[논문]Word2Vec과 앙상블 합성곱 신경망을 활용한 영화추천 시스템의 정확도 개선에 관한 연구

강부식

doi:10.14400/jdc.2019.17.1.123

Word2Vec과 앙상블 합성곱 신경망을 활용한 영화추천 시스템의 정확도 개선에 관한 연구
A Study on the Accuracy Improvement of Movie Recommender System Using Word2Vec and Ensemble Convolutional Neural Networks 원문보기

디지털융복합연구 = Journal of digital convergence, v.17 no.1, 2019년, pp.123 - 130

초록
AI-Helper

웹 추천기법에서 가장 많이 사용하는 방식 중의 하나는 협업필터링 기법이다. 협업필터링 관련 많은 연구에서 정확도를 개선하기 위한 방안이 제시되어 왔다. 본 연구는 Word2Vec과 앙상블 합성곱 신경망을 활용한 영화추천 방안에 대해 제안한다. 먼저 사용자, 영화, 평점 정보에서 사용자 문장과 영화 문장을 구성한다. 사용자 문장과 영화 문장을 Word2Vec에 입력으로 넣어 사용자 벡터와 영화 벡터를 구한다. 사용자 벡터는 사용자 합성곱 모델에 입력하고, 영화 벡터는 영화 합성곱 모델에 입력한다. 사용자 합성곱 모델과 영화 합성곱 모델은 완전연결 신경망 모델로 연결된다. 최종적으로 완전연결 신경망의 출력 계층은 사용자 영화 평점의 예측값을 출력한다. 실험결과 전통적인 협업필터링 기법과 유사 연구에서 제안한 Word2Vec과 심층 신경망을 사용한 기법에 비해 본 연구의 제안기법이 정확도를 개선함을 알 수 있었다.

Abstract ▼ AI-Helper

One of the most commonly used methods of web recommendation techniques is collaborative filtering. Many studies on collaborative filtering have suggested ways to improve accuracy. This study proposes a method of movie recommendation using Word2Vec and an ensemble convolutional neural networks. First, in the user, movie, and rating information, construct the user sentences and movie sentences. It inputs user sentences and movie sentences into Word2Vec to obtain user vectors and movie vectors. User vectors are entered into user convolution model and movie vectors are input to movie convolution model. The user and the movie convolution models are linked to a fully connected neural network model. Finally, the output layer of the fully connected neural network outputs forecasts of user movie ratings. Experimentation results showed that the accuracy of the technique proposed in this study accuracy of conventional collaborative filtering techniques was improved compared to those of conventional collaborative filtering technique and the technique using Word2Vec and deep neural networks proposed in a similar study.

주제어

표/그림 (9)

그림 Fig. 1. Word2Vec skip-gram model
그림 Fig. 2. Convolution neural network with one convolution layer and one pooling layer
그림 Fig. 3. wDNN configuration
그림 Fig. 4. wCNN configuration
그림 Fig. 5. Procedure of movie recommendation algorithm
그림 Fig. 6. The model architecture of ensemble convolutional neural networks
그림 Fig. 7. The user and movie convolution model
표 Table 1. MAEs of 10-fold cross validation test
표 Table 2. Results of pair-wise t-test of wDNN and wCNN

AI 본문요약
AI-Helper

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

문제 정의

본 논문은 사용자 평점 정보가 있는 영화 추천을 위해 텍스트 분석 분야에서 활발하게 사용되고 있는 Word2Vec과 영상처리 분야에서 가장 활발하게 적용되는 합성곱 신경망을 영화추천에 활용하는 방안에 대해 제안한다. 제안된 기법은 먼저, Word2Vec을 이용하여 사용자 벡터와 영화 벡터를 구한다.
본 연구는 영화추천의 추천정확도를 개선하기 위해 Word2Vec과 앙상블 합성곱 신경망을 활용하는 방안을 제시하였고 filmtrust 영화데이터에 대해 실험하여 검증하였다. 제안한 추천방식의 일반화를 위해서는 추가적으로 다양한 데이터에 대해 적용하여 실험할 필요가 있다.
전통적으로는 협업필터링 방식이 많이 활용되었으나, 최근 Word2Vec이나 딥러닝 기술을 이용한 방안이 제시되고 있다. 본 연구에서는 영화추천의 예측 정확도를 높이기 위해서, Word2Vec과 앙상블 합성곱 신경망을 이용하는 기법에 대해 제안하였다. 제안기법은 Word2Vec을 이용하여 사용자 벡터와 영화 벡터를 구하고, 사용자 벡터를 입력으로 받아 평점을 예측하는 사용자 합성곱 모델과 영화 벡터를 입력으로 받아 평점을 예측하는 영화 합성곱 모델을 구성한 후, 두 개의 모델을 하나로 연결하는 앙상블 합성곱 신경망 모델을 구성하였다.
본 연구에서는 합성곱 신경망을 활용하여 영화를 추천하는 기법에 대해 제안한다. 사용자의 영화평점을 학습하기 위한 학습망의 구성은 Fig.

