유저 프로필 기반 그룹 분석 및 호감도 측정 시스템

프로젝트 개요

이 시스템은 유저 프로필 데이터를 기반으로 K-Means 클러스터링을 통해 유저들을 여러 그룹으로 분류하고, **유저 간의 호감도(유사도)**를 계산하여 각 그룹 내에서 유저들이 얼마나 유사한지(호감도)를 측정합니다. 또한, OpenAI API를 사용하여 각 그룹의 특징을 분석하고, 그룹 내 유저들이 서로에게 끌릴만한 질문 리스트를 자동으로 생성하는 기능을 포함합니다.

이를 통해, 유저들이 상호작용을 촉진할 수 있는 유용한 도구를 제공합니다.

주요 기능

• 데이터 로드 및 전처리: 엑셀 파일에서 참가자 데이터를 로드하고 전처리합니다.
• K-means 클러스터링: 여성 참가자들을 기반으로 초기 그룹을 형성합니다.
• 유사도 기반 매칭: 남성 참가자들을 여성 그룹에 매칭합니다.
• 그룹 밸런싱: 각 그룹의 크기와 성비를 조정합니다.
• AI 분석: OpenAI API를 사용하여 각 그룹의 특징을 분석하고 추천 질문을 생성합니다.
• 결과 시각화: Streamlit을 사용하여 결과를 시각적으로 표현합니다.

주요 라이브러리 및 API

• Streamlit: 웹 인터페이스로 사용자와 상호작용할 수 있는 화면을 제공하는 파이썬 기반의 웹 프레임워크입니다.
• Pandas: 유저 데이터를 엑셀 파일로부터 읽어오고, 데이터프레임으로 처리하는 데 사용됩니다.
• Scikit-learn (K-Means): 유저들을 그룹으로 나누기 위해 K-Means 클러스터링 알고리즘을 사용합니다.
• Cosine Similarity: 각 유저의 프로필 데이터를 기반으로 유사도를 측정하는 데 사용됩니다.
• OpenAI API: GPT-4 모델을 사용하여 그룹 분석과 질문 리스트 생성을 자동화합니다.

설치 및 실행 방법

1. 저장소를 클론합니다

• 저장소를 클론한후 프로젝트 디렉토리로 이동합니다.

git clone https://github.com/yourusername/meeting-shuffling-system.git

2. 필요한 패키지를 설치합니다.

• 다음과 같이 설치 합니다.

pip install requirements.txt

3. .env 파일을 생성하고 OpenAI API 키를 추가합니다

OPENAI_API_KEY=your_api_key_here

4. 실행 방법

• 터미널에서 다음 명령어를 실행하여 Streamlit 서버를 시작합니다.

streamlit run app.py

사용 방법

1. 설정

• config.yml 파일에서 다음 설정을 조정할 수 있습니다.
  • 텍스트 컬럼
  • 태그 옵션
  • 기타 매개변수

2. streamlit을 실행시킵니다.

3. 웹 브라우저에서 표시된 URL로 이동합니다. (http://localhost:8051)

4. 엑셀 파일을 업로드하고 결과를 확인합니다.

• 웹 인터페이스에서 엑셀 파일을 업로드하여 유저 데이터를 입력할 수 있습니다
• 엑셀 파일에는 유저 프로필 데이터가 포함되어 있어야 하며, 필수 컬럼은 다음과 같습니다
  • User ID, Preference (취향), MBTI, Job (직업), Hobby (취미), Age (나이), Gender (성별), Height (키), Weight (몸무게), Ideal Type (이상형)
  • 엑셀파일 예제

결과 출력

결과는 다음 형식으로 출력됩니다:

• 셔플링 계획서 제목 (날짜 포함)
• 각 그룹별 정보:
• 그룹 번호 및 평균 유사도
• 데이터 분석 내용 (성비, 직업, MBTI, 평균 나이)
• 그룹의 특징
• 추천 질문 리스트
• 전체 그룹 구성 요약
• 배정되지 않은 사용자 정보 (있는 경우)

주의사항

• OpenAI API 사용량에 주의하세요.
• 개인정보 보호를 위해 실제 참가자 데이터를 안전하게 관리하세요.

---

기능 요구 사항.

