表征比赛风格对于足球俱乐部在侦察，监视和比赛准备方面非常重要。先前的研究将玩家的风格视为技术性能的结合，未能考虑空间信息。因此，这项研究旨在表征中国足球超级联赛（CSL）比赛中每种比赛位置的比赛风格，并集成了最近采用的玩家向量框架。使用了2016 - 2019年CSL的960匹匹配的数据。匹配等级和十种类型的匹配事件与所有阵容播放器的相应坐标均超过45分钟。球员首先被聚集在8个位置。使用非负矩阵分解（NMF），根据播放器向量为每个匹配中的每个玩家构建了播放器向量。在玩家向量上运行另一个NMF进程，以提取不同类型的游戏样式。最终的玩家向量在CSL中发现了18种不同的游戏风格。研究了每种样式的六个性能指标，以观察他们的贡献。总的来说，前锋和中场球员的比赛风格与足球表现的发展趋势一致，而应重新考虑防守者的风格。在高评分的CSL播放器中也发现了多功能游戏风格。

在足球（或协会足球）中，球员迅速从英雄转变为零，反之亦然。性能不是静态度量，而是一种易变的措施。将绩效分析为时间序列而不是静止的时间点对于做出更好的决策至关重要。本文介绍并探讨了I-VAEP和O-VAEP模型，以评估行动和评估玩家的意图和执行。然后，我们随着时间的推移分析这些评级，并提出用例，以基本将我们将玩家评分视为连续问题的选择。结果，我们出席了谁是最好的球员以及他们的表现如何发展，定义波动率指标以衡量球员的一致性，并建立玩家发展曲线以帮助决策。

这项研究旨在实现两个目标：第一个目标是策划一个大型且信息丰富的数据集，其中包含有关球员的行动和位置的关键和简洁的摘要，以及在专业和NCAA中排球的来回旅行模式Div-i室内排球游戏。尽管几项先前的研究旨在为其他运动创建类似的数据集（例如羽毛球和足球），但尚未实现为室内排球创建这样的数据集。第二个目标是引入排球描述性语言，以充分描述游戏中的集会过程并将语言应用于我们的数据集。基于精选的数据集和我们的描述性运动语言，我们使用我们的数据集介绍了三项用于自动化排球行动和战术分析的任务：（1）排球拉力赛预测，旨在预测集会的结果，并帮助球员和教练改善决策制定决策在实践中，（2）设置类型和命中类型预测，以帮助教练和球员更有效地为游戏做准备，以及（3）排球策略和进攻区统计，以提供高级排球统计数据，并帮助教练了解游戏和对手的策略更好的。我们进行了案例研究，以展示实验结果如何为排球分析社区提供见解。此外，基于现实世界数据的实验评估为我们的数据集和语言的未来研究和应用建立了基准。这项研究弥合了室内排球场与计算机科学之间的差距。

强化学习（RL）的最新进展使得可以在广泛的应用中开发出擅长的复杂剂。使用这种代理商的模拟可以在难以在现实世界中进行科学实验的情景中提供有价值的信息。在本文中，我们研究了足球RL代理商的游戏风格特征，并揭示了在训练期间可能发展的策略。然后将学习的策略与真正的足球运动员进行比较。我们探索通过使用聚合统计和社交网络分析（SNA）来探索使用模拟环境的学习内容。结果，我们发现（1）代理商的竞争力与各种SNA指标之间存在强烈的相关性，并且（2）RL代理商的各个方面，游戏风格与现实世界足球运动员相似，因为代理人变得更具竞争力。我们讨论了可能有必要的进一步进展，以改善我们必须充分利用RL进行足球的分析所需的理解。

竞争性在线游戏使用评分系统进行对接；基于进步的算法可以根据他们玩游戏的结果来估计具有可解释评分的玩家的技能水平。但是，玩家的总体体验是由超出其游戏唯一结果的因素来影响的。在本文中，我们设计了从游戏统计信息到模拟玩家的几个功能，并创建了准确代表其行为和真实绩效水平的评分。然后，我们将行为评级的估计能力与通过三个主流评分系统创建的评分的估计能力进行了比较，通过预测竞争激烈的射击游戏类型的四种流行游戏模式中的玩家排名。我们的结果表明，行为等级在维持创建表示形式的解释性的同时提出了更准确的绩效估计。考虑玩家的演奏行为的不同方面和使用行为等级进行对接可能会导致对决，这些比赛与玩家的目标和兴趣更加一致，因此导致了更愉快的游戏体验。

