Steam推荐系统采用协同过滤技术，基于Steam游戏商店中可用的游戏进行推荐。

简介：
蒸汽推荐系统构建于Steam用户库数据集之上，并采用协同过滤算法（基于皮尔逊相似系数）进行推荐。为了执行大部分数据处理任务，我们使用了Pandas库，并运用了部分字符串函数来清理非Unicode和非字母数字字符。此外，前端开发则依赖于Flask和JS技术。在搭建此推荐系统时，我们整合了两个数据集。首先，我们利用了Kaggle平台上的数据集。这个数据集的主要目的是将游戏名称与对应的应用程序ID关联起来，这是必要的，因为其他数据集并未包含应用程序ID信息，而是以用户在每个游戏中的小时数形式呈现隐式评分。用户数据集同样来源于Kaggle平台。该隐式评分数据集记录了每个用户在玩游戏时所花费的小时数。具体而言，我将这些隐式评分的时间信息转化为1到5的显式评分。通过对额定值进行线性映射，并将映射结果与整个数据集中平均的游戏小时数进行比较，从而确定每个游戏的最终评分范围。端点数据集则通过将我们的数据集中的游戏者应用程序ID（appid）与包含游戏标题图像的媒体数据集进行内部连接来构建而成。这个数据集主要用于从前端浏览器检索相关的媒体内容。