Player_Scouting_Recommendation_System

⚽？球员球探推荐系统

AI 驱动的球员侦察：侦察、推荐、提升您团队的比赛 - ？这是测试版

球员球探推荐系统是专为足球球探、教练和分析师设计的工具。该系统使用先进的信息检索和人工智能技术来彻底改变球员侦察。通过输入特定球员，系统可以快速识别出十名最相似的球员，并提供人工智能生成的定制报告，根据球队特征为您的球队推荐最佳球员。

演示

要尝试python 应用程序，可以使用球员球探推荐系统的 CSV_Version！ [演示]。
这是没有Solr的版本，要尝试Solr版本，请按照本地的readme.txt文件进行操作。

数据来源

该项目的数据来自领先的足球统计网站 FBRef。 FBRef 拥有包含超过 200,000 名球员和球队的数据库，可为球员表现分析提供丰富的见解。

使用的技术

• LangChain (v0.0.275) ：与 OpenAI 的 GPT-3.5 交互以生成详细报告。
• Scikit Learn ：使用余弦相似度计算玩家相似度，并采用 K-Means 进行聚类。
• Pandas (v1.4.3) ：处理数据操作、组织和分析。
• Scipy (v1.9.3) ：计算玩家排名之间的相关性，以进行深入的表现评估。
• RougeScore (v0.1.2) ：根据参考文本评估报告质量。
• BERTScore (v0.3.13) ：测量报告质量评估的语义相似性。
• Streamlit (v1.23.1) ：提供直观的用户界面和自动完成播放器搜索引擎。
• Apache Solr (v8.11.2) ：有效索引和检索玩家数据。

方法论工作流程

1. 数据收集：收集自 FBRef，重点关注 2022-2023 赛季欧洲排名前五的联赛。
2. 数据预处理：清理和组织以进行分析和高效索引。
3. Solr 集成：将数据导入 Apache Solr 并建立索引，以实现快速搜索功能。
4. 相似性分析：利用向量模型和聚类算法来识别玩家的相似性。
5. Scouter AI ：采用 GPT-3.5 生成详细的、定制的玩家报告。
6. 用户界面：使用 Streamlit 实现，以获得无缝的用户体验。

？主要特点

高效的数据检索：

利用 Apache Solr，通过查询动态建议系统快速查找和访问玩家数据。

代码脚本：

 #### Script for Autocomplete
def search_solr ( searchterm : str ) -> List [ any ]:
    # Check if a search term is provided
    if searchterm :
        # Query Solr for player names containing the search term
        res = solr . query ( 'FootballStatsCore' , {
            'q' : 'Player:' + '*' + searchterm + '*' ,
            'fl' : 'Rk,Player' ,
            'rows' : 100000 ,
        })
        result = res . docs

        # If results are found
        if result != []:
            # Create a DataFrame from the results
            df_p = pd . DataFrame ( result )
            # Extract the 'Rk' and 'Player' columns and clean the data
            df_p [ 'Rk' ] = df_p [ 'Rk' ]. apply ( lambda x : x [ 0 ])
            df_p [ 'Player' ] = df_p [ 'Player' ]. apply ( lambda x : x [ 0 ])
            # Return the 'Player' column as autocomplete suggestions
            return df_p [ 'Player' ]
        else :
            # Return an empty list if no results are found
            return []

# Streamlit search box
selected_value = st_searchbox (
    search_solr ,
    key = "solr_searchbox" ,
    placeholder = "? Search a Football Player"
)

结果

玩家相似度：

发现与您所选球员具有相似比赛风格、属性和统计数据的球员。

人工智能生成的报告

接收由最先进的自然语言生成和修复提示表单提供支持的详细且个性化的玩家报告。

？文档和完整架构

完整的文档。在此文档中包含该项目的所有详细信息。

️该文档可能包含错误！不要复制，而是将其用作支持。

？限制

球员球探推荐系统有一些需要重点考虑的限制：

• 时间限制⏰：系统仅依赖于去年更新的数据，这可能会限制推荐的准确性，特别是在玩家表现可能快速变化的情况下。
• 数据集的局限性：使用仅限于 2022/2023 年的数据集会使结果不太可靠，因为它没有考虑到球员的整个足球生涯。这种限制可能会对推荐产生负面​​影响，特别是对于那些多年来表现各异的玩家。值得注意的是，球员相似度部分的结果尤其受到赛季中比赛数量的影响。在实践中，球员参加的比赛越多，球员相似度系统得到的结果就越准确。
• 对输入数据的依赖：建议的质量取决于输入数据的完整性和准确性，这意味着不完整或错误的信息可能会对决策产生负面影响。
• 缺乏背景和人类直觉？：人工智能可能不会考虑无形因素，例如团队化学反应或球员个性，这些因素可能与购买决策相关。
• 技术限制：推荐的准确性受到当前人工智能技术和模型的限制，可能无法完全评估玩家技能的广度。
• 人工验证的必要性：团队在做出最终的球员获取决策之前进行彻底的人工评估至关重要。
• 报告生成和幻觉??：生成式人工智能模型生成的报告可能会导致幻觉或不可靠的信息。尽管使用提示技术来缓解这个问题，但仍然可能会出现不准确的情况，从而使生成的报告的可靠性受到质疑。

致谢

球员球探推荐系统专为演示和教育目的而开发。该系统是作为那不勒斯费德里科二世大学信息检索系统考试项目的一部分而创建的。值得注意的是，这里提出的推荐系统被设计为决策支持工具，并不打算取代任何足球球探或教练。这是一个概念性的想法。我要向开源社区表示感谢，感谢他们提供了宝贵的工具和库，使这个项目成为可能。特别感谢FBRef提供全面的足球数据。

?‍ 该项目由Antonio Romano开发，可在 GitHub 页面上找到。