Hildesheim istraživači pobijedili su u prestižnoj cijeni web tehnologije!

Hildesheim istraživači pobijedili su u prestižnoj cijeni web tehnologije!

Sydney, Australien - U četvrtak, 12. lipnja 2025. godine, međunarodna svjetska web konferencija u Sydneyu u Australiji, istraživač na Sveučilištu Hildesheim dobila je poznatu nagradu Seul Test of Time. Pobjednici, uključujući prof. Dr. Lars Schmidt-Thieme i bivši doktorski studenti, dr. Steffen Rendle i dr. Christoph Freudenthaler bili su nagrađeni zbog svojih pionirskih istraživanja u području sustava sekvencijalnih preporuka. Vaš je rad postigao više od 2.900 citata od 2010. godine, što podvlači međunarodnu važnost vaših nalaza. Ovu nagradu dodijelili su Međunarodni odbor za web konferenciju World Wide Wide i Udruženje za računalne strojeve (ACM) od 2014. godine, čiji je cilj umrežavati nastavnike i istraživače i promovirati dijalog, kao i cjeloživotno učenje.

Istraživanje znanstvenika Hildesheima bavi se modeliranjem efekata niza i latentnim svojstvima korisnika i stavki. Konkretno, naglašena je uporaba njihovih rezultata u područjima e-trgovine i tehnologije poboljšanog učenja. Posebna značajka vaših studija je upotreba podataka iz trećeg fonda u suradnji s lancem drogerije Rossmann.

Inovacije u sustavima preporuka

Istraživanje Schmidt-Thiema i njegovog tima ima za cilj poboljšati postojeće sustave preporuka. Tradicionalni pristupi često se koncentriraju na predviđanje jednog članka. S druge strane, u njihovim studijama, fokus je na takozvanim Top-K preporukama. To znači da se predviđa nekoliko predmeta u isto vrijeme s kojima bi korisnici vjerojatno mogli komunicirati. Izazov je ovdje razviti modele koji ne samo da stvaraju jedan element, već i cjelokupni, rangirani popis članaka.

Provjereni pristup koji se koristi je izmjena postojećih modela kako bi se omogućile više prognoza. Na primjer, koristi se GPT-2 model, koji je posebno obučen u korisničkom slijedu za predviđanje sljedećeg elementa. Korak po korak generacija uzima u obzir već preporučene članke i proizvodi inovativne strategije generacije poput pohlepnog dekodiranja, pretraživanja snopa i temperature, zajedno s novim metodama poput rekurzivnog rangiranja.

Mjerenje i rezultati istraživanja

Validacija ovih metoda temeljila se na različitim zapisima podataka, uključujući MST 20M i Yelp. Provedeni eksperimenti osigurali su da su samo korisnici korišteni za analizu s dovoljnim interakcijama. NDCG, opoziv i srednja prosječna preciznost korišteni su kao standardni mjerni podaci za procjenu uspješnosti sustava preporuka.

Rezultati pokazuju da strategije stvaranja autora -kompresije nude značajne prednosti u kvaliteti dugoročnih predviđanja. Konkretno, strategija združivanja relevantnosti pokazala se kao superiorna metoda u usporedbi s tradicionalnim pristupima. Iako stvaranje nekoliko sekvenci uzrokuje dodatne troškove računanja, ovaj se postupak može paralelizirati kako bi se upravljala kašnjenjem i dodatno povećala kvalitetu preporuka.