🏠 GoZip - 부동산 매물 추천 AI 플랫폼

AI 기반 부동산 매물 검색 및 추천 서비스
서울특별시 부동산 매물 데이터를 기반으로 최적의 매물을 추천하는 지능형 플랫폼

팀 소개

이름	역할	주요 업무	GitHub
이태호	PM	Elasticsearch, RAG, Frontend, Backend	@william7333
최은정	APM	중개사 신뢰도 ML, DevOps, Frontend, Backend	@eunjeong0911
임연희	팀원	실거래가 분류 ML, DevOps, Frontend, Backend	@yheeeon
김수미	팀원	중개사 신뢰도 ML, Frontend, Backend	@ghyeju0904
김담하	팀원	Neo4j, RAG, Frontend, Backend	@DamHA-Kim
조준호	팀원	실거래가 분류 ML, Frontend, Backend	@lemondear

프로젝트 소개

부동산 매물 추천 AI 플랫폼은 서울특별시 부동산 매물 데이터를 기반으로 사용자에게 최적의 매물을 추천하는 지능형 플랫폼입니다.

핵심 가치

AI 기반 추천: 머신러닝 모델을 활용한 중개사 신뢰도 평가 및 가격 적정성 분석
RAG 챗봇: LangGraph 기반 대화형 매물 검색 및 추천 서비스
하이브리드 검색: Elasticsearch 전문 검색 + Neo4j 그래프 검색의 결합
그래프 DB: Neo4j를 활용한 매물-시설 간 관계 기반 검색
실시간 분석: Elasticsearch를 통한 매물 통계 및 트렌드 분석

프로젝트 배경

설문조사 결과 (125명 대상)

1️⃣ 타 서비스 이용 불편사항

불편사항	비율
허위매물	58.3%
UI/UX	16.7%
정보부족	12.5%
기타	8.3%
매물관리	4.2%

2️⃣ 신규 서비스 희망 기능

희망 기능	비율
허위매물 판별	25.0%
매물비교/추천	21.4%
기타	17.9%
검색/필터 개선	14.3%
후기/리뷰	10.7%
실거래가	7.1%
사진/정보	3.6%

설문조사 기반 구현 기능

문제점	해결책	구현
허위매물	중개사 신뢰도 모델	거래성사율, 운영기간, 자격구분 → 골드/실버/브론즈 등급 분류
가격 불투명	가격 적정성 모델	지역별 시세 대비 → 저렴/적정/비쌈 자동 분류
복잡한 검색	AI 챗봇	자연어 기반 매물 검색 + 하이브리드 검색
불편한 UI	직관적 UX	채팅으로 바로 검색 + 매물 동시 비교 화면

핵심 기능

1. AI 챗봇 (RAG)

자연어 기반 매물 검색
LangGraph 기반 질문 분류 및 응답
Neo4j + Elasticsearch 하이브리드 검색

2. 중개사 신뢰도 분석

골드/실버/브론즈 등급 자동 분류
F1-macro 0.74

3. 가격 적정성 분석

저렴/적정/비쌈 자동 분류
F1-macro 0.73
지역×건물용도별 상대 시세 비교

4. 온도 지표

안전 / 생활편의 / 교통 / 문화 / 반려동물
각 항목 점수화 후 온도(°C)로 표시
평균 기준선: 36.5°C

데이터 규모

총 매물

30,000+

중개사무소

400+

커버리지

서울 25개구

데이터 소스

데이터 출처	설명	용도
직방 API	서울시 월세/전세 원룸 매물	실시간 매물 정보
피터팬	서울시 부동산 매물 크롤링	매물 상세 정보
V-WORLD API	중개업소/중개업자 정보	중개사 신뢰도 모델 학습
서울시 열린 데이터	월세 실거래가 + 한국은행 금리	가격 적정성 모델 학습
공공 데이터	CCTV, 범죄 통계, 시설, 교통	온도 지표 산출

기술 스택

Frontend

Framework: Next.js 14 (App Router)
Language: TypeScript
Styling: Tailwind CSS
State Management: React Context API
Map: Kakao Map API
Authentication: NextAuth.js (Google OAuth)

Backend

Framework: Django 4.2 + Django REST Framework
Language: Python 3.11
API: FastAPI (RAG 서버, 추천 서버)
Authentication: JWT (djangorestframework-simplejwt)

Database

Relational DB: PostgreSQL 16 + pgvector (벡터 검색)
Graph DB: Neo4j 5.15 (APOC 플러그인)
Cache: Redis 7

