piwik-script

Intern
    Data Science Chair

    Seminar: Ausgewählte Themen des Web 2.0

    Veranstalter: Prof. Dr. Andreas Hotho, Alexander Dallmann, Thomas Niebler, Lena Schwemmlein und Daniel Zoller

    WueCampus-Kurs: Link

    Vorbesprechung: 11.04.2014 14:00-15:00 Uhr in B015

    Vorbesprechung

    Bei der Vorbesprechung werden die Themen - so nicht schon vergeben - an die anwesenden Seminarteilnehmer verteilt. Grundsätzlich besteht Anwesenheitspflicht. Teilnehmer, die bereits ein Thema bearbeiten, aber ohne Absprache fehlen, verlieren ihren Anspruch auf ihr Thema. Die Literatur zu einem Thema besteht zumeist aus einem Buchkapitel oder einem Satz wissenschaftlicher Aufsätze (Paper). In der Vorbesprechung werden auch die Termine für die Vorträge festgelegt.

    Ablauf des Seminars

    Es handelt sich um ein Blockseminar, d.h. Vorträge werde nicht über das Semester verteilt, sondern in einigen wenigen Sitzungen gegen Ende der Vorlesungszeit gehalten. Jeder Votrag behandelt ein spezifisches Thema mit zugehöriger Literatur und erstreckt sich etwa über 30 Minuten. Zu jedem Vortrag muss eine Ausarbeitung, eine Zusammenfassung und ein Foliensatz erstellt werden.

    Dannach setzt man sich in der Vorbereitungsphase mit dem gewählten Thema auseinander. Die gegebene Literatur wird aufarbeitet. Zuätzlich soll diese durch möglichst aktuelle Literatur ergänzt werden. Die Auswahl der weiteren Literatur trifft der Seminarteilnehmer letztendlich in Absprache mit dem Betreuer.

    Nachdem die Literatur feststeht wird eine Ausarbeitung, eine einseitige Zusammenfassung und ein Foliensatz erstellt.

    Zuletzt wird der Vortrag im Rahmen einer Blockveranstaltung gehalten. Ein Probevortrag ist sinnvoll und erfolgt in Absprache mit dem jeweiligen Betreuer. Bei jeder Blockveranstaltung gilt Anwesenheitspflicht.

    Themen

    Die Gundlage zu den Vorträgen bilden wissenschaftliche Aufsätze (Papers). Jedes hier aufgeführte Paper entspricht einem Thema.

    Sie finden die Publikationen auch unter http://www.bibsonomy.org/relevantfor/group/uw_ss14_web2.0:

    • themenrelevante Paper sind mit dem Tag thema versehen
    • die einzelnen Themen werden anhand der Tags thema:x, thema:y, etc. unterschieden
    • A Bayesian Hierarchical Model for Learning Natural Scene Categories. Li, Fei-Fei; Perona, Pietro in CVPR (2) (2005). 524–531.
    • A Flexible Metric Nearest-Neighbor Classification based on the Decision Boundaries of SVM for Hyperspectral Image. Ho, Hsin-Hua; Kuo, Bor-Chen; Taur, Jin-Shiuh; Li, Cheng-Hsuan in IGARSS (4) (2008). 212–215.
    • A Model for Learning the Semantics of Pictures Lavrenko, V.; Manmatha, R.; Jeon, J. in NIPS (2003).
    • A personalized tag-based recommendation in social web systems Durao, F.; Dolog, P. in Adaptation and Personalization for Web 2.0 (2009). 40.
    • Active Learning for Interactive Multimedia Retrieval Huang, T.S.; Dagli, C.K.; Rajaram, S.; Chang, E.Y.; Mandel, M.I.; Poliner, Graham E.; Ellis, D.P.W. in Proceedings of the IEEE (2008). 96(4) 648–667.
    • An Efficient Algorithm for Local Distance Metric Learning. Yang, Liu; Jin, Rong; Sukthankar, Rahul; Liu, Yi in AAAI (2006). 543–548.
    • Annotation of paintings with high-level semantic concepts using transductive inference and ontology-based concept disambiguation. Leslie, Liza; Chua, Tat-Seng; Jain, Ramesh in ACM Multimedia, R. Lienhart, A. R. Prasad, A. Hanjalic, S. Choi, B. P. Bailey, N. Sebe (eds.) (2007). 443–452.
    • Automated Tag Clustering: Improving search and exploration in the tag space Begelman, Grigory; Keller, Philipp; Smadja, Frank in Proceedings of the Collaborative Web Tagging Workshop at the WWW 2006 (2006).
    • Automatic Image Annotation and Retrieval Using Cross-media Relevance Models Jeon, J.; Lavrenko, V.; Manmatha, R. in Proceedings of the 26th Annual International ACM SIGIR Conference on Research and Development in Informaion Retrieval, SIGIR ’03 (2003). 119–126.
    • Beyond Co-occurrence: Discovering and Visualizing Tag Relationships from Geo-spatial and Temporal Similarities Zhang, Haipeng; Korayem, Mohammed; You, Erkang; Crandall, David J. in Proceedings of the Fifth ACM International Conference on Web Search and Data Mining, WSDM ’12 (2012). 33–42.
    • Beyond Co-occurrence: Discovering and Visualizing Tag Relationships from Geo-spatial and Temporal Similarities Zhang, Haipeng; Korayem, Mohammed; You, Erkang; Crandall, David J. in Proceedings of the Fifth ACM International Conference on Web Search and Data Mining, WSDM ’12 (2012). 33–42.
    • Content-Based Image Annotation Refinement. Wang, Changhu; Jing, Feng; 0001, Lei Zhang; Zhang, Hong-Jiang in CVPR (2007).
    • Correlative multi-label video annotation. Qi, Guo-Jun; Hua, Xian-Sheng; Rui, Yong; Tang, Jinhui; Mei, Tao; Zhang, Hong-Jiang in ACM Multimedia, R. Lienhart, A. R. Prasad, A. Hanjalic, S. Choi, B. P. Bailey, N. Sebe (eds.) (2007). 17–26.
    • CYC: A Large-Scale Investment in Knowledge Infrastructure Lenat, Douglas in Communications of the ACM (1995). 38(11) 33–38.
    • Discriminant Adaptive Nearest Neighbor Classification. Hastie, Trevor; Tibshirani, Robert in KDD, U. M. Fayyad, R. Uthurusamy (eds.) (1995). 142–149.
    • Distance Metric Learning for Large Margin Nearest Neighbor Classification Weinberger, Kilian Q.; Saul, Lawrence K. in JMLR (2009). 207–244.
    • Distance Metric Learning for Large Margin Nearest Neighbor Classification. Weinberger, Kilian Q.; Saul, Lawrence K. in Journal of Machine Learning Research (2009). 10 207–244.
    • Distance Metric Learning with Application to Clustering with Side-Information Xing, Eric P.; Ng, Andrew Y.; Jordan, Michael I.; Russell, Stuart J. in NIPS’02 (2002). 505–512.
    • Distance metric learning with application to clustering with side-information Xing, Eric P; Ng, Andrew Y; Jordan, Michael I; Russell, Stuart in Advances in neural information processing systems (2003). 521–528.