제안 방법

{사용자 ID, 영화 ID, 영화 평점}으로 구성된 원시 데이터를 {사용자 벡터, 영화 벡터, 평점}으로 변환하여 학습데이터를 구성하여 합성곱 신경망 학습을 한다. 앙상블 합성곱 신경망 전체 모델은 Fig.
제안된 기법은 먼저, Word2Vec을 이용하여 사용자 벡터와 영화 벡터를 구한다. 다음에, 사용자 벡터와 영화 벡터로 학습 데이터를 구성하고, 합성곱 신경망을 학습한 후 영화를 추천한다. 연구에서 제안된 기법의 성능 평가는 사용자 협업필터링 방식에 비해 추천 정확도가 개선된 심층 신경망을 이용한 추천 기법[14]과 비교하여 검증하고자 한다.
사용자 ID를 나타내는 200차원 벡터와 영화 ID를 나타내는 200차원 벡터는 서로 관련성이 없으므로 각각 합성곱 계층을 구성하여야 한다. 따라서 본 연구에서는 사용자 벡터를 입력으로 받아 학습하는 사용자 합성곱 모델(User Model)과 영화 벡터를 입력으로 받아 학습하는 영화 합성곱 모델(Movie Model)을 별도로 구성하고, 완전연결 단계의 입력단계에서 두 개의 모델을 합치는 앙상블 합성곱 모델을 구성하였다.
3과 같은 은닉계측 2계층을 갖는 심층신경망을 사용하여 추천하는 wDNN 기법에 대해 제안하였다. 사용자가 부여한 영화의 평점 정보를 가지고 문장-사용자 매트릭스와 문장-영화 매트릭스를 구성하고 Word2Vec을 이용해 사용자 벡터와 영화 벡터를 구하였다. 이후 심층신경망으로 사용자의 영화 평점을 학습하여 이를 추천에 사용하였다.
전체 데이터는 학습데이터(90%)와 시험데이터(10%)로 구분되고, 학습데이터를 이용하여 영화추천 모델을 구축하고 시험데이터 내의 영화 평점을 예측하였다. 실험에 사용할 모델 구성 및 파라미터 설정을 위해 학습데이터 중 일부를 검증데이터로 사용하여 학습모델을 찾았고 학습모델을 확정한 이후에는 전체 학습데이터를 이용하여 학습모델을 학습하였다. 시험데이터에 대한 성능평가는 10겹 교차검증시험을 실시하였다.
다음에, 사용자 벡터와 영화 벡터로 학습 데이터를 구성하고, 합성곱 신경망을 학습한 후 영화를 추천한다. 연구에서 제안된 기법의 성능 평가는 사용자 협업필터링 방식에 비해 추천 정확도가 개선된 심층 신경망을 이용한 추천 기법[14]과 비교하여 검증하고자 한다.
사용자가 부여한 영화의 평점 정보를 가지고 문장-사용자 매트릭스와 문장-영화 매트릭스를 구성하고 Word2Vec을 이용해 사용자 벡터와 영화 벡터를 구하였다. 이후 심층신경망으로 사용자의 영화 평점을 학습하여 이를 추천에 사용하였다.
본 연구에서 제안한 방식의 추천 정확도 평가를 위한 평가척도로 정확도 성능평가에서 많이 사용되고 있는 예측 평점과 실제 평점과의 절대값 평균인 MAE(Mean Absolute Error)를 사용하였다[3]. 전체 데이터는 학습데이터(90%)와 시험데이터(10%)로 구분되고, 학습데이터를 이용하여 영화추천 모델을 구축하고 시험데이터 내의 영화 평점을 예측하였다. 실험에 사용할 모델 구성 및 파라미터 설정을 위해 학습데이터 중 일부를 검증데이터로 사용하여 학습모델을 찾았고 학습모델을 확정한 이후에는 전체 학습데이터를 이용하여 학습모델을 학습하였다.
본 연구에서는 영화추천의 예측 정확도를 높이기 위해서, Word2Vec과 앙상블 합성곱 신경망을 이용하는 기법에 대해 제안하였다. 제안기법은 Word2Vec을 이용하여 사용자 벡터와 영화 벡터를 구하고, 사용자 벡터를 입력으로 받아 평점을 예측하는 사용자 합성곱 모델과 영화 벡터를 입력으로 받아 평점을 예측하는 영화 합성곱 모델을 구성한 후, 두 개의 모델을 하나로 연결하는 앙상블 합성곱 신경망 모델을 구성하였다. 합성곱 모델은 1차원 필터로 합성곱 처리하는 합성 계층과 1차원 형태의 입력값에서 1차원 맥스 풀링하는 풀링계층, 그리고 완전연결 계층의 입력계층과 연결시키는 플래튼 계층으로 구성하였다.
본 논문은 사용자 평점 정보가 있는 영화 추천을 위해 텍스트 분석 분야에서 활발하게 사용되고 있는 Word2Vec과 영상처리 분야에서 가장 활발하게 적용되는 합성곱 신경망을 영화추천에 활용하는 방안에 대해 제안한다. 제안된 기법은 먼저, Word2Vec을 이용하여 사용자 벡터와 영화 벡터를 구한다. 다음에, 사용자 벡터와 영화 벡터로 학습 데이터를 구성하고, 합성곱 신경망을 학습한 후 영화를 추천한다.
제안기법은 Word2Vec을 이용하여 사용자 벡터와 영화 벡터를 구하고, 사용자 벡터를 입력으로 받아 평점을 예측하는 사용자 합성곱 모델과 영화 벡터를 입력으로 받아 평점을 예측하는 영화 합성곱 모델을 구성한 후, 두 개의 모델을 하나로 연결하는 앙상블 합성곱 신경망 모델을 구성하였다. 합성곱 모델은 1차원 필터로 합성곱 처리하는 합성 계층과 1차원 형태의 입력값에서 1차원 맥스 풀링하는 풀링계층, 그리고 완전연결 계층의 입력계층과 연결시키는 플래튼 계층으로 구성하였다.
완전연결 계층은 일반적인 신경망의 형태를 가지며, 입력 계층, 하나 이상의 은닉 계층, 출력 계층을 갖는다. 합성곱 신경망의 학습에서는 ReLU 활성화 함수를 주로 사용하며 신경망이 커짐에 따라 저하되는 학습속도는 GPU를 활용함으로서 개선하였다.

