Bu çalışma, ilişki pazarlama faktörlerinin Çin Süper Ligi taraftarları için spor tavsiye sistemlerini iyileştirip iyileştirmediğini inceliyor. Memnuniyet, güven, bağlılık ve karşılıklılığın dahil edilmesi, özellikle seyrek ve uzun kuyruklu koşullarda Top-N öneri doğruluğunu önemli ölçüde artırır. Sonuçlar, bağlılık ve karşılıklılığın tekrarlanan yüksek katılım davranışlarını tetiklediğini, tatmin ve güvenin ise esas olarak erken katılımı desteklediğini göstermektedir.
Bu içeriği görüntülemek için JoVE aboneliğiniz gereklidir. Giriş yapın veya ücretsiz denemenizi bugün başlatın.
Araştırma makalesi
Çin Süper Ligi Taraftar Tüketim Davranışı Tahmini İçin Akıllı Tavsiye Sistemleri
Bu makalede
Özet
Özet
Taraftar tüketim davranışını anlamak ve tahmin etmek profesyonel sporlarda temel bir zorluktur, ancak çoğu tavsiye sistemi öncelikle tarihsel etkileşimlere dayanır ve taraftar katılımını şekillendiren ilişki-pazarlama faktörlerine sınırlı dikkat gösterir. Bu boşluğu gidermek için bu çalışma, MLP-PA (Piramit Dikkatiyle Çok Katmanlı Perceptron) geliştiriyor ve taraftarların memnuniyet, güven, bağlılık ve karşılıklılık gibi ilişkisel durumlarının dahil edilmesinin Çin Süper Ligi (CSL) taraftarları arasında birden fazla tüketim senaryosunda öneri etkinliğini artırıp artırmayacağını inceliyor. Biletleme, ürünler, üyelik ve dijital içeriği kapsayan çoklu senaryolu veri seti kullanarak, ampirik sonuçlar, MLP-PA tarafından üretilen önerilerin geleneksel işbirlikçi filtreleme yaklaşımlarına göre Top-N sıralamasında belirgin şekilde doğruluk sağladığını, özellikle seyrek ve uzun kuyruklu ortamlarda belirgin iyileşmeler sağladığını göstermektedir. Analiz, farklı ilişki faktörlerinin farklı tüketim kalıplarıyla ilişkili olduğunu ortaya koymaktadır: bağlılık ve karşılıklılık tekrarlanan ve yüksek katılım davranışlarıyla daha güçlü bağlantılıdırken, tatmin ve güven esas olarak ilk ve kısa vadeli yanıtları etkiler. Bu bulgular, ilişki-pazarlama faktörlerinin taraftar tüketim davranışında önemli ve farklılaşmış bir rol oynadığını ve profesyonel futbolda kişiselleştirilmiş etkileşim stratejileri ve dijital operasyonlar için uygulanabilir içgörüler sağladığını göstermektedir.
Giriş
Son yıllarda, tavsiye sistemleri dijital platformların merkezi bir bileşeni haline gelmiş ve verilere dayalı kişiselleştirme yoluyla kullanıcıların, ürünlerin ve tüketim bağlamlarının uyumunu sağlamıştır. Önerici teknolojileri e-ticaret ve çevrimiçi medya gibi alanlarda iyi kök salmış olsa da, profesyonel sporlarda uygulanmaları nispeten az gelişmiş1. Çin Süper Ligi (CSL) gibi liglerde, taraftar tüketim davranışı son derece bağlama duyarlıdır ve maç öncesi, maç günü ve maç sonrası aşamalarda evrilir; satın alma kararları çevrimdışı katılım, duygusal bağ ve sosyal kimlikle yakından bağlantılıdır. Ancak, mevcut spor önerisi çalışmalarının çoğu, esas olarak diğer alanlardan işbirlikçi filtreleme veya içerik tabanlı teknikleri uyarlar ve tıklamalar veya satın alma gibi kısa vadeli etkileşim sinyallerine odaklanır. Bu yaklaşımlar, spor pazarlama araştırmalarında uzun vadeli etkileşim ve tekrarlanan tüketimi şekillendirdiği bilinen, taraftarlar ve kulüpler arasındaki güven, bağlılık veya karşılıklılık gibi ilişkisel dinamikleri büyük ölçüde göz ardıeder 2. Sonuç olarak, mevcut modeller benzer davranışsal geçmişlerin farklı ilişkisel durumlar altında farklı tüketim sonuçlarına neden yol açabileceğini açıklamakta zorlanıyor. Bu boşluk, etkileşim sıklığının ötesine geçip, hayran karar vermede ilişki odaklı mekanizmaları açıkça hesaba katan önerici çerçevelerine olan ihtiyacıortaya koymaktadır 3.
