Please use this identifier to cite or link to this item:
http://hdl.handle.net/10071/22097
Author(s): | Bunga, Rosária Patrícia Firmino |
Advisor: | Ribeiro, Ricardo Daniel Santos Faro Marques Batista, Fernando Manuel Marques |
Date: | 21-Dec-2020 |
Title: | Sistema de recomendação de videojogos |
Reference: | Bunga, R. P. F. (2020). Sistema de recomendação de videojogos [Dissertação de mestrado, Iscte - Instituto Universitário de Lisboa]. Repositório Iscte. http://hdl.handle.net/10071/22097 |
Keywords: | Sistema de recomendação Filtragem colaborativa Classificação implícita Validação cruzada Avaliação offline Jogo de vídeo Recommendation system Collaborative filtering Implicit feedback Cross-validation Offline evaluation Video games |
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. |
Degree: | Mestrado em Engenharia de Telecomunicações e Informática |
Peerreviewed: | yes |
Access type: | Open Access |
Appears in Collections: | T&D-DM - Dissertações de mestrado |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
master_rosaria_firmino_bunga.pdf | 3,36 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.