Mealkit_Recommendation

쿠글 4기 밀키트 추천 시스템

마켓컬리와 이마트몰에서 크롤링한 밀키트 정보, 리뷰 데이터를 이용해 유저에게 밀키트 상품을 추천하는 모델입니다.

(이마트몰의 데이터 특성이 너무 달라 마켓컬리로만 최종 진행했습니다.)

selenium을 이용해서 상품정보 데이터와 리뷰 데이터 따로 json 파일로 저장했습니다.

📄 데이터 파일

📋 데이터 세부 내용

** 마켓컬리는 카테고리와 별점 정보가 없어 카테고리는 직접 입력했고, 별점은 감성분석 모델을 이용해 부정, 긍정을 0과 1로 입력했습니다.

수집한 데이터 중 사용자명, 브랜드, 카테고리를 각각 one-hot encoding하여 DeepFM의 input으로 사용하였습니다.

리뷰의 별점을 추천 모델의 y값으로 사용하려 했으나, 수집한 마켓컬리 데이터에는 별점이 없었습니다.

따라서 리뷰의 긍정/부정을 y로 사용하기 위해 감성분석 모델을 적용하였습니다.

리뷰 데이터에 구어체가 많기 때문에 네이버 뉴스에서 댓글과 대댓글을 수집하여 구어체 학습에 효과적인 KcELECTRA 모델을 사용하였고, 하이퍼 파라미터 튜닝을 통해 Accuracy를 91.71에서 92.03까지 높였습니다.

Accuracy: 0.9203, Loss: 0.2172

먼저 Title(상품명)과 Description(상품설명)은 768차원으로 임베딩한 데이터에 Convolution Block을 적용하여 Feature Extraction을 진행했습니다.

User(사용자)와 Brand, Category는 Sparse Data로 변환해 임베딩 후 deepFM을 수행했습니다.

그리고 각각의 결과를 concat해서 sigmoid에 적용시켜 결과를 얻었습니다.

deepFM에 대한 자세한 내용은 해당 논문에서 확인하실 수 있습니다.

Convolution Block : CNN으로 768차원으로 Embedding된 Title과 Description 데이터에 필터사이즈가 768인 Convolution 필터를 적용시켜 피쳐 추출을 진행했습니다.
DNN : deepFM의 deep component로, layer는 256 → 64 → 2로 진행했습니다. 그리고 layer마다 Batch Normalization을 적용시켰고, 활성화 함수로는 ReLU를 이용했으며, Dropout도 적용시켰습니다.

위 모델을 Epoch = 100으로, Optimizer는 Adam을 이용해 학습시켰습니다. (Early Stopping은 val_auc를 기준으로 patience 5)

실제로 마켓컬리 모델에 사용자를 입력했을 때 나오는 추천 결과입니다.

— User : 유 *

리뷰한 상품	추천 상품
[르블란서] 돈마호크 스테이크&머스터드 소스 세트	[My little recipe] 안동에서 올라온 전통찜닭 (2인용)
[르블란서] 항정살 스테이크&머스터드 소스 세트	[Kurly's] 간편하게 바삭, 유린기
[소중한식사] 파래 곤약 비빔면 키트	[KART] 맛있는 한 판 언양식 불고기
[창화루] 마라 감바스	[교촌] 리얼 닭강정 핫스파이시 520g
[일품식탁] 야채 꼬마김밥세트	[프롬셰프] 바로 에그인헬
	[코빅] 시즈닝 아스파라거스 부채살 스테이크 250g(냉장)
	[신사동 가을백반] 우렁 묵은지 쌈밥 키트
	[레디잇] 닭가슴살 얌운센
	[도리깨침] 월남쌈
	[My little recipe] 안동에서 올라온 매콤치즈찜닭 (2인용)
	[해밀 : 바다가 주는 식사] 제철 맞은 가리비 토마토 스튜 581g (리뉴얼)
	[해밀 : 바다가 주는 식사] 홍합&가리비&새우 토마토 스튜 621g (리뉴얼)
	[풍요한 아침] 화이트 오믈렛 100g
	[해밀 : 바다가 주는 식사] 제철 맞은 가리비 로제 스튜 540g
	[모노키친] 차슈
	[프롬셰프] 바로 라따뚜이 라자냐
	[벤탄마켓] 감바스 알 아히요
	부산 조방낙지 낙곱새 (2인분)

JONHYOJIN/Mealkit_Recommendation