İlişki-pazarlama açısından, memnuniyet, güven, bağlılık ve karşılıklılık birlikte ilişki kalitesini oluşturur ve maç katılımı, ürün alımları, üyelik yenileme ve ağızdan ağıza savunuculuk gibi önemli taraftar sonuçlarının itici güçleri olarak iyi tanınır. Buna karşılık, mevcut spor öneri sistemlerinin çoğu, taraftar-eşya etkileşimlerini büyük ölçüde homojen davranışsal sinyaller olarak modellemeye devam eder ve bu etkileşimlerin altında yatan ilişkisel bağlama pek önem vermez. Bu basitleştirme, farklı ilişki faktörlerinin tüketim aşamaları ve etkileşim yoğunlukları arasında nasıl farklı etkiler yarattığını yakalama yeteneklerini sınırlar ve yalnızca etkileşim geçmişlerine dayalı modellerin neden kısa vadeli tepkileri sürdürülebilir, yüksek katılımlı hayran davranışlarından ayırt edemediğini açıklamaya yardımcı olur.
Mühendislik açısından, spor öneri sistemleri asimetrik örtük geri bildirim, ciddi uzun kuyruk seyrekliği ve heterojen çoklu dokunmatik etkileşim bağlamları gibi ek zorluklarlakarşı karşıyadır. Geleneksel işbirlikçi filtreleme yaklaşımları ve tek yol derin modeller, bu tür ortamlarda genellikle sınırlı bağlam çapraz genelleme gösterir ve pazarlama operasyonlarında karar desteği için çok az yorumlanabilirlik sunar.
Metodolojik olarak, önceki önerici sistemi araştırmaları, seyreklik, heterojenlik ve uzun vadeli optimizasyonu ele almak için çeşitli çözümler önermiştir. Grafik tabanlı ve dikkat odaklı modeller, komşuların önemini yeniden ağırlıklandırarak ve daha yüksek dereceli etkileşimleri yakalayarak temsil öğrenme ve sıralama performansınıiyileştirmiştir 8,9. İşbirlikçi sinyalleri derin öğrenme ile birleştiren hibrit mimariler, büyük ölçekli tavsiye görevlerinde kazanımlargöstermiştir 10. Pekiştirme öğrenme temelli yaklaşımlar, optimizasyonu uzun vadeli hedeflere doğru genişletir, miyop doğrulukyerine 11. Bu gelişmeler, seyrek geri bildirim altında karmaşık etkileşimleri modellemek için değerli metodolojik temeller sağlar.
Bununla birlikte, bu yaklaşımların çoğu ilişki pazarlama yapılarına karşı agnostik kalır ve memnuniyet, güven, bağlılık veya karşılıklılık gibi değişkenleri tavsiye sürecine açıkça dahil etmez. Bu sınırlama, özellikle profesyonel futbol bağlamlarında belirgindir; burada taraftar-kulüp ilişkileri gelişir ve farklı ilişkisel boyutların belirgin davranışsal sonuçlara (örneğin, ilk kez satın alma ile tekrar katılım) hakim olduğu bilinmektedir.12,13,14,15.
Bu boşluğu gidermek için, Çin Süper Ligi (CSL) senaryosuna uyarlanmış, ilişki farkında bir önerici çerçevesi olan MLP-PA (Piramit Dikkatiyle Çok Katmanlı Perceptron) öneriyoruz. Çok Katmanlı Perceptron (MLP) omurgasına sahip bir Sinirsel İşbirlikçi Filtreleme (NCF) mimarisi üzerine inşa edilen önerilen model, memnuniyet, güven, bağlılık ve karşılıklılığı birinci sınıf ilişkisel özellikler olarak ele alır ve bunları dikkat temelli bir önceki kanala entegre eder. Daha sonra, geç füzyon için bir piramit özellik dikkat modülü kullanılır; bu modül, fan, eşya ve bağlamsal temsilleri entegre ederken birden fazla ölçekte belirgin etkileşim desenlerini seçici olarak güçlendirir. İlişki değişkenlerini doğrusal olmayan etkileşim özellikleriyle birlikte açıkça modelleyerek MLP-PA, spor önerilerinde hem tahmin doğruluğunu hem de yorumlanabilirliği artırmayı amaçlar.
