Steam推荐系统：利用Steam游戏商店中游戏数据的协同过滤技术进行推荐。

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。为了进行大多数数据处理操作，我们利用了Pandas库，并运用了一些字符串函数来清理非Unicode和非字母数字的文本内容。同时，前端开发则依赖于Flask和JavaScript技术。在构建此推荐系统时，我们整合了两个数据集。首先，我们使用了来自Kaggle的数据集，其目的是将游戏名称与其对应的应用程序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；这些数据集以用户每个游戏在每个小时内的小时数形式呈现隐式评分。其次，用户数据集同样来自Kaggle，它记录了每个用户在玩游戏过程中花费的小时数。我所做的工作是，将这些隐式的评分时间转化为1到5的显式评分等级。具体而言，我通过对额定值进行线性映射来将其范围调整为平均游戏小时数在整个数据集中所占的比例。最后，端点数据集是通过将我们的数据集中的游戏者应用程序ID与包含游戏标头图像的媒体数据集进行的内部连接生成的。该数据集主要用于从前端检索浏览器中显示的媒体内容。