[论文解读] Modelling Competitive Sports: Bradley-Terry-Élő Models for Supervised and On-Line Learning of Paired Competition Outcomes

Franz J. Király, Zhaozhi Qian|arXiv (Cornell University)|Jan 27, 2017

Sports Analytics and Performance参考文献 39被引用 13

一句话总结

本文提出了一种统一的监督学习框架——结构化对数似然模型，该模型整合了Bradley-Terry与Élő评分系统的优点，实现了带有特征的成对竞赛结果的概率预测，支持批量学习与在线学习，并具备计算效率。该方法在英格兰超级联赛数据上实现了最先进（state-of-the-art）的预测性能，与投注赔率高度接近。

ABSTRACT

Prediction and modelling of competitive sports outcomes has received much recent attention, especially from the Bayesian statistics and machine learning communities. In the real world setting of outcome prediction, the seminal Élő update still remains, after more than 50 years, a valuable baseline which is difficult to improve upon, though in its original form it is a heuristic and not a proper statistical "model". Mathematically, the Élő rating system is very closely related to the Bradley-Terry models, which are usually used in an explanatory fashion rather than in a predictive supervised or on-line learning setting. Exploiting this close link between these two model classes and some newly observed similarities, we propose a new supervised learning framework with close similarities to logistic regression, low-rank matrix completion and neural networks. Building on it, we formulate a class of structured log-odds models, unifying the desirable properties found in the above: supervised probabilistic prediction of scores and wins/draws/losses, batch/epoch and on-line learning, as well as the possibility to incorporate features in the prediction, without having to sacrifice simplicity, parsimony of the Bradley-Terry models, or computational efficiency of Élő's original approach. We validate the structured log-odds modelling approach in synthetic experiments and English Premier League outcomes, where the added expressivity yields the best predictions reported in the state-of-art, close to the quality of contemporary betting odds.

研究动机与目标

• 将Bradley-Terry与Élő模型统一为单一的监督学习框架，用于竞技体育比赛结果预测。
• 通过特征和结构化学习，实现对胜、负、平局及比分的概率预测。
• 在保持计算效率与模型简洁性的同时，支持批量学习与在线学习。
• 通过一个原理严谨的统计模型改进启发式的Élő系统，同时保持简洁性与表达能力。
• 在合成数据与真实世界英格兰超级联赛比赛结果上评估模型性能。

提出的方法

• 该框架采用结构化对数似然模型，其中球队实力以低秩矩阵分解设置下的潜在向量表示。
• 通过将球队对数似然之差经逻辑链接函数映射，建立结果概率的公式化表达，实现概率分类。
• 通过在观测结果对数似然上使用随机梯度下降，实现在线学习，支持实时更新。
• 通过最大似然估计结合正则化，实现批量学习，防止过拟合。
• 通过在对数似然方程中引入线性预测器，整合特征（如主客场优势、球队新颖性）。
• 采用核范数正则化进行低秩矩阵估计，以在数据稀缺场景下提升泛化能力。

实验结果

研究问题

• RQ1 能否通过统一模型弥合启发式Élő系统与统计上严谨的Bradley-Terry模型在竞技体育预测中的差距？
• RQ2 在传统评分系统之外，引入特征与结构化学习是否能提升预测准确性？
• RQ3 该模型是否能在真实世界体育数据（如英格兰超级联赛）上实现最先进性能？
• RQ4 在预测准确性方面，该模型与投注市场赔率相比表现如何？
• RQ5 当预测受限于固有的不可预测性时，影响比赛结果的关键因素是什么？

主要发现

• 结构化对数似然模型在英格兰超级联赛比赛结果的预测中，达到了现有文献报道的最佳性能。
• 该模型的预测结果几乎与当代投注市场赔率同样准确，表明其具有高度校准性与可靠性。
• 模型仅识别出三个显著的可观测预测因子：球队实力、主客场优势与球队新颖性，表明其他因素影响有限。
• 尽管进行了广泛的特征探索，仍未发现其他显著影响因素，暗示联赛中存在固有的不可预测性。
• 无论在批量学习还是在线学习下，模型性能均保持稳定，表现出强健性与可扩展性。
• 合成实验验证了模型恢复底层结构的能力，尤其在低秩与正则化设置下表现突出。