2024 届本科生毕业论文

基于机器学习的电子游戏推荐系统——
以 Steam 游戏平台为例
Machine Learning-Based Video Game

Recommendation System – A Case Study of the

Steam Game Platform

学 号：

学生姓名：

所在学院： 信息管理学院

专 业： 数据科学与大数据技术

班 级：

指导老师：
上海立信会计金融学院普通本科生毕业论文（设计）

2024 年 3 月
 声明及论文使用的授权

本人郑重声明：所呈交的论文是本人在导师的指导下取得的研究成果， 论文写作
严格遵循学术规范。除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经
发表或撰写的研究成果。因本毕业论文引起的法律结果完全由本人承担。上海立信会计
金融学院享有本毕业论文的研究成果。

论文作者签名 年 月 日

本人同意上海立信会计金融学院保留使用学位论文的规定，即：学校有权保留送
交论文的复印件，允许论文被查阅和借阅；学校可以上网公布全部内容，可以采用影
印、缩印或其他复制手段保存论文。

论文作者签名 年 月 日
 上海立信会计金融学院普通本科生毕业论文（设计）

摘 要

Steam 游戏平台作为全球最大的综合性数字发行平台之一，为玩家提供了海量的游
戏选择和丰富的社交互动功能。然而，随着游戏库的不断扩充，玩家在面对众多游戏选
择时，往往难以快速找到符合自己兴趣的游戏，这就是所谓的“信息过载”问题。近年
来，基于机器学习的推荐算法在电子商务、视频推荐等领域取得了显著成果。在游戏领
域，个性化推荐系统可以帮助玩家发现新游戏，提高游戏的可见性和用户满意度，进
而促进游戏的销售和平台的用户活跃度。
本研究以 Steam 游戏平台为例，探讨基于机器学习的电子游戏推荐系统的构建和
应用。通过深入分析玩家推荐数据，挖掘玩家对不同标签下游戏偏好和倾向，本研究旨
在丰富和完善个性化推荐算法在游戏领域的应用理论。同时，本研究还将探索如何利用
机器学习技术，有效处理和分析非结构化的玩家数据，为类似场景下的数据挖掘提供
理论支持和方法指导。
关键词：机器学习；推荐系统；游戏平台

1
 上海立信会计金融学院普通本科生毕业论文（设计）

Abstract

As one of the world's largest comprehensive digital distribution platforms, the Steam
game platform provides players with a large selection of games and rich social interaction
features. However, with the continuous expansion of the game library, it is often difficult for
players to quickly find a game that meets their interests when faced with a large number of
game choices, which is the so-called "information overload" problem. In recent years,
machine learning-based recommendation algorithms have achieved remarkable results in e-
commerce, video recommendation and other fields. In the gaming space, personalized
recommendation systems can help players discover new games, improve game visibility and
user satisfaction, and in turn boost game sales and user engagement on the platform.
This study takes the Steam game platform as an example to explore the construction and
application of a machine learning-based video game recommendation system. Through in-
depth analysis of player recommendation data and mining players' preferences and tendencies
for games under different tags, this study aims to enrich and improve the application theory of
personalized recommendation algorithm in the field of games. At the same time, this study
will also explore how to use machine learning technology to effectively process and analyze
unstructured player data and provide theoretical support and methodological guidance for data
mining in similar scenarios.
Key words: Machine learning; recommender systems; gaming platforms

2
 上海立信会计金融学院普通本科生毕业论文（设计）

目 录

一、 引言.................................................................3
(一) 研究背景和选题意义.................................................3
(二) 目标和研究问题.....................................................3
(三) 数据来源介绍.......................................................3
二、 相关工作和技术.......................................................4
(一) 推荐系统算法综述...................................................4
(二) 数据预处理.........................................................4
三、 用户特征与游戏特征...................................................4
(一) 用户特征提取与分析.................................................4
(二) 游戏特征提取与分析.................................................4
四、 推荐算法选择与实现...................................................4
(一) 算法实现与优化.....................................................4
(二) 模型评估与比较.....................................................4
五、 结果分析与讨论.......................................................4
参考文献..................................................................5
附 录....................................................................9
致 谢...................................................................10

一、引言
(一) 研究背景和选题意义
1．研究背景
随着互联网技术的飞速发展，电子游戏作为一种新兴的文化娱乐形式，已经逐渐渗
透到人们的日常生活中。Steam 游戏平台作为全球最大的综合性数字发行平台之一，为
玩家提供了海量的游戏选择和丰富的社交互动功能。然而，随着游戏库的不断扩充，玩
家在面对众多游戏选择时，往往难以快速找到符合自己兴趣的游戏，这就是所谓的
“信息过载”问题。为了解决这一问题，个性化推荐系统应运而生，成为了研究和实践
的热点。个性化推荐系统通过分析用户的历史行为、偏好等信息，利用机器学习、深度学
3
 上海立信会计金融学院普通本科生毕业论文（设计）

习等算法，为用户推荐其可能感兴趣的内容。在游戏领域，个性化推荐系统可以帮助玩
家发现新游戏，提高游戏的可见性和用户满意度，进而促进游戏的销售和平台的用户
活跃度。近年来，基于机器学习的推荐算法在电子商务、视频推荐等领域取得了显著成
果，但在游戏推荐领域，尤其是在利用玩家评论数据进行推荐方面，仍然存在诸多挑
战和待解决的问题。玩家评论数据作为一种非结构化的文本信息，蕴含着丰富的玩家情
感和游戏特征，如何有效地提取和利用这些信息，成为提升游戏推荐系统性能的关键。
2．选题意义
理论意义
本研究以 Steam 游戏平台为例，探讨基于机器学习的电子游戏推荐系统的构建和
应用。通过深入分析玩家评论数据，挖掘玩家的游戏偏好和情感倾向，本研究旨在丰富
和完善个性化推荐算法在游戏领域的应用理论。同时，本研究还将探索如何利用机器学
习技术，有效处理和分析非结构化的玩家评论数据，为类似场景下的文本数据挖掘提
供理论支持和方法指导。
实践意义
（1）提高玩家体验：通过为玩家提供个性化的游戏推荐，本研究有助于解决玩家
在海量游戏选择中的迷茫问题，提高玩家的游戏体验和满意度。这将有助于增强玩家对
Steam 平台的粘性和忠诚度，进而促进平台的可持续发展。
（2）促进游戏销售：个性化的游戏推荐可以将合适的游戏推荐给潜在的感兴趣玩
家，从而提高游戏的曝光率和销售量。这对于独立游戏开发者和小型游戏公司来说尤为
重要，因为他们的游戏可能在大量游戏中被忽视。通过本研究的推荐系统，这些优质但
知名度较低的游戏有机会被更多玩家发现和购买。
（3）优化平台运营：本研究通过深入分析玩家评论数据，还可以为 Steam 平台提
供有关游戏质量、玩家需求和市场趋势等方面的有价值信息。这些信息可以帮助平台更
好地调整游戏策略、优化游戏库结构和改善用户服务，从而提高平台的整体运营效率和
市场竞争力。
（4）推动技术发展：本研究将探索机器学习的推荐算法在游戏领域的新应用和新
挑战，为推动相关技术的发展和创新做出贡献。同时，本研究还将为其他类似场景（如
电影推荐、音乐推荐等）下的个性化推荐系统提供借鉴和参考。

