Os pesquisadores da Hildesheim ganham o prestigioso preço da tecnologia da web!

Os pesquisadores da Hildesheim ganham o prestigioso preço da tecnologia da web!

Sydney, Australien - Na quinta -feira, 12 de junho de 2025, a Conferência Internacional da World Wide Web em Sydney, Austrália, pesquisadora da Universidade de Hildesheim, recebeu o renomado Prêmio de Teste de Tempo de Seul. Os vencedores, incluindo o Dr. Dr. Lars Schmidt-Thieme e os ex-estudantes de doutorado, o Dr. Steffen Rendle e o Dr. Christoph Freudenthaler foram homenageados por sua pesquisa pioneira no campo de sistemas de recomendação seqüencial. Seu trabalho alcançou mais de 2.900 citações desde 2010, o que sublinha a relevância internacional de suas descobertas. Este prêmio foi concedido pelo Comitê Internacional de Conferências da World Web e pela Associação de Máquinas de Computação (ACM) desde 2014, cujo objetivo é conectar professores e pesquisadores em rede e promover o diálogo e a aprendizagem ao longo da vida.

A pesquisa dos cientistas de Hildesheim lida com a modelagem de efeitos de sequência em série e propriedades latentes de usuários e itens. Em particular, o uso de seus resultados nas áreas de comércio eletrônico e aprendizado aprimorado pela tecnologia é enfatizado. Uma característica especial de seus estudos é o uso de dados de um terceiro fundo em cooperação com a rede de farmácias Rossmann.

inovações em sistemas de recomendação

A pesquisa de Schmidt-Thieme e sua equipe pretende melhorar os sistemas de recomendação existentes. As abordagens tradicionais geralmente se concentram na previsão de um único artigo. Em seus estudos, por outro lado, o foco está nas chamadas recomendações principais. Isso significa que vários itens são previstos ao mesmo tempo com os quais os usuários provavelmente poderiam interagir. O desafio aqui é desenvolver modelos que não apenas criem um único elemento, mas também uma lista de artigos classificados e também classificados.

Uma abordagem comprovada usada é a modificação dos modelos existentes para ativar várias previsões. Por exemplo, o modelo GPT-2 é usado, que foi especialmente treinado em uma sequência de usuários para a previsão do próximo elemento. A geração passo a passo leva em consideração artigos já recomendados e produz estratégias inovadoras de geração, como decodificação gananciosa, pesquisa de feixe e amostragem de temperatura, além de novos métodos, como classificação recursiva.

Medição e resultados da pesquisa

A validação desses métodos foi baseada em vários registros de dados, incluindo MO muitos 20m e Yelp. As experiências realizadas garantiram que apenas os usuários fossem usados ​​para análise com interações suficientes. NDCG, recall e precisão média média foram usadas como métricas padrão para a avaliação de desempenho dos sistemas de recomendação.

Os resultados mostram que as estratégias de geração compressiva do autor oferecem vantagens significativas na qualidade de previsões de longo prazo. Em particular, a estratégia de agregação de relevância provou ser um método superior em comparação com as abordagens tradicionais. Embora a geração de várias seqüências cause custos adicionais de computação, esse processo pode ser paralelado para gerenciar a latência e aumentar ainda mais a qualidade das recomendações.