초록

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

정보 검색의 결과로 나타나는 요약문을 스니펫(snippet)이라 한다. 사용자는 자신이 원하는 정보를 얻기 위해 문서를 검색하는데, 이 때 스니펫은 사용자가 원하는 문서를 찾는데 중요한 역할을 한다. 본 논문에서는 정보검색 분야에서 높은 성능을 보이는 유사 적합성 피드백을 자동 문서 요약에 맞게 적용하여 높은 성능의 스니펫 생성 시스템을 구현한다. 우선, 사용자의 질의가 포함된 문장들을 일차적으로 요약 문장 후보로 추출한다. 그리고 추출된 문장 후보로부터 명사들을 질의 후보로 고려한다. 각 문장이 질의의 포함 여부에 따라 문장의 적합성을 판단하게 되고, 유사 적합성 피드백 확률 모델에 적용한 후 질의 후보들의 가중치를 추정하여 가중치 순위를 통해 확장할 질의들을 결정한다. 확장된 질의들과 기존의 질의들의 가중치를 합산하여 각 문장의 순위를 매기게 되고 가장 높은 순위의 문장들이 스니펫으로 제시된다. 논문에서 제안한 기법은 추가적인 핵심 질의들을 자동으로 확장하여 중요한 문장을 추출할 수 있다. 이 연구를 위해서 일반 상용 정보 검색 서비스에서 제공하는 스니펫을 수집하였고 이들의 정확도와 시스템의 정확도를 비교하였다. 실험 결과를 통해 살펴본 제안된 시스템의 성능은 상용 정보 검색기에서 제공되고 잇는 스니펫의 정확도 보다 우수한 성능을 보였다.

정보 검색의 결과로 나타나는 요약문을 스니펫(snippet)이라 한다. 사용자는 자신이 원하는 정보를 얻기 위해 문서를 검색하는데, 이 때 스니펫은 사용자가 원하는 문서를 찾는데 중요한 역할을 한다. 본 논문에서는 정보검색 분야에서 높은 성능을 보이는 유사 적합성 피드백을 자동 문서 요약에 맞게 적용하여 높은 성능의 스니펫 생성 시스템을 구현한다. 우선, 사용자의 질의가 포함된 문장들을 일차적으로 요약 문장 후보로 추출한다. 그리고 추출된 문장 후보로부터 명사들을 질의 후보로 고려한다. 각 문장이 질의의 포함 여부에 따라 문장의 적합성을 판단하게 되고, 유사 적합성 피드백 확률 모델에 적용한 후 질의 후보들의 가중치를 추정하여 가중치 순위를 통해 확장할 질의들을 결정한다. 확장된 질의들과 기존의 질의들의 가중치를 합산하여 각 문장의 순위를 매기게 되고 가장 높은 순위의 문장들이 스니펫으로 제시된다. 논문에서 제안한 기법은 추가적인 핵심 질의들을 자동으로 확장하여 중요한 문장을 추출할 수 있다. 이 연구를 위해서 일반 상용 정보 검색 서비스에서 제공하는 스니펫을 수집하였고 이들의 정확도와 시스템의 정확도를 비교하였다. 실험 결과를 통해 살펴본 제안된 시스템의 성능은 상용 정보 검색기에서 제공되고 잇는 스니펫의 정확도 보다 우수한 성능을 보였다.