Search Engine

Elasticsearch 8.17
- 하이브리드 검색: 키워드 + k-NN 벡터 검색 결합
- 텍스트 재정렬: Neo4j 후보를 텍스트 기반 재정렬
- 한글 분석: Nori Analyzer (형태소 분석)
- 벡터 검색: text-embedding-3-large (3072차원)
- 점수 조합: Neo4j 60% + ES 40%

AI/ML

LLM: OpenAI GPT-4, gpt-4o-mini
Framework: LangChain, LangGraph
ML Libraries: scikit-learn, LightGBM, XGBoost, SHAP
Embeddings: OpenAI text-embedding-ada-002

Infrastructure

Containerization: Docker, Docker Compose

Development Tools

Package Manager: uv (Python), npm (Node.js)
Version Control: Git, GitHub
Analytics: Jupyter Notebook

시스템 아키텍처

flowchart TB
    subgraph CLIENT["Client"]
        USER[사용자]
    end

    subgraph FRONTEND["Frontend Layer"]
        NEXT["Next.js 14<br/>챗봇 UI | 지도 검색 | 매물 비교 | 찜 목록"]
    end

    subgraph BACKEND["Backend Layer"]
        DJANGO["Django REST API<br/>JWT 인증 | 매물 CRUD | 커뮤니티 API"]
    end

    subgraph AI_SERVICES["AI Services"]
        RAG["RAG Server (FastAPI)<br/>LangGraph | 챗봇 응답"]
        RECO["Reco Server (FastAPI)<br/>신뢰도 ML | 가격 ML"]
    end

    subgraph DATA["Data Layer"]
        NEO4J[(Neo4j)]
        POSTGRES[(PostgreSQL)]
        ES[(Elasticsearch)]
        REDIS[(Redis)]
    end

    subgraph EXTERNAL["External"]
        OPENAI["OpenAI API<br/>GPT-4o-mini"]
    end

    USER --> NEXT
    NEXT -->|REST API| DJANGO
    DJANGO --> RAG
    DJANGO --> RECO
    DJANGO --> NEO4J
    DJANGO --> POSTGRES
    DJANGO --> ES
    DJANGO --> REDIS
    RAG --> OPENAI
    RAG --> NEO4J
    RAG --> ES

데이터 흐름

1️⃣ 매물 검색 흐름

사용자 → Frontend → Backend → Neo4j/Elasticsearch
                              ↓
              하이브리드 검색 (Neo4j 60% + ES 40%)
                              ↓
              Backend → Frontend → 사용자

2️⃣ 챗봇 대화 흐름

사용자 질문 → Frontend → RAG Server → LangGraph Pipeline:
   ├── 1. query_analyzer_node (질문 분류/의도 추출)
   ├── 2. neo4j_search_node + vector_search_node (병렬 검색)
   ├── 3. soft_filter_rerank_node (재정렬 및 랭킹)
   ├── 4. sql_search_node (상세 정보 조회)
   └── 5. generate_node (LLM 응답 생성)
→ Frontend → 사용자

3️⃣ ML 모델 추론 흐름

매물 데이터 → Reco Server
   ├── Trust Model (중개사 신뢰도: 골드/실버/브론즈)
   └── Price Model (가격 적정성: 저렴/적정/비쌈)
→ Backend → Frontend

ML 모델

1️⃣ 중개사 신뢰도 모델 (Trust Model)

목적: 부동산 중개사의 신뢰도를 금/은/동 등급으로 분류

데이터

출처: 크롤링 데이터 + V-WORLD API (중개업소 정보, 중개업자 정보)
규모: 약 400개 중개사무소
매칭: 3단계 매칭 (중개사무소명+대표자명, 등록번호+중개사무소명, 중개사무소명+대표자명)

타겟 생성

# 1. 거래성사율 계산
거래성사율 = 거래완료 / (거래완료 + 등록매물)

# 2. 지역별 표준화 (Z-score)
Performance_Zscore = (거래성사율 - 지역평균) / 지역표준편차

# 3. 자격점수 표준화
Qual_Zscore = (자격점수 - 평균) / 표준편차

# 4. 복합 Z-score (성사율 70% + 자격 30%)
Zscore = Performance_Zscore * 0.7 + Qual_Zscore * 0.3

# 5. 대표자구분 가중치 적용
대표자구분_가중치 = {
    '공인중개사': 0.0,
    '법인': +0.2,
    '중개보조원': -0.1,
    '중개인': -0.3
}
Zscore_조정 = Zscore + 대표자구분_가중치

