형태소의 음절 임베딩과 품사 임베딩의 결합이다. 셋째는 형태소의 단어 임베딩, 형태소의 음절 임베딩 그리고 품사 임베딩의 결합이다. 형태소의 음절 임베딩의 경우, 고정된 크기의 벡터로 표현하기 위해 컨볼루션 신경망을 사용하였다.
기본적인 개체명 인식 모델에 단어 임베딩 벡터와 음절 기반의 단어 임베딩 벡터를 입력으로 사용하였다. 실험 결과 단어 임베딩 벡터만 사용했을 때에 비해약 0.26%의 성능 향상을 보였다.
형태소 단위로 표현된 분석 결과를 형태소 단위의 문맥 정보를 활용하여 점수로 환산할 수 있는 신경망을 구축하고 학습시켰다. 실험 결과 형태소를 단어, 음절, 품사의 결합 벡터로 표현했을 때, 96.21%의 성능을 보였으며 이는 기존의 Seq2seq 모델 한국어 형태소 분석기에 비해 1.17%의 F1 점수가 향상된 것이다. 그렇지만 Seq2seq 모델이 출력한 정답 형태소 분석열을 오답으로 출력한 경우도 있었다.
log p(y)는 출력에 대한 언어 모델이고 LT는 출력 문장의 길이이이다. 이 수식을 영어-독일어 번역에 사용하였을 때, 기존 모델 대비 약 2점 이상의 BLEU 점수가 향상되는 것을 확인할 수 있었다.
이후 단어 임베딩 벡터와 음절 기반의 단어 임베딩 벡터를 조합하여 품사 부착을 해결해보고자 하였다. 이를 영어와 포르투갈 어에 품사 부착에 적용하였을 때, 약 1.3%의 성능 향상을 확인할 수 있었다.
입력 문장 또한 바이너리 벡터로 표현한 후 두 벡터의 거리 값을 이용하여 K개의 출력에 대해 순위를 재조정하였다. 출력 문장을 생성하기 위해 빔의 크기를 100개로 늘려서 순위를 재조정할 경우 BLEU 점수 값을 52.54에서 62.76까지 향상 되는 것을 확인할수 있었다.
1절에서 제안한 3가지 방법에 대한 실험 결과이다. 형태소 단어와 형태소의 음절 그리고 품사를 결합하여 입력으로 사용하였을 때 96.21%의 성능이 나왔으며, 가장 높은 실험결과를 보여주었다.
(3)은 ‘만보’ 라는 사전에 존재하지 않는 동사를 생성했는데 이는 Seq2seq 모델의 입력과 출력이 음절 단위로 나오기 때문에 생긴 문제 이다. 형태소 단위의 정보를 활용한 재순위화 모델에서 오류를 해결한 것을 확인할 수 있었다. (4)는 ‘글씨’라는 형태소에서 ‘씨’를 의존 명사로 보는 것과 ‘글씨’ 자체를 명사로 보는 것의 중의성 문제를 포함하고 있다.
Table 5는 Seq2seq 모델의 형태소 분석기(Baseline)와 후처리 방법으로 재순위화 모델(Reranking)을 통해 나온 형태소 분석기의 실험 결과이다. 후처리 방법으로 제안한 재순위화 모델은 기존 형태소 분석기에 비해 1.17%의 F1 점수가 향상되었다.

질의응답

핵심어	질문	논문에서 추출한 답변
	Sequence-to-sequence(Seq2seq) 모델은 어떨 때 많이 사용되고 있는가?	Sequence-to-sequence(Seq2seq) 모델은 입력열과 출력열의 길이가 다를 경우에도 적용할 수 있는 모델로 한국어 형태소 분석에서 많이 사용되고 있다. 일반적으로 Seq2seq 모델을 이용한 한국어 형태소 분석에서는 원문을 음절 단위로 처리하고 형태소와 품사를 음절 단위로 출력한다.
	형태소 분석기의 입력과 출력을 음절 단위로 사용할 때 문제점은 무엇인가?	형태소 분석기의 입력과 출력을 음절 단위로 사용한 이유는 형태소 분석 과정 중 발생하는 사전 미등록어(Out of Vocabulary; OOV) 문제를 효율적으로 처리할 수 있기 때문이다. 그렇지만 음절 단위로 처리를 할 경우 사전 정보를 반영하지 못하거나 원형 복원을 제대로 하지 못하는 문제가 발생할 수 있다[4].
	음절 단위의 형태소 분석의 장점은?	일반적으로 Seq2seq 모델을 이용한 한국어 형태소 분석에서는 원문을 음절 단위로 처리하고 형태소와 품사를 음절 단위로 출력한다. 음절 단위의 형태소 분석은 사전 미등록어 문제를 쉽게 처리할 수 있다는 장점이 있는 반면 형태소 단위의 사전 정보를 반영하지 못한다는 단점이 있다. 본 연구에서는 Seq2seq 모델의 후처리로 재순위화 모델을 추가하여 형태소 분석의 최종 성능을 향상시킬 수 있는 모델을 제안한다.

