장바구니 담기 close

장바구니에 상품을 담았습니다.

장바구니로 계속쇼핑하기
추천 시스템
미리보기

추천 시스템

  • 차루아가르왈
  • |
  • 에이콘출판
  • |
  • 2021-12-31 출간
  • |
  • 556페이지
  • |
  • 188 X 235 X 31 mm
  • |
  • ISBN 9791161755878
판매가

40,000원

즉시할인가

36,000 원

배송비

무료배송

(제주/도서산간 배송 추가비용:3,000원)

추가상품
상품선택
독서대 7,900원 독서대 선택안함 0원
수량
+ -
총주문금액
36,000원
장바구니 구매하기

※ 스프링제본 상품은 반품/교환/환불이 불가능하므로 신중하게 선택하여 주시기 바랍니다.

북스크린영상으로 만나보는 한 권의 책 이야기

출판사서평




◈ 이 책에서 다루는 내용 ◈

◆ 알고리듬과 평가: 협업 필터링 방법, 콘텐츠 기반 방법과 지식 기반 방법과 평가를 포함한 추천 시스템의 기본적인 알고리듬을 다룬다.
◆ 도메인과 컨텍스트별 추천 시스템: 추천 시스템의 컨텍스트는 추천 목표에 영향을 미치는 중요한 부가 정보다. 시간 데이터, 공간 데이터, 소셜 데이터, 태그 데이터와 같은 다른 유형의 컨텍스트를 살펴본다.
◆ 고급 주제와 애플리케이션: 실링 시스템, 공격 모델, 방어법과 같은 추천 시스템의 다양한 견고성 측면에 관해 논의한다. 추가로 factorization model, 멀티 암드 밴딧, 순위 학습, 그룹 추천 시스템, 다중-기준 시스템, 능동 학습 시스템과 같은 최신 주제를 애플리케이션과 함께 논의한다.

◈ 이 책의 대상 독자 ◈

교과서로 사용할 수 있도록 많은 예제와 연습문제를 수록했으며, 기본 주제와 알고리듬 챕터는 강의 교육을 염두에 두고 만들었다. 그리고 많은 산업 실무자와 연구자가 응용하고 참고할 때 유용하게 쓸 수 있도록 많은 노력을 기울였다.

◈ 이 책의 구성 ◈

이 책의 각 장은 3가지 카테고리로 구성됐다.
1. 알고리듬과 평가: 협업 필터링 방법, 콘텐츠 기반 방법, 지식 기반 방법 등 추천 시스템의 기본적인 알고리듬을 논의한다. 하이브리드 방법에 관한 기술과 추천 시스템 평가도 다룬다.
2. 도메인과 컨텍스트별 추천 시스템: 추천 시스템의 컨텍스트는 효과적인 추천을 제공할 때 중요한 역할을 한다. 예를 들어 식당을 찾는 사용자는 자신의 위치 데이터를 추가적인 컨텍스트로 사용하길 원할 것이다. 추천의 컨텍스트는 추천의 목표에 영향을 미치는 매우 중요한 부가 정보로 볼 수 있다. 시간 데이터, 공간 데이터, 소셜 데이터와 같은 다른 도메인 유형들은 다른 유형의 컨텍스트를 제공한다. 또한 추천 프로세스의 신뢰성을 증가시키기 위해 소셜 정보를 이용할 때 발생하는 이슈를 논의할 것이다. factorization machine과 신뢰할 수 있는 추천 시스템도 다룬다.
3. 고급 주제와 애플리케이션: 실링 시스템, 공격 모델, 방어법과 같은 추천 시스템의 다양한 견고성 측면에 관해 살펴본다. 랭크 학습, 멀티 암드 밴딧, 그룹 추천 시스템, 다중-기준 시스템, 능동 학습 시스템과 같은 주제도 논의한다. 그리고 뉴스 추천 시스템, 쿼리 검색, 전산 광고와 같이 사용된 몇몇 애플리케이션 환경을 조사한다. ‘애플리케이션’ 절은 이러한 앞쪽 장에서 소개한 방법을 다른 도메인에 어떻게 적용하는지 아이디어를 제공한다.

