DisenHAN 연관 논문 리뷰를 위한 로드맵
쩝쩝LAB에서 맛집 추천시스템을 연구 중입니다. 그래프 기반 추천 시스템이 우리의 태스크를 해결 해줄 것이라 믿고 이에 대해 논문 위주로 리뷰하고 학습할 개념들을 정리하려 합니다. 단계별로 필요한 개념과 논문들을 정리하고 이를 통해 최종적으로 DisenHAN 중점적으로 활용한 상황과 취향에 맞는 맛집 추천 시스템을 만들어 볼 예정입니다.
확률분포 개념과 음식점 데이터 분석에 활용하기
아래 글은 확률과 통계 중에서도 ‘확률분포’ 전반에 관한 핵심 개념들을 정리한 뒤, 이를 음식점(맛집) 추천 시나리오와 연결하여 예시로 설명하는 형태로 작성하였습니다. 맛집 데이터를 분석하거나, 맛집 방문 패턴을 모델링할 때 자주 등장하는 분포들을 개념적으로 이해하는 데 도움을 드리고자 합니다.
ML활용을 위한 카카오맵 데이터분석
맛집을 선정할 때 흔히 사용되는 “평점 평균”이나 “리뷰수”가 아니라, 리뷰어 특성과 최신성, 주관적인 평가 편차 등을 고려해 더 정교하고 신뢰도 높은 점수를 산출하는 과정을 공유합니다.
ML활용을 위한 카카오맵 데이터 조정
개인화 음식점 추천 시스템을 구축하기 위해, GNN 기반 모델을 활용하여 사용자의 취향에 맞는 음식을 추천하려고 합니다. 이를 위해 첫 번째로 활용할 데이터는 음식점의 카테고리 데이터입니다. 하지만 카카오맵의 음식점 카테고리에는 프랜차이즈명과 같은 희소한 데이터가 소분류에 다수 포함되어 있어, 이대로 학습을 진행하면 모델 성능에 부정적인 영향을 미칠 가능성이 있습니다. 따라서 이러한 희소한 데이터를 조정하고, 더 나아가 음식점 유형별 데이터의 불균형 문제도 해결하려고 합니다. 이를 위해 데이터를 재배치, 통합, 그리고 분류하는 작업을 진행합니다. 이러한 데이터 전처리 과정을 통해 카테고리 데이터를 더 효과적으로 학습에 활용할 수 있는 기반을 마련하려고 합니다.
취향과 상황에 따른 맛집 추천 시스템 개발기
다양한 맛집 추천 서비스가 있지만, 정작 “나”에게 꼭 맞는, 내 취향과 상황을 반영한 맞춤형 맛집을 찾는 일은 여전히 쉽지 않습니다. 맛있는 음식을 먹고 싶어서 애써 뒤져봐도, 결국은 모두가 비슷한 리스트를 보고 선택하는 상황이 반복되죠. 이 글에서는 저희 쩝쩝 LAB이 어떤 계기로 개인화된 맛집 추천 시스템을 연구하게 되었는지, 그리고 그 과정에서 마주한 문제와 솔루션을 소개하고자 합니다.
머먹(What2Eat) 리뷰 데이터 분석: 기존 방식과 업그레이드된 평가 방식
머먹(What2Eat)의 핵심은 단순히 음식점의 평점을 숫자로만 평가하지 않고, 리뷰어 개개인의 기준에서 리뷰를 해석하여 보다 신뢰도 높은 음식점 랭킹을 제공하는 데 있습니다.
WOOWACON 2024 발표
개발자에게 가장 중요한 것은 무엇일까?
취향과 상황에 맞는 나만의 자타공인 맛집 찾기
“오늘 뭐 먹지?”
AI 운영체제를 위해 필요한 기술
요즘 AI를 사용하지 않는 날이 없다. 출근길 지하철에서는 블로그에 올릴 글을 AI와 아이디어를 나누며 완성해간다. 지금 이 글도 그렇다. “‘영화 Her의 AI 운영체제와 비슷한 기술이 우리 생활 속에 들어오려면 어떤 데이터와 기술이 필요할까?’를 주제로 글을 쓰고 싶다”고 하고 말투 예시를 적어준다. 그런 다음 수정 및 추가 내용, 글의 배치에 대해 이야기해가며 완성해나간다. 마치 나만의 편집자와 대화하는 듯한 느낌이 든다.
머지않은 Her의 사만다
