Diese Studie untersucht, ob Beziehungsmarketing-Faktoren die Sportempfehlungssysteme für Fans der chinesischen Super League verbessern. Die Einbeziehung von Zufriedenheit, Vertrauen, Engagement und Gegenseitigkeit verbessert die Genauigkeit der Top-N-Empfehlungen erheblich, besonders unter spärlichen und Long-Tail-Bedingungen. Die Ergebnisse zeigen, dass Engagement und Gegenseitigkeit wiederholtes Verhalten mit hoher Beteiligung antreiben, während Zufriedenheit und Vertrauen hauptsächlich die frühe Einbindung unterstützen.
Ein Abonnement von JoVE ist erforderlich, um diesen Inhalt anzuzeigen. Melden Sie sich an oder beginnen Sie noch heute mit einer kostenlosen Testphase.
Forschungsartikel
Intelligente Empfehlungssysteme zur Vorhersage des Konsumverhaltens der chinesischen Super-League-Fans
In diesem Artikel
Zusammenfassung
Zusammenfassung
Das Verständnis und Vorhersagen des Konsumverhaltens der Fans ist eine zentrale Herausforderung im Profisport, doch die meisten Empfehlungssysteme stützen sich hauptsächlich auf historische Interaktionen und schenken Beziehungsmarketing-Faktoren begrenzte Aufmerksamkeit, die das Fan-Engagement prägen. Um diese Lücke zu schließen, entwickelt diese Studie MLP-PA (Multi-Layer Perceptron with Pyramid Attention) und untersucht, ob die Einbeziehung der relationalen Zustände der Fans – wie Zufriedenheit, Vertrauen, Engagement und Gegenseitigkeit – die Empfehlungswirksamkeit in mehreren Konsumszenarien unter Fans der chinesischen Super League (CSL) verbessern kann. Mit Hilfe eines Multi-Szenario-Datensatzes zu Ticketing, Merchandise, Mitgliedschaft und digitalen Inhalten zeigen empirische Ergebnisse, dass von MLP-PA generierte Empfehlungen deutlich höhere Top-N-Ranking-Genauigkeit erreichen als herkömmliche kollaborative Filteransätze, mit besonders deutlichen Verbesserungen bei Sparse- und Long-Tail-Settings. Die Analyse zeigt außerdem, dass verschiedene Beziehungsfaktoren mit unterschiedlichen Konsummustern verbunden sind: Verpflichtung und Gegenseitigkeit sind stärker mit wiederholtem und hoch beteiligtem Verhalten verbunden, während Zufriedenheit und Vertrauen hauptsächlich die anfänglichen und kurzfristigen Reaktionen beeinflussen. Diese Ergebnisse zeigen, dass Beziehungsmarketing-Faktoren eine substanzielle und differenzierte Rolle beim Konsumverhalten der Fans spielen und umsetzbare Erkenntnisse für personalisierte Engagement-Strategien und digitale Abläufe im Profifußball bieten.
Einleitung
In den letzten Jahren sind Empfehlungssysteme zu einem zentralen Bestandteil digitaler Plattformen geworden, die die Ausrichtung von Nutzern, Produkten und Konsumkontexten durch datengetriebene Personalisierung ermöglichen. Während Empfehlungstechnologien in Bereichen wie E-Commerce und Online-Medien gut etabliert sind, bleibt ihre Anwendung im Profisport vergleichsweiseunterentwickelt. In Ligen wie der Chinese Super League (CSL) ist das Konsumverhalten der Fans stark kontextabhängig und entwickelt sich über die Phasen vor dem Spiel, am Spieltag und nach dem Spiel weiter, wobei Kaufentscheidungen eng mit der Offline-Anwesenheit, der emotionalen Bindung und der sozialen Identität verknüpft sind. Die meisten bestehenden Sportempfehlungsstudien übernehmen jedoch hauptsächlich kollaboratives Filtern oder inhaltsbasierte Techniken aus anderen Bereichen und konzentrieren sich auf kurzfristige Interaktionssignale wie Klicks oder Käufe. Diese Ansätze übersehen weitgehend die relationalen Dynamiken zwischen Fans und Vereinen – wie Vertrauen, Engagement oder Gegenseitigkeit –, die in der Sportmarketingforschung als prägend für langfristiges Engagement und wiederholtenKonsum bekannt sind. Daher fällt es den aktuellen Modellen schwer zu erklären, warum ähnliche Verhaltensgeschichten zu divergenten Konsumergebnissen unter unterschiedlichen relationalen Zuständen führen können. Diese Lücke unterstreicht die Notwendigkeit von Empfehlungsrahmen, die über die Interaktionshäufigkeit hinausgehen und explizit beziehungsgetriebene Mechanismen bei Fan-Entscheidungen berücksichtigen3.
Aus Perspektive des Beziehungsmarketings stellen Zufriedenheit, Vertrauen, Engagement und Gegenseitigkeit gemeinsam die Qualität der Beziehungen aus und sind fest etabliert als wichtige Treiber der Fan-Ergebnisse, darunter die Teilnahme an Spielen, Merchandise-Käufe, Mitgliederverlängerung und Mundpropaganda 4,5,6. Im Gegensatz dazu modellieren die meisten bestehenden Sportempfehlungssysteme weiterhin Interaktionen zwischen Fan und Gegenstand als weitgehend homogene Verhaltenssignale und schenken dem zugrundeliegenden relationalen Kontext diesen Interaktionen wenig Beachtung. Diese Vereinfachung begrenzt ihre Fähigkeit, zu erfassen, wie verschiedene Beziehungsfaktoren unterschiedliche Einflüsse über Konsumphasen und Intensitäten hinweg ausüben, und hilft zu erklären, warum Modelle, die ausschließlich auf Interaktionsgeschichten basieren, oft nicht in der Lage sind, kurzfristige Reaktionen von anhaltendem, hochbeteiligtem Fanverhalten zu unterscheiden.
