Vedci z Hildesheim vyhrávajú prestížnu cenu webovej technológie!

Vedci z Hildesheim vyhrávajú prestížnu cenu webovej technológie!

Sydney, Australien - Vo štvrtok 12. júna 2025 bola Medzinárodná webová konferencia World Wide v Austrálii v Sydney, výskumný pracovník na University of Hildesheim udelená cena Renomned Soul Test of Time Award. Víťazi vrátane prof. Dr. Lars Schmidt-Thieme a bývalí doktorandov Dr. Steffen Rendle a Dr. Christoph Freudenthaler boli ocenení za priekopnícky výskum v oblasti systémov sekvenčných odporúčaní. Vaša práca dosiahla od roku 2010 viac ako 2 900 citácií, čo zdôrazňuje medzinárodný význam vašich zistení. Túto cenu udelila Medzinárodný výbor World Wide Web Conference Conference a Asociácia pre počítačové stroje (ACM) od roku 2014, ktorého cieľom je prepojiť učiteľov a výskumných pracovníkov a propagovať dialóg, ako aj celoživotné vzdelávanie.

Výskum vedcov Hildesheim sa zaoberá modelovaním sériových sekvenčných efektov a latentných vlastností používateľov a položiek. Zdôrazňuje sa najmä využitie ich výsledkov v oblastiach elektronického obchodu a technológie. Špeciálnou vlastnosťou vašich štúdií je použitie údajov z fondu tretej strany v spolupráci s reťazcom liekov Rossmann.

inovácie v odporúčaných systémoch

Výskum Schmidt-Thieme a jeho tímu sa zameriava na zlepšenie existujúcich systémov odporúčania. Tradičné prístupy sa často sústreďujú na predikciu jedného článku. Na druhej strane sa vo svojich štúdiách zameriava na takzvané odporúčania Top-K. To znamená, že sa predpovedá niekoľko položiek v rovnakom čase, s ktorým by používatelia pravdepodobne mohli interagovať. Výzvou je vyvinúť modely, ktoré vytvárajú nielen jeden prvok, ale aj celý zoznam článkov.

Uvedený prístup, ktorý sa používa, je modifikácia existujúcich modelov na umožnenie viacerých predpovedí. Používa sa napríklad model GPT-2, ktorý bol špeciálne vyškolený v užívateľskej sekvencii na predikciu nasledujúceho prvku. Generácia krok za krokom berie do úvahy už odporúčané články a produkuje inovatívne výrobné stratégie, ako sú chamtivé dekódovanie, vyhľadávanie lúčov a tempertensamplovanie, spolu s novými metódami, ako je rekurzívne hodnotenie.

Meranie a výsledky výskumu

Validácia týchto metód bola založená na rôznych údajových záznamoch vrátane MO mnoho 20 metrov a Yelp. Vykonané experimenty zabezpečili, že na analýzu s dostatočnými interakciami boli použití iba používatelia. Ako štandardné metriky na hodnotenie výkonnosti systémov odporúčania sa použili NDCG, stiahnutie a priemerná priemerná presnosť.

Výsledky ukazujú, že stratégie autora -kompresívnej generácie ponúkajú významné výhody v kvalite dlhodobých predpovedí. Najmä stratégia agregácie relevantnosti sa ukázala ako vynikajúca metóda v porovnaní s tradičnými prístupmi. Aj keď generovanie niekoľkých sekvencií spôsobuje ďalšie výpočtové náklady, tento proces sa dá paralelizovať, aby sa riadila latencia a ďalej zvýšila kvalitu odporúčaní.