[论文解读] Predicting the NFL Using Twitter

Shiladitya Sinha, Chris Dyer+2 more|arXiv (Cornell University)|Oct 25, 2013

Sports Analytics and Performance参考文献 18被引用 29

一句话总结

本文提出利用推特情绪和发帖量指标来预测NFL比赛结果及投注表现，表明简单的推特衍生特征——尤其是发帖量的变化率——可与传统统计特征相媲美或超越。关键发现是，基于发帖量变化率的推特速率S特征在预测让分胜负方面达到55.3%的准确率，超过53%的盈利率阈值（扣除博彩公司费用后），具备盈利潜力。

ABSTRACT

We study the relationship between social media output and National Football League (NFL) games, using a dataset containing messages from Twitter and NFL game statistics. Specifically, we consider tweets pertaining to specific teams and games in the NFL season and use them alongside statistical game data to build predictive models for future game outcomes (which team will win?) and sports betting outcomes (which team will win with the point spread? will the total points be over/under the line?). We experiment with several feature sets and find that simple features using large volumes of tweets can match or exceed the performance of more traditional features that use game statistics.

研究动机与目标

• 探究Twitter的社交媒体数据是否能以高于传统比赛统计数据的准确度预测NFL比赛结果和投注表现。
• 评估各种推特衍生特征（如情绪、发帖量、变化率）与传统统计特征相比，在预测NFL比赛结果方面的有效性。
• 开发并发布一个大规模、带标注的推特数据集，与2010–2012年NFL比赛对齐，供学术研究使用。
• 确定实时社交媒体情绪和发帖量趋势是否可作为球队表现和投注市场波动的领先指标。

提出的方法

• 在2010–2012年NFL赛季期间，收集10%的Twitter流（花园软管法），使用twokenize分词器处理约4200万条推文/天。
• 通过手动整理的标签（如#giants、#jets）将推文分配给NFL球队，剔除包含多个球队标签的推文，以确保情绪的球队特异性。
• 定义三类推文：赛前（比赛前24–1小时）、赛后（比赛后4–28小时）和每周（比赛之间），通过时间过滤实现。
• 提取特征，包括一元词频（如'win'、'loss'），以及新型速率特征：rateS(vprev, ∆=500) 和 rateP(vprev, θ)，用于衡量相对于先前发帖量的发帖量变化率。
• 使用典型相关分析（CCA）将推特特征与比赛统计数据特征结合，并为三个预测任务训练二元分类器：胜负、带让分胜负（WTS）和大小分。
• 实施动态特征选择：每周从过去两周中选择表现最佳的特征集，实现模型的自适应更新。

实验结果

研究问题

• RQ1 基于推特的特征，特别是发帖量和情绪趋势，是否能与传统比赛统计数据一样准确地预测NFL比赛结果？
• RQ2 发帖量的变化率特征（如rateS、rateP）是否在预测比赛结果方面优于静态发帖数或情绪特征？
• RQ3 社交媒体情绪与实际比赛结果之间是否存在可测量的关系，尤其是在体育投注市场背景下？
• RQ4 基于历史表现的动态特征选择是否能在真实世界预测场景中随时间提升预测准确率？
• RQ5 在不依赖比赛统计数据的情况下，仅使用推特特征能否在NFL投注中实现盈利（即WTS预测准确率超过53%）？

主要发现

• 推特速率S特征（使用vprev和∆=500）在预测带让分胜负（WTS）方面达到55.3%的准确率，超过53%的盈利率阈值（扣除博彩公司费用后）。
• 仅使用推特一元词特征在大小分预测中达到54.3%的准确率，优于大多数其他特征集，表明原始发帖量和词频中存在强信号。
• 通过CCA将推特一元词特征与统计特征结合后，WTS预测准确率提升至51.0%（使用4个组件），但最佳表现仍来自包含速率特征的混合模型。
• 用于WTS预测的最佳特征集频繁变化——13周内共出现8种不同组合——凸显了对自适应、时变特征选择的必要性。
• F5 ∪ F9 ∪ 推特rateP (vprev, θ=0.2) 组合在胜负预测中达到65.9%准确率，在WTS预测中达到51.4%，均超过基线模型，表明组合特征具有强大预测能力。
• 尽管某些特征集在大小分预测中准确率很高（如F3 ∪ F4 ∪ 推特rateS的准确率为58.2%），但动态特征选择策略在该任务中仅达到44.1%的准确率，表明该任务仍有改进空间。