Kendi oluşturduğu bir CSL veri seti üzerinde yapılan ampirik değerlendirme, önerilen yaklaşımın Top-N sıralama metriklerinde UserCF, ItemCF ve MF-BPR gibi klasik temel çizgileri tutarlı şekilde aştığını göstermektedir. Model varyantlarının daha fazla analizi, ilişki farkında dikkatin uzun kuyruklu seyrekliği ve bağlamsal heterojenliği hafifletmeye yardımcı olduğunu göstermektedir. Sonuçlar ayrıca ilişkisel faktörlerin farklılaşmış rollerini ortaya koymaktadır. Bağlılık ve karşılıklılık, tekrarlanan ve yüksek katılım davranışlarıyla daha güçlü ilişkilendirilirken, tatmin ve güven öncelikle ilk ve kısa vadeli yanıtları destekler.
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Protokol
Bu çalışma, yalnızca araştırma amaçlı toplanan kimliği belirsiz fan-eşya etkileşim kayıtları ve anonimleştirilmiş anket verilerini kullanmaktadır. Kişisel tanımlayıcı bilgilere erişilmedi, saklanmadı veya işlenmedi. Kurumsal ve ulusal yönergelere göre, bu çalışma resmi etik komite onayı veya bireysel bilgilendirilmiş onayı gerektirmemiştir.
Veri seti hazırlama ve deneysel prosedür
Adım 1. Veri hazırlama ve ön işleme
Veri seti hazırlama ve deneysel prosedürler, ham davranışsal kayıtları ve anket yanıtlarını model eğitimi ve değerlendirmesi için uygun birleşik, tekrarlanabilir deneysel bir veri setine dönüştürmek için tasarlandı. Süreç, veri temizliği, anonimleştirme, özellik oluşturma, normalleştirme ve etkileşim kayıtlarının ilişki ile ilgili değişkenlerle hizalanmasına odaklanır. Ham etkileşim günlükleri önce elenir, veri tutarlılığını sağlamak için eksik girişler ve tekrarlanan olaylar kaldırılır. Fan tanımlayıcıları ve ürün tanımlayıcıları, kullanıcı gizliliğini korumak için hash ile anonimleştirildi. Gezinme, tıklama, satın alma ve devamsızlık doğrulaması gibi birden fazla etkileşim biçimi, örtük geri bildirim sinyallerine eşlenmiş, her gözlemlenen etkileşim olumlu bir örnek olarak kabul edilmiştir. İlişkiye bağlı değişkenler—memnuniyet, güven, bağlılık ve karşılıklılık—anket yanıtlarından toplandı ve ilgili fan tanımlayıcılarıyla bağlandı. Eksik anket değerleri, grup düzeyindeki özellikleri korumak için aynı üyelik düzeyinde ortalama ödümzeleme kullanılarak ele alındı. Sürekli özellikler, değişkenler arasında karşılaştırılabilirliği sağlamak için min–max ölçeklendirme kullanılarak [0, 1] aralığına normalleştirildi. Ön işlemeden sonra, nihai veri seti anonimleştirilmiş fan kimlikleri, öğe kimlikleri, zaman damgaları, bağlamsal etiketler ve normalleştirilmiş ilişki değişkenlerinden oluşan yapılandırılmış dosyalarda saklandı ve tüm deneysel ortamlarda tutarlı şekilde kullanıldı.
Beklenen çıktı:
Bu sürecin bir sonucu olarak, çıktılar arasında temizlenmiş bir etkileşim tablosu, fan tanımlayıcılarıyla hizalanan ilişki değişkenlerinden oluşan normalize bir tablo ve nihai veri setindeki fan, eşya ve etkileşim sayısını detaylandıran istatistiksel bir özet bulunur.
Adım 2. Tren/doğrulama/test bölünmesi ve negatif örnekleme
Veriler, bilgi sızıntısını önlemek için kullanıcı düzeyinde kronolojik olarak bölünür. Her fan için en son etkileşim test için, ikinci en güncel etkileşim doğrulama için, kalan etkileşimler ise eğitim için ayrılmıştır. Negatif örnekler, öğe setinden etkileşime girmeyen öğelerin eşit şekilde örneklenmesiyle oluşturulur. Her pozitif etkileşim için, eğitim sırasında sabit sayıda negatif örnek alınır (negatif örnekleme oranı = 1:5). Aynı aday seti yapısı tüm modellerde tutarlı şekilde uygulanır.
Beklenen çıktı:
Bu adımın sonucunda, çıktılar arasında kronolojik olarak bölünmüş eğitim, doğrulama ve test veri setleri ile belirlenen örnekleme oranına göre oluşturulmuş önceden oluşturulmuş negatif örneklem listeleri yer alır.