预测体育运动对球队，联赛，投注者，媒体和球迷来说很重要。鉴于越来越多的播放器跟踪数据，体育分析模型越来越多地利用在播放器跟踪数据上构建的空间衍生功能。但是，由于常见的建模技术依赖于矢量输入，因此不能轻易地将特定于玩家的信息作为功能本身包含。因此，通过空间衍生的特征是根据锚定对象（例如，通过全球功能聚合或通过角色签名方案）构建的，例如，球员在游戏中被指定在游戏中具有独特的作用。在这样做的过程中，我们牺牲了人际关系和地方关系，而是支持全球关系。为了解决这个问题，我们介绍了基于运动的图形表示游戏状态。然后，我们将建议的图表表示作为图形神经网络的输入来预测运动结果。我们的方法可以保留置换不变性，并允许灵活的播放互动权重。我们展示了我们的方法如何为美术和电子竞技的预测任务提供对艺术的统计学显着改善，从而将测试套装损失分别减少了9％和20％。此外，我们展示了如何使用我们的模型来回答运动中的“如果”问题并可视化玩家之间的关系。

In this work, a machine learning approach is developed for predicting the outcomes of football matches. The novelty of this research lies in the utilisation of the Kelly Index to first classify matches into categories where each one denotes the different levels of predictive difficulty. Classification models using a wide suite of algorithms were developed for each category of matches in order to determine the efficacy of the approach. In conjunction to this, a set of previously unexplored features were engineering including Elo-based variables. The dataset originated from the Premier League match data covering the 2019-2021 seasons. The findings indicate that the process of decomposing the predictive problem into sub-tasks was effective and produced competitive results with prior works, while the ensemble-based methods were the most effective. The paper also devised an investment strategy in order to evaluate its effectiveness by benchmarking against bookmaker odds. An approach was developed that minimises risk by combining the Kelly Index with the predefined confidence thresholds of the predictive models. The experiments found that the proposed strategy can return a profit when following a conservative approach that focuses primarily on easy-to-predict matches where the predictive models display a high confidence level.

体育运动员的转会费已成为天文学。这是因为将具有巨大未来价值的球员带给俱乐部对于他们的生存至关重要。我们介绍了一个案例研究，该案例研究基于FIFA数据分析，影响世界顶级足球运动员的转移费用。为了预测每个玩家的市场价值，我们通过使用树结构化的Parzen估计量（TPE）算法优化其超参数来提出改进的LightGBM模型。我们通过Shapley添加说明（SHAP）算法确定突出特征。已提出的方法已与基线回归模型（例如线性回归，拉索，弹性净，内核脊回归）和没有超参数优化的梯度增强模型进行了比较。与回归基线模型，GBDT和LightGBM模型相比，优化的LightGBM模型平均表现出的出色精度约为3.8、1.4和1.8倍。我们的模型在确定未来招募足球俱乐部应考虑的属性方面提供了解释性。

近年来，足球事件数据的主要缺点之一是广泛用于分析，它仍然需要手动收集，因此将其可用性限制在减少的比赛中。在这项工作中，我们提出了一种确定性决策基于决策的算法，以使用跟踪数据自动提取足球事件，该数据包括两个步骤：（1）一个拥有步骤，该步骤评估哪个玩家在跟踪中的每个帧中都拥有球，数据以及在球没有发挥作用的时间间隔内的不同播放器配置来告知固定片段的检测； （2）结合了第一步中计算出的球拥有的变化与足球定律，以确定游戏中的事件并设定作品。自动生成的事件针对手动注释的事件进行了基准测试，我们表明，在大多数事件类别中，所提出的方法可以在不同的比赛和跟踪数据提供商中实现$+90 \％$检测率。最后，我们演示了如何利用跟踪数据提供的上下文信息来增加自动检测事件的粒度，并展示如何使用所提出的框架在足球中进行无数的数据分析。

