Questo studio esamina se i fattori di marketing relazionale migliorino i sistemi di raccomandazione sportiva per i tifosi della Super League cinese. Incorporare soddisfazione, fiducia, impegno e reciprocità migliora significativamente l'accuratezza delle raccomandazioni Top-N, specialmente in condizioni scarse e a coda lunga. I risultati mostrano che impegno e reciprocità guidano comportamenti ripetuti ad alto coinvolgimento, mentre soddisfazione e fiducia supportano principalmente un coinvolgimento precoce.
È richiesta un abbonamento a JoVE per visualizzare questo contenuto. Accedi o inizia la tua prova gratuita.
Articolo di ricerca
Sistemi di raccomandazione intelligenti per la previsione del comportamento di consumo dei tifosi della Super League cinese
In questo articolo
Sommario
Abstract
Comprendere e prevedere il comportamento di consumo dei tifosi è una sfida centrale nello sport professionistico, ma la maggior parte dei sistemi di raccomandazione si basa principalmente su interazioni storiche e presta poca attenzione ai fattori di marketing relazionale che influenzano il coinvolgimento dei fan. Per colmare questa lacuna, questo studio sviluppa MLP-PA (Multi-Layer Perceptron with Pyramid Attention) ed esamina se l'incorporazione degli stati relazionali dei fan — come soddisfazione, fiducia, impegno e reciprocità — possa migliorare l'efficacia delle raccomandazioni in più scenari di consumo tra i tifosi della Chinese Super League (CSL). Utilizzando un dataset multi-scenario che copre ticketing, merchandising, membership e contenuti digitali, i risultati empirici mostrano che le raccomandazioni generate da MLP-PA raggiungono una precisione Top-N significativamente superiore rispetto agli approcci di filtraggio collaborativo convenzionali, con miglioramenti particolarmente marcati nelle impostazioni sparse e long-tail. L'analisi rivela inoltre che diversi fattori di relazione sono associati a distinti modelli di consumo: impegno e reciprocità sono più fortemente legati a comportamenti ripetuti e ad alto coinvolgimento, mentre soddisfazione e fiducia influenzano principalmente le risposte iniziali e a breve termine. Questi risultati dimostrano che i fattori di marketing relazionale svolgono un ruolo sostanziale e differenziato nel comportamento di consumo dei tifosi, offrendo intuizioni utili per strategie di coinvolgimento personalizzate e operazioni digitali nel football professionistico.
Introduzione
Negli ultimi anni, i sistemi di raccomandazione sono diventati una componente centrale delle piattaforme digitali, permettendo l'allineamento di utenti, prodotti e contesti di consumo attraverso la personalizzazione basata sui dati. Sebbene le tecnologie di raccomandazione siano ben consolidate in ambiti come l'e-commerce e i media online, la loro applicazione nello sport professionistico rimane relativamente pocosviluppata. In leghe come la Chinese Super League (CSL), il comportamento di consumo dei tifosi è altamente sensibile al contesto e si evolve nelle fasi pre-partita, giorno e post-partita, con decisioni di acquisto strettamente intrecciate con la presenza offline, l'attaccamento emotivo e l'identità sociale. Tuttavia, la maggior parte degli studi esistenti sui consigli sportivi adatta principalmente tecniche di filtraggio collaborativo o basate su contenuti provenienti da altri ambiti e si concentra su segnali di interazione a breve termine, come clic o acquisti. Questi approcci trascurano in gran parte le dinamiche relazionali tra tifosi e club — come fiducia, impegno o reciprocità — note nelle ricerche di marketing sportivo per influenzare il coinvolgimento a lungo termine e il consumoripetuto 2. Di conseguenza, i modelli attuali faticano a spiegare perché storie comportamentali simili possano portare a esiti di consumo divergenti sotto stati relazionali diversi. Questa lacuna evidenzia la necessità di framework di raccomandazione che vadano oltre la frequenza di interazione e tengano esplicitamente conto dei meccanismi guidati dalle relazioni nelle decisioni dei fan3.
