PT
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.
EN
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.
