RisingBALLER：将球员视为标记，比赛视为句子——面向足球球员数据分析的 foundational model 之路

本文介绍了 RisingBALLER，这是首个利用在足球比赛数据上训练的 transformer 模型来学习比赛特定球员表征的公开方法。drawing inspiration（以...为灵感）于语言建模的进展，RisingBALLER 将每个足球比赛视为唯一的序列，其中球员充当标记，其嵌入向量由比赛的特定上下文所塑造。通过使用掩码球员预测（Masked Player Prediction, MPP）作为预训练任务，RisingBALLER 学习了类似语言模型如何为文本表征学习语义特征的基础性特征。作为下游任务，我引入了下一场比赛统计预测（Next Match Statistics Prediction, NMSP），以展示所学习球员嵌入的有效性。NMSP 模型优于社区中常用的强基准。进一步，我进行深入分析，表明 RisingBALLER 所学习的嵌入可用于各种足球分析任务，例如生成捕捉球员角色本质与多样性的有意义位置特征（超越僵化的 x、y 坐标），团队凝聚力估计，以及相似球员检索，以实现更有效的数据驱动球员挖掘。除了简单的机器学习模型之外，RisingBALLER 是一个综合性框架，旨在通过学习球员的高层次基础特征来变革足球数据分析，考虑每场比赛的上下文，为球员提供更深层次的理解。