Dal punto di vista del marketing relazionale, soddisfazione, fiducia, impegno e reciprocità costituiscono insieme la qualità delle relazioni e sono ben consolidati come motori dei principali risultati dei fan, tra cui la partecipazione alle partite, l'acquisto di merchandising, il rinnovo dell'iscrizione e la promozione delpassaparola 4,5,6. Al contrario, la maggior parte dei sistemi esistenti di raccomandazione sportiva continua a modellare le interazioni fan–item come segnali comportamentali in gran parte omogenei, prestando poca attenzione al contesto relazionale alla base di tali interazioni. Questa semplificazione limita la loro capacità di catturare come diversi fattori di relazione esercitino influenze distinte tra le fasi di consumo e le intensità di coinvolgimento e aiuta a spiegare perché i modelli basati esclusivamente su storie di interazione spesso non distinguono le risposte a breve termine da comportamenti sostenuti e ad alto coinvolgimento dei fan.
Dal punto di vista ingegneristico, i sistemi di raccomandazione sportiva affrontano ulteriori sfide, tra cui feedback implicito asimmetrico, scarsità di lunga coda severa e contesti di interazione multi-toucheterogenei 7. Gli approcci tradizionali di filtraggio collaborativo e i modelli deep a percorso singolo spesso mostrano una limitata generalizzazione cross-contest in tali contesti e offrono poca interpretabilità per il supporto decisionale nelle operazioni di marketing.
Metodologicamente, ricerche precedenti sui sistemi di raccomandazione hanno proposto una serie di soluzioni per affrontare la parsimità, l'eterogeneità e l'ottimizzazione a lungo termine. I modelli basati su grafici e guidati dall'attenzione hanno migliorato l'apprendimento delle rappresentazioni e le prestazioni di classificazione riponderando l'importanza dei vicini e catturando interazioni di ordine superiore 8,9. Le architetture ibride che combinano segnali collaborativi con deep learning hanno dimostrato progressi nei compiti di raccomandazione su largascala 10. Gli approcci basati sull'apprendimento per rinforzo estendono ulteriormente l'ottimizzazione verso obiettivi a lungo termine piuttosto che verso una precisionemiope 11. Questi progressi forniscono preziose basi metodologiche per modellare interazioni complesse sotto feedback scarso.
Tuttavia, la maggior parte di questi approcci rimane agnostica rispetto ai concetti di marketing relazionale e non incorpora esplicitamente variabili come soddisfazione, fiducia, impegno o reciprocità nel processo di raccomandazione. Questa limitazione è particolarmente evidente nei contesti del calcio professionistico, dove le relazioni tra fan e club di tifosi si sviluppano e dove sono note le diverse dimensioni relazionali dominano diversi esiti comportamentali distinti (ad esempio, acquisto al primo avvio rispetto a partecipazione ripetuta)12,13,14,15.
Per colmare questa lacuna, proponiamo MLP-PA (Multi-Layer Perceptron with Pyramid Attention), un framework di raccomandazione consapevole delle relazioni adattato allo scenario della Chinese Super League (CSL). Basandosi su un'architettura di Filtraggio Collaborativo Neurale (NCF) con una backbone Multi-Layer Perceptron (MLP), il modello proposto tratta soddisfazione, fiducia, impegno e reciprocità come caratteristiche relazionali di prima classe e le inserisce in un canale prior basato sull'attenzione. Un modulo di attenzione delle caratteristiche piramidali viene poi utilizzato per la fusione tardiva per amplificare selettivamente i modelli di interazione salienti su più scale, integrando al contempo rappresentazioni di ventaglio, oggetto e contestuali. Modellando esplicitamente le variabili di relazione insieme alle caratteristiche di interazione non lineari, MLP-PA mira a migliorare sia l'accuratezza predittiva sia l'interpretabilità nella raccomandazione sportiva.
Una valutazione empirica su un dataset CSL auto-costruito mostra che l'approccio proposto supera costantemente le linee di base classiche, inclusi UserCF, ItemCF e MF-BPR, nelle metriche di classifica Top-N. Ulteriori analisi delle varianti del modello indicano che l'incorporazione di un'attenzione consapevole delle relazioni aiuta ad alleviare la scarsità della coda lunga e l'eterogeneità contestuale. I risultati rivelano anche ruoli differenziati dei fattori relazionali. Impegno e reciprocità sono più fortemente associati a comportamenti ripetuti e ad alto coinvolgimento, mentre soddisfazione e fiducia supportano principalmente risposte al primo e a breve termine.