(二) 目标和研究问题
3．目标
4
 上海立信会计金融学院普通本科生毕业论文（设计）

随着信息技术的迅猛发展和大数据时代的到来，电子游戏行业迎来了前所未有的
繁荣。Steam 游戏平台作为全球最大的综合性数字发行平台之一，拥有海量的游戏资源
和庞大的用户群体。然而，面对如此众多的游戏选择，玩家往往难以快速找到符合自己
兴趣和需求的游戏。因此，构建一个准确、高效的电子游戏推荐系统显得尤为重要。本研
究旨在运用机器学习技术，结合 Steam 游戏平台上玩家的评论数据，构建一个基于用
户反馈的电子游戏推荐系统。通过深入分析玩家的评论内容，提取玩家的游戏偏好、情
感倾向等关键信息，进而为玩家提供个性化的游戏推荐服务。研究目的具体包括：探索
玩家评论数据中的有效信息，挖掘其对游戏推荐的价值。玩家评论是玩家对游戏体验的
直接反馈，其中包含了丰富的情感信息和游戏评价。通过挖掘这些评论数据，可以更准
确地理解玩家的游戏需求和偏好，为推荐算法提供更有价值的输入。构建基于机器学习
的电子游戏推荐模型。利用机器学习算法，如协同过滤、内容过滤、深度学习等，结合玩
家评论数据和其他相关信息（如游戏类型、价格、评分等），构建一个能够准确预测玩
家游戏喜好的推荐模型。该模型能够根据玩家的历史行为和偏好，为其推荐最可能感兴
趣的游戏。优化推荐系统的性能和用户体验。通过对比不同推荐算法的效果，选择最优
的算法组合和参数设置，以提高推荐系统的准确性和效率。同时，关注用户体验，确保
推荐结果的可解释性和多样性，增加用户对推荐系统的信任和满意度。推动电子游戏行
业的创新和发展。本研究不仅为 Steam 游戏平台提供了一个实用的推荐系统解决方案，
还为整个电子游戏行业带来了新的思路和启示。通过引入先进的机器学习技术和大数据
分析方法，有望推动游戏行业的创新升级，为玩家带来更丰富、更个性化的游戏体验。
4．研究问题
为了实现上述研究目的，本研究将围绕以下几个核心问题展开：如何有效地从玩
家评论数据中提取关键信息？玩家评论数据通常包含大量的文本信息，其中既有有用
的评价内容，也有无关紧要的噪音信息。因此，需要研究如何运用自然语言处理
（NLP）等技术，对评论数据进行清洗、分词、情感分析等处理，以提取出对游戏推荐有
价值的关键信息。如何选择合适的机器学习算法构建推荐模型？机器学习算法种类繁多
每种算法都有其适用的场景和优缺点。本研究需要对比不同算法在电子游戏推荐任务上
的表现，选择最适合的算法或算法组合来构建推荐模型。同时，还需要考虑如何结合玩
家评论数据和其他相关信息来优化模型性能。如何评估推荐系统的性能和用户体验？为
了验证推荐系统的有效性和优越性，需要设计合理的评估指标和实验方案来对比不同

5
 上海立信会计金融学院普通本科生毕业论文（设计）

推荐算法的效果。同时，还需要关注用户体验方面的指标，如推荐结果的可解释性、多
样性以及用户对推荐结果的满意度等。这些指标将有助于全面评估推荐系统的性能和用
户体验水平。如何将研究成果应用于实际场景中？本研究最终的目标是将构建的电子游
戏推荐系统应用于实际场景中，为 Steam 游戏平台的用户提供个性化的游戏推荐服务。
因此，需要研究如何将研究成果与 Steam 平台的实际运营相结合，考虑如何部署推荐
系统、如何更新模型以适应游戏市场的变化以及如何处理用户隐私保护等问题。
综上所述，本研究旨在运用机器学习技术构建基于玩家评论数据的电子游戏推荐系统，
通过解决上述研究问题来实现准确、高效的个性化游戏推荐服务，以 Steam 游戏平台为
例，解决玩家在海量游戏选择中的迷茫问题，提高玩家的游戏体验和满意度。这将有助
于游戏产业的可持续发展和相关技术的创新做出贡献。通过深入探索玩家评论数据的价
值和应用方法，本研究有望为个性化推荐系统在游戏领域的应用提供新的思路和方向。
(三) 数据来源介绍
本研究的数据来源于 Kaggle 网站，一个广受数据科学家和机器学习爱好者欢迎的
在线数据平台。Kaggle 不仅提供了大量的公开数据集供用户下载和使用，还建立了一个
活跃的社区，方便数据爱好者们交流和分享经验。
我从 Kaggle 上下载了一个包含 Steam 游戏玩家信息的数据集。Steam 是由 Valve 公
司开发的一款流行的数字发行平台，为游戏玩家提供了购买、下载、讨论和评价游戏的
一站式服务。因此，Steam 平台上的用户数据对于理解游戏市场趋势、玩家偏好以及游
戏性能等方面具有重要价值。该数据集包含了约十万多条记录，每条记录都详细描述了
一个游戏玩家的相关信息。数据项包括用户 ID、游戏名称、游戏售价、发行商、游戏时长
以及评论信息等。其中，用户 ID 和游戏名称是识别玩家和游戏的基本信息；游戏售价
反映了游戏的定价策略和市场定位；发行商信息有助于分析不同发行商的市场表现和
影响力；游戏时长则反映了玩家的游戏习惯和参与度；最后，评论信息提供了玩家对
游戏的直接反馈和评价，是研究玩家满意度和游戏质量的重要依据。总的来说，这个数
据集为我提供了一个宝贵的机会，可以从多个角度深入分析和理解 Steam 游戏玩家的
行为和偏好。通过挖掘这些数据中的模式和关联，有望为游戏开发商、发行商以及整个
游戏产业提供有价值的见解和建议。

