Learning Semantic Recommenders

点击翻译按钮获取中文摘要

In diesem Projekt soll untersucht werden, wie Empfehlungsalgorithmen für semantische Datensätze maschinell erlernt werden können. Empfehlungssysteme sind Algorithmen, die einem gegebenen Benutzer in einem bestimmten Kontext eine Liste von Objekten empfehlen. Mit dem Wachstum des Internets und der verstärkten Verschränkung und semantischen Anreicherung von Online-Diensten nimmt die Komplexität der Datensätze, welche einem Empfehlungssystem zugrunde liegen, kontinuierlich zu. Um dem Benutzer fundierte Empfehlungen präsentieren zu können, muss ein Empfehlungssystem stetig mehr Fakten über das zu empfehlende Objekt, z. B. ein Produkt, sowie den Benutzer und seine Präferenzen in die Empfehlungen einfließen lassen. Diese Zunahme an Komplexität, welche sich sowohl in einer zunehmenden Diversität an Entitätstypen als auch in einer steigenden Vielfalt der Entitätsbeziehungen widerspiegelt, wird von derzeit existierenden Empfehlungsmethoden nicht oder nur unzureichend unterstützt. In der Regel sind Empfehlungssysteme für eine statische Menge von Entitätstypen und Entitätsbeziehungen konzipiert und sind gegenüber Änderungen an dieser Menge unflexibel. Ziel des Projektes ist es, lernende semantische Empfehlungsalgorithmen zu entwickeln und zu evaluieren, die in der Lage sind, komplexe semantische Zusammenhänge innerhalb der zugrundeliegenden Daten automatisch zu erkennen und bei ihren Empfehlungen zu berücksichtigen, um eine erhöhte Empfehlungsqualität zu erreichen.