• Alle gegen einen – Entwicklerblog 01.11.2018 - 18:46 3
    Folgenden Nutzern gefällt das Design: Michael, damios, TroMu

    Ich dreh das Thema mal etwas freizügig um: „Einer gegen alle“ aus Sicht von allen – „Alle gegen einen“.

    Ziel wird sein, mehrere Spieler gleichzeitig auf einen „Endgegner“ losgehen zu lassen – dafür ist einiges an Koordinationsaufwand nötig, damit ihn alle zeitgleich erreichen. Denn sonst macht der Eine alle platt, einen nach dem anderen.

    Vielleicht stülpe ich noch ein richtiges Thema rüber. Bisher ist es rein abstrakt.


    Kommentare: 4
  • Empfehlungssysteme – Teil 2: Kollaboratives Filtern 28.06.2017 - 17:28 2
    Folgenden Nutzern gefällt das Design: damios, krazun

    Demnächst folgt auf Pewn eine Anzeige von empfohlenen Spielen für jeden einzelnen Nutzer, wie man sie von mittlerweile so gut wie allen Seiten im Web kennt. Hauptsächlich benutzt wird dafür Recown, eine von mir entwickelte Bibliothek für Empfehlungen. Vor mehr als einem Jahr hatte ich schon einmal daran gearbeitet und ein inhaltsbasiertes Filtersystem vorgestellt, das heute bei den Spielen für die „Anzeige der ähnlichen Spiele“ zuständig ist.

    Ich werde hier kurz erklären, wie die Erstellung von Spieleempfehlungen funktioniert. Recown ist open source, der Quellcode kann auf Gitlab eingesehen werden. Wer es nicht abwarten kann und schon einmal sehen möchte, welche Spiele ihm oder ihr vorgeschlagen werden könnten, kann einen Blick auf eine ziemlich lang geratene Beispielausgabe werfen, die mit den Daten von Pewn über die Pewn API arbeitet.

    Das Prinzip

    Ein Bild sagt mehr als tausend Worte und in diesem Fall gibt es auf der englischsprachigen Wikipediaseite zu kollaborativem Filtern eines, das die Grundzüge perfekt beschreibt:

    Kollaboratives Filtern

    Abbildung 1. Funktionsweise von kollaborativem Filtern.
    (von Wikipedia-User Moshanin, veröffentlicht unter einer CC BY-SA 3.0 Lizenz)

    Das Prinzip ist also sehr einfach: Für einen User wird zuerst anhand der Bewertungen nach ähnlichen Usern gesucht, und anschließend auf Grundlage ihrer Bewertungen die Bewertung für ein Item abgeschätzt. Diese zwei Schritte sind schon alles, was man für persönliche Empfehlungen benötigt.

    Schritt 1 – ähnliche User bestimmen

    Ähnlichkeit ist bei Empfehlungsdiensten ein sehr wichtiger und zentraler Punkt. Erinnern wir uns an Teil 1, das inhaltsbasierte Filtern, dann wurden dort ähnliche Spiele anhand der Kosinus-Ähnlichkeit ermittelt. Das könnten wir bei Usern nun ebenfalls machen und das wird auch von Recown unterstützt. Recown bietet aber noch einen alternativen Ansatz an, der unter Umständen bessere Ergebnisse liefern kann, die Pearson-Korrelation. Die Pearson-Korrelation misst, wie sehr zwei Nutzer in ihren Bewertungen übereinstimmen (also wie die Kosinus-Ähnlichkeit), betrachtet dabei aber nur die gemeinsam bewerteten Spiele und bezieht die durchschnittliche Bewertung der User mit ein. Am Beispiel:

    atzimmer und krazun sind zum einen zwei recht aktive Nutzer, zum anderen haben sie auch recht viele Bewertungen abgegeben, weshalb ich sie mir hier einmal herauspicke. Gemeinsam bewertet haben sie nur drei Spiele: Respawn Attack (atzimmer 6 Sterne, krazun 7 Sterne), The Dead Beneath (atzimmer 7 Sterne, krazun 8 Sterne) und Bomberman (atzimmer 5 Sterne und krazun 7 Sterne).