Adım 3. Yazılım ortamı ve uygulaması
Tüm deneyler Python'da uygulanır. Model eğitimi ve değerlendirmesi PyTorch (sürüm ≥ 1.12) kullanılarak gerçekleştirilir. Bayes hiperparametre optimizasyonu Optuna (sürüm 3.0 ≥) kullanılarak gerçekleştirilir. Eğitim betikleri, tek bir NVIDIA GPU (8 GB bellek≥ donanımlı bir iş istasyonunda çalıştırılır. Yapılandırma dosyaları, tekrarlanabilirliği sağlamak için veri seti yolları, model parametreleri ve optimizasyon ayarları belirtir.
Adım 4. Model yapısı ve parametre belirtimi
MLP-PA modeli, bir göme katmanı, çok katmanlı bir perceptron omurgası, bir ilişki-dikkat kanalı ve bir piramit dikkat füzyon modülünden oluşur. Ana parametreler şu şekilde ayarlanır: gömülü boyut = 32; MLP gizli katmanlar = [64, 32]; aktivasyon fonksiyonu = ReLU; optimizer = Adam öğrenme hızı 0.001 ve kilo düşüşü 1e-5 ile Adam ile birlikte öğrenilebilir. Piramit dikkat modülü, çekirdek boyutları {1, 2, 4} ve adımı çekirdek boyutuna eşit olan üç havuzlama ölçeği kullanır. Dikkat azaltma oranı 4 olarak ayarlanmıştır. Aşırı uyumu önlemek için 0.3 oranlı okuldan ayrılma uygulanır. Doğrulama NDCG@10 10 ardışık dönem boyunca iyileşmezse erken durma tetiklenir.
5. Adım. Eğitim ve hiperparametre optimizasyonu
Model, çift bazda Bayes Kişiselleştirilmiş Sıralama (BPR) kaybı kullanılarak eğitilmektedir. Eğitim sırasında, doğrulama performansı her dönemin sonunda izlenir. Bayes hiperparametre optimizasyonu, öğrenme oranı, göme boyutu, bırakma oranı, negatif örnekleme oranı ve dikkatle ilgili parametreler üzerine arama yapar. Optimizasyon amacı doğrulama NDCG@10. Her aday yapılandırması, hesaplama maliyetini azaltmak için erken durma ile eğitilir.
Beklenen çıktı:
Bu sürecin bir sonucu olarak, çıktılar eğitilmiş model kontrol noktaları, doğrulama performans kayıtları ve Bayes optimizasyonuyla belirlenen optimal hiperparametre yapılandırmasını içerir.
6. adım. Değerlendirme ve sonuç üretimi
Eğitimden sonra, en iyi performans gösteren model (doğrulama NDCG@10 temelinde) test setinde değerlendirilir. Her fan için en üst-N öneri listesi oluşturulur ve performans HR@K ve NDCG@K kullanılarak ölçülür. Ablasyon çalışmaları ve faz koşullu dikkat profilleme dahil ek analizler, karşılaştırılabilirliği sağlamak için aynı değerlendirme protokolü kullanılarak yapılır.
Tamamlama kriterleri
Protokol, aşağıdaki çıktılar alındığında tamamlanmış sayılır: 1) Optimize edilmiş hiperparametrelerle tam eğitilmiş bir MLP-PA modeli; 2) Tüm bıçağı ve ablasyon modelleri için test seti HR@K ve NDCG@K sonuçları; 3) Kaydedilen model kontrol noktaları, değerlendirme metrikleri ve tekrarlanabilir yapılandırma dosyaları. Bu çıktılar, önerilen önerici sistem protokolünün bağımsız olarak çoğaltılmasını sağlar.
Bağlılık–güven ilişkisi pazarlama teorisi
Bağlılık–güven teorisi, bağlılık ve güveni ilişki kalitesinin temel belirleyicileri olarak tanımlar. İşlemsel belirsizliği azaltarak ve uzun vadeli yönelim ile işbirlikçi niyeti teşvik ederek, bu faktörler ilişkisel sürekliliği ve değer yaratımını destekler16. Güven, taraftarların kulübün yetkinliği, dürüstlüğü ve iyiliğine olan inançlarını yansıtır; bu da algılanan risk ve bilgi asimetrisini azaltır. Sonuç olarak, daha yüksek güven, kişiselleştirilmiş öneriler, veri yetkilendirmesi ve ödeme süreçleriyle düşük sürprizli etkileşimi kolaylaştırır; böylece tıklama-satın alma hunisi boyunca erken aşama ve düşük taahhütlü davranışları destekler. Buna karşılık, bağlılık, hayranların ilişkiyi sürdürmek için zaman, finansal kaynak ve duygusal bağ yatırma isteklerini yansıtır; rekabet eden alternatifler veya geçici memnuniyetsizlikolsa da. Bağlılık, kimlik uyumu, batmış maliyetler ve özverili yatırımlarla yakından ilişkilendirildiği için, tekrar satın alma, üyelik yenileme, stadyum içi katılım ve ağızdan ağıza savunuculuk gibi yüksek maliyetli ve yüksek katılım içeren davranışlar için daha istikrarlı açıklama gücüsağlar 18.
