权益分类	功能权益	普通用户	{{item.name}}会员
{{category.name}}	{{benefitItem.name}}

Learning Semantic Recommenders

学习语义推荐器

基本信息

批准号：
190144725
负责人：
Professor Dr.-Ing. Sahin Albayrak
金额：
--
依托单位：
Institut für Wirtschaftsinformatik und Quantitative Methoden
依托单位国家：
德国
项目类别：
Research Grants
财政年份：
2010
资助国家：
德国
起止时间：
2009-12-31 至 2015-12-31
项目状态：
已结题

来源：
https://gepris.dfg.de/gepris/projekt/190144725?language=en
关键词：
Learning Semantic Recommenders

项目摘要

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.

在diesem Projekt soll untersucht werden中，我们的empfehlung algorithm f<e:1> r semantische Datensätze maschinell werden können。emfehlunssystemssalgorithm, die einem gegebenen Benutzer in einem bestestimationcontext . list von object . emfehlen。1 .在因特网上建立因特网，在因特网上建立因特网，在因特网上建立语义，在因特网上建立语义，在因特网上建立语义，在因特网上建立语义，在因特网上建立语义，在因特网上建立语义。Um dem Benutzer funddierte Empfehlungen präsentieren zu können, musus ein Empfehlungen system stetitig mehr Fakten, ber as zu empfehlune object, z. B. ein productkt, sowie den Benutzer und seine Präferenzen in die Empfehlungen einfließen lassen。disese Zunahme and Komplexität， welche sich sowohl in einer zunehmenden Diversität and Entitätstypen也auche in einer steigenden vilelfalt der Entitätsbeziehungen widerspiegelt， wird von derzeit existierenden empfehlunsmethoden nicht der nur unzureichend unterst<s:1> tzt。In der Regel sind Empfehlungssysteme f<e:1> r eine statische Menge von Entitätstypen und Entitätsbeziehungen konzipiert und sind gegen<s:1> ber Änderungen and dieser Menge unflexibel。Ziel de Projektes ist es， lerende semantische emfehlungen算法zuentwickelen和zuevaluien， die in der Lage，复杂语义（复杂语义）Zusammenhänge innerhalb der zugrundeliegenen Daten automatisch zuerkenen和bei emfehlungen zuckreichen， um eine erhöhte Empfehlungsqualität zuerreichen。

项目成果

期刊论文数量（9）

专著数量（0）

科研奖励数量（0）

会议论文数量（0）

专利数量（0）

Personalized Information Access Using Semantic Knowledge

使用语义知识的个性化信息访问

DOI：
10.1007/978-3-319-14178-7_7
发表时间：
2015
期刊：
影响因子：
0
作者：
Till Plumbaum;Andreas Lommatzsch
通讯作者：
Andreas Lommatzsch

An analysis of the 2014 RecSys Challenge

DOI：
10.1145/2668067.2668082
发表时间：
2014-10
期刊：
影响因子：
0
作者：
D. Loiacono;A. Lommatzsch;R. Turrin
通讯作者：
D. Loiacono;A. Lommatzsch;R. Turrin

Workshop on benchmarking adaptive retrieval and recommender systems: BARS 2013

自适应检索和推荐系统基准研讨会：BARS 2013

DOI：
10.1145/2484028.2484224
发表时间：
2013
期刊：
Proceedings of the 36th international ACM SIGIR conference on Research and development in information retrieval
影响因子：
0
作者：
Pablo Castells;Frank Hopfgartner;Alan Said;Mounia Lalmas
通讯作者：
Mounia Lalmas

Semantic preference retrieval for querying knowledge bases

用于查询知识库的语义偏好检索