في عالم كرة القدم، تعتبر بيانات الأحداث الرياضية ثروة لا تُقدر بثمن للتحليل الكمي لأداء اللاعبين. تجمع هذه البيانات بين تنسيقات متعددة، مثل إحداثيات الموقع المستمر والخصائص الفئوية كنوع الحدث ونتيجته. عادة ما يتم استخدام هذه البيانات في تحليلات الرياضة، مثل توقع نتائج المباريات وتقييم أداء اللاعبين والتعرف على الأنماط التكتيكية.

ومع ذلك، كانت معظم المناهج المتبعة في السابق تعتمد على ترميز الميزات الفئوية باستخدام طرق بسيطة كالترميز الأحادي (One-Hot) أو التضمين الترتيبي (Ordinal Embedding)، مما أغفل المعاني العميقة لوصف الأحداث.

هنا يأتي دور معمارية Transformer، وهي شبكة عميقة تعتمد على الانتباه الذاتي، ما يساعد على التقاط العلاقات بين الميزات المدخلة في مواقع عشوائية. يقدم البحث الجديد نموذجًا مستندًا إلى Transformer لتعلم العلاقات الكامنة بين الميزات الفئوية للأحداث، مما ينتج تمثيلات كثيفة للأحداث الكروية.

عبر ترميز الميزات الفئوية كمتجهات تضمين (Embedding Vectors) متعلمة، تلتقط هذه العملية المعاني الرياضية الخاصة بالرياضات خلال التدريب المسبق، مما يسمح للتمثيلات بدعم المهام اللاحقة مثل تقدير قيمة الحدث والتعرف على نمط اللعب.

أظهرت التقييمات التجريبية أن تمثيلات التضمين تقدم تحسينات كبيرة في دقة التوقعات مقارنةً بالأساليب التقليدية، كما تقيسها نتيجة Brier. وبالتالي، فإن هذا النهج يعد بفتح آفاق جديدة في مجال تحليل الأداء الرياضي واستخدام البيانات بشكل أكثر ذكاء.