Este estudo examina se fatores de marketing de relacionamento melhoram os sistemas de recomendação esportiva para os fãs da Super League chinesa. Incorporar satisfação, confiança, compromisso e reciprocidade melhora significativamente a precisão das recomendações do Top-N, especialmente em condições de cauda esparsa e longa. Os resultados mostram que compromisso e reciprocidade impulsionam comportamentos repetidos de alto envolvimento, enquanto satisfação e confiança apoiam principalmente o engajamento precoce.
É necessária uma assinatura do JoVE para visualizar este conteúdo. Faça login ou inicie seu teste gratuito.
Artigo de investigação
Sistemas Inteligentes de Recomendação para a Previsão do Comportamento de Consumo dos Torcedores da Super League Chinesa
Neste artigo
Resumo
Resumo
Compreender e prever o comportamento de consumo dos fãs é um desafio central nos esportes profissionais, mas a maioria dos sistemas de recomendação depende principalmente de interações históricas e dá atenção limitada aos fatores de marketing de relacionamentos que moldam o engajamento dos fãs. Para suprir essa lacuna, este estudo desenvolve o MLP-PA (Multi-Layer Perceptron with Pyramid Attention) e examina se a incorporação dos estados relacionais dos fãs — como satisfação, confiança, compromisso e reciprocidade — pode melhorar a eficácia das recomendações em múltiplos cenários de consumo entre os fãs da Super League Chinesa (CSL). Utilizando um conjunto de dados multi-cenários que abrange ticketing, mercadorias, associação e conteúdo digital, resultados empíricos mostram que as recomendações geradas pelo MLP-PA alcançam uma precisão significativamente maior no ranking Top-N do que as abordagens convencionais de filtragem colaborativa, com melhorias particularmente pronunciadas em configurações de sparse e long-tail. A análise revela ainda que diferentes fatores de relacionamento estão associados a padrões de consumo distintos: compromisso e reciprocidade estão mais fortemente ligados a comportamentos repetidos e de alto envolvimento, enquanto satisfação e confiança influenciam principalmente as respostas iniciais e de curto prazo. Essas descobertas demonstram que fatores de marketing de relacionamento desempenham um papel substancial e diferenciado no comportamento de consumo de torcedores, oferecendo insights acionáveis para estratégias de engajamento personalizadas e operações digitais no futebol profissional.
Introdução
Nos últimos anos, os sistemas de recomendação tornaram-se um componente central das plataformas digitais, permitindo o alinhamento de usuários, produtos e contextos de consumo por meio da personalização orientada por dados. Embora as tecnologias de recomendação estejam bem estabelecidas em domínios como comércio eletrônico e mídia online, sua aplicação em esportes profissionais ainda é relativamentesubdesenvolvida. Em ligas como a Chinese Super League (CSL), o comportamento de consumo dos fãs é altamente sensível ao contexto e evolui ao longo das fases pré-jogo, dia de jogo e pós-jogo, com decisões de compra intimamente ligadas à presença offline, apego emocional e identidade social. No entanto, a maioria dos estudos existentes sobre recomendadores esportivos adapta principalmente filtragem colaborativa ou técnicas baseadas em conteúdo de outros domínios e foca em sinais de interação de curto prazo, como cliques ou compras. Essas abordagens em grande parte ignoram as dinâmicas relacionais entre torcedores e clubes — como confiança, compromisso ou reciprocidade — que são conhecidas em pesquisas de marketing esportivo por moldarem o engajamento a longo prazo e o consumorepetido 2. Como resultado, os modelos atuais têm dificuldade em explicar por que histórias comportamentais semelhantes podem levar a resultados de consumo divergentes sob diferentes estados relacionais. Essa lacuna destaca a necessidade de frameworks de recomendação que vão além da frequência de interação e considerem explicitamente mecanismos orientados por relacionamentos na tomada de decisão dosfãs 3.
Do ponto de vista do marketing de relacionamento, satisfação, confiança, compromisso e reciprocidade constituem conjuntamente qualidade de relacionamento e são bem estabelecidos como motores de resultados importantes para os fãs, incluindo a frequência em partidas, compras de produtos, renovação de membros e defesa boca aboca 4,5,6. Em contraste, a maioria dos sistemas de recomendação esportiva existentes continua a modelar as interações fã-item como sinais comportamentais em grande parte homogêneos, dando pouca atenção ao contexto relacional subjacente a essas interações. Essa simplificação limita sua capacidade de capturar como diferentes fatores de relacionamento exercem influências distintas entre estágios de consumo e intensidades de engajamento, ajudando a explicar por que modelos baseados apenas em históricos de interação frequentemente falham em diferenciar respostas de curto prazo de comportamentos sustentados e de alto envolvimento dos fãs.
