🏃팀원소개

박지원	김연화	이건희	이진규	전성재	최영진

팀장, Frontend, 코스설정, 코스편집	Frontend, 메인페이지 세분화	Infra, Backend, Frontend, 소셜 로그인	Backend, Infra, 군집화, 최단경로 알고리즘	Backend, BigData, 스케쥴링, 데이터 정제	Backend, BigData, 빅데이터 추천

📜프로젝트 소개

TravelMaker 는 사용자 맞춤형 여행 코스 제공 및 기록 서비스입니다.

1. 프로젝트 개요

개발 기간

2024-02-26 ~ 2024-04-05 (6주)

서비스 목표

① 언제 갈지만 정하면 여행 일정을 만들어주는 서비스
② 나와 친구의 관심사를 반영한 여행 코스를 만들어주는 서비스
③ 효율적인 여행 동선을 제공해주는 서비스

🏆수상내역

삼성 청년 소프트웨어 아카테미(SSAFY) 특화 프로젝트 본선 우수상( 1등 )

✨개발환경 및 아키텍처

개발환경	아키텍처

🎨기능명세서

로그인	메인 페이지	메인 페이지
카카오 소셜 로그인	1. 코스 전 (Before Course)	2. 코스 후 (After Course)
	랜덤 추천 명소에 좋아요를 누르면 빅데이터 추천 기능에 활용	여행 준비를 위한 메모 기능

메인 페이지	코스	코스
3. 여행 중 (On Course)	날짜, 교통수단 선택	친구 검색
오늘의 코스를 슬라이드로 확인 가능	여행이 짜여진 날짜는 선택 불가능, 교통수단에 따라 추후추정시간 변화	그룹생성 후 친구의 취향도 고려한 코스추천 가능

코스	코스	코스
도 선택	시 선택	추천받은 목록 선택
	사용자가 메인페이지에서 좋아요를 많이 누른 시를 추천	혼자 혹은 친구의 취향을 고려한 장소들 추천리스트

코스	코스	마이페이지
코스 상세페이지	코스 편집페이지	마이페이지
고른 장소들을 최적 경로로 만들어서 추천	직접 편집도 가능	일정, 일기 탭으로 구분

일기페이지

💎핵심기술

1. 데이터 정제

1차 데이터 정제	2차 데이터 정제
한국관광공사에서 제공하는 Api의 Data들이 파편화 -> 하나의 데이터로 만들 필요성을 느낌 104,875개의 장소를 하나의 데이터셋으로 만드는 함수를 구현하여 정제	데이터셋을 추천 알고리즘에 사용하기 적합하게 각 장소의 특징들을 정제하고, 서비스에 적합한 특징들을 추가로 저장하여 정제

2. 하이브리드 빅데이터 추천 시스템 - 컨텐츠 기반 필터링(CBF) + 협업 필터링(CF)

하이브리드 방식을 사용한 이유

CF의 경우 사용자에 대한 데이터가 쌓이기 전까지는 cold-start의 위험성이 존재
초반에는 상대적으로 cold-start 문제가 적은 CBF를, 어느정도 데이터가 쌓인 후에는 CF를 사용하는 방식으로 하이브리드 추천 시스템을 구축

TF-IDF 활용

장소에 대한 특징을 분석하기 위해 키워드 분석에 특화된 TF-IDF을 활용
장소 데이터가 '해안, 자연, 절경'처럼 단어의 나열로 구성되어 있었기 때문에, 빈도와 역 문서 빈도를 사용하여 단어들마다 중요한 정도에 따라서 가중치를 부여하는 방법인 TF-IDF을 적용

추천 속도 최적화

Foreign Key 관계 삭제와 조회 쿼리 최적화를 진행하여 속도를 14초에서 0.65초로 10초 이상 단축

3. 군집화와 최적 경로 알고리즘

사용자가 선택한 장소를 바탕으로 여행 일자를 분할해주기 위해서 군집화에 주로 사용되는 K-means++ 알고리즘을 프로젝트에 적용하여 사용자에게 자동적으로 여행 일자를 나누고 최적 경로를 제공해주는 편의성을 제공해주었습니다.

K-Means++ Algorithm이란?

데이터를 여러 그룹으로 분할하여 유사한 패턴을 찾아내는 클러스터링 알고리즘
데이터 포인트들을 중심점과의 거리에 따라 그룹화하여 군집을 형성**

최적 경로 알고리즘 경로를 탐색하는 다양한 알고리즘(다익스트라, 플로이드-워셜)이 있지만 ① 출발지&도착지 모호 ② 경로추적 용이 ③최단 거리 보장의 특성을 생각하여 완전탐색(DFS) 알고리즘을 채택하여 적용

Jindoryy / travelmaker

목차