🌙 for you , to you , on you Flicker 🌟

영화 추천 플랫폼 Flicker
고객의 시각을 다각화하여 고객 중심의 영화 컨텐츠를 추천

✨ 서비스 소개

영화진흥원에 따르면 NetFlix, Watcha등 다양한 영화 플랫폼이 생겨나는 것에 반해, 고객이 직접 영화를 보기 까지 걸리는 시간이 전년도(2023 년 초 기준 현재 2024년 10월)에 비해 4.3일 증가함.

이에 팀 육캔두잇(이하 본팀)은 영화 추천 알고리즘의 고착화와 유저의 시각을 다각화하지 못함을 주요 원인으로 파악하고 영화 추천 알고리즘의 구체화, 방식의 다각화를 통해 고객 맞춤형 영화 추천 플랫폼을 계획 하고자 함

---

✨ Flicker 페이지 소개

1️⃣ HOME

2️⃣ MOVIES

3️⃣ FOR YOU

4️⃣ PHOTOBOOK

✨ 주요 기능

(1) 평점 + 리뷰 기반 추천

평점 리뷰 기반 근접 이웃 도출, 텍스트 마이닝을 통한 초 근접 이웃 유사 군집군 결정

(2) 컨텐츠 기반 추천

영화 줄거리, 리뷰, 배우, 감독을 중심으로 word2vec 모델을 학습하여 영화 추천

(3) 로그 기반 추천

유저의 행동 로그에 기반하여 영화 추천

(4) 리뷰 크롤링 및 DB 반영 자동화

✨ 추천 기능

리뷰를 기반으로 한 추천(협업필터링)

1. 데이터 수집 : 사용자 영화 리뷰 데이터 (평점, 리뷰 등)을 수집하여 협업 필터링 모델을 구성
2. 차원 축소 : PCA 기법을 사용하여 고차원의 사용자 영화 평점 행렬을 저차원으로 변환
3. 유사도 계산 : 차원 축소된 데이터를 바탕으로 코사인 유사도를 계산하여 비슷한 영화나 사용자를 추천
4. 추천 : 유사도가 높은 영화를 바탕으로 맟춤형 영화 추천 리스트를 생성하여 제공
5. 모델 업데이트 : 실시간 리뷰 로그 데이터를 수집하여 1시간을 주기로 모델 업데이트 진행

Word2Vec 모델을 활용한 컨텐츠 기반 추천

1. 사용자의 행동(ex. 영화 상세조회, 검색 등) 로그를 수집하여 로그 리스트를 기반으로 영화 추천 리스트를 생성
2. 영화 검색 시 DB에서 일치하는 내용을 가지고 오면서 검색 키워드를 기반으로 한 영화 추천 리스트를 생성하여 추가
3. 영화 상세조회 시 해당 영화와 배우를 기반으로 한 추천 리스트를 생성

🛠️ 시스템 아키텍처

⭐ 팀원 소개

Meet our highly skilled team members! |

	HaHyul Kim Frontend UX / UI 개발 데이터 캐싱 및 서버 비동기 통신 GitHub gkgbf1034@gmail.com		HyunJeong Cho Frontend UX / UI 디자인 및 개발 JWT 및 서버 비동기 통신 GitHub guswjd4585@gmail.com
	JiHwan Gong Backend 데이터 수집 영화 도메인 서버 BFF 서버 설계 및 구현 GitHub rinch12332@gmail.com		DongGyu Oh Backend 유저/리뷰 도메인 개발 시스템 아키텍처 설계 부하 테스트 GitHub ehdrb700606@naver.com
	JaeChan Lee Infra 인프라 아키텍처, CI/CD 구축 추천 모델 훈련 및 서버 구현 GitHub jaechanjj@gmail.com		JaeYoung Choi Backend 배치 서버 구현 및 ERD 설계 추천 모델 훈련 및 서버 구현 GitHub wodyddldl333@naver.com

🌐 개발 설정

포팅메뉴얼을 참고하세요.