Football player feature learning using graphs for recommendation and retrieval
Öneri ve çikarim için çizge kullanarak futbolcu özellikleri öğrenimi
- Tez No: 782514
- Danışmanlar: PROF. DR. ŞULE ÖĞÜDÜCÜ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 85
Özet
Günümüzde, spor etkinliklerinde veri toplama teknolojisinde görülen büyük gelişmeler sayesinde spor alanında makine öğrenmesi ve yapay zekanın kullanımı bir hayli yaygınlaşmıştır. Uzmanlar, maçlar sırasında toplanan veriler ile maç skoru tahmini, takım ve bireysel oyuncu performansı analizi gibi birçok alanda çalışmalar gerçekleştirmektedir. Dünya çapında en popüler spor olan futbol da dolayısıyla bu çalışmalara konu olmaktadır. Futbol takımlarının teknik direktörlerinin maçların içinde ve dışında verdikleri stratejik kararlar başarılara direkt olarak etki etmektedir. Maç sırasında verilen kararlardan biri oyundan çıkacak futbolcunun ve onun yerine oyuna girecek olan futbolcunun belirlenmesidir. Bu aksiyonun gerçekleştirilme sebepleri oyun sırasında sakatlanan bir futbolcunun yerine yedeğin girmesi, beklenen performansın altında performans sergileyen oyuncunun değiştirilmesi ya da tamamen taktiksel hamleler olabilir. Maç skorunun korunması amacıyla ofansif bir futbolcunun çıkarılıp yerine defansif role sahip bir oyuncunun oynatılması maç sırasında teknik direktörler tarafından yapılan stratejik hamlelere bir örnek olabilir. Bu çalışmada, teknik direktörlere maç esnasında yapacakları değişiklikler için önerilerde bulunan bir sistem sunulmaktadır. Sistem, girdi olarak aldığı futbolcuya en uygun yedek futbolcuyu önermektedir. Önerilen modelin amacı herhangi bir insani hata ya da eğilim olmadan futbolcuların özelliklerinin çıkarılması ve bu özellikler ile başarılı önerilerin yapılmasıdır. Futbol maçlarında en çok gerçekleşen aksiyon futbol oyuncularının kendi aralarında paslaşmasıdır. Bu yüzden bu çalışmada oyuncuların pas özellikleri kullanılmıştır. Futbol takımlarının her maçı için kendi içindeki paslarını ifade eden çizgeler oluşturulur. Bu çizgelerde düğümler futbolcuları ifade etmektedir. Oyuncuların kendi içlerinde yaptıkları pas sayıları ise kenarların ağırlıklarıyla ifade edilmektedir. Paslar yönlü olduğundan, oluşturulan çizgelerin kenarlarında da yön özelliği bulunmaktadır. Her takım için pas çizgeleri oluşturulduktan sonra futbolcuların vektörler ile ifade edilip makine öğrenmesi algoritmalarında kullanılması için çizge üzerinden düğümlerin gömülümleri çıkarılmıştır. Bu işlem için Node2vec ve GraphWave isimli düğüm gömülüm algoritmaları kullanılmıştır. Bu algoritmalarla, veri setinin ilk \%70'i kullanılarak her futbolcunun oynadığı her maçtan düğüm gömülümleri çıkarılıp ortalamaları alınarak futbolcuları ifade eden özellik vektörleri oluşturulmuştur. Geçmiş futbol maçlarına ait değişiklik bilgileri kullanılarak, daha önce maç esnasında değişiklik yapılmış futbolcu çiftleri belirlenmiştir. Geçmişte birbiri arasında değişiklik yapılmış oyuncu çiftleri pozitif örneklem olarak alınmıştır. Modellerin oyuncular arasındaki değişiklik ilişkisini öğrenmesi için veri setine rastgele biçimde geçmişte hiç değişiklik yapılmamış futbolcu çiftleri de negatif örneklem olarak eklenmiştir. Sonuçta, oluşan veri setinde futbolcu çiftlerine ait düğüm gömülümlerinin tutulduğu vektörler ve çıktı olarak pozitif ve negatifi ifade eden 1 ve 0 değerleri bulunmaktadır. Bu veri seti kullanılarak k en yakın komşu, XGBoost ve yapay sinir ağı modelleri eğitilmiştir. Modellerin başarısı ise geçmişte hassasiyet ölçütüyle, geçmişte önerilen