Sistema de recomendación de juegos.

El presente proyecto desarrolló un sistema de recomendación de juegos,basado en un dataset de la plataforma Steam.

Mediante la elaboración de un API (quese describirá más adelante), se podrá ingresar el id de juego y se obtendrá un top-5 de los juegos con mayor similitud a este. Además, se podrá hacer consultas sobre las horas jugadas por género, el usuario con más tiempo de juego en un género dado, los juegos más recomendados y los menos recomendados por los usuarios, así como la polaridad (negativa, neutral o positiva) de los sentimientos expresados en los "reviews" de los usuarios.

Para el desarrollo del proyecto se ejecutaron las fases:

• Transformaciones: selección del algunos campos y ajuste de los tipos de datos de los datasets.
• Feature Engineering: Se usó la red neuronal distilroBERTa para determinar la polaridad del sentimiento de los comentarios de los usuarios sobre los videojuegos.
• Desarrollo del API: Se usó la librería FastAPI para crear una API que permitierá consumir los datos del sistema de recomendación y se desplegó como servicio web mediante railway.app. Ver aquí.
• EDA: Se realizó un anĺisis exploratorio donde se determinó las tendencias en el consumo por género, año, recomendación y sentimiento predominante, así como una aproximación a los términos más significativos para identificar la similitud de los juegos del dataset.
• Modelo de apredizaje: Se usó vectorización TF-IDF y similaridad de cocenos para elaborar una función que permita hacer la recomedación de juegos. Está se integró al API.

Cada una de estas está acompañada por un notebook de Jupyter. Véase el directorio notebooks del repositorio.

Debido a los límites de tamaño de archivo que impone Github, los datasets usados por los notebook se acceder externamente. Estos pueden descargarse desde aquí.