Aus ingenieurtechnischer Sicht stehen Sportempfehlungssysteme vor zusätzlichen Herausforderungen, darunter asymmetrisches implizites Feedback, starke Long-Tail-Sparsität und heterogene Multi-Touch-Interaktionskontexte7. Traditionelle kollaborative Filteransätze und Single-Path-Deep-Models zeigen in solchen Situationen oft eine begrenzte Cross-Context-Generalisierung und bieten wenig Interpretierbarkeit für Entscheidungsunterstützung im Marketingbetrieb.
Methodisch haben frühere Empfehlungssystemforschungen eine Reihe von Lösungen vorgeschlagen, um Sparsamkeit, Heterogenität und langfristige Optimierung zu adressieren. Graphbasierte und aufmerksamkeitsgetriebene Modelle haben das Repräsentationslernen und die Ranking-Performance verbessert, indem sie die Bedeutung von Nachbarn neu gewichteten und höherstufige Interaktionen erfassten 8,9. Hybride Architekturen, die kollaborative Signale mit Deep Learning kombinieren, haben Fortschritte bei groß angelegten Empfehlungsaufgabengezeigt 10. Reinforcement-learning-basierte Ansätze erweitern die Optimierung weiter auf langfristige Ziele statt auf kurzsichtige Genauigkeit11. Diese Fortschritte bieten wertvolle methodische Grundlagen zur Modellierung komplexer Wechselwirkungen unter spärlicher Rückkopplung.
Dennoch bleiben die meisten dieser Ansätze gegenüber Beziehungsmarketing-Konstrukten neutral und beziehen nicht explizit Variablen wie Zufriedenheit, Vertrauen, Engagement oder Gegenseitigkeit in den Empfehlungsprozess ein. Diese Einschränkung ist besonders im professionellen Fußballkontext auffällig, wo sich Beziehungen zwischen Fan und Club entwickeln und in denen verschiedene relationale Dimensionen unterschiedliche Verhaltensergebnisse dominieren (z. B. Erstkauf versus wiederholte Anwesenheit)12,13,14,15.
Um diese Lücke zu schließen, schlagen wir MLP-PA (Multi-Layer Perceptron with Pyramid Attention) vor, einen beziehungsbewussten Empfehlungsrahmen, der auf das Szenario der chinesischen Super League (CSL) zugeschnitten ist. Aufbauend auf einer Neural Collaborative Filtering (NCF)-Architektur mit einem Multi-Layer Perceptron (MLP)-Backbone behandelt das vorgeschlagene Modell Zufriedenheit, Vertrauen, Verpflichtung und Reziprozität als erstklassige relationale Merkmale und fügt sie in einen aufmerksamkeitsbasierten Prior-Kanal ein. Ein Pyramid-Feature-Attention-Modul wird dann für die späte Fusion verwendet, um gezielt auffällige Interaktionsmuster über mehrere Skalen hinweg zu verstärken, während Fächer-, Gegenstands- und Kontextrepräsentationen integriert werden. Indem MLP-PA explizit Beziehungsvariablen zusammen mit nichtlinearen Interaktionsmerkmalen modelliert, will es sowohl die prädiktive Genauigkeit als auch die Interpretierbarkeit in der Sportempfehlung verbessern.
Eine empirische Bewertung eines selbsterstellten CSL-Datensatzes zeigt, dass der vorgeschlagene Ansatz in Top-N-Ranking-Metriken konsequent die klassischen Baselines wie UserCF, ItemCF und MF-BPR übertrifft. Weitere Analysen der Modellvarianten zeigen, dass die Einbeziehung beziehungsbewusster Aufmerksamkeit dazu beiträgt, Long-Tail-Knappheit und kontextuelle Heterogenität zu verringern. Die Ergebnisse zeigen auch differenzierte Rollen relationaler Faktoren auf. Engagement und Gegenseitigkeit stehen stärker im Zusammenhang mit wiederholten und stark engagierten Verhaltensweisen, während Zufriedenheit und Vertrauen in erster Linie Erst- und kurzfristige Reaktionen unterstützen.
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Protokoll
Diese Studie verwendet deidentifizierte Fan-Item-Interaktionsprotokolle und anonymisierte Fragebogendaten, die ausschließlich zu Forschungszwecken erhoben wurden. Es wurden keine personenbezogenen Daten abgerufen, gespeichert oder verarbeitet. Laut institutionellen und nationalen Richtlinien erforderte diese Studie keine formale Zustimmung des Ethikausschusses oder individuelle informierte Einwilligung.
