머신러닝 기반 음식점 추천시스템 설계 및 구현 (Design and Implementation of the Machine Learning-based Restaurant Recommendation System)

서지정보

· 발행기관 : 한국디지털콘텐츠학회
· 수록지 정보 : 디지털콘텐츠학회논문지 / 21권 / 2호 / 259 ~ 268페이지
· 저자명 : 최환석, 팽전, 이우섭

초록

최근 식습관 변화와 인터넷의 발전으로 앱 기반 음식주문 서비스가 생겨났고 이에 따라 배달 시장이 커지고 있다. 또한 사용자는 자신이 선호하는 대상을 쉽게 찾길 원하기 때문에 다양한 분야에 추천 시스템이 도입되고 있다. 추천시스템은 다양한 속성을 포함한 충분한 데이터가 확보되어야 안정적이며 신뢰적인 성능을 보인다. 따라서 본 논문에서는 다양한 목적 및 상황에 맞는 추천을 제공하기 위해 데이터 속성 확장 메커니즘과 머신러닝 기반 음식점 추천시스템을 제안한다. 제안하는 시스템은 추천 리스트 생성을 위해 자연어 평가 기반 음식점 특징 추출 기법, K-means 기반 평가점수 유사그룹 생성기법, 선형회귀 기반 주문량 예측 기법을 제공한다. 본 논문은 Python을 기반으로 제안하는 시스템을 구현하였으며 중국 광저우 지역의 음식점 평가 데이터를 기반으로 추천목록 생성 실험을 수행하였다. 제안하는 시스템은 동적인 특징 추출로 대상의 특성을 유연하게 반영할 수 있으며, 보다 상세한 사용자의 취향 구분이 가능하다. 또한 주문량 예측결과 20% 미만의 오차를 보여 추세파악이 가능할 것으로 생각된다.

영어초록

Recently, due to the changes in dietary life style and developments of the Internet technology, the app-based food ordering services have been emerged, and the delivery market continues to grow. Also, recommendation system is being introduced in a variety of areas because users want to easily find preferred targets. A recommendation system requires sufficient data including various attributes to provide stable and reliable performance. Thus, this paper proposes the data feature extension mechanism and machine learning based restaurant recommendation system to provide recommendations various purposes and situations. The proposed system provides the natural language comment based restaurant feature extraction method, the K-means based review score similar group generation method and the linear regression based ordering quantity prediction method to generate recommendation lists. Also, this paper implemented the proposed system by Python and conducted experiment of generating recommendation list based on restaurant review data of Guangzhou. The proposed system can flexibly reflect the feature of the target and allow for more detailed user taste. Also, it can predict the order trend because the order quantity prediction shows a margin of error is less than 20%.

참고자료

· 없음