6
 上海立信会计金融学院普通本科生毕业论文（设计）

资料来源：www.kaggle.com
图 1：原数据集来源

二、相关工作和技术
(一) 推荐系统算法综述
随着信息技术的飞速发展，用户面临的信息过载问题日益严重。为了有效地解决这
一问题，推荐系统应运而生，成为帮助用户从海量信息中筛选出感兴趣内容的重要工
具。推荐系统通过分析用户的历史行为、兴趣偏好以及物品的特征，利用算法预测用户
可能感兴趣的内容，并进行个性化推荐。本文将对推荐系统中常用的几种算法进行综述
包括协同过滤算法、内容过滤算法以及深度学习算法，并以 Steam 游戏平台为例，探讨
这些算法在电子游戏推荐中的应用。
1．协同过滤算法
协同过滤是推荐系统中最经典且最广泛使用的算法之一。它基于用户或物品之间的
相 似 性 来 进 行 推 荐 。 协 同 过 滤 算 法 可 以 分 为 两 类 ： 用 户 协 同 过 滤 （ User-Based
Collaborative Filtering ） 和 物 品 协 同 过 滤 （ Item-Based Collaborative
Filtering）。
用户协同过滤的核心思想是找到与目标用户兴趣相似的其他用户，然后将这些相似
用户喜欢的物品推荐给目标用户。在 Steam 游戏平台的上下文中，如果用户 A 和用户 B
都喜欢玩《巫师 3：狂猎》和《上古卷轴 5：天际》，那么当用户 A 玩了一个新用户 B 还没

7
 上海立信会计金融学院普通本科生毕业论文（设计）

玩过的游戏《辐射 4》时，系统可能会将《辐射 4》推荐给用户 B。

物品协同过滤则是通过计算物品之间的相似性来进行推荐。它推荐那些与用户喜欢
的物品相似的其他物品。以 Steam 平台为例，如果一款游戏与《半条命 2》在类型、风格、
开发者等方面相似，并且受到类似用户的喜爱，那么这款游戏可能会被推荐给喜欢《半
条命 2》的用户。
2．内容过滤算法
内容过滤算法主要基于物品的内容特征来进行推荐。它通过对物品进行特征提取和
分析，建立用户的兴趣模型，并根据用户的兴趣偏好推荐相应的物品。在 Steam 平台上
游戏的内容特征可能包括游戏类型、开发者、发行日期、价格、用户评价等。内容过滤算
法可以利用这些特征来匹配用户的兴趣，并进行个性化推荐。
3．深度学习算法
近年来，深度学习在推荐系统领域取得了显著的进展。深度学习算法能够自动学习
用户和物品的高层次特征表示，从而更准确地捕捉用户的兴趣和物品的语义信息。在
Steam 游戏推荐中，深度学习算法可以通过分析用户的游戏历史、游玩时间、评价等信
息，以及游戏的图像、文本描述等特征，来预测用户可能感兴趣的游戏。
深度学习算法在推荐系统中常用的模型包括卷积神经网络（ CNN）用于处理图像数
据、循环神经网络（RNN）用于处理序列数据以及自编码器（Autoencoder）用于特征降
维和表示学习等。此外，深度学习还可以与协同过滤和内容过滤相结合，形成混合推荐
系统，以提高推荐的准确性和多样性。

(二) 数据预处理
4．数据收集与理解
我从 kaggle 网站下载了数据集：users.csv、games.csv、games_matadata.json 和
recommendation.csv 作为我的原始数据。
users.csv 中的字段如用户 ID、总游戏数量和评论数量，为我提供了用户活跃度和
参与度的信息。
表 1：users.csv(部分)

8
 上海立信会计金融学院普通本科生毕业论文（设计）

user_id products reviews

7360263 359 0
14020781 156 1
8762579 329 4
4820647 176 4
5167327 98 2
5664667 145 5
5889167 447 2
7281762 1083 1
7445952 273 1
7462927 51 1
7922733 108 2
9201535 166 1
9514331 237 4
9972262 250 3
10184828 187 1
10714376 1824 2
11237958 12 1
11274058 102 4
11300174 210 17

资料来源：www.kaggle.com

games.csv 中的字段涵盖了游戏的基本信息，如游戏 ID、名称、发售日期等，以及

评价信息如综合评价、好评率等。这些数据有助于我理解游戏的受欢迎程度和质量。
表 2：games.csv(部分)
app_id title date_release win mac linux rating positive_ratio
user_reviews
price_final price_original
discount steam_deck
22364 BRINK: Agents of 2011/
Change
8/ 3 TRUE FALSE FALSE Positive 85 21 2.99 2.99 0 TRUE
113020 Monaco: What's 2013/
Yours
4/ 24Is Mine
TRUE TRUE TRUE Very Positive 92 3722 14.99 14.99 0 TRUE
226560 Escape Dead 2014/
Island11/ 18 TRUE FALSE FALSE Mixed 61 873 14.99 14.99 0 TRUE
249050 Dungeon of the ENDLESS鈩TRUE ?2014- 10-TRUE
27 FALSE Very Positive 88 8784 11.99 11.99 0 TRUE
250180 METAL SLUG 32015/ 9/ 14 TRUE FALSE FALSE Very Positive 90 5579 7.99 7.99 0 TRUE
253980 Enclave 2013/ 10/ 4 TRUE TRUE TRUE Mostly Positive 75 1608 4.99 4.99 0 TRUE
271850 Men of War: Assault
2014/ 5/Squad
16 TRUE2 - DeluxeFALSE
Edition upgrade
FALSE Mixed 61 199 6.99 6.99 0 TRUE
282900 Hyperdimension 2015/
Neptunia
1/ 29 Re;Birth1
TRUE FALSE FALSE Very Positive 94 9686 14.99 14.99 0 TRUE
19810 The Sum of All
2008/
Fears
10/ 10 TRUE FALSE FALSE Mostly Positive 75 33 9.99 9.99 0 TRUE
15270 Cold Fear鈩?2008- 05- 13 TRUE FALSE FALSE Very Positive 85 800 9.99 9.99 0 TRUE
21130 LEGO 庐 Harry2010/
Potter:
6/ 25
YearsTRUE
1- 4 FALSE FALSE Very Positive 85 5169 19.99 19.99 0 TRUE
22130 Hearts of Iron 2009/
2 Complete
1/ 23 TRUE FALSE FALSE Very Positive 85 462 14.99 14.99 0 TRUE
29180 Osmos 2009/ 8/ 18 TRUE TRUE TRUE Very Positive 88 532 9.99 9.99 0 TRUE
32750 Comanche 4 2009/ 6/ 18 TRUE FALSE FALSE Very Positive 90 222 9.99 9.99 0 TRUE
241620 Inquisitor 2013/ 8/ 1 TRUE FALSE FALSE Mostly Positive 70 390 9.99 9.99 0 TRUE
408520 FORM 2017/ 6/ 1 TRUE FALSE FALSE Very Positive 91 934 14.99 14.99 0 TRUE
244910 Homesick 2015/ 5/ 28 TRUE FALSE FALSE Mostly Positive 77 1139 14.99 14.99 0 TRUE
245950 Borderlands 2:2014/
Headhunter
2/ 11 TRUE
4: WeddingTRUE
Day Massacre
TRUE Very Positive 84 294 0.89 2.99 70 TRUE
250460 Bridge Constructor
2013/ 10/ 16 TRUE TRUE TRUE Mostly Positive 77 716 2.39 19.99 88 TRUE

