基于Spark平台的网络游戏用户流失预测方法

随着移动互联网的广泛普及,国内网络游戏市场日趋饱和,游戏公司获得新用户的成本不断增加,如何预防存量用户的流失已经成为市场营销的重心。提出了一种基于Spark平台的网络游戏用户流失预测方法,基于一个真实游戏日志数据对用户进行了流失预测。首先,从日志数据中抽取和计算了用户特征;随后,按权重选取了一组重要特征;最后,以特征为输入、流失与否为输出进行了二分类建模。综合比较了随机森林、支持向量机、多层感知机、梯度提升决策树和逻辑回归等6种常见分类算法。实验结果表明,随机森林算法表现最优,模型预测精度达到91%。     

在线游戏用户的流失预测： 基于不平衡数据的采样方法比较和分析

流失用户预测问题在很多领域都是研究重点。目前主流的流失用户预测方法是使用分类法,即把用户是否会流失看作一个二分类问题来处理。该文提出了一个基于二分类问题解决的在线游戏流失用户预测方法。此方法除了总结了一些对在线游戏而言比较重要的可以用于流失预测的特征之外,也考虑到流失用户相对稀少的问题,在流失用户预测问题中引入了不平衡数据分类的思想。该文主要在流失预测中结合使用了基于采样法的不平衡数据处理策略,并对现有主要的几种采样算法进行了对比实验和分析。     

基于扩散模型生成数据重构的客户流失预测

在数据挖掘领域普遍存在数据不平衡影响到模型预测精度的问题,同时还存在未考虑用户隐私保护的问题.生成伪造数据是一种重要的解决方法,但在以结构化数据为主的场景中,由于存在数据特征维度多且不相关等特点,生成高质量的数据存在挑战.考虑到扩散模型在图像生成等任务中被成功应用,以客户流失预测为典型应用场景,尝试将扩散模型应用到客户流失预测任务中.针对该场景数据中的数值型特征和类别型特征,通过高斯扩散模型和多项式扩散模型获得生成数据,并对模型预测效果和数据隐私保护能力进行研究和分析.在多个领域的客户流失数据上进行了大量实验,探索应用生成数据对真实数据融合重构的可能性.实验结果表明基于扩散模型可生成高质量数据,且对多种预测方法均有一定提升,可实现缓解数据不平衡问题.同时,基于扩散模型生成的数据分布更接近真实数据,具有应用于用户隐私保护的潜在价值.     

网络游戏流特征分析与识别

网络游戏在全球范围内迅速发展,其用户不断增加,因此游戏数据流的识别有着重要的现实意义。利用Wireshark,抓取不同类型的网络游戏流数据,包括大型多人在线角色扮演类、第一人称射击类、实时策略类游戏和卡牌类等游戏,对游戏流识别进行研究。采用协议过滤和IP过滤的方法对数据进行预处理,分别对下行和上行数据进行大量的统计特征分析,发现包大小信息熵、下上行包数目之比和PPS（Packets Per Second）等特征适用于游戏流分类。分类实验结果表明,利用IP过滤和提取出的特征组合可以有效地提高识别准确率。     

JJ竞技的平台梦想

棋牌游戏是中国网络游戏领域容易被人忽视的领域。这些年来,MMORPG游戏和网页游戏都成为业界关注的焦点,但棋牌类游戏这个最古老,也是互联网上用户最广泛的领域却一直缺乏足够的关注。除棋牌类游戏在表现力上缺乏特色不易引入瞩目之外,简单而通用的规则使得这一类型的游戏在盈利上一直缺乏有力的突破,这也是棋牌类游戏虽然用户巨大却难以得到足够关注的根本原因。     

基于社交网络的MMORPG玩家流失分析与预测

针对大型多人在线角色扮演游戏MMORPG(Massive Multiplayer Online Role-Playing Game)的玩家流失分析与预测问题,采用Cox比例风险模型建立玩家的流失模型,对玩家流失的因素进行分析,并对流失进行预测。分析玩家在游戏中的社交网络的特征(玩家的好友关系、二度好友关系、好友间聊天情况)对玩家流失行为的影响。对盛大"星辰变"游戏数据的实验表明,游戏中玩家所处的社交网络对玩家的流失行为具有显著影响,并能够提高预测效果。与支持向量机、Logistic回归和朴素贝叶斯分类进行对比,表明Cox模型更加适用于该玩家流失预测问题。     

采用混合模型的电信领域用户流失预测

用户流失预测能够帮助公司减少客户的流失,对公司的营收和提高竞争力有重要意义。然而,由于电信领域数据的稀疏性和不平衡等问题,国内外对于电信领域的用户流失预测大多处于研究阶段,还没有真正应用到实际生产当中。提出了利用神经网络、机器学习与朴素随机过采样、投票相结合的混合模型来预测电信领域的流失用户。数据集使用的是KDD Cup 2009年比赛数据,该数据由法国电信运行商Orange公司提供。在十折交叉验证下,AdaBoost和Gradient Boosting一次投票分类后AUC值能够达到0.677 1,利用其他模型对混合模型预测出的流失用户清单进行二次投票分类,前200名高危流失用户的预测准确率能够达到31.8%。实验结果表明,朴素随机过采样和投票相结合有效提升了模型的准确性。     

