當人們越來越仰賴手機且不離身，甚至在精神層面也有所影響，四面八方各領域的業者也開啟了嶄新的商業機會，而遊戲的模式已與過去截然不同，不再侷限於特定族群或特定空間，因此遊戲業者需不斷的提高遊戲的品質，傾聽消費者的訴求，找到嶄新的服務模式和遊戲體驗，才能獲得源源不絕的商機。
    本研究採用問卷調查的方式，透過資料探勘的方法進行集群分析與關聯分析，瞭解出玩家的輪廓，並探討玩家輪廓、遊戲內容、虛擬購物行為、互動科技之關聯性，透過手遊玩家的遊戲內容喜愛偏好與消費行為，提出手機遊戲的推薦機制與服務建議，以利於遊戲廠商做參考。

With increasing dependence, people keep their mobile phones on them all the time, and even get influenced psychologically, which leads to whole new business chances for diversified companies in different industries. Game companies nowadays don’t do businesses using traditional ways. There is no limitation on specific groups of people and limitations on spaces have been eliminated. Therefore, game companies need to provide better quality, listen to customer feedback, and discover novel service model and gaming experience to keep looking for business opportunities.
    This study retrieved data by using survey. Clustering and association analysis of data mining are applied to outline gamers, and four dimensional relationships are discussed, including gamer characteristics, content of mobile games and consumer behavior in virtual shopping. This study proposed recommendation system and services according to gamer preference on games and shopping, offering game companies some references.

目錄
謝辭 I
中文摘要 II
英文摘要 III
目錄 IV
表目錄 IX
圖目錄 XI
第一章 緒論 1
1.1研究背景與動機 1
1.2研究目的 4
1.3研究方法與流程 5
第二章 文獻探討 7
2.1手機遊戲 7
2.1.1手機遊戲之定義 7
2.2手機遊戲發展現況 8
2.2.1手機遊戲之趨勢 8
2.2.2手機遊戲消費 10
2.3資料探勘 12
2.3.1資料探勘之定義 12
2.3.2資料探勘的功能 13
2.3.3資料探勘的流程 15
2.4推薦機制 17
2.4.1推薦機制之定義 17
2.4.2推薦機制之技術 18
2.4.3推薦機制之分類 19
第三章 研究方法 21
3.1研究設計與架構 21
3.2資料庫的設計與建立 22
3.3問卷設計與發放 28
3.3.1問卷設計 29
3.3.2問卷發放 30
3.4關聯法則與集群分析 31
3.4.1關聯法則 31
3.4 .2Apriori演算法 33
3.4.3集群分析 36
3.5資料分析軟體SPSS Modeler 38
第四章 資料探勘與實證分析 39
4.1 回收樣本結構描述 39
4.2 SPSS Modeler之資料探勘 41
4.2.1分群結果之玩家輪廓 44
4.3 Apriori關聯性資料探勘 49