AI 본문요약

엑셀 다운로드 AI-Helper

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

• 연구 주제
• 연구 방법
• 연구 결과

문제 정의

• 그리고 공정한 평가를 위해서 정보 검색기의 스니펫으로 제공하는 문장의 수와 제안 시스템의 스니펫으로 제공하는 문장의 수를 같게 하였다. 그런 후 이들이 제시하는 문장들 중 정답 문장이 포함될 경우를 맞는 것으로 보고 평가하였다.
• 그리고 지금 현재 사용되는 상용 정보 검색기의 스니펫의 성능을 확인해 보았다. 이러한 스니펫의 성능을 확인해 봄으로써 좀 더 향상될 수 있는 방안을 제시할 수 있다.
• 실험 영역을 뉴스 기사 뿐만이 아닌 블로그나 기타 웹 문서들로 확대하여 평가해 보는 것이다. 그리하여 다양한 검색 분야에서 제안하는 기법의 성능을 평가해 보고 차이점들을 분석하여 실제 검색 시스템에서 사용할 수 있을지 알아 보도록 한다.
• 본 논문에서는 유사 적합성 피드백을 기반으로 하는 요약기법을 사용하여 높은 성능의 스니펫 생성 시스템을 구현하였다. 정보 검색 분야에서 사용되는 적합성 피드백을 자동 요약과 유사한 점을 보고 이들을 적용하였다.
• 유사 적합성 피드백은 사용자의 피드백 없이 사용자 질의에 대한 초기 검색 결과로부터 적합성 정보를 얻어 초기 질의를 변경한 후 재 검색하여 검색 성능을 향상시키는 방법이다[2]. 본 논문은 초기 질의어로 문장의 적합성을 판단하고 이 적합성 정보를 토대로 질의를 확장한 후 이 확장 질의를 반영하여 중요 문장을 추출하는 스니펫 생성 시스템을 제안한다.
• 향후 연구로는 다음과 같은 과제가 있다. 실험 영역을 뉴스 기사 뿐만이 아닌 블로그나 기타 웹 문서들로 확대하여 평가해 보는 것이다. 그리하여 다양한 검색 분야에서 제안하는 기법의 성능을 평가해 보고 차이점들을 분석하여 실제 검색 시스템에서 사용할 수 있을지 알아 보도록 한다.
• 자동 문서 요약에 대한 기존 연구들을 생산되어 나오는 요약문의 초점과 영역에 관하여 나누는 것이 일반적인 방법이다[3]. 이 장에서는 일반적인 자동 요약 방법론과 적합성 피드백을 이용한 질의 분해에 관한 연구에 대해서 알아본다.
• 문서의 상위 문장들이 기사 요약에서 중요하고 좋은 요약이라고 알려져 있다[14]. 이러한 가정을 확인하기 위하여 실험문서들의 정답 문장 분포를 살펴보았다.
• 이러한 문제를 방지하기 위하여, 요약문을 생성하는데 소요되는데 최소한의 자원으로 최고의 효율을 얻기 위한 방법을 제시한다. WordNet과 같은 언어 자원을 활용하거나 기계학습 방법을 적용하는 것은 제한한다.

가설 설정

• 적합성 피드백은 특정 질의와 적합한 문서들은 유사한 벡터로 표현된다고 가정한다. 따라서, 어떤 문서가 주어진 질의에 적합하다고 판단되면 질의를 적합한 문서와의 유사도가 증가하도록 변환하여 질의를 개선시킨다.
• 먼저 제목의 유사도를 측정하는 방법이다. 제목과 각 후보 문장은 가중치의 벡터로 표현한다고 가정한다. 제목의 명사들을 벡터로 구성을 하고 이와 일대일 대응하는 문장들의 벡터를 구성한다.

