[논문]온라인 쇼핑몰에서 소셜 네트워크 데이터를 고려한 상품 트렌드 분석

박수빈; 최도진; 유재수; 복경수

doi:10.5392/jkca.2020.20.02.096

온라인 쇼핑몰에서 소셜 네트워크 데이터를 고려한 상품 트렌드 분석
Item Trend Analysis Considering Social Network Data in Online Shopping Malls 원문보기

한국콘텐츠학회논문지 = The Journal of the Korea Contents Association, v.20 no.2, 2020년, pp.96 - 104

박수빈 (충북대학교 빅데이터협동과정) , 최도진 (충북대학교 정보통신공학과) , 유재수 (충북대학교 정보통신공학과) , 복경수 (원광대학교 SW융합학과)

초록
AI-Helper

온라인 쇼핑몰의 활성화로 소비자들의 소비 활동이 활발해짐에 따라 기업들은 매출 증대를 위해 소비자의 상품 트렌드 분석을 수행하고 있다. 기존의 상품 트렌드 분석 기법들은 온라인 쇼핑몰 사용자의 활동만을 고려하여 분석하기 때문에 구매 이력이 없거나 새로운 상품에 대한 트렌드를 파악하기 어렵다. 본 논문에서는 쇼핑몰에서 사용자의 트렌드와 잠재적 고객의 트렌드를 분석하기 위해 온라인 쇼핑몰 데이터와 소셜 네트워크 데이터를 결합한 트렌드 분석 기법을 제안한다. 제안하는 기법은 서비스 내 데이터 분석을 위해 사용자의 활동로그를 분석하고 활동 로그가 없는 잠재적인 사용자들의 관심도를 반영하기 위해 소셜 네트워크 데이터에서 단어 집합 추출을 통해 생성한 핫 토픽을 결합하였다. 최종적으로 상품 지수와 소셜 네트워크에서의 언급수를 활용하여 시간에 따른 상품 트렌드 변화를 탐지한다. 소셜 네트워크 데이터를 활용한 성능 평가를 통해 제안하는 기법의 우수성을 입증한다.

Abstract ▼ AI-Helper

As consumers' consumption activities become more active due to the activation of online shopping malls, companies are conducting item trend analyses to boost sales. The existing item trend analysis methods are analyzed by considering only the activities of users in online shopping mall services, making it difficult to identify trends for new items without purchasing history. In this paper, we propose a trend analysis method that combines data in online shopping mall services and social network data to analyze item trends in users and potential customers in shopping malls. The proposed method uses the user's activity logs for in-service data and utilizes hot topics through word set extraction from social network data set to reflect potential users' interests. Finally, the item trend change is detected over time by utilizing the item index and the number of mentions in the social network. We show the superiority of the proposed method through performance evaluations using social network data.

주제어

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 온라인 쇼핑몰에서 비적극적인 사용자의 의견을 반영하기 위해 온라인 쇼핑몰에서 발생한 활동 로그와 소셜 네트워크 데이터를 결합한 상품 트렌드 분석 기법을 제안한다. 기존 트렌드 분석 기법은 온라인 쇼핑몰에 가입한지 얼마 되지 않았거나 아직 가입하지 않은 잠재적 고객에 있어서 사용자의 활동 로그가 충분하지 않기 때문에 데이터 희소성 문제를 가지고 있다.
본 논문에서는 온라인 쇼핑몰에서 소셜 네트워크의 특성을 고려한 상품 트렌드 분석 기법을 제안하였다. 제안하는 기법은 변형된 TF-IDF를 사용하여 시간에 따른 소셜 핫 토픽을 고려하였고 상품의 인기도를 고려하여 상품이나 특정 관심 분야에 대한 트렌드 분석 결과를 도출하였다.

