Hildesheim -forskere vinner prestisjetunge nettteknologipris!

Hildesheim -forskere vinner prestisjetunge nettteknologipris!

Sydney, Australien - Torsdag 12. juni 2025 ble den internasjonale World Wide Web Conference i Sydney, Australia, forsker ved University of Hildesheim tildelt den anerkjente Seoul Test of Time Award. Vinnerne, inkludert prof. Dr. Dr. Lars Schmidt-Thieme og de tidligere doktorgradsstudentene Dr. Steffen Rendle og Dr. Christoph Freudenthaler ble hedret for sin banebrytende forskning innen sekvensiell anbefalingssystemer. Arbeidet ditt har oppnådd over 2900 sitering siden 2010, noe som understreker den internasjonale relevansen av funnene dine. Denne prisen er tildelt av International World Wide Web Conference Committee og Association for Computing Machinery (ACM) siden 2014, hvis mål er å nettverkslærere og forskere og å fremme dialog så vel som livslang læring.

Forskningen av Hildesheim -forskerne omhandler modellering av seriesekvenseffekter og latente egenskaper til brukere og elementer. Spesielt vektlegges bruken av resultatene i områdene e-handel og teknologi forbedret læring. Et spesielt trekk ved studiene dine er bruk av data fra et tredje -parti -fond i samarbeid med apotekkjeden Rossmann.

Innovasjoner i anbefalingssystemer

Forskningen av Schmidt-Thieme og teamet hans har som mål å forbedre eksisterende anbefalingssystemer. Tradisjonelle tilnærminger konsentrerer seg ofte om prediksjonen av en enkelt artikkel. I studiene er derimot fokuset på såkalte Top-K-anbefalinger. Dette betyr at flere elementer er spådd samtidig som brukere sannsynligvis kan samhandle med. Utfordringen her er å utvikle modeller som ikke bare skaper et enkelt element, men også en hel, rangert liste over artikler.

En påvist tilnærming som brukes er modifisering av eksisterende modeller for å muliggjøre flere prognoser. For eksempel brukes GPT-2-modellen, som ble spesielt trent i en brukersekvens for prediksjon av neste element. Trinn-for-trinns generasjon tar hensyn til allerede anbefalte artikler og produserer innovative generasjonsstrategier som grådig avkoding, bjelkesøk og tempertensampling, sammen med nye metoder som rekursiv rangering.

Måling og resultater av forskning

Validering av disse metodene var basert på forskjellige dataregistreringer, inkludert MO mange 20M og Yelp. Eksperimentene som ble utført sørget for at bare brukere ble brukt til analyse med tilstrekkelige interaksjoner. NDCG, tilbakekalling og gjennomsnittlig gjennomsnittlig presisjon ble brukt som standardmålinger for ytelsesvurdering av anbefalingssystemene.

Resultatene viser at forfatter -komprimerende generasjonsstrategier gir betydelige fordeler i kvaliteten på langvarige spådommer. Spesielt viste relevansaggregasjonsstrategien seg å være en overlegen metode sammenlignet med tradisjonelle tilnærminger. Selv om generering av flere sekvenser forårsaker ytterligere datakostnader, kan denne prosessen parallelliseres for å håndtere latensen og øke kvaliteten på anbefalingene ytterligere.