Inteligentne Systemy Rekomendacyjne dla Zachowania Konsumpcyjnego Fanów Chińskiej Superligi

Podsumowanie

To badanie sprawdza, czy czynniki marketingu relacji poprawiają systemy rekomendacji sportowych dla fanów chińskiej Super League. Włączenie zadowolenia, zaufania, zaangażowania i wzajemności znacząco poprawia dokładność rekomendacji Top-N, szczególnie w warunkach rzadkich i długiego ogona. Wyniki pokazują, że zaangażowanie i wzajemność prowadzą do powtarzającego się zachowania o wysokim udziale, podczas gdy zadowolenie i zaufanie głównie wspierają wczesne zaangażowanie.

Streszczenie

Rozumienie i przewidywanie zachowania konsumpcyjnego fanów jest centralnym wyzwaniem w profesjonalnych sportach, jednak większość systemów rekomendacyjnych opiera się przede wszystkim na historycznych interakcjach i zwraca ograniczoną uwagę na czynniki marketingu relacyjnego, które kształtują zaangażowanie fanów. Aby uzupełnić tę lukę, niniejsze badanie opracowuje MLP-PA (Multi-Layer Perceptron z uważnością piramidy) i bada, czy uwzględnienie stanów relacyjnych fanów’—takich jak satysfakcja, zaufanie, zaangażowanie i wzajemność—może poprawić efektywność rekomendacji w wielu scenariuszach konsumpcyjnych wśród fanów Chińskiej Super League (CSL). Korzystając z danych wieloscenariuszowych obejmujących sprzedaż biletów, towarów, członkostwa i treści cyfrowych, wyniki empiryczne pokazują, że rekomendacje generowane przez MLP-PA osiągają znacznie wyższą dokładność rankingu Top-N niż konwencjonalne podejścia do filtrowania współpracującego, z szczególnie wyraźnymi poprawkami w ustawieniach rozproszonych i długich ogonów. Analiza dalej ujawnia, że różne czynniki relacyjne są związane z odmiennymi wzorcami konsumpcji: zaangażowanie i wzajemność są silniej związane z powtarzającymi się i wysoko zaangażowanymi zachowaniami, podczas gdy satysfakcja i zaufanie mają główny wpływ na początkowe i krótkoterminowe reakcje. Te ustalenia pokazują, że czynniki marketingu relacyjnego odgrywają istotną i zróżnicowaną rolę w zachowaniach konsumpcyjnych fanów, oferując praktyczne wskazówki dla spersonalizowanych strategii zaangażowania i operacji cyfrowych w profesjonalnym futbolu.

Wprowadzenie

W ostatnich latach systemy rekomendujące stały się centralnym elementem platform cyfrowych, umożliwiając dostosowanie użytkowników, produktów i kontekstów konsumpcji poprzez personalizację opartą na danych. Podczas gdy technologie rekomendujące są dobrze ugruntowane w takich dziedzinach jak e-commerce i media online, ich zastosowanie w profesjonalnych sportach pozostaje stosunkowo słabo rozwinięte¹. W ligach takich jak Chińska Super Liga (CSL), zachowania konsumpcyjne fanów są wysoce zależne od kontekstu i ewoluują w fazach przed meczem, dnia meczu i po meczu, przy czym decyzje zakupowe są ściśle związane z obecnością offline, przywiązaniem emocjonalnym i tożsamością społeczną. Jednak większość istniejących badań rekomendacji sportowych adaptuje przede wszystkim techniki filtrowania kolektywnego lub oparte na treści z innych dziedzin i koncentruje się na krótkoterminowych sygnałach interakcji, takich jak kliknięcia czy zakupy. Takie podejścia w dużej mierze ignorują dynamikę relacji między fanami a klubami – takie jak zaufanie, zaangażowanie czy wzajemność – które są znane w badaniach marketingu sportowego jako kształtujące długoterminowe zaangażowanie i wielokrotną konsumpcję². W rezultacie, obecne modele mają trudności z wyjaśnieniem, dlaczego podobne historie zachowań mogą prowadzić do rozbieżnych wyników konsumpcji w różnych stanach relacyjnych. Ta luka podkreśla potrzebę ram rekomendacyjnych, które wykraczają poza częstotliwość interakcji i wyraźnie uwzględniają mechanizmy sterowane relacjami w podejmowaniu decyzji przez fanów³.