资料来源：www.kaggle.com

games_metadata.json 中的字段包括游戏 ID，游戏描述与游戏标签（tags）。

9
 上海立信会计金融学院普通本科生毕业论文（设计）

资料来源：www.kaggle.com
图 2：games_metadata.json（部分）

recommendation.csv 则记录了用户与游戏之间的交互行为，包括用户 ID、游戏 ID、

游玩时长和是否推荐等字段。这些交互数据是构建个性化推荐系统的核心。
表 3：recommendation.csv(部分)

10
 上海立信会计金融学院普通本科生毕业论文（设计）

app_id helpful funny date is_recommended

hours user_id review_id
975370 0 0 2022/ 12/ 12 TRUE 36.3 51580 0
304390 4 0 2017/ 2/ 17 FALSE 11.5 2586 1
1085660 2 0 2019/ 11/ 17 TRUE 336.5 253880 2
703080 0 0 2022/ 9/ 23 TRUE 27.4 259432 3
526870 0 0 2021/ 1/ 10 TRUE 7.9 23869 4
306130 0 0 2021/ 10/ 10 TRUE 8.6 45425 5
238960 0 0 2017/ 11/ 25 TRUE 538.8 88282 6
730 0 0 2021/ 11/ 30 FALSE 157.5 63209 7
255710 0 0 2021/ 5/ 21 TRUE 18.7 354512 8
289070 0 0 2020/ 5/ 26 TRUE 397.5 454422 9
431960 0 0 2020/ 10/ 14 TRUE 30.3 199725 10
1086940 0 0 2020/ 10/ 7 TRUE 50 85822 11
1938090 0 0 2022/ 11/ 16 TRUE 46.7 161081 12
1286830 2 0 2020/ 7/ 26 TRUE 19.3 113279 13
1172620 0 0 2020/ 11/ 4 TRUE 89.1 122640 14
306130 0 0 2021/ 5/ 12 TRUE 61.1 75422 15
635260 0 0 2022/ 1/ 30 TRUE 177 76583 16
1151340 0 0 2020/ 7/ 1 TRUE 86.3 124924 17
289070 0 0 2020/ 5/ 29 TRUE 244.1 261528 18

资料来源：www.kaggle.com

通过对这四个数据集的详细分析，我获得了对用户、游戏和用户-游戏交互行为的
深入理解，为后续的数据预处理和模型构建提供了坚实的基础。
5．数据清洗
确保数据的准确性、一致性和完整性，为后续分析提供可靠的数据基础。
对于 users,csv，考虑到其数据条数众多，结构简单，我仅去除了其中的缺失值。
表 4：users_cleaned.csv(部分)

11
 上海立信会计金融学院普通本科生毕业论文（设计）

user_id products reviews

7360263 359 0
14020781 156 1
8762579 329 4
4820647 176 4
5167327 98 2
5664667 145 5
5889167 447 2
7281762 1083 1
7445952 273 1
7462927 51 1
7922733 108 2
9201535 166 1
9514331 237 4
9972262 250 3
10184828 187 1
10714376 1824 2
11237958 12 1
11274058 102 4
11300174 210 17

对 于 games.csv ， 我 首 先 去 除 了 title 中 存 在 的 异 常 值 ； 将 rating 中 的

Overwhelmingly Positive，Very Positive，Mostly Positive（Positive）和 Mixed
Positive 分别改由数字 1，2，3，4 表示，数字越小好评程度愈高；简化了 discount
项，仅区分是否存在折扣而忽略折扣力度。
表 5：games_cleaned.csv(部分)
app_id title date_release win mac linux rating positive_ratio
user_reviews
price_final price_original
discount
226560 Escape Dead 2014/
Island11/ 18 TRUE FALSE FALSE 4 61 873 14.99 14.99 0
253980 Enclave 2013/ 10/ 4 TRUE TRUE TRUE 3 75 1608 4.99 4.99 0
19810 The Sum of All
2008/
Fears
10/ 10 TRUE FALSE FALSE 3 75 33 9.99 9.99 0
29180 Osmos 2009/ 8/ 18 TRUE TRUE TRUE 2 88 532 9.99 9.99 0
241620 Inquisitor 2013/ 8/ 1 TRUE FALSE FALSE 3 70 390 9.99 9.99 0
408520 FORM 2017/ 6/ 1 TRUE FALSE FALSE 2 91 934 14.99 14.99 0
244910 Homesick 2015/ 5/ 28 TRUE FALSE FALSE 3 77 1139 14.99 14.99 0
250460 Bridge Constructor
2013/ 10/ 16 TRUE TRUE TRUE 3 77 716 2.39 19.99 1
278890 Angvik 2014/ 2/ 24 TRUE TRUE FALSE 2 88 1986 2.99 2.99 0
312200 Chasm 2018/ 7/ 30 TRUE TRUE TRUE 3 73 1065 19.99 19.99 0
329640 Eradicator 2014/ 11/ 6 TRUE TRUE TRUE 2 88 60 6.99 6.99 0
367670 Controller Companion
2015/ 5/ 4 TRUE FALSE FALSE 2 90 2323 2.99 2.99 0
458790 The House in Fata
2016/Morgana
5/ 13 FALSE
Original Soundtrack
FALSE FALSE 3 100 32 11.99 11.99 0
1872790 Luckitown 2022/ 1/ 19 TRUE TRUE FALSE 2 86 163 4.99 4.99 0
237850 Dreamfall Chapters
2017/ 7/ 21 TRUE TRUE TRUE 2 82 2976 24.99 24.99 0
268220 Meltdown 2014/ 6/ 5 TRUE TRUE TRUE 2 86 493 6.99 6.99 0
274270 NOT A HERO 2016/ 7/ 8 TRUE TRUE TRUE 2 86 1563 19.99 19.99 0
281450 Disciples Sacred
2014/
Lands
10/ 7GoldTRUE FALSE FALSE 2 85 270 7.99 7.99 0
296870 Dreaming Sarah 2015/ 3/ 12 TRUE FALSE TRUE 2 92 2010 5.99 5.99 0

对于 games_metadata.json，我去除了对于游戏进行描述的 description 项；并将

其统一为 csv 格式。
表 6：games_metadata_cleaned.csv(部分)

