🌟맛스페이스

📝 목차

• ⚡개요
• ⛳기획 배경
• 🎇핵심 기능
• 🎯결과물
• 🏅기술적 챌린지
• 🗼기술스택
• 👏팀원 소개

⚡개요

⛳기획 배경

1. 참여한 모두의 선택을 고려한
2. 함께 만족할 만한 식당 찾기!
3. 서로 얼굴도 보면서 말하니 좋고!
4. 생각치도 못한 추천도 받아서 더욱 좋고!

좋은 일만 가득한~~~

맛 스 페 이 스 !!!!

🎇핵심 기능

맛집 추천

• 약 7만 개의 서울 시 맛집 데이터 수집!
• 데이터를 정제하여 1만 8천 식당을 선정
• 각 식당의 요소를 벡터화
• 유저의 니즈에 따른 식당 추천!

식당 조합

• 분위기와 메뉴를 활용한 식당 데이터 벡터화
• 유클리드 거리 계산을 통해 식당 간의 유사도 측정
• K-NN 알고리즘을 통한 인접한 식당 탐색

연관 키워드 추천

• 유저가 말한 문장을 Konlpy로 토큰화
• 수집한 문장으로 벡터 모델 학습
• Word2Vec를 활용하여 위 모델을 통해 연관 단어 맵핑

실시간 유저소통

• Mesh방식 WebRTC 구현
• Socket.IO를 활용

🎯결과물

(클릭 시, Youtube로 이동됩니다!)

🏅기술적 챌린지

벡터화 모델 직접 학습으로 키워드 연관도 개선

• 문제 : 기존에 존재하는 모델인 FastText를 사용했을 때, 키워드의 연관성이 높지 않고, 그 유사도가 기대하던 수준에 미치지 못함 - 우리에게 필요한 데이터만 정밀도를 높일 수 있다면 좋을텐데… - 맛집 추천 데이터만 가지고 구축을 한다면 결과가 나아지지 않을까?
• 해결 : 데이터 수집 후 Word2Vec 를 활용하여 자체 모델 학습으로 연관도 개선

알고리즘을 통한 식당 조합 기능 구현

• 문제1 : 식당과 식당을 조합하는 기능을 구현할 때, 유사도가 먼 경우 조합 결과가 나오지 않는 현상을 경험 - 벡터화된 식당들을 공간 상에 존재한다 여긴다면 기하학과 관련된 알고리즘을 사용할 수 있지 않을까?
• 해결1: 각각의 식당벡터의 중간 지점을 유클리드 거리를 통해 구할 수 있었다!
• 문제2 : 그러나 해당 지점과 일치하는 식당 벡터가 있다는 보장이 없다 생각하였기에 추가적인 알고리즘이 필요하였다 - 이 지점과 가능한 가까운 실제 식당을 구하면 될 것 같은데??
• 해결2: K-최근접 이웃 (K-Nearest Neighbors, KNN) 을 통해 해당하는 중간 지점과 가까운 식당을 찾아 추천할 수 있게 되었다!

Buffer 활용을 통한 소켓 요청 - 응답 안정화

• 문제 : 음성 인식을 통한 키워드 분석을 위해 ‘대량’의 소켓 요청을 보낸 결과, 간헐적으로 서버 다운 or 서버 부하 증가 - 매 요청마다 데이터를 전송하는 것이 아니라, 일정 주기로 모았다 보내준다면 이러한 현상을 개선할 수 있지 않을까 고려 - Buffer라는 개념을 소켓 요청에 응용하여, 많은 양의 데이터를 하나의 소켓에 모아 보낸다면 가능할 것이라 생각 - 조사를 해보니 다양한 이벤트 처리 방식 중, Debouncing과 Throttling이 데이터를 모아 보내는 것에 적합하다 판단
• 해결: 일정 시간마다 반응을 보여주어야 UX에 더 좋은 결과를 얻을 수 있다고 여겨 Throttling 방식을 채택하여 버퍼 구현 및 응답 안정화

🗼기술스택

👏팀원 소개

마찬옥 (깃허브) - 팀장 - 프론트엔드 - UI / UX 설계 및 구현 - 디자인 및 컨셉 담당 - 미디어 스트리밍 구현(WebRTC) - 실시간 기능 구현 (Socket.io) - 클라이언트 - 서버 API 구현 (Axios)

천지영 (깃허브) - 팀원 - 백엔드 - Python 서버 구축 - 데이터 수집 - 프로그램 메인 로직 구현

이서연 (깃허브) - 팀원 - 백엔드 - nest js 서버 구축 - Redis 서버 구축 - 데이터 수집 - Python ↔ nest ↔ Front 의 API , Socket의 명세 및 구성 - 배포

현재훈 (깃허브) - 팀원 - 프론트엔드 - 프론트 fast API 및 socket 관련 명세 및 구성 참여 - 애니메이션 및 effect 담당 (css, tailwind, gsap 등) - git 관련 이슈 해결 및 프론트 git 전략 - 데이터 수집 작업 참여 - 팀 내 이슈 해결에 적극 참여 (언어, 로직 관련) - 제안된 아이디어 구현 (Throttling Buffer) - UX 경험 증감에 기여