Hildesheim -tutkijat voittavat arvostetun verkkotekniikan hinnan!

Hildesheim -tutkijat voittavat arvostetun verkkotekniikan hinnan!

Sydney, Australien - Torstaina 12. kesäkuuta 2025 Sydneyssä, Australian kansainvälinen maailmanlaajuinen verkkokonferenssi, Hildesheimin yliopiston tutkija sai tunnetun Soulin Test of Time Award -palkinnon. Voittajat, mukaan lukien prof. Dr. Dr. Lars Schmidt-Thieme ja entiset jatko-opiskelijat tohtori Steffen Rendle ja tohtori Christoph Freudenthaler, kunnioitettiin heidän uraauurtavasta tutkimuksestaan ​​peräkkäisten suositusjärjestelmien alalla. Työsi on saavuttanut yli 2900 viittausta vuodesta 2010, joka korostaa havaintojen kansainvälistä merkitystä. Tämän palkinnon ovat myöntäneet kansainvälinen maailmanlaajuinen verkkokonferenssikomitea ja Computing Machinery -yhdistys (ACM) vuodesta 2014, jonka tavoitteena on verkostoituneiden opettajien ja tutkijoiden edistäminen sekä vuoropuhelun sekä elinikäisen oppimisen edistäminen.

Hildesheim -tutkijoiden tutkimus käsittelee käyttäjien ja kohteiden sarjasekvenssivaikutusten ja piilevien ominaisuuksien mallintamista. Erityisesti niiden tulosten käyttöä sähköisen kaupan ja tekniikan parantuneen oppimisen aloilla korostetaan. Opintojen erityispiirte on kolmannen osapuolen rahaston tietojen käyttö yhteistyössä apteekkiketjun Rossmannin kanssa.

Innovaatiot suositusjärjestelmissä

Schmidt-Thiemen ja hänen tiiminsä tutkimuksen tavoitteena on parantaa olemassa olevia suositusjärjestelmiä. Perinteiset lähestymistavat keskittyvät usein yhden artikkelin ennustamiseen. Toisaalta heidän tutkimuksessaan keskitytään ns. Top-K-suosituksiin. Tämä tarkoittaa, että useita kohteita ennustetaan samaan aikaan, joiden kanssa käyttäjät voisivat todennäköisesti olla vuorovaikutuksessa. Tässä haasteena on kehittää malleja, jotka eivät vain luo yhtä elementtiä, vaan myös kokonaisuutta luokiteltuja artikkeleita.

Todistettu lähestymistapa, jota käytetään olemassa olevien mallien modifiointi useiden ennusteiden mahdollistamiseksi. Esimerkiksi käytetään GPT-2-mallia, joka on erityisesti koulutettu käyttäjäsekvenssiin seuraavan elementin ennustamiseksi. Vaiheittainen sukupolvi ottaa huomioon jo suositellut artikkelit ja tuottaa innovatiivisia sukupolven strategioita, kuten ahne dekoodaus, säteen haku ja tempertensinäytteet sekä uusia menetelmiä, kuten rekursiivista sijoitusta.

Tutkimuksen mittaus ja tulokset

Näiden menetelmien validointi perustui erilaisiin tietorekistereihin, mukaan lukien MO: n 20M ja YELP. Suoritetut kokeet varmistivat, että vain käyttäjiä käytettiin analyysiin riittävällä vuorovaikutuksella. NDCG: tä, muistamista ja keskimääräistä tarkkuutta käytettiin standardimittarina suositusjärjestelmien suorituskyvyn arvioinnissa.

Tulokset osoittavat, että kirjoittaja -yhdistävät sukupolven strategiat tarjoavat merkittäviä etuja pitkän aikavälin ennusteiden laadussa. Erityisesti relevanssin aggregaatiostrategia osoittautui erinomaiseksi menetelmäksi perinteisiin lähestymistapoihin verrattuna. Vaikka useiden sekvenssien luominen aiheuttaa lisälaskentakustannuksia, tämä prosessi voidaan rinnastaa latenssin hallitsemiseksi ja suositusten laadun lisäämiseksi edelleen.