Cette étude examine si les facteurs liés au marketing relationnel améliorent les systèmes de recommandation sportive pour les fans de la Super League chinoise. Intégrer satisfaction, confiance, engagement et réciprocité améliore considérablement la précision des recommandations Top-N, surtout dans des conditions de faible ou de longue traîne. Les résultats montrent que l’engagement et la réciprocité entraînent des comportements répétés à forte implication, tandis que la satisfaction et la confiance soutiennent principalement un engagement précoce.
Un abonnement JoVE est requis pour visualiser ce contenu. Connectez-vous ou commencez votre période d'essai gratuite.
Article de recherche
Systèmes intelligents de recommandation pour la prédiction du comportement de consommation des fans de la Super League chinoise
Dans cet article
Résumé
Résumé
Comprendre et prédire le comportement de consommation des fans est un défi central dans le sport professionnel, pourtant la plupart des systèmes de recommandation reposent principalement sur des interactions historiques et accordent une attention limitée aux facteurs de marketing relationnel qui influencent l’engagement des fans. Pour combler cet écart, cette étude développe MLP-PA (Multi-Layer Perceptron with Pyramid Attention) et examine si l’intégration des états relationnels des fans — tels que la satisfaction, la confiance, l’engagement et la réciprocité — peut améliorer l’efficacité des recommandations à travers plusieurs scénarios de consommation chez les fans de la Super League chinoise (CSL). En utilisant un ensemble de données multi-scénarios couvrant la billetterie, le merchandising, l’adhésion et le contenu numérique, les résultats empiriques montrent que les recommandations générées par MLP-PA atteignent une précision de classement Top-N nettement supérieure à celle des approches de filtrage collaboratif conventionnels, avec des améliorations particulièrement marquées dans les contextes de sparse et long-tail. L’analyse révèle en outre que différents facteurs relationnels sont associés à des schémas de consommation distincts : l’engagement et la réciprocité sont plus fortement liés à des comportements répétés et à forte implication, tandis que la satisfaction et la confiance influencent principalement les réponses initiales et à court terme. Ces résultats démontrent que les facteurs de marketing relationnel jouent un rôle substantiel et différencié dans le comportement de consommation des fans, offrant des informations exploitables pour des stratégies d’engagement personnalisées et des opérations numériques dans le football professionnel.
Introduction
Ces dernières années, les systèmes de recommandation sont devenus un élément central des plateformes numériques, permettant l’alignement des utilisateurs, des produits et des contextes de consommation grâce à une personnalisation basée sur les données. Bien que les technologies de recommandation soient bien établies dans des domaines tels que le commerce électronique et les médias en ligne, leur application dans le sport professionnel reste relativementsous-développée. Dans des ligues comme la Super League chinoise (CSL), le comportement de consommation des supporters est très contextuel et évolue sur les phases pré-match, jour de match et après le match, les décisions d’achat étant étroitement liées à la présence hors ligne, à l’attachement émotionnel et à l’identité sociale. Cependant, la plupart des études existantes sur les recommandations sportives adaptent principalement des techniques de filtrage collaboratif ou de contenu provenant d’autres domaines et se concentrent sur des signaux d’interaction à court terme, tels que les clics ou les achats. Ces approches négligent en grande partie les dynamiques relationnelles entre supporters et clubs — telles que la confiance, l’engagement ou la réciprocité — qui sont connues dans la recherche marketing sportive pour façonner l’engagement à long terme et la consommationrépétée 2. En conséquence, les modèles actuels peinent à expliquer pourquoi des histoires comportementales similaires peuvent conduire à des résultats de consommation divergents sous différents états relationnels. Cette lacune met en lumière la nécessité de cadres de recommandation qui vont au-delà de la fréquence d’interaction et prennent explicitement en compte les mécanismes axés sur les relations dans la prise de décision des fans3.
D’un point de vue marketing relationnel, la satisfaction, la confiance, l’engagement et la réciprocité constituent conjointement la qualité des relations et sont bien établis comme moteurs des résultats clés des fans, notamment la participation aux matchs, l’achat de produits dérivés, le renouvellement d’adhésion et le bouche-à-oreille 4,5,6. En revanche, la plupart des systèmes existants de recommandation sportive continuent de modéliser les interactions fan–objet comme des signaux comportementaux largement homogènes, accordant peu d’attention au contexte relationnel sous-jacent à ces interactions. Cette simplification limite leur capacité à saisir comment différents facteurs relationnels exercent des influences distinctes selon les stades de consommation et les intensités d’engagement, et aide à expliquer pourquoi les modèles basés uniquement sur des histoires d’interaction ne différencient souvent pas les réponses à court terme des comportements soutenus et à forte implication des fans.
