Player_Scouting_Recommendation_System

⚽？球員球探推薦系統

AI 驅動的球員偵察：偵察、推薦、提升您團隊的比賽 - ？這是測試版

球員球探推薦系統是專為足球球探、教練和分析師設計的工具。該系統使用先進的資訊檢索和人工智慧技術來徹底改變球員偵察。透過輸入特定球員，系統可以快速識別出十名最相似的球員，並提供人工智慧產生的客製化報告，根據球隊特徵為您的球隊推薦最佳球員。

示範

要嘗試python 應用程序，可以使用球員球探推薦系統的 CSV_Version！ [演示]。
這是沒有Solr的版本，要嘗試Solr版本，請依照本機的readme.txt檔案進行操作。

數據來源

該計畫的數據來自領先的足球統計網站 FBRef。 FBRef 擁有包含超過 20 萬名球員和球隊的資料庫，可為球員表現分析提供豐富的見解。

使用的技術

• LangChain (v0.0.275) ：與 OpenAI 的 GPT-3.5 互動以產生詳細報告。
• Scikit Learn ：使用餘弦相似度計算玩家相似度，並以 K-Means 進行聚類。
• Pandas (v1.4.3) ：處理資料操作、組織與分析。
• Scipy (v1.9.3) ：計算玩家排名之間的相關性，以進行深入的表現評估。
• RougeScore (v0.1.2) ：根據參考文本評估報告品質。
• BERTScore (v0.3.13) ：測量報告品質評估的語意相似性。
• Streamlit (v1.23.1) ：提供直覺的使用者介面和自動完成播放器搜尋引擎。
• Apache Solr (v8.11.2) ：有效索引和檢索玩家資料。

方法論工作流程

1. 數據收集：收集自 FBRef，重點關注 2022-2023 賽季歐洲排名前五的聯賽。
2. 資料預處理：清理和組織以進行分析和高效索引。
3. Solr 整合：將資料匯入 Apache Solr 並建立索引，以實現快速搜尋功能。
4. 相似性分析：利用向量模型和聚類演算法來辨識玩家的相似性。
5. Scouter AI ：採用 GPT-3.5 產生詳細的、客製化的玩家報告。
6. 使用者介面：使用 Streamlit 實現，以獲得無縫的使用者體驗。

？主要特點

高效率的資料檢索：

利用 Apache Solr，透過查詢動態建議系統快速尋找並存取玩家資料。

程式碼腳本：

 #### 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"
)

結果

玩家相似度：

發現與您所選球員具有相似比賽風格、屬性和統計數據的球員。

人工智慧產生的報告

接收由最先進的自然語言生成和修復提示表單提供支援的詳細且個人化的玩家報告。

？文件和完整架構

完整的文檔。在此文件中包含該項目的所有詳細資訊。

️該文件可能包含錯誤！不要複製，而是將其用作支援。

？限制

球員球探推薦系統有一些需要重點考慮的限制：

• 時間限制⏰：系統僅依賴去年更新的數據，可能會限制建議的準確性，特別是在玩家表現可能快速變化的情況下。
• 數據集的局限性：使用僅限於 2022/2023 年的數據集會使結果不太可靠，因為它沒有考慮到球員的整個足球生涯。這種限制可能會對推薦產生負面影響，特別是對於那些多年來表現各異的玩家。值得注意的是，球員相似度部分的結果尤其受到賽季中比賽數量的影響。在實踐中，球員參加的比賽越多，球員相似度系統得到的結果就越準確。
• 對輸入資料的依賴：建議的品質取決於輸入資料的完整性和準確性，這意味著不完整或錯誤的資訊可能會對決策產生負面影響。
• 缺乏背景和人類直覺？
• 技術限制：建議的準確性受到當前人工智慧技術和模型的限制，可能無法完全評估玩家技能的廣度。
• 人工驗證的必要性：團隊在做出最終的球員獲取決策之前進行徹底的人工評估至關重要。
• 報告產生和幻覺??：生成式人工智慧模型產生的報告可能會導致幻覺或不可靠的資訊。儘管使用提示技術來緩解這個問題，但仍然可能會出現不準確的情況，從而使產生的報告的可靠性受到質疑。

致謝

球員球探推薦系統專為演示和教育目的而開發。該系統是作為那不勒斯費德里科二世大學資訊檢索系統考試計畫的一部分而創建的。值得注意的是，這裡提出的推薦系統被設計為決​​策支援工具，並不打算取代任何足球球探或教練。這是一個概念性的想法。我要向開源社群表示感謝，感謝他們提供了寶貴的工具和函式庫，讓這個專案成為可能。特別感謝FBRef提供全面的足球數據。

?‍ 該專案由Antonio Romano開發，可在 GitHub 頁面上找到。