Do ponto de vista da engenharia, sistemas de recomendação esportiva enfrentam desafios adicionais, incluindo feedback implícito assimétrico, esparsidade severa de cauda longa e contextos heterogêneos de interaçãomulti-toque 7. Abordagens tradicionais de filtragem colaborativa e modelos profundos de caminho único frequentemente apresentam generalização limitada entre contextos nesses contextos e oferecem pouca interpretabilidade para suporte à decisão em operações de marketing.
Metodologicamente, pesquisas anteriores sobre sistemas recomendadores propuseram uma série de soluções para abordar a escarrasidade, heterogeneidade e otimização a longo prazo. Modelos baseados em grafos e orientados pela atenção melhoraram o aprendizado de representação e o desempenho de ranking ao reponderar a importância dos vizinhos e capturar interações de ordemsuperior 8,9. Arquiteturas híbridas que combinam sinais colaborativos com aprendizado profundo demonstraram avanços em tarefas de recomendação em grandeescala 10. Abordagens baseadas em aprendizado por reforço estendem ainda mais a otimização para objetivos de longo prazo, em vez de uma precisãomíope 11. Esses avanços fornecem bases metodológicas valiosas para modelar interações complexas sob feedback esparso.
No entanto, a maioria dessas abordagens permanece agnóstica em relação aos construtos de marketing de relacionamento e não incorpora explicitamente variáveis como satisfação, confiança, compromisso ou reciprocidade no processo de recomendação. Essa limitação é particularmente evidente em contextos de futebol profissional, onde as relações entre torcedores e clubes evoluem e onde diferentes dimensões relacionais são conhecidas por dominar resultados comportamentais distintos (por exemplo, primeira compra versus presença repetida)12,13,14,15.
Para suprir essa lacuna, propomos o MLP-PA (Multi-Layer Perceptron with Pyramid Attention), um framework de recomendação consciente de relacionamento adaptado ao cenário da Super Liga Chinesa (CSL). Baseado em uma arquitetura de Filtragem Colaborativa Neural (NCF) com uma espinha dorsal Multi-Layer Perceptron (MLP), o modelo proposto trata satisfação, confiança, compromisso e reciprocidade como características relacionais de primeira classe e as injeta em um canal prior baseado em atenção. Um módulo de atenção a características em pirâmide é então empregado para fusão tardia para amplificar seletivamente padrões de interação salientes em múltiplas escalas, integrando representações de leque, item e contextuais. Ao modelar explicitamente variáveis de relacionamento junto com características de interação não lineares, o MLP-PA busca melhorar tanto a precisão preditiva quanto a interpretabilidade na recomendação esportiva.
Uma avaliação empírica em um conjunto de dados CSL auto-construído mostra que a abordagem proposta supera consistentemente as linhas de base clássicas, incluindo UserCF, ItemCF e MF-BPR, em métricas de ranking Top-N. Análises adicionais das variantes do modelo indicam que incorporar atenção consciente do relacionamento ajuda a aliviar a escassez de cauda longa e a heterogeneidade contextual. Os resultados também revelam papéis diferenciados dos fatores relacionais. Compromisso e reciprocidade estão mais fortemente associados a comportamentos repetidos e de alto envolvimento, enquanto satisfação e confiança apoiam principalmente respostas de primeira e de curto prazo.
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Protocolo
Este estudo utiliza registros de interação fã-item desidentificados e dados anonimizados de questionários coletados apenas para fins de pesquisa. Nenhuma informação pessoal identificável foi acessada, armazenada ou processada. De acordo com diretrizes institucionais e nacionais, este estudo não exigiu aprovação formal de comitês de ética nem consentimento individual informado.