제안 방법

[11]에서는 트렌드 분석의 결과를 트렌드 지수에 따라 랭킹하고,소셜 네트워크의 특성을 반영하기 위해서 사용자의 영향력 지수(팔로워 수, 사이버 관련 트윗 수)를 트윗에 반영한다. DBSCAN[12]과 같은 클러스터링 기법을 통해서 단어를 그룹핑하고, Novel 한 키워드인지, Noveland Trendy한 키워드인지에 따라 단어를 랭킹한다. 그러나 Trendy 여부를 판별하기 위해서 기존에 언급되었던 단어와의 코사인 유사도 비교를 하는데 임계값을 사용자가 지정해야만 한다.
데이터수집기는 포털 사이트를 비롯한 소셜 네트워크 데이터와 온라인 쇼핑몰 데이터를 수집하고 정제하여 데이터베이스에 저장한다. SNS 데이터 분석 단계에서 소셜네트워크 데이터에서 일정 시간대별 핫 토픽을 추출하고 온라인 쇼핑몰 사용자 패턴을 분석하는 과정을 수행한다. 이후 앞선 단계들의 결과를 이용하여 최종 트렌드 지수를 계산하여 상품 트렌드를 분석한다.
본 논문에서는 소셜 네트워크 데이터를 이용하여 시간 속성을 고려한 TF-IDF(Term Frequency-inverse document Frequency) 기법[9]을 통해 핫토픽 지수를 계산한다. 그리고 온라인 쇼핑몰에서 상품 구매나 구매 후기 작성과 같은 상품에 대한 관심을 표현하는 활동이 적거나 없는 사용자에게 적합한 상품을 추천하기 위해 수집된 데이터와 소셜 네트워크 데이터를 결합하여 상품의 트렌드를 분석하는 기법을 제안한다. 또한,기존 기법에서 현재 시간만을 기준으로 트렌드를 분석했을 때의 문제점을 해결하기 위해 제안하는 기법에서는 시간의 영향을 받아 빠르게 바뀌는 트렌드 특성을 고려하여 시간 변화에 따른 분석 기법을 사용한다.
따라서 문서의 키워드를 추출하거나 문서들 간의유사도를 계산할 때 사용한다. 단어의 빈도수를 TF에반영하는 기존의 TF-IDF 기법과 달리 제안하는 기법에서는 소셜 네트워크 서비스에서 순간적으로 나타난 단어를 고려한 분석을 위해 TF에 불린 빈도 방식을 적용하였고, 시간에 따른 트렌드의 변화를 반영하기 위해서 역문서 빈도인 IDF에 시간 속성을 반영해주었다.
[그림 1]은 제안하는 기법의 전체 처리 절차를 나타낸다. 데이터 수집기, SNS 데이터 분석, 서비스 내 데이온라인 쇼핑몰에서 소셜 네트워크 데이터를 고려한 상품 트렌드 분석 99터 분석 그리고 최종 트렌드 분석을 수행한다. 데이터수집기는 포털 사이트를 비롯한 소셜 네트워크 데이터와 온라인 쇼핑몰 데이터를 수집하고 정제하여 데이터베이스에 저장한다.
시간에 따른 변화량을 고려하지 않고 출현 빈도의 크기만 가지고 핫 토픽을 추출한다면 일상적으로 많이 언급되는 단어가 포함이 될 수도 있다. 따라서, 시간 구간을 설정하고 타임윈도우 단위로 입력된 단어들의 출현 빈도를 계산한다. 예를 들어, ‘날씨’ 라는 단어는 소셜 네트워크서비스에서 시간대와 상관없이 출현 빈도가 높지만 일상적인 단어의 성격을 가지고 있기 때문에 핫 토픽으로 볼 수 없다.
[13]에서는 키워드 추출에 많이 사용되는 TF-IDF 알고리즘을 사용하여 특정 단어의 출현 빈도와 역문서 빈도를 기반으로 키워드의 중요도를 구분하였다. 또한 이전 시간의TF-IDF의 값을 비교함으로써 시간 속성을 고려하여 단어의 급격한 출현에 의한 키워드 추출 기법을 제안하였다. [14]에서는 트위터에서 핫 토픽 예측에 사용자 활동과 관련된 요소인 팔로워 수, 트윗 수, 멘션 수 기준으로 사용자의 영향력을 도출하여 핫 토픽 예측에 반영하여 사용한다.
그리고 온라인 쇼핑몰에서 상품 구매나 구매 후기 작성과 같은 상품에 대한 관심을 표현하는 활동이 적거나 없는 사용자에게 적합한 상품을 추천하기 위해 수집된 데이터와 소셜 네트워크 데이터를 결합하여 상품의 트렌드를 분석하는 기법을 제안한다. 또한,기존 기법에서 현재 시간만을 기준으로 트렌드를 분석했을 때의 문제점을 해결하기 위해 제안하는 기법에서는 시간의 영향을 받아 빠르게 바뀌는 트렌드 특성을 고려하여 시간 변화에 따른 분석 기법을 사용한다.
본 논문에서 제안하는 기법의 최종 트렌드 분석 모듈에서는 각 단어별 트렌드 지수를 이용하여 시간에 따른 트렌드 지수의 비율 값을 고려한다. 소셜 네트워크데이터를 이용한 영향력 T_i 와 온라인 쇼핑몰 사용자 패턴을 고려한 인기도 P_i값을 가중치 a로 중요도를 조절할 수 있다.