Datensatzvorbereitung und experimentelles Verfahren
Schritt 1. Datenvorbereitung und -vorverarbeitung
Die Erstellung von Datensätzen und experimentelle Verfahren wurden entwickelt, um rohe Verhaltensprotokolle und Umfrageantworten in einen einheitlichen, reproduzierbaren experimentellen Datensatz umzuwandeln, der für Modelltraining und -evaluation geeignet ist. Der Prozess konzentriert sich auf Datenbereinigung, Anonymisierung, Feature-Konstruktion, Normalisierung und Ausrichtung von Interaktionsdatensätzen mit beziehungsbezogenen Variablen. Rohe Interaktionsprotokolle wurden zunächst überprüft, um unvollständige Einträge und doppelte Ereignisse zu entfernen und so Datenkonsistenz sicherzustellen. Fan- und Item-Kennungen wurden anschließend durch Hashing anonymisiert, um die Privatsphäre der Nutzer zu schützen. Mehrere Formen der Interaktion, darunter Browsing, Klicken, Einkaufen und Anwesenheitsvalidierung, wurden implizite Rückkopplungssignale zugeordnet, wobei jede beobachtete Interaktion als positive Instanz behandelt wurde. Beziehungsbezogene Variablen – Zufriedenheit, Vertrauen, Engagement und Gegenseitigkeit – wurden aus Fragebogenantworten gesammelt und mit den entsprechenden Fan-Identifikatoren verknüpft. Fehlende Fragebogenwerte wurden mittelmäßig Imputation innerhalb derselben Mitgliedsstufe angegangen, um gruppenspezifische Eigenschaften zu erhalten. Kontinuierliche Features wurden mittels Min–Max-Skalierung auf den Bereich [0, 1] normalisiert, um Vergleichbarkeit zwischen den Variablen sicherzustellen. Nach der Vorverarbeitung wurde der finalisierte Datensatz in strukturierten Dateien gespeichert, die anonymisierte Fan-IDs, Item-IDs, Zeitstempel, kontextuelle Tags und normalisierte Beziehungsvariablen umfassten, die dann konsistent über alle experimentellen Einstellungen hinweg verwendet wurden.
Erwartete Leistung:
Als Ergebnis dieses Prozesses enthalten die Ausgaben eine bereinigte Interaktionstabelle, eine normalisierte Tabelle mit Beziehungsvariablen, die mit Fan-Identifizéierungen ausgestimmt sind, sowie eine statistische Zusammenfassung mit der Anzahl der Fans, Gegenstände und Interaktionen im endgültigen Datensatz.
Schritt 2. Train/validation/test-Split und negative Stichprobe
Die Daten werden auf Benutzerebene chronologisch aufgeteilt, um Informationslecks zu vermeiden. Für jeden Fan ist die jüngste Interaktion für Tests reserviert, die zweitjüngste für die Validierung und die übrigen Interaktionen für das Training. Negative Stichproben werden erzeugt, indem nicht-interaktierte Elemente aus dem Item-Set gleichmäßig ausgewählt werden. Für jede positive Interaktion wird während des Trainings eine feste Anzahl negativer Stichproben entnommen (negatives Stichprobenverhältnis = 1:5). Die gleiche Kandidatenmengenkonstruktion wird in allen Modellen konsistent angewendet.
Erwartete Leistung:
Als Ergebnis dieses Schrittes enthalten die Ausgaben chronologisch aufgeteilte Trainings-, Validierungs- und Testdatensätze sowie vorgefertigte negative Stichprobenlisten, die nach dem angegebenen Stichprobenverhältnis erstellt wurden.
Schritt 3. Softwareumgebung und Implementierung
Alle Experimente sind in Python implementiert. Modelltraining und -evaluation werden mit PyTorch (Version ≥ 1.12) durchgeführt. Die Bayessche Hyperparameteroptimierung wird mit Optuna (Version ≥ 3.0) durchgeführt. Trainingsskripte werden auf einer Workstation ausgeführt, die mit einer einzelnen NVIDIA-GPU (≥ 8 GB Speicher) ausgestattet ist. Konfigurationsdateien spezifizieren Datensatzpfade, Modellparameter und Optimierungseinstellungen, um die Reproduzierbarkeit sicherzustellen.
Schritt 4. Modellkonstruktion und Parameterspezifikation
Das MLP-PA-Modell besteht aus einer Einbettungsschicht, einem mehrschichtigen Perzeptron-Backbone, einem Beziehungs-Aufmerksamkeitskanal und einem Pyramiden-Aufmerksamkeitsfusionsmodul. Schlüsselparameter werden wie folgt gesetzt: Einbettungsdimension = 32; MLP versteckte Schichten = [64, 32]; Aktivierungsfunktion = ReLU; Optimierer = Adam mit Lernrate 0,001 und Gewichtsabnahme 1e-5. Das Pyramiden-Aufmerksamkeitsmodul verwendet drei Pooling-Skalen mit Kerngrößen {1, 2, 4} und Stride gleich Kernelgröße. Das Aufmerksamkeitsreduktionsverhältnis ist auf 4 gesetzt. Ein Dropout mit einer Rate von 0,3 wird angewendet, um Überanpassungen zu verhindern. Ein frühes Absetzen wird ausgelöst, wenn die Validierung NDCG@10 sich über 10 aufeinanderfolgende Epochen nicht verbessert.
Schritt 5. Training und Hyperparameteroptimierung
Das Modell wird mit einem paarweisen Bayesianischen Personalisierten Rankingverlust (BPR) trainiert. Während der Ausbildung wird die Validierungsleistung am Ende jeder Epoche überwacht. Bayessche Hyperparameter-Optimierungssuchen bezüglich der Lernrate, Embedding-Größe, Abbruchrate, negativer Stichprobenquote und aufmerksamkeitsbezogener Parameter. Das Optimierungsziel ist die Validierung NDCG@10. Jede Kandidatenkonfiguration wird mit frühzeitigem Stopp trainiert, um die Rechenkosten zu senken.
Erwartete Leistung:
Als Ergebnis dieses Prozesses enthalten die Ausgaben trainierte Modell-Checkpoints, Validierungsperformance-Logs und die optimale Hyperparameterkonfiguration, die durch Bayessche Optimierung identifiziert wurde.
Schritt 6. Bewertung und Ergebnisgenerierung
Nach dem Training wird das am besten performende Modell (basierend auf Validierung NDCG@10) auf dem Testsatz bewertet. Für jeden Ventilator werden Top-N-Empfehlungslisten erstellt, und die Leistung wird mit HR@K und NDCG@K gemessen. Weitere Analysen, darunter Ablationsstudien und phasenbedingte Aufmerksamkeitsprofilierung, werden mit demselben Bewertungsprotokoll durchgeführt, um die Vergleichbarkeit sicherzustellen.