◈ 옮긴이의 말 ◈

‘추천"은 특정 산업뿐만 아니라 정말 다양한 산업에서 활용할 수 있어 특히나 데이터를 이제 막 쌓아 두기 시작한 요즘에는 더욱 많이 찾는 방법론이다. 하지만 이런 범용적인 활용도 대비 추천 알고리듬을 어떤 상황에 쓰고, 각 알고리듬의 장단점 등을 소개하는 책은 찾기 어려웠다. 또한 데이터 엔지니어, 데이터 사이언티스트 외의 비전문가가 이해할 수 있는 언어로 풀이된 자료는 더욱 구하기 어렵다. 이 책이 그간 있었던 궁금증을 풀 수 있을 것이라 생각되고, 책에서 소개한 기본이 되는 알고리듬을 중심으로 현재도 새로운 ML모델들이 등장하고 있어 ‘요즘"의 추천 알고리듬을 이해하시는 데 더욱 도움이 되시리라 생각된다.
박희원

이 책을 번역하면서 추천 시스템은 특정 알고리듬으로, 특정 영역에서만 활용되는 것이 아닌 모든 산업 전반에 걸쳐 적용되고 있는 것을 알게 됐다. 기본적인 알고리듬 설명에서부터 실무자들이 활용할 수 있는 최근 알고리듬 내용까지 이론적으로 잘 설명이 돼 있어서 추천 시스템을 이해하고자 하는 분들이 기본서로 활용하시면 도움이 되리라 생각한다.
이주희

대학원의 추천 시스템 수업에서 이 책을 처음 접했다. 추천 시스템에 대해 더 공부를 하고 싶어서 온라인 서점에서 관련된 책을 찾아봤으나 추천 시스템의 이론을 다루는 책이 없었다. 그래서 원서 중에 추천 시스템의 이론에 대해서 기초부터 고급 내용까지 다르고 있는 이 책을 찾게 됐다. 이 책을 보며 추천 시스템에 대해 이해할 수 있는 좋은 기회가 됐지만 국내에는 이런 책이 없는 것에 아쉬움이 있었다. 그래서 추천 시스템을 공부하고 연구하고 실무에 적용하려는 분들께 추천 시스템을 이해하기 위한 진입장벽을 조금이라도 낮추는데 기여하고 싶어서 이 책을 번역하게 됐다.
이진형


목차


1장. 추천 시스템 소개
__1.1 소개
__1.2 추천 시스템의 목표
____1.2.1 추천 애플리케이션의 스펙트럼
__1.3 추천 시스템의 기본 모델
____1.3.1 협업 필터링 모델
______1.3.1.1 평점의 종류
______1.3.1.2 결측치 분석과의 관계
______1.3.1.3 분류와 회귀 모델링의 일반화 관점의 협업 필터링
____1.3.2 콘텐츠 기반 추천 시스템
____1.3.3 지식 기반 추천 시스템
______1.3.3.1 유틸리티 기반 추천 시스템
____1.3.4 인구 통계학적 추천 시스템
____1.3.5 하이브리드와 앙상블 기반 추천 시스템
____1.3.6 추천 시스템의 평가
__1.4 추천 시스템의 도메인 특화 과제
____1.4.1 상황 기반 추천 시스템
____1.4.2 시간-민감 추천 시스템
____1.4.3 위치 기반 추천 시스템
____1.4.4 소셜 추천 시스템
______1.4.4.1 노드와 링크의 구조적 추천
______1.4.4.2 사회적 영향을 고려한 제품과 콘텐츠 추천
______1.4.4.3 신뢰할 수 있는 추천 시스템
______1.4.4.4 추천을 위한 소셜 태그 피드백 활용
__1.5 고급 주제 및 애플리케이션
____1.5.1 추천 시스템의 콜드 스타트 문제
____1.5.2 공격에 강한 추천 시스템
____1.5.3 그룹 추천 시스템
____1.5.4 다중 기준 추천 시스템
____1.5.5 추천 시스템의 능동적 학습
____1.5.6 추천 시스템의 개인정보보호
____1.5.7 애플리케이션 도메인
__1.6 요약
__1.7 참고문헌
__1.8 연습 문제

