- 프로젝트 설명
- 기술 스택
- ERD
- 구현 핵심 기능 1 : 사용자 위치 기반 도서 및 도서관 조회 기능 구현
- 구현 핵심 기능 2 : 무중단 배포 기능 구현
- 구현 핵심 기능 3 : 도서 추천 알고리즘 개발
- 각 기능의 시연 영상
- 추천 알고리즘 Github 링크
사용자의 도서 찜 목록 및 평가 목록을 바탕으로 도서를 추천받을 수 있습니다. 협업 필터링 및 콘텐츠 필터링 기법을 기반으로 추천 알고리즘이 작동합니다. 키워드를 바탕으로 원하는 도서를 검색할 수 있고, 검색한 도서를 소장하고 있는 도서관을 해당 위치에서 가장 가까운 순으로 보여줍니다.
Nest.JS 를 사용하여 서버에 필요한 module, entity, dto, controller 그리고 service 파일들을 생성하고 관리함으로써, 백엔드 단에서 이루어지는 데이터 흐름을 이해할 수 있었고, 그 흐름을 TypeORM 기술을 통해 더욱 편리하게 구현할 수 있었습니다.
또한, 콘텐츠 필터링 및 협업 필터링 알고리즘을 바탕으로 도서 추천 기능을 구현해봄으로써 Python의 Pandas, Numpy 등의 모듈 활용 능력을 기를 수 있었고, Flask 프레임워크를 통해 파이썬 기반 추천 알고리즘의 결과를 서버로 전송할 수 있었습니다.
HTML, CSS, TypeScript, React Native를 기반으로 프론트엔드 개발을 완성하였습니다. 또한,Nest.JS를 통해 백엔드 단을 구축하였고,Python과 Flask를 활용하여 완성된 추천 알고리즘의 결과를 서버로 전송하였습니다.AWS Lightsail을 활용하여 서버 인스턴스를 생성하고,RDS를 통해 DB 환경을 구축하였습니다. MySQL의 config 정보들을 서버 프로젝트 config 폴더내의 typeorm.config.ts 파일에 적어서 관리를 하였습니다. 이 config 파일을 바탕으로 TypeORM 모듈을 통해 필요한 dto를 생성하여 관계형 데이터 모델들을 만들고 관리할 수 있었습니다.
-.-.-.mp4
유저 주변 도서관 탐색 및 특정 도서 검색 후, 해당 도서 대출 가능한 도서관을 거리순으로 조회
-.mp4
도서관 상세 정보 조회 화면 - 유저에게 적합한 인기 대출 도서 조회
도서관 찾기메뉴 접속 시, 가장 먼저 유저의 위치를 기준으로 가까운 도서관 5곳을 보여줍니다.- 원하는 도서를 검색한 후, 하나의 도서를 선택하여 클릭 시 도서 상세 정보 화면으로 이동하게 되고, 현 도서 대출 가능한 도서관 보기 버튼을 누를 시, 도서관 찾기 맵 화면으로 이동하여,
사용자를 기준으로 가장 가까운 도서관 5곳에서 대출이 가능한지에 대한 여부를 보여줍니다. - 사용자의 현 위치를 useContext API를 사용하여 전역 상태로 관리하였습니다. 이를 통해 도서 상세 정보 화면에서 바로 맵화면으로 넘어갈 때 올바른 위치 정보를 바탕으로 도서관 데이터를 불러와서, 그 도서관에서의 대출 가능 여부를 정확히 보여줄 수 있기 때문입니다.
도서관 상세 정보 화면에서는 유저의나이 및 성별에 맞는인기 대출 도서를 조회할 수 있습니다. 도서 선택 시, 앞의 예시와 동일하게 해당 도서를 대출할 수 있는 도서관 5곳을 가까운 순으로 조회 가능합니다. https://github.com/2023-KU-GraduationProject-Team3/Nadoga-Client/assets/49470452/d57b77ea-2beb-490a-908a-03d3e67a53ea
- pm2 패키지를 활용하여 서버를
무중단 배포 상태로 관리하였습니다. SFTP 방식으로 로컬 환경에 있는 프로젝트 파일을 우분투 인스턴스 내에 복사하여 서버를 실행하고 있었습니다. 매번 우분투 터미널에서 서버를 실행시켜야 하는 번거로움이 존재하여서, 이를 해결하기 위해 pm2 패키지를 설치하였습니다. - pm2를 이용하여 서버의 메인 js 파일을 실행시켰고, 이로 인해 서버 인스턴스를 일일이 시작시킬 필요 없이 프로젝트 파일을 편하게 수정할 수 있는 환경을 만들었습니다.
5.mp4
찜목록 기반 도서 추천
4.mp4
평가 목록 기반 도서 추천
콘텐츠 필터링은 TF-IDF 벡터화 기술을 통해 구현하였고,협업 필터링은 SVD 벡터화를 기반으로 완성하였습니다.- 도서의 각 요소마다 적용되는 가중치를 달리 적용하여 더 의미 있는 데이터를 만들어보기로 하였습니다. 도서명, 작가, 출판사, 그리고 장르, 총 4가지의 정보가 있어서
장르에 더 많은 가중치를 부여하여 벡터화 과정을 한 번 더 거쳤습니다. 이에 따라, 사용자에게 더욱 적합한 추천 결과를 보여줄 수 있었습니다.
default.mp4
3.mp4
4.mp4
2.mp4
1.mp4
- https://github.com/2023-KU-GraduationProject-Team3/Recommendation-Server/tree/main/algorithm
- collab_filtering.py 에는
협업 필터링 알고리즘코드가 있고, content_filtering.py 에는콘텐츠 필터링 알고리즘을 구현한 결과가 있습니다.