4.4 玩家行為與遊戲類型之關聯分析 50
4.4.1集群一(品味遊戲型玩家)玩家行為與遊戲類型之關聯	50
4.4.2集群二(科技遊戲型玩家)玩家行為與遊戲類型之關聯	52
4.4.3集群三(休閒遊戲型玩家)玩家行為與遊戲類型之關聯	54
4.4.4小結 56
4.5 遊戲內容偏好與直播類型之關聯分析 58
4.5.1集群一(品味遊戲型玩家)遊戲內容偏好與直播類型之關聯 58
4.5.2集群二(科技遊戲型玩家)遊戲內容偏好與直播類型之關聯 60
4.5.3集群三(休閒遊戲型玩家)遊戲內容偏好與直播類型之關聯 62
4.5.4小結 64
4.6 玩家購物習慣與推薦機制之關聯分析 66
4.6.1集群一(品味遊戲型玩家)玩家購物習慣與推薦機制之關聯 66
4.6.2集群二(科技遊戲型玩家)玩家購物習慣與推薦機制之關聯 68
4.6.3集群三(休閒遊戲型玩家)玩家購物習慣與推薦機制之關聯 70
4.6.4小結 72
第五章 結論與後續研究建議	74
5.1 研究結論與管理意涵 74
5-2玩家行為與遊戲內容開發之結論與管理意涵 74
5-3直播行為與網路購物之管理意涵 91
5-4研究限制 94
5-5後續研究建議 95
參考文獻	96
一、中文資料 96
二、英文資料 96
三、網路資料 101
附錄一	103

表目錄
表2-1資料探勘之定義 12
表2-2資料探勘之功能 13
表2-3資料探勘流程 15
表2-4各學者對推薦機制之定義 17
表3-1實體、關聯與屬性的概述 23
表3-2問卷發放回收情形 30
表4-1問卷回收統計表 39
表4-2基本資料統計表 40
表4-3 K-means分群結果 47
表4-4集群一玩家行為與遊戲類型之關聯 51
表4-5集群二玩家行為與遊戲類型之關聯 53
表4-6集群三玩家行為與遊戲類型之關聯 55
表4-7玩家行為與遊戲類型之三群異同表 57
表4-8集群一遊戲內容偏好與直播類型之關聯 59
表4-9集群二遊戲內容偏好與直播類型之關聯法則	61
表4-10集群三遊戲內容偏好與直播類型之關聯法則 63
表4-11遊戲內容偏好與直播類型之三群差異表 65
表4-12集群一玩家購物習慣與推薦機制之關聯 67
表4-13集群二玩家購物習慣與推薦機制之關聯法則 69
表4-14集群三玩家購物習慣與推薦機制之關聯法則 71
表4-15玩家購物習慣與推薦機制之三群異同表 73
表5-1玩家行為與遊戲內容開發之整合建議 75
表5-2遊戲內容定義 81
表5-3直播行為與網路購物之整合建議 92

圖目錄
圖1-1  2015台灣遊戲消費力全球第十五名 2
圖1-2  2018年行動遊戲將成為全球最熱門的遊戲類別 2
圖1-3  行動遊戲將以線上遊戲的五倍成長速度擴展 3
圖1-4 研究流程圖	6
圖2-1 2017全球遊戲消費力前20名 11
圖3-1研究架構圖 21
圖3-2 概念性資料庫：E-R圖	24
圖3-3 邏輯性資料庫設計圖 26
圖3-4實體資料庫關聯圖 27
圖3-5問卷資料庫關聯圖 29
圖3-6Apriori演算法產生之後選項目集合與高頻項目集合 35
圖3-7資料探勘工具滿意度（2013） 38
圖4-1 SPSS Modeler畫面截圖 41
圖4-2集群大小分配圖 42
圖4-3集群分布圖 43
圖4-4資料探勘模型路徑圖 49
圖4-5集群一玩家行為與遊戲類型之蛛網圖 50
圖4-6集群二玩家行為與遊戲類型之蛛網圖 52
圖4-7集群三玩家行為與遊戲類型之蛛網圖 54
圖4-8集群一遊戲內容偏好與直播類型之蛛網圖 58
圖4-9集群二遊戲內容偏好與直播類型之蛛網圖 60
圖4-10集群三遊戲內容偏好與直播類型之蛛網圖 62
圖4-11集群一玩家購物習慣與推薦機制之蛛網圖 66
圖4-12集群二玩家購物習慣與推薦機制之蛛網圖 68
圖4-13集群三玩家購物習慣與推薦機制之蛛網圖 70
圖5-1玩家行為與遊戲內容開發知識地圖 77
圖5-2直播行為與網路購物開發知識地圖 93

一、	中文資料
尹相志 (2004) 。資料採礦-網際網路應用與顧客價值管理。台北市: 維科。
林慶德 (2003)。資料庫管理與應用。台北市: 培生。
翁慈宗.(2009)。資料探勘的發展與挑戰。科學發展期刊(442),34-37.
