📚 BookStar AI - 도서 추천 시스템

AI 기반 개인화 도서 추천 시스템입니다. 콘텐츠 기반 필터링과 협업 필터링을 결합한 하이브리드 추천 알고리즘을 사용합니다.

🚀 빠른 시작

1. 의존성 설치

방법 1: uv 사용 (권장)

# uv 설치 (없는 경우)
pip install uv

# 방식 A
uv lock
uv sync
uv sync --dev  # 개발용 포함

# 방식 B
uv venv
uv pip sync requirements.txt
uv pip sync requirements-dev.txt  # 개발용 포함

방법 2: requirements.txt 사용

pip install -r requirements.txt
pip install -r requirements-dev.txt  # 개발용 포함

2. 환경 설정

# 환경 설정 파일 생성
cp .env.toml.template .env.toml

# .env.toml 파일을 편집하여 실제 값 입력

3. 실행

# 개발 모드
python main.py

# 설정 파일의 서버 정보로 실행됩니다:
# - 기본 호스트: 0.0.0.0
# - 기본 포트: 8000

🏗️ 프로젝트 구조

bookstar-ai/
├── 📄 main.py                    # 메인 실행 파일
├── 📄 config.toml               # 앱 설정 (공개)
├── 📋 .env.toml.template        # 환경설정 템플릿
├── 🔒 .env.toml                 # 실제 환경설정 (Git 제외)
├── 📦 pyproject.toml            # 프로젝트 설정 및 의존성
├── 🐳 Dockerfile               # Docker 설정
├── 📂 bookstar/                # 메인 패키지
│   ├── 🎯 main.py              # FastAPI 애플리케이션
│   ├── ⚙️ config/              # 설정 관리
│   │   ├── __init__.py
│   │   ├── config.py
│   │   └── logging_config.py   # 로깅 시스템 설정
│   ├── 🗄️ models/              # 데이터베이스 모델
│   │   ├── __init__.py
│   │   └── models.py
│   ├── 📋 schemas/             # API 스키마
│   │   ├── __init__.py
│   │   └── schemas.py
│   ├── 🔗 database/            # 데이터베이스 연결
│   │   ├── __init__.py
│   │   └── connection.py
│   ├── 🤖 services/            # AI 추천 로직
│   │   ├── __init__.py
│   │   └── recommendation.py
│   └── 🛠️ utils/               # 유틸리티 (데코레이터 등)
│       ├── __init__.py
│       └── decorators.py
├── 📁 examples/                # 사용 예제
│   ├── logging_example.py      # 로깅 시스템 예제
│   └── logs/                   # 예제 실행 로그
├── 📁 logs/                    # 로그 파일들 (5종류)
│   ├── bookstar.log            # 전체 로그 (14일 보관)
│   ├── bookstar_error.log      # 에러 로그 (30일 보관)
│   ├── bookstar_access.log     # 액세스 로그 (7일 보관)
│   ├── bookstar_performance.log # 성능 로그 (10일 보관)
│   └── bookstar_traceback.log  # Traceback 로그 (60일 보관)
└── 🧪 tests/                  # 테스트 코드 (64개 테스트, 88% 커버리지)
    ├── __init__.py
    ├── conftest.py             # 테스트 설정 및 픽스처
    ├── test_main.py            # FastAPI 테스트 (2개)
    ├── test_config.py          # 설정 시스템 테스트 (15개)
    ├── test_logging.py         # 로깅 시스템 테스트 (12개)
    ├── test_decorators.py      # 데코레이터 테스트 (17개)
    └── test_recommendation.py  # 추천 시스템 테스트 (18개)

⚙️ 설정 관리

📂 설정 파일 구조

config.toml: 공개 설정 (Git ✅)
.env.toml: 민감한 정보 (Git ❌)
.env.toml.template: 설정 가이드 (Git ✅)

🔄 우선순위

환경변수 🥇 (최우선)
.env.toml 🥈
config.toml 🥉

📄 config.toml 구조 (최신)

# 🚀 애플리케이션 기본 정보
[app]
title = "BookStar AI"
description = "AI 기반 도서 추천 시스템"
version = "1.0.0"
cors_origins = ["http://127.0.0.1:9101"]

# 🌐 서버 설정
[server]
host = "0.0.0.0"
port = 8000

# 🤖 AI 추천 시스템 설정
[recommendation]
default_recommendations_count = 10  # 기본 추천 도서 개수
similar_users_count = 3             # 협업 필터링 유사 사용자 수
content_weight = 0.7                # 콘텐츠 기반 가중치
collaborative_weight = 0.3          # 협업 필터링 가중치