제안 방법

• Google을 정보 검색기로 검색하여 수집한 기사 566개를 제안한 시스템의 효과를 보여주기 위해 비교시스템 1, 2와 Google 자체에서 제공하는 스니펫을 비교하였다.
• Naver를 정보 검색기로 검색하여 수집한 기사 560개를 제안한 시스템의 효과를 보여주기 위해 비교 시스템 1,2와 Naver 자체에서 제공하는 스니펫을 비교하였다.
• 모든 적합 문장들의 명사들은 질의 확장을 위한 후보가 되고 유사 적합성 피드백 확률 모델을 통해 가중치가 높은 후보들을 질의어로 확장하게 된다. 각 문장은 포함하고 있는 질의어의 가중치 합과 그 문장의 위치 정보를 합산하여 점수를 얻고 이 점수가 가장 높은 문장들을 요약문으로 제시한다. [그림 1]은 제안 시스템의 전체 구성도를 보여 주고 있다.
• 이 때 분류한 품사들을 모두 사용하게 되면 시스템의 속도가 저하될 뿐 아니라 문장의 점수 계산에 있어서 성능에 악영향을 미친다. 그러므로 필요한 종류의 품사를 사용하는 것이 시스템의 속도 저하를 막을 뿐만 아니라 시스템의 정확도를 높이는데 크게 기여할 수 있다는 점을 고려하여 각 품사들을 달리하며 실험을 수행하였다.
• 태깅 작업 참여자는 이 정답 후보들에서 가장 문서의 내용을 잘 대표할 수있는 문장을 하나 정한다. 그런 뒤 모든 문서의 정답을 취합한 후 3명 모두 같은 정답을 지시한 경우와 두 명이 같은 정답을 지시한 경우처럼 다수의 참여자가 지시한 답을 정답으로 간주하였다. 그리고 참여자 3명 모두 다른 답을 제시한문서들을 따로 모아서 참여자에게 다시 나누어 주어 토의를통해 정답을 결정하였다.
• 그런 뒤 모든 문서의 정답을 취합한 후 3명 모두 같은 정답을 지시한 경우와 두 명이 같은 정답을 지시한 경우처럼 다수의 참여자가 지시한 답을 정답으로 간주하였다. 그리고 참여자 3명 모두 다른 답을 제시한문서들을 따로 모아서 참여자에게 다시 나누어 주어 토의를통해 정답을 결정하였다.
• 따라서 이 실험을 수행하기 위해 직접 정보 검색기를 이용하여 실험 말뭉치를 구성하였다. 다양한 분야의 실험 말뭉치를 모으기 위하여 뉴스 기사의 영역을 과학기술, 스포츠연예, 정치경제, 사회문화의 네 가지 분야로 나누었고, 이들 영역별로 최근 화제가 되고 있는 단어 20개를 질의어로 하여 총 80개를 실험에서 사용할 질의어로 구성하였다.
• 스니펫을 생성하는데 소요되는 시간은 시스템의 성능을 측정하는 중요한 지표가 된다. 따라서 각 시스템이 문서를 처리하는 속도를 측정하였다. 일반적으로 상용 정보 검색기에서 제공하는 스니펫은 한 번에 10개에서 20개를 동시에 보여 주므로 10개당 처리되는 속도를 비교해 보았다.
• WordNet과 같은 언어 자원을 활용하거나 기계학습 방법을 적용하는 것은 제한한다. 따라서 이 시스템은 웹 문서의 요약문이라는 특수한 상황에 맞게 요약문서를 생성하는데 발생하는 자원을 최소한으로 사용하는 통계식 방법을 채택하였다.
• 현재 한국어 스니펫에 관한 실험 말뭉치들은 제공되어 있지 않다. 따라서 이 실험을 수행하기 위해 직접 정보 검색기를 이용하여 실험 말뭉치를 구성하였다. 다양한 분야의 실험 말뭉치를 모으기 위하여 뉴스 기사의 영역을 과학기술, 스포츠연예, 정치경제, 사회문화의 네 가지 분야로 나누었고, 이들 영역별로 최근 화제가 되고 있는 단어 20개를 질의어로 하여 총 80개를 실험에서 사용할 질의어로 구성하였다.
• 성능은 참여자들이 제시한 정답을 얼마나 맞추냐에 따른 정확도(accuracy) 값으로 표현하였다. 또한 문서를 처리하는 속도를 비교하였다.
• 정보 검색기가 제공하는 스니펫은 화면 구성상 일정한 크기로 제한되어 있기 때문에 [그림 2]와 같이 완전한 문장일 경우 보다 불완전한 문장일 경우가 많다. 또한 불완전한 문장을 어디까지 인정할 것인가에 대한 기준이 모호하기 때문에 질의어가 포함되어 있는 불완전한 문장도 정보 검색기가 제공하는 스니펫 문장이라고 간주하고 정확도를 측정하였다. 그리고 공정한 평가를 위해서 정보 검색기의 스니펫으로 제공하는 문장의 수와 제안 시스템의 스니펫으로 제공하는 문장의 수를 같게 하였다.