수식 (4)의 P_i는 서비스 내 사용자의 활동 로그를 이용한 특정 상품 i의 서비스 내 인기도이다. 본 논문에서는10초 이상 5분 이내 머무른 사용자들을 의미 있는 클릭으로 계산하였다. 사용자의 클릭 수, 즉 상품을 조회하는 횟수가 적극적인 의사표현 방식인 찜하기 수에 비해서 많기 때문에 가중치를 이용하여 값을 조정해 주었다.
본 논문에서는10초 이상 5분 이내 머무른 사용자들을 의미 있는 클릭으로 계산하였다. 사용자의 클릭 수, 즉 상품을 조회하는 횟수가 적극적인 의사표현 방식인 찜하기 수에 비해서 많기 때문에 가중치를 이용하여 값을 조정해 주었다. 그리고 두 개를 더하여 평점 평균과 곱한 값을 사용하였다.
제안하는 기법의 우수성을 검증하기 위하여 성능 평가를 수행하였다. 성능 평가는 Intel core i7-6700 CPU 4.00GHz, 64GB 메모리를 가지는 시스템에서 Apache Spark 환경에서 Scala 언어를 이용하여 구현하였다. 성능 평가를 위해 2018년 03월 1일부터 3월26일까지 한 달 동안 화장품에 대한 블로그 데이터와 사용자 로그를 수집한 샘플 데이터를 사용했다.
[9]에서는 트위터와 같은 소셜 네트워크 환경에서의 트렌드 분석 방법을 제안하였다. 실시간으로 수집되는 트위터를 이용하여 트렌드를 분석하기 위해 트렌드 감지와 트렌드 분석 과정을 수행한다. 트렌드 감지에서는 이전 시간에 많이 언급되지 않은 단어들을 분석하고 이를 Bursty 키워드로 분류한다.
SNS 데이터 분석 단계에서 소셜네트워크 데이터에서 일정 시간대별 핫 토픽을 추출하고 온라인 쇼핑몰 사용자 패턴을 분석하는 과정을 수행한다. 이후 앞선 단계들의 결과를 이용하여 최종 트렌드 지수를 계산하여 상품 트렌드를 분석한다.
제안하는 기법에서는 SNS 데이터와 온라인 쇼핑몰데이터를 결합한 상품의 트렌드를 분석한다. 수식 (5)는 상품의 트렌드 지수를 나타낸 것으로 SNS에서 상품의 영향력 지수 T_i 와 서비스 내 인기도 P_i를 결합하여 계산한다.
본 논문에서는 온라인 쇼핑몰에서 소셜 네트워크의 특성을 고려한 상품 트렌드 분석 기법을 제안하였다. 제안하는 기법은 변형된 TF-IDF를 사용하여 시간에 따른 소셜 핫 토픽을 고려하였고 상품의 인기도를 고려하여 상품이나 특정 관심 분야에 대한 트렌드 분석 결과를 도출하였다. 제안하는 기법은 소셜 네트워크 서비스 데이터를 활용한 성능 평가를 통해 실제 화제가 되고 있는 트렌드와 유사한 결과를 얻었다.
제안하는 기법은 변형된 TF-IDF를 사용하여 시간에 따른 소셜 핫 토픽을 고려하였고 상품의 인기도를 고려하여 상품이나 특정 관심 분야에 대한 트렌드 분석 결과를 도출하였다. 제안하는 기법은 소셜 네트워크 서비스 데이터를 활용한 성능 평가를 통해 실제 화제가 되고 있는 트렌드와 유사한 결과를 얻었다. 이를 통해 온라인 쇼핑몰을 방문하는 사용자들에게 이슈가 되고 있는 상품들의 트렌드를 제공하여 상품 구매 시 최신 트렌드를 반영한 결정을 할 수 있도록 활용할 수 있다.
다시 말해, 소셜 네트워크 데이터에서 idf는 해당단어가 포함된 블로그 포스트의 수 또는 소셜 네트워크서비스에 올리는 게시글의 역수이다. 제안하는 기법은 시간 단위로 트렌드 분석을 한다. 따라서 idf_t 는 현재시간 t를 기준으로 한 시간의 타임 윈도우 내의 idf값을 나타내고, idf _0.
시간별 트렌드 분석을 위하여 타임윈도우를 사용하여 해당 시간에 발생한 소셜 네트워크 문서를 반영하여 트렌드 지수를 계산하기 때문에 Cold Start 문제가 발생하지 않는다. 제안하는 기법은 시간 속성을 고려한 변형된 TF-IDF 알고리즘을 이용하여 소셜 핫 토픽을추출하고, 온라인 쇼핑몰에서 사용자의 의사표현 방식인 찜하기, 조회 수, 평점 부여하기 등의 행위 분석을 통하여 사용자의 패턴을 분석한다.
해당 Bursty 키워드는 유사한 의미를 가지는 단어들과 그룹핑을 수행하여 Bursty 그룹을 생성한다. 트렌드 분석에서는 확률 모델을 기반으로 해당 Bursty 그룹이 스팸인지, 우연히 많이 발생한 단어인지, 일상적으로 자주 나오는 단어였는지를 판별하여 최종 트렌드를 추출한다. 그러나 [9]에서는 문서상에서의 어조를 분별하지 못하고 단순 Bursty 키워드를 기반하기 때문에 실제로 Bursty 하지 않아도 중요한 트렌드로 분류할 수 있는 단어들을 인식하지 못98 한국콘텐츠학회논문지 '20 Vol.