1. 모임 신청 인원과 성별 비율의 동적 처리

• 전체 신청 인원은 동적으로 변화하며, 여성과 남성의 비율도 달라질 수 있습니다.
• 신청 인원에 따라 여성 비율은 30% 정도를 가정하지만, 상황에 따라 유동적으로 변화할 수 있습니다.

2. 그룹 구성 조건

• 6명에서 8명 사이의 인원으로 구성된 그룹이 생성됩니다.
• 각 그룹에는 최소 3명의 여성이 포함되어야 하며, 여성이 3명 이상일 경우도 허용됩니다.
• 각 그룹은 유사도 기반으로 구성되며, 남성과 여성이 혼합된 형태입니다.

3. 여성 인원 배정 및 재조정

• K-means 클러스터링을 사용해 유사도가 높은 여성들끼리 그룹을 나눕니다.
• 클러스터링 결과 3명 미만의 여성이 포함된 그룹이 발생하면, 남은 여성 중 일부를 해당 그룹에 추가합니다.
• 모든 여성 인원이 반드시 그룹에 포함되어야 하며, 탈락 인원이 발생하지 않도록 합니다.
• 여성 인원 재조정 시 반복적으로 여성을 추가하여 최소 3명을 보장하며, 필요한 경우 다른 그룹에서 인원을 재배치합니다.

4. 남성 인원 배정

• 각 여성 그룹에 최대 5명까지 남성을 배정하여 최대 8명까지 그룹 인원을 맞춥니다.
• 남성 배정은 유사도 기반으로 이루어지며, 그룹의 유사도 평균이 최대화되도록 합니다.
• 남은 남성 인원을 균등하게 배치하여 모든 그룹에 빈 공간이 없도록 합니다.

5. 자유 텍스트 기반 태그 생성 및 유사도 측정

• 사용자가 제출한 **자유 텍스트 항목(예: 나만의 맛집)**에 대해 OpenAI API를 활용하여 주제 태그를 생성합니다.
• config.yml 파일에 자유 텍스트로 작성된 특정 컬럼과 해당 컬럼의 태그 리스트를 정의합니다.
• 태그화된 항목을 K-means 클러스터링 및 유사도 계산에 반영합니다.
• TF-IDF 기반 유사도 측정을 통해 텍스트 기반 유사도도 계산합니다.

6. 유사도 계산 및 출력

• *cosine_similarity*를 사용해 각 그룹의 유사도를 계산합니다.
• 그룹별로 직업, MBTI, 취미, 나이 등의 특징을 요약해 출력합니다.
• 자유 텍스트 태그와 다른 특징 간의 유사도를 평가하여 의미 있는 그룹 구성이 이루어집니다.

7. OpenAI API를 통한 AI 질문 리스트 생성

• 각 그룹의 특징을 바탕으로 OpenAI API를 활용해 호감을 가질 만한 질문 리스트를 생성합니다.
• 질문 리스트는 사용자 간 상호작용을 촉진합니다.

8. 균등한 배정 및 인덱스 오류 방지

• 배열 인덱스가 범위를 벗어나지 않도록 검사합니다. 남은 남성 인원이 부족할 경우 유효한 인덱스만 사용합니다.
• 모든 여성과 남성을 최대한 고르게 배정하여 불균형한 배치를 방지합니다.
• 인덱스 범위를 벗어나는 경우를 방지하기 위해 유효성 검사를 수행합니다.

9. 모든 인원 배정 후 최종 조정

• 각 그룹의 총 인원이 최소 6명 이상이 되도록 합니다.
• 남은 인원은 최종적으로 재배정하여 모든 그룹의 최소 인원을 맞춥니다.

10. 탈락 모임 처리

• 만약 최종 인원이 6명 이하로 구성된 그룹이 발생하면 해당 그룹을 탈락 모임으로 처리합니다.
• 탈락 모임이 발생하지 않도록 최소화 합니다.

11. 결과 출력 및 AI 호스트 역할 수행

• 모든 그룹의 구성원을 출력하고, 각 그룹의 요약 정보를 제공합니다.
• AI 호스트가 설문을 주기적으로 실행하여 사용자 간의 상호작용을 촉진합니다.