🚩 향해99 최종 프로젝트 Delight

👆👆 클릭 시 해당 서비스를 이용할 수 있습니다.

• 밥씨는 한끼 선택이 어려운 고객들 위하여
  "한끼 추천 기능을 통한 만족스러운 식사를 제공하여 즐거움과 기쁨을 드리고자 개발 된 서비스입니다."

🚩 Delight 머신러닝 서버

🔹 [인스타그램 DB 구축]

• 음식이 가지고 있는 정보는
  인스타그램 크롤링을 통해 얻은 인스타그램DB와 음식이 가지는 고유의 특징인, 재료DB로 이루어져 있습니다.

  
  

• 인스타그램 DB 구축을 위해
  Selenuim 라이브러리를 활용하여 1개 음식당 200개의 인스타그램 게시글을 크롤링하였습니다.
  
       👉 1개 음식이 인스타그램DB로 구축되는 전반적인 과정 📝

🔹 [모델링]

• 추천 모델은 비지도학습(Unsupervised learning) 중 하나인
  협업필터링(Collaborative Filtering, CF) 모델을 사용하였습니다.

  
  

• 사용자 기반 협업필터링(User Based CF, UBCF)이 아닌
  컨텐츠 기반 협업필터링(Contents Based CF, CBCF)을 사용하였습니다.
  
       👉 UBCF가 아닌 CBCF를 선정한 이유 📝

  
  

• 음식이 가지고 있는 정보를 벡터로 표현하고, 각 음식들간의 코사인 유사도를 구해
  가장 유사도가 높은 음식을 3종을 추천하고 있습니다.

  
  

• 추천 모델의 성능개선을 위해 별도의 가중치를 적용하였습니다.
  가중치 적용 결과 전체 130종 음식 중 105종의 음식이 추천되는 결과를 얻었습니다.
  (가중치 적용 전: 전체 130종 음식 중 89종의 음식 추천 이루어 짐)

🔹 [Flask 서버와 성능 개선]

• Java서버를 통해 유저가 선택한 음식 리스트를 받습니다.
  받은 음식 리스트를 Input으로하며, CBCF의 결과인 추천할 음식 3종류를 Java 서버로 보냅니다.(POST)

  
  

• 대용량 트래픽에 대비해 아래와 같은 방법으로 성능 개선을 하였습니다.
  비동기처리를 위한 미들웨어인 gunicorn을 적용하였고 로드밸린싱을 위해 앞단에 Nginx를 적용하였습니다.
  
       👉 스트레스 테스트로 알아보는 Nginx와 gunicorn 적용에 따른 성능차이 📝

🚩 Requirements

• python 3.7.10
  
• scikit-learn 0.24.2
  
• flask 2.0.1
  
• flask-cors 3.0.10
  
• pandas 1.3.0
  
• konlpy 0.5.2
  
• selenium 3.141.0

🚩 Git - flow Branch 전략을 적용

master  : 테스트 서버에서 테스트가 끝나고 운영서버로 배포 할 수 있는 브랜치
develop : 다음 버전을 출시전 테스트를 위한 브랜치 
feature : 기능을 개발하는 브랜치
release : 이번 출시 버전을 준비하는 브랜치
hotfix  : 운영중인 버전에서 발생한 버그를 수정 하는 브랜치