D’un point de vue technique, les systèmes de recommandation sportive font face à des défis supplémentaires, notamment le retour d’information implicite asymétrique, une sévère parcimonie à longue traîne, et des contextes d’interactions multi-tactileshétérogènes 7. Les approches traditionnelles de filtrage collaboratif et les modèles profonds à trajet unique présentent souvent une généralisation intercontextuelle limitée dans de tels contextes et offrent peu d’interprétabilité pour le soutien à la décision dans les opérations marketing.
Méthodologiquement, les recherches antérieures sur les systèmes de recommandation ont proposé une gamme de solutions pour répondre à la rareté, à l’hétérogénéité et à l’optimisation à long terme. Les modèles basés sur les graphes et axés sur l’attention ont amélioré l’apprentissage des représentations et la performance du classement en repondérant l’importance des voisins et en capturant les interactions d’ordre supérieur 8,9. Les architectures hybrides qui combinent signaux collaboratifs et apprentissage profond ont démontré des progrès dans les tâches de recommandation à grandeéchelle 10. Les approches basées sur l’apprentissage par renforcement étendent encore l’optimisation vers des objectifs à long terme plutôt que vers une précision myope11. Ces avancées fournissent des bases méthodologiques précieuses pour modéliser des interactions complexes sous rétroaction parcimonieuse.
Néanmoins, la plupart de ces approches restent agnostiques aux concepts de marketing relationnel et n’intègrent pas explicitement des variables telles que la satisfaction, la confiance, l’engagement ou la réciprocité dans le processus de recommandation. Cette limitation est particulièrement marquée dans les contextes du football professionnel, où les relations entre les fans et les clubs évoluent et où différentes dimensions relationnelles dominent des résultats comportementaux distincts (par exemple, premier achat versus fréquentation répétée)12,13,14,15.
Pour combler cette lacune, nous proposons MLP-PA (Multi-Layer Perceptron with Pyramid Attention), un cadre de recommandation conscient des relations adapté au scénario de la Super League chinoise (CSL). S’appuyant sur une architecture de filtrage collaboratif neuronal (NCF) avec une colonne vertébrale multi-couche Perceptron (MLP), le modèle proposé traite la satisfaction, la confiance, l’engagement et la réciprocité comme des caractéristiques relationnelles de première classe et les injecte dans un canal prior basé sur l’attention. Un module d’attention des caractéristiques pyramidales est ensuite utilisé pour la fusion tardive afin d’amplifier sélectivement les schémas d’interaction saillants sur plusieurs échelles tout en intégrant les représentations en éventail, objet et contextuel. En modélisant explicitement les variables de relation parallèlement aux caractéristiques d’interaction non linéaires, MLP-PA vise à améliorer à la fois la précision prédictive et l’interprétabilité dans la recommandation sportive.
Une évaluation empirique sur un ensemble de données CSL auto-construit montre que l’approche proposée surpasse systématiquement les références classiques, y compris UserCF, ItemCF et MF-BPR, sur les indicateurs de classement Top-N. Une analyse plus approfondie des variantes du modèle indique que l’intégration d’une attention consciente des relations aide à atténuer la rareté des longues traînes et l’hétérogénéité contextuelle. Les résultats révèlent également des rôles différenciés des facteurs relationnels. L’engagement et la réciprocité sont plus fortement associés à des comportements répétés et à forte implication, tandis que la satisfaction et la confiance soutiennent principalement les réponses à court et au premier temps.
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Protocole
Cette étude utilise des journaux d’interaction fan–item non identifiés et des données anonymisées de questionnaires collectées uniquement à des fins de recherche. Aucune information personnelle identifiable n’a été consultée, stockée ou traitée. Selon les directives institutionnelles et nationales, cette étude ne nécessitait pas l’approbation formelle d’un comité d’éthique ni le consentement individuel éclairé.
