Em jogos modernos, como Call of Duty: Warzone, Genshin Impact ou World of Warcraft, é comum ver sugestões do tipo:

“Use essa arma, ela está funcionando bem para jogadores como você.”

Isso não é mágica — é ciência de dados aplicada ao gameplay. Jogos usam sistemas de recomendação para personalizar a experiência, indicando armas, habilidades ou equipamentos com base no seu histórico e no comportamento de outros jogadores semelhantes.

Esses sistemas ajudam a:

• Melhorar a performance do jogador;

• Reduzir o tempo de experimentação com armas fracas;

• Tornar o jogo mais envolvente, entregando sugestões certeiras

🤖 Mas como o jogo sabe o que recomendar?

A resposta: técnicas de recomendação baseadas em similaridade.

Existem vários métodos para recomendar itens (neste caso, armas) para jogadores. Dentre eles — e o que exploramos aqui — é o método baseado em similaridade entre usuários.

📐 A Matemática por Trás da Similaridade: Distância Euclidiana

Vamos imaginar que dois jogadores avaliaram algumas armas de 1 a 5:

• Ana: Espada Luminosa (4.5), Arco das Sombras (3.5)

• Marcos: Espada Luminosa (3.0), Arco das Sombras (4.5)

Para saber o quão parecidos são Ana e Marcos, usamos a distância euclidiana, que mede a “distância” entre os dois pontos (as avaliações) no espaço. Neste caso no espaço 2D.

 distancia=√(4.5−3.0)2+(3.5−4.5)2

O resultado será uma medida de dissimilaridade — quanto maior, menos parecidos os jogadores são.
Para transformar isso em similaridade, usamos:

similaridade= 1/(1+distancia)

Assim, obtemos um valor entre 0 e 1, onde 1 significa jogadores idênticos e 0 significa sem similaridade.  Note a Figura 1.0, onde é apresentado a similaridade entre os jogadores. Quanto mais próximo de 1, mais similares são.

🧠 Como funciona a recomendação de armas?

Após calcular a similaridade entre o jogador-alvo e os demais, o sistema realiza quatro etapas principais:

1. Comparar o jogador com os demais

O algoritmo mede a similaridade entre o jogador e todos os outros. Jogadores com avaliações parecidas são considerados mais relevantes.

2. Identificar armas ainda não avaliadas

O sistema seleciona apenas armas que o jogador ainda não experimentou, mas que foram avaliadas por seus semelhantes.

3. Calcular uma nota ponderada

Para cada arma nova, o sistema calcula uma nota média ponderada, somando as avaliações dos outros jogadores multiplicadas pela similaridade com o jogador-alvo. Jogadores mais parecidos têm maior influência no resultado.

4. Classificar e recomendar

As armas com maior média ponderada são classificadas e recomendadas ao jogador como sendo as que ele provavelmente vai gostar mais.

🔥 Visualizando a Similaridade

A similaridade entre jogadores pode ser visualizada em uma matriz de calor (heatmap). Veja um exemplo:

Quanto mais próximo de 1, mais similar é o jogador à linha da tabela.

🎮 O Problema: O que estamos tentando resolver?

Imagine um sistema com os seguintes dados (exemplo simplificado):

{
"Ana": {
"Espada Luminosa": 4.5,
"Arco das Sombras": 3.5
},
"Marcos": {
"Espada Luminosa": 3.0,
"Arco das Sombras": 4.5
},
"Leonardo": {
"Arco das Sombras": 4.5,
"Cajado do Arquiteto": 4.0
}
}

Se Leonardo ainda não avaliou a Espada Luminosa, mas outros jogadores parecidos com ele deram boas notas para essa arma, o sistema poderá recomendá-la.

📌 Conclusão

Os sistemas de recomendação tornam os jogos mais personalizados e eficientes. Usando uma abordagem simples — como a distância euclidiana invertida — é possível sugerir armas que combinam com o perfil do jogador, melhorando a performance e o envolvimento com o jogo.

Mais do que um algoritmo, trata-se de transformar a experiência em algo único e adaptado. E o melhor: essa lógica pode ser usada para recomendar qualquer elemento do jogo — desde personagens até missões ou estilos de jogo.

Conheça nosso curso de 2D

Conheça mais sobre IA para jogos