12
 上海立信会计金融学院普通本科生毕业论文（设计）

app_id tags
13500 ['Action', 'Adventure', 'Parkour', 'Third Person', 'Great Soundtrack', 'Singleplayer', 'Platformer',
22364 ['Action']
113020 ['Co- op', 'Stealth', 'Indie', 'Heist', 'Local Co- Op', 'Strategy', 'Online Co- Op', 'Top- Down', 'Actio
226560 ['Zombies', 'Adventure', 'Survival', 'Action', 'Third Person', 'Open World', 'Gore', 'Horror', 'Singl
249050 ['Roguelike', 'Strategy', 'Tower Defense', 'Pixel Graphics', 'Indie', 'RPG', 'Sci- fi', 'Dungeon Crawl
250180 ['Arcade', 'Classic', 'Action', 'Co- op', 'Side Scroller', 'Retro', 'Local Co- Op', 'Shooter', '2D', 'Onlin
253980 ['RPG', 'Action', 'Fantasy', 'Third Person', 'Hack and Slash', 'Adventure', 'Singleplayer', 'Classic',
271850 ['Strategy', 'Simulation', 'Action', 'RTS', 'World War II']
282900 ['Anime', 'JRPG', 'Female Protagonist', 'Cute', 'RPG', 'Singleplayer', 'Comedy', 'Funny', 'Turn- Ba
19810 ['Action', 'Tactical']
15270 ['Horror', 'Action', 'Survival Horror', 'Third- Person Shooter', 'Zombies', 'Classic', 'Third Person',
21130 ['LEGO', 'Adventure', 'Local Co- Op', 'Action', 'Magic', 'Family Friendly', 'Multiplayer', 'Singlepla
22130 ['Strategy', 'Grand Strategy', 'World War II', 'Historical', 'RTS', 'Simulation']
29180 ['Indie', 'Casual', 'Puzzle', 'Relaxing', 'Singleplayer', 'Physics', 'Great Soundtrack', 'Ambient', 'Atm
32750 ['Action', 'Simulation', 'Flight', 'Classic']
241620 ['RPG', 'Indie', 'Isometric', 'Dark Fantasy', 'Singleplayer', 'Fantasy', 'Story Rich', 'Medieval', 'CRPG
408520 ['Adventure', 'Indie', 'Casual', 'VR', 'Puzzle', 'First- Person', 'Singleplayer', 'Sci- fi', 'Atmospheric',
244910 ['Atmospheric', 'Puzzle', 'Exploration', 'First- Person', 'Indie', 'Adventure', 'Horror', 'Mystery', 'W
245950 ['Action', 'RPG', 'FPS', 'Co- op', 'Shooter', 'Action RPG', 'Online Co- Op', 'Open World', 'Post- ap

对于 recommendations.csv，我先去除了仅用作计数的 review_id 项；接着合并了

funny 与 helpful 两项，改项名为 followers，其显示意义为：与发布评论的该用户对
此游戏持一致态度的玩家数，便于后续操作。
表 7：recommendation_cleaned.csv(部分)

app_id date is_recommended

hours user_id followers
975370 2022/ 12/ 12 TRUE 36.3 51580 0
304390 2017/ 2/ 17 FALSE 11.5 2586 4
1085660 2019/ 11/ 17 TRUE 336.5 253880 2
703080 2022/ 9/ 23 TRUE 27.4 259432 0
526870 2021/ 1/ 10 TRUE 7.9 23869 0
306130 2021/ 10/ 10 TRUE 8.6 45425 0
238960 2017/ 11/ 25 TRUE 538.8 88282 0
730 2021/ 11/ 30 FALSE 157.5 63209 0
255710 2021/ 5/ 21 TRUE 18.7 354512 0
289070 2020/ 5/ 26 TRUE 397.5 454422 0
431960 2020/ 10/ 14 TRUE 30.3 199725 0
1086940 2020/ 10/ 7 TRUE 50 85822 0
1938090 2022/ 11/ 16 TRUE 46.7 161081 0
1286830 2020/ 7/ 26 TRUE 19.3 113279 2
1172620 2020/ 11/ 4 TRUE 89.1 122640 0
306130 2021/ 5/ 12 TRUE 61.1 75422 0
635260 2022/ 1/ 30 TRUE 177 76583 0
1151340 2020/ 7/ 1 TRUE 86.3 124924 0
289070 2020/ 5/ 29 TRUE 244.1 261528 0

经过数据清洗阶段的处理，我确保了数据集的准确性、一致性和完整性，为后续的

13
 上海立信会计金融学院普通本科生毕业论文（设计）

特征工程、模型训练和评估提供了可靠的数据基础。

三、用户特征与游戏特征
(一) 用户特征提取与分析
1．Distribution of Games Owned by Users
下两图横坐标代表了游戏的数量，特别选取了横坐标从 100 到 500，而纵坐标代表
了拥有这些游戏数量的用户的频数。图中显示出一种负偏态分布，意味着大部分用户只
购买或拥有少量的游戏，而只有一小部分用户对游戏有更高的兴趣或需求，因此拥有
更多的游戏。
这种分布可能受到多种因素的影响，比如游戏的价格、用户的购买力、游戏类型和
品质等。一些用户可能受限于预算，只能购买少数几款心仪的游戏；而另一些用户可能
因为对游戏的热爱或收藏兴趣，愿意投入更多来购买更多游戏。

图 3：Distribution of Games Owned by Users_1

14
 上海立信会计金融学院普通本科生毕业论文（设计）

图 4：Distribution of Games Owned by Users_2

2．Distribution of Reviews Made by Users

下两图展示的是用户评论的分布情况。从图中可以看到，大部分用户的评论数量集
中在较低的范围内。曲线的走势表明，随着评论数量的增加，拥有相应数量评论的用户
比例逐渐下降。这意味着绝大多数用户只发表了少量的评论，而发表大量评论的用户相
对较少。
这种分布模式符合一般的产品评论分布情况，因为大多数用户可能只针对某个产品
或服务发表一两条评论，而少数用户可能是更活跃或对产品有更深入体验的用户，因
此发表了更多的评论。

15
 上海立信会计金融学院普通本科生毕业论文（设计）

图 5：Distribution of Reviews Made by Users_1

图 6：Distribution of Reviews Made by Users_2

3．Distribution of Review to Game Ratios for Users

下图展示了用户对游戏的评论分布，并且每个评论都与其对应的游戏被赋予了一个
评分比例。从图中曲线的走势来看，随着评论与游戏比例的增加，用户的分布逐渐减少
这种分布反映了用户对游戏的投入程度或参与度的不同：大多数用户的评论与游戏

16
 上海立信会计金融学院普通本科生毕业论文（设计）

比例较低，即他们可能更倾向于为较少的游戏发表评论，或者他们的评论并不频繁，
可能只是偶尔玩几款游戏并发表评论。而当评论与游戏比例接近 1.0 时，即用户几乎为
每款游戏都发表了评论，这样对多款游戏都有深入的体验并愿意分享自己评价的用户
数量相对较少。

图 7：Distribution of Reviews to Game Ratios for Users

4．User Activity Status

下图展示了用户活动状态的频率分布，指的是一个用户是否做出过对任意游戏的评
价，结果显示绝大多数用户都是愿意对游戏进行评价、分享自己感受的，整个游戏社区
呈现出一个非常活跃的交流氛围。

17
 上海立信会计金融学院普通本科生毕业论文（设计）

图 8：User Activity Status

5．User Products vs Reviews

下两张图片横坐标表示用户拥有的游戏数量，纵坐标表示用户做出的评价数量。
从这些曲线图中可以看出，随着用户拥有的游戏数量增加，用户做出的评价数量也
呈现出增加的趋势。这表明用户拥有的游戏数量与用户评价数量之间存在正相关性。
用户的评价数量可以作为衡量用户活跃度的指标之一。更多的评价可能意味着用户
更加积极地参与游戏社区，对游戏有更深入的体验和更强烈的表达欲望。

