HildeSheim -forskare vinner prestigefyllda webbteknologipris!

HildeSheim -forskare vinner prestigefyllda webbteknologipris!

Sydney, Australien - Torsdagen den 12 juni 2025 tilldelades International World Wide Web Conference i Sydney, Australien, forskare vid University of Hildesheim det berömda Seoul -testet. Vinnarna, inklusive prof. Dr. Dr. Lars Schmidt-Thieme och de tidigare doktorander Dr. Steffen Rendle och Dr. Christoph Freudenthaler hedrades för sin banbrytande forskning inom området sekventiella rekommendationssystem. Ditt arbete har uppnått över 2 900 citat sedan 2010, vilket understryker den internationella relevansen av dina resultat. Denna utmärkelsen har tilldelats av International World Wide Web Conference -kommittén och Association for Computing Machinery (ACM) sedan 2014, vars syfte är att nätverkslärare och forskare och främja dialog och livslångt lärande.

Forskningen från Hildesheim -forskarna handlar om modellering av seriesekvenseffekter och latenta egenskaper hos användare och objekt. I synnerhet betonas användningen av deras resultat inom områdena e-handel och teknikförstärkt lärande. Ett speciellt inslag i dina studier är användningen av data från en tredje partifond i samarbete med apotekskedjan Rossmann.

Innovationer i rekommendationssystem

Forskningen från Schmidt-Thieme och hans team syftar till att förbättra befintliga rekommendationssystem. Traditionella tillvägagångssätt koncentrerar sig ofta på förutsägelsen av en enda artikel. I sina studier, å andra sidan, är fokuset på så kallade Top-K-rekommendationer. Detta innebär att flera objekt förutsägs samtidigt som användare troligen kan interagera med. Utmaningen här är att utveckla modeller som inte bara skapar ett enda element, utan också en hel, rankad lista över artiklar.

En beprövad metod som används är modifieringen av befintliga modeller för att möjliggöra flera prognoser. Till exempel används GPT-2-modellen, som var speciellt tränad i en användarsekvens för förutsägelse av nästa element. Steg-för-steg-generation tar hänsyn till redan rekommenderade artiklar och producerar innovativa generationstrategier som girig avkodning, strålsökning och temperatursampling, tillsammans med nya metoder som rekursiv ranking.

mätning och resultat av forskning

Valideringen av dessa metoder baserades på olika dataposter, inklusive MO många 20m och Yelp. Experimenten genomfördes säkerställde att endast användare användes för analys med tillräckliga interaktioner. NDCG, återkallelse och genomsnittlig genomsnittlig precision användes som standardmätningar för prestationsbedömningen av rekommendationssystemen.

Resultaten visar att författarens -Pressiva generationstrategier erbjuder betydande fördelar i kvaliteten på långsiktiga förutsägelser. I synnerhet visade sig relevansaggregeringsstrategin vara en överlägsen metod jämfört med traditionella tillvägagångssätt. Även om genereringen av flera sekvenser orsakar ytterligare datorkostnader, kan denna process parallelliseras för att hantera latensen och ytterligare öka kvaliteten på rekommendationerna.