Hildesheim vědci získají prestižní cenu webové technologie!

Hildesheim vědci získají prestižní cenu webové technologie!

Ve čtvrtek 12. června 2025, Mezinárodní webová konference World Wide v australské Sydney, získala výzkumník na University of Hildesheim renomovanou Award Test of Time Award. Vítězové, včetně prof. Dr. Dr. Larse Schmidt-Thieme a bývalých doktorských studentů Dr. Steffen Rendle a Dr. Christoph Freudenthaler, byli oceněni za jejich průkopnický výzkum v oblasti sekvenčních systémů doporučení. Vaše práce dosáhla od roku 2010 více než 2 900 citace, což zdůrazňuje mezinárodní význam vašich zjištění. Toto ocenění uděluje Mezinárodní výbor pro konferenci World Wide Web Conference a Asociací pro výpočetní strojní zařízení (ACM) od roku 2014, jehož cílem je, aby učitele a výzkumné pracovníky v síti a propagaci dialogu a celoživotní učení.

Výzkum vědců Hildesheim se zabývá modelováním sekvenčních efektů řady a latentními vlastnostmi uživatelů a položek. Zdůrazňuje se zejména použití jejich výsledků v oblasti elektronického obchodování a technologického vylepšeného učení. Zvláštním rysem vašeho studia je použití údajů z třetího fondu pro stravování ve spolupráci s řetězcem lékárny Rossmann.

Inovace v systémech doporučení

Výzkum Schmidt-Thieme a jeho týmu si klade za cíl zlepšit stávající systémy doporučení. Tradiční přístupy se často zaměřují na predikci jediného článku. Na druhé straně se ve svých studiích zaměřuje na tzv. Top-K doporučení. To znamená, že několik položek se předpokládá současně, s nimiž by uživatelé pravděpodobně mohli interagovat. Výzvou zde je vyvinout modely, které nejen vytvářejí jediný prvek, ale také celkem, seznamu článků.

Použitý přístup je modifikace stávajících modelů, které umožňují více prognóz. Například je použit model GPT-2, který byl speciálně vyškolen v uživatelské sekvenci pro predikci dalšího prvku. Generace krok za krokem bere v úvahu již doporučené články a vytváří inovativní strategie generování, jako je chamtivé dekódování, vyhledávání paprsků a teplota upřesnění, spolu s novými metodami, jako je rekurzivní hodnocení.

Měření a výsledky výzkumu

Validace těchto metod byla založena na různých datových záznamech, včetně MO Mnoho 20m a Yelp. Provedené experimenty zajistily, že pro analýzu byli použity pouze uživatelé s dostatečnými interakcemi. Jako standardní metriky pro posouzení výkonu doporučených systémů byly použity NDCG, vzpomínky a průměrná průměrná přesnost.

Výsledky ukazují, že strategie generování autora -compansitivní generování nabízejí významné výhody v kvalitě dlouhodobých předpovědí. Zejména se strategie agregace relevance ukázala jako vynikající metoda ve srovnání s tradičními přístupy. Ačkoli generování několika sekvencí způsobuje další výpočetní náklady, lze tento proces paralelizovat za účelem řízení latence a dále zvýšit kvalitu doporučení.