Hildesheimi teadlased võidavad maineka veebitehnoloogia hinna!

Hildesheimi teadlased võidavad maineka veebitehnoloogia hinna!

Sydney, Australien - Neljapäeval, 12. juunil 2025 pälvis Austraalias Sydneys toimunud rahvusvaheline veebikonverents Hildesheimi ülikooli teadur tuntud Souli ajapreemiaga. Võitjad, sealhulgas prof dr dr Lars Schmidt-Thieme ja endised doktorandi dr Steffen Rendle'i ning dr Christoph Freudenthalerit austati nende teedrajava uurimistöö eest järjestikuste soovitussüsteemide valdkonnas. Teie töö on alates 2010. aastast saavutanud üle 2900 tsitaadi, mis rõhutab teie leidude rahvusvahelist olulisust. Selle auhinna on välja andnud rahvusvaheline veebikonverentsi komitee ja arvutusmasinate ühing (ACM) alates 2014. aastast, mille eesmärk on võrgustiku õpetajad ja teadlased ning edendada nii dialoogi kui ka elukestvat õppimist.

Hildesheimi teadlaste uurimine käsitleb seeriajärjestuse efektide ning kasutajate ja üksuste varjatud omaduste modelleerimist. Eelkõige rõhutatakse nende tulemuste kasutamist e-kaubanduse ja tehnoloogia täiustatud õppimise valdkondades. Teie õpingute eripära on kolmanda osapoole fondi andmete kasutamine koostöös apteekide ahela Rossmanniga.

uuendused soovitussüsteemides

Schmidt-thieme ja tema meeskonna uurimistöö eesmärk on täiustada olemasolevaid soovitussüsteeme. Traditsioonilised lähenemisviisid keskenduvad sageli ühe artikli ennustamisele. Teisest küljest keskendutakse nende õpingutes niinimetatud tippsoovitustele. See tähendab, et samal ajal ennustatakse mitmeid üksusi, millega kasutajad said tõenäoliselt suhelda. Siin on väljakutse välja töötada mudeleid, mis ei loo mitte ainult ühte elementi, vaid ka terviklikku artiklit.

Kasutatav tõestatud lähenemisviis on olemasolevate mudelite modifitseerimine, et lubada mitu prognoosi. Näiteks kasutatakse GPT-2 mudelit, mida koolitati spetsiaalselt kasutajajärjestuses järgmise elemendi ennustamiseks. Samm-sammult genereerimine võtab arvesse juba soovitatud artikleid ja loob uuenduslikke põlvkonnastrateegiaid nagu ahne dekodeerimine, kiirte otsingu ja tempotensaping koos uute meetoditega, näiteks rekursiivne paremusjärjestus.

Uuringute mõõtmine ja tulemused

Nende meetodite valideerimine põhines erinevatel andmekirjeldustel, sealhulgas MO palju 20m ja Yelp. Tegetud katsed tagasid, et piisava interaktsiooniga analüüsiks kasutati ainult kasutajaid. NDCG, tagasikutsumise ja keskmise täpsuse keskmist täpsust kasutati standardsete mõõdikutena soovitussüsteemide jõudluse hindamiseks.

Tulemused näitavad, et autor -kompressiivsed genereerimisstrateegiad pakuvad pikaajaliste ennustuste kvaliteedis olulisi eeliseid. Eelkõige osutus olulisuse agregatsioonistrateegia traditsiooniliste lähenemisviisidega võrreldes paremaks meetodiks. Ehkki mitme järjestuse genereerimine põhjustab täiendavaid arvutuskulusid, saab selle protsessi paralleelselt latentsusaja haldamiseks ja soovituste kvaliteedi veelgi suurendamiseks.