Abschlusskriterien
Das Protokoll gilt als vollständig, wenn folgende Ausgaben erzielt werden: 1) Ein vollständig trainiertes MLP-PA-Modell mit optimierten Hyperparametern; 2) Testset HR@K und NDCG@K Ergebnisse für alle Baseline- und Ablationsmodelle; 3) Gespeicherte Modell-Checkpoints, Evaluationsmetriken und reproduzierbare Konfigurationsdateien. Diese Ausgaben ermöglichen gemeinsam eine unabhängige Replikation des vorgeschlagenen Empfehlungssystemprotokolls.
Theorie des Engagement-Vertrauens-Beziehungsmarketings
Die Commitment–Trust-Theorie identifiziert Verpflichtung und Vertrauen als die zentralen Determinanten der Beziehungsqualität. Durch die Verringerung der transaktionalen Unsicherheit und die Förderung langfristiger Ausrichtung sowie kooperativer Absicht fördern diese Faktoren die relationale Kontinuität und Wertschöpfung16. Vertrauen spiegelt den Glauben der Fans an die Kompetenz, Integrität und Wohltätigkeit eines Vereins wider, was wahrgenommene Risiken und Informationsasymmetrie verringert. Dadurch ermöglicht höheres Vertrauen eine reibungslose Zusammenarbeit mit personalisierten Empfehlungen, Datenautorisierung und Zahlungsprozessen und unterstützt so frühe und wenig verbindliche Verhaltensweisen entlang des Click-to-Purchase-Funnels. Commitment hingegen beschreibt die Bereitschaft der Fans, Zeit, finanzielle Ressourcen und emotionale Bindung zu investieren, um die Beziehung trotz konkurrierender Alternativen oder vorübergehender Unzufriedenheit aufrechtzuerhalten. Da Engagement eng mit Identitätsausrichtung, versunkenen Kosten und gezielten Investitionen verbunden ist, bietet es eine stabilere Erklärungskraft für kosteintensive und hochbeteiligungsintensive Verhaltensweisen wie Wiederholungskäufe, Mitgliederverlängerung, Stadionbesucher und Mundpropaganda18.
Auf Grundlage dieser Unterscheidungen leiten wir folgende Hypothesen ab.
H1 (Vertrauen → unterstützendes Verhalten): Höheres Vertrauen verringert Entscheidungsreibung und wahrgenommenes Risiko und erhöht dadurch die Wahrscheinlichkeit oberflächlicher Verhaltensweisen wie Klicks, Aktionen im Warenkorb und Erstkäufe.
H2 (Relativer Vorteil des Engagements): Unter den vier Beziehungsdimensionen zeigt Engagement die stärkste marginale Erklärungskraft für kostenintensive und langfristige Verhaltensweisen, einschließlich Wiederholungen, Verlängerungen und Offline-Anwesenheit, und sein Beitrag zur prädiktiven Leistung übersteigt den von Zufriedenheit und Vertrauen.
Theorie des sozialen Austauschs
Die Theorie des sozialen Austauschs betont, dass Individuen in wiederholten Interaktionen Normen der Gegenseitigkeit und Fairness folgen19. Wahrgenommene Gegenseitigkeit bedeutet, dass die Fans das Gefühl haben, dass der Verein Geben und Nehmen in Bezug auf Wertzugeständnisse, emotionale Reaktionen und Ressourcenzuteilung empfindet. Wenn Gegenseitigkeit als echt und nachhaltig wahrgenommen wird, sind Fans eher geneigt, durch Konsum und Zuschauerzahl zu reagieren, was eine positive Rückkopplungsschleifebildet. Zufriedenheit ist eine Funktion angesammelter Erfahrungen im Verhältnis zu den Erwartungen. Durch einen Erwartungs-Bestätigungs-Mechanismus fördert er kurzfristige Einhaltung und positive Mundpropaganda und bietet fruchtbaren Boden für die Entwicklung von Vertrauen und Verpflichtung21.
Dementsprechend leiten wir ab:
H3 (Zufriedenheit → unterstützendes Verhalten): Höhere Zufriedenheit reduziert Reue und erhöht die Unmittelbarkeit der Reaktion, was kurzfristige Einkäufe und Beteiligung fördert.
H4 (Reziprozität → Umwandlung und Rückkauf): Im Rahmen eines Wiederholungsspiels verstärken Reziprozitätssignale die Intensität des Austauschs "Ich profitiere → ich gebe zurück" und verbessern die Konversions- und Rückkaufsraten erheblich – insbesondere in preissensitiven oder Knappheitskontexten.
Durch die Synthese der beiden Theorien zeigen die vier Dimensionen eine klare kontextuelle Heterogenität in ihren Einflusswegen:
In Kontexten von Unsicherheit oder hohem wahrgenommenem Risiko – neue Produkte, dynamische Preisgestaltung, hochrisikoreiche Genehmigung/Zahlung – übt Trust stärkere marginale Effekte aus (unterstützt H1).
In langfristigen/identitätsbelasteten Kontexten – Season Passs, aufeinanderfolgende Heimspiele, Mitgliederverlängerung – dominiert das Engagement (unterstützt H2).
An Major-Match-Nodes oder unter Anreizen/Knappheit – begrenzte Vorteile, Beförderungen – erhöht Reziproz stärker die Umwandlung und den Rückkauf (unterstützt H4).
