Warchiving

추천시스템 기반 예비 부부들을 위한 웨딩 아카이빙 App

불투명한 웨딩 시장의 정보 비대칭을 해소하고, AI 기반 맞춤형 추천으로 소비자 중심의 거래를 돕는 웨딩 아카이빙 플랫폼입니다.

🌐 installation(set up)

가장 먼저 AI 레포지토리(링크)에 들어가서 필요한 라이브러리를 설치해주세요.

pip install -r requirements.txt

uvicorn main:app --reload # fast api 서버 실행

🌐 Wedding Domain Recommender System

1. Callenge: 웨딩은 일 생의 단 한번, 추천시스템에서 초기 cold-start 문제에 직면하다.

• 웨딩 도메인의 가장 큰 특징은 유저당 '평생 단 한 번' 의 구매가 일어난다는 점입니다. 네이버 카페 등에서 방대한 후기를 수집하더라도, 특정 유저가 짧은 기간 안에 웨딩홀을 두 번 예약하는 경우는 사실상 없습니다. 이처럼 유저의 과거 구매 이력이 존재하지 않는 상황에서 발생하는 초기 데이터 부재(Cold-Start) 문제는 저희 프로젝트가 해결해야 할 첫 번째 과제였습니다.
• 이를 해결하기 위해 초기 로직으로 콘텐츠 기반 필터링(Content-based Filtering) 을 채택했습니다. 웨딩홀이 가진 고유한 피처(특징)들의 유사도를 분석하여, 유저가 1~3차 필터링을 거치면 본인의 니즈와 가장 닮은 Top-10 웨딩홀을 제안합니다.
• 추후 앱 배포를 통해 유저들의 클릭, 상세페이지 체류 시간(스크롤), '찜' 같은 행위 기반 시퀀스 데이터가 쌓인다면, 이를 모두 저장하여 CTR(클릭률) 예측 모델로 고도화할 계획입니다.

2. Callenge "좋고 나쁨"이 아닌 "취향"의 영역: 이진 분류의 한계를 넘어서

추천시스템에 자주 사용하는 '긍정 리뷰', '부정 리뷰'는 우리의 웨딩 도메인 추천시스템에 적합하지 았았습니다. 가령, 'bridal_room'(신부대기실) column에서 두 가지의 리뷰가 있다고 하면,

• sample 1: '바로 홀로 입장이 가능하여 동선이 짧다.'
• sample 2: '2층에서 신부가 내려오는 것이라 공주 입장 같고 예쁘다.'

두 개의 리뷰는 사람 성향과 취향에 따라 갈리는 신부 대기실로 긍정/부정 분류문제는 적합하지 않았다.

이는 2차 필터링에서 사용자가 태그를 우선순위를 정할 때 다음과 같은 2가지로 해결할 수 있다.

• solution 1: 태그말고 아예 user_query를 입력 받는다. 입력 받은 user_query와 기존에 임베딩 벡터화 한 웨딩홀 데이터셋을 비교하여 유사도가 가장 높은 홀 10개를 Ranking해준다.
• solution 2: 태그를 더 상세하게 범주화 시킨다. 이는 유저 입장과 비즈니스 로직을 더 견고하게 고민했어야 했다.

3. Solution: 익숙한 UI와 기술적 탐험(Exploration)의 조화

위의 고민들을 바탕으로 유저에게 가장 친숙하면서도 정확한 추천을 제공하기 위해 다음과 같은 장치들을 마련했습니다.

• 사용자 친화적 UI (Tag-based): 챗봇처럼 쿼리를 직접 입력하는 방식은 자유도가 높지만 유저에게는 피로감을 줄 수 있습니다. 쿠팡이나 넷플릭스처럼 익숙한 태그 다중 선택 방식을 도입하여 직관적인 UX를 설계했습니다.
• NLP 기반 가중치 랭킹: 초기 추천은 NLP 모델을 통해 '가장 긍정적인 평가'를 받은 문장들과의 유사도를 측정합니다. 이때 유저가 설정한 우선순위에 강한 가중치를 부여하여 랭킹의 변별력을 높였습니다.
• 추천의 다양성과 탐험(Exploration): 유저가 자신의 취향을 확신하지 못할 때 새로운 베뉴를 발견할 기회가 필요합니다. 이를 위해 개인화 Top-10 외에, 취향과는 무관한 랜덤 10개 베뉴를 Top-10 아래에 노출하게 하여 유저가 서비스를 '탐험'하고 체류할 수 있게 유도했습니다.
• 검색(User Query)의 병행: 돋보기 기능을 통해 직접 검색도 가능하게 하여, 유저의 체류 시간이 길어지고 데이터가 쌓일수록 더욱 정교한 개인화 추천이 가능하도록 시스템의 확장성을 열어두었습니다.

