The goal of the thesis is to evaluate content-based recommender systems in the domain of video games. The thesis compares approaches based on Linked Open Data and natural language parsing(NLP) with traditional approaches which are only based on NLP methods. The purpose of a recommender system for an user is to present the most relevant products from a larger set of products. In the domain of this project the set of products are Greenlight submissions and the relevant submissions are those which a specific Steam user would want to discover, rate and eventually buy. Recommender systems can very roughly be categorized into two distinct approaches (i ) content-based and (ii ) collaborative. A third approach (iii ) hybrid combines the other two approaches.
본 연구의 목적은 내용기반 추천 시스템 연구로서 비디오 게임을 도메인으로 설정 하였다.
본 논문에서는 링크드 오픈 데이터를 이용한 접근과 기본적인 자연어 처리 기반의 실험을 통하여 비교하였다.
본 논문에서의 추천 시스템은 유져의 구입 내역을 토대로 가장 연관있는 제품을 찾는것이 주요 목적이 된다. 이 프로젝트의 도메인은 Valve사에서 제공하는 Greenlight의 구매내역을 기반으로 User가 구매한 내역과 가장 가까운 게임을 찾아준다. 시스템에서 사용한 분류 방법으로는 content-based, collaborative, hybrid 총 3가지 방식으로 실험을 진행 하였다.
비디오 게임 영역에서 콘텐츠 기반 추천인 시스템이 어떻게 달라지는지 평가하였다. NLP방법을 기반으로 하는 기존의방식과LOD 형식의 데이터를 자연어 처리 방법에따라 실험하고 비교한다.