    Nach der Kosinus-Ähnlichkeit würden sie zu 18 % übereinstimmen, es gibt jeweils eine Menge anderer Spieler, die ihnen deutlich ähnlicher sind. Tatsächlich haben sie ja bei den drei gemeinsamen Spielen andere Bewertungen abgegeben. Nach der Pearson-Korrelation stimmen beide aber zu 79 % überein. Zwar haben beide unterschiedlich bewertet, krazun liegt aber jeweils immer ein bis zwei Sterne über der Bewertung von atzimmer. Das reicht aber noch nicht aus. Ein Blick auf die durchschnittliche Bewertung zeigt, dass krazun im Schnitt knappe 7 Sterne vergibt, atzimmer ist kritischer und vergibt durchschnittlich 4 Sterne. Das heißt, dass die 3 Spiele von beiden jeweils (über)durchschnittlich bewertet wurden und erklärt die starke Ähnlichkeit der beiden, die durch die Kosinus-Ähnlichkeit nicht zu erkennen war. Mit der Pearson-Korrelation ist krazun nun sogar der Spieler, der atzimmer am zweitähnlichsten ist.

    Wichtig ist bei dem Begriff der Ähnlichkeit, dass man ihn nicht zu eng sieht. Je nach Anwendungsfall kann die eine Ähnlichkeitsbestimmung passender sein als die andere. Das hängt von verschiedenen Faktoren ab, zum Beispiel der Anzahl abgegeben Bewertungen. Recown unterstützt auf jeden Fall beide Varianten, sodass die passendere gewählt werden kann.

    Schritt 2 – Bewertung vorhersagen

    Haben wir eine Abschätzung dafür, welche Nutzer sich ähnlich sind, können wir anhand ihrer Bewertungen eine Vorhersage für Spiele treffen, die ein User noch gar nicht bewertet hat.

    Bleiben wir beim Beispiel von atzimmer. Neben krazun sind noch damios und jonnydjango ähnliche Nutzer. Gehen wir die Spiele durch, die diese drei bewertet haben, aber atzimmer nicht, stoßen wir auf eine ganze Menge an Spielen. Recown zieht nun aber die schon erwähnte Ähnlichkeit der User zu atzimmer in Betracht und ihre Bewertungen, wieder bezogen auf die durchschnittlichen Bewertungen. Die Top 5 Empfehlungen für atzimmer sind demnach mit geschätzter Bewertung:

    1. Gatio - Die Zeit vergeht, nicht aber wir (7,6 Sterne)
    2. Just Get Through (6,8 Sterne)
    3. Bard's Gold (6,6 Sterne)
    4. Canyonbreed (6,6 Sterne)
    5. Twee World, 2D Online Mehrspieler Indie, Open World (6,1 Sterne)

    Also allesamt Spiele, die atzimmer voraussichtlich überdurchschnittlich bewerten würde. Ob und wie gut die Empfehlungen sind, kann er ja vielleicht selber mal sagen wink

    Ausblick

    Wie schon beim inhaltsbasierten Filtern die Hashtags eine tragende Rolle gespielt haben, sind hier vor allem die Bewertungen entscheidend. Davon gibt es leider sehr wenige. Im obigen Beispiel basieren die Empfehlungen für atzimmer auf jeweils einer Bewertung der ähnlichen User – ein Grund, warum vielleicht die Kosinus-Ähnlichkeit (für atzimmer) doch passender sein könnte, da sie mehr ähnliche Nutzer anzeigt.