대상 데이터

본 연구에서 제안된 방안을 평가하기 위해 LibRec[20]에서 제공하는 filmtrust 데이터를 사용하였다. filmtrust 데이터는 1508명의 사용자가 2071개 영화에 대해 0.5점에서 4점 사이의 영화 평점을 부여한 데이터로 {userid, movieid, movieRating} 3개의 속성과 35,497개의 사례로 구성되어 있고 데이터 밀도는 1.14%이다[2,17].
본 연구에서 제안된 방안을 평가하기 위해 LibRec[20]에서 제공하는 filmtrust 데이터를 사용하였다. filmtrust 데이터는 1508명의 사용자가 2071개 영화에 대해 0.
시험데이터에 대한 성능평가는 10겹 교차검증시험을 실시하였다. 실험은 파이썬 3.5, 파이썬 오픈 라이브러리인 Keras 2.1.3, 텐서플루, Gensim 라이브러리의 Word2Vec을 사용하였고, 하드웨어 환경은 i7 프로세서, 16G 메모리, GTX1060이 설치된 PC에서 실험하였다. Word2Vec의 하이퍼 파라미터인 출력 벡터 크기 M과 윈도우 크기 W은 [2]의 연구에 따라 M=200, W=10으로 설정하여 실험하였다.
제 3장에서는 본 연구에서 제안한 방안에 대해 설명한다. 제 4장에서는 제안한 방법을 filmtrust 데이터[17]에 적용하여 실험하고 분석한다. 제 5장에서는 결론을 기술한다.
Word2Vec의 하이퍼 파라미터인 출력 벡터 크기 M과 윈도우 크기 W은 [2]의 연구에 따라 M=200, W=10으로 설정하여 실험하였다. 합성곱 신경망의 구성은 사전 실험에서 다양한 형태로 실험하였으며 비교적 성능이 우수한 Fig. 2와 Fig. 3의 모델을 최종 선택하여 실험하였다. 사용자 및 영화 합성곱 모델에서 합성곱 계층은 커널수는 50, 커널 크기는 5, 패딩은 ‘same', 활성화함수는 'ReLU’, 스트라이드는 1이 채택되었고, 풀링 계층에서는 풀링 사이즈가 4인 맥스 풀링을 설정하였다.

