Studium von maschinellen Verfahren, die in komplexen Semantischen Datensätzen Empfehlungsalgorithmen lernen
Zusammenfassung der Projektergebnisse
Im Rahmen des Projektes wurden Algorithmen entwickelt und optimiert, mit denen Empfehlungssysteme auf semantischen Daten erstellt werden können. Die Leistungsfähigkeit der Algorithmen wurde anhand unterschiedlicher Datensätze aus verschiedenen Domänen evaluiert. Die Ergebnisse wurden auf verschiedenen Konferenzen präsentiert. Die Anwendbarkeit der Algorithmen in praxisrelevanten Szenarien wird anhand der entwickelten Demonstratoren gezeigt. Im Projekt Learning Semantic Recommender wurden Ansätze und Verfahren erforscht mit denen Empfehlungssysteme für heterogene semantische Datensätze erlernt werden können. Als Ausgangsbasis dienen dabei Daten aus sozialen Netzwerken sowie aus dem Bereich Linked Open Data ("LOD-Cloud"). Es wird davon ausgegangen, dass die Daten als n-Tupel vorliegen oder in ein semantisches Datenformat überführt werden können. Bei der Entwicklung eines universellen Empfehlungssystems müssen vielfältige Herausforderungen berücksichtigt werden, für die im Projekt jeweils geeignete Lösungen entwickelt und evaluiert wurden.
Projektbezogene Publikationen (Auswahl)
-
An Architecture for Smart Semantic Recommender Applications.
In: GI Edition Proceedings Band 186: 11th International Conference on Innovative Internet Community Systems (I2CS 2011): June 15-17, 2011 Berlin, Germany, 2011 pp. 105-114.
Andreas Lommatzsch, Till Plumbaum, Sahin Albayrak
-
Semantic Preference Retrieval for Querying Knowledge Bases.
In: Proceedings of the 1st Joint International Workshop on Entity-Oriented and Semantic Search (JIWES, 2012) at the 35th ACM SIGIR Conference 2012, Article No. 6
Christian Scheel, Alan Said, Sahin Albayrak
-
SERUM: Collecting Semantic User Behavior for Improved News
Recommendations. In: International Conference on User Modeling, Adaptation, and Personalization UMAP 2011: Advances in User Modeling, 2012, pp 402-405.
Till Plumbaum, Andreas Lommatzsch, Ernesto De Luca, Sahin Albayrak
-
Users and Noise: The Magic Barrier of Recommender Systems.
In: Proceedings of the 20th International Conference on User Modeling, Adaptation, and Personalization (UMAP '12). Lecture Notes in Computer Science, vol. 7379. 2012, pp. 237-248.
Alan Said, Brijnesh Johannes Jain, Sascha Narr, Till Plumbaum
-
Workshop and Challenge on News Recommender Systems.
In: ACM RecSys: Proceedings of the Seventh ACM Conference on
Recommender Systems, 2013, pp. 481-482.
Jon Atle Gulla, Kevin C. Almeroth, Mozhgan Tavakolifard, Frank Hopfgartner, Till Plumbaum, Benjamin Kille, Andreas Lommatzsch, Torben Brodt, Arthur Bucko, Tobias Heintz
-
Workshop on Benchmarking Adaptive Retrieval and Recommender Systems - BARS 2013. In: SIGIR'13: Proceedings of the 36th Annual ACM SIGIR Conference, 2013, pp. 1133-1133.
Pablo Castells, Frank Hopfgartner, Alan Said, Mounia Lalmas
-
An Analysis of the 2014 RecSys Challenge. In: Proceedings of the 2014 Recommender Systems Challenge, Foster City, CA, USA, 2014, pp. 1-6.
Daniele Loiacono, Andreas Lommatzsch, Roberto and Turrin
-
Personalized Information Access Using Semantic Knowledge.
In: Frank Hopfgartner (Ed.): Smart Information Systems, Serie: Advances in Computer Vision and Pattern Recognition, 2015, pp 125-147.
Till Plumbaum, Andreas Lommatzsch
-
Semantic Movie Recommendations. In: Frank Hopfgartner (Ed.): Smart Information Systems. Advances in Computer Vision and Pattern Recognition, 2015, pp 125-147.
Andreas Lommatzsch
-
Situation Awareness Meets Ontologies: A Context Spaces Case Study.
In: The Ninth International and Interdisciplinary Conference on Modeling and Using Context (CONTEXT'15), 2015, pp. 3-17.
Andrey Boytsov, Arkady Zaslavsky, Elif Eryilmaz, Sahin Albayrak