Préparation de jeux de données et procédure expérimentale
Étape 1. Préparation et prétraitement des données
La préparation de l’ensemble de données et les procédures expérimentales ont été conçues pour transformer les journaux comportementaux bruts et les réponses à l’enquête en un ensemble de données expérimental unifié et reproductible, adapté à l’entraînement et à l’évaluation du modèle. Le processus se concentre sur le nettoyage des données, l’anonymisation, la construction de caractéristiques, la normalisation et l’alignement des enregistrements d’interaction avec les variables liées aux relations. Les journaux d’interaction bruts ont d’abord été examinés pour supprimer les entrées incomplètes et les événements dupliqués afin d’assurer la cohérence des données. Les identifiants de fan et d’éléments ont ensuite été anonymisés par hachage pour protéger la vie privée des utilisateurs. Plusieurs formes d’interaction, incluant la navigation, le clic, l’achat et la validation de la présence, ont été associées à des signaux de rétroaction implicites, chaque interaction observée étant traitée comme une instance positive. Les variables liées à la relation — satisfaction, confiance, engagement et réciprocité — ont été collectées à partir des réponses au questionnaire et liées aux identifiants de fans correspondants. Les valeurs manquantes du questionnaire ont été corrigées en utilisant l’imputation moyenne au sein du même palier de membres afin de préserver les caractéristiques au niveau du groupe. Les caractéristiques continues ont été normalisées en utilisant une mise à l’échelle min–max à la plage [0, 1] afin d’assurer la comparabilité entre variables. Après prétraitement, le jeu de données finalisé était stocké dans des fichiers structurés comprenant des identifiants de fan anonymisés, des identifiants d’éléments, des horododatages, des balises contextuelles et des variables de relation normalisées, qui étaient ensuite utilisées de manière cohérente dans tous les contextes expérimentaux.
Résultats attendus :
À la suite de ce processus, les résultats incluent une table d’interactions nettoyée, une table normalisée des variables de relation alignées avec les identifiants de fan, et un résumé statistique détaillant le nombre de ventilateurs, d’éléments et d’interactions dans le jeu de données final.
Étape 2. Répartition de l’entraînement/validation/test et échantillonnage négatif
Les données sont réparties chronologiquement au niveau de l’utilisateur afin d’éviter toute fuite d’information. Pour chaque ventilateur, l’interaction la plus récente est réservée aux tests, la deuxième plus récente à la validation, et les interactions restantes à l’entraînement. Les échantillons négatifs sont générés en échantillonnant uniformément des éléments non interagis. Pour chaque interaction positive, un nombre fixe d’échantillons négatifs est prélevé (taux d’échantillonnage négatif = 1:5) pendant l’entraînement. La même construction d’ensembles candidats est appliquée de manière cohérente sur tous les modèles.
Résultats attendus :
À la suite de cette étape, les résultats incluent des ensembles de données d’entraînement, de validation et de test répartis chronologiquement, ainsi que des listes d’échantillons négatives pré-générées construites selon le ratio d’échantillonnage spécifié.
Étape 3. Environnement logiciel et implémentation
Toutes les expériences sont implémentées en Python. L’entraînement et l’évaluation des modèles sont réalisés à l’aide de PyTorch (version ≥ 1.12). L’optimisation bayésienne des hyperparamètres est réalisée à l’aide d’Optuna (version ≥ 3.0). Les scripts d’entraînement sont exécutés sur une station de travail équipée d’un seul GPU NVIDIA (≥ 8 Go de mémoire). Les fichiers de configuration spécifient les chemins des ensembles de données, les paramètres du modèle et les paramètres d’optimisation pour garantir la reproductibilité.
Étape 4. Construction du modèle et spécification des paramètres
Le modèle MLP-PA se compose d’une couche d’immersion, d’une colonne vertébrale de perceptron multicouche, d’un canal relation-attention et d’un module de fusion d’attention pyramidale. Les paramètres clés sont définis comme suit : dimension d’immersion = 32 ; MLP couches cachées = [64, 32] ; fonction d’activation = ReLU ; optimiseur = Adam avec un taux d’apprentissage 0,001 et une décroissance de poids 1e-5. Le module d’attention pyramidale utilise trois échelles de regroupement avec des tailles de noyau {1, 2, 4} et une foulée égale à la taille du noyau. Le ratio de réduction d’attention est fixé à 4. Un coupure de vitesse de 0,3 est appliqué pour éviter le sur-ajustement. L’arrêt précoce est déclenché si la validation NDCG@10 ne s’améliore pas pendant 10 époques consécutives.