    Das Problem weniger Bewertungen ist allerdings ein Problem, das nicht nur Pewn betrifft, sondern alle Empfehlungssysteme, die auf kollaborativem Filtern basieren. Deswegen hat es sogar einen Namen bekommen, nämlich „Data sparsity“. Möglichkeiten, wie Pewn das Problem umgehen könnte und zum Teil auch wird:

    • Likes in die Bewertung mit einbeziehen – Das wird kommen. Ein Like geht leichter von der Hand und es gibt viel mehr Likes als Bewertungen. Allerdings sind Likes damit auch nicht ganz so aussagekräftig.
    • Ist das Spiel in der Playlist eines Users? – Wird auch kommen. Bietet noch mehr Möglichkeiten der Bewertung, ist aber noch ungenauer. Playlist bedeutet ja meist, dass der User das Spiel noch gar nicht gespielt hat.
    • Implizite Bewertungen – So etwas wie Aufrufrate eines Spiels, Scrollweite, Likes für Blog- und Designbeiträge, Suchanfragen, Verweildauer auf einer Spieleseite, Downloads… Das gäbe die Möglichkeit, Bewertungen anhand vieler Faktoren zu erstellen, ohne dass der User explizit eine Bewertung abgibt. Wird aufgrund des Umfangs erst einmal nicht kommen.

    Zusätzlich zu den beschriebenen Empfehlungen unterstützt Recown auch noch weitere Möglichkeiten, Empfehlungen zu geben:

    • Spieler, denen Spiel X gefallen hat, gefällt auch Spiel Y – Bekannt geworden durch Amazon. Bei einem Spiel wird geguckt, wer es gut bewertet hat und dann wird nachgesehen, welche Spiele der User noch gut bewertet hat – diese werden empfohlen.
    • Ähnliche Spiele zu den am besten bewerteten Spielen finden – Verbindet Bewertungen und inhaltsbasiertes Filtern: Zu den am besten bewerteten Spielen eines Nutzers wird nach ähnlichen Spielen gesucht. Recht einfach, aber auch effektiv.
    • Beste Spiele zu beliebten Hashtags anzeigen – Ein hybrider Ansatz, der kollaboratives und inhaltsbasiertes Filtern verbindet. Anhand der Bewertungen eines Users kann abgeschätzt werden, wie gut er oder sie bestimmte Hashtags findet. Bewertet ein Spieler zum Beispiel ausschließlich Spiele mit dem Hashtag „Linux“, kann man dementsprechend Spiele empfehlen – nach obigem Prinzip der vorhergesagten Bewertungen.
    • Alle Spiele zu beliebten Hashtags – Die gerade genannte Variante liefert oftmals kaum Spiele. Einfach alle Spiele zu einem Hashtag anzuzeigen würde mehr Ergebnisse liefern.

    Ob, und wie diese Punkte umgesetzt werden, steht noch nicht fest. Die Möglichkeit ist aber da.

    Vor allem, wenn Likes noch miteinbezogen werden, denke ich, sollten schon wirklich gute Empfehlungen auf Pewn möglich sein. Wie gut die Empfehlungen sind, könnt ihr dann ja mal kommunizieren wink (Und nochmal: Wer jetzt schon schmulen möchte: Klick)
    Edit: Likes sind nun über die Pewn-API abrufbar, ich werde zeitnah ein Update nachreichen.

     

    Ich hätte auch große Lust, noch an einem dritten Teil der Serie zu arbeiten. Bisher waren beide Varianten der Empfehlungssysteme sogenannte speicherbasierte. Sehr reizvoll für mich wären nun noch modellbasierte Empfehlungssysteme, bei denen man neuronale Netze mit den entsprechenden Bewertungen füttert und guckt, was dabei herauskommt.


    Kommentare: 1
  • Salita – 4 Wochen zum Spiel 23.05.2017 - 11:50 3
    Folgenden Nutzern gefällt das Design: damios, Michael, krazun

    Vier sehr intensive Woche sind nun vorüber und am Ende steht tatsächlich ein fertiges, spielbares Spiel, das sogar Spaß macht – behaupte ich mal. Ich weiß nicht so recht, wo ich anfangen soll, also beginne ich vielleicht am Anfang.