基于Clementine神经网络的电信客户流失模型应用

本文针对目前电信行业中一个日益严峻的问题：客户离网进行期究,以电信行业为背景,通过收集客户的基本教据、消费数据和缴费行为等数据,建立离网客户的流失预测模型．进行客户流失的因素分析以及流失预测。以某电信分公司决策支撑系统为背景,通过在电信一年半时间的领域调研和开发实践,以此为基础,使用了统计分析和数据挖掘的技术,对PAS客户流失主题进行了较为完善、深入的分析与研究,为电信经营分析系统作了有益的尝试与探索．针对PAS客户流失分祈主题,本文选取了3个月的PAS在网用户和流失用户及其流失前的历史消费信息为样本,确定了个体样本影响流失的基本特征向量和目标变量．通过对大量相关技术和统计方法的研究,最终确定了Clementine的神经网络模型来作为电信客户流失的预测模型．实践证明,本论文整体的技术路线是可行的,神经网络模型对电信客户流失预测有较高的准确性,所发现的知识具有一定的合理性和参考价值,对相关领域的研充起到了一定的推动作用．     

网络游戏中通讯模块的设计与实现

在成功的网络游戏中网络通讯部分起着关键重用,从网络游戏的角度来看,通讯技术在其中起的最重要作用就是把游戏端的数据传送到服务器端,并且游戏端能接收服务器发过来的数据以确定游戏的下一步动作。因此网游通讯部分可分为服务器端和游戏端两部分。本文通过分析网络游戏的关键技术,并针对网络游戏中的网络通信给出一个切实可行的方案。     

现代虚拟游戏的符号学分析

本文主要讨论游戏中符号的一个变化过程,从最初单向式的用户被动接受的单机游戏的符号特点,到后来的双向的互动的网络游戏的符号特点。虚拟游戏对符号的关注,经历了一个从由个性化需求到群体化认知的变化过程。游戏中符号的社会性的特点随着网络游戏的产生,慢慢体现出来。     

Churn prediction and social neighbour influences for different types of user groups in virtual worlds

In virtual worlds (VWs), users have more VW games alternatives, whereas VW companies consequently suffer from high customer turnover rate and low customer loyalty. Therefore, building a churn prediction model to facilitate subsequent churn management and customer retention is important. The churn behaviours and the impact of social neighbour influences to customer churn may be different for different types of users. Accordingly, we segment users into stable, unstable, and solitary user groups according to their social contact behaviours in VWs. Novel segmentation‐based churn prediction approaches are proposed for churn prediction in VWs by building prediction models for each type of user groups and considering the effect of social neighbour influences for different user groups. The proposed approaches are evaluated by conducting experiments with a dataset collected from a VW platform. The experimental results show different churn prediction performances under different user groups. The segmentation‐based churn prediction approaches perform better than do general approaches without considering user groups. Moreover, the results also reveal that social neighbour influences have a positive impact on stable and unstable users. The proposed work contributes to investigating the social neighbour influences on churn prediction for different types of user groups in VWs.     

Analyzing social choice and group ranking of online games for product mix innovation

With the increasing populations of the smartphones and mobile devices these years, the majority of people have played the mobile or online games on their smartphones. As such users have rapidly increased, this research is to propose an innovative service that can automatically recommend the users the appropriate online games as their optional references. In order for market competition, the most online games’ enterprises need to develop and sell the newer online game products or versions continuously for the customers who like to play online games. Now that the types and markets of online games have had the more diverse along with the sustainable development of online game products over time. This research is to propose an integrative analysis from a large amount of data -users’ preference sequences. Firstly, the research utilizes a sequence recommendation technology that can be used to analyze their preference sequences of online game’s types based on other similar users’ sequence preference data. In other words, these recommended online game’s types that can be generated according to the relationships between the query user’s preferences and users themselves. All sequences from numerous data are accumulated to be the inferences of the query users’ preferences. Secondly, the research also utilizes data mining methodology to explore the possibilities of different product mix of game types from numerous user data. For the main methodology, this research uses a ‘partial user ranking algorithm’ to analyze group ranking of online games based on similar users. The purpose is to explore how the players can be recommended based on the other users’ priorities, as well as the product mix of game types which can be the potential business trends come to markets. Furthermore, this study contributes to a research implication for online game industry, and the results also could be the business references of game combinations and product design.     