Étape 5. Entraînement et optimisation des hyperparamètres
Le modèle est entraîné en utilisant une perte par paires Bayésian Personalized Ranking (BPR). Pendant la formation, la performance de validation est surveillée à la fin de chaque époque. Recherche bayésienne d’optimisation par hyperparamètres sur le taux d’apprentissage, la taille d’inclusion, le taux d’abandon, le taux d’échantillonnage négatif et les paramètres liés à l’attention. L’objectif d’optimisation est la validation NDCG@10. Chaque configuration candidate est entraînée avec un arrêt précoce afin de réduire le coût de calcul.
Résultats attendus :
À la suite de ce processus, les sorties incluent des points de contrôle de modèles entraînés, des journaux de performance de validation et la configuration optimale des hyperparamètres identifiée par optimisation bayésienne.
Étape 6. Évaluation et génération des résultats
Après l’entraînement, le modèle le mieux performant (basé sur le NDCG@10 de validation) est évalué sur l’ensemble de test. Des listes de recommandations Top N sont générées pour chaque ventilateur, et la performance est mesurée à l’aide de HR@K et NDCG@K. Des analyses supplémentaires, incluant les études d’ablation et le profilage de l’attention conditionné par phase, sont réalisées en utilisant le même protocole d’évaluation afin d’assurer la comparabilité.
Critères de complétion
Le protocole est considéré comme complet lorsque les résultats suivants sont obtenus : 1) Un modèle MLP-PA entièrement entraîné avec des hyperparamètres optimisés ; 2) Résultats de HR@K et NDCG@K de tests pour tous les modèles de référence et d’ablation ; 3) Sauvegarder les points de contrôle des modèles, les métriques d’évaluation et les fichiers de configuration reproductibles. Ces résultats permettent collectivement une réplication indépendante du protocole proposé du système de recommandation.
Théorie du marketing entre engagement et relation de confiance
La théorie de l’engagement et de la confiance identifie l’engagement et la confiance comme les déterminants fondamentaux de la qualité des relations. En réduisant l’incertitude transactionnelle et en favorisant une orientation à long terme et une intention coopérative, ces facteurs favorisent la continuité relationnelle et la créationde valeur 16. La confiance reflète la croyance des supporters en la compétence, l’intégrité et la bienveillance d’un club, ce qui réduit le risque perçu et l’asymétrie d’information. En conséquence, une confiance plus élevée facilite un engagement à faible friction grâce à des recommandations personnalisées, à l’autorisation des données et aux processus de paiement, soutenant ainsi des comportements précoces et à faible engagement le long de l’entonnoir de clic-à-achat. L’engagement, en revanche, capture la volonté des fans d’investir du temps, des ressources financières et un attachement émotionnel pour maintenir la relation malgré des alternatives concurrentes ou un insatisfaction temporaire17. Parce que l’engagement est étroitement lié à l’alignement identitaire, aux coûts irrécupérables et aux investissements dédiés, il offre un pouvoir explicatif plus stable pour les comportements à coût élevé et à forte implication, tels que les achats répétés, le renouvellement de l’adhésion, la fréquentation dans le stade et le bouche-à-oreille18.
Sur la base de ces distinctions, nous déduisons les hypothèses suivantes.
H1 (Confiance → comportement de soutien) : Une confiance plus élevée réduit les frictions décisionnelles et le risque perçu, augmentant ainsi la probabilité de comportements superficiels tels que les clics, les actions d’ajout au panier et les premiers achats.
H2 (Avantage relatif de l’engagement) : Parmi les quatre dimensions relationnelles, l’engagement présente le pouvoir explicatif marginal le plus fort pour les comportements à coût élevé et à long terme, y compris les achats répétés, les renouvellements et la présence hors ligne, et sa contribution à la performance prédictive dépasse celle de la satisfaction et de la confiance.
