For english version, clic here
Bienvenido al Sistema de Recomendación de Videojuegos de Steam! Diseñado pensando en los jugadores, esta plataforma ayuda a los usuarios a descubrir nuevos juegos en Steam ofreciendo recomendaciones personalizadas. Utilizando aprendizaje automático y análisis de datos, el sistema proporciona recomendaciones basadas en atributos de los juegos.
A través de nuestra API, los usuarios pueden además realizar consultas como:
- Explorar perfiles de usuario detallados.
- Analizar reseñas de juegos durante períodos seleccionados.
- Comprender los sentimientos detrás de las reseñas de juegos para años específicos de lanzamiento.
- Sumergirse en datos y rankings específicos del género.
- Seguir las tendencias de lanzamiento de juegos por desarrolladores.
- Recibir sugerencias de juegos personalizadas basadas en IDs de juegos.
Adéntrate, explora y deja que esta herramienta te guíe a tu próximo juego favorito en Steam.
Los conjuntos de datos originales pueden ser descargados desde este Enlace.
El proceso ETL incluye:
- Carga de datos desde archivos JSON utilizando
y la biblioteca
.
- Desanidación de columnas y manejo de valores faltantes.
- Eliminación de duplicados y columnas innecesarias.
- Formateo y limpieza de diferentes tipos de columnas.
- Generación de variables dummy para columnas categóricas.
- Aplicación de Procesamiento de Lenguaje Natural (NLP) en reseñas de usuarios para categorizar comentarios como positivos, negativos o neutrales.
Consulta los siguientes archivos para ver los procesos detallados:
El EDA implicó un examen profundo de cada columna en el conjunto de datos transformado. Se identificaron sesgos, valores atípicos, desbalances y posibles variables clave para el modelo de recomendación.
Para un análisis detallado, consulta:
Una vez el conjunto de datos fue preparado, transformado y explorado, comenzamos la fase de creación del modelo de aprendizaje automático para recomendar videojuegos de la plataforma Steam, utilizando la biblioteca
Este sistema de recomendación fue desarrollado utilizando la técnica "Filtrado basado en contenido". El objetivo es sugerir videojuegos similares basados en sus características.
- Preprocesamiento de Datos: Usamos un conjunto de datos que contiene un perfil detallado para cada videojuego, llamado "profile". Este perfil puede incluir detalles como género, etiquetas, desarrollador y otros atributos del juego.
- Vectorización: Transformamos el texto de la columna de perfil en una matriz numérica usando TfidfVectorizer. Esto ayuda a representar palabras significativas de cada juego de manera numérica. Limitamos esta representación a las 5,000 palabras más relevantes para mantener el modelo manejable.
- Modelo de Recomendación: Empleamos el algoritmo k-NN (k-Vecinos Más Cercanos) para identificar juegos similares. En este caso, se eligió 'cosine' como métrica de distancia ya que es adecuada para comparar vectores de texto. Al buscar recomendaciones, el sistema identificará los 5 juegos más similares al juego de interés.
El modelo se ejecutó para todos los elementos del dataframe y se cargó en la API para reducir el tiempo de respuesta a menos de 1 segundo.
Para los detalles y código del sistema de recomendación, consulta:
Dentro de un entorno virtual
Además, creamos una página de documentación que describe el propósito y la funcionalidad de cada endpoint, sirviendo como guía para futuros usuarios.
Aquí están las principales funciones de la API:
- userdata(User_ID): Recuperar datos específicos del usuario, como el porcentaje de recomendación de juegos, el gasto total y el número de juegos en su inventario.
- countreviews(Start_Date, End_Date): Para un rango de fechas dado, devuelve el número de reseñas generadas y el porcentaje de juegos recomendados durante ese período.
- sentimentanalysis(Year): Dado un año de lanzamiento, devuelve la suma de reseñas positivas, negativas y neutrales para títulos lanzados en ese año.
- genre(Genre): Introduce un género de juego para recibir un ranking basado en el tiempo de juego comparado con otros géneros.
- userforgenre(Genre): Introduce un género para obtener los 5 jugadores principales con más horas en ese género de juego.
- developer(Developer_Name): Introduce el nombre de un desarrollador de juegos para recibir una lista anual de lanzamientos, incluyendo el total de juegos lanzados y el porcentaje de juegos gratuitos.
- game_recommendations(Game_ID): Introduce un ID de juego para obtener el título del juego y una lista de los 5 juegos recomendados principales con sus títulos e IDs.
La información detallada sobre la creación y endpoints de la API se puede encontrar en:
Para usar el entorno virtual de Python localmente, sigue estos pasos: # Instalar virtualenv pip install virtualenv
# Crear y activar el entorno virtual
python -m venv venv
venv\Scripts\activate
# Instalar los paquetes requeridos
pip install -r requirements.txt
# Iniciar el servidor FastAPI
uvicorn main:app --reload
La aplicación ha sido desplegada en la plataforma