Zufriedenheit dient als "Basisboden" und treibt kurzfristiges Verhalten in nahezu allen Kontexten positiv an (unterstützt H3) und konsolidiert indirekt Vertrauen und Engagement durch die Verbesserung der Erlebnisqualität. Anstatt diese Hypothesen mittels struktureller Gleichungsmodellierung zu testen, injizieren wir die vier Dimensionen in eine Aufmerksamkeitsschicht, sodass das Modell kontextualisierte Gewichte lernen und die Mechanismen mit Ablationsexperimenten bestätigen kann.
MLP
Das Multilayer-Perzeptron (MLP) dient als Backbone-Repräsentationslerner in unserem Framework.
(1) Eingabe-Mapping-Schicht.
Der ursprüngliche Merkmalsvektor wird linear einmal durch eine Gewichtsmatrix 
und Bias b(1) erweitert, was zu
(1)
(2) Tiefe Nichtlinearitätsschicht.
Wir stapeln lineare, Aktivierungs- und Normalisierungsschichten. Die lineare Abbildung verwendet eine vollständig zusammenhängende affine Transformation:
z = Wx + b, (2)
Wobei 
die Gewichtsmatrix ist,
der Vorspannungsvektor, x die Ausgabe der vorherigen Schicht und z die lineare Ausgabe. Um die Aktivierungseigenschaften von ReLU anzupassen und die Gradienten während des Trainings stabil zu halten, verwenden wir He-Initialisierung für W:
(3)
Die Aktivierungsfunktion ist ReLU, die besonders geeignet für tiefe Architekturen22 ist. Wenn x>0 ist, ist die Ableitung von ReLU eine Konstante, was das mit sigmoiden Aktivierungen verbundene Verschwindungsgradientenproblem effektiv lindert und somit die Rückpropagation und Konvergenz23 beschleunigt. ReLU ist außerdem rechnerisch einfach (keine Exponentiente) und von Natur aus spärlich (gibt null für x<0 aus), was redundante Neuronenantworten reduziert und die Generalisierung verbessert. Seine Definition ist24
σ(x) = max(0,x), (4)
Elementweise auf die lineare Ausgabe angewandt, erhält man:
(5)
Nach jeder "linearen → Aktivierungs"-Operation führen wir die Batch-Normalisierung (BN) ein, um Gradienten zu stabilisieren und die Konvergenz zu beschleunigen. BN standardisiert Funktionen innerhalb jeder Mini-Charge dynamisch, mindert interne Kovariatenverschiebungen, verbessert die Trainingsstabilität und reduziert die Empfindlichkeit gegenüber der Lernrate. BN hat außerdem einen milden Regularisierungseffekt, ähnlich wie das Einspritzen von Rauschen, was hilft, Überanpassungen zu verhindern, ohne die Modellkapazität zu beeinträchtigen.
Sei die aktuelle Mini-Batch-Ausgabe , 
Die BN-Transformation für das j-te Merkmal ist
(6)
Wobei μj und σj2 der Batch-Mittelwert und die Varianz des j-ten Merkmals sind, ε eine kleine Konstante für numerische Stabilität ist, und γj, βj lernbare Skalierungs- und Verschiebungsparameter sind, die die nichtlineare Ausdruckskraft des Netzwerks wiederherstellen.
(7)
Hier ist m die Mini-Batch-Größe, ε eine kleine Konstante für numerische Stabilität, und γj sind βj lernbare Skalierungs-/Verschiebungsparameter, die verwendet werden, um die nichtlineare Expressivität des Netzwerks nach der Normalisierung wiederherzustellen.
(3) Merkmalskompressionsschicht
Nach der tiefen Feature-Extraktion fügen wir am Ende des MLP-Blocks eine Feature-Kompressionsschicht an, um wichtige Informationen zu bewahren, Redundanz zu unterdrücken, die Rechenlast der nachfolgenden Module zu verringern und eine leichte Regularisierung zu gewährleisten. Sei der Eingabevektor . 
Der komprimierte Ausgang ist 
, mit den Parametern 
, 
. Die Operation lautet:
(8)
Pyramiden-Aufmerksamkeitsmechanismus (PA)
Sei die letzte MLP-Schichtausgabe .
Um eine explizite Auswahl über nichtlineare Wechselwirkungen höherer Ordnung zu ermöglichen, ordnen 
wir zunächst nach Feld/Kanal in eine Matrix25 um:
(9)
Dabei ist C die Anzahl der Kanäle und L die Länge pro Kanal.
(1) Mehrskalige Strukturkonstruktion.
Entlang der Merkmalsachse L wenden Sie 1D-Pooling mit mehreren Skalen an, um26 zu erhalten
(10)
wobei ks und stride die s-te Skala definieren.
(2) Aufmerksamkeit nach Skala kanalisieren.
Für jede Waage erstellen Sie einen Kanalbeschreiber und Aufmerksamkeitsgewichte27:
(11)
Wobei δ(⋅) ReLU ist, σ(⋅) Sigmoid ist,
, r ist das Reduktionsverhältnis.
Wenden Sie die Gewichte kanalweise an:
(12)
(3) Fusion und Rückschreibung.
Projiziere jede Skala mit GAPL in einen einheitlichen 1D-Raum und fusioniere sie:
(13)
wobei Ps Fusionsgewichte sind und Wr eine lernbare Projektion ist, die im Residual-Writeback verwendet wird.
Endwertung:
(14)
Wobei ⊙ das Hadamard-Produkt (elementweise) bezeichnet und 
die Vektorverkettung.
Top-N-Aufgabenformalisierung und Lernziel
(1) Problemlösung.
Lasst das Fanset F sein und das Item-Set I (Tickets, Merchandise, Mitgliedsvorteile und Inhalte). Implizite Rückmeldung 
zeigt an, ob der Fan 
mit dem Artikel 
interagiert hat (Klick, Kauf, Anwesenheit/Bestätigung usw.). Die positiven Stichproben im Trainingsset sind
, 
.
