[论文解读] The Player Kernel: Learning Team Strengths Based on Implicit Player Contributions

Lucas Maystre, Victor Kristof+2 more|arXiv (Cornell University)|Sep 5, 2016

Gaussian Processes and Bayesian Inference参考文献 7被引用 4

一句话总结

本文提出Player Kernel模型，一种基于高斯过程的模型，通过将俱乐部足球比赛的知识迁移至国家队足球比赛，以提升对国家队比赛结果的预测性能。通过共享球员阵容建模球队实力，该模型利用丰富的俱乐部数据缓解国家队比赛数据稀疏与过时的问题，其性能在与博彩赔率对比时表现具有竞争力，并在一致性方面优于传统Elo评分系统。

ABSTRACT

In this work, we draw attention to a connection between skill-based models of game outcomes and Gaussian process classification models. The Gaussian process perspective enables a) a principled way of dealing with uncertainty and b) rich models, specified through kernel functions. Using this connection, we tackle the problem of predicting outcomes of football matches between national teams. We develop a player kernel that relates any two football matches through the players lined up on the field. This makes it possible to share knowledge gained from observing matches between clubs (available in large quantities) and matches between national teams (available only in limited quantities). We evaluate our approach on the Euro 2008, 2012 and 2016 final tournaments.

研究动机与目标

• 解决国家队足球比赛预测中的数据稀疏与过时问题，因国家队每年比赛场次少且阵容频繁变动。
• 将丰富的俱乐部足球比赛数据知识迁移至国家队比赛预测中，以提升预测性能。
• 构建一个原则化的概率模型，以处理球队实力估计中的不确定性。
• 设计一种核函数，通过共享球员关联不同比赛，实现在不同类型比赛间的知识迁移。
• 在2008年、2012年和2016年欧洲杯赛事中，将模型预测性能与多种基线方法进行对比评估。

提出的方法

• 将两支队伍之间的足球比赛结果建模为高斯过程分类问题，将泽尔梅洛的基于技能的模型与现代机器学习方法相连接。
• 提出一种球员核函数，基于重叠的球员阵容计算比赛间的相似性，实现从俱乐部比赛到国家队比赛的知识迁移。
• 该核函数利用首发阵容中的球员身份定义比赛间的协方差，使不同赛事类型之间可实现共享学习。
• 模型引入主场比赛优势特征，并使用每个赛事开始前的所有历史比赛进行训练，推理通过GPy库完成。
• 预测结果以胜/平/负结果的概率分布形式生成，使用对数损失进行评估。
• 该方法在比赛空间中运行，而非球员空间，相比TrueSkill等模型显著降低了计算成本。

实验结果

研究问题

• RQ1 能否有效从俱乐部足球比赛知识中迁移至提升国家队足球比赛结果的预测性能？
• RQ2 通过共享球员阵容建模球队实力，在数据稀疏的国家队比赛场景中，对预测性能有何影响？
• RQ3 采用球员核函数的高斯过程框架是否在不确定性量化与预测一致性方面优于传统的Elo风格评分系统？
• RQ4 在多个赛事中，该模型与博彩赔率及固定评分基线相比，预测准确性如何？
• RQ5 在数据过时与球队阵容持续变化的背景下，该模型能否保持一致的预测性能？

主要发现

• 在2008年欧洲杯中，Player Kernel模型的对数损失为0.969，优于Elo基线（0.910），与博彩赔率（0.979）相比也表现更优。
• 在2012年欧洲杯中，模型损失为0.939，显著优于Elo基线（1.003），且与赔率（0.953）水平相当。
• 在2016年欧洲杯中，模型损失为1.067，略高于赔率（1.020），但仍优于Elo基线（1.102），反映出该届赛事不可预测性增强。
• 模型始终生成比Elo基线更保守且更稳定的预测，后者因在线更新机制及缺乏不确定性量化而表现出高波动性。
• 在所有赛事中，独立球员数量（P）均超过训练比赛场次（N），凸显了模型成功应对的数据稀疏挑战。
• 使用GPy库进行推理时，最大测试集（2016年欧洲杯）的计算时间不足20分钟，证明了即使在大规模数据集下，该方法仍具备计算可行性。