Théorie de l’échange social
La théorie de l’échange social souligne que les individus suivent les normes de réciprocité et d’équité dans les interactionsrépétées 19. La réciprocité perçue signifie que les supporters ont le sentiment qu’il y a un échange du club en termes de concessions de valeurs, de réactions émotionnelles et d’allocation des ressources. Lorsque la réciprocité est perçue comme authentique et durable, les supporters sont plus enclins à réciproquer par la consommation et la fréquentation, formant ainsi une boucle de rétroaction positive20. La satisfaction dépend des expériences accumulées par rapport aux attentes. Grâce à un mécanisme d’attente-confirmation, il favorise la conformité à court terme et le bouche-à-oreille positif, et offre un terrain fertile pour le développement de la confiance et de l’engagement21.
En conséquence, nous déduisons :
H3 (Satisfaction → comportement de soutien) : Une plus grande satisfaction réduit le regret et augmente l’immédiateté de la réponse, stimulant ainsi les achats et la participation à court terme.
H4 (Réciprocité → conversion et rachat) : Dans un cadre de jeu répété, les signaux de réciprocité amplifient l’intensité de l’échange « Je bénéficie → je rends », améliorant significativement les taux de conversion et de rachat — notamment dans les contextes sensibles au prix ou à la rareté.
En synthétisant les deux théories, les quatre dimensions présentent une hétérogénéité contextuelle claire dans leurs voies d’influence :
Dans des contextes d’incertitude ou de risque perçu élevé — nouveaux produits, tarification dynamique, autorisation/paiement à enjeux élevés — la confiance exerce des effets marginaux plus forts (soutient H1).
Dans des contextes à long terme ou sensibles à l’identité — abonnements saisonniers, matchs consécutifs à domicile, renouvellement d’adhésion — l’engagement domine (soutient H2).
Aux nœuds de jumelage majeurs ou en sous-mesure des incitations/rareté—bénéfices limités, promotions—la réciprocité stimule plus fortement la conversion et le rachat (prend en charge H4).
La satisfaction sert de « sol de base », favorisant positivement les comportements à court terme dans presque tous les contextes (soutient H3) et consolidant indirectement la confiance et l’engagement en améliorant la qualité de l’expérience. Plutôt que de tester ces hypothèses par modélisation structurelle, nous injectons les quatre dimensions dans une couche d’attention, permettant au modèle d’apprendre les poids contextualisés et de corroborer les mécanismes par des expériences d’ablation.
MLP
Le perceptron multicouche (MLP) sert d’apprenant de représentation dorsale dans notre cadre.
(1) Couche de mappage d’entrée.
Le vecteur de caractéristiques d’origine est linéairement développé une fois par une matrice 
de poids et un biais b(1), ce qui donne
(1)
(2) Couche profonde de non-linéarité.
Nous empilons les couches linéaire, d’activation et de normalisation. L’application linéaire utilise une transformée affine entièrement connexe :
z = Wx + b, (2)
Où 
est la matrice de poids,
est le vecteur de polarisation, x est la sortie de la couche précédente, et z est la sortie linéaire. Pour correspondre aux caractéristiques d’activation de ReLU et maintenir des gradients stables pendant l’entraînement, nous adoptons l’initialisation He pour W :
(3)
La fonction d’activation est ReLU, qui convient particulièrement aux architecturesprofondes 22. Lorsque x>0, la dérivée de ReLU est une constante, ce qui atténue effectivement le problème du gradient d’annulation associé aux activations sigmoïdes et accélère ainsi la rétropropagation et la convergence23. ReLU est également simple sur le plan informatique (pas d’exponentielles) et naturellement clairsemée (ne produit rien pour x<0), ce qui réduit les réponses neuronales redondantes et améliore la généralisation. Sa définition est24
σ(x) = max(0,x), (4)
Appliqué élément par élément à la sortie linéaire, on obtient :
(5)
Après chaque opération d’activation de la « → linéaire », nous introduisons la normalisation par lots (BN) pour stabiliser les gradients et accélérer la convergence. BN standardise dynamiquement les fonctionnalités au sein de chaque mini-lot, atténuant les variations internes des covariables, améliorant la stabilité de l’entraînement et réduisant la sensibilité au taux d’apprentissage. BN a également un effet de régularisation léger, similaire à l’injection de bruit, qui aide à éviter le surapprentissage sans nuire à la capacité du modèle.
Soit la sortie 
mini-batch actuelle , la transformée BN pour la j-ième caractéristique est
(6)
Là où μj et σj2 sont la moyenne et la variance par lots de la j-ième caractéristique, ε est une petite constante pour la stabilité numérique, et γj, βj sont des paramètres d’échelle et de décalage apprenables qui restaurent l’expressivité non linéaire du réseau.
