🏠 Roomie: 최고의 룸메이트를 찾아서!

Roomie는 룸메이트를 의미하는 영어 slang으로, 학기 중 삶의 질을 결정짓는 룸메이트 배정을 돕기 위해 개발된 서비스입니다. 나와 잘 맞는 친구를 찾고, 공동생활 수칙을 정하며, 풍요로운 기숙사 라이프를 즐길 수 있는 기능을 제공합니다.

---

👥 Our Team

이름	소속	역할	이메일
정재원	KAIST 전기및전자공학부	Backend Developer	jjhana@kaist.ac.kr
안준영	부산대학교 정보컴퓨터공학부	Frontend Developer	ahnjun@pusan.ac.kr

---

✨ Key Features

• 정교한 매칭 시스템: 단순한 MBTI를 넘어 수면 패턴, 소음 민감도 등을 분석하여 최적의 파트너를 추천합니다.
• 6만원 배분 게임: '5만원으로 직장 동료 구하기' 밈에서 착안하여, 사용자가 중요하게 생각하는 생활 조건에 가상 화폐를 베팅해 가중치를 설정합니다.
• 룸메이트 계약서: 말로 꺼내기 애매한 생활 수칙을 계약서 체결 컨셉으로 자연스럽게 정하고, PDF로 저장할 수 있습니다.
• 기숙사 밀착 커뮤니티: 배달 파트너 모집, 벌레 잡기 요청, 시설 고장 신고 등 기숙사 생활에 꼭 필요한 게시판을 운영합니다.
• 실시간 채팅 및 알림: WebSocket을 이용한 실시간 소통과 채팅 알림 기능을 제공합니다.
• 상호 리뷰 시스템: 학기가 끝난 후 익명으로 솔직한 후기를 남길 수 있으며, 본인은 자신의 후기를 볼 수 없어 객관성을 유지합니다.

---

🛠 Tech Stack

Frontend (Mobile App)

• Framework: React Native (Cross-Platform)
• Language: TypeScript
• Navigation: React Navigation (Stack & Tab)
• Networking: Fetch API (REST API 통신)
• Local Storage: AsyncStorage

Backend (API Server)

• Language: Python 3.11+
• Web Framework: FastAPI
• Server: Uvicorn
• Database & ORM: PostgreSQL 15 & Prisma Client Python
• Security: Python-JOSE (JWT), Passlib (Bcrypt)
• Testing: Pytest, HTTPX

Infrastructure & DevOps

• Containerization: Docker, Docker Compose
• CI/CD: GitHub Actions (자동화 빌드 및 테스트)

---

🧮 Matching Algorithm

Roomie는 과학적인 통계 모델을 통해 상호 만족도를 계산합니다.

1. 상호 만족도 정의 (Mutual Satisfaction)

일방적인 만족을 방지하기 위해 기하평균을 사용합니다.

$$S_{mutual}=\sqrt{S_{A\rightarrow B}\times S_{B\rightarrow A}}$$

2. 항목별 유사도 산출

• 척도형 (소음, 청결도 등): 1~5점 사이의 거리를 계산합니다.

  $$s_{scale}(a,b)=1-\frac{|a-b|}{4}$$

• 시간형 (수면 시간): 두 유저 간 겹치는 수면 구간 비율을 산출합니다.

  $$s_{time}=\frac{min(t_{e}^{A},t_{e}^{B})-max(t_{s}^{A},t_{s}^{B})}{max(t_{e}^{A}-t_{s}^{A},t_{e}^{B}-t_{s}^{B})}$$

• 태그형 (잠버릇): 상대의 잠버릇($P_{total}$)이 나의 소음 민감도($\mu$)에 따라 주는 불쾌감을 계산합니다.

  $$\begin{cases} s_{\text{habit}} = \max(0, 1 - P_{\text{total}} \cdot \mu) \\mu = 1.0 + (n_{\text{my}} - 3) \times 0.2 \end{cases}$$

3. 희소성 보너스 (TF-IDF)

남들과 다른 특별한 생활 패턴을 공유하는 유저들에게 가산점을 부여합니다.

$$IDF(v)=\frac{log(\frac{N}{count(v)})}{log(N)}$$

4. 최종 점수 계산

가중 평균된 기본 점수에 선호도 및 희소성 보너스를 합산하여 100점 만점으로 클램핑합니다.

$$S_{A\rightarrow B}=min(100,\frac{\sum_{i=1}^{6}s_{i}\cdot w_{i}}{\sum_{i=1}^{6}w_{i}}\times100+B_{pref}+B_{rarity})$$