데이터처리

65748로, 본 연구에서 제안한 기법(wCNN)이 wDNN에 비해 정확도를 개선시켰음을 알 수 있다. wDNN과 wCNN의 정확도 차이에 통계적 유의성 검정을 위해, 쌍체 t-검정을 실시하여, Table 2의 결과를 얻었다. 쌍체 t-검정의 결과 유의 수준 0.
본 연구에서 제안기법(wCNN)의 추천정확도 평가를 위해 선행연구[14]의 기법인 wDNN과 비교하였다. 제안 기법은 전통적 사용자 기반 협업필터링 방식(CF)에 비해 영화추천시스템의 정확도를 크게 개선하였다.
본 연구에서 제안한 방식의 추천 정확도 평가를 위한 평가척도로 정확도 성능평가에서 많이 사용되고 있는 예측 평점과 실제 평점과의 절대값 평균인 MAE(Mean Absolute Error)를 사용하였다[3]. 전체 데이터는 학습데이터(90%)와 시험데이터(10%)로 구분되고, 학습데이터를 이용하여 영화추천 모델을 구축하고 시험데이터 내의 영화 평점을 예측하였다.
추가로 드롭아웃에 대해 사전 실험한 결과 드롭아웃은 0으로 설정하였다. 본 연구의 제안기법(wCNN)의 추천정확도 평가를 위해 심층신경망을 활용한 기법(wDNN)과 비교하였다.
실험에 사용할 모델 구성 및 파라미터 설정을 위해 학습데이터 중 일부를 검증데이터로 사용하여 학습모델을 찾았고 학습모델을 확정한 이후에는 전체 학습데이터를 이용하여 학습모델을 학습하였다. 시험데이터에 대한 성능평가는 10겹 교차검증시험을 실시하였다. 실험은 파이썬 3.

이론/모형

6과 같다. 본 연구 합성곱 신경망의 학습은 파이썬으로 작성된 오픈소스 라이브러리인 Keras를 사용하고, Keras내 딥러닝 엔진은 텐 서플로를 사용한다.
완전연결 계층의 은닉계층은 10개의 노드로 구성되고, 1200차원 벡터의 데이터를 10개 차원 벡터로 변환하여 출력한다. 은닉 계층의 활성화함수는 ReLU를 사용한다. 출력계층은 1개 노드로 구성되어 10차원 벡터 데이터를 입력으로 받아 1차원 스칼라로 출력한다.

