Hildesheim -forskere vinder prestigefyldt webteknologipris!

Hildesheim -forskere vinder prestigefyldt webteknologipris!

Sydney, Australien - Torsdag den 12. juni 2025 blev den internationale World Wide Web -konference i Sydney, Australien, forsker ved University of Hildesheim tildelt den berømte Seoul Test of Time Award. Vinderne, inklusive professor Dr. Dr. Lars Schmidt-thieme og de tidligere doktorgradstuderende Dr. Steffen Rendle og Dr. Christoph Freudenthaler blev hædret for deres banebrydende forskning inden for sekventielle anbefalingssystemer. Dit arbejde har opnået over 2.900 citat siden 2010, hvilket understreger den internationale relevans af dine fund. Denne pris er blevet tildelt af International World Wide Web Conference Committee og Association for Computing Machinery (ACM) siden 2014, hvis mål er at netværkslærere og forskere og at fremme dialog samt livslang læring.

Forskningen fra Hildesheim -forskerne beskæftiger sig med modellering af seriens sekvenseffekter og latente egenskaber hos brugere og genstande. Især understreges brugen af ​​deres resultater inden for områderne e-handel og teknologi, der forbedret læring. Et specielt træk ved dine studier er brugen af ​​data fra en tredje -party -fond i samarbejde med apotekskæden Rossmann.

innovationer i anbefalingssystemer

Undersøgelsen af ​​Schmidt-thieme og hans team sigter mod at forbedre eksisterende anbefalingssystemer. Traditionelle tilgange koncentrerer sig ofte om forudsigelsen af ​​en enkelt artikel. I deres undersøgelser er på den anden side fokus på såkaldte Top-K-anbefalinger. Dette betyder, at flere genstande er forudsagt på samme tid, som brugerne sandsynligvis kunne interagere med. Udfordringen her er at udvikle modeller, der ikke kun skaber et enkelt element, men også en hel, rangeret liste over artikler.

En gennemprøvet tilgang, der bruges, er ændringen af ​​eksisterende modeller for at muliggøre flere prognoser. For eksempel bruges GPT-2-modellen, som blev specielt trænet i en brugersekvens til forudsigelse af det næste element. Trin-for-trin-generation tager højde for allerede anbefalede artikler og producerer innovative generationsstrategier, såsom grådig afkodning, strålesøgning og temperatursampling sammen med nye metoder såsom rekursiv rangering.

måling og resultater af forskning

Valideringen af ​​disse metoder var baseret på forskellige dataregistreringer, herunder MO mange 20 m og ryk. De udførte eksperimenter sikrede, at kun brugere blev brugt til analyse med tilstrækkelige interaktioner. NDCG, tilbagekaldelse og gennemsnitlig gennemsnitlig præcision blev anvendt som standardmetrics til præstationsvurderingen af ​​anbefalingssystemerne.

Resultaterne viser, at forfatter -kompressive generationsstrategier giver betydelige fordele i kvaliteten af ​​lange -term forudsigelser. Især viste relevansaggregeringsstrategien sig at være en overlegen metode sammenlignet med traditionelle tilgange. Selvom genereringen af ​​flere sekvenser forårsager yderligere computeromkostninger, kan denne proces paralleliseres for at styre latenstiden og yderligere øge kvaliteten af ​​anbefalingerne.