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Protocollo
Questo studio utilizza log di interazione fan–item non identificati e dati anonimizzati di questionari raccolti solo a scopo di ricerca. Non sono state accedute, memorizzate o processate informazioni personali identificabili. Secondo le linee guida istituzionali e nazionali, questo studio non richiedeva l'approvazione formale del comitato etico né il consenso informato individuale.
Preparazione del dataset e procedura sperimentale
Passo 1. Preparazione e preelaborazione dei dati
La preparazione del dataset e le procedure sperimentali sono state progettate per trasformare i log comportamentali grezzi e le risposte al sondaggio in un dataset sperimentale unificato e riproducibile adatto all'addestramento e alla valutazione del modello. Il processo si concentra sulla pulizia dei dati, anonimizzazione, costruzione di caratteristiche, normalizzazione e allineamento dei record di interazione con variabili correlate alle relazioni. I log grezzi delle interazioni venivano prima esaminati per rimuovere voci incomplete ed eventi duplicati per garantire la coerenza dei dati. Gli identificatori dei fan e degli elementi sono stati poi anonimizzati tramite hashing per proteggere la privacy degli utenti. Molteplici forme di interazione, tra cui navigazione, clic, acquisto e validazione delle presenze, sono state mappate a segnali di feedback impliciti, con ogni interazione osservata trattata come un'istanza positiva. Variabili correlate alla relazione — soddisfazione, fiducia, impegno e reciprocità — sono state raccolte dalle risposte al questionario e collegate ai corrispondenti identificatori dei fan. I valori mancanti del questionario sono stati affrontati utilizzando l'imputazione media all'interno dello stesso livello di appartenenza per preservare le caratteristiche a livello di gruppo. Le caratteristiche continue sono state normalizzate usando la scala min–max all'intervallo [0, 1] per garantire la comparabilità tra variabili. Dopo la pre-elaborazione, il dataset finale veniva memorizzato in file strutturati composti da fan ID anonimizzati, ID degli oggetti, timestamp, tag contestuali e variabili di relazione normalizzate, che venivano poi utilizzati in modo coerente in tutti gli ambienti sperimentali.
Output atteso:
Come risultato di questo processo, gli output includono una tabella di interazione pulita, una tabella normalizzata delle variabili di relazione allineate con gli identificatori dei fan e un riassunto statistico che dettaglia il numero di ventole, elementi e interazioni nel dataset finale.
Passo 2. Divisione di allenamento/validazione/test e campionamento negativo
I dati sono suddivisi cronologicamente a livello utente per evitare la fuga di informazioni. Per ogni vento, l'interazione più recente è riservata ai test, la seconda più recente alla validazione e le restanti interazioni all'addestramento. I campioni negativi sono generati campionando uniformmente gli elementi non interagenti dal set di elementi. Per ogni interazione positiva, durante l'addestramento viene prelevato un numero fisso di campioni negativi (rapporto di campionamento negativo = 1:5). La stessa costruzione di insieme candidato viene applicata in modo coerente su tutti i modelli.
Output atteso:
Come risultato di questo passaggio, i risultati includono dataset di addestramento, validazione e test suddivisi cronologicamente, insieme a liste di campioni negativi pre-generate costruite secondo il rapporto di campionamento specificato.
Passo 3. Ambiente software e implementazione
Tutti gli esperimenti sono implementati in Python. L'addestramento e la valutazione del modello vengono condotti utilizzando PyTorch (versione ≥ 1.12). L'ottimizzazione bayesiana degli iperparametri viene effettuata utilizzando Optuna (versione ≥ 3.0). Gli script di addestramento vengono eseguiti su una workstation dotata di una singola GPU NVIDIA (≥ 8 GB di memoria). I file di configurazione specificano percorsi di dataset, parametri del modello e impostazioni di ottimizzazione per garantire la riproducibilità.
Passo 4. Costruzione del modello e specifica dei parametri
Il modello MLP-PA consiste in uno strato di embedding, una backbone di perceptrone multistrato, un canale relazione-attenzione e un modulo di fusione dell'attenzione piramidale. I parametri chiave sono impostati come segue: dimensione di incorporamento = 32; Strati nascosti MLP = [64, 32]; funzione di attivazione = ReLU; ottimizzatore = Adam con tasso di apprendimento 0,001 e decadimento del peso 1e-5. Il modulo di attenzione piramidale utilizza tre scale di aggregazione con dimensioni dei kernel {1, 2, 4} e stride uguali alla dimensione del kernel. Il rapporto di riduzione dell'attenzione è impostato a 4. Viene applicato un dropout con tasso 0,3 per prevenire il sovrafitting. L'arresto anticipato si attiva se la validazione NDCG@10 non migliora per 10 epoche consecutive.