    Am Anfang stand die Idee. Handeln, bauen und produzieren sind ziemlich viele Anforderungen, wie ich finde. Ich hatte schon immer mal die Idee eines Spiels im Stile der Medici – dass man eine Familie managen muss – und mir auch schon mal Gedanken über ein Spielkonzept gemacht, in dem Zeit sofort verstreicht, wenn man etwas macht und man nicht erst warten muss, bis man die nächste Aktion anstoßen kann. Beides hatte ich aber immer nur im Hinterkopf und nie wirklich fokussiert, weil das ja total zeitintensiv wäre, wenn man das mal umsetzen würde – ich sollte Recht behalten.

    So habe ich dann aber entschieden, drei Fliegen mit einer Klappe zu schlagen. Die Themenvorgabe in das 15. Jahrhundert nach Italien verfrachten und Aktionen durch das Zeitsystem umzusetzen. Es folgte Recherche zu den Gilden und Zünften in Florenz und das Thema hat mir gleich gut gefallen. Die Gebäudetypen und Waren standen recht schnell, nachdem ich mich auf 12 Gilden festgelegt hatte.

    Es hätte ein guter Start werden können, wenn da nicht noch das Programmieren gewesen wäre wink

    Nachdem ich Libgdx frustriert in die Ecke geschmissen habe, stand etwas Anzeigbares, im Prinzip nur ein „Hello World“, erst eine Woche nach Themenvergabe. Beim nächsten Mal werde ich mich also vorher schon mit den Tools beschäftigen, die ich dann verwende wink

    Dass ich was aus HTML und CSS zusammengekleistert habe, ist auch schon etwas länger her gewesen, sodass es im Frontend nicht wirklich flott voran ging. Auch, dass ich von Java auf Javascript umgeschwenkt bin, hat sicherlich nicht zum guten Vorankommen beigetragen. Ich wollte aber sowieso schon immer mal in Javascript reinschnuppern, sodass ich auch hier wieder mehrere „das-wollte-ich-schon-immer-mal“ mit einander verbinden konnte. Der Game Jam hat also schon frühzeitig wahnsinnig viel neues Wissen und neue Erkenntnisse hervorgebracht. Und es sollten noch mehr kommen.

    Eine weitere Erkenntnis ist nämlich die, dass das wohl auf absehbare Zeit zumindest in diesem Umfang das erste und auch letzte Mal war, dass ich was mit Javascript gemacht habe. Hat mir so gar nicht zugesagt.

    Der Funktionsumfang ging dennoch im Gegensatz zu allem, was mit der GUI zu tun hat, recht flott voran. Funktionen umzusetzen hat bei weitem nicht so viel Mühe bereitet, wie diese Funktionen dem Nutzer dann auch zugänglich zu machen. Wichtige Erkenntnis hierbei: GUI-Programmierung macht mir zwar Spaß, ich brauche dafür aber viel zu lange. Allein alles, was man jetzt mit der Karte anstellen kann, umzusetzen und auszutesten, war bestimmt auch ein Tag Arbeit. Im Gegensatz dazu fiel mir z. B. die Simulation wahnsinnig leicht.

    Ich habe es mir dann nicht wirklich leichter gemacht mit der Entscheidung nach zwei Wochen, auch noch Grafiken zu erstellen. Das war tatsächlich noch einmal zeitintensiver als alles zuvor. Geschätzt hat mich das Heraussuchen, Bearbeiten und Erstellen der Grafiken ungefähr anderthalb Wochen auf Trab gehalten. Auch das hat Spaß gemacht und ich bin schon überrascht, wie zufrieden ich mit dem Ergebnis bin, allerdings werde ich in Zukunft noch einmal einen völlig anderen Blick auf alles Grafische haben. Jeder, der da tolle Grafiken innerhalb von Stunden erstellt, hat meinen größten Respekt!