# 사용자 선호도 계산 가중치
read_book_weight = 0.7              # 읽은 책의 가중치 (vs 읽고 싶은 책)
unread_book_weight = 1.0            # 읽지 않은 책의 가중치
category_preference_weight = 2.0    # 카테고리 선호도 가중치
author_preference_weight = 1.5      # 저자 선호도 가중치

# PyTorch 모델 훈련 설정 (deprecated 함수용)
num_epochs = 300                    # 훈련 에포크 수
learning_rate = 0.122               # 학습률

# 📊 로깅 시스템 설정
[logging]
level = "INFO"
use_json = false
enable_console = true
log_dir = "logs"

# 성능 임계값 설정 (ms)
performance_threshold_ms = 100
db_query_threshold_ms = 50
api_processing_threshold_ms = 200
heavy_computation_threshold_ms = 500

# 로그 보관 정책 (일 단위)
main_log_retention_days = 14
error_log_retention_days = 30
access_log_retention_days = 7
performance_log_retention_days = 10
traceback_log_retention_days = 60

🔒 .env.toml 예시

# ⚠️ 절대 Git에 올리지 마세요!

[aws]
region = "ap-northeast-2"
bucket_name = "your-bucket-name"
access_key_id = "실제_AWS_키"
secret_access_key = "실제_AWS_시크릿"

[database] 
user = "실제_DB_사용자"
password = "실제_DB_비밀번호"
host = "실제_DB_호스트"
port = 3306
name = "실제_DB_이름"

🤖 AI 추천 시스템

📊 추천 알고리즘

콘텐츠 기반 필터링: 카테고리, 저자 선호도 분석
협업 필터링: 유사 사용자 기반 추천
하이브리드 방식: 두 방법을 결합하여 추천 품질 향상

🎯 추천 설정 (config.toml)

설정	기본값	설명
`default_recommendations_count`	10	기본 추천 도서 개수
`similar_users_count`	3	협업 필터링에서 참고할 유사 사용자 수
`content_weight`	0.7	콘텐츠 기반 필터링 가중치
`collaborative_weight`	0.3	협업 필터링 가중치
`read_book_weight`	0.7	읽은 책의 선호도 가중치
`unread_book_weight`	1.0	읽지 않은 책의 선호도 가중치
`category_preference_weight`	2.0	카테고리 선호도 계산 가중치
`author_preference_weight`	1.5	저자 선호도 계산 가중치
`num_epochs`	300	PyTorch 모델 훈련 에포크 수
`learning_rate`	0.122	PyTorch 모델 학습률

🚀 성능 최적화

캐싱 시스템: 사용자 데이터 및 선호도 캐싱
쿼리 최적화: 단일 JOIN 쿼리로 데이터 조회
메모리 효율성: 필요한 컬럼만 선택적 로드
완전한 설정 기반: config.toml에서 모든 추천 파라미터 조정 가능 (하드코딩 완전 제거)
동적 Docker 설정: docker-run.sh가 config.toml에서 포트를 자동으로 읽어옴
API 응답 최적화: book_id만 반환하여 네트워크 트래픽 및 JSON 파싱 시간 최소화

📈 추천 과정

사용자 독서 이력 분석: 읽은 책과 읽고 싶은 책 목록 조회
선호도 가중치 계산: 읽은 책(0.7) vs 읽고 싶은 책(1.0) 가중치 적용
카테고리/저자 선호도 계산: 카테고리(2.0배), 저자(1.5배) 가중치로 점수 산출
유사 사용자 탐색: KNN 알고리즘으로 설정 가능한 개수만큼 유사 사용자 발견
하이브리드 추천: 콘텐츠 기반(70%) + 협업 필터링(30%) 가중치로 결합
최종 추천 목록 생성: 설정된 개수만큼 개인화된 추천 결과 반환

📡 API 사용법

📚 도서 추천 API

POST /recommend_books
Content-Type: application/json

{
  "user_id": 123
}

응답 예시:

{
  "recommendations": [
    {
      "book_id": 10650
    },
    {
      "book_id": 54381
    },
    {
      "book_id": 49817
    }
  ]
}

📝 응답 형태 변경사항:

간소화된 응답: 이제 book_id만 반환 (상세 정보 제거)
내부 ID 사용: 데이터베이스의 내부 id 필드 사용 (기존 aladin_book_id 대신)
성능 최적화: 필요한 최소한의 정보만 전송하여 응답 속도 향상

📊 로깅 시스템

🗂️ 로그 파일 구조

logs/
├── bookstar.log              # 전체 로그 (14일 보관)
├── bookstar_error.log        # 에러 전용 (30일 보관)
├── bookstar_access.log       # HTTP 요청 로그 (7일 보관)
├── bookstar_performance.log  # 성능 측정 로그 (10일 보관)
└── bookstar_traceback.log    # 상세 예외 정보 (60일 보관)

