💡 좋은 대화를 제공하기 위해 매칭 기능과 설명을 제공한다 💡 우리에겐 쉼이 되어주는 커뮤니티는 얼마 없다. 자주 보는 사람들에게 마음을 터놓고 이야기를 하기 쉽지 않고, 판단 당할 것 같은, 가까우니까 더 하기 어려운 말들이 있다. 이를 언어적/비언어적 요소로 분리해 매칭 기능을 구현했다.
LLM을 이용한 추천 시스템의 큰 두갈래
- Cold Start Problems in Recommendation Systems
- LLM을 이용한 Recommendation System
- LLM으로 설명을 제공하는 Recommendation System
단순한 유사도 접근보다, 표면적이지 않은 요소들, 본질에 접근하려고 노력했다.
- 대화에 중요한 요소 🗣️
- 언어적 요소
- 품사 분포 : 말투나 어조 등 발화 습관이 비슷하면 대화가 잘 통할 것이라고 가정.
- 비언어적 요소
- 발화에서 나타난 텐션 : 텐션이 비슷한 사람끼리 대화가 잘 맞을 것이라고 가정.
- 발화의 높낮이 : 주파수와 진폭 외의 피처들을 이용해 유저의 음성 특징을 포착하려고 시도함, 이러한 특징이 유사하면 대화가 잘 통할 것이라고 가정.
- 언어적 요소
- 추천된 이유의 설명 🗒️
- Cold Start의 문제점은 데이터의 양이 부족해 딥러닝 등 깊은 단계의 추천을 보여주기 어렵다는 것에 있으므로, 방대한 데이터보다는 유사도 기반의 추천시스템을 설계한다.
- 따라서 LLM을 이용해 추천된 사용자 간의 사유 설명을 시도한다.
-
🗂️ 태스크 (세부 목표를 달성하기 위한 구체적인 태스크)
- 프론트팀
- Figma + React 구현
- 모델팀
- Text Cleaning
- 좋지 않은 품질의 텍스트에 대해서 LLM을 통해 문맥정리 및 단어를 정리하여 텍스트 내용 추출
- Rule Based Recommendation: 아래 피쳐를 기반으로 코사인 유사도를 계산하여 추천시스템의 cold start problem을 해결하고자 함.
- 발화에서 나타난 텐션 : 텐션이 비슷한 사람끼리 대화가 잘 맞을거라는 가정.
- 발화의 높낮이 : 주파수와 진폭 외의 피처들을 이용해 유저의 특징을 포착하려고 시도함.
- 텍스트 피처 : 녹음된 유저의 대화를 센텐스 임베딩 값을 계산하여 잘 맞는 사람을 서칭함.
- 포스 태깅 : 유저의 말투를 판단하여 유저간 매칭에 가중치 추가.
- 취향 유사도 : 선택된 유저들의 취향을 통해 매칭 알고리즘에 추가.
- Explainable Recommendation
- 추천 사유를 LLM을 이용해 설명
- GPT-4o 모델을 사용
- Text Cleaning
- 프론트팀
-
🗄️ 데이터셋 (사용한 데이터셋, API 등)
- 직접 수집
- 학회원님들께 감사드립니다!
- 직접 수집
-
🗃️ 모델링/아키텍쳐 등 (프로젝트 특성 및 목표에 따라)
- 모델
- 서비스 아키텍쳐
- 모델
📍음성을 녹음한 후, 답변의 내용과 보이스 특성을 기반으로 사람을 매칭
| 이름 | 팀 | 역할 |
|---|---|---|
| (🦩이동렬) | DS | (물주, CEO, 월급지급) |
| (🐼김대솔) | DS | (YES MAN) |
| (🐯임채림) | DE | (임루카스) |
| (🦝목종원) | DE | (너구리, 채림이 뜨겁게 하기, 맛잘알) |
| (🐲김인영) | DA | (마더 테레사) |
| (🦄정지원) | DA | (뮤지컬 배우, SURE!) |
| (🦊김지훈) | DS | (아기, 백엔드 괴롭히기) |