← 전체 프로젝트

PROJECT 05

Glople

MBTI 기반 여행지 추천 커뮤니티

프로젝트 개요

Glople은 여행자의 MBTI와 여행 취향에 맞는 여행지를 추천하고, 현지 전문가 '글로플러'와 연결해 주는 여행 커뮤니티 플랫폼입니다. 세계 지도에서 나라를 골라 정보와 리뷰를 보고, 취향 키워드나 MBTI로 여행지를 추천받으며, 성향이 비슷한 다른 여행자의 루트를 참고할 수 있습니다. 글로플러와는 실시간 채팅으로 일정을 상담하고 예약까지 진행합니다.

주요 구현

사용자 성향과 선택 키워드로 여행지·경로를 추천하는 로직을 구현했습니다.

진행 기간
2024.03 ~ 2024.11
팀 구성
7인 (개발자 5인 + 디자인 2인)
담당 역할
추천 로직 구현 · 프론트 일부 개발

기술 스택

Backend
Spring BootSpring SecurityJava 17
Frontend
ReactStyled-componentsAnt Design
Realtime
WebSocket (SimpleBroker)
Data
MySQL 8.0JPA / Hibernate
Infra
NginxDockerDocker Compose
External APIs
OpenAI APIGoogle MapsGoogle PlacesGoogle STTWikipediaRestCountries
시연 화면실제 프론트엔드에 시연용 목 데이터를 넣어 재현했습니다
01 · 키워드 맞춤 추천고른 키워드와 겹치는 키워드가 많은 여행지부터 추천
02 · MBTI 여행지 추천내 MBTI에 맞는 여행지에서 소개·리뷰·루트 추천으로 이동
03 · 유사 사용자 여행 루트성별·나이·MBTI가 비슷한 사용자의 루트를 지도와 함께 넘겨 보기
04 · 세계 지도 홈지도에서 나라를 고르면 최근 여행 리뷰와 예약 바로가기가 열림
05 · 글로플러 실시간 채팅현지 전문가와 WebSocket 채팅으로 여행 일정 조율

01

서비스 소개

서비스 배경
여행 정보는 많지만 내 성향에 맞는 여행지를 고르기 어렵고, 현지 사정을 잘 아는 사람에게 직접 묻기도 쉽지 않습니다. 성향 기반 추천과 현지 전문가 연결을 한 서비스에서 제공하려 했습니다.
서비스 목표
MBTI·연령·성별과 취향 키워드로 여행지와 루트를 추천하고, 지도·장소·위키백과 정보를 모아 보여 주며, 글로플러와의 채팅과 예약으로 여행 준비를 이어 줍니다.
대상 사용자
취향에 맞는 해외 여행지를 찾고 현지 전문가의 도움을 받고 싶은 여행자

주요 기능

  • 세계 지도 홈

    지도에서 나라를 고르면 최근 여행 리뷰와 예약 바로가기가 열립니다.

  • 키워드 · MBTI 추천

    고른 여행 키워드와 MBTI에 맞는 여행지를 추천합니다.

  • 유사 여행자 루트

    연령·성별·MBTI가 비슷한 여행자의 루트를 코사인 유사도로 찾아 보여 줍니다.

  • 여행지 정보

    Google Places와 위키백과 정보를 모아 장소 소개와 리뷰를 보여 줍니다.

  • 글로플러 채팅

    WebSocket 실시간 채팅에 AI 챗봇 상담과 음성 메시지 텍스트 변환을 더했습니다.

  • 예약 · 포인트

    매칭 → 진행 → 입금 → 완료 단계로 예약을 관리하고 포인트를 적립·차감합니다.

02

시스템 아키텍처

Glople React 프론트엔드, Spring Boot 백엔드, MySQL, 외부 API와 Docker Compose 배포 구조를 보여주는 시스템 아키텍처
Glople 시스템 아키텍처이미지를 누르면 크게 볼 수 있습니다

추천 연산은 서버에 두고, 여행 정보 보강은 외부 API 매시업으로 처리해 자체 데이터 부족을 메웠습니다.

구성 요소별 역할

  • React

    여행지 추천 입력 인터페이스, 결과 시각화, 커뮤니티 UI 전반 담당

  • Spring Boot

    추천 알고리즘 처리, 외부 API 연동 제어, REST API 및 실시간 통신 중계

  • WebSocket

    사용자 간의 실시간 매칭 상태 공유 및 채팅 메시지 송수신 흐름 처리

  • MySQL

    사용자 성향(MBTI 등), 여행지 메타데이터, 사용자 루트 및 후기 데이터 관리

  • External APIs

    OpenAI(자연어 추천), Google Places/Wikipedia(여행 정보 보강) 데이터 수집

03

구현 기능

전체 서비스 안에서 직접 구현하거나 공동으로 맡은 기능입니다.

  • 01

    개인 맞춤형 추천

    나이·성별·MBTI 유형을 수치 벡터로 변환하고 코사인 유사도를 계산해 유사 사용자의 여행 루트를 추천

  • 02

    키워드 필터링

    고른 키워드와 겹치는 키워드가 많은 여행지부터 추천. 사후 개선에서 94개 키워드를 두 개의 63-bit mask로 바꿔 MySQL BIT_COUNT로 정렬하도록 했습니다.

  • 03

    추천 로직의 조회·정렬 개선 (사후 개선)

    전체 조회·정렬로 불필요한 연산이 늘어나는 문제를 확인하고, DB 후보 필터링과 PriorityQueue Top-K 방식으로 개선했습니다.