# 6. 등급 분류 (Train 기준 분위수)
금등급: 상위 30% (Zscore_조정 > 70th percentile)
은등급: 중위 40% (30th ~ 70th percentile)
동등급: 하위 30% (Zscore_조정 < 30th percentile)

Feature (총 14개)

1. 실적 지표 (3개) - log 변환 적용

등록매물_log
총거래활동량_log
1인당_거래량_log

log 변환 이유:
거래량 데이터는 왜도(Skewness)가 심함 (소수가 매우 많고, 대다수가 적음)
→ log 변환으로 이상치 영향 감소 및 스케일 정규화

2. 인력 지표 (3개)

총_직원수
중개보조원_비율
자격증_보유비율

3. 경험 지표 (3개)

운영기간_년
숙련도_지수
운영_안정성

4. 구조 지표 (1개)

대형사무소

5. 대표자 자격 (2개)

대표_공인중개사
대표_법인

6. 지역 지표 (2개)

지역_경쟁강도
1층_여부

모델 성능

최종 성능 지표:

Test Accuracy: 73.24%
Train Accuracy: 80.43%
과적합 정도: 7.19%
CV Mean: 74.76% (±7.60%)

등급별 성능 (Test 기준):

등급	Precision	Recall	F1-Score
브론즈 등급(0)	0.62	0.94	0.75
실버 등급(1)	0.75	0.69	0.72
골드 등급(2)	0.87	0.65	0.74

특징:

브론즈 등급(신뢰도 낮음) 재현율이 가장 높음 (94%) - 문제 중개사 잘 감지
골드 등급(신뢰도 높음) 정밀도가 가장 높음 (87%) - 우수 중개사 정확히 분류

알고리즘

모델: Logistic Regression
최적화: GridSearchCV (144개 조합)
하이퍼파라미터: C=1, penalty='l1', solver='saga', class_weight='balanced'

2️⃣ 가격 적정성 모델 (Price Model)

목적: 월세 매물의 가격을 저렴/적정/비쌈으로 분류

모델 비교 (Test F1-Macro)

모델	F1-Macro	Accuracy
LightGBM	0.7317	73.46%
XGBoost	0.6854	68.80%
LSTM	0.6715	67.04%

혼동행렬 (LightGBM)

등급	저렴	적정	비쌈
저렴	0.85	0.13	0.02
적정	0.24	0.63	0.13
비쌈	0.02	0.24	0.73

SHAP 분석 TOP-3

보증금_지역대비 - 지역 평균 대비 상대적 가격
임대면적 - 면적 차이로 가격 등급 변화
자치구_월별_임대료수준_구간 - 최근 지역 임대료 수준

Cost-Sensitive Learning

부동산 가격 분류에서 저렴한 매물을 비싸다고 예측하거나, 비싼 매물을 저렴하다고 예측하는 치명적 오류(Extreme Error) 는 사용자 경험에 큰 영향을 주기에, 이를 해결하기 위해 Cost-Sensitive Learning을 적용했다.

비용 행렬 (Cost Matrix)

실제 \ 예측	저렴(0)	적정(1)	비쌈(2)
저렴(0)	0	1	4
적정(1)	1	0	1
비쌈(2)	4	1	0

저렴 ↔ 비쌈 간 오분류는 비용 4 (인접 클래스 오분류 대비 4배)

2단계 학습 전략

Stage 1: class_weight 기반 초기 학습
  → 클래스 불균형 보정 (LightGBM class_weight='balanced')

Stage 2: 비용 기반 Sample Weight 재학습
  → Stage 1 모델의 예측 확률로 예상 비용 계산
  → E[Cost] = Σ P(pred=j) × Cost(true=i, pred=j)
  → 오분류 비용이 높은 샘플에 더 큰 가중치 부여 후 재학습

Threshold 조정: 저렴(0) 클래스 예측 시 보수적 임계값 적용 (conservative_factor=1.2)하여 확신이 낮은 극단 예측을 억제

Extreme Error Rate: 저렴 ↔ 비쌈 간 치명적 오류율을 별도 메트릭으로 추적하여 모델 안정성 모니터링

RAG 챗봇

LangGraph 파이프라인

flowchart LR
    A[사용자 질문] --> B[query_analyzer]
    B --> C[neo4j_search]
    B --> D[vector_search]
    C --> E[soft_filter_rerank]
    D --> E
    E --> F[sql_search]
    F --> G[generate]
    G --> H[응답]