Wir bringen die vier Beziehungsmarketing-Variablen – Zufriedenheit, Vertrauen, Verpflichtung, Reziprozität – als Vektor ein: 
in die Aufmerksamkeitsschicht, um eine kontextbewusste Beziehungsrepräsentation 
zu erhalten, die mit Fan-/Item-Einbettungen 
verschmolzen wird, um den Score 
zu erzeugen. Für jedes positive Paar 
ziehen wir mehrere Negative mit einem festen Verhältnis von 
zu formen 
.
(2) Paarweise Ziel.
Um das relative Ranking direkt zu optimieren, verwenden wir den BPR (Bayesian Personalized Ranking) Verlust28:
(15)
Hier 
drückt die Wahrscheinlichkeit aus, dass "der positive Wert den negativen übersteigt"; 
ist ein L-2-Regularizer zur Kontrolle des Overfittings; 
bezeichnet alle lernbaren Parameter.
(3) Schlussfolgerung und Rangfolge.
Zur Testzeit ist die Kandidatenmenge . 
Wir berechnen die Werte , und geben die Top-N-Liste29 zurück:
(16)
Design von Empfehlungsalgorithmen
Dieser Abschnitt beschreibt den vollständigen Empfehlungsworkflow in dieser Studie und deckt die End-to-End-Pipeline von der Datenvorverarbeitung über Modelltraining bis hin zur Online-Inferenz ab. Der Workflow erklärt, wie rohe Interaktionsdaten und Beziehungsvariablen zwischen Fan und Gegenstand durch Repräsentationslernen und aufmerksamkeitsbasierte Modellierung in personalisierte Rankingwerte umgewandelt werden. Das detaillierte Verfahren ist wie folgt dargestellt.
Schritt 1: Datenvorbereitung und Normalisierung.
CSL-Fan-Gegenstand-Interaktionsprotokolle werden in implizite Rückkopplungssignale umgewandelt. Fehlende Werte werden behandelt, und die vier Beziehungsvariablen – Zufriedenheit, Vertrauen, Verpflichtung und Gegenseitigkeit – werden normalisiert. Die Daten werden chronologisch in Trainings-, Validierungs- und Testsätze aufgeteilt, und für jede positive Interaktion werden mehrere negative Stichproben generiert.
Schritt 2: Beziehungs-Aufmerksamkeitskodierung.
Die vier Beziehungsvariablen werden in ein Aufmerksamkeitsmodul eingespeist, um kontextbewusste Wichtigkeitsgewichte zu lernen und so eine kompakte Fan-Beziehungsrepräsentation für die nachgelagerte Modellierung zu erzeugen.
Schritt 3: Interaktionseingabe-Konstruktion.
Fan- und Item-Einbettungen werden erlernt und mit der Beziehungsrepräsentation verkettet, um den vollständigen Merkmalvektor für jede Fan-Gegenstand-Interaktion zu bilden.
Schritt 4: Repräsentationslernen.
Die Interaktionsmerkmale werden durch einen MLP-Zweig geleitet, um hochrangige nichtlineare Muster zu erfassen und eine fusionierte latente Darstellung zu erzeugen.
Schritt 5: Pyramiden-Feature-Aufmerksamkeit.
Eine multiskalierte Merkmalspyramide wird auf dem MLP-Output aufgebaut. Kanalweise Aufmerksamkeit und überdimensionale Fusion werden angewendet, und erweiterte Funktionen werden über Restverbindungen integriert, um hervorstehende Kanäle zu verstärken und redundante zu unterdrücken.
Schritt 6: Punktewertung und Leistung.
Der lineare Ast wird mit der erweiterten nichtlinearen Darstellung verkettet und in die Ausgabeschicht eingespeist, um für jedes Fan-Item-Paar einen Präferenzwert zu berechnen.
Schritt 7: Training und Optimierung.
Das Modell wird mithilfe eines paarweisen Rangierungsziels optimiert. Ein adaptiver Optimierer wird zusammen mit Gewichtsverlust, Ausfall und frühzeitigem Stoppen eingesetzt, um die Verallgemeinerung zu verbessern und Überanpassung zu mindern.
Schritt 8: Bayessche Hyperparameteroptimierung.
Validierungs-Ranking-Metriken dienen als Ziel, um automatisch wichtige Hyperparameter zu suchen, darunter Embedding-Dimensionen, Netzwerktiefe und -breite, Lernrate, negatives Stichprobenverhältnis, Aussetzrate sowie pyramiden- und aufmerksamkeitsbezogene Parameter.
Schritt 9: Schlussfolgerung und Rangfolge.
Während der Online-Inferenz werden für jeden Fan Präferenzwerte gegenüber dem Kandidaten-Item-Set berechnet, um Top-N-Empfehlungen zu generieren, wobei optionale Post-Ranking-Strategien angewendet werden, um Frische, Vielfalt und geschäftliche Einschränkungen zu berücksichtigen.
Experimentelle Validierung
Datensatz und Merkmalsschema
Wir bewerten anhand eines selbsterstellten Datensatzes, der (über gehashte Fan-IDs) deidentifizierte CSL-Club-Informationssystemprotokolle von Fan-Gegenstand-impliziten Interaktionen mit einer zeitgenössischen Beziehungsumfrage verbindet. Die Daten decken vier Geschäftsbereiche ab – Tickets, Merchandise, Mitgliedschaft und Inhalte – und umfassen Browsing-, Klick-, Hinzufügen-in-Waren-/Favoriten-, Kauf-/Ticket-Tickets sowie In-Stadion-Validierungsveranstaltungen mit Zeitstempeln, Kontaktpunktkanal, Kontext-Tags und Werbeflaggen. Die Spanne beträgt ≥ eine volle Saison; Der Maßstab liegt in der Größenordnung von Fans, Gegenständen und Ereignissen, die für tiefgehende Modellierung ausreichen.
