伴随着互联网的普及,高速成长中的网游行业愈发受到各大互联网公司的重视。网游数据挖掘作为一个新的应用领域方兴未艾,现今主要以人气和收益分析为主。无论哪种分析,客户划分和客户特征挖掘都是切入点。如何更为准确的进行客户划分,以及更为有效的进行客户特征提取,是业内长期存在的技术难点。本文针对这一现状,在客户划分方面,研究了基于RFM模型的直接划分与聚类划分方法；客户特征挖掘方面,提出一种新的类别特征模式算法(Pattern Feature Algorithm, PFA)本文首先构建了基于RFM分析的网游客户分群模型,采用直接分类与聚类分析两种不同的方法进行客户分群,并通过实验来评价不同划分的好坏。在数据较少的情况下,两种方法在表现网游生命周期能力几乎相同,但直接分类所采取的购买／销售数据更为直观有效,故采用设定阈值的直接分类方法。在数据较多的情况下,K-means聚类算法有更高的分类准确率,因而有较好的划分效果,故采用K-means聚类分析算法。其次,提出了一种基于关联分析的客户类别特征模式算法。算法的核心就是在每个客户群中寻找符合以下定义的特征来刻画用户行为：在目标客户群找到频繁的特征,根据特征度量(让步比)在目标类中筛选出独有的频繁特征。与传统决策树算法和关联规则算法相比,类别特征模式有更强的实用性。类别特征算法筛选出的有意义的特征比决策树算法多,并且没有关联规则算法报告的那些无意义的特征。本文的最后为网游领域中的应用,基于RFM分析的网游客户分群模型可以有效确定游戏问题区间,建立游戏内部的问题反馈机制；通过类别特征算法挖掘出来的用户行为有助于依据不同类型玩家喜好确立游戏研发方向；在游戏实际运营过程中,一方面需要结合玩家的生命周期价值进行推进版本建设,另一方面就要结合玩家购买特征行为来推进道具推送,这是两个维度,但是二者也存在交叉和重叠。