RecomendadorJogos
Sistema de Recomendação de Jogos Digitais
Bem-vindo ao nosso Projeto de Sistemas de Recomendação de Jogos
Este site apresenta os resultados do Trabalho de Conclusão de Curso do grupo C024 de Engenharia de Computação - Poli USP 2024. Aqui, você encontrará um resumo dos principais tópicos explorados no projeto, as estratégias analisadas e os resultados obtidos no desenvolvimento de nosso protótipo de recomendação de jogos.
Aluno e Orientador
Aluno: Yoram Kraiser Goldstein
Orientador: Prof. Dr. Ricardo Nakamura
Introdução
Sistemas de recomendação são softwares que preveem automaticamente o quanto um usuário irá gostar de um determinado item. Estes sistemas se utilizam de diversas estratégias e sugerem opções, ou escolhas dentro de um determinado tema e relevantes para um determinado usuário ou grupo de usuários. O Spotify é um exemplo de sistema de recomendação que utiliza algoritmos para analisar as preferências musicais dos usuários, histórico de escuta e hábitos de navegação para recomendar músicas, artistas e playlists que provavelmente serão do interesse do usuário. Outros exemplos são as plataformas de comércio digital, serviços como redes sociais e notícias, além de plataformas de venda e distribuição de jogos como o Steam.
Sistemas de recomendação de jogos, são sistemas capazes de fazer sugestões personalizadas relevantes, alertando os usuários sobre jogos desconhecidos assim como novos lançamentos. Assim como a indústria musical, a indústria de jogos se voltou para uma estratégia de vendas digitais, baseadas em plataformas online. Isso traz para o usuário uma vasta disponibilidade e possibilidade de acessos a novos jogos. Diante dessa vasta gama de escolha, os sistemas de recomendação são cada mais necessários para guiar e auxiliar usuários na busca por jogos coerentes com seus gostos e novidades pertinentes.
Objetivos
O objetivo principal deste projeto de TCC é explorar o universo dos sistemas de recomendação, com foco principal nas estratégias utilizadas por desenvolvedores de programas de recomendação. A partir desse estudo, pretende-se desenvolver um protótipo de sistema de recomendação de jogos utilizando uma das estratégias analisadas. Os objetivos específicos incluem a experimentação de diferentes algoritmos e técnicas de recomendação, bem como a aplicação de estratégias de desenvolvimento de projetos em C++. A validação do protótipo será feita de forma qualitativa a partir de estudos com usuários.
Protótipo
Em nosso projeto, utilizamos um pouco do método de Características Combinadas para aprimorar a precisão das recomendações. Implementamos uma técnica de filtragem simples, que inicialmente filtra os jogos com base em características explícitas como quais jogos que o usuário possui, ou os gêneros preferidos do jogador. O sistema inicialmente exclui vários jogos, caso o jogador já possua o jogo ou caso o jogo não esteja disponível em uma plataforma de que o usuário seja dono. Em seguida, aplicamos a técnica de distância euclidiana para comparar as preferências dos usuários e encontrar jogos com características semelhantes aos que eles já demonstraram interesse. Esta abordagem combinada, ilustrada na figura abaixo, permite que nosso sistema de recomendação considere tanto as preferências explícitas dos usuários quanto a similaridade detalhada entre os jogos, proporcionando recomendações mais relevantes e personalizadas.
Figura: Fluxograma das etapas de construção do protótipo
O protótipo foi programado em C++ e testado remotamente com usuários reais, por meio de um formulário online com campos relativos às variáveis do programa. Os resultados impressos pelo programa eram então enviados para os usuários por e-mail, que recebiam um novo formulário para feedbacks, que se revelaram importantes para melhorias em uma próxima versão do protótipo.
Conclusão
Apesar das dificuldades encontradas, o desenvolvimento do protótipo foi uma experiência rica em aprendizado. Conseguimos criar uma base sólida para um sistema de recomendação que, com ajustes e refinamentos, tem potencial para ser ainda mais eficaz. Nosso próximo passo seria a integração de métodos mais avançados, e explorar novas fontes de dados para continuar aprimorando o sistema.