노드 구성

노드	파일 경로	역할
query_analyzer_node	apps/rag/nodes/query_analyzer_node.py	사용자 질문 분류 및 의도/엔티티 추출
neo4j_search_node	apps/rag/nodes/neo4j_search_node.py	Neo4j 기반 관계·거리 검색 (후보 탐색)
sql_search_node	apps/rag/nodes/sql_search_node.py	PostgreSQL에서 매물 상세 조회
es_search_node	apps/rag/nodes/es_search_node.py	Elasticsearch 텍스트/벡터 검색 및 후보 수집
vector_search_node	apps/rag/nodes/vector_search_node.py	임베딩 기반 유사도 검색 (벡터 검색)
soft_filter_rerank_node	apps/rag/nodes/soft_filter_rerank_node.py	텍스트 재정렬 및 소프트 필터 적용 (랭킹 보정)
generate_node	apps/rag/nodes/generate_node.py	LLM 호출 및 응답 생성·포맷팅 (최종 출력)
style_mapping	apps/rag/nodes/style_mapping.py	응답 스타일/포맷 매핑 (선택적 후처리)

주요 기능

기능	설명	예시
자연어 검색	하드필터 + 소프트필터 동시 처리	"홍대역 근처 깨끗한 원룸"
허위매물 분석	중개사 신뢰도 등급 제공	골드/실버/브론즈
가격 분석	지역×용도별 시세 비교	저렴/적정/비쌈
랭킹 시스템	1순위~3순위 매물 추천	거리+가격+온도 종합

RAG 챗봇 검증

벤치마크 테스트를 통해 응답 품질 검증:

복합 쿼리 성능 (위치 + 가격 + 편의시설)
Neo4j 그래프 검색 정확도
LLM 응답 생성 품질
검색 결과와 응답 일관성

온도 지표(환경 점수)

온도 지표는 매물의 다양한 생활 요소를 한눈에 보여주기 위한 상대 점수입니다. 각 항목은 해당 범주의 세부 메트릭을 정규화하여 가중합한 후, 전체 매물 분포 대비 상대 위치를 온도(°C)로 표시합니다. 평균 기준선은 약 36.5°C입니다.

🛡️ 안전	범죄 위험도 + 안전 인프라 (CCTV, 경찰서, 비상벨)
🛒 생활편의	편의점, 마트, 세탁소 등 필수 편의시설 접근성
🚇 교통	지하철역 이용량, 노선 수, 버스정류장 수, 업무지구 거리
🎨 문화	영화관, 미술관, 공연장, 도서관, 공원 접근성
🐾 반려동물	동물병원, 펫샵, 반려동물 놀이터, 산책로 접근성

배포 아키텍처

문서

아키텍처 및 설계

Architecture_Diagrams.md - 전체 시스템 아키텍처
erd.md - 데이터베이스 ERD
graph_schema.md - Neo4j 그래프 스키마
폴더구조.md - 프로젝트 폴더 구조

API 및 백엔드

api_spec.md - API 명세서
API_TEST_RESULTS.md - API 테스트 결과
backend_readme.md - 백엔드 개발 가이드

기능 구현

FILTER_FEATURE.md - 매물 필터링 기능
MAP_FEATURE.md - 지도 기능
README_CHATBOT.md - 챗봇 기능 가이드

ML 모델

PRICE_ML_MODEL.md - 가격 적정성 모델
trust_model/README.md - 중개사 신뢰도 모델
MODEL_APPLICATION_README.md - 모델 적용 가이드

개발 환경

START.md - 빠른 시작 가이드
DOCKER_DEPLOYMENT_GUIDE.md - Docker 배포 가이드

SKN18-FINAL-1TEAM - SK Networks Family AI Camp 18기 최종 프로젝트

Made with by GoZip Team

Name		Name	Last commit message	Last commit date
analytics		analytics
apps		apps
assets		assets
docs		docs
infra		infra
libs		libs
scripts		scripts
.dockerignore		.dockerignore
.env.example		.env.example
.gitattributes		.gitattributes
.gitignore		.gitignore
Makefile		Makefile
README.md		README.md
START.md		START.md
docker-compose.prod.app.yml		docker-compose.prod.app.yml
docker-compose.prod.neo4j.yml		docker-compose.prod.neo4j.yml
docker-compose.prod.rag.yml		docker-compose.prod.rag.yml
docker-compose.prod.yml		docker-compose.prod.yml
docker-compose.yml		docker-compose.yml
styles.css		styles.css

Latest commit

History

Folders and files

Repository files navigation