Passo 5. Addestramento e ottimizzazione degli iperparametri
Il modello viene addestrato utilizzando una perdita a coppie per coppie Bayesian Personalized Ranking (BPR). Durante l'addestramento, le prestazioni di validazione vengono monitorate alla fine di ogni epoca. Ricerche bayesiane di ottimizzazione degli iperparametri su tasso di apprendimento, dimensione di incorporazione, tasso di dropout, rapporto di campionamento negativo e parametri legati all'attenzione. L'obiettivo dell'ottimizzazione è la validazione NDCG@10. Ogni configurazione candidata viene addestrata con una stop anticipata per ridurre i costi computazionali.
Output atteso:
Come risultato di questo processo, gli output includono checkpoint addestrati del modello, log di performance di validazione e la configurazione ottimale degli iperparametri identificata tramite ottimizzazione bayesiana.
Passo 6. Valutazione e generazione dei risultati
Dopo l'addestramento, il modello con le migliori prestazioni (basato sulla NDCG@10 di validazione) viene valutato sul set di test. Vengono generate liste di raccomandazioni Top N per ogni ventola e le prestazioni vengono misurate usando HR@K e NDCG@K. Ulteriori analisi, tra cui studi di ablazione e profilazione dell'attenzione condizionata a fase, vengono condotte utilizzando lo stesso protocollo di valutazione per garantire la comparabilità.
Criteri di completamento
Il protocollo è considerato completo quando si ottengono i seguenti output: 1) Un modello MLP-PA completamente addestrato con iperparametri ottimizzati; 2) Set di test HR@K e risultati NDCG@K per tutti i modelli di base e di ablazione; 3) Checkpoint di modello salvati, metriche di valutazione e file di configurazione riproducibili. Questi output consentono collettivamente la replicazione indipendente del protocollo proposto per il sistema di raccomandazione.
Teoria del marketing della relazione impegno-fiducia
La teoria dell'impegno-fiducia identifica impegno e fiducia come i determinanti fondamentali della qualità delle relazioni. Riducendo l'incertezza transazionale e favorendo l'orientamento a lungo termine e l'intento cooperativo, questi fattori favoriscono la continuità relazionale e la creazione di valore16. La fiducia riflette la convinzione dei tifosi nella competenza, integrità e benevolenza di un club, riducendo il rischio percepito e l'asimmetria informativa. Di conseguenza, una maggiore fiducia facilita un coinvolgimento a basso attrito con raccomandazioni personalizzate, autorizzazione dei dati e processi di pagamento, supportando così comportamenti nelle prime fasi e a basso impegno lungo il funnel click-to-purchase. L'impegno, al contrario, cattura la disponibilità dei fan a investire tempo, risorse finanziarie e attaccamento emotivo per sostenere la relazione nonostante alternative concorrenti o insoddisfazionetemporanea 17. Poiché l'impegno è strettamente legato all'allineamento dell'identità, ai costi sommersi e agli investimenti dedicati, fornisce un potere esplicativo più stabile per comportamenti ad alto costo e coinvolgimento, come acquisti ripetuti, rinnovo dell'iscrizione, presenze nello stadio e advocacy dalpassaparola 18.
Sulla base di queste distinzioni, deriviamo le seguenti ipotesi.
H1 (Comportamento di Fiducia → Supporto): Una maggiore fiducia riduce l'attrito decisionale e il rischio percepito, aumentando così la probabilità di comportamenti superficiali come clic, azioni di aggiunta al carrello e acquisti al primo intento.
H2 (Vantaggio Relativo dell'Impegno): Tra le quattro dimensioni della relazione, l'impegno mostra il potere esplicativo marginale più forte per comportamenti ad alto costo e a lungo termine, inclusi acquisti ripetuti, rinnovi e partecipazione offline, e il suo contributo alla performance predittiva supera quello della soddisfazione e della fiducia.