(7)
Ici, m correspond à la taille du mini-lot, ε est une petite constante pour la stabilité numérique, et γj, βj sont des paramètres d’échelle/décalage apprenables utilisés pour récupérer l’expressivité non linéaire du réseau après normalisation.
(3) Couche de compression des caractéristiques
Après extraction profonde des caractéristiques, nous ajoutons une couche de compression de caractéristiques à la fin du bloc MLP pour conserver les informations saillantes tout en supprimant la redondance, réduire la charge de calcul des modules suivants et fournir une régularisation modérée. Soit le vecteur 
d’entrée . La sortie compressée est 
, avec les paramètres 
, 
. L’opération est la suivante :
(8)
Mécanisme d’attention pyramidale (PA)
Soit la dernière sortie de la couche MLP .
Pour permettre une sélection explicite sur des interactions non linéaires d’ordre supérieur, nous réarrangeons 
d’abord par champ/canal en une matrice25 :
(9)
Où C est le nombre de canaux et L est la longueur par canal.
(1) Construction de caractéristiques à plusieurs échelles.
Le long de l’axe des caractéristiques L, appliquez un pooling 1D avec plusieurs échelles pour obtenir26
(10)
où ks et stride définissent la s-ième échelle.
(2) Canalisez l’attention par échelle.
Pour chaque échelle, construisez un descripteur de canal et des poidsd’attention 27 :
(11)
Où δ(⋅) est ReLU, σ(⋅) est Sigmoïde,
, r est le rapport de réduction.
Appliquez les poids par canal :
(12)
(3) Fusion et réécriture.
Projetez chaque échelle avec GAPL dans un espace unifié unifié et fusionnez-les :
(13)
où les Ps sont des poids de fusion et Wr est une projection apprenable utilisée dans l’écriture résiduelle.
Score final :
(14)
Où ⊙ désigne le produit de Hadamard (élément par élément) et 
désigne la concaténation vectorielle.
Formalisation des tâches et objectif d’apprentissage en top-N
(1) Résolution de problème.
Que le set de fans soit F et l’ensemble d’objets I (billets, produits dérivés, avantages d’adhésion et contenu). Un retour 
implicite indique si le fan 
a interagi avec l’objet 
(clic, achat, assiduité/validation, etc.). Les échantillons positifs dans l’ensemble d’entraînement sont
, 
.
Nous injectons les quatre variables du marketing relationnel — satisfaction, confiance, engagement, réciprocité — comme un vecteur : 
dans la couche d’attention pour obtenir une représentation 
relationnelle consciente du contexte , qui est fusionnée avec des embeddings 
fan/objet pour produire le score 
. Pour chaque paire 
positive , on tire plusieurs négatifs à un rapport fixé de 
pour former 
.
(2) Objectif par paires.
Pour optimiser directement le classement relatif, nous utilisons le BPR (Classement Bayésien Personnalisé)28 :
(15)
Ici 
exprime la probabilité que « le score positif dépasse le score négatif » ; 
est un régulariseur L-2pour contrôler le surajustement ; 
désigne tous les paramètres apprenables.
(3) Inférence et classement.
Au moment du test, l’ensemble candidat est 
. Nous calculons les scores , et retournons la listeTop-N 29 :
(16)
Conception de l’algorithme de recommandation
Cette section décrit le flux de travail complet de recommandations utilisé dans cette étude, couvrant le pipeline de bout en bout, du prétraitement des données à l’entraînement des modèles et à l’inférence en ligne. Le flux de travail explique comment les données brutes d’interaction fan–item et les variables de relation sont transformées en scores de classement personnalisés grâce à l’apprentissage de la représentation et à la modélisation basée sur l’attention. La procédure détaillée est décrite comme suit.
Étape 1 : Préparation et normalisation des données.
Les journaux d’interaction fan–item CSL sont transformés en signaux de rétroaction implicites. Les valeurs manquantes sont traitées, et les quatre variables de la relation — satisfaction, confiance, engagement et réciprocité — sont normalisées. Les données sont réparties chronologiquement en ensembles d’entraînement, de validation et de test, et plusieurs échantillons négatifs sont générés pour chaque interaction positive.
Étape 2 : Encodage de l’attention relationnelle.