Z perspektywy marketingu relacji, satysfakcja, zaufanie, zaangażowanie i wzajemność łącznie stanowią jakość relacji i są ugruntowane jako czynniki napędzające kluczowe wyniki dla fanów, w tym obecność na meczach, zakupy merchandisingu, odnowienie członkostwa i zalecenie ustne^4,5,6. W przeciwieństwie do tego, większość istniejących systemów rekomendujących sportowych nadal modeluje interakcje fan-przedmiot jako w dużej mierze jednorodne sygnały behawioralne, przywiązując niewiele uwagi do kontekstu relacyjnego leżącego u podstaw tych interakcji. Ta uproszczająca koncepcja ogranicza ich zdolność do uchwycenia, w jaki sposób różne czynniki relacji wywierają odrębny wpływ na różne etapy konsumpcji i intensywności zaangażowania oraz pomaga wyjaśnić, dlaczego modele oparte wyłącznie na historiach interakcji często nie różnicują krótkoterminowych reakcji od utrzymanego, wysoce zaangażowanego zachowania fanów.

Z inżynierskiego punktu widzenia, systemy rekomendujące sportowe napotykają dodatkowe wyzwania, w tym asymetryczną niejawną informację zwrotną, poważną rozproszenie długiego ogona oraz zróżnicowane konteksty interakcji wieloużytkownikowych⁷. Tradycyjne podejścia filtrowania kolektywnego i modele głębokie jednoscieżkowe często wykazują ograniczoną generalizację międzykontekstową w takich ustawieniach i oferują niewiele interpretowalności dla wsparcia decyzji w operacjach marketingowych.

Pod względem metodologicznym, wcześniejsze badania nad systemami rekomendującymi zaproponowały szereg rozwiązań, aby poradzić sobie z rozproszeniem, zróżnicowaniem i optymalizacją długoterminową. Modele oparte na grafie i napędzane uwagą poprawiły naukę reprezentacji i wydajność rankingu poprzez ponowne uwzględnienie wagi sąsiedztwa i uchwytywanie interakcji wyższego rzędu^8,9. Architektury hybrydowe, które łączą sygnały kolektywne z uczeniem głębokim, wykazały zyski w zadaniach rekomendacji na dużą skalę¹⁰. Podejścia oparte na uczeniu wzmacniającym dalece rozszerzają optymalizację na cele długoterminowe zamiast krótkowzrocznej dokładności¹¹. Te postępy dostarczają cennych podstaw metodologicznych dla modelowania złożonych interakcji w warunkach rozproszonej informacji zwrotnej.

Mimo to, większość tych podejść pozostaje agnostyczna wobec konstruktów marketingu relacji i nie uwzględnia jawnie zmiennych takich jak satysfakcja, zaufanie, zaangażowanie czy wzajemność w procesie rekomendacji. Ta ograniczona klauzula jest szczególnie widoczny w kontekście profesjonalnego futbolu, gdzie relacje fan-klub ewoluują, a różne wymiary relacji są znane jako dominujące w odrębnych wynikach behawioralnych (np. pierwszy zakup versus powtórzna obecność)^12,13,14,15.

