Система рекомендацій відеоігор

Abstract

Рекомендаційні системи - це програмні алгоритми, зазвичай засновані на машинному навчанні, які використовують обробку великих обсягів даних для того, щоб надавати і рекомендувати споживачам додаткові продукти. Ці системи можуть опиратися на різні фактори, такі як історія покупок, історія пошуку, демографічні дані та інші, з метою допомогти користувачам знайти продукти та послуги, які вони можливо не виявили б без цієї допомоги. Об'єктом дослідження є процес рекомендації відеоігор, заснований на врахуванні вподобань користувачів та характеристик відеоігор. Предмет дослідження – методи, технології та програмні засоби, які використовуються для аналізу вподобань користувачів та формування персоналізованих рекомендацій відеоігор. Метою дослідження є підвищення ефективності процесу вибору відеоігор користувачем шляхом впровадження інтелектуальних алгоритмів рекомендацій. Хоча існує величезна кількість алгоритмів і методів рекомендацій, більшість з них підпадають під такі широкі категорії: колаборативна фільтрація, фільтрація контенту і контекстна фільтрація. Алгоритми колаборативної фільтрації рекомендують елементи на основі інформації про вподобання багатьох користувачів. Цей підхід використовує схожість поведінки користувачів, враховуючи попередню взаємодію між користувачами та об'єктами, алгоритми рекомендацій навчаються передбачати майбутню взаємодію. Ці рекомендаційні системи будують модель на основі минулої поведінки користувача, наприклад, товарів, придбаних раніше, або оцінок, наданих цим товарам, а також подібних рішень інших користувачів. На відміну від цього, фільтрація вмісту використовує атрибути або особливості об'єкта, щоб рекомендувати інші об'єкти, схожі на вподобання користувача. Цей підхід ґрунтується на схожості характеристик елемента та користувача, враховуючи інформацію про користувача та елементи, з якими він взаємодіяв (наприклад, вік користувача, середній відгук про фільм), моделює ймовірність нової взаємодії. Гібридні системи рекомендацій поєднують переваги вищезгаданих типів для створення більш комплексної системи рекомендацій. Контекстна фільтрація включає контекстну інформацію користувачів у процес рекомендацій. Цей підхід використовує послідовність контекстних дій користувача, а також поточний контекст, щоб передбачити ймовірність наступної дії. Системи рекомендацій є важливим компонентом, що забезпечує персоналізований користувацький досвід, глибшу взаємодію з клієнтами та потужні інструменти підтримки прийняття рішень у сфері роздрібної торгівлі, розваг, охорони здоров'я, фінансів та інших галузях. На деяких найбільших комерційних платформах рекомендації приносять до 30% доходу. Покращення якості рекомендацій на 1% може принести мільярди доларів доходу. У практичній частині роботи було реалізовано три різні алгоритми рекомендаційної системи, один на основі контенту і два алгоритми колаборативної фільтрації (один з алгоритмом ALS, а інший з алгоритмами EM і SVD). Як показано в розділі "Оцінка та аналіз", для цього проекту система рекомендацій з алгоритмом ALS дає найкращі рекомендації на основі зробленої оцінки. Створення цього проекту допомогло краще зрозуміти, як працює система колаборативної фільтрації. Вона дійсно не використовує жодної інформації про об'єкти, а повністю покладається на взаємодію користувача з об'єктами та матричні операції для створення рекомендацій. Нам потрібно було знайти підхід до роботи з набором даних (тільки користувацькі дані для колаборативного рекомендувача), оскільки він містить лише неявні дані. Обидва підходи, описані в цій роботі, по-різному обробляють неявні дані для створення рекомендацій. Наприклад, для видалення деяких шумових даних використано розкладання за сингулярними значеннями (SVD) як метод зменшення розмірності, щоб полегшити роботу з великим набором даних. З іншого боку, чітко видно, що контент-орієнтований підхід вимагає опису елементів для створення рекомендацій. Було виявлено деякі проблеми при впровадженні контент-орієнтованого рекомендатора, оскільки він використовує два різні набори даних. Коли проект почав використовувати два набори даних (користувацький та ігровий), очікувалось, що знайдемо всі ігри, доступні в користувацькому наборі даних, в ігровому наборі даних, оскільки вони обидва походять зі Steam. Це створює серйозну проблему для контент-орієнтованого рекомендатора, оскільки він спирається на припущення, що всі ігри, доступні в наборі даних користувачів, мають інформацію в наборі даних ігор. Через це неможливо створити рекомендації для кожної гри, яку придбав користувач.

Recommender systems are software algorithms, usually based on machine learning, that use the processing of large amounts of data to provide and recommend additional products to consumers. These systems can rely on various factors, such as purchase history, search history, de-mographic data, and others, to help users find products and services that they might not have discovered without this assistance. The object of the study is the process of video game recommendation based on user preferences and video game characteristics. The subject of the study is the methods, technologies and software tools used to analyze user preferences and generate personalized video game recommendations. The purpose of the study is to increase the efficiency of the process of choosing video games by the user by introducing intelligent recommendation algorithms. Although there are a huge number of recommendation algorithms and techniques, most of them fall into the following broad categories: collaborative filtering, content filtering, and contextual filtering. Collaborative filtering algorithms recommend items based on information about the preferences of many users. This approach uses the similarity of user behavior, taking into account previous interactions between users and objects, recommendation algorithms learn to predict future interactions. These recommender systems build a model based on the user's past behavior, such as items purchased previously or ratings given to those items, as well as similar decisions by other users. In contrast, content filtering uses attributes or features of an object to recommend other objects that are similar to the user's preferences. This approach is based on the similarity of the characteristics of the item and the user, taking into account information about the user and the items with which he or she has interacted (for example, the user's age, the average review of a movie), and models the probability of a new interaction. Hybrid recommender systems combine the advantages of the above types to create a more comprehensive recommender system. Contextual filtering incorporates users' contextual information into the recommendation process. This approach uses the sequence of contextual actions of the user, as well as the current context, to predict the probability of the next action. Recommender systems are an important component of personalized user experiences, deeper customer engagement, and powerful decision support tools in retail, entertainment, healthcare, finance, and other industries. On some of the largest commercial platforms, recommendations generate up to 30% of revenue. Improving the quality of recommendations by 1% can generate billions of dollars in revenue. In the practical part of the work, three different recommender system algorithms were implemented, one content-based and two collaborative filtering algorithms (one with the ALS algorithm and the other with the EM and SVD algorithms). As shown in the Evaluation and Analysis section, for this project, the recommender system with the ALS algorithm provides the best recommendations based on the evaluation. Creating this project helped us better understand how a collaborative filtering system works. It really doesn't use any information about objects, but relies entirely on user interaction with objects and matrix operations to generate recommendations. We needed to find an approach to work with the dataset (only user data for the collaborative recommender), since it contains only implicit data. Both approaches described in this paper handle implicit data in different ways to generate recommendations. For example, singular value decomposition (SVD) is used to remove some noise data as a dimensionality reduction method to facilitate the handling of a large dataset. On the other hand, it is clearly seen that the content-oriented approach requires the description of items to generate recommendations. Some problems were found in the implementation of the content-based recommender because it uses two different datasets. When the project started using two datasets (user and game), it was expected to find all the games available in the user dataset in the game dataset, since they both come from Steam. This creates a serious problem for a content-based recommender, as it relies on the assumption that all games available in the user dataset have information in the game dataset. Because of this, it is impossible to create recommendations for every game that the user has purchased.