Preparação de conjunto de dados e procedimento experimental
Passo 1. Preparação e pré-processamento de dados
A preparação do conjunto de dados e procedimentos experimentais foram projetados para transformar logs comportamentais brutos e respostas de pesquisa em um conjunto de dados experimental unificado e reproduzível, adequado para treinamento e avaliação de modelos. O processo foca na limpeza de dados, anonimização, construção de características, normalização e alinhamento de registros de interação com variáveis relacionadas a relações. Os logs brutos de interação foram primeiro analisados para remover entradas incompletas e eventos duplicados, garantindo a consistência dos dados. Identificadores de fãs e itens foram então anonimizados por meio de hashing para proteger a privacidade do usuário. Múltiplas formas de interação, incluindo navegação, clique, compra e validação de frequência, foram mapeadas para sinais de feedback implícitos, com cada interação observada tratada como uma instância positiva. Variáveis relacionadas ao relacionamento — satisfação, confiança, compromisso e reciprocidade — foram coletadas a partir das respostas do questionário e vinculadas aos identificadores de fã correspondentes. Valores ausentes no questionário foram tratados usando imputação média dentro do mesmo nível de membresia para preservar características em nível de grupo. As características contínuas foram normalizadas usando escala min–max para a faixa [0, 1] para garantir comparabilidade entre variáveis. Após o pré-processamento, o conjunto de dados finalizado foi armazenado em arquivos estruturados compostos por IDs de fã anonimizados, IDs de items, carimbos de data, tags contextuais e variáveis de relacionamento normalizadas, que foram então usados consistentemente em todos os contextos experimentais.
Produção esperada:
Como resultado desse processo, os resultados incluem uma tabela de interação limpa, uma tabela normalizada de variáveis de relacionamento alinhadas com identificadores de leque e um resumo estatístico detalhando o número de leques, itens e interações no conjunto de dados final.
Passo 2. Divisão de treino/validação/teste e amostragem negativa
Os dados são divididos cronologicamente no nível do usuário para evitar vazamento de informações. Para cada fã, a interação mais recente é reservada para testes, a segunda mais recente para validação e as interações restantes para treinamento. Amostras negativas são geradas ao amostrar uniformemente itens não interagidos do conjunto de itens. Para cada interação positiva, um número fixo de amostras negativas é coletado (razão de amostragem negativa = 1:5) durante o treinamento. A mesma construção de conjunto candidato é aplicada de forma consistente em todos os modelos.
Produção esperada:
Como resultado dessa etapa, os resultados incluem conjuntos de dados de treinamento, validação e teste divididos cronologicamente, juntamente com listas de amostras negativas pré-geradas construídas de acordo com a razão amostral especificada.
Passo 3. Ambiente de software e implementação
Todos os experimentos são implementados em Python. O treinamento e a avaliação do modelo são realizados usando o PyTorch (versão ≥ 1.12). A otimização de hiperparâmetros bayesiano é realizada usando Optuna (versão ≥ 3.0). Scripts de treinamento são executados em uma estação de trabalho equipada com uma única GPU NVIDIA (≥ 8 GB de memória). Arquivos de configuração especificam caminhos de conjuntos de dados, parâmetros do modelo e configurações de otimização para garantir a reprodutibilidade.
Passo 4. Construção do modelo e especificação de parâmetros
O modelo MLP-PA consiste em uma camada de embedding, uma espinha dorsal de perceptron multicamada, um canal de relação e atenção e um módulo de fusão de atenção em pirâmide. Os parâmetros-chave são definidos da seguinte forma: dimensão de embedding = 32; Camadas ocultas MLP = [64, 32]; função de ativação = ReLU; otimizador = Adam com taxa de aprendizado 0,001 e decaimento de peso 1e-5. O módulo de atenção pirâmide utiliza três escalas de agrupamento com tamanhos de grão {1, 2, 4} e passo igual ao tamanho do grão. A razão de redução de atenção é definida para 4. A queda com taxa 0,3 é aplicada para evitar sobreajuste. A parada precoce é acionada se a validação NDCG@10 não melhorar por 10 épocas consecutivas.
Passo 5. Treinamento e otimização de hiperparâmetros
O modelo é treinado usando uma perda de Ranking Bayesiano Personalizado (BPR) par a par. Durante o treinamento, o desempenho de validação é monitorado ao final de cada época. Buscas bayesianas de otimização por hiperparâmetros sobre taxa de aprendizado, tamanho de embedding, taxa de abandono, razão de amostragem negativa e parâmetros relacionados à atenção. O objetivo de otimização é validação NDCG@10. Cada configuração candidata é treinada com parada precoce para reduzir o custo computacional.