郭昕周、林華、周倩。 (1998)。 建構取向的遊戲式 MUD 學習環境。教學科技與媒 教學科技與媒體 (37), 28-41。
廖述賢、溫志皓(2012)。資料探勘理論與應用:以 IBM SPSS Modeler 為範例。新北市: 博碩文化股份有限公司, 2012。
二、	英文資料
Agrawal, R., Imieliński, T., & Swami, A. (1993, June). Mining association rules between sets of items in large databases. In Acm sigmod record (Vol. 22, No. 2, pp. 207-216). ACM.
Agrawal, R., & Srikant, R. (1994, September). Fast algorithms for mining association rules. In Proc. 20th int. conf. very large data bases, VLDB (Vol. 1215, pp. 487-499).
Berry, M. J., & Linoff, G. (1997). Data mining techniques: for marketing, sales, and customer support. John Wiley & Sons, Inc..
Chen, P. S. (1976). The Entity-Relationship Model-Toward a Unified View Of Data. ACM Transactions on Database System. 1(1), 9-36 .
Chen, T. Y. & Huang, J. H. (2013). Application of data mining in a global optimization alorithm. Advances in Engineering Software, 66(10), 24-33.
Coenen, F., Graham, G. & Leng, P. (2004). Tree structures for mining association rules. Data Mining and Knowledge Discovery, 8(1), 25-51. 
Colleen, M. (2015). Data Mining and Predictive Analysis： Intelligence Gathering and Crime Analysis (2th ed.). Butterworth-Heinemann Press. constraints. Paper presented at the KDD, 97, 67-73.discovery in database. AI Magazine, 17(3), 37-54.
Daniel, T. L. (2014). Discovering Knowledge in Data: An Introduction to Data Mining (2th ed.). WILEY Press.
Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). From data mining to knowledge discovery in databases. AI magazine, 17(3), 37.
Frawley, W. J., Gregory, P. S. & Matheus, C. J. (1991). Knowledge Discovery in Database：An Overview, Knowledge Discovery in Database. AI Magazine, 13(3),57-70.
Gramatikov, M. (2003). Data mining techniques and the decision making process in the bulgarian public administration. NISP Acee Concerence, Bucharest, Romania.
Han, J. Kamber, M. (2000). Data Mining：Concepts and Techniques. Morgan Kaufmann.
Haubl, G., & Murray, K. B. (2005). Double agents： assessing the role of electronic product recommendation systems. Sloan Management Review, 47(3), 8-12.
Han, J. (2006). Data mining, Concepts and techniques： southeast asia edition. Morgan kaufmann Press.
Haggerty, M. (2012). The state of mobile game development. Gamesindustry. biz.
Herlocker, J. L., Konstan, J. A., Terveen, L. G., & Riedl, J. T. (2004). Evaluating collaborative filtering recommender systems. ACM Transactions on Information Systems (TOIS), 22(1), 5-53.
Hoffer, J. A., George, J. F. & Valacich, J. S. (2002). Modern System Analysis and Design.(3rd ed.). Upper Saddle River, NJ, Prentice Hall.
Hofacker, C. F., Malthouse, E. C., & Sultan, F. (2016). Big data and consumer behavior: Imminent opportunities. Journal of Consumer Marketing, 33(2), 89-97.
Hui, S. C., & Jha, G. (2000). Data mining for customer service support. Information & Management, 38(1), 1-13.
Kantardzic, M. (2011). Data‐Mining Concepts. Data Mining: Concepts, Models, Methods, and Algorithms, Second Edition, 1-25.
Katarya, R., & Verma, O. P. (2016). A collaborative recommender system enhanced with particle swarm optimization technique. Multimedia Tools and Applications, 75(15), 9225-9239.