Bu ayrımlara dayanarak aşağıdaki hipotezleri türetiyoruz.
H1 (Güven → Destekleyici Davranış): Daha yüksek güven, karar sürtünmesini ve algılanan riski azaltır, böylece tıklamalar, sepete ekleme işlemleri ve ilk kez satın alma gibi yüzeysel davranışların olasılığını artırır.
H2 (Bağlılığın Göreceli Avantajı): Dört ilişki boyutu arasında, bağlılık yüksek maliyetli ve uzun vadeli davranışlar için en güçlü marjinal açıklayıcı güce sahiptir; tekrarlayan satın almalar, yenilemeler ve çevrimdışı katılım dahil, öngörücü performansa katkısı memnuniyet ve güvenden daha fazladır.
Sosyal değişim teorisi
Sosyal değişim teorisi, bireylerin tekrarlayan etkileşimlerde karşılıklılık ve adalet normlarını takip ettiğinivurgular 19. Algılanan karşılıklılık, taraftarların kulübün değer tavizleri, duygusal tepkiler ve kaynak tahsisi konusunda karşılıklı bir karşılık verdiğini hissetmesini sağlar. Karşılıklılık gerçek ve sürdürülebilir olarak algılandığında, taraftarlar tüketim ve katılım yoluyla karşılık verme olasılığı daha yüksektir ve olumlu bir geri bildirimdöngüsü oluşturur 20. Tatmin, beklentilere göre birikmiş deneyimlerin bir fonksiyonudur. Beklenti-onay mekanizması aracılığıyla, kısa vadeli uyumu ve olumlu ağızdan ağıza yayılmayı teşvik eder ve güven ile bağlılığın gelişimi için verimli zeminsağlar 21.
Buna göre, şu türetiliyoruz:
H3 (Memnuniyet → Destekleyici Davranış): Daha yüksek memnuniyet, pişmanlığı azaltır ve yanıtın hemen hızlılığını artırır, kısa vadeli satın alma ve katılımı artırır.
H4 (Karşılıklılık → Dönüşüm ve Geri Alım): Tekrarlanan oyun çerçevesinde, karşılıklılık sinyalleri "Fayda sağlarım → geri veririm" dövs yoğunluğunu artırır ve özellikle fiyat hassasiyetli veya kıtlık ortamlarında dönüşüm ve geri alım oranlarını önemli ölçüde artırır.
İki teoriyi sentezlerken, dört boyut etki yollarında net bağlamsal heterojenlik sergiler:
Belirsizlik veya yüksek algılanan risk bağlamlarında — yeni ürünler, dinamik fiyatlandırma, yüksek riskli yetkilendirme/ödeme — güven daha güçlü marjinal etkiler yaratır (H1'i destekler).
Uzun vadeli/kimlik sıkışması bağlamlarda—sezon biletleri, ardışık ev maçları, üyelik yenilenmesi—bağlılık hakimdir (H2'yi destekler).
Büyük eşleşme düğümlerinde veya teşvik/kıtlık altında—sınırlı faydalar, promosyonlar—karşılıklılık dönüşüm ve geri alımı daha güçlü bir şekilde kaldırır (H4'ü destekler).
Memnuniyet, "temel toprak" olarak hizmet eder; neredeyse tüm bağlamlarda kısa vadeli davranışları olumlu yönlendirir (H3'ü destekler) ve deneyim kalitesini artırarak dolaylı olarak güven ve bağlılığı pekiştirir. Bu hipotezleri yapısal denklem modellemesiyle test etmek yerine, dört boyutu bir dikkat katmanına enjekte ediyoruz; böylece model bağlamlı ağırlıkları öğrenebilir ve mekanizmaları ablasyon deneyleriyle doğrulabilir.
MLP
Çok katmanlı perceptron (MLP), çerçevemizde omurga temsili öğrenicisi olarak hizmet vermektedir.
(1) Giriş-eşleme katmanı.
Orijinal özellik vektörü, bir ağırlık matrisi 
ve b(1) önyargısı ile bir kez doğrusal olarak genişletilir ve elde edilir
(1)
(2) Derin doğrusal olmayan katman.
