ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
ناشر تخصصی کنفرانسهای ایران
ورود |عضویت رایگان |راهنمای سایت |عضویت کتابخانه ها
عنوان
مقاله

Learning a Model for Prediction of Game Leavers in Free-to-Play Games

سال انتشار: 1395
کد COI مقاله: CGCO02_009
زبان مقاله: انگلیسیمشاهده این مقاله: 352
متن کامل این مقاله منتشر نشده است و فقط به صورت چکیده یا چکیده مبسوط در پایگاه موجود می باشد.
توضیح: معمولا کلیه مقالاتی که کمتر از ۵ صفحه باشند در پایگاه سیویلیکا اصل مقاله (فول تکست) محسوب نمی شوند و فقط کاربران عضو بدون کسر اعتبار می توانند فایل آنها را دریافت نمایند.

خرید و دانلود فایل مقاله

متن کامل (فول تکست) این مقاله منتشر نشده و یا در سایت موجود نیست و امکان خرید آن فراهم نمی باشد.

مشخصات نویسندگان مقاله Learning a Model for Prediction of Game Leavers in Free-to-Play Games

Seyed Masoud Pezeshkzade - M.Sc. Student of Computer Engineering Software Engineering at Safahan University
Amin Babadi - Ph.D. Student of Computer Engineering, Department of Electrical and Computer Engineering, Isfahan University of Technology, Isfahan. Iran
Javad Rasti - Ph.D. of Computer Engineering, Assistant Professor of Biomedical Engineering Department, University of Isfahan, Isfahan, Iran
Hadi Khosravi - Faculty of Engineering, University of Shahrekord, Iran

چکیده مقاله:

Due to increasing popularity of video games and high number of products in the market, free-to-play games have become so popular. In free-to-play games, main source of incomefor developers is through advertisement and in-app purchase. Thus, one of the main concerns of developers it to increase and maintain the number of their active users in order to keeptheir income as high as possible. In this paper, an approach based on supervised learning isproposed that can be used for detecting the players that are about to leave the game. The main advantage of this approach is its generality and flexibility which makes it a suitableoption for different games. This research uses decision trees and artificial neural networksin the learning phase. This approach is used in the database of one of the most successful Iranian online free-to-play games called Sebghat . The results show the high performanceof this approach in modelling the behaviour of Iranian users in free-to-play games

کلیدواژه ها:

Data mining, Game data mining, Free-to-play games, supervised learning

کد مقاله/لینک ثابت به این مقاله

کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا CGCO02_009 میباشد و برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/600411/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
Pezeshkzade, Seyed Masoud and Babadi, Amin and Rasti, Javad and Khosravi, Hadi,1395,Learning a Model for Prediction of Game Leavers in Free-to-Play Games,2nd National Conference on Computer Games; Challenges and Oppertunities,Isfahan,https://civilica.com/doc/600411

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1395, Pezeshkzade, Seyed Masoud؛ Amin Babadi and Javad Rasti and Hadi Khosravi)
برای بار دوم به بعد: (1395, Pezeshkzade؛ Babadi and Rasti and Khosravi)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مدیریت اطلاعات پژوهشی

صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

مقالات مرتبط جدید

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

پشتیبانی