A Hildesheim kutatói nyernek rangos webes technológiai árat!

A Hildesheim kutatói nyernek rangos webes technológiai árat!

Sydney, Australien - 2025. június 12 -én, csütörtökön az ausztráliai Sydney -i Nemzetközi Világszerte webes konferencián a Hildesheimi Egyetem kutatója elnyerte a híres Szöul Test of Time Award -ot. A győzteseket, köztük Dr. Dr. Lars Schmidt-Thieme-t és a volt doktori hallgatókat, Dr. Steffen Rendle-t és Dr. Christoph Freudenthalert, tisztelték az úttörő kutatásukat a szekvenciális ajánlási rendszerek területén. Munkája 2010 óta több mint 2900 idézetet ért el, ami hangsúlyozza a megállapításainak nemzetközi relevanciáját. Ezt a díjat 2014 óta a Nemzetközi Világintézet -Konferencia Bizottsága és a számítástechnikai gépek Szövetsége (ACM) ítélte oda, amelynek célja a tanárok és a kutatók hálózati és kutatói, valamint a párbeszéd, valamint az egész életen át tartó tanulás előmozdítása.

A Hildesheim tudósok kutatása a sorozatok szekvenciahatásainak modellezésével, valamint a felhasználók és elemek látens tulajdonságaival foglalkozik. Különösen az eredményeik felhasználása az e-kereskedelem és a technológia fokozott tanulásának területein hangsúlyozza. Tanulmányok különleges jellemzője a harmadik fél alapból származó adatok felhasználása a Rossmann gyógyszertárlánccal együttműködve.

innovációk az ajánlási rendszerekben

A Schmidt-Thieme és csapata kutatása célja a meglévő ajánlási rendszerek fejlesztése. A hagyományos megközelítések gyakran egyetlen cikk előrejelzésére koncentrálnak. Tanulmányaiban viszont a hangsúly az úgynevezett Top-K ajánlásokra összpontosít. Ez azt jelenti, hogy több elemre számítanak egyszerre, amikor a felhasználók valószínűleg kölcsönhatásba léphetnek. A kihívás itt olyan modellek fejlesztése, amelyek nemcsak egyetlen elemet hoznak létre, hanem egy egész, rangsorolt ​​cikkek listáját is.

Bizonyított megközelítés, amelyet alkalmaznak, a meglévő modellek módosítása a több előrejelzés lehetővé tétele érdekében. Például a GPT-2 modellt használják, amelyet kifejezetten felhasználói sorrendben képeztek a következő elem előrejelzésére. A lépésről lépésre történő generáció figyelembe veszi a már ajánlott cikkeket, és olyan innovatív generációs stratégiákat állít elő, mint a kapzsi dekódolás, a sugárkeresés és a tempertenSmpling, valamint az új módszerek, például a rekurzív rangsorolás.

A kutatás mérése és eredményei

Ezeknek a módszereknek a validálása különféle adatrekordokon alapult, beleértve a MO sok 20M -et és a YELP -t. A végrehajtott kísérletek biztosítják, hogy csak a felhasználókat használják az elemzéshez elegendő interakcióval. Az NDCG -t, a visszahívást és az átlagos átlagos pontosságot használták standard metrikákként az ajánlási rendszerek teljesítményértékeléséhez.

Az eredmények azt mutatják, hogy a szerző -kompresszív generációs stratégiák jelentős előnyöket kínálnak a hosszú távú előrejelzések minőségében. Különösen a relevancia -aggregációs stratégia kiemelkedő módszernek bizonyult a hagyományos megközelítésekhez képest. Noha a több szekvencia előállítása további számítási költségeket okoz, ez a folyamat párhuzamosítható a késleltetés kezelése és az ajánlások minőségének további növelése érdekében.