맘시터 추천시스템 개발 및

베이비시터 매칭 활성화 방안 제시

Team Analysts
인천대학교 산업경영공학과
박지환 201701355
손승태 201701358
이현욱 201701365
조연성 201701370
최승원 201701374
필요성

베이비시터 수요는 늘어나고 있지만 잘못된 추천으로 수요를 충족시키지 못함

맞벌이가구 비율 그래프 맘시터 앱 리뷰 중 일부

• 맞벌이가구의 증가
최근 들어 맞벌이가구의 수가 증가하면서 부모들이 일하는 동안에 아이들을 돌보아줄 수 있는 베이비시터 수요가 증가하게 됨

• 적합하지 않은 베이비시터 추천으로 인한 매칭 실패

베이비시터 수요는 증가했지만 잘못된 추천으로 인해 부모들이 자신의 상황에 적합한 베이비시터를 매칭 받지 못함

-> 부모 회원들의 개인화 추천시스템 개발과 매칭 활성화 방안이 필요함

2
기대효과

추천과 베이비시터 매칭 활성화를 통하여 양측에 양질의 서비스를 제공하여

매칭 플랫폼 사용자의 수를 증가시키고자 함

추천 성능 향상 베이비시터 매칭 활성화 플랫폼의 사용자 증가

추천시스템의 개발을 통해서 방사형 차트를 통해서 개개인의 부모회원 , 베이비시터 회원

유령회원의 추천을 줄이고 더 부족한 역량을 알게 하며 , 키워드 양측에 보다 양질의 서비스를
많은 베이비시터의 후보군 제공 제시를 통한 베이비시터 개인의 제공함에 따라 베이비시터
역량을 표현하는데 도움 구인구직 플랫폼의 독보적인 업계
1 위와 유저의 유입 증가

3
과제 개요

베이비시터의 매칭 역량을 점수화 하고 , 베이비시터 소개글에 키워드를 제공하며 ,

새로운 추천서비스를 개발하여 고객의 매칭 만족도를 증가시키고자 함
Feature importance
분석을 통하여 매칭에
중요한 feature 탐색
매칭 역량 방사형 차트

인기 베이비시터 소개글 키워드 키워드 키워드

키워드 추출 … 맘시터 매칭 서비스 개선

소개글 작성시 키워드 추천

Content Based Filtering,

Collaborative Filtering
추천서비스 개발
< 맘시터 매칭 서비스 개선 방안 프로세스 >

• Feature importance 분석을 통하여 매칭에 중요한 feature 탐색

- applyStatus 를 독립변수로 두어 의사결정나무 모델을 이용 , Feature 중요도를 계산
- 주요 Feature 들을 점수화 하여 방사형 차트로 시각화
• 인기 베이비시터 소개글 키워드 추출
- 인기 베이비시터 소개글 데이터를 수집하여 keyBert 모델을 통하여 키워드를 추출 후
- 소개글 작성 시 키워드를 제시하여 도움이 되도록 함
• Content Based Filtering, Collaborative Filtering 추천시스템 개발
- 베이비시터 데이터를 이용하여 Content based filtering 개발
- 유저 데이터를 생성해 유저와 베이비시터 사이의 관계를 이용하여 Collaborative filtering 을 개발 4
 Feature Importance - 방법론

Decision Tree 모델을 활용하여 베이비시터 회원들이 고용에 영향을 미치는 요소들의 중요도를
알아내고자 함
• 의사결정 나무 Sitter data set

Tree 1 Tree 2
… Tree N

Depth: M

Apply Status
• 실험 방법
- Python3 에서 각각 sklearn 의 RandomForestClassifier, xgboost 의 XGBClassifier 과
LightGBM 의 LGBMClassifier 를 사용
- apply status( 고용 상태 ) 열을 독립변수로 두고 train, validation, test set 을 랜덤 추출을 통해
각각 75%, 20%, 5% 의 비율로 분할
- 모든 모델에 대해 공통 파라미터인 n_estimators, max_depth 를
각각 [10, 20, 50, 100, 200], [1~10] 의 조합으로 실험 5
 Feature Importance - 실험결과