Teoria dello scambio sociale
La teoria dello scambio sociale sottolinea che gli individui seguono norme di reciprocità ed equità nelle interazioniripetute 19. La reciprocità percepita fa sì che i tifosi sentano che il club ha un dare e avere in termini di concessioni di valore, risposte emotive e allocazione delle risorse. Quando la reciprocità è percepita come genuina e sostenibile, i tifosi sono più propensi a ricambiare attraverso il consumo e la presenza, formando un circolo viziosopositivo 20. La soddisfazione è una funzione delle esperienze accumulate rispetto alle aspettative. Attraverso un meccanismo di conferma delle aspettative, promuove la conformità a breve termine e il passaparola positivo, fornendo un terreno fertile per lo sviluppo di fiducia eimpegno 21.
Di conseguenza, deriviamo:
H3 (Soddisfazione → Comportamento di Supporto): Una maggiore soddisfazione riduce il rimpianto e aumenta l'immediatezza della risposta, aumentando l'acquisto e la partecipazione a breve termine.
H4 (Reciprocità → Conversione e Riacquisto): All'interno di un contesto di gioco ripetuto, i segnali di reciprocità amplificano l'intensità dello scambio "Ne beneficio → restituisco", migliorando significativamente i tassi di conversione e riacquisto—soprattutto in contesti sensibili al prezzo o alla scarsità.
Sintetizzando le due teorie, le quattro dimensioni mostrano una chiara eterogeneità contestuale nei loro percorsi di influenza:
In contesti di incertezza o alto rischio percepito—nuovi prodotti, prezzi dinamici, autorizzazione/pagamento ad alto rischio—la fiducia esercita effetti marginali più forti (supporta H1).
In contesti a lungo termine o con identità delicata—abbonamenti stagionali, partite casalinghe consecutive, rinnovo dell'iscrizione—l'impegno domina (supporta H2).
Nei nodi principali di abbinamento o sotto incentivi/scarsità—benefici limitati, promozioni—la reciprocità aumenta maggiormente la conversione e il riacquisto (supporta H4).
La soddisfazione funge da "terreno di base", guidando positivamente comportamenti a breve termine in quasi tutti i contesti (supporta H3) e consolidando indirettamente fiducia e impegno migliorando la qualità dell'esperienza. Invece di testare queste ipotesi tramite modellazione delle equazioni strutturali, inseriamo le quattro dimensioni in uno strato di attenzione, permettendo al modello di apprendere pesi contestualizzati e corroborare i meccanismi con esperimenti di ablazione.
MLP
Il perceptrone multistrato (MLP) funge da apprendente della rappresentazione dorsale nel nostro framework.
(1) Livello di input-mapping.
Il vettore caratteristico originale viene espanso linearmente una volta da una matrice 
di pesi e bias b(1), ottenendo
(1)
(2) Strato profondo di non linearità.
Impiliamo i livelli lineari, di attivazione e di normalizzazione. La mappatura lineare utilizza una trasformata affine completamente connessa:
z = Wx + b, (2)
Dove 
è la matrice dei pesi,
è il vettore di polarizzazione, x è l'uscita del livello precedente e z è l'uscita lineare. Per corrispondere alle caratteristiche di attivazione di ReLU e mantenere stabili i gradienti durante l'addestramento, adottiamo l'inizializzazione He per W:
(3)
La funzione di attivazione è ReLU, particolarmente adatta per architettureprofonde 22. Quando x>0, la derivata di ReLU è una costante, alleviando efficacemente il problema del gradiente di nullità associato alle attivazioni sigmoidi e quindi accelerando la retropropagazione e la convergenza23. ReLU è anche computazionalmente semplice (nessuna esponenziale) e naturalmente scarsa (produce zero per x<0), il che riduce le risposte neuronali ridondanti e migliora la generalizzazione. La sua definizione è24
σ(x) = max(0,x), (4)
Applicato elemento per elemento all'output lineare, otteniamo:
(5)
Dopo ogni operazione di "attivazione → lineare", introduciamo la Normalizzazione Batch (BN) per stabilizzare i gradienti e accelerare la convergenza. BN standardizza dinamicamente le caratteristiche all'interno di ogni mini-lotto, mitigando lo spostamento interno delle covarie, migliorando la stabilità dell'addestramento e riducendo la sensibilità al tasso di apprendimento. BN ha anche un lieve effetto di regolarizzazione simile all'iniezione di rumore, che aiuta a prevenire il sovrafitting senza compromettere la capacità del modello.
