利用过程挖掘提高网络游戏客户分类准确率的方法的研究与实现
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 本论文研究的背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 分类分析 | 第11-12页 |
| 1.2.2 网络游戏用户分类 | 第12-13页 |
| 1.2.3 网络游戏用户分类常用方法 | 第13-14页 |
| 1.2.4 存在的问题及发展趋势 | 第14-15页 |
| 1.3 研究内容 | 第15页 |
| 1.4 论文结构 | 第15-16页 |
| 1.5 本章小结 | 第16-17页 |
| 第2章 相关技术及数据集介绍 | 第17-29页 |
| 2.1 过程挖掘 | 第17-20页 |
| 2.1.1 过程挖掘简介 | 第17-18页 |
| 2.1.2 过程挖掘框架 | 第18-19页 |
| 2.1.3 过程特点的定义 | 第19页 |
| 2.1.4 过程挖掘的研究与应用 | 第19-20页 |
| 2.2 Petri网介绍 | 第20-21页 |
| 2.3 聚类分析 | 第21-24页 |
| 2.3.1 聚类的定义 | 第21-22页 |
| 2.3.2 聚类分析的步骤 | 第22页 |
| 2.3.3 聚类分析的数据类型 | 第22-23页 |
| 2.3.4 相似性的度量 | 第23页 |
| 2.3.5 聚类准则函数 | 第23-24页 |
| 2.4 实验数据集介绍 | 第24-27页 |
| 2.4.1 实验数据结构 | 第24-26页 |
| 2.4.2 数据集特点 | 第26-27页 |
| 2.5 本文用语定义 | 第27-28页 |
| 2.6 本章小结 | 第28-29页 |
| 第3章 利用过程挖掘的用户分类算法架构 | 第29-31页 |
| 3.1 问题的提出 | 第29页 |
| 3.2 基于过程挖掘的游戏用户分类算法架构 | 第29-30页 |
| 3.3 本章小结 | 第30-31页 |
| 第4章 游戏日志的过程挖掘算法设计 | 第31-49页 |
| 4.1 过程挖掘算法架构 | 第31-32页 |
| 4.2 数据预处理与数据分割 | 第32-35页 |
| 4.2.1 数据预处理 | 第32-33页 |
| 4.2.2 数据分割 | 第33-35页 |
| 4.3 活动聚合 | 第35-39页 |
| 4.3.1 数据结构定义 | 第36页 |
| 4.3.2 活动关联 | 第36-39页 |
| 4.4 过程单元评估与剔除 | 第39页 |
| 4.5 α算法 | 第39-41页 |
| 4.5.1 事件表示与事件关系 | 第39-40页 |
| 4.5.2 α算法公式 | 第40-41页 |
| 4.6 F-α算法设计 | 第41-42页 |
| 4.6.1 F-α算法 | 第41-42页 |
| 4.7 算法实验评估 | 第42-48页 |
| 4.7.1 过程模型评估方式 | 第42-43页 |
| 4.7.2 实验评估指标检验 | 第43-48页 |
| 4.8 本章小结 | 第48-49页 |
| 第5章 游戏用户过程模型聚类算法设计 | 第49-54页 |
| 5.1 特征表示 | 第49-51页 |
| 5.1.1 Activity profile | 第49-50页 |
| 5.1.2 Transition profile | 第50-51页 |
| 5.2 相似性矩阵 | 第51页 |
| 5.3 算法设计 | 第51-53页 |
| 5.3.1 p-k-means算法设计 | 第51-52页 |
| 5.3.2 p-FCM算法设计 | 第52-53页 |
| 5.4 本章小结 | 第53-54页 |
| 第6章 实验结果对比分析 | 第54-63页 |
| 6.1 实验环境 | 第54页 |
| 6.2 用户分类评价标准 | 第54-55页 |
| 6.3 实验设计 | 第55-58页 |
| 6.3.1 聚类个数的确定 | 第55-57页 |
| 6.3.2 实验内容 | 第57-58页 |
| 6.4 用户分类实验结果分析 | 第58-61页 |
| 6.4.1 p-k-means算法的实验结果分析 | 第58-60页 |
| 6.4.2 p- FCM聚类算法的实验结果 | 第60-61页 |
| 6.4.3 实验结论 | 第61页 |
| 6.5 用户类别分析 | 第61-62页 |
| 6.6 本章小结 | 第62-63页 |
| 结论 | 第63-65页 |
| 参考文献 | 第65-68页 |
| 致谢 | 第68页 |
