[论文解读] Multiresolution Tensor Decomposition for Multiple Spatial Passing Networks

Shaobo Han, David B. Dunson|arXiv (Cornell University)|Mar 3, 2018

Tensor decomposition and applications参考文献 41被引用 6

一句话总结

本文提出一种多分辨率张量分解框架，结合泊松非负块词项分解（CP-BTD）模型，用于分析足球比赛中重复出现的空间传球网络，实现从粗到细的低秩网络基序发现。该方法应用于2014年国际足联世界杯数据，能够识别出各队可解释的传球策略，同时保留空间与时间结构。

ABSTRACT

This article is motivated by soccer positional passing networks collected across multiple games. We refer to these data as replicated spatial passing networks---to accurately model such data it is necessary to take into account the spatial positions of the passer and receiver for each passing event. This spatial registration and replicates that occur across games represent key differences with usual social network data. As a key step before investigating how the passing dynamics influence team performance, we focus on developing methods for summarizing different team's passing strategies. Our proposed approach relies on a novel multiresolution data representation framework and Poisson nonnegative block term decomposition model, which automatically produces coarse-to-fine low-rank network motifs. The proposed methods are applied to detailed passing record data collected from the 2014 FIFA World Cup.

研究动机与目标

• 开发一种方法，利用空间对齐的重复传球网络总结足球队的传球策略。
• 解决传统网络摘要方法忽略空间位置、无法捕捉动态多尺度传球基序的局限性。
• 在多场比赛中对重复传球网络进行建模，同时保留空间嵌入并提取典型传球模式。
• 实现降维，以支持基于时空网络数据的球队表现预测建模。
• 提供一种生成建模框架，同时捕捉网络内结构与跨队网络间的共现关系。

提出的方法

• 提出一种多分辨率数据表示方法，将足球场划分为空间单元格，实现对传球模式的粗粒度到细粒度分析。
• 将传球网络建模为跨空间单元格、球队和比赛的高阶计数张量（多维列联表）。
• 对张量应用泊松非负块词项分解（CP-BTD）模型，假设计数服从泊松分布，且因子非负。
• 使用期望最大化（EM）算法估计参数：潜在成分（υ）、空间分配概率（ϕ）和块权重（ω），并引入诱导稀疏性的先验分布。
• 引入约束以确保空间概率和块概率满足单纯形结构，从而实现可解释的基序提取。
• 采用分层分解策略，在多个空间分辨率下提取基序，从整体场地区域到细粒度区域。

实验结果

研究问题

• RQ1 如何在保留空间与时间结构的前提下，对多场比赛中的重复空间传球网络进行建模？
• RQ2 从球队传球行为的多分辨率分析中，会涌现出哪些低秩且可解释的网络基序？
• RQ3 泊松CP-BTD模型能否有效捕捉球队内部的传球动态以及球队间的策略差异？
• RQ4 从粗到细的空间分辨率如何提升网络基序发现的可解释性与预测能力？
• RQ5 所提取的基序在多大程度上能够区分高规格国际比赛中不同风格球队的表现？

主要发现

• 所提出的多分辨率CP-BTD模型成功提取出可解释的、低秩的网络基序，代表了跨球队的重复传球模式。
• 该方法识别出明显不同的空间基序，如斜线传球、横向转移和中路渗透，与2014年世界杯已知战术风格一致。
• EM算法在2014年国际足联世界杯数据集上收敛稳定且高效，该数据集包含64场比赛，平均每支球队超过800次传球事件。
• 分解结果表明，西班牙队与荷兰队表现出不同的基序分布：西班牙队偏好中路组织推进，而荷兰队则强调边路快速转换。
• 监督嵌入结果表明，所提取的基序可有效预测球队表现，高分与低分比赛中呈现出截然不同的空间模式。
• 与标准网络摘要方法（如度中心性）相比，该模型通过捕捉空间上下文与动态策略，实现了对球队间更细致的比较。