영화 추천 커뮤니티 플랫폼
Inside Movie / 인사이드 무비
사용자의 리뷰 텍스트를 AI 감정분석으로 처리하여 개인의 취향에 맞는 영화를 큐레이션해주는 맞춤형 추천 커뮤니티 서비스입니다.
메인 페이지
기간
2025.06 - 2025.07
역할
기술 스택
프로젝트 개요 및 목표
인사이드 무비는 사용자 리뷰 텍스트를 감정 분석해 영화 추천에 반영하는 영화 리뷰/추천 커뮤니티 서비스입니다.
배경 및 목적
기존의 영화 커뮤니티들은 사용자가 영화에 대한 리뷰를 작성해도 그 정보가 사용자 개인화로 이어지지 않았습니다. 즉, 서비스 로직이 리뷰 작성 단계에서 끝나고, 사용자 리뷰 기반 추천으로 연결되는 흐름이 없었습니다.
이 프로젝트의 목표는 레이어드 아키텍처와 SOLID 원칙을 기반으로 백엔드 기본기를 갖춘 API 서버를 구축하고, 사용자 리뷰 텍스트를 AI 감정분석으로 처리하여 영화를 추천하는 커뮤니티 서비스를 만드는 것이었습니다.
핵심 사용자 시나리오
Rendering Mermaid diagram...
- 사용자는 먼저 박스오피스나 영화 상세를 조회하며 콘텐츠를 탐색합니다.
- 로그인한 사용자가 리뷰를 작성하면 그 리뷰는 사용자의 취향을 드러내는 신호로 반영됩니다.
- 이 흐름의 핵심은 리뷰 작성이 단순 게시글 등록으로 끝나지 않고, 이후 추천 경험까지 이어지는 서비스 루프를 만든다는 점입니다.
역할 및 달성 목표
프로젝트에서 데이터 모델링, 백엔드 API 설계/구현, AI 추론 연동을 담당했습니다.
역할 및 기여
-
백엔드 API 설계 및 구현 (Movie/Review/Member/Auth): 영화·박스오피스·리뷰·회원/인증 도메인의 API 계약과 서비스 흐름을 설계했습니다.
박스오피스 조회/상세 API와 외부 영화 데이터 연동을 구현해 조회 기능의 실행 경로를 완성했습니다. -
인증/인가 및 보안 정책 정비 (Member/Auth): JWT 검증 규칙과 공개/보호 API 경로 정책을 정리했습니다.
인증 처리 기준을 일관화해 도메인별 접근 제어 해석 차이를 줄였습니다. -
리뷰-감정분석 연동 (Spring ↔ FastAPI): 리뷰 작성 시 감정 추론 호출과 외부 예외 표준화를 구현했습니다.
리뷰 데이터가 추천 로직으로 이어지는 연계 파이프라인을 구성했습니다. -
데이터 정합성 및 AI 추론 구성: 감정 입력/요약 계산 정합성을 보강하고 KoBERT 추론 서버를 구성했습니다.
감정 데이터의 저장·집계 기준을 맞춰 추천 입력 데이터의 일관성을 강화했습니다.
기술적 달성 목표
- Spring Boot 레이어드 아키텍처(Controller/Service/Repository)로 책임 경계를 명확히 분리
- JPA 기반 엔티티 관계 및 제약 조건 설계로 데이터 정합성 확보
- 리뷰/감정 데이터를 사용자 취향 신호로 구조화
- 리뷰 작성 → FastAPI 감정 분석 → Emotion 저장 → 요약 재계산 → 추천 반영 흐름 구현
- JWT 기반 인증/인가와 공개·보호 API 정책 분리로 접근 제어 일관성 확보
- 외부 API/AI 호출 실패를 공통 예외로 표준화해 API 응답 일관성 강화