대상 데이터

00GHz, 64GB 메모리를 가지는 시스템에서 Apache Spark 환경에서 Scala 언어를 이용하여 구현하였다. 성능 평가를 위해 2018년 03월 1일부터 3월26일까지 한 달 동안 화장품에 대한 블로그 데이터와 사용자 로그를 수집한 샘플 데이터를 사용했다. 성능평가 환경은 [표 2]와 같다.

데이터처리

사용자의 클릭 수, 즉 상품을 조회하는 횟수가 적극적인 의사표현 방식인 찜하기 수에 비해서 많기 때문에 가중치를 이용하여 값을 조정해 주었다. 그리고 두 개를 더하여 평점 평균과 곱한 값을 사용하였다.
제안하는 기법의 우수성을 검증하기 위하여 성능 평가를 수행하였다. 성능 평가는 Intel core i7-6700 CPU 4.

이론/모형

트렌드를 분석하기 위해서는 시간대에 따른 상품의 관심도를 반영할 필요가 있다. 따라서 과거에 비해 최근의 변화량이 큰 단어 또는 상품에 대한 트렌드를 분석 할 수 있는 척도가 되는 계산식을 이용하였다.
본 논문에서는 소셜 네트워크 데이터를 이용하여 시간 속성을 고려한 TF-IDF(Term Frequency-inverse document Frequency) 기법[9]을 통해 핫토픽 지수를 계산한다. 그리고 온라인 쇼핑몰에서 상품 구매나 구매 후기 작성과 같은 상품에 대한 관심을 표현하는 활동이 적거나 없는 사용자에게 적합한 상품을 추천하기 위해 수집된 데이터와 소셜 네트워크 데이터를 결합하여 상품의 트렌드를 분석하는 기법을 제안한다.
제안하는 소셜 핫 토픽 추출 기법은 변형된TF-IDF[4]를 사용한다. 정보 검색과 텍스트 마이닝에서 사용하는 가중치인 TF-IDF를 이용하면 여러 문서로 이루어진 문서군에서 어떤 단어의 중요도를 알 수 있다.