在线多人游戏中游戏的复杂性产生了强烈的兴趣对玩家使用的不同游戏或策略进行建模。我们为在线多人游戏战场3开发了一个分层贝叶斯回归方法，其中性能被建模为角色，游戏类型和由该玩家在每个比赛中都采取的地图。我们之前使用Dirichlet进程，使得在我们的回归模型中具有类似玩家特定系数的玩家的聚类，这使我们能够在战场3个玩家的样本中发现常见的游戏样式。这种贝叶斯半导体聚类方法有几个优点：不需要指定常用播放样式的数量，玩家可以在多个集群之间移动，并且所产生的分组通常具有直接解释。我们详细审视战场3个玩家中最常见的游戏风格，并找到了展出整体高性能的玩家组，以及在特定游戏类型，地图和角色中表现特别良好的玩家的分组。我们还能够区分播放者，这些玩家是从混合播放器展示在其比赛中展出多种游戏风格的混合播放器的稳定成员。建模这种不同游戏风格的景观将帮助游戏开发人员开发新参与者的专门教程，并在在线匹配队列中提高互补团队的构建。

The increasing complexity of gameplay mechanisms in modern video games is leading to the emergence of a wider range of ways to play games. The variety of possible play-styles needs to be anticipated by designers, through automated tests. Reinforcement Learning is a promising answer to the need of automating video game testing. To that effect one needs to train an agent to play the game, while ensuring this agent will generate the same play-styles as the players in order to give meaningful feedback to the designers. We present CARMI: a Configurable Agent with Relative Metrics as Input. An agent able to emulate the players play-styles, even on previously unseen levels. Unlike current methods it does not rely on having full trajectories, but only summary data. Moreover it only requires little human data, thus compatible with the constraints of modern video game production. This novel agent could be used to investigate behaviors and balancing during the production of a video game with a realistic amount of training time.

在人类可能希望从这些系统中学习，与它们合作或作为合作伙伴互动的情况下，可以捕获类似人类行为的AI系统越来越有用。为了开发以人为导向的AI系统，预测人类行为（而不是预测最佳行动）的问题受到了广泛关注。现有的工作集中在总体意义上捕获人类行为，这可能会限制任何特定个人可以从与这些系统互动中获得的收益。我们通过开发国际象棋中人类行为的高度准确的预测模型来扩展这一工作。国际象棋是探索人类互动的一个丰富领域，因为它结合了一套独特的属性：AI系统在多年前实现了超人类的表现，但人类仍然与他们以及对手和准备工具紧密互动，并且有一种关于单个玩家游戏的大量记录数据。从迈亚（Maia）开始，该版本的Alphazero经过了对人类人群的培训，我们证明我们可以通过应用一系列微调方法来显着提高特定玩家的举动的预测准确性。此外，我们的个性化模型可用于执行风格测定法 - 预测谁采取了一组给定的动作 - 表明他们在个人层面上捕获了人类的决策。我们的工作展示了一种使AI系统更好地与个人行为保持一致的方法，这可能会导致人类互动的大量改善。

在现代世界中，数据科学和分析以优化或预测结果的应用无处不在。数据科学和分析已经优化了市场中存在的几乎所有领域。在我们的调查中，我们专注于如何在体育领域采用分析领域，以及它如何促进游戏的转型，从评估现场玩家及其选择到赢得团队的预测以及大型体育比赛的门票和商业方面的营销。我们将介绍体育分析领域采用的不同运动的分析工具，算法和方法论，并介绍我们对同一体育的看法，我们还将比较和对比这些现有方法。通过这样做，我们还将介绍任何希望尝试体育数据并分析游戏的各个方面的人考虑的最佳工具，算法和分析方法。

评估足球运动员队友的个人运动对于评估队伍，侦察和粉丝的参与至关重要。据说，在90分钟的比赛中，球员平均没有大约87分钟的球。但是，在不接球的情况下评估进攻球员并揭示运动如何为队友创造得分机会的贡献一直很困难。在本文中，我们评估了通过将实际动作与通过轨迹预测产生的参考运动进行比较来评估创建球外评分机会的玩家。首先，我们使用图形差异神经网络预测玩家的轨迹，该神经网络可以准确地模拟玩家之间的关系并预测长期轨迹。接下来，基于实际运动轨迹和预测轨迹之间修改的外球评估指数的差异，我们评估实际运动与预测运动相比如何促进得分机会。为了进行验证，我们研究了专家一年中专业球队的所有比赛的年薪，目标和比赛的关系。结果表明，年薪和拟议的指标与现有指标和目标无法解释。我们的结果表明，该方法作为没有球的球员为队友创造得分机会的指标的有效性。

