采用不同的方法进行技术侦察
在过去的十年里, 球探部门识别的过程, 监测和评估招聘前景是一项不断发展的新技术, 由视频和数据驱动, 已经可以使用.
然而, 这是否导致了俱乐部对球员评估标准的明显改变? 在部门, 位置kpi将基于游戏模型进行定义, 哪些是根据玩家的表现输出来衡量的. kpi也可以应用于特定位置的模板，球探可以主观地评估球员, 添加进一步的上下文层.
但是，与10年前相比，这些程序无疑更加集中和严格, 有一个主要的问题还没有得到适当的解决:基于特定位置的kpi来评估球员的可靠性如何?
今天, 球员及其位置的标签仍然和25年前一样:边后卫, 中后卫, 中锋等等. 然而, 当比较同一“位置”不同俱乐部的招聘前景时, 许多人拥有根本不同的品质, 这使得我们很难根据相同的kpi客观地评估他们.
这就是beat3656(位于英国和澳门凼仔成立于2001年)- 非常时期澳门电子游戏体育竞技游-huawei App Store的新角色发现概念的由来. 角色发现是一种新的评估玩家的方法，由我们首创 人工智能的团队，它解决了基于位置评估球员的局限性. 相反，它专注于根据球员在球队中的角色来分析他们.
通过应用无监督学习过程, 角色发现允许招聘分析师在更广泛的团队风格中评估球员:根据完成游戏模型中每个角色所需的关键趋势和特征将前景分组.
在这篇文章中, 我们将浏览角色发现背后的一些关键组件, 这将使俱乐部考虑在明年采用新的技术球探方法.
阶段1:在游戏风格背景下识别每个玩家的空间倾向
在总, 角色发现在整个球场上发现了18种不同类型的角色, 来自29个不同的玩家群体. 角色检测的起点是确定球员传球最常见的开始和结束位置, 生成空间热图.
下图显示了球场上最常见的三个有两名中锋的区域, 罗伯特·莱万多夫斯基和罗伯特·菲尔米诺, 从2018/19赛季开始传球.
尽管两名球员都被称为中锋, 从这些热图中可以清楚地看出，这两名球员在各自的俱乐部中扮演着不同的角色. 莱万多夫斯基最常见的传球位置是边缘周围的中心区域和禁区内. 相比之下，菲尔米诺在右侧通道内的半场空间打出了很多球.
然而, 这些信息本身提供的见解有限，而且它缺乏任何匹配情况的背景. 因此，通过应用 统计执行游戏风格框架 球员的触球, 我们可以开始理解每个玩家如何影响游戏的特定阶段.
这进一步凸显了莱万多夫斯基和菲尔米诺之间的风格差异. 下面的图表显示了当他们的球队采用特定的风格时，每个球员的球触球集群, 与五大联赛的其他球员相比.
与平均水平相比, 菲尔米诺的集群主要集中在反击阶段和持续威胁阶段. 莱万多夫斯基的集群低于持续威胁的平均水平, 这表明与其他角色相比，他的角色并没有像其他角色那样参与球队在进攻三分的控球序列.
第二阶段:量化球员控球的质量
确定了场上球员最常拿球的区域, 以及他们对特定游戏风格的贡献, 角色发现然后应用统计执行 占有价值(PV)框架 确定球员在控球序列中的参与如何在接下来的10秒内增加他们球队的得分概率.
占有价值根据玩家的积极贡献和消极贡献来分配积分, 涵盖关键的有球事件，包括传球, 带球传中, 以及防守动作，如抢断和拦截.
下表列出了在2018/19赛季英超联赛中，利物浦每90个赛季PV+输出最高的球员, 突出了莫·萨拉赫的进步贡献, 安德鲁·罗伯逊和菲尔米诺增加了进球概率.
另一个用于分析球员用球的新指标是预期传球完成率(xP). 这个模型考虑了各种因素, 包括传球的距离和角度以及控球动作的其他上下文元素, 建立一个通过被完成的概率.
通过应用这个度量, 我们可以更好地了解球员的控球倾向——识别哪些球员尝试并完成了高比例的穿透传球，哪些球员完成了高比例的穿透传球, 从概率的角度来看, 都比较难完成.
将此数据合并到角色发现模型中, 我们把球场分成了不同的区域, 以突出每个区域中玩家的位置和xP完成率, 确定他们在哪些方面为团队做出了关键贡献.
结合PV和xP, 我们可以评估玩家传球的潜在奖励, 针对潜在的风险, 并将他们的表现与其他玩家进行比较.
