发现游戏模式：免费游戏数据的时间序列聚类
机器学习
2017-10-09 v1 机器学习
摘要
时间序列数据的分类是所有数据驱动领域面临的共同挑战。然而，对于哪些技术能最有效地对未标记的时间序列数据进行分组，目前尚无共识。这是因为时间序列模式的成功分类取决于目标和感兴趣的领域，即它是依赖于应用的。在本文中，我们研究免费游戏数据。在该领域，由于当前移动和网络应用收集的数据量巨大，对相似的时间序列信息进行聚类日益重要。我们评估了哪些方法能准确地对移动游戏的时间序列进行聚类，重点关注玩家行为数据。我们识别并验证了聚类的几个方面：用于降低时间序列高维性的相似性度量和表示技术。作为稳健性测试，我们比较了来自两款免费视频游戏的各种玩家活动时间数据集。利用这些技术，我们提取了与游戏事件评估和游戏业务诊断相关的玩家行为时间模式。我们的实验提供了直观的可视化，以验证聚类结果并确定最佳聚类数量。此外，我们评估了属于同一组的玩家的共同特征。这项研究使我们能够加深对玩家动态和流失行为的理解。
引用
@article{arxiv.1710.02268,
title = {Discovering Playing Patterns: Time Series Clustering of Free-To-Play Game Data},
author = {Alain Saas and Anna Guitart and África Periáñez},
journal= {arXiv preprint arXiv:1710.02268},
year = {2017}
}