성능/효과

화장품 트렌드의 경우 상품 주 소비자층의 관심도나 성향에 많이 영향받는 것을 확인할 수 있다. 결과로 제시된 키워드들을 보면 2주차에 유명 연예인의 화보가 공개되어 대중들의 인기를 끌어 이를 반영한 결과가 나타나고, 3주차에는 인기 드라마 속 배우의 메이크업이 화제가 되어 키워드의 변화가 있는 것을 볼 수 있다. 기존의 서비스 내 사용자 데이터만 고려한다면 상품의 인기 이유를 예측하기 힘든 문제점이 있다.
하지만 서비스 내의 사용자의 데이터와 소셜 네트워크에서 언급되는 데이터를 같이 분석한 결과 상품명 ‘플레이 컬러 아이즈 와인파티’의 경우 소셜 네트워크 서비스에서 사람들의 인기를 반영하여 순위의 변화가 있는 것을 확인할 수 있다. 따라서 제안하는 기법을 사용하면 소셜 네트워크 서비스에서 상품과 관련하여 이슈가 되어 있는 키워드의 순위가 반영되어 실제 대중들에게 인기 있는 트렌드에 대한 분석 결과를 얻을 수 있다. 사용자는 온라인 쇼핑몰에서[그림 2]의 오른쪽 결과와 같은 데이터를 보고 현재 이슈가 되고 있는 키워드와 상품을 참고하여 구매 결정에 도움을 줄 수 있다.
이렇게 높은 데이터 희소성을 가진 정보를 사용하면 해당 고객에 대한 맞춤 트렌드를 제공할 수 없는 한계를 가지고 있다. 제안하는 기법은 데이터 분석 과정에서 이전 시간의 트렌드와 비교를 하여 결과에 반영함으로서 시시각각 빠르게 변하는 트렌드를 잘 파악할 수 있다. 시간별 트렌드 분석을 위하여 타임윈도우를 사용하여 해당 시간에 발생한 소셜 네트워크 문서를 반영하여 트렌드 지수를 계산하기 때문에 Cold Start 문제가 발생하지 않는다.
소셜 네트워크데이터를 이용한 영향력 T_i 와 온라인 쇼핑몰 사용자 패턴을 고려한 인기도 P_i값을 가중치 a로 중요도를 조절할 수 있다. 제안하는 기법은 특정 시간에 발생한 문서를 이용하기 때문에 최종 트렌드 분석 결과를 통해서 시간별 트렌드 상품 및 키워드를 도출 할 수 있다.

후속연구

따라서 향후 연구에서는 소셜 네트워크 데이터를 사용할 때 게시글의 긍·부정 분석을 반영할 예정이다.
따라서 향후 연구에서는 소셜 네트워크 데이터를 사용할 때 게시글의 긍·부정 분석을 반영할 예정이다. 또한, 트렌드 분석에 대한 계산 비용을 감소시키기 위해 시간 복잡도를 분석하여 제안하는 기법을 실제 시스템에 적용하여 상품 추천에도 활용할 예정이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	클릭 스트림 데이터란 무엇인가?	클릭 스트림 데이터는 사용자가 웹 서비스를 이용할때 발생하는 검색 이동 경로를 알 수 있는 데이터이다[15]. 이를 이용하면 사용자의 방문 목적이나 관심 있는 페이지에 대한 접근이 가능하다.
	온라인 쇼핑몰의 활성화의 장점은?	온라인 쇼핑몰을 활성화로 인해 소비자들은 시간과 장소에 구애받지 않고 인터넷을 통해 원하는 상품을 검색하거나 구매할 수 있다. 온라인 쇼핑몰에서 소비자가 원하는 상품을 적재적소에 배치하여 구매자의 관심을 유도하는 것은 실질적인 구매와 연관이 되기 때문에 중요한 요소이다[1][2].
	온라인 쇼핑몰에서 소비자들의 관심 트렌드를 분석하여 상품판매에 활용하는 이유는?	온라인 쇼핑몰을 활성화로 인해 소비자들은 시간과 장소에 구애받지 않고 인터넷을 통해 원하는 상품을 검색하거나 구매할 수 있다. 온라인 쇼핑몰에서 소비자가 원하는 상품을 적재적소에 배치하여 구매자의 관심을 유도하는 것은 실질적인 구매와 연관이 되기 때문에 중요한 요소이다[1][2]. 따라서 온라인 쇼핑몰에서 소비자들의 관심 트렌드를 분석하여 이를 상품 판매에 활용하고 있다[3-5].

