摘要 | 第3-4页 |
abstract | 第4-5页 |
1 绪论 | 第9-14页 |
1.1 研究背景与意义 | 第9-10页 |
1.1.1 研究背景 | 第9-10页 |
1.1.2 研究意义 | 第10页 |
1.2 主要研究方法 | 第10-11页 |
1.3 主要研究内容及创新点 | 第11页 |
1.3.1 研究内容 | 第11页 |
1.3.2 创新点 | 第11页 |
1.4 组织结构 | 第11-14页 |
2 相关研究及技术综述 | 第14-33页 |
2.1 网络游戏玩家相关理论 | 第14-16页 |
2.1.1 RichardBartle的互联网图模型 | 第14-15页 |
2.1.2 玩家游戏忠诚度维持与Flow理论 | 第15-16页 |
2.2 手机游戏用户画像相关综述 | 第16-18页 |
2.2.1 用户画像定义 | 第16-17页 |
2.2.2 用户画像分类 | 第17页 |
2.2.3 用户画像意义 | 第17-18页 |
2.2.4 用户画像构建 | 第18页 |
2.3 数据挖掘技术相关综述 | 第18-21页 |
2.3.1 分类 | 第19页 |
2.3.2 回归 | 第19-20页 |
2.3.3 聚类 | 第20页 |
2.3.4 关联规则 | 第20-21页 |
2.4 基于分类算法用户画像方法 | 第21-22页 |
2.4.1 用户分类指标的选取 | 第22页 |
2.4.2 用户分类算法的选取 | 第22页 |
2.5 动态玩家画像分析 | 第22-24页 |
2.6 静态玩家画像分析 | 第24-26页 |
2.7 基于玩家画像标签的推荐方法 | 第26-27页 |
2.8 协同过滤推荐算法模式 | 第27-29页 |
2.8.1 基于玩家的推荐算法 | 第28页 |
2.8.2 基于道具的推荐算法 | 第28-29页 |
2.8.3 基于模型的推荐算法 | 第29页 |
2.9 基于玩家的协同过滤推荐算法 | 第29-33页 |
2.9.1 发现兴趣相似的玩家 | 第29-31页 |
2.9.2 向玩家推荐道具 | 第31-33页 |
3 研究框架及算法设计 | 第33-39页 |
3.1 个性化内容推荐模型 | 第33-34页 |
3.2 个性化内容推荐模型主要组成部分 | 第34-35页 |
3.3 个性化内容推荐模型算法设计 | 第35-37页 |
3.4 个性化内容推荐模型算法细节改进 | 第37-38页 |
3.5 本章小节 | 第38-39页 |
4 手游玩家特征属性库 | 第39-46页 |
4.1 基本属性设计 | 第39-41页 |
4.2 行为属性设计 | 第41-43页 |
4.3 内容属性设计 | 第43-44页 |
4.4 商业属性设计 | 第44-45页 |
4.5 本章小节 | 第45-46页 |
5 基于K-means算法的游戏个性化场景推荐及玩家画像模块 | 第46-66页 |
5.1 玩家聚类计算过程 | 第46-58页 |
5.1.1 K-means算法 | 第47-48页 |
5.1.2 K-means初始聚类个数分析 | 第48页 |
5.1.3 K-means算法的数据初始化 | 第48-50页 |
5.1.4 聚类变量选择 | 第50-51页 |
5.1.5 聚类过程 | 第51-54页 |
5.1.6 玩家聚类结果分析 | 第54-58页 |
5.2 玩家深度画像搭建 | 第58-63页 |
5.2.1 玩家自然属性 | 第58-59页 |
5.2.2 玩家活跃属性 | 第59-61页 |
5.2.3 玩家偏好属性 | 第61-62页 |
5.2.4 玩家画像展示与分析 | 第62-63页 |
5.3 个性化游戏场景推荐 | 第63-64页 |
5.4 本章小结 | 第64-66页 |
6 基于协同过滤算法的游戏道具个性化推荐模块 | 第66-73页 |
6.1 协同过滤算法 | 第66页 |
6.2 协同过滤算法计算步骤 | 第66-69页 |
6.2.1 数据预处理 | 第67-68页 |
6.2.2 近邻查找 | 第68页 |
6.2.3 生成推荐结果 | 第68-69页 |
6.3 协同过滤算法计算结果 | 第69-70页 |
6.4 协同过滤算法结果分析 | 第70-72页 |
6.5 本章小结 | 第72-73页 |
7 总结 | 第73-75页 |
7.1 研究结论及建议 | 第73页 |
7.2 研究局限 | 第73-75页 |
致谢 | 第75-76页 |
参考文献 | 第76-79页 |