    Ich denke, für den Leser war es vielleicht ohne Waren und Gebäude etc. lange Zeit nicht so ganz klar, was das eigentlich werden soll, aber auf dem Papier hatte ich das nebenher schon alles durchgeplant, nur noch nicht in Form gegossen. Ein Abend hat dann quasi gereicht, um auch inhaltlich dazu beizutragen, dass es nach Spiel aussieht. Allerdings dachte ich, dass ich dann nur noch schnell die Preise, Produktionsdauern etc. anpassen muss, damit es ein Spiel wird, aber auch hier habe ich mich mal wieder geirrt. Ich habe festgestellt, dass Balancing noch einmal eine Wissenschaft für sich ist und vielleicht sogar den Unterschied zwischen einer guten Idee und einem guten Spiel macht. Ich denke, darauf werde ich bei zukünftigen Projekten einen ganz besonderen Wert legen.

     

    Von 0 auf 100, könnte ich vielleicht zusammenfassend sagen. Ich habe wahnsinnig viel zum ersten Mal gemacht, und es ist schon ein befriedigendes Gefühl, zu wissen, dass ich mich in das alles so gut einarbeiten konnte. Neben dieser ist die vielleicht wichtigste Erkenntnis auch die: Ich habe konsequent den Zeitaufwand unterschätzt. Bei allem. Das wird in Zukunft hoffentlich besser.

     

    Ich möchte auch allen danken, die den Fortschritt verfolgt haben, die das Spiel getestet haben und die das Spiel spielen (werden). Ein ganz besonderer Dank geht an diejenigen, die mir während der Entwicklung ihr Feedback gegeben haben. Ohne euch würden alle Spieler vermutlich wie ein Schwein ins Uhrwerk gucken und nicht wissen, was sie tun sollen sad


    Kommentare: 1
  • Salita - Entwicklerblog 25.04.2017 - 11:29 3
    Folgenden Nutzern gefällt das Design: Vankenthor, damios, krazun

    Mit etwas Verspätung steige ich auch in die Pewn / Webgamers Game Dev Challenge ein. Mit dem Thema „Von Händlern, Handwerkern und Häuslebauern“ war ich zu Beginn zwar nicht so richtig zufrieden, aber dann hatte ich doch recht schnell zwei bis drei Ideen, was ich dazu machen könnte. Eine davon hat sich erst einmal durchgesetzt und dazu habe ich mir bereits ein grobes Konzept zurechtgelegt. Das ist aber eher sekundär. Ich schätze nämlich die Wahrscheinlichkeit, dass etwas Spielbares dabei herauskommt auf ungefähr 5 % laugh Das wird nämlich nicht nur mein erstes Spiel, sondern auch noch das erste Mal, dass ich etwas „im Browser lauffähiges“ programmiere.

    Damit wäre ich auch schon beim ersten Punkt: Oberstes Ziel hat erst einmal, dass ich überhaupt etwas Lauffähiges hinbekomme. Und das so schnell wie möglich. Was ich danach dann überhaupt alles einbauen kann, werde ich dann sehen.

    Ich werde versuchen, hier täglich einen Zwischenstand zu geben. Ist vielleicht auch ganz gut für den Frustabbau wink


    Kommentare: 16
  • Empfehlungssysteme – Teil 1: Inhaltsbasiertes Filtern 10.03.2016 - 14:41 0

    Hier auf pewn.de sind nach mittlerweile über anderthalb Jahren schon 155 Spiele eingetragen – das sind fast 2 Spiele pro Woche. Da braucht man gerade als neuer Benutzer schon eine ganze Weile, bis man die alle gesichtet hat und ein paar für einen selbst interessante Spiele gefunden hat. Zum Glück gibt es vielfältige Möglichkeiten, wie man die Auswahl einschränken kann: Nach Bewertungen gehen, nach den Charts, bei den Entdeckungen stöbern… durch all diese Möglichkeiten habe ich schon selbst das ein oder andere Juwel hier entdeckt.

    Doch nehmen wir einmal an, ich habe mich neu auf pewn registriert und suche nach Spielen, die mich interessieren. Ich gehe in die Spieledatenbank und lasse mir alle Spiele mit dem Hashtag „sciencefiction“ anzeigen – wow, gerade mal ein Ergebnis, eXperinox. Na gut, es sieht ziemlich gut aus, die Bewertungen sind dementsprechend, vielleicht spiele ich es sogar an und es gefällt mir. Aber: gibt es nicht noch mehr Spiele in diese Richtung, die mir auch gefallen könnten?