2장. 이웃 기반 협업 필터링
__2.1 개요
__2.2 평점 행렬의 주요 특징
__2.3 이웃 기반 방법론의 평점 예측
____2.3.1 사용자 기반 이웃 모델
______2.3.1.1 유사성 함수 변형
______2.3.1.2 예측함수의 변형
______2.3.1.3 동료 그룹 필터링의 변형
______2.3.1.4 롱테일의 영향
____2.3.2 아이템 기반 이웃 모델
____2.3.3 효율적 구현 및 계산 복잡성
____2.3.4 사용자 기반 방법론과 품목 기반 방법론의 비교
____2.3.5 이웃 기반 방법론의 장점과 단점
____2.3.6 사용자 기반과 품목 기반 방법론의 공통된 관점
__2.4 클러스터링과 이웃 기반 방법론
__2.5 차원 축소와 이웃 기반 방법론
____2.5.1 편향 문제 처리
______2.5.1.1 최대 우도 추정
______2.5.1.2 불완전한 데이터의 직접 행렬 분해
__2.6 이웃 방법론의 회귀 모델링 관점
____2.6.1 사용자 기반 가장 가까운 이웃 회귀
______2.6.1.1 희소성 및 편견 문제
____2.6.2 항목 기반 가장 근접 이웃 회귀
____2.6.3 사용자 기반 및 아이템 기반 방법 결합
____2.6.4 유사성 가중치가 있는 공동 보간
____2.6.5 희소 선형 모델
__2.7 이웃 기반 방법에 대한 그래프 모델
____2.7.1 사용자-아이템 그래프
______2.7.1.1 랜덤 워크를 이용한 이웃 정의
______2.7.1.2 카츠 측정 값을 이용한 이웃 정의
____2.7.2 사용자-사용자 그래프
____2.7.3 아이템-아이템 그래프
__2.8 요약
__2.9 참고 사항
__2.10 연습 문제

3장. 모델 기반 협업 필터링
__3.1 서문
__3.2 의사 결정 및 회귀 트리
____3.2.1 의사 결정 트리를 협업 필터링으로 확장
__3.3 규칙 기반 협업 필터링
____3.3.1 협업 필터링을 위한 레버리지 연관 규칙
____3.3.2 아이템별 모델과 사용자별 모델
__3.4 나이브 베이즈 협업 필터링
____3.4.1 과적합 조정
____3.4.2 이진 등급을 가진 베이즈 방법의 예
__3.5 임의 분류 모델을 블랙 박스로 사용
____3.5.1 예: 신경망을 블랙 박스로 사용
__3.6 잠복 인자 모델
____3.6.1 잠복 인자 모델에 대한 기하학적 직관
____3.6.2 잠재 요인 모델에 대한 낮은 랭크 직관
____3.6.3 기본 행렬 분해 원리
____3.6.4 제약 없는 행렬 분해
______3.6.4.1 확률적 경사하강
______3.6.4.2 정규화
______3.6.4.3 증분 잠재성분 훈련
______3.6.4.4 교차 최소 제곱과 좌표 하강
______3.6.4.5 사용자 및 아이템 편향 통합
______3.6.4.6 암시적 피드백 통합
____3.6.5 특이값 분해
______3.6.5.1 SVD에 대한 간단한 반복 접근법
______3.6.5.2 최적화 기반 접근법
______3.6.5.3 표본을 벗어난 샘플 추천
______3.6.5.4 특이값 분해의 예
____3.6.6 음이 아닌 행렬 분해
______3.6.6.1 해석 가능성의 장점
______3.6.6.2 암시적 피드백을 사용한 분해에 대한 관찰
______3.6.6.3 암시적 피드백이 있는 계산 및 가중치 문제
______3.6.6.4 좋아요와 싫어요가 모두 있는 등급
____3.6.7 Matrix Factorization Family 이해
__3.7 분해와 이웃 모델 통합
____3.7.1 기준선 추정기: 개인화되지 않은 편향 중심 모델
____3.7.2 모델의 이웃 부분
____3.7.3 모델의 잠재 요소 부분
____3.7.4 이웃 및 잠재 요소 부분 통합
____3.7.5 최적화 모델 풀기
____3.7.6 정확도에 대한 관찰
____3.7.7 잠재 요인 모델을 임의 모델과 통합
__3.8 요약
__3.9 참고문헌
__3.10 연습 문제

