用于足球赛果预测的球队异构互动图变换器
机器学习
2025-07-16 v1 人工智能
摘要
预测足球赛赛果是一项具有挑战性的任务，由于比赛本身的不可预测性以及众多动态因素对结果的影响。传统方法依赖严格的特征工程，而深度学习技术最近在为足球赛果预测直接学习有效的球员和球队表征方面显示出巨大的潜力。然而，现有方法常常忽视球员和球队之间异构性相互作用的本质，这对于准确建模比赛动态至关重要。为此，我们提出了HIGFormer（异构互动图变换器），一种新颖的基于图增强变换器的深度学习模型，用于足球赛果预测。HIGFormer引入了多层次的互动框架，捕获细粒度的球员动态和高层次的球队互动。具体而言，它包含（1）球员互动网络，通过异构互动图对球员表现进行编码，将局部图卷积与全局图增强变换器相结合；（2）球队互动网络，从球队视角构建互动图，以建模历史比赛关系；（3）比赛比较变换器，联合分析球队和球员层面的信息以预测比赛结果。在大型真实世界足球数据集WyScout开放访问数据集上的大量实验表明，HIGFormer在预测准确率上显著优于现有方法。进一步地，我们为利用该模型进行球员表现评估提供了宝贵的见解，为人才挖掘和球队战略分析提供了新的视角。
引用
@article{arxiv.2507.10626,
title = {Player-Team Heterogeneous Interaction Graph Transformer for Soccer Outcome Prediction},
author = {Lintao Wang and Shiwen Xu and Michael Horton and Joachim Gudmundsson and Zhiyong Wang},
journal= {arXiv preprint arXiv:2507.10626},
year = {2025}
}