Utilização de Mean-adjusted KNN e SVD para sistemas de recomendação baseado em filtragem colaborativa aplicado à jogos de tabuleiro

Abstract

Resumo: Este trabalho explora a aplicação de sistemas de recomendação no contexto de jogos de tabuleiro, visando melhorar a experiência dos usuários em plataformas especializadas. Foram avaliados dois algoritmos de filtragem colaborativa: Mean-adjusted KNN (KNNma) (com diferentes métricas de distância) e Singular Value Decomposition (SVD), utilizando dados reais da plataforma Ludohall. Após tratamento dos dados e normalização das avaliações, aplicou-se validação cruzada Leave-One-Out, comparando os algoritmos pelas métricas Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), Cumulative Hit-Rate (cHR) e Serendipity. Os resultados mostraram que, embora o KNNma tenha tido leve vantagem em erros médios (RMSE e MAE), o SVD se destacou em Serendipity e cHR, indicando maior capacidade de recomendar jogos novos e favoritos com precisão. Conclui-se que o SVD é mais indicado para sistemas de recomendação em jogos de tabuleiro, por combinar escalabilidade, personalização e inovação nas sugestões. O estudo reforça a importância de métricas qualitativas para além da acurácia tradicional e sugere, para pesquisas futuras, a adoção de modelos híbridos e uso de dados implícitos

Abstract: This study explores the application of recommendation systems in the context of board games, aiming to enhance user experience on specialized platforms. Two collaborative filtering algorithms were evaluated: Mean-adjusted KNN (KNNma) (using different distance metrics) and Singular Value Decomposition (SVD), based on real data from the Ludohall platform. After data preprocessing and rating normalization, LeaveOne-Out Cross-validation was applied to compare the algorithms using the metrics Root Mean Squared Error (RMSE) and Mean Absolute Error (MAE) and Cumulative Hit-Rate (cHR) and Serendipity. The results showed that although KNNma had a slight advantage in average errors (RMSE and MAE), SVD stood out in Serendipity and cHR, indicating a greater ability to accurately recommend both new and favorite games. It is concluded that SVD is more suitable for board game recommendation systems, as it combines scalability, personalization, and innovation in its suggestions. The study reinforces the importance of qualitative metrics beyond traditional accuracy and suggests, for future research, the adoption of hybrid models and the use of implicit data