    • Distance metric learning: A comprehensive survey Yang, Liu; Jin, Rong in Michigan State Universiy (2006). 2
    • Distance metric learning: A comprehensive survey Yang, Liu; Jin, Rong in Michigan State Universiy (2006). 2
    • Document recommendation in social tagging services. Guan, Ziyu; Wang, Can; Bu, Jiajun; Chen, Chun; Yang, Kun; Cai, Deng; He, Xiaofei in WWW, M. Rappa, P. Jones, J. Freire, S. Chakrabarti (eds.) (2010). 391–400.
    • Dual cross-media relevance model for image annotation. Liu, Jing; Wang, Bin; Li, Mingjing; Li, Zhiwei; Ma, Wei-Ying; Lu, Hanqing; Ma, Songde in ACM Multimedia, R. Lienhart, A. R. Prasad, A. Hanjalic, S. Choi, B. P. Bailey, N. Sebe (eds.) (2007). 605–614.
    • Duality and Geometry in SVM Classifiers. Bennett, Kristin P.; Bredensteiner, Erin J. in ICML, P. Langley (ed.) (2000). 57–64.
    • Efficient top-k querying over social-tagging networks Schenkel, Ralf; Crecelius, Tom; Kacimi, Mouna; Michel, Sebastian; Neumann, Thomas; Parreira, Josiane X; Weikum, Gerhard in Proceedings of the 31st annual international ACM SIGIR conference on Research and development in information retrieval (2008). 523–530.
    • Exploiting place features in link prediction on location-based social networks Scellato, Salvatore; Noulas, Anastasios; Mascolo, Cecilia in KDD, C. Apté, J. Ghosh, P. Smyth (eds.) (2011). 1046–1054.
    • Flickr distance Wu, Lei; Hua, Xian-Sheng; Yu, Nenghai; Ma, Wei-Ying; Li, Shipeng in MM ’08: Proceeding of the 16th ACM international conference on Multimedia (2008). 31–40.
    • Geographic location tags on digital images. Toyama, Kentaro; Logan, Ron; Roseway, Asta in ACM Multimedia, L. A. Rowe, H. M. Vin, T. Plagemann, P. J. Shenoy, J. R. Smith (eds.) (2003). 156–166.
    • Graphentheoretische Konzepte und Algorithmen Krumke, Sven Oliver; Noltemeier, Hartmut (2009). Springer DE.
    • I tag, you tag: translating tags for advanced user models Wetzker, Robert; Zimmermann, Carsten; Bauckhage, Christian; Albayrak, Sahin in Proceedings of the third ACM international conference on Web search and data mining, WSDM ’10 (2010). 71–80.
    • Image Categorization by Learning and Reasoning with Regions. Chen, Yixin; Wang, James Ze in Journal of Machine Learning Research (2004). 5 913–939.
    • Image retrieval: Ideas, influences, and trends of the new age. Datta, Ritendra; Joshi, Dhiraj; Li, Jia; Wang, James Ze in ACM Comput. Surv. (2008). 40(2)
    • iMet: Interactive Metric Learning in Healthcare Applications. 0001, Fei Wang; Sun, Jimeng; Hu, Jianying; Ebadollahi, Shahram in SDM (2011). 944–955.
    • Kernel Matrix. Sammut, Claude; Webb, Geoffrey I. in Encyclopedia of Machine Learning (2010). 566.
    • Large-Scale Duplicate Detection for Web Image Search. Wang, Bin; Li, Zhiwei; Li, Mingjing; Ma, Wei-Ying in ICME (2006). 353–356.
    • Large-scale multimodal semantic concept detection for consumer video. Chang, Shih-Fu; Ellis, Dan; Jiang, Wei; Lee, Keansub; Yanagawa, Akira; Loui, Alexander C.; Luo, Jiebo in Multimedia Information Retrieval, J. Z. Wang, N. Boujemaa, A. D. Bimbo, J. Li (eds.) (2007). 255–264.
    • Learning Distance Functions Using Equivalence Relations Bar-Hillel, Aharon; Hertz, Tomer; Shental, Noam; Weinshall, Daphna in IEEE VAST (2003). 83–92.
    • Learning the Kernel Matrix with Semidefinite Programming. Lanckriet, Gert R. G.; Cristianini, Nello; Bartlett, Peter L.; Ghaoui, Laurent El; Jordan, Michael I. in Journal of Machine Learning Research (2004). 5 27–72.
    • Learning with idealized kernels Kwok, J.T.; Tsang, I.W. in Proceedings of the Twentieth International Conference on Machine Learning (2003). 400–407.
    • Learning with Kernels Schölkopf, B.; Smola, A. J. (2002). MIT Press.
    • Mapping the World’s Photos Crandall, David J.; Backstrom, Lars; Huttenlocher, Daniel; Kleinberg, Jon in Proceedings of the 18th International Conference on World Wide Web, WWW ’09 (2009). 761–770.