4장. 콘텐츠 기반 추천 시스템
__4.1 소개
__4.2 콘텐츠 기반 시스템의 기본 구성 요소
__4.3 전처리 및 피처 추출
____4.3.1 피처 추출
______4.3.1.1 상품 추천의 예
______4.3.1.2 웹 페이지 추천의 예
______4.3.1.3 음악 추천의 예
____4.3.2 피처 표현 및 정제
____4.3.3 사용자가 좋아하는 것과 싫어하는 것 수집
____4.3.4 지도 피처 선택과 가중치 설정
______4.3.4.1 지니 계수
______4.3.4.2 엔트로피
______4.3.4.3 X2-통계
______4.3.4.4 정규화된 편차
______4.3.4.5 피처 가중치 설정
__4.4 사용자 프로파일 학습 및 필터링
____4.4.1 최근접 이웃 분류
____4.4.2 사례 기반 추천 시스템과의 연결
____4.4.3 베이즈 분류기
______4.4.3.1 중간 확률 추정
______4.4.3.2 베이즈 모델의 예
____4.4.4 규칙 기반 분류자
____4.4.5 회귀 기반 모델
____4.4.6 기타 학습 모델 및 비교 개요
____4.4.7 콘텐츠 기반 시스템에 관한 설명
__4.5 콘텐츠 기반 및 협업 필터링 추천
__4.6 협업 필터링 시스템을 위한 콘텐츠 기반 모델 사용
____4.6.1 사용자 프로파일 활용
__4.7 요약
__4.8 참고문헌
__4.9 연습 문제

5장. 지식 기반 추천 시스템
__5.1 개요
__5.2 제약 조건 기반 추천 시스템
____5.2.1 관련 결과의 반환
____5.2.2 상호작용 방법론
____5.2.3 일치하는 아이템의 순위 매기기
____5.2.4 허용되지 않는 결과 또는 빈 결과 처리
____5.2.5 제약 조건 추가
__5.3 사례 기반 추천
____5.3.1 유사성 메트릭
______5.3.1.1 유사성 계산에 다양성 통합
____5.3.2 수정 방법론
______5.3.2.1 간단한 수정
______5.3.2.2 복합적 수정
______5.3.2.3 동적 수정
____5.3.3 수정에 대한 설명
__5.4 지식 기반 시스템의 지속적인 개인화
__5.5 요약
__5.6 참고문헌
__5.7 연습 문제

6장. 앙상블 기반과 하이브리드 추천 시스템
__6.1 소개
__6.2 분류 관점에서 본 앙상블 방법
__6.3 가중 하이브리드
____6.3.1 다양한 유형의 모델 조합
____6.3.2 분류에서 배깅 적응
____6.3.3 무작위 주입
__6.4 스위칭 하이브리드
____6.4.1 콜드 스타트 문제를 위한 스위칭 메커니즘
____6.4.2 모델 버킷
__6.5 캐스케이드 하이브리드
____6.5.1 추천의 연속적인 재정의
____6.5.2 부스팅
______6.5.2.1 가중 기본 모델
__6.6 기능 보강 하이브리드
__6.7 메타 레벨 하이브리드
__6.8 특징 조합 하이브리드
____6.8.1 회귀 및 행렬 인수분해
____6.8.2 메타 레벨 기능
__6.9 혼합 하이브리드
__6.10 요약
__6.11 참고문헌
__6.12 연습 문제