Funktionsschema und Codierungen: Items-ItemID, ItemType, TeamTag, PriceBand (ID/Kategorien-Embeddings); Fans—FanID, Region, Membership Tier, Tenure (FanID wurde als Embedding gelernt; andere kategorische/numerische Felder wurden standardisiert); RQ-Funktionen – Zufriedenheit, Vertrauen, Verpflichtung, Reziprozität skaliert auf [0,1] und an den Attention-Kanal weitergeleitet, dann mit MLP-Darstellungen über PA verschmolzen; Kontext – PhaseTag, Channel, PromoFlag, Hour, Weekday (Kategorien als Einbettungen; Zeit zeigt sich mit sinusförmiger Sinus/cos-Codierung).
Hyperparameter-Optimierung
Wichtige Hyperparameter von MLP-PA werden mittels bayesscher Optimierung innerhalb eines voreingestellten Suchraums optimiert, wobei NDCG@10 auf dem Validierungsset als primäres Ziel (mit HR@10 als Referenz) verwendet wird und frühzeitig gestoppt wird, um Überanpassungen zu vermeiden. Jede Kandidatenkonfiguration wird unter mehreren zufälligen Seeds ausgeführt und gemittelt. Die endgültigen eingesetzten Einstellungen sind in Tabelle 1 angegeben.
| Hyperparameter | Beschreibung | Suchbereich | Ausgewählter Wert |
| Einbettungsdimension | Größe der Fächer-/Objekt-Einbettung | {32, 64, 128} | 64 |
| MLP versteckte Schichten | Anzahl der MLP-Schichten | {2, 3, 4} | 3 |
| MLP versteckte Einheiten | Einheiten pro versteckter Schicht | {64, 128, 256} | 128 |
| Abbrecherquote | Aussetzwahrscheinlichkeit | [0.1, 0.5] | 0.3 |
| Lernrate | Anfängliche Lernrate | [1e-4, 1e-2] | 1.00E-03 |
| Negatives Stichprobenverhältnis | Negative pro positive Probe | {1, 3, 5, 10} | 5 |
Tabelle 1: Endgültige Hyperparameter-Einstellungen des MLP-PA-Modells
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Ergebnisse
Konvergenz und Stabilität
Um das Konvergenzverhalten und die Trainingsstabilität des vorgeschlagenen Modells zu bewerten, vergleichen wir dessen Validierungsleistung mit einem standardisierten MLP-basierten Empfehlungsmodell ohne Pyramidenfeature-Aufmerksamkeit oder beziehungsbewusste Aufmerksamkeit, der als Kontrollmodell dient. Alle Modelle werden unter identischen Datenaufteilen, Optimierungseinstellungen und Stoppkriterien trainiert, um eine...
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Diskussion
Konzeptionelle und methodische Beiträge
Diese Studie trägt konzeptionell bei, indem sie Beziehungsdimensionen – Zufriedenheit, Vertrauen, Verpflichtung und Gegenseitigkeit – nicht als statische Hilfsmerkmale, sondern als kontextsensitive relationale Signale neu definiert, deren Einfluss je nach Engagement variiert. Der vorgeschlagene Rahmen operationalisiert diese Idee durch einen aufmerksamkeitsbasierten Mechanismus, der relationale Hinweise ...
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Offenlegungen
Der Autor hat keine Interessenkonflikte anzugeben.
Danksagungen
Der Autor möchte den anonymen Gutachtern für ihre konstruktiven Kommentare und Vorschläge danken, die zur Verbesserung der Klarheit und Qualität dieses Manuskripts beigetragen haben. Er würdigt auch die Unterstützung der kooperierenden Organisation für den Zugang zu den in dieser Studie verwendeten Daten. Alle in diesem Artikel geäußerten Meinungen, Ergebnisse und Schlussfolgerungen sind die des Autors und spiegeln nicht notwendigerweise die Ansichten der angeschlossenen Institutionen wider.
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Materialien
| Name | Unternehmen | Katalognummer | Kommentare |
|---|---|---|---|
| Python | https://www.python.org | 3.9.10 | |
| Deep Learning Framework | PyTorch | https://pytorch.org | >= 1.12 |
| Hyperparameter-Optimierungsbibliothek | Optuna | https://optuna.org | >= 3.0 |
| Hardware | NVIDIA GPU | https://www.nvidia.com | Einzelner GPU, >= 8 GB Speicher |
| Datensatz | Selbst erstellter CSL-Fan-Datensatz | N/A | Eine vollständige Saison oder länger; ausreichender Umfang für Deep Modeling |
| Interaktionsdaten | Fan–item implizite Interaktionsprotokolle | N/A | Nicht separat versioniert |
| Umfragedaten | Beziehungsfragebogendaten | N/A | Nicht separat versioniert |
| Datenvorbereitungsmethode | Hashbasierte Anonymisierung | N/A | Auf Fan- und Artikelidentifikatoren angewendet |
| Datenvorbereitungsmethode | Mittlere Imputation innerhalb der Mitgliedschaftsstufe | N/A | Auf fehlende Fragebogenantworten angewendet |
| Datenvorbereitungsmethode | Min–max Normalisierung | N/A | Bereich [0, 1] |
| Datenaufteilungsstrategie | Chronologische Benutzer-Level-Aufteilung | N/A | Neueste = Test; zweitneueste = Validierung; Rest = Training |
| Negatives Sampling | Einheitliches negatives Sampling | N/A | Positives:negatives Verhältnis = 1:5 |
| Modell-Backbone | MLP (Multi-Layer Perceptron) | https://pytorch.org/docs/stable/nn.html | Versteckte Schichten [128, 64, 32] (optimiert) |
| Achtungsmodul | Beziehungs-Achtungskanal | N/A | Benutzerdefinierter Modul |
| Fusionsmodul | Pyramid Attention (PA) | N/A | Pooling-Skalen {1, 2, 4}, stride = Kernelgröße, Reduktionsverhältnis = 4 |
| Optimierer | Adam | https://pytorch.org/docs/stable/generated/torch.optim.Adam.html | Lernrate 0,001, Gewichtsverfall 1e-5 |
| Regulierung | Dropout | https://pytorch.org/docs/stable/generated/torch.nn.Dropout.html | Rate 0,3 |
Referenzen
- Wang, L., et al. Drug combination recommendation model for systemic lupus erythematosus and antiphospholipid syndrome. Pharmaceutics. 18 (8), 1224(2025).