futbolcu çiftleri arasında başarılı değişiklikler gerçekleştirilmiş midir kontrolü yapılarak ölçülmüştür. Önerilen modellerin başarısı, FIFA19 oyununda futbolculara atanmış olan özelliklerin değerleri kullanılarak oluşturulan temel modellerle karşılaştırılmıştır. Böyle bir veri setini kullanmaktaki amaç, bu tarz değerlerde insan bazlı hataların ya da meyillerin olabilmesi ve bu hataların çizgelerden çıkarılan futbolcu özellikleriyle aşılabileceğinin gösterilmesidir. Karşılaştırma amacıyla çeşitli deneyler yapıldığında, çizge üzerinden çıkarılan özelliklerle eğitilmiş modellerin başarısının temel modellere göre daha yüksek olduğu görülmüştür. Bu tez kapsamında gerçekleştirilen bir diğer çalışmada ise transferlerin gerçekleştiği dönemlerde takımların karar mekanizmasına yardımcı olacak benzer futbolcu çıkarım sistemi hayata geçirilmiştir. Transfer dönemlerinde, futbolcular takım değiştirmektedirler. Bu durumda teknik ekibin takımdan ayrılan futbolcunun yerine ona en benzer özellikle başka bir oyuncuyu transfer edip, takımın dinamiğini ayakta tutması gerekmektedir. Normal şartlarda benzer futbolcu belirleme işlemi yetenek kaşifleri ve teknik direktörler tarafından çeşitli görüntüler izlenerek yapılmaktadır ve hataya açıktır. Bu çalışma, veriye bağlı kalarak makine öğrenmesi yöntemleriyle insan hatasının olmadığı bir sistem önerek benzer futbolcuları bulmayı amaçlamaktadır. Karşılaştırma yapılan temel modelde futbolculara ait pasların uzunluk, yön ve lokasyon bilgileri kullanılmıştır. Bu tez kapsamında yapılan çalışmadaki amaç, temel modeldeki çeşitli eksikliklerin giderilerek futbolcuların ayırt edici niteliklerinin daha iyi öğrenilmesi ve dolayısıyla daha doğru benzer futbolcu çıkarımı yapılmasıdır. Temel modeldeki niteliklere ek olarak futbolcuların maçlardaki kişisel ego çizgeleri çıkarılmıştır. Ego çizgelerin kullanılmasındaki amaç oyuncuların en yakın düğümlerdeki oyuncularla olan pas alışkanlığının yakalanabilmesidir. Node2vec algoritması kullanılarak futbolcu gömülümleri elde edilmiştir. Oyuncu bazlı ego çizgelerden çıkarılan gömülümlerin yanı sıra, pas çizgelerin tamamı kullanılarak her futbolcu için çeşitli merkezilik değerleri hesaplanmıştır. PageRank, Yakınlık, Aradalık ve Derece merkezilik değerleri hesaplanmıştır. Tüm nitelikler birleştirilerek futbolcuları ayırt edebilecek özellik vektörleri oluşturulmuştur. Temel model ve önerilen modeller çeşitli deneylerle incelenmiştir. Deneyler sonucunda, Derece merkezilik değerinin futbolcuları ayırt etmede negatif etkisi olduğu görülmüştür. Bu sebeple, son modelde bu nitelik kullanılmamıştır. Temel modelde futbolcu lokasyonunu belirten niteliklerde ayırt edicilik çok sağlanamadığından, çizge özellikleri kullanarak başarının artırılması amaçlanmıştır. Sonuçlar incelendiğinde, oyuncu bazlı pas ego çizgelerinden elde edilen futbolcu gömülümleri ve takıma ait pas çizgesi üzerinden elde edilen merkezilik değerleri eklenerek futbolcuları daha başarılı bir şekilde ayırt edip tanımlayan vektörlerin oluşturulduğu görülmektedir. Bu şekilde, oyun stili olarak benzer futbolcular çıkarılabilmektedir. Bu tez kapsamında gerçekleştirilen çalışmalar sonucunda, futbolcuları temsil edecek vektörlerin oluşturulması için çizgeler kullanılmıştır. Pas çizgeleri kullanmaktaki amaç, az veri kullanarak insan hatasını sıfıra indirgeyerek objektif öneri sistemlerinin kurulmasıdır. Deneyler, çizgeler kullanılarak elde edilen verilerle eğitilen modellerin geleneksel veri setleriyle eğitilen modellere kıyasla daha yüksek başarı verdiğini göstermektedir.