참고문헌 (18)

S. H. Na and S. K. Jung, "Deep Learning for Korean POS Tagging," Korea Software Congress, pp.426-428, 2014.
J. LI, E. H. Lee, and J. H. Lee, "Sequence-to-sequence based Morphological Analysis and Part-Of-Speech Tagging for Korean Language with Convolutional Features," KIISE, Vol.44, No.1, pp.57-62. 2017.

원문보기 상세보기
H. S. Hwang and C. K. Lee, "Korean Morphological Analysis using Sequence-to-sequence learning with Copying mechanism," Korea Software Congress, pp.443-445, 2016.
Y. S. Choi, "Re-ranking Model of Korean Morphological Analysis Results using Neural Networks," Master's thesis, Chungnam National University, Republic of Korea, 2017.
I. Sutskever, O. Vinyals, and Q. V. Le, "Sequence to sequence learning with neural networks," Advances in neural information processing systems, pp.3104-3112, 2014.
J. Gu, Z. Lu, H. Li, and V. O. Li, "Incorporating copying mechanism in sequence-to-sequence learning," arXiv preprint arXiv:1603.06393, 2016.
F. J. Och and H. Ney, "The alignment template approach to statistical machine translation," Computational Linguistics, Vol.30, No.4, pp.417-449, 2004.

상세보기
J. Li and D. Jurafsky, "Mutual information and diverse decoding improve neural machine translation," arXiv preprint arXiv:1601.00372, 2016.
O. Dusek and F. Jurcicek. "Sequence-to-sequence generation for spoken dialogue via deep syntax trees and strings," arXiv preprint arXiv:1606.05491, 2016.
J. Chorowski and J. Navdeep, "Towards better decoding and language model integration in sequence to sequence models," arXiv preprint arXiv:1612.02695, 2016.
Y. Shao, S. Gouws, D. Britz, A. Goldie, B. Strope and R. Kurzwell, "Generating high-quality and informative conversation responses with sequence-to-sequence models," in Proceedings of the 2017 Conference on Empirical Methods in Natural Language Processing, pp.2200-2209, 2017.
T. H. Wen, M. Gasic, D. Kim, N. Mrksic, P. H. Su, D. Vandyke, and S. Young, "Stochastic language generation in dialogue using recurrent neural networks with convolutional sentence reranking," arXiv preprint arXiv:1508.01755, 2015.
T. Mikolov, W. T. Yih, and G. Zweig, "Linguistic Regularities in Continuous Space Word Representations," in Proceedings of the 2013 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, pp.746-751, 2013.
C. D. Santos and B. Zadrozny, "Learning character-level representations for part-of-speech tagging," in Proceedings of the 31st International Conference on Machine Learning (ICML-14), pp.1818-1826, 2014.
S. Misawa, M. Taniguchi, and Y. Miura, "Character-based Bidirectional LSTM-CRF with words and characters for Japanese Named Entity Recognition," in Proceedings of the First Workshop on Subword and Character Level Models in NLP, pp.97-102, 2017.
T. Nakagawa and K. Uchimoto, "A hybrid approach to word segmentation and pos tagging," in Proceedings of the 45th annual meeting of the ACL on interactive poster and demonstration sessions. Association for Computational Linguistics, pp.217-220, 2007.
Y. Kim, "Convolutional neural networks for sentence classification," arXiv preprint arXiv:1408.5882, 2014.
L. Rosasco, E. D. Vito, A. Caponnetto, M. Piana, and A. Verri, "Are loss functions all the same?" Neural Computation, Vol.16, No.5, pp.1063-1076, 2004.

상세보기

저자의 다른 논문 :

LOADING...

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