Sia l'output mini-batch corrente , 
la trasformata BN per la funzione j-esima è
(6)
Dove μj e σj2 sono la media e la varianza del lotto della caratteristica j-esima, ε è una piccola costante per la stabilità numerica, e γj, βj sono parametri di scala e spostamento imparabili che ripristinano l'espressività non lineare della rete.
(7)
Qui m è la dimensione del mini-batch, ε è una piccola costante per la stabilità numerica, e γj, βj sono parametri di scala/spostamento imparabili utilizzati per recuperare l'espressività non lineare della rete dopo la normalizzazione.
(3) Strato di compressione delle caratteristiche
Dopo l'estrazione profonda delle caratteristiche, aggiungiamo uno strato di compressione delle caratteristiche alla fine del blocco MLP per mantenere le informazioni salienti sopprimendo la ridondanza, ridurre il carico computazionale dei moduli successivi e fornire una regolarizzazione lieve. Sia il vettore 
di input . L'uscita compressa è 
, con parametri 
, 
. L'operazione è:
(8)
Meccanismo di attenzione piramidale (PA)
Sia l'ultimo output 
di livello MLP . Per consentire una selezione esplicita su interazioni non lineari di ordine superiore, riorganizziamo 
prima per campo/canale in una matrice25:
(9)
Dove C è il numero di canali e L è la lunghezza per canale.
(1) Costruzione di caratteristiche multiscala.
Lungo l'asse delle caratteristiche L, applicare un pooling 1D con più scale per ottenere26
(10)
dove ks e stride definiscono la scala s-esima.
(2) Canalizzare l'attenzione per scala.
Per ogni scala, costruisci un detrattore del canale e pesidi attenzione 27:
(11)
Dove δ(⋅) è ReLU, σ(⋅) è Sigmoide,
, r è il rapporto di riduzione.
Applica i pesi canale per canale:
(12)
(3) Fusione e scrittura in risposta.
Proiettiamo ogni scala con GAPL in uno spazio unito e unita e fondete:
(13)
dove i P sono pesi di fusione e Wr è una proiezione apprendibile usata nella scrittura residua.
Punteggio finale:
(14)
Dove ⊙ indica il prodotto di Hadamard (elemento per elemento) e 
indica la concatenazione vettoriale.
Formalizzazione dei compiti Top-N e obiettivo di apprendimento
(1) Impostazione del problema.
Lascia che il set dei fan sia F e il set di oggetti I (biglietti, merchandising, benefit per l'abbonamento e contenuti). Il feedback 
implicito indica se il fan 
ha interagito con l'oggetto 
(clic, acquisto, presenza/validazione, ecc.). I campioni positivi nel set di addestramento sono
, 
.
Inseriamo le quattro variabili del marketing relazionale—soddisfazione, fiducia, impegno, reciprocità—come vettore: 
nello strato dell'attenzione per ottenere una rappresentazione 
della relazione consapevole del contesto, che viene fusa con embedding 
fan/item per produrre il punteggio 
. Per ogni coppia 
positiva , estraiamo diversi negativi a un rapporto fisso da 
per formare 
.
(2) Obiettivo a coppie.
Per ottimizzare direttamente la classifica relativa, utilizziamo il BPR (Bayesian Personalized Ranking)loss 28:
(15)
Qui 
esprime la probabilità che "il punteggio positivo superi il punteggio negativo"; 
è un regolarizzatore L2per controllare l'overfitting; 
indica tutti i parametri apprendibili.
(3) Inferenza e classificazione.
Al momento del test, l'insieme candidato è 
. Calcoliamo i punteggi , e restituiamo la listaTop-N 29:
(16)
Progettazione dell'algoritmo di raccomandazione
Questa sezione descrive l'intero flusso di lavoro di raccomandazione utilizzato in questo studio, coprendo la pipeline end-to-end, dalla pre-elaborazione dei dati all'addestramento del modello e all'inferenza online. Il flusso di lavoro spiega come i dati grezzi di interazione fan–item e le variabili di relazione vengano trasformati in punteggi di classifica personalizzati tramite apprendimento rappresentativo e modellazione basata sull'attenzione. La procedura dettagliata è descritta come segue.
Passo 1: Preparazione e normalizzazione dei dati.