기여 범위

본인 기여는 추천 로직과 일부 프론트엔드입니다. 실시간 매칭·채팅과 외부 API 연동은 팀 서비스의 전체 구성으로 구분합니다. 수치는 로컬 JMeter 비교 결과이며 운영 환경의 성능을 의미하지 않습니다.

04

트러블슈팅

문제와 해결, 확인한 결과를 적고 실제 코드와 테스트를 근거로 붙였습니다.

문제 해결

추천 로직 병목 분석 (사후 개선)

문제
추천 결과는 상위 몇 건만 필요한데 전체 데이터를 읽고 문자열 탐색과 정렬을 반복했습니다.
해결
키워드는 DB의 비트마스크 필터와 BIT_COUNT로 계산하고, MBTI 추천은 성별·연령 후보군에서 PriorityQueue로 상위 12건만 유지했습니다.
결과
조회 대상과 정렬 범위를 줄여 두 추천 경로의 평균 응답 시간을 단축했습니다. 아래는 로컬 테스트 결과입니다.
판단 과정 단계별로 보기
  1. 기존 추천 흐름 확인

    나이·성별·MBTI 값을 수치 벡터로 변환해 코사인 유사도를 계산했지만, 모든 사용자를 조회하고 전체 결과를 정렬한 뒤 상위 12건만 사용했습니다.

  2. Keyword 추천 병목 (String Search)

    전체 데이터를 조회(findAll)한 뒤 Java에서 문자열 탐색(contains)을 반복했습니다. → keyword_mask 후보 필터링과 MySQL BIT_COUNT 점수 계산으로 변경했습니다.

  3. MBTI 추천 병목 (Sorting Cost)

    상위 12건만 필요하지만 전체 사용자에 대해 벡터 변환과 유사도 계산을 수행한 뒤 전체 정렬 후 limit을 적용했습니다. → 성별/연령 후보군 축소 + PriorityQueue Top-K 추출

05

성능 개선

같은 조건에서 비교한 로컬 측정입니다. 측정 조건을 결과와 함께 적었습니다.

Keyword 추천 — 문자열 탐색을 비트 연산으로 (사후 개선)

전체 여행지를 읽고 문자열을 비교하던 문제를 DB 비트마스크 필터와 BIT_COUNT 점수 계산으로 해결했습니다.

측정 결과

before → after
Avg Response Time-43.2%
15.7ms
8.92ms
p95 Latency-50.0%
20ms
10ms

프로젝트 종료 후 사후 개선한 내용입니다. 로컬 테스트 환경에서 JMeter로 동일 데이터셋과 동일 요청 시나리오의 Before/After 평균 및 p95를 비교했습니다.

Before: 전체 조회 후 Java 문자열 탐색

java
repository.findAll().stream()
    .filter(e -> containsAnyKeyword(e.getInfo(), keywords))
    .sorted((a, b) -> Integer.compare(
        countMatchingKeywords(b.getInfo(), keywords),
        countMatchingKeywords(a.getInfo(), keywords)))
    .limit(21)
    .collect(Collectors.toList());

전체 행을 메모리로 로드 · 정렬 비교마다 매칭 수를 다시 계산

After: Bitmask 필터링 + bitCount 점수

sql
-- 두 개의 63-bit mask로 후보와 공통 키워드 수 계산
WHERE (keyword_mask_low & :maskLow) <> 0
   OR (keyword_mask_high & :maskHigh) <> 0
ORDER BY BIT_COUNT(keyword_mask_low & :maskLow)
       + BIT_COUNT(keyword_mask_high & :maskHigh) DESC
LIMIT :limit

후보군과 점수를 DB에서 계산 · 애플리케이션에는 상위 결과만 반환

MBTI 추천 — 전체 정렬을 Top-K 추출로 (사후 개선)

상위 12건을 위해 전체 사용자를 정렬하던 문제를 후보군 축소와 PriorityQueue Top-K로 해결했습니다.

측정 결과

before → after
Avg Response Time-74.2%
27.9ms
7.21ms
p95 Latency-72.7%
33ms
9ms

프로젝트 종료 후 사후 개선한 내용입니다. 로컬 테스트 환경에서 JMeter로 동일 데이터셋과 동일 요청 시나리오의 Before/After 평균 및 p95를 비교했습니다.

Before: 전체 계산 및 정렬

java
findAllUsers()
    .map(this::cosineSimilarity)
    .sorted(Comparator.reverseOrder())
    .limit(12);

전체 사용자 벡터 변환 · O(n log n) 전체 정렬 후 12건만 사용

After: 후보군 축소 + PriorityQueue

java
var candidates = findByGenderAndBirthYear(gender, birthYear);
var topScores = new PriorityQueue<Score>(12);
// 크기 12를 넘으면 최솟값을 버리며 Top-K만 유지

성별·연령으로 후보군 선축소 · 힙 크기를 12로 고정해 정렬 비용 제거

06

기술 선택 이유

기술 이름보다 해결하려던 작업과 적용 이유를 적었습니다.

MySQL 비트마스크 · BIT_COUNT (사후 개선)

키워드 후보 필터와 공통 키워드 점수 계산

전체 데이터를 Java에서 문자열로 반복 탐색하는 대신 후보 필터링과 점수 계산을 DB로 옮겼습니다.

PriorityQueue Top-K (사후 개선)

유사 사용자 상위 12건 유지

성별·연령으로 후보를 먼저 좁히고 크기 12의 힙을 유지해 전체 결과를 정렬하는 비용을 줄였습니다.

07

회고

자료구조를 바꾸기 전에 어떤 데이터가 실제 결과에 필요한지부터 확인했습니다. 후보군 축소와 정렬 범위 제한을 따로 설명하고 동일한 조건의 측정값을 함께 제시하는 것이 개선을 검증하는 기준이 됐습니다.