• 실험은 Naver를 정보 검색기로 검색하여 수집한 기사와 Google을 정보 검색기로 검색하여 수집한 기사에 대하여 실험하였다. 실험의 대상은 앞서서 설명한 비교시스템 1, 2와 각 말뭉치를 수집할 때의 정보 검색기의 스니펫이다.
• 현재 한국어 스니펫에 관한 실험 말뭉치가 없기 때문에 이에 관한 정확도를 측정하기 어렵다. 우리는 실험의 정확도를 측정하기 위해 각 기사의 질의어를 포함하고 있는 문장을 정답 후보로 간주하고, 각 후보에 번호를 매겨서 세 명의 요약정답 태깅 작업 참여자에게 나누어 준다. 태깅 작업 참여자는 이 정답 후보들에서 가장 문서의 내용을 잘 대표할 수있는 문장을 하나 정한다.
• 이 실험을 통해 확인한 바로는 가장 높은 성능을 보일 때 질의어의 개수는 6이다. 우리는 이점을 이용하여 질의어의 개수를 6개로 고정하여서 실험하였다.
• 유사 적합성 피드백 기법은 여러 가지가 있지만 가장 기본적인 확률 모델인 Robertson/Sparck Jones에 의해 제안된 식 (3)을 사용하였다. 우리는 정보 검색 분야에서 사용되는 이 모델을 문장 추출에 적합한 방법으로 적용하였다.
• ), 물음표(?), 느낌표(!)와 같은 마침표에 의해 구분한다. 이 때 온점은 소수점과 웹사이트 주소를 나타내는 점과 구분하기 위하여 문장의 온점 뒤에 여백이 있는지 없는지를 확인하여 구분한다.
• 유사 적합성 피드백 기법을 이용한 문서요약은 통계적인 방법을 사용한다. 이러한 통계적인 방법을 사용하기 위하여 각 문장에 포함된 단어들을 추출하여야 하는데 이 때 품사 태거(POS tagger)를 사용하여 추출한다.
• 사용자의 관심은 일차적으로 입력한 질의에 있다는 가정 하에 이 질의를 통해서 적합한 문장과 적합하지 않은 문장을 나눌 수 있다. 이렇게 나뉜 문장을 유사 적합성 피드백의 확률 모델에 적용하여 질의를 확장하고 이 확장된 질의들을 통해서 문장의 점수를 매겨 순위에 따라 문장을 추출한다. 게다가 추가적으로 위치 정보를 결합하여서 전체적으로 다른 비교 시스템들보다 높은 성능을 내는 것을 확인하였다.
• 이를 위해 우리는 [표 2]와 같이 질의어의 개수를 증가하면서 실험을 하였다. 사용된 데이터는 5장에서 상세히 기술되어 있다.
• 따라서 각 시스템이 문서를 처리하는 속도를 측정하였다. 일반적으로 상용 정보 검색기에서 제공하는 스니펫은 한 번에 10개에서 20개를 동시에 보여 주므로 10개당 처리되는 속도를 비교해 보았다. [표 7]을 살펴 보면 알 수 있듯이 제안시스템이 비교시스템 보다 속도가 느린 단점을 보인다.
• 본 논문에서는 유사 적합성 피드백을 기반으로 하는 요약기법을 사용하여 높은 성능의 스니펫 생성 시스템을 구현하였다. 정보 검색 분야에서 사용되는 적합성 피드백을 자동 요약과 유사한 점을 보고 이들을 적용하였다. 사용자의 관심은 일차적으로 입력한 질의에 있다는 가정 하에 이 질의를 통해서 적합한 문장과 적합하지 않은 문장을 나눌 수 있다.
• 본 논문에서는 정보검색에 이용되는 유사 적합성 피드백에 기반한 질의확장 기법을 문서요약에 적용한다. 제안하는 시스템은 검색 엔진의 결과로 나타나는 문서들을 중요 문장들로 추출하여 요약문을 생성한다. 여기서 고려할 사항은 검색 엔진의 결과로 요약문이 나타나기 때문에 사용자는 실시간으로 검색 결과를 볼 수 있어야 한다.
• 제안하는 시스템이 추출한 요약 문장들 중 실험 정답 자료에서 제시하는 문장을 포함할 경우를 맞는 것으로 보고 이들의 정확도(accuracy)를 측정하였다. 시스템과 비교 시스템의 경우, 정확도 측정은 일반적으로 완전한 문장을 생성해낸다고 가정하기 때문에 어려운 일이 아니나 정보 검색기가 제공하는 스니펫의 정확도 측정은 쉽지 않다.
• 인터넷 문서는 일반적인 문서와는 달리 다양한 형태로 구성이 되어 있어, 문장을 분할하는 작업은 쉽지 않다[23]. 현재 다양한 기술들이 제시되어 있지만, 실시간으로 결과를 보여줘야 하는 스니펫 생성의 제약 조건을 만족시키기 위하여 본 시스템에서는 간단한 휴리스틱(heuristic)을 통해서 문장을 분할한다. 시스템에 입력된 문서들은 제목과 본문으로 이루어져 있는데 본문을 온점(.