성능/효과

실험데이터에 대해 10-겹 교차검증을 실시한 결과는 Table 1과 같다. wDNN의 평균 MAE는 0.66909, wCNN의 평균 MAE는 0.65748로, 본 연구에서 제안한 기법(wCNN)이 wDNN에 비해 정확도를 개선시켰음을 알 수 있다. wDNN과 wCNN의 정확도 차이에 통계적 유의성 검정을 위해, 쌍체 t-검정을 실시하여, Table 2의 결과를 얻었다.
영화 벡터에 대해서도 동일하게 생성한다. 결과적으로 사용자 ID별로 200차원의 벡터와 영화 ID별로 200차원의 벡터를 얻게 된다.
제안 기법은 전통적 사용자 기반 협업필터링 방식(CF)에 비해 영화추천시스템의 정확도를 크게 개선하였다. 또한 심층 신경망을 이용한 기법(wDNN)에 비해서도 정확도가 개선되었다.
실험결과를 통해 Word2Vec과 앙상블 합성곱 신경망을 활용하여 영화추천의 정확도를 개선할 수 있음을 알 수 있었다.
Word2Vec은 텍스트 분석외의 영역에서도 응용할 수 있는 데, 협업 필터링 방식의 추천 기법에서도 활용하는 방안이 여러 연구에서 제안되고 있다[2,8,9]. 이와 같은 연구에서는 사용자 유사도를 구하기 위해 사용자 평점을 직접 사용하는 대신에 Word2Vec을 이용해 도출한 사용자 벡터 정보나 상품 벡터 정보를 사용하여 사용자간 유사도를 구하고 이를 이용하여 이웃 사용자들을 선정하는 것이 추천 정확도를 개선할 수 있음을 보이고 있다. 그러나 유사도 기반 이웃 사용자 선정을 통한 추천방식은 기본적으로 신규 사용자나 신규 상품의 추천이 어려운 문제점을 갖고 있다.
본 연구에서 제안기법(wCNN)의 추천정확도 평가를 위해 선행연구[14]의 기법인 wDNN과 비교하였다. 제안 기법은 전통적 사용자 기반 협업필터링 방식(CF)에 비해 영화추천시스템의 정확도를 크게 개선하였다. 또한 심층 신경망을 이용한 기법(wDNN)에 비해서도 정확도가 개선되었다.
추가적으로, 신규고객에 대해서는 사용자 벡터의 평균 벡터로 대체하고, 신규상품에 대해서는 영화 벡터의 평균 벡터로 대체하여, 신규고객이나 신규상품을 포함한 10 겹 교차검증시험을 실시한 결과에서도 wDNN은 평균 MAE가 0.67163이고, wCNN은 0.66018이었고, 쌍체 t-검정결과의 p값이 0.025로 통계적으로 유의하였다.

후속연구

제안한 추천방식의 일반화를 위해서는 추가적으로 다양한 데이터에 대해 적용하여 실험할 필요가 있다. 또한 딥러닝 기술은 빠르게 발전하고 있어 이러한 모델을 포함한 새로운 앙상블 모델을 구축하여 정확도 개선을 시도하는 추가 연구가 계속될 필요가 있다.
본 연구는 영화추천의 추천정확도를 개선하기 위해 Word2Vec과 앙상블 합성곱 신경망을 활용하는 방안을 제시하였고 filmtrust 영화데이터에 대해 실험하여 검증하였다. 제안한 추천방식의 일반화를 위해서는 추가적으로 다양한 데이터에 대해 적용하여 실험할 필요가 있다. 또한 딥러닝 기술은 빠르게 발전하고 있어 이러한 모델을 포함한 새로운 앙상블 모델을 구축하여 정확도 개선을 시도하는 추가 연구가 계속될 필요가 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	일반적인 협업필터링 방식이란?	웹 환경하의 상품추천시스템에서 가장 많이 활용하고 있 는 기법 중의 하나는 협업필터링 방식이다[3]. 일반적인 협업필터링 방식은 사용자가 부여한 상품의 평점 정보를 이용하여 상관 유사도를 구하고, 유사도가 높은 이웃 사 용자들을 선정하고, 이웃 사용자들의 구매정보를 이용하 여 상품을 추천한다. [1]은 사용자 유사도 계산에 사회연 결망의 구조적 공백기법을 활용함으로서 추천정확도를 개선하는 연구를 제안하였다.
	웹 상품추천시스템의 추천 정확도를 높이는 것이 더욱 필요한 과제인 이유는?	웹 상품추천시스템의 추천 정확도를 높이는 것은 전 자상거래에서 다루는 상품의 수가 늘어남에 따라 더욱 필요한 과제라고 할 수 있다. 전통적으로는 협업필터링 방식이 많이 활용되었으나, 최근 Word2Vec이나 딥 러닝 기술을 이용한 방안이 제시되고 있다.
	사용자 유사도를 구하기 위해 Word2Vec를 사용하는데 있어 한계점은?	이와 같은 연구에서는 사 용자 유사도를 구하기 위해 사용자 평점을 직접 사용하 는 대신에 Word2Vec을 이용해 도출한 사용자 벡터 정보 나 상품 벡터 정보를 사용하여 사용자간 유사도를 구하 고 이를 이용하여 이웃 사용자들을 선정하는 것이 추천 정확도를 개선할 수 있음을 보이고 있다. 그러나 유사도 기반 이웃 사용자 선정을 통한 추천방식은 기본적으로 신규 사용자나 신규 상품의 추천이 어려운 문제점을 갖 고 있다.