- Hu, X., Yuan, Z., Ma, Z. A robot control knowledge recommendation model PKGAT based on multimodal knowledge graph. Int J Softw Eng Knowl Eng. 35 (8), (2025).
- Ji, S. An intelligent recommendation model for disclosure of electricity market entities based on association rule mining algorithm. Electr Eng. , In press (2025).
- Xie, F., et al. Differential weighting and flexible residual GCN-based contrastive learning for recommendation. Symmetry. 17 (8), 1320(2025).
- Duan, J., et al. A deep recommendation model based on semantic information and correlation between items. J Intell Inf Syst. , In press (2025).
- Malakhatka, E., et al. Optimal time recommendation model for home appliances: HSB Living Lab dishwasher study. Energy Effic. 18 (1), 3(2024).
- Yuan, Q., Cong, G., Ma, Z., Sun, A., Magnenat-Thalmann, N. Time-aware point-of-interest recommendation. Proc Int ACM SIGIR Conf Res Dev Inf Retr, 36, 363-372 (2013).
- Alaoui, E. D., et al. Comparative study of filtering methods for scientific research article recommendations. Big Data Cogn Comput. 8 (12), 190(2024).
- Li, X., Hu, G. Design and implementation of an electronic journal resource recommendation system integrating user profile and knowledge graph. Front Comput Intell Syst. 10 (2), 74-78 (2024).
- Sami, A., et al. A deep learning-based hybrid recommendation model for internet users. Sci Rep. 14 (1), 29390(2024).
- Zhonghua, W. Intelligent recommendation model of tourist places based on collaborative filtering and user preferences. Appl Artif Intell. 37 (1), (2023).
- Wang, Q., Esquivel, A. J. Personalized movie recommendation system based on DDPG: Application and analysis of reinforcement learning in user preferences. Front Soc Sci Technol. 5 (18), (2023).
- Miao, L., et al. Study on two-tier EV charging station recommendation strategy under multi-factor influence. J Artif Intell. 5, 181-193 (2023).
- Yunni, X., et al. A quasi-Newton matrix factorization-based model for recommendation. Int J Web Serv Res. 20 (1), 1-15 (2023).
- Mourad, J., et al. Personalized PV system recommendation for enhanced solar energy harvesting using deep learning and collaborative filtering. Sustain Energy Technol Assess. 60, 103456(2023).
- Pfajfar, G., et al. Value of corporate social responsibility for multiple stakeholders and social impact: A relationship marketing perspective. J Bus Res. 143, 46-61 (2022).
- Khan, R. U., et al. The impact of customer relationship management and company reputation on customer loyalty: The mediating role of customer satisfaction. J Relatsh Mark. 21 (1), 1-26 (2022).
- Sheth, J. New areas of research in marketing strategy, consumer behavior, and marketing analytics: The future is bright. J Mark Theory Pract. 29 (1), 3-12 (2021).
- Mishra, M., Mund, P. Fifty-two years of consumer research based on social exchange theory: A review and research agenda using topic modeling. Int J Consum Stud. 48 (4), e13074(2024).
- Cook, K. S., Hahn, M. Social exchange theory: Current status and future directions. Theor Sociol. 50, 179-205 (2021).
- Naseer, A., Jalal, A. Multimodal objects categorization by fusing GMM and multilayer perceptron. Proc 5th Int Conf Adv Comput Sci (ICACS), , 1-7 (2024).
- Hussain, K., et al. Analyzing LULC transformations using remote sensing data: Insights from a multilayer perceptron neural network approach. Ann GIS. 30, 1-28 (2024).
- Mfetoum, I. M., et al. A multilayer perceptron neural network approach for optimizing solar irradiance forecasting in Central Africa with meteorological insights. Sci Rep. 14 (1), 3572(2024).
- Yu, Y., et al. Multi-scale spatial pyramid attention mechanism for image recognition: An effective approach. Eng Appl Artif Intell. 133, 108261(2024).
- Liu, H., et al. A deep convolutional neural network for the automatic segmentation of glioblastoma brain tumor: Joint spatial pyramid module and attention mechanism network. Artif Intell Med. 148, 102776(2024).
- Liu, M., et al. Vehicle object counting network based on feature pyramid split attention mechanism. Vis Comput. 40 (2), 663-680 (2024).
- Alvarado, O., et al. A systematic review of interaction design strategies for group recommendation systems. Proc ACM Hum-Comput Interact, 6 (CSCW2), 1-51 (2022).
- Zhao, Y. Design of garment style recommendation system based on interactive genetic algorithm. Comput Intell Neurosci. 2022, 9132165(2022).
- Nazer, L. H., et al. Bias in artificial intelligence algorithms and recommendations for mitigation. PLOS Digit Health. 2 (6), e0000278(2023).
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.