18
 上海立信会计金融学院普通本科生毕业论文（设计）

图 9：User Products vs Reviews_1

图 10：User Products vs Reviews_2

(二) 游戏特征提取与分析
6．Distribution of Positive Rating Ratios
这张图片展示了游戏的积极评分比例分布情况。首先，我们注意到平均积极评分比
例为 77.13%，这表明大部分游戏在评分上表现良好，受到了玩家的积极评价。而积极评

19
 上海立信会计金融学院普通本科生毕业论文（设计）

分的众数更是接近 90%。

图 11：Distribution of Positive Rating Ratios

7．Distribution of Price Discounts for Games

下图是关于游戏价格折扣分布的柱状图。图的横轴表示价格折扣，从 0 到 1.0，表
示折扣的百分比，如 0.2 表示 20%的折扣，1.0 表示没有折扣。纵轴表示对应折扣的游
戏数量。

20
 上海立信会计金融学院普通本科生毕业论文（设计）

图 12：Distribution of Price Discounts for Games

8．Game Sales Status

从柱状图的分布来看，表明市场上大部分游戏并不提供购买折扣。

图 13：Game Sale Status

这种分布反映了游戏市场的定价策略。游戏开发商更倾向于保持较高的价格，只提
供有限的折扣来吸引消费者。同时，少数提供折扣的游戏可能是为了促销、清仓或特殊
活动而设置的。
对于消费者来说，可能意味着在购买游戏时需要仔细比较价格和折扣，以找到最优
惠的购买选择。
9．Distribution of Game Price Discounts
对于提供折扣的游戏而言，下图以柱状图的形式清晰地呈现了不同价格折扣的频率
分布。观察图表，我们不难发现，那些提供折扣优惠的游戏，其给予的折扣力度通常都
相当大，大部分能提供 1 折的优惠。而对于其他有折扣的游戏来说，它们的折扣设置则
更倾向于遵循整十的折扣规律。

21
 上海立信会计金融学院普通本科生毕业论文（设计）

图 14：Distribution of Game Price Discounts

10．Top 10 Games by Number of Reviews

下柱状图显示了 Top10 游戏的评论数量。横坐标是游戏 ID，纵坐标是评论数量。

图 15：Top 10 Games by Number of Reviews

11．Games Tags Word Cloud

22
 上海立信会计金融学院普通本科生毕业论文（设计）

下图是一张关于游戏标签（tags）的词云图。词云图是一种展示文本数据的方式，
其中每个单词的大小表示其在原始文本中出现的频率或重要性。从这张词云图中，我们
可以看到以下一些主要的游戏标签：
1.类型与玩法：包括“ Strategy”（策略）、“ Action-Adventure”（动作冒险）、
“OpenWorld”（开放世界）、“RPG”（角色扮演）、“Based Tactics”（基于战术）、
“Turn-Based”（回合制）、“Female Protagonist”（女性主角）等。这些标签展示了游
戏的不同类型和玩法，从战略决策到紧张刺激的生存恐怖，再到经典的角色扮演，种
类繁多。
2.故事背景：包括“Survival”（生存）、“Adventure”（冒险）、“Dark”（黑暗）、
“Fantasy”（奇幻）等，这些标签揭示了游戏可能设置的故事背景和氛围。
3.游戏特色与风格：如“Great Soundtrack”（出色配乐）、“Replay Value”（高重玩
价值）、“Customization”（定制化）、“Indie”（独立游戏）、“ChoicesMatter”（选
择重要）等。这些标签反映了游戏在设计、内容和风格上的独特之处。
综合地看，这张词云图展示了多种游戏标签，涵盖了游戏类型、玩法、故事背景以
及特色等多个方面。它反映了游戏领域的多样性和丰富性，以及玩家和开发者在描述和
分类游戏时所关注的不同维度。同时也反映出游戏行业对于游戏分类缺乏一个严格的标
准，原始数据的（tags）下其实混杂着类型与玩法、故事背景、游戏特色与风格这三个不
同的维度。

图 16：Game Tags Word Cloud_1

23
 上海立信会计金融学院普通本科生毕业论文（设计）

而以下的词云图展示了具有哪些标签的游戏是真正受欢迎的。

图 17：Game Tags Word Cloud_2

12．Game Support Across Different Platforms

下图给出了不同平台的游戏支持情况的统计结果。横轴代表不同的游戏支持平台，
包括 Windows、Mac 和 Linux，纵轴代表支持这些平台的游戏数量。根据图片信息，可以
分析出以下几点：
1. 游戏数量差异：整体来看，Windows 平台的游戏数量远多于 Mac 和 Linux 平台，占
据了压倒性的优势。
2. Mac 和 Linux 比较：相较于 Windows，Mac 和 Linux 平台的游戏数量明显较少。而
在 Mac 和 Linux 平台之间，Linux 平台的游戏数量又略少于 Mac 平台。
3. 游戏数量分布：从柱状图的分布来看，Windows 平台的游戏数量在各个数量区间内

24
 上海立信会计金融学院普通本科生毕业论文（设计）

都有分布，而 Mac 和 Linux 平台的游戏数量则主要集中在较低的数量区间内。

图片突出了 Windows 平台在游戏支持方面的优势地位，而 Mac 和 Linux 平台则相
对较弱。这一结果反映了不同操作系统在游戏开发者和玩家中的普及程度和接受度。

图 18：Game Support Across Different Platforms

13．Distribution of Game Ratings

以下柱状图清晰地展示了 Steam 游戏平台上游戏的评价分布情况。从图中可以看出，
获得多数好评（即评价等级低于 3）的游戏数量占比相当显著。这一数据强有力地证明
了 Steam 游戏平台在筛选和收纳游戏时的高标准，以及其对于优质游戏体验的不懈追
求，为广大玩家提供了丰富而优质的娱乐选择。

25
 上海立信会计金融学院普通本科生毕业论文（设计）

图 19：Distribution of Game Ratings

14．Positive Ratio by Game Rating

以下箱型图进一步展示了 Steam 平台对于游戏评判的严格标准。

图 20：Positive Ratio by Game Rating

26
 上海立信会计金融学院普通本科生毕业论文（设计）

四、推荐算法选择与实现
(一) 算法实现与优化

1 协同过滤算法(ALS)
1.1 实现概述：

协同过滤的实现使用了交替最小二乘法(ALS)，此算法基于用户对游戏的历史评价数
据（推荐与否），构建一个矩阵分解模型，这种方法能够捕捉用户的偏好并预测未知
的评价，从而进行个性化推荐。

1.2 实现原理

ALS 分为显式反馈和隐式反馈两种，显式反馈是指用户有明确的评分。对于游戏推荐
来说，大部分是通过用户的行为，获取隐式反馈的评分。隐式反馈评分矩阵需要处理，
如果有用户评分则置为 1，否则为 0。