7장. 추천 시스템 평가
__7.1 개요
__7.2 평가 패러다임
____7.2.1 사용자 연구
____7.2.2 온라인 평가
____7.2.3 과거 데이터 세트를 사용한 오프라인 평가
__7.3 평가 디자인의 일반적 목표
____7.3.1 정확성
____7.3.2 커버리지
____7.3.3 신뢰도와 신뢰
____7.3.4 참신성
____7.3.5 뜻밖의 재미
____7.3.6 다양성
____7.3.7 강건성과 안정성
____7.3.8 확장성
__7.4 오프라인 추천 평가의 설계 문제
____7.4.1 넷플릭스 프라이즈 데이터 세트 사례 연구
____7.4.2 학습 및 테스트 평점 분류
______7.4.2.1 홀드 아웃
______7.4.2.2 교차 검증
____7.4.3 분류 설계와 비교
__7.5 오프라인 평가의 정확도 지표
____7.5.1 평점 예측의 정확도 측정
______7.5.1.1 RMSE 대 MAE
______7.5.1.2 롱테일 임팩트
____7.5.2 상관관계를 통한 순위 평가
____7.5.3 유용성을 통한 순위 평가
____7.5.4 수신자 조작 특성을 통한 랭킹 평가
____7.5.5 어떤 순위 측정 값이 가장 좋은가?
__7.6 평가 측정 값의 한계
____7.6.1 평가 게임 방지
__7.7 요약
__7.8 참고문헌
__7.9 연습 문제

8장. 상황에 맞는 추천 시스템
__8.1 소개
__8.2 다차원 접근법
____8.2.1 계층 구조의 중요성
__8.3 컨텍스트 사전 필터링: 감소 기반 접근 방식
____8.3.1 앙상블 기반 개선 사항
____8.3.2 다단계 추정
__8.4 사후 필터링 방법론
__8.5 상황별 모델링
____8.5.1 이웃 기반 방법
____8.5.2 잠재 계수 모델
______8.5.2.1 분해 머신
______8.5.2.2 2차 분해 머신의 일반화
______8.5.2.3 잠재 파라미터화의 다른 적용 사례
____8.5.3 콘텐츠 기반 모델
__8.6 요약
__8.7 참고문헌
__8.8 연습 문제

9장. 시간과 위치에 민감한 추천 시스템
__9.1 소개
__9.2 시간적 협업 필터링
____9.2.1 최신성 기반 모델
______9.2.1.1 감쇠 기반 방법
______9.2.1.2 윈도우 기반 방법
____9.2.2 주기적 상황 처리
______9.2.2.1 사전 필터링과 사후 필터링
______9.2.2.2 시간적 상황의 직접적인 포함
____9.2.3 시간 함수로서의 평점 모델링
______9.2.3.1 시간-SVD++ 모델
__9.3 이산 시간 모델
____9.3.1 마르코프 모델
______9.3.1.1 선택적 마르코프 모델
______9.3.1.2 다른 마르코프 대안
____9.3.2 순차 패턴 마이닝
__9.4 위치 인식 추천 시스템
____9.4.1 선호 지역
____9.4.2 여행 지역
____9.4.3 선호도와 여행 위치 조합
__9.5 요약
__9.6 참고문헌
__9.7 연습 문제