Produção esperada:
Como resultado desse processo, as saídas incluem checkpoints de modelo treinados, logs de desempenho de validação e a configuração ótima de hiperparâmetros identificada por meio da otimização bayesiana.
Passo 6. Avaliação e geração de resultados
Após o treinamento, o modelo de melhor desempenho (baseado no NDCG@10 de validação) é avaliado no conjunto de testes. Listas de recomendações Top N são geradas para cada ventilador, e o desempenho é medido usando HR@K e NDCG@K. Análises adicionais, incluindo estudos de ablação e perfil de atenção condicionado por fase, são conduzidas usando o mesmo protocolo de avaliação para garantir comparabilidade.
Critérios de conclusão
O protocolo é considerado completo quando as seguintes saídas são obtidas: 1) Um modelo MLP-PA totalmente treinado com hiperparâmetros otimizados; 2) Resultados de HR@K e NDCG@K do conjunto de testes para todos os modelos de linha base e ablação; 3) Checkpoints de verificação salvos do modelo, métricas de avaliação e arquivos de configuração reproduzíveis. Esses resultados permitem coletivamente a replicação independente do protocolo proposto do sistema de recomendação.
Teoria do marketing de relacionamento compromisso–confiança
A teoria do compromisso e da confiança identifica compromisso e confiança como os principais determinantes da qualidade do relacionamento. Ao reduzir a incerteza transacional e fomentar a orientação de longo prazo e a intenção de cooperativa, esses fatores promovem a continuidade relacional e a criaçãode valor 16. A confiança reflete a crença dos torcedores na competência, integridade e benevolência do clube, o que reduz o risco percebido e a assimetria de informação. Como resultado, maior confiança facilita um engajamento de baixa fricção com recomendações personalizadas, autorização de dados e processos de pagamento, apoiando comportamentos em estágio inicial e de baixo compromisso ao longo do funil de clique para comprar. O compromisso, em contraste, captura a disposição dos fãs de investir tempo, recursos financeiros e apego emocional para sustentar o relacionamento, apesar das alternativas concorrentes ou da insatisfaçãotemporária 17. Como o compromisso está intimamente associado ao alinhamento de identidade, custos afundados e investimentos dedicados, ele oferece um poder explicativo mais estável para comportamentos de alto custo e alto envolvimento, como compras repetidas, renovação de membros, público em estádio e defesa boca aboca 18.
Com base nessas distinções, derivamos as seguintes hipóteses.
H1 (Confiança → Comportamento de Apoio): Maior confiança reduz o atrito de decisão e o risco percebido, aumentando assim a probabilidade de comportamentos superficiais como cliques, ações de adicionar ao carrinho e compras de primeira.
H2 (Vantagem Relativa do Compromisso): Entre as quatro dimensões relacionais, o compromisso apresenta o maior poder explicativo marginal para comportamentos de alto custo e de longo prazo, incluindo compras repetidas, renovações e presença offline, e sua contribuição para o desempenho preditivo supera a da satisfação e da confiança.
Teoria da troca social
A teoria da troca social enfatiza que os indivíduos seguem normas de reciprocidade e justiça em interaçõesrepetidas 19. A reciprocidade percebida faz com que os torcedores sintam que há troca de valores do clube, concessões de valor, respostas emocionais e alocação de recursos. Quando a reciprocidade é percebida como genuína e sustentável, os fãs têm mais probabilidade de retribuir por meio do consumo e da presença, formando um ciclo de retroalimentaçãopositiva 20. A satisfação é uma função das experiências acumuladas em relação às expectativas. Por meio de um mecanismo de expectativa-confirmação, promove a conformidade de curto prazo e o boca a boca positivo, além de fornecer terreno fértil para o desenvolvimento de confiança ecompromisso 21.
Assim, derivamos:
H3 (Satisfação → Comportamento de Apoio): Maior satisfação reduz o arrependimento e aumenta a imediaticidade da resposta, impulsionando compras e participação de curto prazo.
H4 (Reciprocidade → Conversão e Recompra): Dentro de um contexto de jogo repetido, os sinais de reciprocidade amplificam a intensidade da troca "Eu me beneficio → eu retribuo", melhorando significativamente as taxas de conversão e recompra — especialmente em contextos sensíveis a preços ou escassez.
