리뷰, 별점, 키워드를 활용한 카페 추천 시스템

카카오맵(리뷰, 별점), 네이버지도(키워드)를 활용하여 서울시 내 카페 추천 시스템 구현

DSL 22-2 modeling project C조

팀명 : 조 이름 추천해조😏
팀원 : 김경한 김지희 박지은 이승주 이재우
발표 영상 : 프로젝트 발표 영상 링크 (1:06:16~1:24:24)

👁Overview

1. 프로젝트 개요

• 목적 : 오직 위치 기반의 카페 추천이 아닌, 이용자의 선호에 맞는 카페를 추천하는 시스템 구현
• 방법 : 서울시 내 카페의 리뷰, 별점, 키워드를 활용.

2. 데이터 수집

• 소상공인시장진흥공단_상가(상권)정보

  • 상호명, 업종명, 주소 등을 포함하여 상가업소에 대한 다양한 정보가 포함
  • 시도명 == '서울특별시', 상권업종중분류코드 == '커피점/카페'인 행만 추출

• 카카오맵 크롤링

  • 소상공인 데이터의 '지점명+상호명'을 검색하여, 각 카페의 '리뷰', '별점' 등을 수집

• 네이버지도 크롤링

  • 소상공인 데이터의 '지점명+상호명'을 검색하여, 각 카페의 '키워드' 의 투표수를 수집
  • 키워드 15개 : '커피가 맛있어요', '친절해요', '음료가 맛있어요', '디저트가 맛있어요', '매장이 청결해요', '대화하기 좋아요', '집중하기 좋아요', '인테리어가 멋져요', '특별한 메뉴가 있어요',' 가성비가 좋아요', '좌석이 편해요', '화장실이 깨끗해요', '뷰가 좋아요'

3. 추천시스템 구현

• 서울 전체, 구별로 나누어 카페 추천

• Content-Based Filtering

  • Cosine-Similarity : 특정 카페와 가장 유사도가 높은 카페 도출
  • Machine learning : 사용자별로 그동안의 별점을 바탕으로, 카페의 특징에 따라 별점 예측

• Collaborative Filtering

  • Neighbor-Based : 사용자와 취향이 비슷한 다른 사용자가 좋아하는 카페를 추천
  • Matrix-Factorization : user-cafe matrix를 user-feature, cafe-feature matrix로 분해하여 latent feature 도출

• A3NCF : input(user,cafe의 review,embedding 각각), feature fusion, attention interaction, rating prediction을 통해 별점 예측

📜Results

• '안다르커피'에 별점을 매긴 사용자에게 카페 추천 (or '안다르커피'와 유사한 카페 추천)

• 추천시스템의 결과를 종합한 결과, 서대문구 내에서는 '가빈커피', 'AtoZ', '벤치커피스튜디오'가 가장 많이 추천됨.

• '안다르커피'의 특징이라고 여기는, 공부하는 분위기와는 먼 카페들도 추출됨

  • '안다르커피'는 키워드 중 '커피가 맛있어요'의 투표수가 가장 많았음이 반영된 결과

📁폴더 구조 설명

폴더의 자세한 내용은 폴더 내부의 README에 있습니다.

1. crawl_preprocess

• 카카오맵, 네이버지도에 대한 크롤링
• raw_data에 대한 전처리 과정

2. data

• crawl_preprocess가 모두 완료된, model에서 사용될 data

3. model

• 추천시스템 구현을 위한 model

4. raw_data

• 전처리하기 이전 데이터

5. 모델링 C조.pdf

• 프로젝트 발표 자료

Reference

• 소상공인시장진흥공단_상가(상권)정보
• <책> Python을 이용한 개인화 추천시스템 – 임일
• <유튜브 강의> 스탠포드 강의
• <유튜브 강의> Recommender Systems | Problem Formulation — [ Machine Learning | Andrew Ng ]