Hildesheim -onderzoekers winnen de prestigieuze webtechnologieprijs!

Hildesheim -onderzoekers winnen de prestigieuze webtechnologieprijs!

Sydney, Australien - Op donderdag 12 juni 2025 ontving de International World Wide Web Conference in Sydney, Australië, onderzoeker aan de Universiteit van Hildesheim, de gerenommeerde Seoul Test of Time Award. De winnaars, waaronder prof. Dr. Dr. Lars Schmidt-Thieme en de voormalige doctoraatsstudenten Dr. Steffen Rendle en Dr. Christoph Freudenthaler werden geëerd voor hun baanbrekende onderzoek op het gebied van sequentiële aanbevelingensystemen. Uw werk heeft sinds 2010 meer dan 2.900 citaat behaald, wat de internationale relevantie van uw bevindingen onderstreept. Deze prijs is toegekend door de International World Wide Web Conference Committee en de Association for Computing Machinery (ACM) sinds 2014, waarvan het doel is om leraren en onderzoekers te netwerken en om dialoog en levenslang leren te bevorderen.

Het onderzoek van de Hildesheim -wetenschappers gaat over het modelleren van seriessequentie -effecten en latente eigenschappen van gebruikers en items. In het bijzonder wordt het gebruik van hun resultaten op de gebieden van e-commerce en technologisch verbeterd leren benadrukt. Een speciaal kenmerk van uw studies is het gebruik van gegevens uit een derde partijfonds in samenwerking met de drogeringsketen Rossmann.

innovaties in aanbevelingssystemen

Het onderzoek van Schmidt-Thieme en zijn team heeft als doel bestaande aanbevelingssystemen te verbeteren. Traditionele benaderingen concentreren zich vaak op de voorspelling van een enkel artikel. In haar studies daarentegen ligt de focus op zogenaamde top-K-aanbevelingen. Dit betekent dat verschillende items tegelijkertijd worden voorspeld waarmee gebruikers waarschijnlijk kunnen communiceren. De uitdaging hier is om modellen te ontwikkelen die niet alleen een enkel element creëren, maar ook een hele, gerangschikte lijst met artikelen.

Een bewezen aanpak is de wijziging van bestaande modellen om meerdere voorspellingen mogelijk te maken. Het GPT-2-model wordt bijvoorbeeld gebruikt, dat speciaal is getraind in een gebruikersreeks voor de voorspelling van het volgende element. Stapsgewijze generatie houdt rekening met al aanbevolen artikelen en produceert innovatieve generatiestrategieën zoals hebzuchtige decodering, bundelopdracht en tempertensampling, samen met nieuwe methoden zoals recursieve rangorde.

meting en resultaten van onderzoek

De validatie van deze methoden was gebaseerd op verschillende gegevensrecords, waaronder MO veel 20m en Yelp. De uitgevoerd experimenten zorgden ervoor dat alleen gebruikers werden gebruikt voor analyse met voldoende interacties. NDCG, recall en gemiddelde gemiddelde precisie werden gebruikt als standaardstatistieken voor de prestatiebeoordeling van de aanbevelingssystemen.

Uit de resultaten blijkt dat de strategieën voor de auteur -compressieve generatie aanzienlijke voordelen bieden in de kwaliteit van de voorspellingen op lange termijn. In het bijzonder bleek de relevantie -aggregatiestrategie een superieure methode te zijn in vergelijking met traditionele benaderingen. Hoewel het genereren van verschillende sequenties extra rekenkosten veroorzaakt, kan dit proces worden parallelliseerd om de latentie te beheren en de kwaliteit van de aanbevelingen verder te vergroten.