React
Expo
AWS RDS
MySQL
Flask
내돈내픽 - ML 기반 가격·위치·취향(15) 맞춤 음식점 추천 앱
팀장 · 2025.04 ~ 2025.07
음식점 리뷰 크롤링 → 음식점 점수화 -> 사용자 음식점 리뷰 분석 → 사용자 점수화 → 모델 학습용 데이터 구성 → 모델 학습 → 파라미터 조정 → 추천까지 전 과정을 직접 설계·구현한 E2E 파이프라인.
추천 기능 외, 거리 기반 근처 음식점 확인, 음식점 검색, 예산 기능, 채팅 기능을 도입한 종합 서비스 제공.
채팅 기능에 감성분석 모델을 적용하여, 사용자 채팅에 대한 긍정 음식점 순위 확인.
공공데이터만으로는 부족한 학습 샘플
해결 · 네이버/카카오 등 리뷰 크롤링으로 원천 데이터 확보 →
konlpy(OKT)로 형태소화, 15개 취향 태그(예: spicy/cleanliness/value_for_money …)별 1~5점 ‘사전’ 정의·매칭.
유사도 ≥ 0.7만 반영, 평균 점수는 SQLAlchemy로 DB 저장.
결과 · 학습에 필요한 구조화 점수 데이터를 안정적으로 축적(약 4300개의 음식점 취향 점수화).
유사도 ≥ 0.7만 반영, 평균 점수는 SQLAlchemy로 DB 저장.
결과 · 학습에 필요한 구조화 점수 데이터를 안정적으로 축적(약 4300개의 음식점 취향 점수화).
리뷰 노이즈(비음식/광고/짧은 글)로 품질 저하
해결 · OpenAI(GPT-4o)를 사용해 음식점 관련 리뷰만 선별(다른 도메인 포함)
→ 길이 기준 상위 30개 리뷰를 취합해 15개 항목의 선호도 점수(1.0~5.0)를 JSON으로
산출하는 프롬프트 설계.
결과 · 노이즈 감소와 일관된 스코어링으로 학습 데이터 품질 향상.
→ 길이 기준 상위 30개 리뷰를 취합해 15개 항목의 선호도 점수(1.0~5.0)를 JSON으로
산출하는 프롬프트 설계.
결과 · 노이즈 감소와 일관된 스코어링으로 학습 데이터 품질 향상.
사용자–매장 매칭 기준 정의와 검증
해결 · 사용자 점수와 매장 점수의 절댓값 차이를 특징으로 구성 →
RandomForest로 80/20 검증
(파라미터 탐색·실험 로그 정리).
결과 · 분류 정확도 69.5%(macro F1 ≈ 0.68, precision ≈ 0.69, recall ≈ 0.68)로 기본 모델
유효성 확인, 이후 서비스 추천 로직에 적용.
(파라미터 탐색·실험 로그 정리).
결과 · 분류 정확도 69.5%(macro F1 ≈ 0.68, precision ≈ 0.69, recall ≈ 0.68)로 기본 모델
유효성 확인, 이후 서비스 추천 로직에 적용.
거리 계산·검색 지연
해결 · DB의 위경도로 Haversine을 Service 레이어에서 계산, Pagination/무한스크롤 도입.
결과 · 외부 API 의존 제거, 검색 응답 체감 속도 개선·쿼리 부하 완화.
결과 · 외부 API 의존 제거, 검색 응답 체감 속도 개선·쿼리 부하 완화.
팀원별 환경 차이로 통합 난항
해결 · Git 브랜치 전략 및 AWS RDS 공유로 환경 표준화.
결과 · 마이그레이션 비용 없이 공용 DB로 개발 일관성 확보.
결과 · 마이그레이션 비용 없이 공용 DB로 개발 일관성 확보.
채팅에 AI 접목
해결 · 채팅 내
결과 · 추천 신뢰 보완 및 사용자 참여 증대.
/음식점명 질의에만 감성 분석을 적용해 월간 긍정 랭킹 시각화. 결과 · 추천 신뢰 보완 및 사용자 참여 증대.
Spring Boot
JPA
MySQL
React Native
Flask
Machine Learning
AWS RDS
REST API
OpenAI API
konlpy(OKT)
사용자 맞춤 음식점 추천 (대표 영상)