10장. 네트워크의 구조 추천
__10.1 소개
__10.2 순위 알고리듬
____10.2.1 페이지랭크
____10.2.2 개인화된 페이지랭크
____10.2.3 이웃 기반 방법에 대한 응용
______10.2.3.1 소셜 네트워크 추천
______10.2.3.2 이기종 소셜 미디어의 개인화
______10.2.3.3 전통적인 협업 필터링
____10.2.4 유사도랭크
____10.2.5 검색과 추천의 관계
__10.3 집단 분류에 의한 추천
____10.3.1 반복 분류 알고리듬
____10.3.2 랜덤 워크를 통한 라벨 전파
____10.3.3 소셜 네트워크의 협업 필터링에 대한 적용성
__10.4 친구 추천: 링크 예측
____10.4.1 이웃 기반 측정
____10.4.2 Katz 측정
____10.4.3 랜덤 워크 기반 측정
____10.4.4 분류 문제로서의 링크 예측
____10.4.5 링크 예측을 위한 행렬 인수분해
____10.4.6 링크 예측과 공동 필터링 간의 연결
______10.4.6.1 공동 필터링에 링크 예측 알고리듬 사용
______10.4.6.2 링크 예측을 위한 협업 필터링 알고리듬 사용
__10.5 사회적 영향 분석 및 입소문 마케팅
____10.5.1 선형 임곗값 모델
____10.5.2 독립 캐스케이드 모델
____10.5.3 영향 기능 평가
____10.5.4 소셜 스트림의 목표 영향 분석 모델
__10.6 요약
__10.7 참고문헌
__10.8 연습 문제

11장. 사회와 신뢰 중심 추천 시스템
__11.1 개요
__11.2 사회적 맥락을 위한 다차원 모델
__11.3 네트워크 중심과 신뢰 중심 방법론
____11.3.1 신뢰 네트워크 구축을 위한 데이터 수집
____11.3.2 신뢰 전파 및 집계
____11.3.3 신뢰 전파가 없는 단순 추천자
____11.3.4 TidalTrust 알고리듬
____11.3.5 MoleTrust 알고리듬
____11.3.6 TrustWalker 알고리듬
____11.3.7 링크 예측 방법론
____11.3.8 행렬 분해 방법론
____11.3.9 소셜 추천 시스템의 장점
______11.3.9.1 논란의 여지가 있는 사용자와 품목에 대한 추천
______11.3.9.2 콜드 스타트의 유용성
______11.3.9.3 공격 저항
__11.4 소셜 추천자의 사용자 상호작용
____11.4.1 포크소노미 표현하기
____11.4.2 소셜 태깅 시스템의 협업 필터링
____11.4.3 의미 있는 태그 선택
____11.4.4 평점 행렬이 없는 소셜 태깅 추천자
______11.4.4.1 문맥에 맞는 시스템을 위한 다차원 방법론
______11.4.4.2 순위 기반 방법론
______11.4.4.3 콘텐츠 기반 방법론
____11.4.5 평점 행렬을 사용한 소셜 태깅 추천자
______11.4.5.1 이웃 기반 접근법
______11.4.5.2 선형 회귀
______11.4.5.3 행렬 분해
______11.4.5.4 콘텐츠 기반 방법
__11.5 요약
__11.6 참고문헌
__11.7 연습 문제

12장. 공격 방지 추천 시스템
__12.1 소개
__12.2 공격 모델의 트레이드 오프 이해
____12.2.1 공격 영향 정량화
__12.3 공격 유형
____12.3.1 랜덤 공격
____12.3.2 평균 공격
____12.3.3 밴드 왜건 공격
____12.3.4 인기 공격
____12.3.5 사랑/증오 공격
____12.3.6 역밴드 왜건 공격
____12.3.7 프로브 공격
____12.3.8 세그먼트 공격
____12.3.9 기본 추천 알고리듬의 효과
__12.4 추천 시스템에서 공격 탐지
____12.4.1 개인 공격 프로파일 탐지
____12.4.2 그룹 공격 프로파일 탐지
______12.4.2.1 전처리 방법
______12.4.2.2 온라인 방법
__12.5 강력한 추천 디자인을 위한 전략
____12.5.1 CAPTCHA를 사용한 자동 공격 방지
____12.5.2 사회적 신뢰 사용
____12.5.3 강력한 추천 알고리듬 설계
______12.5.3.1 이웃 방법에서 클러스터링 통합
______12.5.3.2 추천 시간 동안 가짜 프로파일 탐지
______12.5.3.3 연관 기반 알고리듬
______12.5.3.4 강력한 행렬 인수분해
__12.6 요약
__12.7 참고문헌
__12.8 연습 문제