Doğrusal, aktivasyon ve normalizasyon katmanlarını üst üste koyuyoruz. Doğrusal eşleme, tamamen bağlı bir afin dönüşüm kullanır:
z = Wx + b, (2)
Burada 
ağırlık matrisi,
önyargı vektörü, x önceki katmanın çıktısıdır ve z doğrusal çıktıdır. ReLU'nun aktivasyon özelliklerine uymak ve eğitim sırasında gradyanları stabil tutmak için W için He başlatmasını benimseyiyoruz:
(3)
Aktivasyon fonksiyonu ReLU'dur ve bu özellikle derinmimariler 22 için uygundur. x>0 olduğunda, ReLU'nun türevi bir sabittir; bu da sigmoid aktivasyonlarla ilişkili yok gradyan sorununu etkili bir şekilde hafifletir ve böylece geri yayılım ve yakınsamayıhızlandırır 23. ReLU ayrıca hesaplama açısından basittir (üstel yok) ve doğal olarak seyrektir (x<0 için sıfır çıktı), bu da yedek nöron yanıtlarını azaltır ve genellemeyi artırır. Tanımı24'dür
σ(x) = max(0,x), (4)
Doğrusal çıktıya eleman bazında uygulandığında, elde edilir:
(5)
Her "lineer → aktivasyon" işleminden sonra, gradyanları stabilize etmek ve yakınsamayı hızlandırmak için Parti Normalizasyonu (BN) uygulanır. BN, her mini partide özellikleri dinamik olarak standartlaştırır; iç kovaryant kaymasını azaltır, eğitim kararlılığını artırır ve öğrenme hızına duyarlılığı azaltır. BN ayrıca enjekte edilmiş gürültüye benzer hafif bir düzenleme etkisine sahiptir; bu da model kapasitesini zarar vermeden aşırı uyumu önlemeye yardımcı olur.
Mevcut mini-batch çıktısı 
, J-th özelliği için BN dönüşümü şöyledir:
(6)
Burada μj ve σj2, j-th özelliğinin toplu ortalaması ve varyansıdır, ε sayısal istikrar için küçük bir sabittir ve γj, βj öğrenilebilir ölçek ve kaydırma parametreleridir ve ağların doğrusal olmayan ifade edilebilirliğini geri getirir.
(7)
Burada m mini parti boyutudur, ε sayısal istikrar için küçük bir sabittir; γ j, βj normalizasyondan sonra ağın doğrusal olmayan ifade edilebilirliğini geri kazanmak için öğrenilebilir ölçek/kaydırma parametreleridir.
(3) Özellik sıkıştırma katmanı
Derin özellik çıkarımından sonra, MLP bloğunun sonuna bir özellik sıkıştırma katmanı ekleyerek önemli bilgileri koruyor, tekrarı bastırır, sonraki modüllerin hesaplama yükünü azaltır ve hafif düzenleme sağlarız. Giriş vektörü 
olarak . Sıkıştırılmış çıktı 
, parametrelerle 
, 
. İşlem şöyledir:
(8)
Piramit dikkat (PA) mekanizması
Son MLP katman çıktısı 
olarak . Daha yüksek dereceli doğrusal olmayan etkileşimler üzerinde açık seçimi mümkün kılmak için önce alan/kanal bazında birmatris 25 olarak yeniden düzenleriz
:
(9)
Burada C, kanal sayısı, L ise kanal başına uzunluktur.
(1) Çok ölçekli özellik yapısı.
Özellik ekseni L boyunca, birden fazla ölçekli 1-B havuzlama uygulayarak26 elde edin
(10)
burada k ve adım, s-th ölçeğini tanımlar.
(2) Dikkati ölçek başına yönlendirin.
Her ölçek için bir kanal tanımlayıcısı oluşturun ve dikkatağırlıkları 27:
(11)
δ(⋅) ReLU, σ(⋅) ise Sigmoid,
, r indirgeme oranıdır.
Ağırlıkları kanal bazında uygulayın:
(12)
(3) Birleşme ve geri yazma.
Her bir ölçeki GAPL ile birleşik bir tek boyutlu uzaya projeksiyon edin ve bunları birleştirin:
(13)
burada P'ler füzyon ağırlıklarıdır ve Wr, kalıntı geri yazmada kullanılan öğrenilebilir bir projeksiyondur.
Nihai puanlama:
(14)
Burada ⊙ Hadamard (eleman bazından) çarpımı ve 
vektör birleştirmesini gösterir.
Top-N görev formalizasyonu ve öğrenme amacı
(1) Sorun belirleme.
Hayran seti F ve ürün seti I (biletler, ürünler, üyelik avantajları ve içerik) olsun. Örtük geri bildirim 
, hayranın 
ürünle 
etkileşimde olup olmadığını gösterir (tıklama, satın alma, katılım/doğrulama vb.). Eğitim setindeki pozitif örnekler şunlardır
, 
.
