I ricercatori di Hildesheim vincono il prestigioso prezzo della tecnologia web!

I ricercatori di Hildesheim vincono il prestigioso prezzo della tecnologia web!

Sydney, Australien - Giovedì 12 giugno 2025, la Conferenza internazionale World Wide Web a Sydney, in Australia, il ricercatore dell'Università di Hildesheim ha ricevuto il rinomato premio Seoul Test of Time. I vincitori, tra cui il Prof. Dr. Dr. Lars Schmidt-THIEME e gli ex studenti di dottorato Dr. Steffen Rendle e il Dr. Christoph Freudenthaler, sono stati onorati per la loro ricerca pionieristica nel campo dei sistemi di raccomandazioni sequenziali. Il tuo lavoro ha ottenuto oltre 2.900 citazioni dal 2010, che sottolinea la rilevanza internazionale dei tuoi risultati. Questo premio è stato assegnato dall'International World Wide Web Conference Committee e dall'Association for Computing Machinery (ACM) dal 2014, il cui obiettivo è quello di fare rete insegnanti e ricercatori e promuovere il dialogo e l'apprendimento permanente.

La ricerca degli scienziati di Hildesheim si occupa della modellizzazione degli effetti della sequenza delle serie e delle proprietà latenti di utenti e oggetti. In particolare, viene sottolineato l'uso dei loro risultati nelle aree di e-commerce e l'apprendimento potenziato dalla tecnologia. Una caratteristica speciale degli studi è l'uso di dati di un fondo di terza parte in collaborazione con la catena di farmacia Rossmann.

Innovazioni nei sistemi di raccomandazione

La ricerca di Schmidt-THIEME e del suo team mira a migliorare i sistemi di raccomandazione esistenti. Gli approcci tradizionali si concentrano spesso sulla previsione di un singolo articolo. Nei loro studi, d'altra parte, l'attenzione è rivolta alle cosiddette raccomandazioni Top-K. Ciò significa che sono previsti diversi elementi contemporaneamente con cui gli utenti potrebbero probabilmente interagire. La sfida qui è sviluppare modelli che non solo creano un singolo elemento, ma anche un elenco di articoli classificato intero.

Un approccio comprovato utilizzato è la modifica dei modelli esistenti per consentire previsioni multiple. Ad esempio, viene utilizzato il modello GPT-2, che è stato appositamente addestrato in una sequenza utente per la previsione dell'elemento successivo. La generazione passo-passo tiene conto di articoli già raccomandati e produce strategie di generazione innovative come la decodifica avida, la ricerca del raggio e la temperatura campionamento, insieme a nuovi metodi come la classifica ricorsiva.

misurazione e risultati della ricerca

La convalida di questi metodi si basava su vari record di dati, tra cui MO molti 20m e Yelp. Gli esperimenti condotti hanno assicurato che solo gli utenti fossero utilizzati per l'analisi con interazioni sufficienti. NDCG, richiamo e precisione media media sono stati utilizzati come metriche standard per la valutazione delle prestazioni dei sistemi di raccomandazione.

I risultati mostrano che le strategie di generazione di autori offrono significativi vantaggi nella qualità delle previsioni a lungo termine. In particolare, la strategia di aggregazione di rilevanza si è rivelata un metodo superiore rispetto agli approcci tradizionali. Sebbene la generazione di diverse sequenze provochi ulteriori costi di calcolo, questo processo può essere parallelizzato per gestire la latenza e aumentare ulteriormente la qualità delle raccomandazioni.