Sistema de recomendação de videojogos

Abstract

Esta dissertação, foca-se no estudo e comparação do desempenho de algoritmos de recomendação baseados em filtragem colaborativa, com o objetivo de propor um sistema de recomendação de videojogos. Esse sistema utiliza informações provenientes da plataforma Steam, que podem ser descritos como dados implícitos, e que posteriormente foram transformados em classificações explícitas para serem usadas nos algoritmos. Os algoritmos foram implementados com recurso à biblioteca Surprise, que permite criar e avaliar sistemas de recomendação baseados em dados explícitos. O trabalho foca-se em abordagens computacionalmente menos exigentes, demostrando que as mesmas podem obter bons resultados. Os algoritmos são avaliados e comparados entre si usando métricas como RSME, MAE, Precision@k, Recall@k e F1@k.

This dissertation focuses on the study and compare of the performance of collaborative filtering algorithms, with the intent of proposing a videogame-oriented recommendation system. This system uses information from the video game platform “Steam”, which can be described as implicit feedback, and that were later transformed into explicit feedback. These algorithms were implemented using Python’s Surprise library, that allows to create and evaluate recommender systems that deal with explicit data. The work focuses on computationally fewer demanding approaches, demonstrating that they can obtain good results. The algorithms are evaluated and compared with each other using metrics such as RSME, MAE, Precision@k, Recall@k and F1@k.