Dört ilişki-pazarlama değişkenini—memnuniyet, güven, bağlılık, karşılıklılık—bir vektör olarak enjekte ediyoruz: 
Bağlam farkında ilişki temsili 
elde etmek için dikkat katmanına enjekte ediyoruz, bu temsil fan/öğe gömülmeleriyle 
birleştirilerek puan 
üretilir. Her pozitif çift 
için, sabit bir oranda birkaç negatif çekeriz
.
(2) İkili hedef.
Göreceli sıralamayı doğrudan optimize etmek için BPR (Bayesian Kişiselleştirilmiş Sıralama) kayıp28 kullanıyoruz:
(15)
Burada 
"pozitif puanın negatif skoru aşması" olasılığını ifade eder; 
aşırı uyumu kontrol etmek için L2 düzenleyicidir; 
tüm öğrenilebilir parametreleri gösterir.
(3) Çıkarım ve sıralama.
Sınav zamanında, aday kümesi 'dir. 
Skorları hesaplarız ve Top-N listesi29'u geri getiririz:
(16)
Öneri algoritması tasarımı
Bu bölüm, bu çalışmada kullanılan tüm öneri iş akışını tanımlar; veri ön işlemeden model eğitimine ve çevrimiçi çıkarıma kadar uçtan uca tüm iş akışını kapsar. İş akışı, ham fan-item etkileşim verileri ve ilişki değişkenlerinin temsil öğrenimi ve dikkat temelli modelleme yoluyla kişiselleştirilmiş sıralama puanlarına nasıl dönüştürüldüğünü açıklar. Ayrıntılı prosedür aşağıdaki gibi özetlenmiştir.
Adım 1: Veri hazırlama ve normalleştirme.
CSL fan–item etkileşim logları örtük geri bildirim sinyallerine dönüştürülür. Eksik değerler ele alınır ve dört ilişki değişkeni—memnuniyet, güven, bağlılık ve karşılıklılık—normalleştirilir. Veriler kronolojik olarak eğitim, doğrulama ve test setlerine ayrılır ve her pozitif etkileşim için birden fazla negatif örnek üretilir.
Adım 2: İlişki-dikkat kodlaması.
Dört ilişki değişkeni, bağlam duyarlı önem ağırlıklarını öğrenmek için bir dikkat modülüne aktarılır ve böylece aşağı akış modelleme için kompakt bir fan ilişkisi temsili oluşturulur.
Adım 3: Etkileşim girdisi oluşturması.
Fan ve öğe gömmeleri, her fan-öğe etkileşimi için tam özellik vektörünü oluşturmak için ilişki temsili ile birleştirilir ve öğrenilir.
Adım 4: Temsil öğrenimi.
Etkileşim özellikleri, yüksek dereceli doğrusal olmayan desenleri yakalamak ve birleşmiş bir gizli temsil oluşturmak için bir MLP dalı üzerinden geçirilir.
Adım 5: Piramit özellik dikkat çekin.
MLP çıktısının üzerine çok ölçekli bir özellik piramidi inşa edilir. Kanal bazında dikkat ve çapraz ölçekli füzyon uygulanır; gelişmiş özellikler kalıntı bağlantılarla entegre edilir; böylece belirgin kanallar güçlendirilirken gereksiz kanallar bastırılır.
Adım 6: Puanlama ve çıktı.
Doğrusal dal, geliştirilmiş doğrusal olmayan temsil ile birleştirilir ve çıkış katmanına beslenir; böylece her fan–öğe çifti için tercih puanı hesaplanır.
Adım 7: Eğitim ve optimizasyon.
Model, çiftli sıralama hedefi kullanılarak optimize edilmiştir. Genelleştirmeyi iyileştirmek ve aşırı uyumu azaltmak için ağırlık kaybı, bırakma ve erken durma ile birlikte adaptif optimizator kullanılır.
Adım 8: Bayes hiperparametre optimizasyonu.
Doğrulama sıralama metrikleri, gömü boyutları, ağ derinliği ve genişliği, öğrenme oranı, negatif örnekleme oranı, terk oranı ve piramit ile dikkat ile ilgili parametreler gibi temel hiperparametreleri otomatik olarak aramak için kullanılır.
Adım 9: Çıkarım ve sıralama.
Çevrimiçi çıkarım sırasında, her taraftar için aday öğe seti üzerindeki tercih puanları hesaplanır ve Top-N önerisi oluşturulur; tazelik, çeşitlilik ve iş kısıtlamalarını hesaba katmak için isteğe bağlı sıralama sonrası stratejiler uygulanır.