Sintetizando as duas teorias, as quatro dimensões exibem uma clara heterogeneidade contextual em seus caminhos de influência:
Em contextos de incerteza ou alto risco percebido — novos produtos, precificação dinâmica, autorização/pagamento de alto risco — a confiança exerce efeitos marginais mais fortes (suporta H1).
Em contextos de longo prazo/com identidade difícil — passes de temporada, jogos consecutivos em casa, renovação de associação — o compromisso domina (apoia o H2).
Em nós principais de correspondência ou com menos incentivos/escassez — benefícios limitados, promoções — a reciprocidade aumenta mais fortemente a conversão e recompra (suporta H4).
A satisfação serve como o "solo base", impulsionando positivamente comportamentos de curto prazo em quase todos os contextos (apoia a H3) e consolidando indiretamente a confiança e o compromisso ao melhorar a qualidade da experiência. Em vez de testar essas hipóteses por meio de modelagem estrutural, injetamos as quatro dimensões em uma camada de atenção, permitindo que o modelo aprenda pesos contextualizados e corrobore os mecanismos com experimentos de ablação.
MLP
O perceptron multicamadas (MLP) serve como o aprendiz de representação da espinha dorsal em nosso framework.
(1) Camada de mapeamento de entrada.
O vetor de características original é expandido linearmente uma vez por uma matriz 
de pesos e viés b(1), resultando
(1)
(2) Camada profunda de não linearidade.
Empilhamos camadas linear, de ativação e normalização. O mapeamento linear utiliza uma transformada afim totalmente conexa:
z = Wx + b, (2)
Onde 
é a matriz de pes,
é o vetor de viés, x é a saída da camada anterior, e z é a saída linear. Para corresponder às características de ativação do ReLU e manter os gradientes estáveis durante o treinamento, adotamos a inicialização He para W:
(3)
A função de ativação é o ReLU, que é particularmente adequado para arquiteturasprofundas 22. Quando x>0, a derivada de ReLU é constante, aliviando efetivamente o problema do gradiente de nulidade associado às ativações sigmoides e, assim, acelerando a retropropagação e convergência23. O ReLU também é computacionalmente simples (sem exponenciais) e naturalmente esparso (gera zero para x<0), o que reduz as respostas redundantes dos neurônios e melhora a generalização. Sua definição é24
σ(x) = max(0,x), (4)
Aplicado elemento a elemento à saída linear, obtemos:
(5)
Após cada operação de "ativação linear →", introduzimos a Normalização em Lote (BN) para estabilizar gradientes e acelerar a convergência. O BN padroniza dinamicamente as características dentro de cada mini-lote, mitigando a mudança interna da covariável, melhorando a estabilidade do treinamento e reduzindo a sensibilidade à taxa de aprendizado. O BN também tem um efeito de regularização leve, semelhante à injeção de ruído, que ajuda a evitar o sobreajuste sem prejudicar a capacidade do modelo.
Seja a saída 
mini-batch atual , a transformada BN para a característica j-ésima é
(6)
Onde μj e σj2 são a média e variância em lote da j-ésima característica, ε é uma pequena constante para estabilidade numérica, e γj, βj são parâmetros de escala e deslocamento aprendíveis que restauram a expressividade não linear da rede.
(7)
Aqui m é o tamanho do mini-lote, ε é uma pequena constante para estabilidade numérica, e γj, βj são parâmetros de escala/deslocamento aprendíveis usados para recuperar a expressividade não linear da rede após a normalização.
(3) Camada de compressão de características
Após a extração profunda de características, adicionamos uma camada de compressão de características no final do bloco MLP para reter informações salientes enquanto suprimimos redundância, reduzimos a carga computacional dos módulos subsequentes e fornecemos uma regularização moderada. Seja o vetor 
de entrada . A saída comprimida é 
, com parâmetros 
, 
. A operação é:
(8)
Mecanismo de atenção em pirâmide (PA)
Seja a última saída 
da camada MLP . Para permitir a seleção explícita sobre interações não lineares de ordem superior, primeiro rearranjamos 
por campo/canal em uma matriz25:
(9)
Onde C é o número de canais e L é o comprimento por canal.
(1) Construção de características em múltiplas escalas.
Ao longo do eixo de características L, aplique pooling 1D com múltiplas escalas para obter26
(10)
onde ks e stride definem a escala s-ésima.
(2) Canalizar a atenção por escala.