I log di interazione fan–item CSL vengono trasformati in segnali di feedback impliciti. I valori mancanti vengono gestiti e le quattro variabili di relazione—soddisfazione, fiducia, impegno e reciprocità—vengono normalizzate. I dati sono suddivisi cronologicamente in set di addestramento, validazione e test, e vengono generati più campioni negativi per ogni interazione positiva.
Passo 2: Codifica dell'attenzione nelle relazioni.
Le quattro variabili di relazione vengono inserite in un modulo di attenzione per apprendere pesi di importanza consapevoli del contesto, produendo una rappresentazione compatta delle relazioni con i ventilatori per la modellazione a valle.
Passo 3: Costruzione dell'input di interazione.
Gli embedding di fan e item vengono appresi e concatenati con la rappresentazione della relazione per formare il vettore feature completo per ogni interazione fan–item.
Passo 4: Apprendimento della rappresentazione.
Le caratteristiche di interazione vengono passate attraverso un ramo MLP per catturare pattern non lineari di alto ordine e generare una rappresentazione latente fusa.
Passo 5: Attenzione alla caratteristica piramide.
Una piramide di caratteristiche multiscala viene costruita sopra l'output MLP. Si applica attenzione canale e fusione cross-scale, e le funzionalità potenziate vengono integrate tramite connessioni residue per amplificare i canali salienti sopprimendo quelli ridondanti.
Passo 6: Punteggio e output.
Il ramo lineare viene concatenato con la rappresentazione non lineare migliorata e inserito nel livello di uscita per calcolare un punteggio di preferenza per ogni coppia fan–elemento.
Passo 7: Formazione e ottimizzazione.
Il modello è ottimizzato utilizzando un obiettivo di ranking a coppie. Un ottimizzatore adattivo viene utilizzato insieme al decadimento del peso, al dropout e al blocco precoce per migliorare la generalizzazione e mitigare l'overfitting.
Passo 8: ottimizzazione bayesiana.
Le metriche di classifica di validazione sono utilizzate come obiettivo per cercare automaticamente iperparametri chiave, inclusi dimensioni di incorporamento, profondità e larghezza della rete, tasso di apprendimento, rapporto di campionamento negativo, tasso di dropout e parametri legati alla piramide e all'attenzione.
Passo 9: Inferenza e classifica.
Durante l'inferenza online, vengono calcolati punteggi di preferenza per ogni fan rispetto all'insieme di elementi candidati per generare raccomandazioni Top-N, con strategie opzionali di post-ranking applicate per tenere conto di freschezza, diversità e vincoli di business.
Validazione sperimentale
Schema di dataset e caratteristiche
Valutiamo su un dataset auto-costruito che collega (tramite fan ID hash) i log del sistema informativo del club CSL de-identificati delle interazioni implicite fan–item con un'indagine sulle relazioni contemporanea. I dati coprono quattro domini aziendali—biglietti, merchandising, abbonamento e contenuti—e includono eventi di navigazione, clic, aggiungenza al carrello/preferiti, acquisto/biglietto e validazione nello stadio, con timestamp, canale touchpoint, tag contestuali e bandiere promozionali. La campata è ≥ una stagione completa; La scala è dell'ordine dei ventilatori, degli oggetti e degli eventi, sufficienti per una modellazione profonda.
Schema delle funzionalità e codifica: Items-ArticleID, ItemType, TeamTag, PriceBand (incorporamenti ID/categorie); Fan—FanID, Regione, Membership Tier, Tenure (FanID appreso come embedding; altri campi categorico/numerici standardizzati); Caratteristiche RQ—Soddisfazione, Fiducia, Impegno, Reciprocità scalate a [0,1] e trasmesse al canale Attenzione, poi fuse con rappresentazioni MLP tramite PA; Contesto—PhaseTag, Channel, PromoFlag, Hour, Weekday (categorici come embedding; caratteristiche temporali con codifica sinusoidale sin/cos).