🌐 User Flow 설계: 유저의 고민을 줄여주는 '단계별 소거법' 설계

단순히 많은 필터를 제공하는 것이 친절한 서비스는 아닙니다. 네이버 카페 분석과 예비 부부들을 대상으로 한 심층 인터뷰를 통해, 웨딩홀 결정 과정에는 거스를 수 없는 '3대 결정 요소' 가 있음을 확인했습니다.

1. 예산
2. 예식장 위치
3. 웨딩홀 분위기

대부분의 유저는 이 순서에 따라 후보군을 좁혀 나갑니다. 저는 이 흐름을 서비스의 메인 플로우로 그대로 이식하여, 유저가 정보의 홍수 속에서 길을 잃지 않도록 설계했습니다.

효율적인 후보군 생성(Candidate Generation): 1·2차 필터링

• 1차 필터링 (현실적 제약 소거): 가장 먼저 예산과 위치를 설정하게 하여, 물리적으로 불가능한 옵션들을 선제적으로 제거합니다. 이는 서버 측면에서도 불필요한 연산을 줄여주는 후보군 생성(Candidate Generation) 단계가 됩니다.

• 2차 필터링 (시각적 범주화): '분위기'라는 추상적인 개념을 최대한 촘촘하게 범주화(Categorization) 했습니다. 유저는 복잡한 고민 대신, UI 상에서 본인이 선호하는 무드(예: 호텔 예식, 야외 웨딩, 채플 스타일 등)를 직관적으로 선택하기만 하면 됩니다.

개인화의 완성(Ranking): 취향 기반의 3차 가중치 필터링

1, 2차 단계를 통해 '조건'에 맞는 홀들이 남았다면, 마지막 3차 필터링은 '취향' 의 영역입니다.

여기서는 식사, 서비스 등 개인별 중요도가 다른 항목에 대해 유저가 직접 우선순위를 설정하도록 설계했습니다.

시스템은 이 우선순위에 따라 가중치를 부여하여 final_score를 계산합니다. 특히 유저의 체감 만족도를 높이기 위해 최고점(2점)과 최악점(-1점)의 간극을 넓게 설정했습니다. 이러한 점수 차 극대화 전략은 유저가 선택한 핵심 항목에서 우수한 베뉴를 압도적인 점수 차로 상단에 배치함으로써, 시스템이 본인의 취향을 정확히 읽어냈다는 직관적인 신뢰를 제공합니다.

최종 랭킹 산출 수식은 다음과 같습니다.

$$Final Score = (S_{1st} \times 1.5) + (S_{2nd} \times 1.2) + (S_{3rd} \times 1.0) + \sum (S_{etc} \times 0.5)$$

• $S_{1st}, S_{2nd}, S_{3rd}$: 유저가 설정한 1·2·3순위 항목의 앙상블 점수
• $S_{etc}$: 우선순위 외 나머지 항목들의 기본 점수 (노이즈 방지를 위해 0.5 가중치 적용)
• Score Mapping: Positive(2점) / Neutral(0점) / Negative(-1점) 설계를 통해 추천 적합도에 따른 변별력을 확보함

🌐 Datasets

데이터 속성 파악 및 수집

1. Wedding datasets 수집: 현재 '예식홀 후기'가 가장 활발하게 올라오는 두 개의 네이버 카페를 대상(웨딩 카페(메이크마이 웨딩, 아이웨딩))으로 웨딩홀 리뷰를 크롤링을 하였습니다.

데이터 전처리(Data processing)

• 업체마다 다른 보증금, 추가비용, 정가를 .csv 파일로 정리하여 데이터 전처리를 진행하였습니다.

데이터 스코어링 설계(유사도 측정을 위한 Scoring)

점수	상태	평가 가이드라인
-1점	👎 부정	서비스나 시설에 대해 직접적으로 불만족을 표현한 경우
0점	😐 중립	별도 언급이 없거나, "무난하다/평범하다"라고 평가한 경우
2점	👍 긍정	시설, 음식, 서비스 등에 대해 만족감을 표현하거나 추천한 경우

🌐 Introduction Repo Structure

• FE Repo: 프론트엔드 레포지토리

🌐 Members