基于多模型融合的流失用户预测方法

准确的用户流失预测能力有助于企业提高用户保持率、增加用户数量和增加盈利。现有的流失用户预测模型大多为单一模型或是多个模型的简单融合,没有充分发挥多模型集成的优势。借鉴了随机森林的Bootstrap Sampling的思想,提出了一种改进的Stacking集成方法,并将该方法应用到了真实数据集上进行流失用户的预测。通过验证集上的实验比较可知,提出的方法在流失用户F1值、召回率和预测准确率3项指标上均好于所有相同结构的经典Stacking集成方法;当采用恰当的集成结构时,其表现可超越基分类器上的最优表现。     

多粒度时序特征在离网预测中的应用

电信运营商为了发现可能离网的客户,针对不同的场景研究开发了多种离网预测模型。目前的离网预测模型首先选择一种时间粒度抽取特征,之后使用机器学习算法对抽取的数据建模。这类方法只考虑了模型对分类性能的影响,没有充分考虑数据的作用。针对上述问题,提出一种使用多种时间粒度抽取特征的方法,并尝试在模型训练的不同阶段对不同粒度的特征进行融合。实验结果表明,使用多种粒度抽取特征训练出来的模型性能会明显优于使用单一粒度抽取特征的模型。     

信息增值机制下在线医疗隐私保护策略

近年来我国经济水平和人民生活水平飞速发展,医疗水平和医疗技术相继取得了突破。随着“互联网+”对各大领域商业模式创新的不断推动和深化,“互联网+”医疗发展得到了快速推动。机器学习、数据挖掘等数据处理技术不断发展,在线医疗过程中用户个人医疗隐私数据泄露风险引起了广大研究者的关注。考虑信息的可推断性,采用贴现机制以描述博弈不同阶段间用户隐私信息价值的变化;结合在线医疗隐私保护动机领域研究现状,通过博弈分析以从隐私保护动机层面探究如何调动博弈双方主体的积极性。针对用户有强意愿继续使用在线医疗平台、间断性提供隐私的博弈特征,采用重复博弈方法以更好地刻画用户与在线医疗平台之间的博弈过程。得出博弈双方主体的倾向变化规律,分析不同模型参数条件下博弈模型的混合策略纳什均衡及随着博弈阶段的进行双方博弈策略的变化趋势,给出当参数满足 2(c_p-c_n)≥l_p(p_n-p_p)时,用户开始由选择“同意共享隐私数据”转为选择“拒绝共享隐私数据”的重复博弈阶段,并通过仿真实验对上述结论进行了验证。基于以上结论,分别从在线医疗平台视角和用户视角,针对在线医疗过程中如何从博弈双方隐私保护动机层面实现隐私保护给出了可行的政策性建议。     

基于信息融合的电信客户流失预测研究

针对数据挖掘方法在电信客户流失预测中的局限性,提出将信息融合与数据挖掘相结合,分别从数据层、特征层、决策层构建客户流失预测模型。确定客户流失预测指标;根据客户样本在特征空间分布的差异性对客户进行划分,得到不同特征的客户群;不同客户群采用不同算法构建客户流失预测模型,再通过人工蚁群算法求得模型融合权重,将各模型的预测结果加权得到预测最终结果。实验结果表明,基于信息融合的客户流失预测模型确实比传统模型更优。     

大型多人在线角色扮演游戏的下一地点预测

近年来,大型多人在线角色扮演游戏(MMORPG)已经成为最流行的网络娱乐活动之一。MMORPG在游戏环境中形成虚拟社会,其中每个玩家扮演某个虚构角色,并控制该角色的大多数活动。游戏的迅猛发展累积了海量数据,其中包含游戏虚拟社会的语义和拓扑信息。研究者针对游戏数据开展了一系列研究工作,如玩家退出预测、游戏服务器整合等。游戏角色的下一地点预测对提升游戏体验、改善游戏设计和检测游戏机器人均有十分重要的意义。目前,该项预测任务主要使用统计分析完成。然而,由于游戏数据具有海量特征,因此需要一种自动化的计算方法。文中提出了基于隐马尔科夫模型的游戏角色下一地点预测模型,该模型能够考虑与位置特性相关的不可观测的属性,同时兼顾游戏角色前期行为的影响。实验结果表明,与现有方法相比,该方法具有建模直观的特点,在稠密分布的MMORPG数据中能够得到更准确的下一地点预测结果。     

基于兴趣相似度传递的增强LSH统计预测算法

随着在线用户和物品数量的不断增长,有必要通过追踪和筛选历史数据,为用户提供机制可参考的决策建议。构建统计预测算法是实现启发式预测用户兴趣的有效机制。因此,在充分利用用户自身历史偏好和潜在偏好的前提下,提出兴趣相似度传递思想,分析用户的社交关联强度,计算用户的邻近社交兴趣和选择趋向特征,设计并实现了可扩展的局部敏感哈希(Improved Local Sensitivity Hashing,ILSH)统计预测算法。实验表明,该算法在有利于相似度计算量剧增的背景下,在提高兴趣预测的准确性和可靠性方面优于其他近似算法。