Loading...
Publication
Data-Driven Recommendation Systems for Training Optimization in Indoor Team Sports
| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| Documento em Acesso Fechado. Tente solicitar cópia ao autor carregando no ficheiro | 2.37 MB | Adobe PDF |
Authors
Abstract(s)
Currently, significant technological advances are being made in the field of artificial intelligence. In particular, machine learning is transforming the way we process data and extract useful knowledge in areas such as healthcare, industry, and sports. In the sports context, analyzing sensor and video data allows you to model performance, detect patterns, and anticipate risks. However, analysis alone does not decide what to do next in training. Coaches still have to select, sequence, and adapt exercises under time and operational constraints. This is where recommendation systems add value: they transform analytical signals and historical preferences into suggestions tailored to the athletes’ needs and the context of the session. Indoor team sports, such as futsal or basketball, are dynamic and strategic games where cooperation between team members is crucial to success. Basic characteristics such as speed of play, precise coordination, and tactical strategy give these sports their unique character. In this context, there is a clear gap: specific recommendation solutions for indoor sports at the moment are rare. This dissertation proposes and evaluates recommender systems to support training planning, capable of suggesting personalized exercises and even complete training plans. The system integrates three complementary components: (i) matrix factorization based on implicit feedback, (ii) temporal co-occurrence modeling sequences of exercises within a session, and (iii) a content-based component using cosine similarity. The scores are combined in a hybrid model, with weights optimized during validation and with eligibility and context filters to ensure practical recommendations. We developed a pipeline covering data preparation for exercises and contextual information, model generation, hyperparameter optimization, and hybrid weight optimization. Finally, we evaluate the model considering two sports modalities and two temporal protocols, Hold-Out and Next-Step, reporting Recall@N, NDCG@N, Coverage@N, Diversity@N, HR@N, and MRR@N. The performance evaluation and results demonstrate the feasibility of recommender systems to support training planning in indoor team sports, paving the way for more personalized training plans and progressive integration with contextual data in future work.
Atualmente, observam-se avanços tecnológicos significativos no domínio da inteligência artificial. Em particular, na aprendizagem automática, que está a transformara transformar a forma como processamos dados e extraímos conhecimento útil em áreas como saúde, indústria e desporto. No contexto desportivo, a análise de dados de sensores e vídeo permite modelar desempenho, detetar padrões e antecipar riscos. No entanto, a análise por si só não decide o que fazer a seguir no treino. Os treinadores ainda precisam selecionar, sequenciar e adaptar os exercícios sob restrições de tempo e operacionais. É aqui que os sistemas de recomendação agregam valor: eles transformam sinais analíticos e preferências históricas em sugestões adaptadas às necessidades dos atletas e ao contexto da sessão. Os desportos coletivos de salão, como o futsal ou o basquetebol, são jogos dinâmicos e estratégicos, nos quais a cooperação entre os membros da equipa é crucial para o sucesso. Características básicas como a velocidade do jogo, a coordenação precisa e a estratégia tática conferem a estes desportos o seu caráter único. Neste contexto, existe uma lacuna evidente: atualmente, são raras as soluções de recomendação específicas para desportos de salão. Esta dissertação propõe e avalia sistemas de recomendação para apoiar o planeamento do treino, capazes de sugerir exercícios personalizados e, inclusivamente, planos de treino. O sistema integra três componentes complementares: (i) fatorização de matrizes com base em feedback implícito, (ii) coocorrência temporal que modela sequências de exercícios no contexto da sessão e (iii) um componente baseado em conteúdo e similaridade cosseno. As pontuações são combinadas num modelo híbrido, com pesos otimizados na validação e com filtros de elegibilidade e contexto para garantir recomendações práticas. Construímos uma pipeline que abrange: preparação de dados para exercícios e contexto, geração de modelos, otimização de hiperparâmetros e otimização híbrida de pesos. Por fim, avaliamos o modelo, que considera duas modalidades e dois protocolos temporais, Hold-Out e Next-Step, onde reportamos Recall@N, NDCG@N, Coverage@N, Diversity@N, HR@N e MRR@N. A avaliação de desempenho e os resultados apresentados demonstram a viabilidade dos sistemas de recomendação para apoiar o planeamento de treinos em desportos coletivos de salão, abrindo caminho para planos mais personalizados e integração progressiva com dados contextuais em trabalhos futuros.
Atualmente, observam-se avanços tecnológicos significativos no domínio da inteligência artificial. Em particular, na aprendizagem automática, que está a transformara transformar a forma como processamos dados e extraímos conhecimento útil em áreas como saúde, indústria e desporto. No contexto desportivo, a análise de dados de sensores e vídeo permite modelar desempenho, detetar padrões e antecipar riscos. No entanto, a análise por si só não decide o que fazer a seguir no treino. Os treinadores ainda precisam selecionar, sequenciar e adaptar os exercícios sob restrições de tempo e operacionais. É aqui que os sistemas de recomendação agregam valor: eles transformam sinais analíticos e preferências históricas em sugestões adaptadas às necessidades dos atletas e ao contexto da sessão. Os desportos coletivos de salão, como o futsal ou o basquetebol, são jogos dinâmicos e estratégicos, nos quais a cooperação entre os membros da equipa é crucial para o sucesso. Características básicas como a velocidade do jogo, a coordenação precisa e a estratégia tática conferem a estes desportos o seu caráter único. Neste contexto, existe uma lacuna evidente: atualmente, são raras as soluções de recomendação específicas para desportos de salão. Esta dissertação propõe e avalia sistemas de recomendação para apoiar o planeamento do treino, capazes de sugerir exercícios personalizados e, inclusivamente, planos de treino. O sistema integra três componentes complementares: (i) fatorização de matrizes com base em feedback implícito, (ii) coocorrência temporal que modela sequências de exercícios no contexto da sessão e (iii) um componente baseado em conteúdo e similaridade cosseno. As pontuações são combinadas num modelo híbrido, com pesos otimizados na validação e com filtros de elegibilidade e contexto para garantir recomendações práticas. Construímos uma pipeline que abrange: preparação de dados para exercícios e contexto, geração de modelos, otimização de hiperparâmetros e otimização híbrida de pesos. Por fim, avaliamos o modelo, que considera duas modalidades e dois protocolos temporais, Hold-Out e Next-Step, onde reportamos Recall@N, NDCG@N, Coverage@N, Diversity@N, HR@N e MRR@N. A avaliação de desempenho e os resultados apresentados demonstram a viabilidade dos sistemas de recomendação para apoiar o planeamento de treinos em desportos coletivos de salão, abrindo caminho para planos mais personalizados e integração progressiva com dados contextuais em trabalhos futuros.
Description
Keywords
Aprendizagem Automática Sistemas de Recomendação Futsal Basquetebol Feedback Implícito Coocorrência Temporal TF-IDF Fatorização de Matrizes Recomendação Híbrida Machine Learning Recommendation Systems Basketball Implicit feedback Temporal Co-occurrence Matrix Factorisation Hybrid Recommendation