Raziskovalci Hildesheima osvojijo prestižno ceno spletne tehnologije!

Raziskovalci Hildesheima osvojijo prestižno ceno spletne tehnologije!

Sydney, Australien - V četrtek, 12. junija 2025, je mednarodna svetovna spletna konferenca v Sydneyju v Avstraliji, raziskovalka na Univerzi v Hildesheimu, prejela priznano nagrado Seul Test of Time. Zmagovalci, med njimi prof. Dr. Lars Schmidt-Thieme in nekdanji doktorski študenti dr. Steffen Rendle in dr. Christoph Freudenthaler, so bili počaščeni za svoje pionirske raziskave na področju zaporednih priporočil. Vaše delo je od leta 2010 doseglo več kot 2900 citiranj, kar poudarja mednarodno pomembnost vaših ugotovitev. To nagrado sta od leta 2014 podelila Mednarodna svetovna odbor za spletno konferenco in Združenje za računalništvo (ACM), katerega cilj je povečati učitelje in raziskovalce ter spodbujati dialog ter vseživljenjsko učenje.

Raziskave znanstvenikov Hildesheim se ukvarja z modeliranjem učinkov zaporedja serij in latentnih lastnosti uporabnikov in predmetov. Zlasti je poudarjena uporaba njihovih rezultatov na področju e-trgovine in izboljšanega učenja. Posebnost vaših študij je uporaba podatkov iz sklada tretjega člana v sodelovanju z verigo drog Rossmann.

inovacije v priporočilih

Raziskave Schmidt-Thieme in njegove ekipe želi izboljšati obstoječe priporočilne sisteme. Tradicionalni pristopi se pogosto osredotočajo na napoved enega samega članka. Po drugi strani je v svojih študijah poudarek na tako imenovanih priporočilih vrhunskih K. To pomeni, da se hkrati napoveduje več elementov, s katerimi bi uporabniki verjetno lahko sodelovali. Tu je izziv razviti modele, ki ne ustvarjajo samo enega samega elementa, ampak tudi celoten seznam člankov.

Dokazan pristop, ki se uporablja, je sprememba obstoječih modelov, ki omogočajo več napovedi. Uporablja se na primer model GPT-2, ki je bil posebej usposobljen v uporabniškem zaporedju za napovedovanje naslednjega elementa. Generacija po korakih upošteva že priporočene članke in ustvarja inovativne strategije generacije, kot so pohlepno dekodiranje, iskanje žarkov in temperament, skupaj z novimi metodami, kot je rekurzivna uvrstitev.

meritev in rezultati raziskav

Validacija teh metod je temeljila na različnih zapisih podatkov, vključno z MO številnimi 20 m in Yelp. Izvedeni poskusi so zagotovili, da so bili za analizo z zadostnimi interakcijami uporabljeni samo uporabniki. NDCG, odpoklic in povprečna povprečna natančnost so bili uporabljeni kot standardne meritve za oceno uspešnosti priporočil.

Rezultati kažejo, da avtor -kompresivne strategije generacije ponujajo pomembne prednosti v kakovosti dolgoročnih napovedi. Zlasti se je strategija združevanja ustreznosti izkazala za vrhunsko metodo v primerjavi s tradicionalnimi pristopi. Čeprav ustvarjanje več zaporedja povzroči dodatne stroške računalništva, je ta postopek lahko vzporedni, da se obvladuje zamude in še poveča kakovost priporočil.