Проєкт інформаційної системи для створення персоналізованих ігрових рекомендацій
Автор: Гловацький Ростислав Васильович
Кваліфікаційний рівень: магістр
Спеціальність: Управління ІТ проектами
Інститут: Інститут комп'ютерних наук та інформаційних технологій
Форма навчання: денна
Навчальний рік: 2024-2025 н.р.
Мова захисту: українська
Анотація: Робота присвячена розробці інноваційної системи персоналізованих рекомендацій ігор, яка використовує гібридний алгоритм, що поєднує колаборативну фільтрацію та змістовний аналіз. Особливістю системи є глибока інтеграція з платформою Steam та використання семантичного аналізу тегів для точного визначення ігрових вподобань користувачів. Алгоритм рекомендацій базується на гібридному підході, що поєднує колаборативну фільтрацію та змістовний аналіз. Для семантичного аналізу тегів використовувалася модель Word2Vec, яка дозволила представити теги у вигляді векторних представлень і обчислювати їхню семантичну схожість. Для подальшого покращення якості рекомендацій було введено механізм комбінування тегів. Це дозволило виявляти більш нюансовані вподобання користувачів та пропонувати їм ігри, які відповідають не лише окремим тегам, а й їхнім комбінаціям. Наприклад, якщо користувач любить ігри жанру RPG з елементами стелсу, система зможе запропонувати йому ігри, які поєднують в собі обидва ці елементи. Система тегів була побудована на основі тегів, наданих платформою Steam, та доповнена власними тегами, що дозволило детальніше описувати ігри. При великій кількості тегів у користувача система застосовує механізм вибірковості, аналізуючи, з якими тегами користувач має найбільше ігор або витрачає найбільше часу. Це дозволяє точніше визначити його ключові інтереси. Архітектура системи базується на мікросервісній архітектурі, що дозволяє масштабувати систему та легко додавати нові функціональні можливості. Для розробки було використано фреймворк Unity та мову програмування C#. База даних MongoDB використовувалась для зберігання інформації про користувачів, ігри, рейтинги та рекомендації. Для взаємодії з платформою Steam використовувався SDK SteamKit. Експерименти та результати. Для оцінки ефективності системи було проведене тестування на невеликій вибірці користувачів. Було розраховано такі метрики як Precision@k і Recall@k для оцінки точності рекомендацій. Результати показали, що запропонований підхід дозволяє досягти високої точності рекомендацій, особливо для користувачів з добре сформованими ігровими вподобаннями. Завдяки використанню комбінацій тегів вдалося значно покращити релевантність рекомендацій та задовольнити більш різноманітні запити користувачів. Порівняння з базовими моделями. Для оцінки ефективності запропонованого підходу було проведено порівняння з базовими моделями рекомендацій, такими як випадковий вибір та рекомендації на основі популярності. Для оцінки якості рекомендацій використовувалися метрики Precision@k та Recall@k. Результати показали, що запропонований гібридний алгоритм досяг значно вищих значень Precision@10 та Recall@10 порівняно з базовими моделями, що свідчить про вищу точність та повноту рекомендацій. Вплив розміру словника тегів. Збільшення розміру словника тегів дозволяє більш точно описувати ігри та вподобання користувачів. Однак, надмірна кількість тегів може призвести до розрідження матриці взаємодій і ускладнити процес навчання моделі. Тому важливо підбирати оптимальний розмір словника тегів. Майбутні напрямки дослідження: ? Персоналізація інтерфейсу: Планується розробити персоналізований інтерфейс системи рекомендацій, який буде адаптуватися до індивідуальних потреб кожного користувача. ? Інтеграція з іншими сервісами: Планується інтеграція системи з іншими ігровими платформами та соціальними мережами для розширення джерел даних та покращення якості рекомендацій. ? Використання гейміфікації: Планується впровадження елементів гейміфікації для підвищення залученості користувачів до системи. ? Розробка веб-інтерфейсу: Планується розробка інтуїтивного веб-інтерфейсу, який забезпечить зручний доступ до системи рекомендацій з будь-якого пристрою з доступом до Інтернету. Ключові слова: система рекомендацій, ігри, персоналізація, семантичний аналіз, теги, машинне навчання, MongoDB, Flask, Steam, інтеграція, колаборативна фільтрація, змістовний аналіз, Word2Vec, трансформери, контекстуальні рекомендації, комбінації тегів.