Para cada escala, construa um descritor de canal e os pesos deatenção 27:
(11)
Onde δ(⋅) é ReLU, σ(⋅) é Sigmoide,
, r é a razão de redução.
Aplique os pesos por canal:
(12)
(3) Fusão e escrita.
Projete cada escala com GAPL para um espaço unidimensional unificado e funda-as:
(13)
onde Ps são pesos de fusão e Wr é uma projeção aprendível usada na escrita residual.
Placar final:
(14)
Onde ⊙ denota o produto de Hadamard (elemento a elemento) e 
denota concatenação vetorial.
Formalização de tarefas top-N e objetivo de aprendizagem
(1) Definição de problemas.
Deixe o conjunto de fãs F e o conjunto de itens I (ingressos, mercadorias, benefícios de associação e conteúdo). Feedback 
implícito indica se o fã 
interagiu com o item 
(clique, compra, comparência/validação, etc.). As amostras positivas no conjunto de treinamento são
, 
.
Injetamos as quatro variáveis de marketing de relacionamento — satisfação, confiança, compromisso, reciprocidade — como um vetor: 
na camada de atenção para obter uma representação 
de relacionamento consciente do contexto , que é fundida com embeddings 
de fã/item para produzir a pontuação 
. Para cada par 
positivo , extraímos vários negativos em razão fixa de 
para formar 
.
(2) Objetivo em duplas.
Para otimizar diretamente o ranking relativo, usamos o BPR (Ranking Bayesiano Personalizado)28:
(15)
Aqui 
expressa a probabilidade de que "a pontuação positiva excede a negativa"; 
é um regularizador L-2para controlar o sobreajuste; 
denota todos os parâmetros aprendíveis.
(3) Inferência e classificação.
No momento do teste, o conjunto candidato é 
. Calculamos as pontuações , e retornamos a listaTop-N 29:
(16)
Design do algoritmo de recomendação
Esta seção descreve o fluxo completo de recomendação utilizado neste estudo, abrangendo o pipeline de ponta a ponta, desde o pré-processamento de dados até o treinamento do modelo e inferência online. O fluxo de trabalho explica como os dados brutos de interação entre fãs e itens e variáveis de relacionamento são transformados em pontuações personalizadas de ranking por meio de aprendizado de representação e modelagem baseada em atenção. O procedimento detalhado é descrito da seguinte forma.
Passo 1: Preparação e normalização dos dados.
Os logs de interação fã-item do CSL são transformados em sinais implícitos de feedback. Valores ausentes são tratados, e as quatro variáveis de relacionamento — satisfação, confiança, compromisso e reciprocidade — são normalizadas. Os dados são divididos cronologicamente em conjuntos de treinamento, validação e teste, e múltiplas amostras negativas são geradas para cada interação positiva.
Passo 2: Codificação de atenção ao relacionamento.
As quatro variáveis de relacionamento são inseridas em um módulo de atenção para aprender pesos de importância conscientes do contexto, produzindo uma representação compacta de relação com o ventilador para modelagem a jusante.
Passo 3: Construção de entrada de interação.
Embeddings de leque e item são aprendidos e concatenados com a representação de relacionamento para formar o vetor completo de características para cada interação fan–item.
Passo 4: Aprendizado de representação.
As características de interação são passadas por um ramo MLP para capturar padrões não lineares de alta ordem e gerar uma representação latente fundida.
Passo 5: Atenção à característica da pirâmide.
Uma pirâmide de características multiescala é construída sobre a saída do MLP. Atenção por canal e fusão em escala cruz são aplicadas, e recursos aprimorados são integrados por meio de conexões residuais para amplificar canais salientes enquanto suprimem os redundantes.
Passo 6: Pontuação e saída.
O ramo linear é concatenado com a representação não linear aprimorada e alimentado na camada de saída para calcular uma pontuação de preferência para cada par fan–item.
Passo 7: Treinamento e otimização.
O modelo é otimizado usando um objetivo de classificação par a par. Um otimizador adaptativo é empregado junto com decaimento de peso, queda e parada precoce para melhorar a generalização e mitigar o sobreajuste.
Passo 8: Otimização de hiperparâmetros bayesiana.
Métricas de classificação de validação são usadas como objetivo para buscar automaticamente hiperparâmetros-chave, incluindo dimensões de incorporação, profundidade e largura da rede, taxa de aprendizado, razão de amostragem negativa, taxa de abandono e parâmetros relacionados à pirâmide e atenção.
