첫 추천을 위한
취향 수집을 구현했습니다.

상황과 문제

첫 추천에 쓸 취향 정보가 필요했습니다.

Play Pick은 공연 정보와 사용자 취향을 연결하는 공연 추천 서비스입니다. 개인화된 첫 화면을 만들려면 가입 직후, 아직 조회나 찜 기록이 없는 사용자의 관심을 파악할 방법이 필요했습니다.

공연을 직접 보여주고 반응을 받는 온보딩을 구현했습니다. 인기·최근 공연과 여러 장르의 후보를 섞고, 선택한 공연의 정보를 초기 선호 데이터로 활용하는 흐름입니다.

온보딩 기준

중립 응답과 비선호를 구분했습니다.

보고싶어요

관심이 있다는 신호로 저장합니다. 해당 공연의 임베딩에 양의 가중치를 적용합니다.

안볼래요

관심이 없다는 신호로 저장합니다. 선호 계산에서 음의 가중치로 반영합니다.

모르겠어요

중립 응답으로 건너뜁니다. 비선호로 저장하거나 완료에 필요한 호불호 개수에 포함하지 않습니다.

호불호를 8개 이상 선택하면 완료할 수 있도록 진행률과 버튼 상태를 구현했습니다. ‘모르겠어요’를 누르면 다음 공연으로 넘어가되 완료에 필요한 개수는 늘어나지 않습니다.

최소 8개는 명세의 완료 조건입니다. 선택 개수에 따른 입력 부담과 추천 품질은 비교하지 않았습니다.

화면과 데이터 연결

선택 결과를 저장한 뒤
추천 화면으로 이동하게 했습니다.

1. 선택화면에서 호불호 구분
2. 저장공연 ID와 응답 전달
3. 취향 계산선호 벡터 생성
4. 첫 추천다른 추천 기준과 결합

Vue 화면의 선택 상태를 Pinia에서 관리하고, 공연 ID와 응답 값을 API 형식으로 변환했습니다. 응답 저장과 온보딩 완료 요청을 순서대로 처리한 뒤, 저장한 취향을 사용하는 추천 화면으로 연결했습니다.

온보딩 서버는 선택한 공연의 특징을 수치로 담은 임베딩에 응답 가중치를 적용해 사용자의 선호 정보를 만듭니다. 이 취향 저장 처리도 구현에 포함했습니다. 팀원이 개발한 추천 엔진은 이 값과 지역·인기 등의 기준을 함께 사용합니다.

개인 기여

2인 팀에서 화면과
온보딩 저장 처리를 맡았습니다.

2인 팀에서 화면 설계와 프론트엔드 구현, 발표와 문서 정리를 맡았습니다. 온보딩 화면·API·선호 저장 처리, 관람함, 마이페이지와 커뮤니티 페이지를 작업했습니다.

임경수 팀원은 공연 데이터 수집, 핵심 AI 검색·추천 엔진과 배포 설정을 맡았습니다. 저는 사용자의 선택을 공연 ID·응답 값으로 저장하고, 찜과 관람 기록이 관련 화면에 반영되도록 구현했습니다.

구현 결과

취향 선택부터 첫 추천까지
동작하는 흐름을 만들었습니다.

보관된 원본 화면으로 취향 선택·저장·추천 결과 조회를 재현했습니다. 위 영상에서 완료 전후의 버튼 상태와 화면 전환을 볼 수 있습니다.

후속 검증에서는 선택 개수를 바꿔 온보딩 완료 시간·완료율과 첫 추천의 상세 조회·찜을 함께 비교하려 합니다. 입력 부담을 줄여도 추천을 탐색하는 데 도움이 되는지 확인하기 위한 계획입니다.

실제 이용자의 온보딩 완료율과 추천 품질은 아직 측정하지 않았습니다.