    • Mapping the World’s Photos Crandall, David J.; Backstrom, Lars; Huttenlocher, Daniel; Kleinberg, Jon in Proceedings of the 18th International Conference on World Wide Web, WWW ’09 (2009). 761–770.
    • MapReduce: simplified data processing on large clusters Dean, Jeffrey; Ghemawat, Sanjay in Communications of the ACM (2008). 51(1) 107–113.
    • Metric Learning Weinberger, Kilian Q. (2010).
    • Mining the Peanut Gallery: Opinion Extraction and Semantic Classification of Product Reviews Dave, Kushal; Lawrence, Steve; Pennock, David M. (2003).
    • N-gram-based text categorization Cavnar, W.B.; Trenkle, J.M. in Ann Arbor MI (1994). 48113(2) 161–175.
    • Neighbourhood Component Analysis Goldberger, Jacob; Roweis, Sam; Hinton, Geoff; Salakhutdinov, Ruslan (2005).
    • On Kernel Target Alignment Cristianini, Nello; Kandola, Jaz; Elisseeff, Andre; Shawe-Taylor, John in Innovations in Machine Learning, D. E. Holmes, L. C. Jain (eds.) (2006). 205–256.
    • Personalized recommendation via integrated diffusion on user--item--tag tripartite graphs Zhang, Zi-Ke; Zhou, Tao; Zhang, Yi-Cheng in Physica A: Statistical Mechanics and its Applications (2010). 389(1) 179–186.
    • Personalized tag suggestion for flickr Garg, Nikhil; Weber, Ingmar in WWW ’08: Proceeding of the 17th International Conference on World Wide Web (2008). 1063–1064.
    • Probabilistic Latent Semantic Analysis Hofmann, Thomas in UAI (1999).
    • Probabilistic latent semantic indexing Hofmann, Thomas (1999). 50–57.
    • Query oriented subspace shifting for near-duplicate image detection. Wu, Lei; Liu, Jing; Yu, Nenghai; Li, Mingjing in ICME (2008). 661–664.
    • Region-based visual attention analysis with its application in image browsing on small displays. Liu, Huiying; Jiang, Shuqiang; Huang, Qingming; Xu, Changsheng; Gao, Wen in ACM Multimedia, R. Lienhart, A. R. Prasad, A. Hanjalic, S. Choi, B. P. Bailey, N. Sebe (eds.) (2007). 305–308.
    • Semantic concept-based query expansion and re-ranking for multimedia retrieval. Natsev, Apostol; Haubold, Alexander; Tesic, Jelena; Xie, Lexing; Yan, Rong in ACM Multimedia, R. Lienhart, A. R. Prasad, A. Hanjalic, S. Choi, B. P. Bailey, N. Sebe (eds.) (2007). 991–1000.
    • Semantic Modeling and Knowledge Representation in Multimedia Databases. Al-Khatib, Wasfi; Day, Young Francis; Ghafoor, Arif; Berra, P. Bruce in IEEE Trans. Knowl. Data Eng. (1999). 11(1) 64–80.
    • Semantic subspace projection and its application in image retrieval Jie Yu, Qi Tian (2008).
    • Statistical Learning and Kernel Methods Schölkopf, Bernhard (2000).
    • Tag-aware recommender systems by fusion of collaborative filtering algorithms Tso-Sutter, Karen HL; Marinho, Leandro Balby; Schmidt-Thieme, Lars in Proceedings of the 2008 ACM symposium on Applied computing (2008). 1995–1999.
    • The Google Similarity Distance Cilibrasi, Rudi L.; Vitáni, Paul M.B. (2007).
    • The YouTube Social Network Wattenhofer, Mirjam; Wattenhofer, Roger; Zhu, Zack in ICWSM, J. G. Breslin, N. B. Ellison, J. G. Shanahan, Z. Tufekci (eds.) (2012).
    • Unifying user-based and item-based collaborative filtering approaches by similarity fusion Wang, Jun; De Vries, Arjen P; Reinders, Marcel JT in Proceedings of the 29th annual international ACM SIGIR conference on Research and development in information retrieval (2006). 501–508.
    • Using Tag Co-occurrence for Recommendation. Wartena, Christian; Brussee, Rogier; Wibbels, Martin in ISDA (2009). 273–278.
    • Visual language modeling for image classification Wu, Lei; Li, Mingjing; Li, Zhiwei; Ma, Wei-Ying; Yu, Nenghai in MIR ’07: Proceedings of the international workshop on Workshop on multimedia information retrieval (2007). 115–124.
    • WordNet - A lexical database for the English language Cognitive Science Laboratory, Princeton University (2006).