回到我们对莱万多夫斯基和菲尔米诺的比较, 下图显示了2018/19赛季每位球员在中路进攻中场的传球表现.
菲尔米诺的xP完成率高于 .75表示他打得很安全，大概率传球到这个区域. 同时, 他也增加了球队得分的概率, 通过进入累进PV的前10%的百分比.
Lewandowski, 作为一个不同类型的前锋, 是否接近xP完成率的平均值, 并且处于PV的后10%, 他的控球链更少，更有可能有很多射门机会, 这让他成了链条上的最后一员. 然而，这并不是故事的全部，我们将在本文后面详细说明.
阶段3:确定球员如何参与控球序列
为了进一步确定玩家如何与队友互动, 角色发现包含了另一个新模型, 运动链，它确定了一支球队在场上产生最高PV的最常见的传球模式.
运动链的标签基于由四个通道组成的传递主题, 哪一种方法可以帮助确定球队如何传球以及涉及的球员.
和xP一样, 为了分析移动链，我们将音高划分为多个区域, 这样我们就能识别出最常见的模式, 使用聚类, 球队如何将球从一个区域转移到另一个区域. 如下图所示, 起跑区可以是防守第三区的中心区域, 终点区在对方禁区的边缘.
移动链也可以应用于游戏风格, 确定球队在特定风格下如何转移球. 下面的例子显示了利物浦在2018/19赛季最危险的链条，当他们在对手禁区内进行集结时，链条就结束了, 突出显示它们如何通过内部的右通道和内部的左通道来穿透盒子.
阶段4:应用每个模型来创建角色
识别球员在球队控球链中的参与程度, 我们应用Chain2Vec模型, 灵感来自于 Word2Vec, 识别玩家经常出现的链簇, 它们的背景以及玩家如何在单个主题中进行互动. 这种通过深度学习技术进行的高级建模提供了球员和团队参与的紧凑表示.
在这, 玩家触摸地图用于提供每个玩家的空间上下文信息, 以及比赛风格, xP和PV模型. 除了, 一个球员采取的开放式射击类型和他们的位置的分解包括在内.
然后将所有这些输出应用于最终的角色发现模型, 使用聚类算法, 高斯混合模型，学习分组，并将玩家分成不同的组. 从这些集群中, 然后，我们可以使用数据驱动的描述，将超过400个球员的描述浓缩成18个不同的角色.
这些角色的名称如下(按此处放大):
回到莱万多夫斯基和菲尔米诺, 确定每个球员都适合不同的角色, 我们现在可以将他们与各自角色的球员进行比较，而不是直接进行比较.
下面的图表显示了我们之前使用的相同的通过比较, 但这一次，我们将参与者隔离在各自的角色中, 用橙色突出显示的是什么.
以菲尔米诺为例, 与五大联赛的所有球员相比，他的xP完成率排在前10%, 但与其他“进攻型创造性威胁”球员相比，他更接近平均水平.
与Lewandowski, 仅与其他“远期远期”相比, 我们可以看到他的传球比平均水平更安全，同时他的渐进PV贡献仍然低于平均水平, 与所有球员相比，这些数字并不极端.
结论:让玩家比较更加客观
通过定义角色, 招聘分析师可以应用角色发现，更客观地直接比较符合每个角色参数的球员. 这样可以简化球探过程，确保球员, 谁在场上的位置相同, 不进行同类评估，而是根据他们所扮演的角色进行分析.
构成该模型的要素概括了四个关键的招聘考虑因素:
- 球员在球场上的位置是什么? -空间足迹
- 他们什么时候做出主要贡献? -游戏风格
- 他们主要贡献的风险回报概况和质量如何, 与同职位的其他人相比? - xP和累进PV输出
- 球员所涉及的传球动作类型是什么? -运动链参与
除了, 角色发现也可以用来帮助识别那些拥有不同角色或位置的关键属性的球员. 这将有助于分析人士识别年轻的贝尔或拉姆, 从职业生涯开始时的边后卫到现在在场上踢更高位置的球员的例子.
案例研究, 提供如何应用角色发现来识别特定角色的替代品的示例，将于今年晚些时候在beat3656(位于英国和澳门凼仔成立于2001年)- 非常时期澳门电子游戏体育竞技游-huawei App Store网站上发布, 以及一些从支持这个概念的模型中得到的分析例子, 包括xP和移动链.
如果您想了解更多关于角色发现的信息，或者对我们目前所开发的内容有任何问题, 请务必与我们联系 在这里.