Deneysel doğrulama
Veri seti ve özellik şeması
Kendi oluşturduğumuz bir veri setinde, (hash edilmiş fan kimlikleri aracılığıyla) kimliği kesilen CSL kulüp bilgi sistemi kayıtlarını hayran–eş örtük etkileşimleriyle birleştiren bir veri seti üzerinde değerlendiriyoruz. Veriler, biletler, ürünler, üyelik ve içerik gibi dört iş alanını kapsıyor ve gezinme, tıklama, sepete ekleme/favori, satın alma/bilet ve stadyum içi doğrulama etkinliklerini, saat damgaları, temas noktası kanalı, bağlam etiketleri ve promosyon bayraklarıyla birlikte içeriyor. Aralık ≥ tam bir sezondur; Ölçek, derin modelleme için yeterli olan fanlar, eşyalar ve olaylar sırasında.
Özellik şeması ve kodlamalar: Items-ItemID, ItemType, TeamTag, PriceBand (ID/kategori gömülemeleri); Fans—FanID, Bölge, Üyelik Katmanı, Kadro (FanID göme olarak öğrenildi; diğer kategorik/sayısal alanlar standartlaştırıldı); RQ özellikleri—Memnuniyet, Güven, Bağlılık, Karşılıklılık [0,1]'e ölçeklendirilip Attention kanalına aktarılır, ardından PA üzerinden MLP temsilleriyle birleştirilir; Bağlam—PhaseTag, Channel, PromoFlag, Saat, Hafta içi (gömülü olarak kategorize edilir; sinüzoidal sin/cos kodlamasıyla zaman özellikleri).
Hiperparametre optimizasyonu
MLP-PA'nın temel hiperparametreleri, önceden belirlenmiş bir arama alanında Bayes optimizasyonu ile ayarlanır; doğrulama setindeki NDCG@10 birincil hedef olarak kullanılır (referans olarak HR@10) ve aşırı uyumu azaltmak için erken durma kullanılır. Her aday konfigürasyonu birden fazla rastgele tohum altında çalıştırılır ve ortalamaya alınır. Son dağıtım ayarları Tablo 1'de bildirilmiştir.
| Hiperparametre | Tanım | Arama Menzili | Seçilmiş Değer |
| Gömme boyutu | Fan/öğe göme boyutu | {32, 64, 128} | 64 |
| MLP gizli katmanları | MLP katman sayısı | {2, 3, 4} | 3 |
| MLP gizli birimleri | Gizli katman başına birim | {64, 128, 256} | 128 |
| Okuldan ayrılma oranı | Okuldan ayrılma olasılığı | [0.1, 0.5] | 0.3 |
| Öğrenme hızı | Başlangıç öğrenme oranı | [1e-4, 1e-2] | 1.00E-03 |
| Negatif örnekleme oranı | Pozitif örneklem başına negatif | {1, 3, 5, 10} | 5 |
Tablo 1: MLP-PA Modelinin Son Hiperparametre Ayarları
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Sonuçlar
Yakınsamalar ve kararlılık
Önerilen modelin yakınsamama davranışını ve eğitim kararlılığını değerlendirmek için, doğrulama performansını, piramit özellik dikkati veya ilişki farkında dikkat içermeyen standart MLP tabanlı bir önerici ile karşılaştırıyoruz; bu önerici kontrol modeli olarak hizmet vermektedir. Tüm modeller, adil bir karşılaştırma sağlamak için aynı veri bölmeleri, optimizasyon ayarları ve durdurma kriterleri altında eğitilmektedir....
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Tartışma
Kavramsal ve metodolojik katkılar
Bu çalışma, ilişki boyutlarını—memnuniyet, güven, bağlılık ve karşılıklılık—statik yardımcı özellikler olarak değil, etkileşim aşamaları arasında etkisi değişen bağlama duyarlı ilişki sinyalleri olarak yeniden çerçeveleyerek kavramsal olarak katkıda bulunuyor. Önerilen çerçeve, bu fikri, ilişkisel ipuçlarını davranışsal temsillerle birlikte dinamik olarak yeniden ağırlıklandıran dikkat odaklı bir mekanizma ara...
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Açıklamalar
Yazarın beyan edecek bir çıkar çatışması yoktur.
Teşekkürler
Yazar, bu makalenin netliğini ve kalitesini artırmaya yardımcı olan yapıcı yorumları ve önerileri için anonim eleştirmenlere teşekkür etmek ister. Ayrıca, bu çalışmada kullanılan verilere erişim sağlama konusundaki işbirlikçi kuruluşun desteğini takdir etmektedir. Bu makalede ifade edilen tüm görüşler, bulgular ve sonuçlar yazara aittir ve bağlı kurumların görüşlerini mutlaka yansıtmaz.
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Malzemeler
| Ad | Şirket | Katalog numarası | Yorumlar |
|---|---|---|---|
| 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 |
Kaynaklar
- 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).
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.