¡Los investigadores de Hildesheim ganan el prestigioso precio de la tecnología web!

¡Los investigadores de Hildesheim ganan el prestigioso precio de la tecnología web!

Sydney, Australien - El jueves 12 de junio de 2025, la Conferencia Internacional de la World Wide Web en Sydney, Australia, investigador de la Universidad de Hildesheim recibió el renombrado Premio a la Prueba de Tiempo de Seúl. Los ganadores, incluido el Prof. Dr. Dr. Lars Schmidt-Thieme y los ex estudiantes de doctorado, el Dr. Steffen Rendle y el Dr. Christoph Freudenthaler fueron honrados por su investigación pionera en el campo de los sistemas de recomendaciones secuenciales. Su trabajo ha logrado más de 2.900 citas desde 2010, lo que subraya la relevancia internacional de sus hallazgos. Este premio ha sido otorgado por el Comité Internacional de Conferencias World Wide Web y la Asociación para la Macinería de Computación (ACM) desde 2014, cuyo objetivo es a los maestros e investigadores de la red y para promover el diálogo y el aprendizaje permanente.

La investigación de los científicos de Hildesheim se ocupa del modelado de los efectos de secuencia de la serie y las propiedades latentes de los usuarios y elementos. En particular, se enfatiza el uso de sus resultados en las áreas de comercio electrónico y aprendizaje mejorado por la tecnología. Una característica especial de sus estudios es el uso de datos de un tercer fondo parte en cooperación con la cadena de farmacias Rossmann.

Innovaciones en sistemas de recomendación

La investigación de Schmidt-Thieme y su equipo tienen como objetivo mejorar los sistemas de recomendación existentes. Los enfoques tradicionales a menudo se concentran en la predicción de un solo artículo. En sus estudios, por otro lado, el enfoque se centra en las llamadas recomendaciones de Top-K. Esto significa que se predicen varios elementos al mismo tiempo con el cual los usuarios probablemente podrían interactuar. El desafío aquí es desarrollar modelos que no solo creen una sola lista de artículos clasificados.

Un enfoque probado que se utiliza es la modificación de los modelos existentes para habilitar múltiples pronósticos. Por ejemplo, se usa el modelo GPT-2, que fue especialmente entrenado en una secuencia de usuario para la predicción del siguiente elemento. La generación paso a paso tiene en cuenta los artículos ya recomendados y produce estrategias de generación innovadora, como decodificación codiciosa, búsqueda de haz y tempertonsample, junto con nuevos métodos como la clasificación recursiva.

Medición y resultados de la investigación

La validación de estos métodos se basó en varios registros de datos, incluidos MO muchos 20m y Yelp. Los experimentos realizados aseguraron que solo los usuarios se usaron para el análisis con interacciones suficientes. NDCG, retiro y precisión promedio media se utilizaron como métricas estándar para la evaluación del rendimiento de los sistemas de recomendación.

Los resultados muestran que las estrategias de generación compresiva del autor ofrecen ventajas significativas en la calidad de las predicciones a largo plazo. En particular, la estrategia de agregación de relevancia demostró ser un método superior en comparación con los enfoques tradicionales. Aunque la generación de varias secuencias causa costos informáticos adicionales, este proceso puede ser paralelo a gestionar la latencia y aumentar aún más la calidad de las recomendaciones.