    Jetzt könnte ich selbst anfangen, nach ähnlichen Spielen zu suchen. Vielleicht komme ich noch auf das Hashtag „scifi“, oder auf die Idee nach weiteren „weltraum“-Spielen zu gucken. Vielleicht aber auch nicht. Das ist der Punkt, an dem Empfehlungssysteme ansetzen. Nicht den User suchen lassen, sondern dem User schon passende Spiele vorschlagen, bevor er überhaupt auf die Idee kommt zu suchen. „Wenn Dir dieses Spiel gefällt, könnten Dir auch die folgenden gefallen…“ – inhaltsbasiertes Filtern nach möglichen, passenden Spielen.

    Ich habe mal eine total stupide und naive Implementierung eines solchen Empfehlungssystems vorgenommen und testweise auf die Spiele bei pewn losgelassen. Der Aufwand war überraschend gering und die Ergebnisse überraschend gut. Den Java-Quellcode gibt es auf gitlab, ich werde hier kurz die Grundzüge erläutern und ein paar Ergebnisse präsentieren.

    Das Prinzip

    Ziel ist es also, zu einem gegebenen Spiel (oder allgemeiner „Item“) aus allen anderen Spielen diejenigen auszuwählen, die „am besten“ dazu passen. Doch wie ermitteln wir, wie gut zwei Spiele zueinander passen?

    Das Schöne an pewn ist, dass jedes Spiel Hashtags hinzufügen kann. In je mehr Hashtags zwei Spiele übereinstimmen, desto ähnlicher sind sie sich wahrscheinlich. Schauen wir uns z. B. die drei Spiele eXperinox, Final Cumeda und Realms of Gondar mit ihren Hashtags an:

    e: action, mmo, strategie,        sciencefiction, weltraum, browsergame, browserspiel
    f: action, mmo, strategie, scifi,                 weltraum, browsergame,              simulation
    r:                                                                                    simulation

    Für jedes Hashtag, das im Spiel vorkommt, schreiben wir eine 1, für jedes, das fehlt, eine 0. Somit erhalten wir die Vektoren

    e = (1, 1, 1, 0, 1, 1, 1, 1, 1, 0)
    f = (1, 1, 1, 1, 0, 1, 1, 1, 0, 1)
    r = (0, 0, 0, 0, 0, 0, 0, 0, 0, 1)

    Wie intuitiv klar sein sollte, sind sich eXperinox und Final Cumeda ähnlicher als Realms of Gondar und Final Cumeda. Sie stimmen in vielen Hashtags überein, Realms of Gondar stimmt zwar in 100 % seiner Hashtags mit Final Cumeda überein, hat aber auch nur dieses.

    Ein (gutes) Maß zur Bestimmung der Ähnlichkeit ist nun die Kosinus-Ähnlichkeit, bei der die Winkel zwischen den Vektoren berechnet werden. Das liefert:

    sim(e, f) = 5/7       = 0,714…
    sim(r, f) = 1/sqrt(7) = 0,377…

    Die Werte werden sich bei uns zwischen 0 und 1 bewegen, wobei 0 keiner Übereinstimmung entspricht und 1 einer vollständigen.

    Werfen wir nun einen Blick auf die Hashtags aller Spiele, so stellen wir fest, dass einige Hashtags von ziemlich vielen Spielen verwendet werden und einige von zum Teil nur einem einzigen. Das Hashtag „windows“ wird z. B. sehr oft verwendet und ist natürlich nicht so aussagekräftig für die Ähnlichkeit zweier Spiele wie das viel seltenere Tag „puzzle“. Das können wir allerdings ausnutzen, um unsere Ergebnisse zu verbessern. Wir schätzen die Wichtigkeit eines Hashtags z. B. durch das „Tf-idf-Maß“ ab. Die Idee: in je mehr Spielen ein Hashtag vorkommt, desto unwichtiger wird es. Wir setzen dann den Wert im Vektor nicht mehr wie oben auf 1, sondern auf das zuvor berechnete Gewicht des Hashtags. Und die Ergebnisse können sich zum Teil sehen lassen.