Les quatre variables de relation sont intégrées dans un module d’attention pour apprendre les poids d’importance contextuels, produisant ainsi une représentation compacte des relations avec les ventilateurs pour la modélisation en aval.
Étape 3 : Construction de l’entrée d’interaction.
Les inclusions de ventilateurs et d’objets sont apprises et concaténées avec la représentation de la relation pour former le vecteur de caractéristiques complet pour chaque interaction fan–objet.
Étape 4 : Apprentissage de la représentation.
Les caractéristiques d’interaction sont transmises via une branche MLP pour capturer des motifs non linéaires de haut ordre et générer une représentation latente fusionnée.
Étape 5 : Attention aux caractéristiques pyramidales.
Une pyramide de caractéristiques à plusieurs échelles est construite au-dessus de la sortie MLP. Une attention par canal et une fusion à l’échelle sont appliquées, et des fonctionnalités améliorées sont intégrées via des connexions résiduelles pour amplifier les canaux saillants tout en supprimant ceux qui sont superflus.
Étape 6 : Notation et sortie.
La branche linéaire est concaténée avec la représentation non linéaire améliorée et alimentée dans la couche de sortie pour calculer un score de préférence pour chaque paire fan–élément.
Étape 7 : Formation et optimisation.
Le modèle est optimisé à l’aide d’un objectif de classement par paires. Un optimiseur adaptatif est utilisé avec la décroissance du poids, la perte de poids et l’arrêt précoce afin d’améliorer la généralisation et d’atténuer le surapprentissage.
Étape 8 : optimisation bayésienne des hyperparamètres.
Les métriques de classement de validation sont utilisées comme objectif pour rechercher automatiquement les hyperparamètres clés, notamment les dimensions d’inclusion, la profondeur et la largeur du réseau, le taux d’apprentissage, le taux d’échantillonnage négatif, le taux d’abandon, ainsi que les paramètres liés aux pyramides et à l’attention.
Étape 9 : Inférence et classement.
Lors de l’inférence en ligne, les scores de préférence sont calculés pour chaque fan sur l’ensemble d’items candidats afin de générer des recommandations Top-N, avec des stratégies optionnelles post-classement appliquées pour tenir compte de la fraîcheur, de la diversité et des contraintes métier.
Validation expérimentale
Ensemble de données et schéma de caractéristiques
Nous évaluons sur un ensemble de données auto-construit qui relie (via des identifiants de fans hachés) les journaux du système d’information du club CSL dé-identifiés des interactions fan–item implicites à une enquête relationnelle contemporaine. Les données couvrent quatre domaines métier — billets, produits dérivés, adhésion et contenu — et incluent des événements de navigation, de clic, d’ajout au panier/favoris, d’achat/billetterie et de validation dans le stade, avec horodatages, canal de point de contact, balises contextuelles et drapeaux promotionnels. La période est ≥ une saison complète ; L’échelle est de l’ordre des éventails, objets et événements suffisants pour une modélisation profonde.
Schéma de fonctionnalités et encodages : Items-ArticleID, ItemType, TeamTag, PriceBand (embeddings ID/catégorie) ; Fans—FanID, Région, Niveau d’adhésion, Ancienneté (FanID appris en tant qu’embedding ; autres champs catégoriques/numériques standardisés) ; Fonctionnalités RQ — Satisfaction, Confiance, Engagement, Réciprocité adaptées à [0,1] et transmises au canal Attention, puis fusionnées avec des représentations MLP via PA ; Contexte — PhaseTag, Channel, PromoFlag, Hour, Weekday (catégoriques comme embeddings ; caractéristiques temporelles avec encodage sinusoïdal sin/cos).
Optimisation des hyperparamètres
Les hyperparamètres clés de MLP-PA sont réglés via une optimisation bayésienne dans un espace de recherche prédéfini, en utilisant NDCG@10 sur l’ensemble de validation comme cible principale (avec HR@10 comme référence) et en arrêtant tôt pour atténuer le surapprentissage. Chaque configuration candidate est exécutée sous plusieurs graines aléatoires et moyennée. Les paramètres finaux déployés sont rapportés dans le Tableau 1.
