随着互联网的普及和游戏市场的快速发展，游戏数据已经成为了解玩家行为、市场需求和行业趋势的重要资源。为了更好地分析游戏热度，本文开发了一款基于机器学习的个性化游戏推荐系统。首先通过selenium爬虫库获取到STEAM游戏网站关于游戏的数据，包括有游戏的内容，评论的内容，玩家的性别，游戏时长等数据。然后通过Echarts展示游戏列表和简介，玩家年龄统计，玩家受教育程度统计，游戏时长统计等可视化数据。另外，当用户收藏游戏的时候，系统会根据协同过滤算法机器学习训练的模型，给出推荐的游戏列表信息。总的来说，该系统通过整合Python编程语言、Django框架、MySQL数据库、Hadoop分布式计算平台、Vue前端框架和ECharts图表库等技术，实现了对STEAM游戏数据的全面分析和可视化。希望通过这款系统，开发商可以更好地了解玩家喜好和市场趋势，为游戏开发和营销提供有力支持。
根据以上的功能需求情况，整体的功能模块包括有前台vue项目，后台项目包括django后端项目模块和爬虫模块。前台vue的页面主要页面包括注册与登录页面，数据可视化展示页面，爬虫模块主要用来爬取STEAM网的相关数据信息的，通过使用hadoop进行数据的存储，django后台用来提供前台所用的json数据。其中游戏推荐功能的实现是基于机器学习功能之后的应用阶段。
用户进入本系统可查看系统首页信息，展示的可视化数据包括有游戏列表和简介，玩家年龄统计，玩家受教育程度统计，游戏时长统计等。主页中的图标数据主要是通过Echarts框架的功能，只需要创建对应的实体类，便可以获取对应的展示信息。