대상 데이터

• 실험은 Naver를 정보 검색기로 검색하여 수집한 기사와 Google을 정보 검색기로 검색하여 수집한 기사에 대하여 실험하였다. 실험의 대상은 앞서서 설명한 비교시스템 1, 2와 각 말뭉치를 수집할 때의 정보 검색기의 스니펫이다. 성능은 참여자들이 제시한 정답을 얼마나 맞추냐에 따른 정확도(accuracy) 값으로 표현하였다.
• 이 기사들은 제목, 본문, 그리고 정보검색기에서 제공되는 스니펫으로 말뭉치를 구성하였다. 이 때 사용된 정보검색기는 상용검색기인 Naver와 Google의 뉴스검색으로 각각 800개씩 총 1600개의 문서를 말뭉치로 수집하였다. 이렇게 수집된 문서 중 중복된 문서와 질의를 포함하지 않은 문서 그리고 질의를 포함하는 문장의 수가 두 개 이하인 경우를 제외하여 총 1126개의 문서를 실험 말뭉치로 사용한다.
• 이 때 사용된 정보검색기는 상용검색기인 Naver와 Google의 뉴스검색으로 각각 800개씩 총 1600개의 문서를 말뭉치로 수집하였다. 이렇게 수집된 문서 중 중복된 문서와 질의를 포함하지 않은 문서 그리고 질의를 포함하는 문장의 수가 두 개 이하인 경우를 제외하여 총 1126개의 문서를 실험 말뭉치로 사용한다.

데이터처리

• 제안하는 방법의 성능을 비교하기 위하여 일반적으로 자동 문서 요약 시스템에서 사용하고 있는 제목과 위치 정보를 이용하여 문장을 추출하는 방법과 tf*isf를 이용하여 키워드추출한 후 문장을 추출하는 방법을 구현하여 성능을 비교하였다. 그리고 현재 사용되고 있는 정보 검색기의 스니펫의 정확도를 측정하여 본 논문에서 제안하는 시스템과 비교하였다.
• 제안하는 방법의 성능을 비교하기 위하여 일반적으로 자동 문서 요약 시스템에서 사용하고 있는 제목과 위치 정보를 이용하여 문장을 추출하는 방법과 tf*isf를 이용하여 키워드추출한 후 문장을 추출하는 방법을 구현하여 성능을 비교하였다. 그리고 현재 사용되고 있는 정보 검색기의 스니펫의 정확도를 측정하여 본 논문에서 제안하는 시스템과 비교하였다.

이론/모형

• 정보검색과 연관지어 문서요약의 문제 정의를 바꾸면 정보검색에 이용되는 여러 가지 기법들을 문서요약에 적용할 수 있다. 본 논문에서는 정보검색에 이용되는 유사 적합성 피드백에 기반한 질의확장 기법을 문서요약에 적용한다. 제안하는 시스템은 검색 엔진의 결과로 나타나는 문서들을 중요 문장들로 추출하여 요약문을 생성한다.
• 이제 추출한 단어를 이용하여 유사 적합성 피드백 기법에 적용한다. 유사 적합성 피드백 기법은 여러 가지가 있지만 가장 기본적인 확률 모델인 Robertson/Sparck Jones에 의해 제안된 식 (3)을 사용하였다. 우리는 정보 검색 분야에서 사용되는 이 모델을 문장 추출에 적합한 방법으로 적용하였다.
• 이제 추출한 단어를 이용하여 유사 적합성 피드백 기법에 적용한다. 유사 적합성 피드백 기법은 여러 가지가 있지만 가장 기본적인 확률 모델인 Robertson/Sparck Jones에 의해 제안된 식 (3)을 사용하였다.