• 실험 결과
여러 조합으로 실험한 결과 n_estimators=50, max_depth=2 의 조합이 전반적으로 결과가 좋았음

LightGBM > XGBoost > Random Forest

- 전반적으로 정확도는 낮은 편이지만 , 그 중 가장 정확도가 높은 LightGBM 을 사용하여

Feature Importance 를 추출함

Validation Loss : 0.468018

LightGBM Learning Curve LightGBM Feature Importance

(n_estimators = 1500, max_depth = 2) (n_estimators = 400, max_depth = 2)
-> 베이비시터들이 중요도가 높은 Feature 들로 구성된 방사형 차트를 통해
전체 평균과 비교하여 부족한 항목을 개선한다면 , 매칭 확률을 높일 수 있음 6
Keyword 추출

인기 베이비시터들의 소개글에서 키워드 추출을 통하여 사용빈도가 높은 단어를 알아내고자 함

인기 베이비시터
keyBert 모델 적용 키워드 추출
소개글

• 데이터 수집
- 제공받은 베이비시터 데이터에서 viewCount, 평점 등을 활용하여 인기 베이비시터를 결정함
- 인기 베이비시터들의 소개글을 selenium 을 통해 크롤링
- 한글 형태소 분석기인 Open Korean Text(OKT) 를 이용하여 소개글을 단어화

• 실험 방법
- 단어화 된 소개글과 sklearn 의 CountVectorizer 를 이용하여 n_gram 기반의 키워드 후보군을 생성
- Pre-training 모델인 구글의 BERT 를 사용한 키워드 추출 라이브러리 KeyBERT 를 이용하여 키워드 추출

• 실험 결과

-> 베이비시터들이 소개글 작성 시 추출된 키워드를 제공함으로써 소개글 작성에 도움을 줄 수 있음 7

추천시스템 개발 - 방법론

Content Based Filtering 과 Collaborative Filtering 구현해 추천 시스템을 개선하고자 함

원하는 돌봄 유형 베이비시터 연령 설정 원하는 시간 조율

부모가 회원가입 시 입력하는 정보들

• 데이터 확보
- 맘시터 측으로부터 베이비시터 데이터를 제공받음
- 부모들이 회원가입시 입력하는 정보를 바탕으로 부모 데이터를 생산
- 제공받은 베이비시터 데이터와 만든 부모 데이터를 바탕으로 거래 데이터를 생산

• 실험 방법
- 베이비시터 데이터를 정규화하고 각 Feature 들을 cosine_similarity 기법을
이용해 유사도를 계산하여 Content Based Filtering 구현
- 부모와 베이비시터의 데이터를 병합하여 SVD 행렬 분해를 한 이후 잠재요인 행렬을 이용해
행렬을 복원하는 기법인 Matrix Factorization 을 사용하여 Collaborative Filtering 구현

8
추천시스템 개발 - 실험결과

• 실험 결과

- Content Based Filtering - Collaborative Filtering

Loss: 0.0002730

Matrix Factorization Loss Graph

Cosine 유사도

계산된 유사도를 통해 사용자들에게 실제 선호도 – 예측 선호도를 error 로 계산 ,

고용했던 베이비시터와 유사한 베이비시터 RMSE 를 Loss Function 으로 설정
추천 가능 학습 후 예측 선호도를 통해 개인화 추천 가능

-> 두 가지의 추천 시스템 개발을 통해 부모와 베이비시터의 추천서비스 질의 향상을 기대할 수 있음

9
결론

연구 결과들을 예시 화면으로 보여주고 이러한 연구들로 얻을 수 있는 효과를 설명하고자 함

베이비시터 매칭 역량 차트 예시 화면 차트 설명 예시 자기소개 키워드 예시 화면 콘텐츠 기반 추천 예시 화면

• 베이비시터 매칭 역량 차트
베이비시터 매칭 역량 차트를 통해 베이비시터 본인이 부모와 매칭이 안되는 이유를 파악하도록 하여
본인의 단점을 보완하도록 유도함

• 자기소개 키워드 제시
베이비시터 자기소개 작성 란에 부모들이 베이비시터를 선택하는데 긍정적인 영향을 주는 키워드들을 제시하여
자신의 역량을 표현하는 데에 도움을 줌

• 추천시스템 개선
콘텐츠 기반 추천으로 추천의 폭을 넓히고 , 협업 필터링 추천으로 개인화 추천을 함으로써
부모들이 더욱 질 좋은 추천을 받을 수 있게 됨 10