제 14회 보아즈(BOAZ) 빅데이터 컨퍼런스 - [카페 어디가?팀] : 카페 및 장소 추천 서비스
•
0 gefällt mir•1,059 views
카페 어디가? 팀은 서울시 내에 존재하는 많은 지하철 역을 중심으로 사용자에게 카페를 추천합니다. 14기 고해지 15기 이재철 김서영 서현택 정예림 정하원
Empfohlen
Empfohlen
Weitere ähnliche Inhalte
Was ist angesagt?
Was ist angesagt? (20)
Ähnlich wie 제 14회 보아즈(BOAZ) 빅데이터 컨퍼런스 - [카페 어디가?팀] : 카페 및 장소 추천 서비스
Ähnlich wie 제 14회 보아즈(BOAZ) 빅데이터 컨퍼런스 - [카페 어디가?팀] : 카페 및 장소 추천 서비스 (20)
Mehr von BOAZ Bigdata
Mehr von BOAZ Bigdata (20)
제 14회 보아즈(BOAZ) 빅데이터 컨퍼런스 - [카페 어디가?팀] : 카페 및 장소 추천 서비스
- 1. SEOUL Yum Yum Members 15기 이재철 14기 고해지 15기 김서영 15기 서현택 15기 정예림 15기 정하원 Café Recommender System
- 2. Team Members 고해지 광운대학교 정보융합학부 데이터사이언스전공 김서영 숙명여자대학교 통계학/ 컴퓨터과학 서현택 숭실대학교 정보통계보험수리학과 이재철 (팀장) 서울과학기술대학교 산업정보시스템/빅데이터경영공학 정예림 성신여자대학교 중국어문문화학과/컴퓨터공학 정하원 이화여자대학교 통계학/컴퓨터공학
- 3. CONTENTS 1. 주제 선정 - 주제 소개 - 주제 선정 배경 2. 데이터 - 데이터 수집 - 데이터 전처리 3. 모델링 - 기존 추천시스템 모델 - 모델 소개 - 모델 실험 4. 웹 구현 - 웹 Architecture 5. 결론 - 활용 방안 - 프로젝트 의의 6. 시연
- 4. 주제 선정 주제 소개 주제 선정 배경
- 5. 주 제 선 정 주제 소개 서울 카페 추천 서비스 데 이 터 모 델 링 웹 구 현 결 론 카페 추천 In SEOUL 학습 서울시 내에 존재하는 많은 지하철 역을 중심으로 사용자에게 카페 추천 DATA WEBSITE
- 6. 주 제 선 정 주제 선정 배경 Why? 데 이 터 모 델 링 웹 구 현 결 론 ✓ 서울시 카페와 지하철역 • 수도권에는 지하철이 곳곳에 존재 • BOAZ에는 수도권 대학생들이 참여 • BOAZ 활동 기간 중 다양한 스터디 활동과 컨퍼런스 팀 프로젝트 수행 → 지하철 역 근처의 카페를 추천해주면 모임 장소를 정하기 수월 ✓ 웹 사용자 일반화 • Target : “대중교통”을 주로 이용하는 20대 대학생
- 7. 주 제 선 정 주제 선정 배경 What’s different? 데 이 터 모 델 링 웹 구 현 결 론 ✓ 추천 시스템 알고리즘 결과가 믿을 만한 결과일까? → 추천 결과에 어떤 항목이 중요하게 고려되었는지 추천 모델의 학습 가중치를 시각화하여 제공 → 추천 결과에 대한 사용자의 이해도와 신뢰도 향상 ✓ 네이버, 카카오, 구글 3가지 포털사이트의 리뷰를 동시 제공 → 사용자는 한 곳에서 다양한 리뷰 비교 가능
- 9. 주 제 선 정 데이터 수집 서울 카페 선정 데 이 터 모 델 링 웹 구 현 결 론 Data 일부 … … ✓ Data Filtering • 서울지역 • 커피점/카페
- 10. 주 제 선 정 데이터 수집 서울 카페 – 지하철 역 거리 계산 데 이 터 모 델 링 웹 구 현 결 론 … 서울 카페 Data 서울 지하철 역 Data 서울 카페 위도, 경도와 지하철 역의 위도, 경도 → 직선 거리(Haversine) 계산 각 카페에서 가까운 지하철 역 매핑 … 22,239개의 카페를 550개의 역으로 맵핑 서울 카페 Data …
- 11. 주 제 선 정 데이터 수집 데이터 수집 방법 : 크롤링 데 이 터 모 델 링 웹 구 현 결 론 데이터 수집 플랫폼 네이버 지도 구글 지도 카카오 지도
- 12. 주 제 선 정 데이터 수집 데이터 수집 방법 : 크롤링 데 이 터 모 델 링 웹 구 현 결 론 • UserID • ItemID • Rating • Timestamp 수집 항목 • Platform • Review • Image 네이버 지도 구글 지도 카카오 지도
- 13. 주 제 선 정 데이터 전처리 Text Review : Word Embeddings 데 이 터 모 델 링 웹 구 현 결 론 FastText FastText Embeddings FastText Review Text
