网络游戏个性化推荐系统的研究与实现

论文摘要

个性化推荐系统在各大零售网站中都得到了广泛的应用,但在网络游戏中还从未有这方面的研究。针对当前网络游戏产业的特点和发展趋势,本文在深入调查、研究的基础上,对在网络游戏中实施个性化推荐进行了有益的探索。通过将游戏玩家需求特征、网络游戏特征和网络游戏虚拟物品特征分类、量化分析,建立了基于QFD及改进BP算法的网络游戏个性化推荐系统。利用Matlab7.0, Access 2003等开发工具编写了网络游戏个性化推荐系统软件,初步实现了小样本、小规模数据库情形下的网络游戏及虚拟物品个性化推荐系统。通过研究,本课题取得了如下成果:(1)提出了基于QFD和BP神经网络算法的个性化网络游戏推荐系统。运用QFD把网络游戏顾客的需求重要度转化网络游戏的特征量,由于QFD量化采用离散值,为了提高效率和精度,引入BP人工神经网络算法匹配玩家和网络游戏的测量值,最后向玩家推荐符合其需求的网络游戏,从而满足玩家需求,提升其满意度及忠诚度。(2)提出了基于改进BP算法的个性化网络游戏中虚拟物品推荐系统。将玩家和虚拟物品以特征量表示,由BP算法计算其间的映射权值以相互匹配,为了弥补训练样本不全面造成的输出误差,引入专家知识设置初始权值。与传统BP及协同过滤推荐方法相比,该方法具有针对性强和推荐质量高的特点,该模型的建立为免费网络游戏的虚拟产品营销及服务提供了一个新角度的理论和工具。(3)编写了网络游戏及虚拟物品个性化推荐系统试验软件。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 研究背景
• 1.2 研究现状
• 1.3 研究意义
• 1.4 研究总体设计
• 1.4.1 研究范围和研究对象
• 1.4.2 主要研究内容
• 1.4.3 难点和创新点
• 1.4.4 论文组织框架
• 2 相关理论基础
• 2.1 网络游戏及玩家回顾
• 2.1.1 网络游戏及虚拟物品交易相关概念和发展回顾
• 2.1.2 网络游戏玩家相关理论回顾
• 2.2 电子商务推荐系统及相关技术
• 2.2.1 电子商务推荐系统的输入形式
• 2.2.2 电子商务推荐系统的输出形式
• 2.2.3 电子商务推荐系统的推荐算法
• 2.3 QFD 理论综述
• 2.3.1 QFD 概况
• 2.3.2 质量屋（HOQ）和QFD 模型
• 2.3.3 QFD 的效果
• 2.4 BP 神经网络原理
• 2.4.1 BP （Back Propagation）网络模型（又称误差逆传播神经网络）
• 2.4.2 BP 算法的基本思想
• 2.4.3 三层BP 网络学习算法步骤
• 3 玩家对网络游戏及虚拟物品的需求特征分析
• 3.1 网络游戏玩家需求特征分析
• 3.1.1 玩家对网络游戏的需求量化分析
• 3.1.2 玩家对网络游戏中虚拟物品的需求量化分析
• 3.2 网络游戏特征分析
• 3.2.1 网络游戏特征量选取
• 3.2.2 网络游戏特征量值设定
• 3.3 网络游戏中虚拟物品特征分析
• 3.3.1 网络游戏中虚拟物品特征量选取
• 3.3.2 网络游戏中虚拟物品特征量值设定
• 4 个性化推荐系统设计与实现
• 4.1 基于OGQFDM 及BP 算法的个性化网络游戏推荐系统
• 4.1.1 OGQFD 介绍
• 4.1.2 运用BP 网络改进OGQFD
• 4.1.3 软件实现框架说明
• 4.1.4 各功能模块设计说明
• 4.1.5 实验结果分析
• 4.2 基于改进BP 算法的个性化网络游戏中虚拟物品推荐模型
• 4.2.1 推荐系统的输入和输出
• 4.2.2 BP 推荐算法实现详解
• 4.2.3 实验结果分析
• 5 结论与展望
• 5.1 主要结论
• 5.2 进一步研究展望
• 参考文献
• 附录1-调查问卷
• 附录2-BP 推荐算法源程序
• 附录3-设置初始权值的2 层BP 神经网络
• 附录4-软件推荐过程实现程序
• 致谢
• 攻读学位期间发表的学术论文