Kouris, I. N., Makris, C. H. & Tsakalidis, A. K. (2005). Using information retrieval techniques for supporting data mining. Data and Knowledge Engineering, 52(3), 353-383.
Kristin, R. N., & Matkovsky, I. P. (1999). Using data mining techniques for fraud detection. SAS Institute Inc. and Federal Data Corporation, 1-32.
Ortega, F., Bobadilla, J., Hernando, A., & GutiéRrez, A. (2013). Incorporating grouprecommendations to recommender systems： Alternatives and performance.Information Processing and Management： An International Journal, 49(4), 895-901.
Padmanabhan, B. & Tuzhilin, A. (2002). Knowledge refinement based on the discovery of unexpected patterns in data mining. Decis.Support Syst, 33(3), 309-321.
Resnick, P., & Varian, H. R. (1997). Recommender systems. Communications of the ACM, 40(3), 56-58.
Ricci, F. (2002). Travel recommender systems. IEEE Intelligent Systems, 17(6), 55-57.
Santos, M. Y., & Amaral, Luis. A. (2004). Mining geo-referenced data with qualitative spatial reasoning strategies. Computers and Graphics, 28(3), 371-379.
Schafer, J. B., Konstan, J. A., & Riedl, J. (2001). E-commerce recommendation applications. Data mining and knowledge discovery, 5(1-2), 115-153.
Toroslua, I. H., & Yetisgen-Yildiz, M. (2005). Data mining in deductive databases using query flocks. Expert Systems with Applications, 28(3), 395-407.
Ujjin, S., & Bentley, P.J. (2003). Particle Swarm Optimization Recommender System Swarm Intelligence Symposium. Proceedings of the 2003 IEEE.
Wang Y. F., Chuang Y. L., Hsu, M. H., and Keh H. C.（2004）. A personalized
Wang, W., & Benbasat, I. (2008). Attributions of trust in decision support technologies： A study of recommendation agents for e-commerce. Journal of Management Information Systems, 24(4), 249-273.
Wen-Jun Li, Qiang Dong, Yang-Bo Shi, Yan Fu, & Jia-Lin He. (2017). Effect of recent popularity on heat-conduction based recommendation models. Physica A： Statistical Mechanics and its Applications, Volume 474, 15 May 2017, 334-343.
Xiao, B., & Benbasat, I. (2007). E-commerce product recommendation agents： Use, characteristics, and impact. Mis Quarterly, 31(1), 137-20.
Zhang, Z., Lin, H., Liu, K., Wu, D., Zhang, G., & Lu, J. (2013). A hybrid fuzzy-basedpersonalized recommender system for telecom products/services. Information Sciences： An International Journal, 235(20), 117-129.
三、	網路資料
財團法人商業發展研究院(2015)。「2015年台灣遊戲產業發展趨勢及商機」。2017年8月8日，取自：
http://www.pershing.com.tw/tw/download/seminar/20160311_seminar/handouts/160311_Session1_TW_Game_Industry_Dev_and_Trend_DrFan.pdf
4Gamers就肆電競網站(2017)。「誰賺最多？2017全球遊戲營收榜，台灣狂賺300億台幣」。2017年8月10日，取自：
https://www.4gamers.com.tw/news/detail/32117/top-100-countries-by-game-revenues-taiwan-listed-15th
T客邦(2017)。「遊戲廠商大舉推出「PC 移植版」手遊，肥了廠商卻累了消費者」。2017 年 11 月 28 日，取自：
https://www.techbang.com/posts/55367-mobile-game
資策會產業情報研究所(2012)。數位遊戲產業發展趨勢。2012年3月16日，取自：https://mic.iii.org.tw/Industryobservation_MIC02views.aspx?sqno=67
Newzoo(2017)。2017年遊戲營收預估百大國家出爐 台灣收入300億名列第15名。2017年5月17日，取自：https://www.gamebase.com.tw/news/topic/98768353/