ALS 算法使用矩阵分解，它基本上是将一个大矩阵分解成较小的矩阵，其乘积等于原
始矩阵。对于具有隐式数据的推荐系统而言，矩阵分解在数学上将原始矩阵“所有用户
与所有内容”简化为更小的矩阵，分解为“所有用户与某些特征”和“所有内容与某
些特征”。这里提到的特征是指从数据中学习的，并不一定代表任何真是的元数据。ALS
是一个迭代优化过程，它试图在每次迭代中达到原矩阵 R 的越来越接近的因式分解表
达式(U × V)。

图 21 matrix factorization

在上图中，R 是包含隐式数据的原始矩阵（用户项），U 和 V 具有权重，用于衡量

每个用户项与每个功能之间的关系，我们的目标是计算 U 和 V 的权重，使得
R≈U×V。ALS（交替最小二乘法）算法在优化 U 和固定 V 之间迭代交替，反之亦然，直
到收敛到尽可能地接近 R 的收敛。我们使用在隐式 Python 库中实现的 ALS 模型，该模
型使用两个单独的量级（首选项和置信水平）来表达用户的原始观察结果。对于数据中
的每个用户项目交互，都会计算一个估计值，表示用户是否喜欢不喜欢和项目（即偏
好），并将此估计值与置信度相结合，置信度与原始隐式观察值的大小直接相关（用
户玩游戏的次数越多，置信度越高）。
27
 上海立信会计金融学院普通本科生毕业论文（设计）

1.3 模型抽象

R 矩阵的行向量对应每个用户 U，列向量对应每个物品 V。ALS 的核心思想是：将用

户和物品都投射到 k 维空间，也就是说假设有 k 个隐向量特征：

如果用户对物品有明确的评分行为，那么可以用对比重构出来的评分矩阵和实际的
评分矩阵，便可以得到误差。由于用户对物品的评分缺失，仅以评分行为的物品去计算
误差。下面是显式反馈的代价函数：

其中，λ 为正则项系数。

而我们使用的隐式反馈对应的 ALS 算法即：ALS-WR（Alternating Least Squares

With Weighted-λ-regularization）：

1.4 算法求解

隐式代价函数是凸函数，而且变量耦合在一起，常规的梯度下降算法不能直接求解 ，
但是我们先固定 U 求得 V，再固定 V 求得 U，如此迭代下去，问题就得到解决：

隐式反馈求解：

模型的关键优化包括选择合适的潜在因子数量来平衡过拟合和欠拟合，以及调整
正则化参数以改善模型的繁华能力。数据预处理包括将布尔值转换为数值型，并采用系
数矩阵表示来提高计算效率。将数据集划分为训练集和测试集，并在训练集上训练 ALS
模型，在测试集上进行预测，并使用合适的评估指标(如均方根误差 RMSE)来评估模型
的性能。

28
 上海立信会计金融学院普通本科生毕业论文（设计）

2 基于内容的协同过滤算法
实现概述：基于内容的推荐系统着重于分析游戏的标签值。通过 TF-IDF（词频-逆文
档频率）转换器处理游戏标签，并计算游戏之间的余弦相似度，以确定推荐的相关性。
该算法的优化关注于有效的特征提取，确保不同游戏之间的独特性得以体现。通过选择
恰当的 TF-IDF 参数，比如去除停用词，可以提升特征向量的质量。此外，通过优化相
似度计算过程，可以提升推荐系统的效率和准确率。

3 混合系统
将 ALS 协同过滤算法和基于内容的过滤算法相结合而形成的混合系统，可以充分利用
它们各自的优势。首先，使用 ALS 算法学习用户和物品之间的隐含特征，然后根据用户
的历史行为和偏好来生成推荐列表。其次，利用基于内容的过滤算法来补充推荐列表，
确保推荐的物品不仅与用户历史行为相似，还与用户喜欢的内容相关联。

(二) 模型评估与比较
ALS 算法（Alternating Least Squares）和基于内容的过滤算法（Content-Based
Filtering）是两种不同的推荐系统算法，它们在目标、方法和应用场景上有显著的区
别：

目标与方法：

（1）基于内容的过滤：这种算法重点关注单个用户的行为和偏好，以及物品的特征。
它通过分析用户以往对特定物品的喜好，来推荐具有相似特征的新物品。这种方法依赖
于对物品内容的深入理解和特征提取。

（2）ALS 算法：这是一种基于矩阵分解的协同过滤方法，主要用于处理用户-物品交互
数据。ALS 通过交替最小二乘法来分解用户-物品的交互矩阵，从而学习用户和物品的潜
在特征向量。它不直接依赖于物品的内容特征，而是通过用户群体的交互行为来推测用
户和物品之间的隐含关系。

数据依赖：

（1）基于内容的过滤：这种算法主要依赖于对物品特征的理解，如文本描述、分
类标签等。用户的历史行为（比如评分、购买）被用来与这些特征相匹配，形成推荐。

（2）ALS 算法：适用于大型的用户-物品交互系统。ALS 能有效处理稀疏数据问题，

但它对冷启动问题的处理能力有限，且不直接考虑物品的具体内容。

29
 上海立信会计金融学院普通本科生毕业论文（设计）

总的来说，基于内容的过滤算法侧重于物品的特征和用户的个人偏好，而 ALS 算
法则侧重于从用户和物品的交互行为中学习潜在的偏好和特征。在实际应用中，这两种
方法常常被结合使用，以利用各自的优势，提供更加准确和多样化的推荐。

五、结果分析与讨论

为了比较用于生成推荐的不同算法，我们创建了一个脚本，这个脚本为每个用户
计算用户测试数据集中排名前 20 位的游戏数量与用户测试数据集中游戏总数的比率。
然后计算所有用户的比率的平均值。

我们将前面所叙述的相同的方式计算了 ALS 算法和基于内容的过滤算法的比率，

结果如下：

30
 上海立信会计金融学院普通本科生毕业论文（设计）

综合而言，ALS+CB（即混合系统）在这个测试数据集上表现最佳，推荐的游戏数
量最多且比率最高，而基于内容的过滤算法表现相对较差。而 ALS 算法在比率和推荐游
戏数量上介于两者之间。

我们实施了三种不同的推荐系统算法，分别是协同过滤算法（ALS）模型和基于内
容的协同过滤算法模型以及它们的结合，即混合系统。正如在评估与分析部分所示，对
于这个项目来说，混合系统根据我们的评估提供了最佳推荐。通过这个项目的经验，我
们更好地理解了协同过滤系统的工作原理。它确实不适用任何关于项目的信息，而完全
依赖于用户-项目交互和矩阵操作来生成推荐。除此之外，我们必须找到一种方法来处
理我们的数据集，因为它只包含隐式数据。为了消除一些噪声数据，我们使用奇异值分
解（SVD）作为降维技术，使得处理大型数据集更加容易，有效地避免了内存溢出的情
况。

