Data 분석과 Machine Learning을 통한 User 방문 맛집 발굴하기

kakao tech·if-kakao-2024 ·2024년·

#feature-engineering#location-data#geospatial-ml#weak-supervision#poi-prediction#tabular-ml

AI 요약

카카오가 sparse하고 오차 있는 위치 로그와 지도 POI 데이터로 사용자가 실제 방문한 맛집을 추정한 문제 해결 과정을 소개한다. 위치 ping만으로는 어느 가게에 들어갔는지 알 수 없고 방문 정답 label도 없는 상황을 다룬다.

핵심 포인트

연속 이동 궤적과 graph rank를 쓰는 기존 연구와 달리 실제 로그는 수집 간격이 길고 누락돼, 후보 반경 안 POI를 만들고 체류 시간·시간대·category·user history를 feature로 삼아 ranking 문제로 재정의
같은 건물의 1층·5층이나 상가 내 인접 식당은 위경도만으로 구분 불가하고 실내 오차도 커, POI polygon·건물 relation·distance score를 결합하고 단순 nearest-neighbor 대신 취향·시간 context가 후보 차이를 만들게 설계
길찾기 도착이 로그와 일치하면 강한 positive, 지도 검색·click은 의도만 있어 약한 signal로 취급해 신뢰도를 구분한 weak label을 만들고, source bias가 평가에 섞이지 않게 split
방문 sequence가 짧고 불규칙해 sequential model은 부적합하고 대부분 feature가 category·수치라 LLM은 over-spec이어서, tabular model로 학습해 같은 위치·시간에도 사람별 다른 식당 확률을 제시

왜 읽나정답 label 없는 sparse 위치 데이터에서 weak label 설계와 feature 기반 tabular model로 개인화 signal을 뽑아내려는 데이터 사이언티스트에게.

챕터별 상세

010:12 – 4:55

위치 Log에서 실제 방문 POI 찾기

POI는 지도 위 식당·시설 같은 관심 지점이지만 위치 ping만으로 어느 가게에 들어갔는지는 알 수 없다. 완전한 trajectory와 방문 정답 label이 없는 상태에서 user·KakaoMap data로 방문 맛집 확률을 추정하는 문제를 정의하고, 추천과 local service에 쓸 수 있는 signal을 만드는 목표를 설명한다.