Les chercheurs de Hildesheim gagnent le prestigieux prix de la technologie Web!

Les chercheurs de Hildesheim gagnent le prestigieux prix de la technologie Web!

Sydney, Australien - Le jeudi 12 juin 2025, la Conférence internationale du World Wide Web à Sydney, en Australie, chercheur à l'Université de Hildesheim a reçu le célèbre Séoul Test of Time Award. Les gagnants, dont le professeur Dr. Lars Schmidt-Thieme et les anciens doctorants, le Dr Steffen Rendle et le Dr Christoph Freudenthaler ont été honorés pour leurs recherches pionnières dans le domaine des systèmes de recommandation séquentiels. Votre travail a atteint plus de 2 900 citations depuis 2010, ce qui souligne la pertinence internationale de vos résultats. Ce prix a été décerné par le Comité international de la conférence du World Wide Web et l'Association for Computing Machinery (ACM) depuis 2014, dont le but est de réseauter les enseignants et les chercheurs et de promouvoir le dialogue ainsi que l'apprentissage tout au long de la vie.

La recherche des scientifiques de Hildesheim traite de la modélisation des effets de séquence série et des propriétés latentes des utilisateurs et des éléments. En particulier, l'utilisation de leurs résultats dans les domaines du commerce électronique et de l'apprentissage amélioré de la technologie est souligné. Une caractéristique particulière de vos études est l'utilisation des données d'un fonds de troisième partie en coopération avec la chaîne de pharmacie Rossmann.

Innovations dans les systèmes de recommandation

La recherche de Schmidt-Thieme et de son équipe visent à améliorer les systèmes de recommandation existants. Les approches traditionnelles se concentrent souvent sur la prédiction d'un seul article. In their studies, on the other hand, the focus is on so-called TOP-K recommendations. Cela signifie que plusieurs éléments sont prédits en même temps avec lesquels les utilisateurs pourraient probablement interagir. Le défi ici est de développer des modèles qui créent non seulement un seul élément, mais aussi une liste entière, classée d'articles.

Une approche éprouvée utilisée est la modification des modèles existants pour permettre plusieurs prévisions. Par exemple, le modèle GPT-2 est utilisé, qui a été spécialement formé à une séquence utilisateur pour la prédiction de l'élément suivant. La génération étape par étape prend en compte les articles déjà recommandés et produit des stratégies de génération innovantes telles que le décodage gourmand, la recherche de faisceaux et la température, ainsi que de nouvelles méthodes telles que le classement récursif.

Mesure et résultats de la recherche

La validation de ces méthodes était basée sur divers enregistrements de données, notamment Mo de nombreux 20m et Yelp. Les expériences menées ont permis à ce que seuls les utilisateurs soient utilisés pour l'analyse avec des interactions suffisantes. Le NDCG, le rappel et la précision moyenne moyenne ont été utilisés comme mesures standard pour l'évaluation des performances des systèmes de recommandation.

Les résultats montrent que les stratégies de génération compressives de l'auteur offrent des avantages importants dans la qualité des prédictions à long terme. En particulier, la stratégie d'agrégation de pertinence s'est avérée être une méthode supérieure par rapport aux approches traditionnelles. Bien que la génération de plusieurs séquences provoque des coûts informatiques supplémentaires, ce processus peut être parallélisé afin de gérer la latence et d'augmenter encore la qualité des recommandations.