Система рекомендацій відеоігор
Автор: Сартюкова Анастасія Олегівна
Кваліфікаційний рівень: магістр
Спеціальність: Системи і методи прийняття рішень
Інститут: Інститут комп'ютерних наук та інформаційних технологій
Форма навчання: денна
Навчальний рік: 2023-2024 н.р.
Мова захисту: українська
Анотація: 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. Ключові слова: система рекомендацій, колаборативна фільтрація, контентна фільтрації, відеогра, Steam, матрична факторизація. Перелік використаних літературних джерел. 1. Melville P., Sindhwani V. (2017) Recommender Systems. In: Sammut C., Webb G.I. (eds) Encyclopedia of Machine Learning and Data Mining. Springer, Boston, MA. https://doi.org/10.1007/978-1-4899-7687-1_964 2. Sohail, Shahab & Siddiqui, Jamshed & Ali, Rashid. (2017). Classifications of Recommender Systems: A review. JOURNAL OF ENGINEERING SCIENCE AND TECHNOLOGY REVIEW. 10. 132-153. 10.25103/jestr.104.18. 3. Ko, H., Lee, S., Park, Y., & Choi, A. (2022). A Survey of Recommendation Systems: Recommendation Models, Techniques, and Application Fields. Electronics, 11(1), 141. https://doi.org/10.3390/electronics11010141 4. Fayyaz, Z., Ebrahimian, M., Nawara, D., Ibrahim, A., & Kashef, R. (2020). Recommendation systems: Algorithms, challenges, metrics, and business opportunities. applied sciences, 10(21), 7748. https://doi.org/10.3390/app10217748 5. A. Konstan Recommender systems: from algorithms to user experience / J. A. Konstan J. A. // User Modeling and User-Adapted Interaction. – 2012 – Vol. 22. – No. 1–2. – P. 101–123.