近些年电子竞技行业飞速发展,现阶段电竞产业被划分为体育产业的细分市场。最为流行的电子竞技项目受关注程度也远超部分传统体育项目,同时电子竞技产业也在朝着专业体育化的方向发展变化,这其中数据分析起着极其重要的作用。在传统竞技体育中,阵容的构建就起着举足轻重的作用。世界顶级竞技体育赛事中都有专业的数据分析团队进行数据的采集、处理与分析,从而帮助团队获得比赛的胜利。电子竞技产业又区别于传统体育行业,其产生的数据都易于获取,客观且实时。根据以上特点可以采用数据挖掘和深度学习的方法来辅助玩家制定最佳策略,从而帮助玩家取得比赛的胜利。Dota2作为世界最著名的电子竞技项目之一有着广大的受众群体与良好的赛事体系。Dota2游戏机制复杂、英雄种类繁多、打法丰富多变。基于上述原因,使得比赛极具观赏性并且难以预测最后的获胜方。因此如何搭配一套最佳的阵容与预测对阵双方的胜率成为了一个亟待解决的问题。为了解决此类问题,之前有学者研究使用朴素贝叶斯、随机森林、支持向量机等方法做出了大量尝试,但是由于英雄间存在着相互搭配与克制的复杂关系,所以很难取得良好的预测效果。本文的研究工作包含以下几个方面:1)提出了改进的双向长短时神经网络的模型用来进行Dota2赛前阵容推荐。该模型使用了CBOW模型和Log5公式解决Dota2阵容中英雄间的搭配与克制关系问题。模型中使用CBOW模型将将单词转化为英雄,语句转化为阵容组合,将生成的词向量转化为英雄向量。通过构建英雄向量,计算英雄向量之间的距离来表示英雄之间的相关程度,进而发现英雄之间存在的搭配关系。使用Log5公式根据两个英雄的平均胜率来解决不同英雄间克制关系的问题。本文应用的模型根据先选的前四名英雄来推荐最后一名英雄,从而解决阵容的推荐问题。通过对65981场真实比赛数据集的训练,该模型能获取同一位置上相关度为66.14%以上的英雄。通过设计验证方法该模型推荐次序为1的推荐英雄组成的推荐阵容能够获得76.02%的预测胜率。选择五名推荐英雄平均准确率为67.77%。2)提出了改进的长短时神经网络的模型用于预测Dota2比赛胜率的预测。该模型添加各个英雄之间的克制关系,从而提高了Dota2比赛胜率预测精度。在Dota2游戏中的各个英雄差异性大,其英雄特定组合多,英雄之间的克制关系明显且英雄的选择具有时间的先后顺序。因此本文引入了克制关系这一参数来表达英雄之间存在的克制关系。根据不同英雄的全局胜率计算得出英雄之间的克制关系矩阵。该模型的输入数据结合了英雄向量与克制关系数据,因此能够获取更高的预测准确率。通过对100935场真实比赛数据的训练,该模型能够在真实的比赛中获得61.88%的准确率。通过对比基准实验,该模型的预测准确率提升1.79%。3)设计并开发实现了一套Dota2阵容推荐与胜率预测系统。该系统实现Dota2阵容推荐、比赛胜率预测、信息查询的功能。本文对Dota2阵容推荐与胜率预测系统进行分析与设计,针对系统的需求、系统功能与非功能性进行分析与研究,设计出阵容推荐、胜率预测、信息查询三个核心子模块并加以实现。经过严谨测试,本系统能够良好的实现上述功能。