참고문헌 (20)

B. S. Kang. (2017). The study of recommendation algorithm's predictive accuracy improvement using structural holes on trust-based social networks. Journal of Knowledge Information Technology and Systems, 12(1), 209-217.
B. S. Kang. (2018). Improving Predictive Accuracy of User-based Collaborative Filtering Using Word2Vec. Journal of Knowledge Information Technology and Systems, 13(1), 169-176.
B. Sarwar, G. Karypis, J. Konstan & J. Ried. (2001). Item-based collaborative filtering recommendation algorithms. Proceedings of the 10th International Conference on World Wide Web, 285-295.
T. Mikolov, I. Sutskever, K. Chen, G. S. Corrado & J. Dean. (2013). Distributed representations of words and phrases and their compositionality. Advances in Neural Information Processing Systems, 26, 3111-3119.
J. M. Kim & J. H. Lee. (2017). Text document classification based on recurrent neural network using word2vec. Journal of Korean Institute of Intelligent Systems, 27(6), 560-565.

상세보기
D. W. Kim & M. W. Koo. (2017). Categorization of korean news articles based on convolutional neural networks using doc2vec and word2vec. Journal of Korean Institute of Information Scientists and Engineers, 44(7), 742-747.
D. Y. Lee, J. C. Jo & H. S. Lim. (2017). User sentiment analysis on amazon fashion product review using word embedding. Journal of the Korean Convergence Society, 8(4), 1-8.
B. Oren & K. Noam. (2016. Sep). Item2vec: neural item embedding for collaborative filtering. 2016 IEEE 26th International Workshop on Machine Learning for Signal Processing, 1-6.
G. S. Jeon, S. G. Kong & Y. S. Cho. (2017). Word2Vec based collaborative filtering for movie Rating prediction. Korea Software Congress 2017, 844-846.
J. K. Sung, S. M. Park, S. Y. Sin, Y. B. Kim & Y. G. Kim. (2017). Deep learning based image retrieval system for o2o shopping mall platform service design, Journal of Digital Convergence, 15(7), 213-222.

원문보기 상세보기
S. J. Baek. (2017). Multi-document summarization method based on semantic relationship using VAE, Journal of Digital Convergence, 15(12), 341-347.
R. Devooght & H. Bersini. (2016). Collaborative filtering with recurrent neural networks. arXiv preprint arXiv:1608.07400.
M. H. Kwon, S. E. Kong & Y. S. Choi. (2018). Improving recurrent neural network based recommendations by utilizing embedding matrix. Journal of KIISE, 45(7), 659-666.

상세보기
B. S. Kang. (2018). Improving accuracy of movie recommender system using word2vec and deep neural networks. Journal of Knowledge Information Technology and Systems, 13(5), 561-568.
B. T. Zhang. (2015). Deep hypernetwork models. Communications of the Korean Institute of Information Scientists and Engineers, 33(8), 11-24.
M. K. Kwon & H. S. Yang. (2017). Performance improvement of object recognition system in broadcast media using hierarchical CNN, Journal of Digital Convergence, 15(3), 201-209.

원문보기 상세보기
G. Guo, J. Zhang & N. Yorke-Smith. (2013). A novel bayesian similarity measure for recommender systems. Proceedings of the 23th International Joint Conference on Artificial Intelligence, 2619-2625.
Y. LeCun, L. Bottou, Y. Bengio & P. Haffner. (1998). Gradient-based learning applied to document recognition. Proceedings of the Institute of Electrical and Electronics Engineers, 86(11), 2278-2324.

상세보기
Gensim. (2017). https://radimrehurek.com/gensim/.
Librec. (2016). http://www.librec.net/datasets.html.

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