    Leistungsnachweis

    Ein (1!) Tag vor dem ersten geplanten Vortrag sind per Email als PDF dem Betreuer abzugeben:

    • eine 12-seitige Ausarbeitung im hier beschriebenen Format (eine Vorlage für LaTeX findet sich  hier, die Vorlage für Word ist hier)
    • eine einseitige Zusammenfassung (die allen Teilnehmern ausgehändigt wird),
    • der Foliensatz

    Die einseitige Zusammenfassung wird von dem Betreuer drei Tage vor dem Seminarvortrag an alle Teilnehmer gesendet, so dass sich die Teilnehmer auf die vorgetragenen Themen einstellen können. 

    Vorherige Absprachen mit dem Betreuer sind ausdrücklich erlaubt. Alle verwendeten Referenzen sind zusätzlich zum Literaturverzeichnis der Ausarbeitung in http://www.bibsonomy.org mit den folgenden Tags einzugeben:

    "seminar", "ss2014", "talk", den Tags des jeweiligen Themas und weiteren sinnvollen Tags.

    Die Vortragsdauer beträgt verbindlich 30 Minuten, nach dem Vortrag besteht Gelegenheit zur Diskussion. Der Vortrag (inkl. Folien und Abstract) geht mit 40% in die Endnote ein, die Ausarbeitung ebenfalls mit 40%. Die letzten 20% bewerten die Eigenständigkeit der Ausarbeitung, Einhaltung von Terminen, Beteiligung am Seminar etc.

    Das Thema kann bis zu zwei Wochen nach der Vorbesprechung noch abgelegt werden. Dies muss schriftlich erfolgen. Geschieht dies nicht, muss auf jeden Fall eine Ausarbeitung abgegeben und ein Vortrag gehalten werden. Wird dies nicht getan, so zählt das Seminar als nicht bestanden.

    Bearbeitungshinweise

    Als Richtlinie für die Erstellung einer guten Seminararbeit (inkl. Vortrag und Ausarbeitung) wird das Buch

    Markus Deininger and Horst Lichter and Jochen Ludewig and Kurt Schneider. Studien-Arbeiten: ein Leitfaden zur Vorbereitung, Durchführung und Betreuung von Studien-, Diplom- Abschluss- und Doktorarbeiten am Beispiel Informatik. 5. Auflage. vdf Hochschulverlag, Zürich, 2005. 

    empfohlen, welches beim Betreuer des Seminars (Prof. Dr. Andreas Hotho) ausliegt. Wir empfehlen die Anschaffung dieses Buchs (9,50 €), da es Sie bis zur Masterarbeit (und weiter) begleiten kann. Die Benotung der Seminararbeit erfolgt in Anlehnung an das dort auf Seite 77 angegebene Schema, angepasst auf die Erfordernisse einer Seminararbeit.

    Weiteres

    Es ist möglich, sich während der Semesterferien bei Alexander Dallmann, Thomas Niebler, Lena Schwemmlein oder Daniel Zoller zu melden, um möglichst zeitnah ein Thema zu erhalten.