Aby wypełnić tę lukę, proponujemy MLP-PA (Wielowarstwowa Percepcja z Piramidalną Uwagą), relacyjną ramę rekomendacyjną dostosowaną do scenariusza Chińskiej Super Ligi (CSL). Budując na architekturze Neural Collaborative Filtering (NCF) z bazą Multi-Layer Perceptron (MLP), proponowany model traktuje satysfakcję, zaufanie, zaangażowanie i wzajemność jako pierwszorzędne cechy relacyjne i wstrzykuje je do kanału priorytetowego opartego na uważności. Następnie stosowany jest moduł uwagi funkcji piramidowej do późnego fuzji w celu selektywnego wzmacniania wyróżniających się wzorców interakcji na wielu skalach, integrując reprezentacje fanów, przedmiotów i kontekstów

Protokół

Niniejsze badanie korzysta z anonimizowanych logów interakcji fan-przedmiot oraz anonimizowanych danych z kwestionariuszy zebranych wyłącznie do celów badawczych. Żadne informacje umożliwiające identyfikację osobistą nie były dostępne, przechowywane ani przetwarzane. Zgodnie z wytycznymi instytucjonalnymi i krajowymi, niniejsze badanie nie wymagało formalnej zgody komitetu etycznego ani indywidualnej zgody na udział w badaniu.

Przygotowanie danych i procedura eksperymentu
Krok 1. Przygotowanie danych i przetwarzanie wstępne
Przygotowanie danych i procedury eksperymentu zostały zaprojektowane w celu przekształcenia surowych logów zachowań i odpowiedzi ankietowych w ujednolicony, odtwarzalny zestaw eksperymentalny nadający się do trenowania i oceny modelu. Proces koncentruje się na czyszczeniu danych, anonimizowaniu, budowie funkcji, normalizacji i dostosowywaniu zapisów interakcji do zmiennych związanych z relacją. Surowe logi interakcji były najpierw filtrowane w celu usunięcia niekompletnych wpisów i zduplikowanych zdarzeń, aby zapewnić spójność danych. Identyfikatory fanów i identyfikatory przedmiotów były następnie anonimizowane za pomocą skrótu w celu ochrony prywatności użytkowników. Wiele form interakcji, w tym przeglądanie, klikanie, zakup i walidacja obecności, zostało przypisanych do sygnatur zwrotu biernego, a każda zaobserwowana interakcja była traktowana jako pozytywny przypadek. Zmienne związane z relacją - satysfakcja, zaufanie, zaangażowanie i wzajemność - zostały zebrane z odpowiedzi na kwestionariusz i powiązane z odpowiednimi identyfikatorami fanów. Wartości brakujące w kwestionariuszu zostały zaadresowane za pomocą średniej interpolacji w obrębie tej samej klasy członkostwa, aby zachować cechy na poziomie grupy. Ciągłe zmienne zostały znormalizowane za pomocą skalowania min-max w zakresie [0, 1], aby zapewnić porównywalność między zmiennymi. Po przetwarzaniu wstępnym sfinalizowany zestaw danych był przechowywany w zstrukturyzowanych plikach zawierających anonimizowane identyfikatory fanów, identyfikatory przedmiotów, znaczniki czasowe, tagi kontekstowe i znormalizowane zmienne związane z relacją, które były następnie używane spójnie w wszystkich ustawieniach eksperymentalnych.

Oczekiwany wynik:
W wyniku tego procesu wynikiem są oczyszczona tabela interakcji, znormalizowana tabela zmiennych związanych z relacją dostosowanych do identyfikatorów fanów oraz statystyczne podsumowanie liczby fanów, przedmiotów i interakcji w końcowym zestawie danych.

Krok 2. Podział na zbiór treningowy/walidacyjny/testowy i próbkowanie ujemne
Dane są chronologicznie dzielone na poziomie użytkownika, aby uniknąć wycieku informacji. Dla każdego fanów najnowsza interakcja jest zarezerwowana do testowania, druga najnowsza do walidacji, a pozostałe interakcje do trenowania. Negatywne próbki są generowane przez jednolite pobieranie nieinterakcyjnych przedmiotów z zestawu przedmiotów. Dla każdej pozytywnej interakcji losowane jest stałe liczby próbek ujemnych (stosunek próbkowania ujemnego = 1:5) podczas trenowania. Ta sama konstrukcja zestawu kandydatów jest zastosowana spójnie we wszystkich modelach.