참고문헌 (15)

W. Yanyan, "Empirical Analysis of Factors Influencing Consumers' Satisfaction in Online Shopping Agricultural Products in China," Journal of Electronic Commerce in Organizations, Vol.16, No.3, pp.64-77, 2018.

상세보기
C. Ju, J. Wang, and G. Zhou, "The commodity recommendation method for online shopping based on data mining," Multimedia Tools and Applications, Vol.78, No.21, pp.30097-30110, 2019.

상세보기
R. V. Karthik, S. Ganapathy, and A. Kannan, "A Recommendation System for Online Purchase Using Feature and Product Ranking," Proc. International Conference on Contemporary Computing, pp.1-6, 2018.
I. T. Afolabi, O. S. Makinde, and O. O. Oladipupo, "Semantic Web mining for Content-Based Online Shopping Recommender Systems," International Journal of Intelligent Information Technologies, Vol.15, No.4, pp.41-56, 2019.

상세보기
V. Gala, V. Deshpande, I. Ferwana, and M. Milanova, "Product Sentiment Trend Prediction," Proc. International Conference on Social Computing and Social Media, pp.274-283, 2018.
https://www.twitter.com, 2019.10.10.
https://www.facebook.com, 2019.10.10.
https://www.section.blog.naver.com, 2019.10.10.
M. Mathioudakis and N. Koudas, "Twittermonitor: trend detection over the twitter stream," Proc. ACM SIGMOD International Conference on Management of Data, pp.1155-1158, 2010.
I. Yahav, O. Shehory, and D. Schwartz, "Comments Mining With TF-IDF: The Inherent Bias and Its Removal," IEEE Transactions on Knowledge and Data Engineering, Vol.31, No.3, pp.437-450, 2018.
S. A. Gavhane, S. B. Bhadave, and K. Vengatesan, "Review on Latest Trending Topic Detection in Twitter With Stream Processing (Using Fission Pattern)," International Journal of Applied Evolutionary Computation, Vol.10, No.2, pp.43-47, 2019.

상세보기
M. Ester, H. Kriegel, J. Sander, and X. Xu, "A density-based algorithm for discovering clusters in large spatial databases with noise," Proc. International Conference on Knowledge Discovery and Data Mining, pp.226-231, 1996.
노연우, 김대윤, 한지은, 육미선, 임종태, 복경수, 유재수, "소셜 네트워크에서 사용자의 영향력을 고려한 핫 토픽 예측 기법," 한국콘텐츠학회논문지, 제15권, 제8호, pp.24-36, 2015.

원문보기 상세보기
노연우, 임종태, 복경수, 유재수, "소셜 네트워크 환경에서 변형된 TF-IDF를 이용한 핫 토픽 예측 기법," 정보과학회 컴퓨팅의 실제 논문지, 제23권, 제4호, pp.217-225, 2017.

원문보기 상세보기
이홍주, "클릭스트림 데이터를 활용한 전자상거래에서 상품추천이 고객 행동에 미치는 영향 분석," 한국경영과학회지, 제33권, 제3호, pp.59-76, 2008.

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

연합인증