13장. 추천 시스템의 고급 주제
__13.1 소개
__13.2 순위 학습
____13.2.1 쌍별 순위 학습
____13.2.2 목록 순위 학습
____13.2.3 다른 도메인에서의 순위 학습 방법과 비교
__13.3 멀티 암드 밴딧 알고리듬
____13.3.1 나이브 알고리듬
____13.3.2 e-탐욕 알고리듬
____13.3.3 상한 방법
__13.4 그룹 추천 시스템
____13.4.1 협업 및 콘텐츠 기반 시스템
____13.4.2 지식 기반 시스템
__13.5 다중 기준 추천 시스템
____13.5.1 이웃 기반 방법
____13.5.2 앙상블 기반 방법
____13.5.3 전체 평점 없는 다중 기준 시스템
__13.6 추천 시스템의 능동적 학습
____13.6.1 이질성 기반 모델
____13.6.2 성능 기반 모델
__13.7 추천 시스템의 개인정보보호
____13.7.1 응축 기반 개인정보보호
____13.7.2 고차원 데이터에 대한 도전
__13.8 흥미로운 응용 분야
____13.8.1 포털 콘텐츠 개인화
______13.8.1.1 동적 프로파일러
______13.8.1.2 구글 뉴스 개인화
____13.8.2 전산 광고 대 추천 시스템
______13.8.2.1 멀티 암드 밴딧의 중요성
____13.8.3 상호 추천 시스템
______13.8.3.1 하이브리드 방법 활용
______13.8.3.2 링크 예측 방법 활용
__13.9 요약
__13.10 참고자료
추천포스트

교환 및 환불안내

도서교환 및 환불
  • ㆍ배송기간은 평일 기준 1~3일 정도 소요됩니다.(스프링 분철은 1일 정도 시간이 더 소요됩니다.)
  • ㆍ상품불량 및 오배송등의 이유로 반품하실 경우, 반품배송비는 무료입니다.
  • ㆍ고객님의 변심에 의한 반품,환불,교환시 택배비는 본인 부담입니다.
  • ㆍ상담원과의 상담없이 교환 및 반품으로 반송된 물품은 책임지지 않습니다.
  • ㆍ이미 발송된 상품의 취소 및 반품, 교환요청시 배송비가 발생할 수 있습니다.
  • ㆍ반품신청시 반송된 상품의 수령후 환불처리됩니다.(카드사 사정에 따라 카드취소는 시일이 3~5일이 소요될 수 있습니다.)
  • ㆍ주문하신 상품의 반품,교환은 상품수령일로 부터 7일이내에 신청하실 수 있습니다.
  • ㆍ상품이 훼손된 경우 반품 및 교환,환불이 불가능합니다.
  • ㆍ반품/교환시 고객님 귀책사유로 인해 수거가 지연될 경우에는 반품이 제한될 수 있습니다.
  • ㆍ스프링제본 상품은 교환 및 환불이 불가능 합니다.
  • ㆍ군부대(사서함) 및 해외배송은 불가능합니다.
  • ㆍ오후 3시 이후 상담원과 통화되지 않은 취소건에 대해서는 고객 반품비용이 발생할 수 있습니다.
반품안내
  • 마이페이지 > 나의상담 > 1 : 1 문의하기 게시판 또는 고객센터 1800-7327
교환/반품주소
  • 경기도 파주시 문발로 211 1층 / (주)북채널 / 전화 : 1800-7327
  • 택배안내 : CJ대한통운(1588-1255)
  • 고객님 변심으로 인한 교환 또는 반품시 왕복 배송비 5,000원을 부담하셔야 하며, 제품 불량 또는 오 배송시에는 전액을 당사에서부담 합니다.