| Hyperparamètre | Description | Portée de recherche | Valeur sélectionnée |
| Dimension d’immersion | Taille d’intégration du ventilateur/objet | {32, 64, 128} | 64 |
| Couches cachées MLP | Nombre de couches MLP | {2, 3, 4} | 3 |
| Unités cachées MLP | Unités par couche cachée | {64, 128, 256} | 128 |
| Taux d’abandon scolaire | Probabilité d’abandon | [0.1, 0.5] | 0.3 |
| Taux d’apprentissage | Taux d’apprentissage initial | [1e-4, 1e-2] | 1.00E-03 |
| Taux d’échantillonnage négatif | Négatifs par échantillon positif | {1, 3, 5, 10} | 5 |
Tableau 1 : Paramètres finaux des hyperparamètres du modèle MLP-PA
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Résultats
Convergence et stabilité
Pour évaluer le comportement de convergence et la stabilité d’entraînement du modèle proposé, nous comparons sa performance de validation à celle d’un recommandant standard basé sur MLP sans attention pyramidale ni attention consciente des relations, qui sert de modèle de contrôle. Tous les modèles sont entraînés selon des divisions de données, des paramètres d’optimisation et des critères d’arrêt identiques afin d’assur...
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Discussion
Contributions conceptuelles et méthodologiques
Cette étude contribue conceptuellement en redéfinissant les dimensions de la relation — satisfaction, confiance, engagement et réciprocité — non pas comme des caractéristiques auxiliaires statiques, mais comme des signaux relationnels sensibles au contexte dont l’influence varie selon les étapes de l’engagement. Le cadre proposé opérationnellise cette idée grâce à un mécanisme basé sur l’attention...
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Déclarations de divulgation
L’auteur n’a aucun conflit d’intérêts à déclarer.
Remerciements
L’auteur tient à remercier les évaluateurs anonymes pour leurs commentaires constructifs et suggestions, qui ont contribué à améliorer la clarté et la qualité de ce manuscrit. Il remercie également le soutien de l’organisation collaboratrice pour avoir donné accès aux données utilisées dans cette étude. Toutes les opinions, conclusions et conclusions exprimées dans cet article sont celles de l’auteur et ne reflètent pas nécessairement les vues des institutions affiliées.
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Matériaux
| Nom | Entreprise | Numéro de catalogue | Commentaires |
|---|---|---|---|
| Python | https://www.python.org | 3.9.10 | |
| Cadre d'apprentissage profond | PyTorch | https://pytorch.org | >= 1.12 |
| Bibliothèque d'optimisation d'hyperparamètres | Optuna | https://optuna.org | >= 3.0 |
| Matériel | GPU NVIDIA | https://www.nvidia.com | GPU unique, >= 8 Go de mémoire |
| Jeu de données | Jeu de données CSL construit par soi-même | N/A | Une saison complète ou plus ; échelle suffisante pour la modélisation en profondeur |
| Données d'interaction | Journaux d'interaction implicite fan–item | N/A | Pas de version séparée |
| Données d'enquête | Données de questionnaire sur les relations | N/A | Pas de version séparée |
| Méthode de prétraitement des données | Anonymisation basée sur le hachage | N/A | Appliquée aux identifiants de fans et d'articles |
| Méthode de prétraitement des données | Imputation moyenne au sein de la catégorie d'adhésion | N/A | Appliquée aux réponses manquantes au questionnaire |
| Méthode de prétraitement des données | Normalisation min–max | N/A | Plage [0, 1] |
| Stratégie de division des données | Diviser chronologiquement au niveau de l'utilisateur | N/A | Le plus récent = test ; le deuxième plus récent = validation ; reste = entraînement |
| Échantillonnage négatif | Échantillonnage négatif uniforme | N/A | Ratio positif:négatif = 1:5 |
| Squelette du modèle | MLP (Multi-Layer Perceptron) | https://pytorch.org/docs/stable/nn.html | Couches cachées [128, 64, 32] (optimisées) |
| Module d'attention | Canal d'attention relationnelle | N/A | Module personnalisé |
| Module de fusion | Pyramid Attention (PA) | N/A | Échelles de pooling {1, 2, 4}, pas = taille du noyau, ratio de réduction = 4 |
| Optimiseur | Adam | https://pytorch.org/docs/stable/generated/torch.optim.Adam.html | Taux d'apprentissage 0,001, décroissance des poids 1e-5 |
| Régularisation | Dropout | https://pytorch.org/docs/stable/generated/torch.nn.Dropout.html | Taux 0,3 |
Références
- 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).
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.