이커머스 상품 별점 예측 및 추천시스템 구현

← 프로젝트 목록으로

Step1. 데이터 수집

올리브영 스킨케어 제품의 다양한 정보를 크롤링

제품 정보: 브랜드명, 상품명, 카테고리, 정가, 할인가
고객 및 리뷰 정보: 아이디, 별점, 피부타입, 피부고민 등

selenium, ChromeDriverManager, requests, BeautifulSoup, openpyxl 등 활용

크롤링한 올리브영 스킨케어 제품 및 리뷰 데이터 샘플 표 — 크롤링 데이터 샘플

Step2. 상품 별점 예측

Random Forest 및 KNN(K-Nearest Neighbor) 모델 사용

SMOTE 오버샘플링, StandardScaler, Grid Search 등 활용

데이터 불균형 확인 → SMOTE 오버샘플링 수행

별점별 리뷰 수 분포 — 5점에 편중된 데이터 불균형 — 별점 분포 (데이터 불균형 확인)

[랜덤포레스트] 피처 중요도 시각화 / 혼동행렬 시각화

랜덤포레스트 피처 중요도 Top 20 바 차트 — 피처 중요도 Top 20

Step3. 추천시스템 구현

고객-제품 평점 행렬 생성, 고객 간 유사도 분석 (cosine_similarity 활용)

# 고객 간 유사도 계산
from sklearn.metrics.pairwise import cosine_similarity

cos_matrix = cosine_similarity(df_users)
df_users_cosine = pd.DataFrame(cos_matrix, index=df_users.index, columns=df_users.index)

제품 및 별점 데이터를 기반으로 User-Based CF 추천시스템 구현

고객 아이디와 원하는 제품 유형 입력 → 해당 유저와 유사도가 높은 고객의 평점 높은 제품 추천

def user_based_recommend(user_id, product_type):
    # 유저 아이디와 유사도 높은 5명 찾기
    sim_users = df_users_cosine[user_id].sort_values(ascending=False)[1:6].index

    # 유사한 유저들의 데이터 추출
    sim_user_df = df[df['user_id'].isin(sim_users)]

    # 입력한 product_type과 일치하는 제품 추출 및 정렬
    products = sim_user_df[sim_user_df['product_type'] == product_type].sort_values(by='rating', ascending=False)

    # rating 4점 이상인 제품만 추출
    products = products[products['rating'] >= 4.0]

    # product_name 중복 제거 (첫 번째 값만 남김)
    products.drop_duplicates(subset='product_name', keep='first', inplace=True)

    result = pd.DataFrame(products['product_name'])
    result.columns = ['나와 비슷한 사용자가 만족한 ' + product_type + ' 제품']
    return result

result = user_based_recommend(user_id=1, product_type='앰플')

user_id=1, product_type='앰플'에 대한 추천 결과 출력 — 추천 결과 예시 (앰플 제품)

로직: 입력 아이디와 유사도 높은 5명 탐색 → 해당 유저들의 데이터 중 원하는 product_type 필터링 → rating 내림차순 정렬 → rating 4점 이상만 → 상품명 중복 제거 → 추천 결과 반환