Do embedding ao grafo: modelando partidas de futebol com BERT e NetLSD

Abstract

A análise de partidas de futebol a partir de dados tabulares de eventos é amplamente utilizada, a partir desses dados é possível calcular número de passes certos, passes errados, quantidade de gols, quantidade de faltas, entre outros. Entretanto, tais métricas descritivas apresentam limitações quando o objetivo é comparar, de forma sistemática, padrões de jogo entre equipes, dado o caráter sequencial e contextual desses registros. Neste trabalho, propõe-se uma metodologia que integra Processamento de Linguagem Natural (NLP) e teoria dos grafos para transformar dados evento-a-evento em representações textuais e relacionais, permitindo extrair assinaturas do campeonato e quantificar similaridades entre os clubes. Inicialmente, os eventos são convertidos em um corpus textual por meio de templates (data-to-text generation), a partir do qual são obtidas representações vetoriais com modelos de linguagem, com ênfase em embeddings derivados do GloVe (Global Vectors for Word Representation) e BERT (Bidirectional Encoder Representations from Transformers). Medidas de proximidade baseadas em similaridade de cosseno são exploradas, com apoio de redução de dimensionalidade via UMAP (Uniform Manifold Approximation and Projection) e procedimentos de agrupamento via HDBSCAN (Hierarchical Density-Based Spatial Clustering of Applications with Noise) para inspeção do espaço de representações. Em seguida, cada equipe é modelada como uma rede não direcionada e ponderada, em que nós representam jogadores e arestas codificam a similaridade entre vetores associados aos atletas, com filtragem por backbone para reduzir densidade e favorecer interpretação. A análise das redes inclui métricas de centralidade para identificar jogadores estruturalmente relevantes, e a comparação global entre equipes é realizada via descritor espectral NetLSD, seguido de distâncias entre assinaturas e agrupamento hierárquico. Os resultados indicam agrupamentos consistentes entre equipes e casos singulares, sugerindo que a abordagem captura regularidades compatíveis com diferentes formas de organização coletiva em campo.

Soccer match analysis based on tabular event data is widely used, as this data enable the calculation of metrics such as successful passes, unsuccessful passes, number of goals, number of fouls, among others. However, such descriptive metrics present limitations when the objective is to systematically compare gameplay patterns across teams, given the sequential and contextual nature of these records. This study proposes a methodology that integrates Natural Language Processing (NLP) and graph theory to transform event-by-event data into textual and relational representations, enabling the extraction of league signatures and the quantification of similarities among clubs. Initially, events are converted into a textual corpus through templates (data-to-text generation), from which vector representations are obtained using language models, with emphasis on embeddings derived from GloVe (Global Vectors for Word Representation) and BERT (Bidirectional Encoder Representations from Transformers). Proximity measures based on cosine similarity are explored, supported by dimensionality reduction through UMAP (Uniform Manifold Approximation and Projection) and clustering procedures using HDBSCAN (Hierarchical Density-Based Spatial Clustering of Applications with Noise) to inspect the representation space. Subsequently, each team is modeled as an undirected weighted network, in which nodes represent players and edges encode the similarity between vectors associated with athletes, with backbone filtering applied to reduce network density and improve interpretability. Network analysis includes centrality measures to identify structurally relevant players, while the global comparison between teams is performed using the NetLSD spectral descriptor, followed by distances between signatures and hierarchical clustering. The results indicate consistent grouping patterns among teams as well as singular cases, suggesting that the proposed approach captures regularities compatible with different forms of collective organization on the field.