Ottimizzazione degli iperparametri
Gli iperparametri chiave di MLP-PA vengono regolati tramite ottimizzazione bayesiana all'interno di uno spazio di ricerca preimpostato, usando NDCG@10 sul set di validazione come target primario (con HR@10 come riferimento) e fermandosi anticipatamente per mitigare l'overfitting. Ogni configurazione candidata viene eseguita su più semi casuali e mediata. Le impostazioni finali implementate sono riportate nella Tabella 1.
| Iperparametro | Descrizione | Intervallo di ricerca | Valore selezionato |
| Dimensione di incorporamento | Dimensione dell'incorporamento della ventola/oggetto | {32, 64, 128} | 64 |
| Strati nascosti MLP | Numero di strati MLP | {2, 3, 4} | 3 |
| Unità nascoste MLP | Unità per livello nascosto | {64, 128, 256} | 128 |
| Tasso di abbandono | Probabilità di abbandono | [0.1, 0.5] | 0.3 |
| Tasso di apprendimento | Tasso di apprendimento iniziale | [1e-4, 1e-2] | 1.00E-03 |
| Rapporto di campionamento negativo | Negativi per campione positivo | {1, 3, 5, 10} | 5 |
Tabella 1: Impostazioni finali degli iperparametri del modello MLP-PA
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Risultati
Convergenza e stabilità
Per valutare il comportamento di convergenza e la stabilità dell'addestramento del modello proposto, confrontiamo le sue prestazioni di validazione con quelle di un raccomandatore standard basato su MLP senza attenzione alle caratteristiche piramidali o attenzione consapevole delle relazioni, che funge da modello di controllo. Tutti i modelli sono addestrati secondo suddivisioni dei dati, impostazioni di ottimizzazione e ...
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Discussione
Contributi concettuali e metodologici
Questo studio contribuisce concettualmente riformulando le dimensioni della relazione — soddisfazione, fiducia, impegno e reciprocità — non come caratteristiche ausiliarie statiche, ma come segnali relazionali sensibili al contesto la cui influenza varia tra le fasi di coinvolgimento. Il quadro proposto operativizza questa idea attraverso un meccanismo basato sull'attenzione che rivaluta dinamicamente i se...
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Dichiarazioni
L'autore non ha conflitti di interesse da dichiarare.
Ringraziamenti
L'autore desidera ringraziare i revisori anonimi per i loro commenti costruttivi e suggerimenti, che hanno contribuito a migliorare la chiarezza e la qualità di questo manoscritto. Riconosce inoltre il sostegno dell'organizzazione collaboratrice per aver fornito l'accesso ai dati utilizzati in questo studio. Qualsiasi opinione, constatazione e conclusione espressa in questo articolo sono dell'autore e non riflettono necessariamente le opinioni delle istituzioni affiliate.
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Materiali
| Nome | Azienda | Numero di catalogo | Commenti |
|---|---|---|---|
| Python | https://www.python.org | 3.9.10 | |
| Deep learning framework | PyTorch | https://pytorch.org | >= 1.12 |
| Hyperparameter optimization library | Optuna | https://optuna.org | >= 3.0 |
| Hardware | NVIDIA GPU | https://www.nvidia.com | Single GPU, >= 8 GB memory |
| Dataset | Self-built CSL fan dataset | N/A | One full season or longer; scale sufficient for deep modeling |
| Interaction data | Fan–item implicit interaction logs | N/A | Not separately versioned |
| Survey data | Relationship questionnaire data | N/A | Not separately versioned |
| Data preprocessing method | Hash-based anonymization | N/A | Applied to fan and item identifiers |
| Data preprocessing method | Mean imputation within membership tier | N/A | Applied to missing questionnaire responses |
| Data preprocessing method | Min–max normalization | N/A | Range [0, 1] |
| Data splitting strategy | Chronological user-level split | N/A | Most recent = test; second most recent = validation; remainder = training |
| Negative sampling | Uniform negative sampling | N/A | Positive:negative ratio = 1:5 |
| Model backbone | MLP (Multi-Layer Perceptron) | https://pytorch.org/docs/stable/nn.html | Hidden layers [128, 64, 32] (optimized) |
| Attention module | Relationship-attention channel | N/A | Custom module |
| Fusion module | Pyramid Attention (PA) | N/A | Pooling scales {1, 2, 4}, stride = kernel size, reduction ratio = 4 |
| Optimizer | Adam | https://pytorch.org/docs/stable/generated/torch.optim.Adam.html | Learning rate 0.001, weight decay 1e-5 |
| Regularization | Dropout | https://pytorch.org/docs/stable/generated/torch.nn.Dropout.html | Rate 0.3 |
Riferimenti
- 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).
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.