- 14. 주 제 선 정 데이터 전처리 Image Review : Image Embeddings 데 이 터 모 델 링 웹 구 현 결 론 Original Image Resize Image (228 X 228 X 3) (Batch size, Dim) ResNet50 마지막 FC Layer pretrained ResNet50
- 15. 모델링 기존 추천시스템 모델 모델 소개 모델 실험
- 16. 주 제 선 정 기존 추천 시스템 모델 데 이 터 모 델 링 웹 구 현 결 론 Collaborative Filtering Preferred by both users Content-Based Filtering Similar Users Preferred by user Recommend to user Similar cafe
- 17. 주 제 선 정 기존 추천 시스템 모델의 문제점 데 이 터 모 델 링 웹 구 현 결 론 ✓ CF만 활용할 때 문제점 → History만으로는 추천 불가능 (cold start 문제 발생) ✓ 해결 방안 • CF 와 CB를 적절히 활용하는 것이 관건 ! ( Hybrid 방식 ) 문제점과 해결방안
- 18. 모델 소개 ACCM 모델 (Attentional Content & Collaborate Model) 주 제 선 정 데 이 터 모 델 링 웹 구 현 결 론 p y + + pCS pCF uCF vCF uCB vCB MLP MLP Attention + + bias bu bv bg dot dot user id item id user features item features y + + v u uCF uCB vCB MLP MLP + + bias bu bv bg dot dot user id user features item features uv vCF item id attention attention user part item part
- 19. 모델 소개 ACCM 모델 user id gender favorite survey Item id image review Embedding Embedding Concatenate Drop & BN Drop & BN User Attention Attention dot dot Item 주 제 선 정 데 이 터 모 델 링 웹 구 현 결 론
- 21. ACCM 모델 주 제 선 정 데 이 터 모 델 링 웹 구 현 결 론 모델 실험 • 전반적으로 Image Review를 포함했을 때, Attention size가 큰 경우 에 더 좋은 성능을 보임 • 최적의 조건 : Image Review O, Embedding Size = 128, Attention Size = 32 Loss = CF Loss + CB Loss + not cold ratio * ACCM Loss
- 23. 웹 Architecture Framework Server Visualization Tool Map API DataBase Language 주 제 선 정 데 이 터 모 델 링 결 론 웹 구 현
- 24. 결론 활용 방안 프로젝트 의의
- 25. 주 제 선 정 활용 방안 데 이 터 모 델 링 결 론 추천 결과를 보여주는 시각화 → 다른 Item에 적용 가능 ✓ 적용가능한 Item 웹툰 드라마, 영화 소설 Item의 내용과 사용자의 취향에 기반하여 추천 가능 웹 구 현
- 26. 주 제 선 정 활용 방안 데 이 터 모 델 링 결 론 추천의 고도화 ✓ 사용자의 피드백을 통한 모델의 가중치 조절 ✓ 사용자 확보 • 사용자에게 신뢰도를 주는 시각화로 사용자 확보와 설득에 유리 • 사용자 확보로 인하여 데이터 축적 가능 → 더 좋은 추천 결과 도출 가능 • 사용자로부터 피드백을 받아 모델의 가중치를 조정할 수 있게 된다면, 더욱 개인화된 추천 가능 웹 구 현
- 27. 주 제 선 정 프로젝트 의의 데 이 터 모 델 링 웹 구 현 결 론 ✓ cold start 문제를 해결하기 위해 Collaborative Filtering과 Content-Based Filtering을 Hybrid방식으로 모델링 ✓ 웹사이트로 구현하여 추천 시스템 모델에 대해 전혀 모르는 사용자도 쉽게 시스템 이용 가능 ✓ 추천 결과에 중요하게 고려된 항목을 시각화하여 제공 → 추천 결과에 대한 설명이 가능 ✓ 웹사이트에서 설문조사와 좋아요 기능을 통해 사용자의 정보와 선호를 모델에 반영 → 개인화된 추천 가능
- 28. 시연
- 29. SEOUL Yum Yum Café Recommender System 감사합니다.