    Ausgewählte Ergebnisse

    Mit der vollständigen Implementierung kann jede(r) Interessierte gerne selbst ein bisschen herumspielen, eine Liste der Spiele mit den jeweils 5 besten Empfehlungen ist auch verfügbar (werde ich aber voraussichtlich nicht aktualisieren). Ich werde hier nur kurz auf einige (in meinen Augen) interessante Ergebnisse eingehen.

    Kehren wir noch einmal zu unserem Ausgangsbeispiel zurück: Was wird uns nun empfohlen, wenn wir gerade eXperinox betrachten? Final Cumeda, Da Vincis Erbe, PLANExT, Tycoopoli$ und Antares Open World – allesamt Spiele, die in meinen Augen sehr gut passen und die z. T. doch ein bisschen überraschend sind. Tatsächlich hat auch der Hälfte der Spieler, denen eXperinox gefällt, auch mindestens eines der anderen 5 gefallen – wie vom Modell gut vorhergesagt wurde.

    Gerade Hashtags wie „Strategie“ und „Simulation“ liefern eine eigene „kleine Wolke“ von 9 Spielen, die sich allesamt gegenseitig „empfehlen“. Da taucht nur ganz selten eine Empfehlung auf, die nicht wirklich reinpasst. Hier sieht man schon einmal, wie hilfreich ein gutes Hashtag ist – am besten einfach mal selbst ausprobieren.

    Weitere gute Empfehlungen kann man sogar auch erhalten, wenn ein Hashtag gar nicht existiert, die Zusammenhänge aber dennoch (durch andere Tags) aufgedeckt werden. So vermisse ich zum Beispiel schon seit geraumer Zeit ein Hashtag „pointandclick“ oder so ähnlich. Genügend Spiele, die dafür in Frage kämen, gäbe es. Gatio kündigt sich selbst z. B. mit „GATIO - ein Point & Click Adventure“ an, benutzt ein passendes Tag aber nicht. (Das Hashtag „pac“ wird nur von Gatio verwendet und soll eigentlich „pac-dk“ heißen, wird aber zu „pac“ geparst). Dennoch werden erstaunlich passende Spiele vorgeschlagen: Space Geekz - Die KnusperflockenverschwörungNo Way OutSherlock Holmes und die ThorbrückeSkazka und The Forgotten Time. 3 davon ebenfalls Point & Click Adventure.

    Ausblick

    Ein inhaltsbasiertes Empfehlungssystem steht und fällt mit dem „Inhalt“, in diesem Fall den Hashtags. Die sind bei vielen Spielen bisher recht schwach, bei vielen sogar nicht einmal vorhanden. Ein gutes Beispiel hierfür ist u. a. das Hashtag „snake“. Limousnake und Battle Snakes verwenden es beide und haben dadurch beide eine sehr hohe Übereinstimmung. Andere Snake-Spiele wie Hexagon-Snake oder der Snake-Klon benutzen es nicht und tauchen deshalb momentan auch nicht als Empfehlungen bei den anderen beiden auf.

    Wird das verbessert (z. B. dadurch, dass User Hashtags hinzufügen können oder Entwickler deutlich auf „gute“ und viele Hashtags hingewiesen werden), könnten schon mit wenig Aufwand richtig gute Empfehlungen erreicht werden – und Amazon, eBay, Last.fm, IMDb und viele, viele andere machen vor, wie hilfreich Vorschläge für die Nutzer sind.

    Sehr zu empfehlen ist auch der (englische) Wikipedia-Artikel zum Thema: Recommender System.

    Wenn Ihnen dieser Blog-Eintrag gefallen hat, gefällt Ihnen vielleicht auch dieser: „Empfehlungssysteme – Teil 2: Kollaboratives Filtern“.  (Verfügbar, sobald in der pewn-Api auf Bewertungen zugegriffen werden kann.)


    Kommentare: 5