31
 上海立信会计金融学院普通本科生毕业论文（设计）

参考文献
[1]陈政.基于 Spark 的个性化音乐推荐系统的设计与实现[D].南京大学,2020.
[2]张坤.基于 Spark 机器学习的电影推荐系统的设计与实现[D].南京邮电大学,2022.
[3]许张贤.基于深度学习与对象感知的个性化电影推荐系统[D].南京邮电大学,2022.
[4]张鹏飞.基于数据挖掘的个性化电影推荐系统设计与实现 [D].杭州电子科技大
学,2022.
[5] 双 乐 珊 . 基 于 深 度 学 习 的 冷 启 动 化 妆 品 推 荐 系 统 设 计 与 实 现 [D]. 南 京 邮 电 大
学,2022.
[6]刘丹阳.结合知识图谱的个性化新闻推荐系统[D].中国科学技术大学,2022.
[7]刘文炎.联邦学习中差分隐私与推荐系统应用研究[D].华东师范大学,2022.
[8]关凯轩.基于大数据技术和深度学习的混合模式电影推荐系统设计 [D].东华大
学,2022.
[9] 杨 力 威 . 基 于 微 服 务 和 深 度 学 习 的 保 险 推 荐 系 统 研 究 与 实 现 [D]. 华 东 师 范 大
学,2022.
[10]姚振旭.基于深度强化学习融合社交网络信息的推荐系统[D].华东师范大学,2020.
[11]刘雯.基于深度学习的商品评论主题推荐算法研究与实现[D].华东师范大学,2022.
[12]周巧玲.基于深度学习的琉璃制品推荐系统的设计与实现[D].华东师范大学,2022.
[13] 于 佳俊 .基于 深度 学习的个性化 门店 推荐系统的设计与 实现 [D]. 华东 师范大
学,2022.
[14]王磊.基于深度学习的推荐算法与系统研究[D].北京邮电大学,2021.
[15]何蓉.基于卷积神经网络的音乐推荐系统[D].南京邮电大学,2019.
[16]杨浪.基于 Spark 的电影推荐系统设计与实现[D].北京邮电大学,2021.
[17]彭立涵.基于大数据平台的音乐推荐系统的设计与实现[D].哈尔滨理工大学,2021.

32
 上海立信会计金融学院普通本科生毕业论文（设计）

[18]杨志伟.基于 Spark 平台推荐系统研究[D].中国科学技术大学,2015.

[19]陈艺婷.基于混合协同过滤的电商推荐系统的设计与实现[D].南京邮电大学,2020.
[20]王成.基于用户偏好的微信公众号文章推荐系统[D].上海交通大学,2018.
[21]蔡涵玥.对推荐系统中协同过滤算法的改进[D].上海交通大学,2020.
[22]任昊.基于弹幕评论的视频推荐系统研究[D].上海交通大学,2019.
[23]邬俊,刘林,卢香葵等.基于情感可控文本生成的可解释推荐系统[J].闽南师范大学
学报(自然科学版),2023,36(04):24-34.
[24]韦贵香,朵琳,张园园.融合相似性负采样和短期偏好的图卷积推荐模型[J].陕西理
工大学学报(自然科学版),2023,39(06):71-78.
[25]苏湛,陈学谦,艾均等.基于用户相似性选择及标签距离的推荐算法[J].应用科学学
报,2023,41(06):940-957.
[26]陈道佳,陈志云.分层级描述感知的个性化推荐系统[J].华东师范大学学报(自然科
学版),2023,(06):73-84.
[27] 陈静 , 胡祥 科,彭煦 等 .电子 档 案实 时推荐系统 模型优 化应用研究 [J].北京档
案,2023,(11):32-34.
[28]卢敏,马鹏飞.基于序列交叉融合的多行为会话推荐模型 [J].计算机工程与设
计,2023,44(11):3496-3503.
[29]张小婉,邓秋军,柳先辉.结合图注意力机制的知识图谱推荐算法[J].计算机科
学,2023,50(S2):464-470.
[30]贺冰心.基于画像技术的大学生就业资源个性化推荐系统 [J].中国新技术新产
品,2023,(21):16-18+26.
[31]白取鑫,艾力亚斯江,王厚永等.一种基于注意力机制的冷启动流量套餐推荐系统
[J].中国新通信,2023,25(21):66-68+77.
[32] 李颖 , 王月 ,郝建 军等 .基于互信息的中 医症 状推荐系统 [J].自动化与信息 工
程,2023,44(05):52-57.
[33] 张 碧玉 ,刘毅 ,孙哲 等 .考虑协 同配送的 两阶 段车货 匹配 推荐系统 [J].物流 科
技,2023,46(20):95-104.
[34] 郭 静 菡 . 面 向 用 户 偏 好 的 个 性 化 音 乐 智 能 推 荐 系 统 [J]. 自 动 化 技 术 与 应
用,2023,42(10):108-112.
[35]郭宏,伊亚聪,闫献国等.基于 Jaccard 的协同过滤刀具推荐算法[J].太原科技大学

33
 上海立信会计金融学院普通本科生毕业论文（设计）

学报,2023,44(05):464-468+475.
[36]许天月,柳先辉,赵卫东.基于知识图谱与用户兴趣的推荐算法[J/OL].计算机科
学,1-13[2023-12-20]
[37]吴杰,姜宜鑫,韩国敬等.一种基于变分推断的可评判推荐算法[J].计算机技术与发
展,2023,33(10):150-156.
[38]李莉,聂文海,王浩楠等.基于机器学习的指标协同自适应推荐算法[J].信息技
术,2023,(09):119-124.
[39]王丽兰.基于 Apriori 算法的高职院校图书精准推荐系统[J].河北软件职业技术学
院学报,2023,25(03):6-9.
[40]丁婧娴,李翔,孙纪舟等.融合多特征和双向图分类的专家推荐方法[J].数据采集与
处理,2023,38(05):1214-1225.
[41]吴珂彤,贾双英,李恒博.基于 K-means 的个性化视频推荐方法研究[J].现代计算机,
2023,29(17):95-99.
[42] 宋 莉 . 面 向 在 线 学 习 的 个 性 化 学 习 资 源 推 荐 系 统 设 计 [J]. 兰 州 工 业 学 院 学
报,2023,30(04):85-90.

34
上海立信会计金融学院普通本科生毕业论文（设计）

附 录

35
 上海立信会计金融学院普通本科生毕业论文（设计）

致 谢

本文是在钱佳威老师细致、耐心地指导下完成的。从论文选题到最终完成，钱佳威
老师给了我很多的建议和帮助，让我在完成论文的同时，学到了很多。在此，我衷心感
谢钱佳威老师在论文完成过程中给予我的帮助。
同时，我要感谢学校和信息管理学院所有老师在这四年大学学习生活中对我的教
导和帮助，让我在收获知识的同时，丰富了人生的阅历，在此，我由衷地向你们表示
感谢。

致谢人：
2024 年月日

36