⚡ 성능 임계값 설정

임계값	기본값	설명
`performance_threshold_ms`	100ms	기본 성능 로그 임계값
`db_query_threshold_ms`	50ms	데이터베이스 쿼리 임계값
`api_processing_threshold_ms`	200ms	API 처리 임계값
`heavy_computation_threshold_ms`	500ms	무거운 연산 임계값

📅 자동 로그 관리

시간 기반 로테이션: 모든 로그가 매일 자정에 로테이션
자동 삭제: 설정된 보관 일수 후 자동 삭제
압축 저장: 오래된 로그는 자동으로 압축

📖 상세한 로깅 가이드: LOGGING_GUIDE.md

🔐 보안 가이드

⚠️ 절대 Git 커밋 금지

.env.toml  # 🚫 민감한 정보 포함

🏢 환경별 권장사항

환경	방법	예시
로컬 개발	`.env.toml`	파일에 실제 값 저장
CI/CD	환경변수	GitHub Secrets, GitLab Variables
프로덕션	외부 서비스	AWS Secrets Manager, Vault

🔍 민감한 정보 체크리스트

✅ 데이터베이스 비밀번호
✅ AWS 액세스 키
✅ API 토큰
✅ 서버 IP 주소
✅ 암호화 키

🧪 테스트

# 전체 테스트 실행
pytest

# 커버리지 포함 테스트
pytest --cov=bookstar --cov-report=term-missing

# 특정 테스트 실행
pytest tests/test_config.py      # 설정 시스템 테스트 (15개)
pytest tests/test_main.py        # FastAPI 엔드포인트 테스트 (2개)
pytest tests/test_logging.py     # 로깅 시스템 테스트 (12개)
pytest tests/test_decorators.py  # 데코레이터 테스트 (17개)
pytest tests/test_recommendation.py  # 추천 시스템 테스트 (18개)

# 설정 시스템 빠른 검증 (기본)
python -c "from bookstar.config import settings; settings.app; settings.server; settings.recommendation; settings.logging; settings.aws; settings.database; settings.database_url; print('✅ 모든 설정 로드 성공')"

# 설정 시스템 완전 검증 (pytest와 동일한 로직)
python -c "
from bookstar.config.config import settings
try:
    # 모든 설정 섹션 접근 및 검증
    app = settings.app
    server = settings.server  
    rec = settings.recommendation
    log = settings.logging
    aws = settings.aws
    db = settings.database
    db_url = settings.database_url
    
    # 필수 키 존재 확인
    assert 'title' in app and 'host' in server and 'level' in log
    assert 'default_recommendations_count' in rec
    assert 'region' in aws and 'user' in db
    
    # 데이터 타입 검증
    assert isinstance(server['port'], int)
    assert isinstance(log['performance_threshold_ms'], int)
    assert isinstance(rec['content_weight'], (int, float))
    
    # 값 범위 검증
    assert 1 <= server['port'] <= 65535
    assert abs(rec['content_weight'] + rec['collaborative_weight'] - 1.0) < 0.001
    
    print('✅ 모든 설정 검증 완료 (pytest 수준)')
except Exception as e:
    print(f'❌ 설정 검증 실패: {e}')
    exit(1)
"

🛠️ 개발도구

# 코드 품질 검사
ruff check .

# 코드 자동 수정
ruff check . --fix

# 타입 체크
mypy bookstar/

# 전체 품질 검사
pytest && pytest --cov=bookstar && mypy bookstar/ && ruff check .

# 로깅 시스템 예제 실행
python examples/logging_example.py

🐳 Docker 실행

방법 1: Docker 관리 스크립트 사용 (권장)

# 스크립트에 실행 권한 부여 (최초 1회)
chmod +x docker-run.sh

# Docker 이미지 빌드
./docker-run.sh build

# 컨테이너 시작 (config.toml에서 포트 자동 읽기)
./docker-run.sh start

# 상태 확인
./docker-run.sh status

# 실시간 로그 확인
./docker-run.sh logs

# 컨테이너 중지
./docker-run.sh stop

# 컨테이너 재시작
./docker-run.sh restart

🔧 동적 포트 설정: docker-run.sh는 config.toml에서 포트를 자동으로 읽어와 사용합니다. 포트를 변경하려면 config.toml의 server.port 값만 수정하면 됩니다.

