Изследователите на Hildesheim печелят престижна цена на уеб технологиите!

Изследователите на Hildesheim печелят престижна цена на уеб технологиите!

Sydney, Australien - В четвъртък, 12 юни 2025 г., Международната световна уеб конференция в Сидни, Австралия, изследовател в Университета на Хилдесхайм, бе удостоена с известната награда за тест на Сеул. Победителите, включително проф. Д-р Ларс Шмит Тием и бившите докторанти, д-р Стефен Рендъл и д-р Кристоф Фройденталер бяха отличени за пионерските си изследвания в областта на последователните системи за препоръки. Вашата работа е постигнала над 2900 цитиране от 2010 г., което подчертава международната значимост на вашите открития. Тази награда е присъдена от Международния комитет за световна уеб конференция и Асоциацията за изчислителни машини (ACM) от 2014 г., чиято цел е да се свържат с преподаватели и изследователи и да насърчават диалога, както и ученето през целия живот.

Изследването на учени от Хилдесхайм се занимава с моделирането на серийните ефекти на последователността и латентните свойства на потребителите и елементите. По-специално се подчертава използването на техните резултати в областите на електронната търговия и технологичното засилено обучение. Специална характеристика на вашите проучвания е използването на данни от трета страна фонд в сътрудничество с веригата на дрогериите Росман.

Иновации в системите за препоръки

Изследването на Schmidt Thieme и неговия екип има за цел да подобри съществуващите системи за препоръки. Традиционните подходи често се концентрират върху прогнозирането на една статия. В техните проучвания, от друга страна, акцентът е върху така наречените препоръки от топ-К. Това означава, че няколко елемента се прогнозират едновременно с които потребителите вероятно биха могли да си взаимодействат. Предизвикателството тук е да се разработят модели, които не само създават един елемент, но и цял, класиран списък от статии.

Доказаният подход, който се използва, е модификацията на съществуващите модели, за да се даде възможност за множество прогнози. Например се използва моделът GPT-2, който е специално обучен в потребителска последователност за прогнозиране на следващия елемент. Стъпка по стъпка поколението отчита вече препоръчаните статии и създава иновативни стратегии за генериране като алчно декодиране, търсене на лъчи и температура, заедно с нови методи като рекурсивно класиране.

Измерване и резултати от изследвания

Валидирането на тези методи се основава на различни записи на данни, включително MO много 20M и YELP. Извършените експерименти гарантираха, че за анализ са използвани само потребители с достатъчно взаимодействия. NDCG, припомняне и средна точност бяха използвани като стандартни показатели за оценка на ефективността на системите за препоръки.

Резултатите показват, че авторските стратегии за поколение на автора предлагат значителни предимства в качеството на дългосрочните прогнози. По -специално, стратегията за агрегиране на уместността се оказа превъзходен метод в сравнение с традиционните подходи. Въпреки че генерирането на няколко последователности причинява допълнителни изчислителни разходи, този процес може да бъде паралелизиран, за да се управлява латентността и допълнително да увеличи качеството на препоръките.