Passo 9: Inferência e classificação.
Durante a inferência online, as pontuações de preferência são calculadas para cada fã sobre o conjunto de itens candidatos para gerar recomendações Top-N, com estratégias opcionais após o ranking aplicadas para levar em conta a frescura, diversidade e restrições de negócio.
Validação experimental
Esquema de conjunto de dados e características
Avaliamos em um conjunto de dados autoconstruído que une (por meio de IDs de fã hashados) os logs do sistema de informação do clube CSL de interações implícitas fã-item com uma pesquisa de relacionamento contemporânea. Os dados abrangem quatro domínios de negócio — ingressos, mercadorias, associação e conteúdo — e incluem eventos de navegação, clique, adicionar ao carrinho/favorito, compra/venda de ingressos e validação dentro do estádio, com carimbos de data, canal de contato, tags de contexto e bandeiras promocionais. O intervalo é ≥ uma temporada completa; A escala é da ordem de leques, itens e eventos suficientes para modelagem profunda.
Esquema de recursos e codificações: Items-ItemID, ItemType, TeamTag, PriceBand (embeddings de ID/categoria); Fans—FanID, Região, Nível de Membro, Tenure (FanID aprendido como um embedding; outros campos categóricos/numéricos padronizados); Recursos RQ — Satisfação, Confiança, Compromisso, Reciprocidade escalados para [0,1] e alimentados no canal de Atenção, depois fundidos com representações MLP via PA; Contexto — PhaseTag, Channel, PromoFlag, Hour, Weekday (categorias como embeddings; características de tempo com codificação sin/cos sinusoidal).
Otimização de hiperparâmetros
Hiperparâmetros-chave do MLP-PA são ajustados via otimização bayesiana dentro de um espaço de busca predefinido, usando NDCG@10 no conjunto de validação como alvo principal (com HR@10 como referência) e parando cedo para mitigar o sobreajuste. Cada configuração candidata é executada sob múltiplas sementes aleatórias e feita em média. As configurações finais implantadas são relatadas na Tabela 1.
| Hiperparâmetro | Descrição | Alcance de Busca | Valor Selecionado |
| Dimensão de incorporação | Tamanho de embedding do leque/item | {32, 64, 128} | 64 |
| Camadas ocultas MLP | Número de camadas MLP | {2, 3, 4} | 3 |
| Unidades ocultas MLP | Unidades por camada oculta | {64, 128, 256} | 128 |
| Taxa de evasão escolar | Probabilidade de abandono | [0.1, 0.5] | 0.3 |
| Taxa de aprendizado | Taxa inicial de aprendizado | [1e-4, 1e-2] | 1.00E-03 |
| Razão de amostragem negativa | Negativos por amostra positiva | {1, 3, 5, 10} | 5 |
Tabela 1: Configurações finais de hiperparâmetros do modelo MLP-PA
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Resultados
Convergência e estabilidade
Para avaliar o comportamento de convergência e a estabilidade do treinamento do modelo proposto, comparamos seu desempenho de validação com um recomendador padrão baseado em MLP, sem atenção em características em pirâmide ou atenção consciente de relacionamentos, que serve como modelo de controle. Todos os modelos são treinados sob divisões de dados idênticas, configurações de otimização e critérios de parada para gar...
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Discussão
Contribuições conceituais e metodológicas
Este estudo contribui conceitualmente ao reformular dimensões de relacionamento — satisfação, confiança, compromisso e reciprocidade — não como características auxiliares estáticas, mas como sinais relacionais sensíveis ao contexto cuja influência varia entre as etapas do engajamento. O framework proposto operacionaliza essa ideia por meio de um mecanismo baseado em atenção que repondera dinamicamente ...
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Divulgações
O autor não tem conflitos de interesse a declarar.
Agradecimentos
O autor gostaria de agradecer aos revisores anônimos por seus comentários construtivos e sugestões, que ajudaram a melhorar a clareza e a qualidade deste manuscrito. Ele também reconhece o apoio da organização colaboradora por fornecer acesso aos dados utilizados neste estudo. Quaisquer opiniões, conclusões e conclusões expressas neste artigo são do autor e não refletem necessariamente as opiniões das instituições afiliadas.
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Materiais
| Nome | Empresa | Número de catálogo | Comentários |
|---|---|---|---|
| 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 |
Referências
- 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).
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.