在诸如足球和篮球之类的流体团队运动中，分析团队组合是从域名参与者的角度了解策略的最直观的方法之一。但是，现有方法要么假定团队组合在整个比赛中都是一致的，要么逐帧地编码，这不同意实际情况。为了解决这个问题，我们提出了一个名为SocCercPD的更改点检测框架，该框架区分了战术意图的形成和角色的变化与足球比赛的临时变化。我们首先将角色分配给玩家逐帧并执行两步更改点检测：（1）基于角色添加矩阵的序列和（2）基于角色变化矩阵的序列检测和（2）基于角色变更点检测角色排列顺序。使用域专家注释的地面真相对SOCCERCPD的评估表明，我们的方法准确地检测了战术变化的点，并估计每个细分市场的形成和角色分配。最后，我们介绍了域参与者可以轻松解释和使用的实用用例。

胜利预测对于了解电子竞技中的技能建模，团队合作和对接至关重要。在本文中，我们提出了GCN-WP，这是基于图形卷积网络的电子竞技的半监督胜利预测模型。该模型在一个赛季（1年）的过程中了解了电子竞技联盟的结构，并在另一个类似的联赛上做出了预测。该模型集成了有关比赛和玩家的30多个功能，并采用图形卷积根据他们的附近进行分类。与机器学习或LOL的技能评级模型相比，我们的模型可实现最先进的预测准确性。该框架是可以推广的，因此可以轻松地扩展到其他多人游戏在线游戏。

预期的目标提供了对球队和球员表现的更具代表性的衡量标准，这也适合足球的低分性质，而不是现代足球比赛。比赛的得分涉及随机性，并且通常不能代表球队和球员的表现，因此近年来使用替代统计数据（例如目标，球控球和钻探）是很受欢迎的。为了衡量射击的可能性是预期目标的目标，使用了一些功能来训练基于事件并跟踪足球数据的预期目标模型。这些功能的选择，数据的大小和日期以及可能影响模型性能的参数。使用黑框机器学习模型来提高模型的预测性能，可降低其可解释性，从而导致可以从模型中收集的信息丢失。本文提出了一个准确的预期目标模型，该模型由2014 - 15年至2020 - 21年欧洲前五名的欧洲足球联赛的七个赛季中的315,430张训练。此外，通过使用可解释的人工智能工具来获取可解释的预期目标模型来评估团队或球员性能。据我们所知，这是第一篇论文，该论文展示了可解释的人工智能工具汇总配置文件的实际应用，以解释一组观察结果，以进行准确的预期目标模型，以监视团队和球员绩效。此外，这些方法可以推广到其他运动分支。

这份手稿专注于NBA篮球锦标赛比赛结果的特点“定义。显示了如何基于一个单一特征（ELO评级或相对胜利频率）的模型的质量优于使用箱得分预测器的模型（例如四个因素）。特征是EX ANTE，计算了包含16个NBA常规季节数据的数据集，特别注意主场因素。模型已经通过深度学习生产，使用交叉验证。

Twenty20板球，有时是二十20，经常缩写为T20，是板球的一小部分。在一场二十二十比赛中，两支球员组成的两支球队都有一局，最多仅限20分。这个版本的板球尤其是不可预测的，这是它最近在近期越来越受欢迎的原因之一。但是，在本文中，我们尝试了四种不同的方法来预测T20板球比赛的结果。具体来说，我们要考虑：以前的竞争团队参与者的绩效统计数据，从知名的板球统计网站获得的球员的评分，以相似的性能统计数据和基于ELO基于ELO的方法来汇率玩家。我们通过使用逻辑回归，支持向量机，贝叶斯网络，决策树，随机森林来比较每种方法的性能。

Recent work pre-training Transformers with self-supervised objectives on large text corpora has shown great success when fine-tuned on downstream NLP tasks including text summarization. However, pre-training objectives tailored for abstractive text summarization have not been explored. Furthermore there is a lack of systematic evaluation across diverse domains. In this work, we propose pre-training large Transformer-based encoder-decoder models on massive text corpora with a new selfsupervised objective. In PEGASUS, important sentences are removed/masked from an input document and are generated together as one output sequence from the remaining sentences, similar to an extractive summary. We evaluated our best PEGASUS model on 12 downstream summarization tasks spanning news, science, stories, instructions, emails, patents, and legislative bills. Experiments demonstrate it achieves state-of-the-art performance on all 12 downstream datasets measured by ROUGE scores. Our model also shows surprising performance on low-resource summarization, surpassing previous state-of-the-art results on 6 datasets with only 1000 examples. Finally we validated our results using human evaluation and show that our model summaries achieve human performance on multiple datasets.