- 选题背景和意义：
随着我国经济发展和人民生活水平的不断提高，人们特别是青少年一代的精神文化生活日益丰富，电子游戏作为随着计算机科学发展应运而生的一项文化活动产业也在高速发展，国内电子游戏市场规模的不断扩大，游戏个数和种类快速增长，导致玩家需要花费大量的时间才能找到自己想体验的游戏。这种浏览大量无关的信息和产品过程无疑会使淹没在信息过载问题中的消费者不断流失；
为了解决这些问题，个性化推荐系统应运而生。但是国内的推荐系统都是以平台推荐为主，这种附属于游戏平台的推荐系统，不仅在推荐精确度上具有一定的局限性，并且其推荐的产品也具有一定的利益倾向性，对于一些优秀的游戏产品，由于其开发公司规模和资本的局限性，很有可能被淹没在茫茫的参差不齐的产品中，使得我国游戏产业不能健康良性地发展，也使得消费者不能体验到真正自己喜欢的并且适合自己地游戏产品。
服务于个人的游戏推荐系统不仅可以独立于平台为消费者个人服务，还可以利用大数据获取个人的历史游戏数据使得推荐更具加精确，提高消费者的游戏体验；同时，服务于个人的游戏推荐系统可以为游戏开发商提供一个更加公平的竞争机会，对于促进我国游戏产业的健康发展，丰富人们的游戏文化生活具有积极意义。
- 课题关键问题及难点：
虽然推荐系统的开发已经具有成熟的算法和程序，然而独立于平台而服务于个人的推荐系统在国内外的研究还是空白，目前市场上的推荐系统产品基本上都是构建在一定的平台上。因此，如何设计一个独立的游戏推荐系统框架和结构，是本课题的关键所在。
同时，影响推荐系统准确度的不仅仅是算法上的问题，如何根据该推荐系统的服务人群和产品选择合适的标签和影响因子决定了在设计该推荐系统数据库需要读取哪些数据；而目前国内外游戏市场呈快速增长趋势，各种游戏产品呈井喷式涌现，游戏的类型和特点也呈现出多元化和交叉性的特点，因此如何利用所收集的用户和产品数据从数据库中进行推荐，是本课题的难点之一。
其次，服务于个人的游戏推荐系统不仅能够完成目前依附于平台的推荐系统所拥有的一般的推荐功能，还应具有学习能力即能够不断通过为个人的推荐数据和用户的真实数据进行学习，不断增强其推荐的精准度。
着信息时代的不断发展，信息过载是目前互联网用户面临的一个严重问题，对于信息消费者，从大量信息中找到自己感兴趣的信息是一件非常困难的事情；对于信息生产者，让自己生产的信息脱颖而出，受到广大用户的关注，也是一件非常困难的事情。推荐系统就是解决这一矛盾的重要工具，推荐系统的任务就是联系用户和信息，一方面帮助用户发现对自己有价值的信息，另一方面让信息能够展现对它感兴趣的用户面前，从而实现信息消费者和信息生产者的双赢[1]。对于个性化推荐研究最早开始于上个世纪90年代，当简单引擎搜索结果并不能够满足用户对信息的需求时，路海明等人提出一种基于Agent技术的web主动信息服务的研究应用，利用bookmark中的信息，建立用户agent，实时跟踪用户兴趣改变，及时将用户潜在感兴趣的内容进行推荐[2]。这一类方法在一定程度上依赖与用户互动，如果用户没有添加url进入bookmark或者对于agent推荐的url不做评价，对其推荐精度有一定影响[3]。
目前，在推荐系统的算法方面，主要有以下几种推荐算法：基于内容的推荐算法、基于协同过滤的推荐算法、基于网络结构的推荐算法、混合型推荐算法。这几种推荐算法都存在一定的问题，严重影响了算法的可靠性和准确性；因此，国内外的学者针对算法存在的问题提出了不同的优化策略：刘杨提出一种将基于内容和基于协同过滤相混合的推荐算法——语义增强型的协同过滤算法[4]；吴兴宇提出一种将文本内容的特征填充到协同过滤算法中,以此来缓解传统协同过滤中出现的数据稀疏问题[5]；Ja-Hwung Su等人提出利用社交媒体标签代替用户评分来计算音乐作品之间的相似度[9]，通过提出的基于标签的相似度，可以有效地推断隐藏在标签中的用户偏好，解决协同过滤中评级多样性的问题。
而在游戏推荐系统的分析和设计方面，尤海浪、钱锋等人给出了一种基于大数据挖掘的手机游戏平台个性化推荐机制[6],通过对游戏用户行为数据的获取、存储、清洗、挖掘,由改进的余弦相似度算法计算出游戏的相似度,向用户推荐其喜欢的游戏；陈耀旺、严伟等人将深度神经网络应用于网吧游戏推荐场景,分析用户的个人偏好[7],根据时间推移兴趣的变化,对用户历史游戏行为记录进行建模训练,为用户提供个性化Top-N游戏推荐；陈龙引入协同过滤推荐算法[8],设计和实现了基于协同过滤的认知训练游戏个性化推荐系统,通过基于内容的推荐算法和项目评分预测算法来排除问题,提高推荐系统精度。
参考文献：
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