방법 2: Docker Compose 사용

# 백그라운드에서 빌드 및 시작 (mysql 서비스 필요)
docker-compose up -d --build

# 상태 확인
docker-compose ps

# 로그 확인
docker-compose logs -f ai-server

# 중지 및 제거
docker-compose down

📝 Docker Compose 구조:

포트: 8000 고정 (호스트:컨테이너 모두 8000)
의존성: mysql 서비스가 먼저 시작된 후 ai-server 시작
볼륨: 로그 디렉토리만 호스트와 공유
네트워크: 기본 네트워크 사용 (간소화)

방법 3: 직접 Docker 명령어 사용

# Docker 이미지 빌드
docker build -t docker-ai-server .

# Docker 컨테이너 실행
docker run -d \
  --name ai-server \
  -p 8000:8000 \
  --restart unless-stopped \
  -v $(pwd)/logs:/app/logs \
  docker-ai-server

# 컨테이너 상태 확인
docker ps

🔍 예상 결과

성공적으로 실행되면 다음과 같은 컨테이너 상태를 확인할 수 있습니다:

CONTAINER ID   IMAGE                COMMAND           CREATED        STATUS                  PORTS                    NAMES
07417843388d   docker-ai-server     "python main.py"  17 hours ago   Up 17 hours (healthy)   0.0.0.0:8000->8000/tcp   ai-server

🌐 접속 정보

API 서버: http://localhost:8000
API 문서: http://localhost:8000/docs
헬스체크: 30초마다 자동 확인

🔧 환경변수로 설정 오버라이드

# 서버 설정 변경
export SERVER_HOST=127.0.0.1
export SERVER_PORT=9000

# 로그 레벨 변경
export LOG_LEVEL=DEBUG

# 추천 개수 변경 (현재는 config.toml에서만 지원)

📈 모니터링

🔍 로그 모니터링

# 실시간 로그 모니터링
tail -f logs/bookstar.log

# 에러 로그만 확인
tail -f logs/bookstar_error.log

# 성능 로그 확인
tail -f logs/bookstar_performance.log

📊 성능 분석

# 느린 쿼리 확인
grep "느린 쿼리" logs/bookstar.log

# 성능 임계값 초과 함수 확인
grep "실행 완료" logs/bookstar_performance.log

✅ 프로젝트 완료 상태

🎯 핵심 달성 사항

✅ 완전한 하드코딩 제거: 모든 설정값이 config.toml에서 관리됨
✅ 동적 설정 시스템: Docker 스크립트까지 설정 파일 기반으로 작동
✅ 포괄적 테스트: 64개 테스트, 88% 코드 커버리지 달성
✅ 코드 품질: MyPy, Ruff 모든 검사 통과
✅ 로깅 시스템: 5종류 로그 파일, 자동 로테이션 및 보관 정책
✅ AI 추천 시스템: 하이브리드 알고리즘, 완전한 설정 기반
✅ Docker 최적화: 중복 설정 제거, mysql 의존성 추가, 간소화된 구조
✅ API 최적화: 간소화된 응답 형태로 네트워크 트래픽 및 처리 시간 최적화

�� 설정 가능한 모든 항목 (총 40개)

카테고리	설정 항목 수	주요 설정
앱 정보	4개	제목, 설명, 버전, CORS
서버	2개	호스트, 포트
추천 시스템	10개	추천 개수, 가중치, 임계값 등
로깅	15개	로그 레벨, 임계값, 보관 정책 등
데이터베이스	5개	연결 정보
AWS	4개	인증 정보

📊 최종 검증 결과

# 모든 품질 검사 통과
✅ pytest: 64개 테스트 모두 통과
✅ 커버리지: 88% (782개 구문 중 92개 누락)
✅ mypy: 15개 소스 파일에서 타입 체크 문제 없음
✅ ruff: 모든 코드 스타일 및 품질 검사 통과
✅ 설정 검증: 모든 설정 섹션 로드 성공
✅ Docker: 중복 제거, 의존성 관리, 8000 포트 고정
✅ API 응답 최적화: book_id만 반환하는 간소화된 형태로 변경

🚀 사용 준비 완료

이제 config.toml 파일 하나만 수정하면 전체 시스템의 동작을 완전히 제어할 수 있습니다. 하드코딩된 값은 더 이상 존재하지 않으며, 모든 설정이 중앙화되어 관리됩니다.

Docker 배포 방식:

개발/테스트: docker-run.sh 사용 (동적 포트)
프로덕션: docker-compose 사용 (mysql 의존성, 8000 포트 고정)

Name		Name	Last commit message	Last commit date
Latest commit History 21 Commits
bookstar		bookstar
examples		examples
tests		tests
.dockerignore		.dockerignore
.env.toml.template		.env.toml.template
.gitignore		.gitignore
.python-version		.python-version
Dockerfile		Dockerfile
LOGGING_GUIDE.md		LOGGING_GUIDE.md
README.md		README.md
config.toml		config.toml
docker-compose.yml		docker-compose.yml
docker-run.sh		docker-run.sh
main.py		main.py
pyproject.toml		pyproject.toml
requirements-dev.txt		requirements-dev.txt
requirements.txt		requirements.txt

Uh oh!

Folders and files

Latest commit

History

Repository files navigation