Özet (Çeviri)
Football analytics is a field that has grown tremendously over the years as technology for capturing data in sporting events has improved. During the transfer season, scouts and football managers must conduct numerous analyses in order to build strong and successful teams. In order to succeed and win matches, managers' in-game decisions are critical. A substitute is a player who enters the field in place of another player during a football game. This thesis proposes a recommendation system to assist football managers in making substitution decisions. The proposed system utilizes passing networks of teams to learn feature embeddings of football players. Using the extracted player embeddings, a k-nearest neighbors model, an XGBoost model and an artificial neural network model were trained to learn the relationship between suitable player pairs that can be substituted during the match. The model recommends the most suitable football player to substitute for a given input player. The main objective of employing passing graphs to gain knowledge of key player aspects is that the features extracted are unbiased. To prove the validity of this approach, two feature sets containing player attributes assigned by the FIFA19 game were used as baselines. The experiments demonstrated that using features extracted from passing graphs for player substitute recommendations yields models with higher recommendation performance when compared to the baseline models. Aside from decisions made during football games, managers are also responsible for decisions made off the field, such as selecting players to transfer to the team. Finding the most similar and suitable football players to fill a vacant position left on the team by another player who has left the club is essential for keeping the team dynamics together. A similar player retrieval system was developed for this thesis. The model employs egocentric passing networks calculated individually for each player, which take into account the passing relations of the nearest players as well as centrality values of players, which describe the players' roles in the network. It has been demonstrated that when combined with the baseline model's features namely player pass length, pass direction, and pass location, the proposed new features improve the performance of the player retrieval task. The experiments showed that using passing graphs of football teams to learn player representations can be beneficial for producing better performing recommendation and retrieval models.
Benzer Tezler
- Makine öğrenmesi yöntemleri ile futbol oyuncularının performans analizi
Football player performance analysis using machine learning techniques
VEHBİ HAKAN SAYAN
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBurdur Mehmet Akif Ersoy ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
DOÇ. DR. EMRAH HANÇER
- Decision support system for a football team management by using machine learning techniques
Makine öğrenmesi teknikleri ile bir futbol takımı yönetimi için karar destek sistemi
MUSTAFA AADEL MASHJAL AL-ASADI
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAKİR TAŞDEMİR
- Futbolcuların piyasa değerinde performansın önemi: Bir makine öğrenimi yaklaşımı
The importance of performance of football players on market value: A machine learning approach
HÜSEYİN EKREM BAYAR
Yüksek Lisans
Türkçe
2022
İstatistikYıldız Teknik Üniversitesiİstatistik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERHAN ÇENE
- A comparative study for football analytics with data mining and artificial intelligence techniques
Veri madenciliği ve yapay zeka teknikleri ile karşılaştırmalı futbol analitiği
MUSTAFA AADEL MASHJAL AL-ASADI
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAKİR TAŞDEMİR
- The effect of EMG-based attentional focus on human machine interface applications
Dikkatle odaklanmanın EMG-temelli insan makine arayüzü uygulamalarına etkisi
AYŞE NUR AY
Doktora
İngilizce
2021
Mekatronik MühendisliğiSakarya Uygulamalı Bilimler ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUSTAFA ZAHİD YILDIZ