**Team RAYN,

Recommendation is All You Need**

나만의집,

개인 맞춤형 인테리어 상품 추천

1. Intro

1.1 프로젝트 소개

선호하는 인테리어 취향을 통해 인테리어 소품을 추천하는 서비스

• 기존의 인테리어 판매 사이트의 아이템 추천 방식

  • 인테리어 상품 판매 사이트 많은 상품들은 인기도 기반의 아이템
  • 따라서 사용자 개개인의 취향을 반영하지 않은 인기 있는 상품을 많이 접함.

• 우리의 상품 추천 방식

  • 신규 사용자의 취향을 반영하기 위해 선호하는 인테리어 스타일을 입력 받음

• 기대 효과

  • 사용자의 상품 탐색 시간 단축
  • 인기 있는 아이템만 추천하는 것이 아닌, 더 선호하는 아이템을 발견할 수 있도록 유도
  • 사용자의 새로운 취향 발견

1.2 프로젝트 개요

• 개발 목표

  • 사용자의 인테리어 스타일 취향을 파악하여, 사용자에게 개인 맞춤형 인테리어 상품 추천 서비스를 제공하는 것

• 데이터 : 오늘의집 크롤링을 통해 직접 수집

• 개발 모델 : **Multi-DAE, CAE, Steam Rating** **Formula**, YOLO

1.3 팀원 소개

• 강태훈: Crawling, Frontend, Model, Human detection data collecting & modeling
• 권준혁: Model, Backend - inference, Data preprocessing pipeline, Item clustering
• 김다은: Frontend, Backend, Data preprocessing, Human detection with YOLOv7
• 류지수: Backend, Human detection with YOLOv3, Database 안에 data 삽입
• 유영서: PM, Database, Deploy, Docker

1.4 프로젝트 타임라인

• 진행 기간: 2023.01.09 ~ 2023.02.04 (26일)

2. 데이터

프로젝트에서는 공개 데이터를 사용하지 않아 데이터 수집량이 충분하지 않을 수 있다. 이러한 점을 해결하기 위해 관련된 가능한 많은 데이터를 수집하여 활용해 보려고 시도했다.

오늘의 집에서 크게 3가지 데이터를 수집하려 했다. 인테리어 글, 인테리어 글 속 사진, 판매하는 가구이다. 사용자 아이디같은 개인정보가 포함된 데이터는 수집하지 않았다.

[그림 1] 오늘의집 robots.txt

[그림 2] Crawling Flow chart

2.1 데이터 특징

1. Extremely High Sparsity

• 유저와 가구 사이의 가능한 모든 상호 작용에 비해, 전체 관측치의 개수가 매우 작음
  • sparsity: 99.9599%
  • $sparsity=1-\frac{\#interaction}{\#user\;*\;\#item} * 100\%$

[그림 3] Sparsity 시각화

1. Extremely Long Tail Problem

• 수집한 데이터 속 상호 작용이 특정 아이템에 매우 집중됨.
• 왼쪽 그림 설명: 50개 단위로 binning 후 Log Scale로 확인
• 전체 상호 작용 88935 개 중 99.59%에 해당하는 88572개가 50개 미만을 차지.
• 0.41%의 소수 아이템들이 상대적으로 많은 interaction을 보유 = 불균형 문제😢

[그림 4] Long-Tail Problem 시각화