Oczekiwany wynik:
W wyniku tego kroku wynikami są chronologicznie podzielone zestawy treningowe, walidacyjne i testowe wraz z wstępnie wygenerowanymi listami ujemnych próbek przygotowanymi zgodnie ze wskazanym współczynnikiem próbkowania.

Krok 3. Środowisko oprogramowania i implementacja
Wszystkie eksperymenty są implementowane w języku Python. Trenowanie i ocena modelu są przeprowadzane przy użyciu PyTorch (wersja ≥ 1.12). Optymalizacja hiperparametrów Bayesa jest wykonywana za pomocą Optuna (wersja ≥ 3.0). Skrypty treningowe są wykonywane na stacji roboczej wyposażonej w pojedynczą kartę graficzną NVIDIA (≥ 8 GB pamięci). Pliki konfiguracyjne określają ścieżki zestawów danych, parametry modelu i ustawienia optymalizacji, aby zapewnić możliwość odtworzenia.

Krok 4. Budowa modelu i określenie parametrów
Model MLP-PA składa się z warstwy osadzenia, wielowarstwowego perceptronu, kanału uwagi relacji i modułu fuzji uwagi piramidy. Kluczowe parametry są ustawione następująco: wymiar osadzenia = 32; ukryte warstwy MLP = [64, 32]; funkcja aktywacji = ReLU; optymalizator = Adam z wskaźnikiem uczenia się 0,001 i spadkiem wagi 1e-5. Moduł uwagi piramidy używa trzech skal poolingu z rozmiarami jądra {1, 2, 4} i skoku równym rozmiarowi jądra. Współczynnik redukcji uwagi jest ustawiony na 4. Dropout z współczynnikiem 0,3 jest stosowany w celu zapobiegania przetrenowaniu. Wcześniejsze zatrzymanie jest wyzwalane, jeśli walidacja NDCG@10 nie poprawia się przez 10 kolejnych epok.

Krok 5. Trenowanie i optymalizacja hiperparametrów
Model jest trenowany przy użyciu straty Bayesian Personalized Ranking (BPR) par. Podczas trenowania monitorowana jest wydajność walidacji na końcu każdej epoki. Optymalizacja hiperparametrów Bayesa przeszukije wskaźnik uczenia się, rozmiar osadzenia, wskaźnik odrzucania, stosunek próbkowania ujemnego i parametry związane z uwagą. Celem optymalizacji jest walidacja NDCG@10. Każda kandydacka konfigura

Wyniki

Konwergencja i stabilność

Aby ocenić zachowanie konwergencji i stabilność trenowania proponowanego modelu, porównujemy jego wydajność walidacji z modelem zalecającym opartym na MLP bez uwagi na piramidę ani uwagi uwzględniającej relacje, który służy jako model kontrolny. Wszystkie modele są trenowanie w identycznych podziałach danych, ustawieniach optymalizacji i kryteriach zatrzymania, aby zapewnić uczciwe porównanie.

Dyskusja

Wkład koncepcyjny i metodologiczny

Niniejsze badanie przyczynia się koncepcyjnie, przekształcając wymiary relacji – satysfakcję, zaufanie, zaangażowanie i wzajemność – nie jako statyczne cechy pomocnicze, ale jako sygnały relacyjne zależne od kontekstu, których wpływ zmienia się w różnych fazach zaangażowania. Proponowany model operacyjnie realizuje tę ideę poprzez mechanizm oparty na uważności, który dynamicznie przeważa wskaźniki relacyjne w powiązaniu z reprezentacjami beha...

Materiały

Lista materiałów użytych w tym artykule

Nazwa	Firma	Numer katalogowy	Komentarze
	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