성능/효과

• 이렇게 나뉜 문장을 유사 적합성 피드백의 확률 모델에 적용하여 질의를 확장하고 이 확장된 질의들을 통해서 문장의 점수를 매겨 순위에 따라 문장을 추출한다. 게다가 추가적으로 위치 정보를 결합하여서 전체적으로 다른 비교 시스템들보다 높은 성능을 내는 것을 확인하였다.
• 표에서 확인할 수 있듯이 많은 문서의 정답들이 첫번째 문장과 두번째 문장에 나타나고 있음을 확인할 수 있다. 그리고 문장의 위치가 뒤쪽일 수록 정답 문장의 수가 줄어드는 것을 알 수 있었다. 이 점을 이용해 우리는 위치 정보를 제안하는 시스템에 적용하였다.
• 7% 높은 정확도를 보였다. 그리고 상용 검색기인 Google의 경우 총 59.5%로 제안 시스템이 정확도 측면에서 9.2% 높은 성능을 보이는 것을 확인 할 수 있었다.
• 5%, 비교시스템 2보다 28% 높은 정확도를 보였다. 그리고 상용 검색기인 Naver의 경우 총 20.4%로 정확도 측면에서 낮은 성능을 보이는 것을 확인 할 수 있었다.
• 우선 일차적으로 명사들만을 대상으로 실험을 하였고, 그 외의 품사들을 추가로 확장하여 실험을 한 결과 명사들만을 대상으로 한 것이 제일 좋은 성능을 보였다.
• Sparck Jones는 이러한 상대적 가중치 식을 이용하여 적합성 피드백을 수행에 적용하였다[19]. 이 실험에는 사용자들로부터 적합 문서로 피드백 받은 문서를 이용하여 초기 질의어에 대한 가중치를 다시 부여를 했는데, 일반적 IDF값을 이용할 경우보다 높은 성능을 보여, 적합성 피드백을 위해서는 확률적 가중치 방법이 유용함을 보여 주었다.
• [표 5]는 비교시스템 1, 2와 제안시스템, Naver에서 제공하는 스니펫의 성능 그리고 후보 대상이 되는 문서의 개수를 보인다. 이를 보면 알 수 있듯이 제안 시스템은 비교시스템 1보다 10.5%, 비교시스템 2보다 28% 높은 정확도를 보였다. 그리고 상용 검색기인 Naver의 경우 총 20.
• 표 6은 비교시스템 1, 2와 제안시스템, Google에서 제공하는 스니펫의 성능 그리고 후보 대상이 되는 문서의 개수를 보인다. 이를 보면 알 수 있듯이 제안시스템은 비교시스템 1보다 11.3%, 비교 시스템 2보다 27.7% 높은 정확도를 보였다. 그리고 상용 검색기인 Google의 경우 총 59.

후속연구

• 이러한 스니펫의 성능을 확인해 봄으로써 좀 더 향상될 수 있는 방안을 제시할 수 있다. 따라서 제안한 시스템이 높은 정확도를 보임으로 이러한 기술을 활용한다면 좀 더 정확한 스니펫을 생성하는 정보 검색기를 개발할 수 있을 것이다.
• 검색 결과 문서들의 수가 무수히 많은데다가 사용자는 문서의 제목과 스니펫(snippet)만을 통해서 문서를 선택하기 때문에 스니펫의 성능은 정보 검색에 있어 중요한 부분을 차지한다. 만약 스니펫(snippet)이 문서의 내용을 충분히 표현할 수 있는 문장으로 이루어진다면 사용자는 보다 빠르고 정확하게 판단하여 본인의 요구에 부합하는 문서를 찾을 수 있을 것이다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

질의응답

핵심어	질문	논문에서 추출한 답변
스니펫(snippet)	스니펫(snippet)이란 무엇인가?	정보 검색의 결과로 나타나는 요약문을 스니펫(snippet)이라 한다. 사용자는 자신이 원하는 정보를 얻기 위해 문서를 검색하는데, 이 때 스니펫은 사용자가 원하는 문서를 찾는데 중요한 역할을 한다.
단위 수준 접근 방법론	단위 수준 접근 방법론은 어떠한 관계를 이용한 방법론인가?	단위 수준 접근 방법론은 문서의 내부 단위(entity) 간의 관계를 이용한 방법론이다. 주로 단어의 중첩, 동시 발생(cooccurrence), 참조와 같은 특징을 이용한다.

질의응답 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기

연구과제 타임라인

지능형 인간로봇 상호작용 기술 개발

LOADING...

전체(0) 논문(0) 특허(0) 보고서(0)

더보기

LOADING...

전체(0) 논문(0) 특허(0) 보고서(0)

더보기

LOADING...

LOADING...

LOADING...