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
    • iMet: Interactive Metric Learning in Healthcare Applications. 0001, Fei Wang; Sun, Jimeng; Hu, Jianying; Ebadollahi, Shahram (2011). 944–955.
       
    • 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.
       
    • Learning Distance Functions Using Equivalence Relations. Bar-Hillel, Aharon; Hertz, Tomer; Shental, Noam; Weinshall, Daphna (2003). 83–92.
       
    • Automated Tag Clustering: Improving search and exploration in the tag space. Begelman, Grigory; Keller, Philipp; Smadja, Frank (2006).
       
    • Duality and Geometry in SVM Classifiers. Bennett, Kristin P.; Bredensteiner, Erin J. P. Langley (ed.) (2000). 57–64.
       
    • N-gram-based text categorization. Cavnar, W.B.; Trenkle, J.M. in Ann Arbor MI (1994). 48113(2) 161–175.
       
    • 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 J. Z. Wang, N. Boujemaa, A. D. Bimbo, J. Li (eds.) (2007). 255–264.
       
    • Image Categorization by Learning and Reasoning with Regions. Chen, Yixin; Wang, James Ze in Journal of Machine Learning Research (2004). 5 913–939.
       
    • The Google Similarity Distance. Cilibrasi, Rudi L.; Vitáni, Paul M.B. (2007).
       
    • WordNet - A lexical database for the English language. Cognitive Science Laboratory, Princeton University (2006).
       
    • Mapping the World’s Photos. Crandall, David J.; Backstrom, Lars; Huttenlocher, Daniel; Kleinberg, Jon in WWW ’09 (2009). 761–770.
       
    • Mapping the World’s Photos. Crandall, David J.; Backstrom, Lars; Huttenlocher, Daniel; Kleinberg, Jon in WWW ’09 (2009). 761–770.
       
    • 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.
       
    • 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)
       
    • Mining the Peanut Gallery: Opinion Extraction and Semantic Classification of Product Reviews. Dave, Kushal; Lawrence, Steve; Pennock, David M. (2003).
       
    • MapReduce: simplified data processing on large clusters. Dean, Jeffrey; Ghemawat, Sanjay in Communications of the ACM (2008). 51(1) 107–113.
       
    • A personalized tag-based recommendation in social web systems. Durao, F.; Dolog, P. in Adaptation and Personalization for Web 2.0 (2009). 40.
       
    • Personalized tag suggestion for flickr. Garg, Nikhil; Weber, Ingmar (2008). 1063–1064.
       
    • Neighbourhood Component Analysis. Goldberger, Jacob; Roweis, Sam; Hinton, Geoff; Salakhutdinov, Ruslan (2005).
       
    • Document recommendation in social tagging services. Guan, Ziyu; Wang, Can; Bu, Jiajun; Chen, Chun; Yang, Kun; Cai, Deng; He, Xiaofei M. Rappa, P. Jones, J. Freire, S. Chakrabarti (eds.) (2010). 391–400.
       
    • Discriminant Adaptive Nearest Neighbor Classification. Hastie, Trevor; Tibshirani, Robert U. M. Fayyad, R. Uthurusamy (eds.) (1995). 142–149.
       
    • 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 (2008). 212–215.
       
    • Probabilistic Latent Semantic Analysis. Hofmann, Thomas (1999).
       
    • Probabilistic latent semantic indexing. Hofmann, Thomas (1999). 50–57.
       
    • 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.
       
    • Automatic Image Annotation and Retrieval Using Cross-media Relevance Models. Jeon, J.; Lavrenko, V.; Manmatha, R. in SIGIR ’03 (2003). 119–126.
       
    • Semantic subspace projection and its application in image retrieval. Jie Yu, Qi Tian (2008).
       
    • Graphentheoretische Konzepte und Algorithmen Krumke, Sven Oliver; Noltemeier, Hartmut (2009). Springer DE.
       
    • Learning with idealized kernels. Kwok, J.T.; Tsang, I.W. in Proceedings of the Twentieth International Conference on Machine Learning (2003). 400–407.
       
    • 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.
       
    • A Model for Learning the Semantics of Pictures. Lavrenko, V.; Manmatha, R.; Jeon, J. in NIPS (2003).
       
    • CYC: A Large-Scale Investment in Knowledge Infrastructure. Lenat, Douglas in Communications of the ACM (1995). 38(11) 33–38.
       
    • Annotation of paintings with high-level semantic concepts using transductive inference and ontology-based concept disambiguation. Leslie, Liza; Chua, Tat-Seng; Jain, Ramesh R. Lienhart, A. R. Prasad, A. Hanjalic, S. Choi, B. P. Bailey, N. Sebe (eds.) (2007). 443–452.
       
    • A Bayesian Hierarchical Model for Learning Natural Scene Categories. Li, Fei-Fei; Perona, Pietro (2005). 524–531.
       
    • Region-based visual attention analysis with its application in image browsing on small displays. Liu, Huiying; Jiang, Shuqiang; Huang, Qingming; Xu, Changsheng; Gao, Wen R. Lienhart, A. R. Prasad, A. Hanjalic, S. Choi, B. P. Bailey, N. Sebe (eds.) (2007). 305–308.
       
    • Dual cross-media relevance model for image annotation. Liu, Jing; Wang, Bin; Li, Mingjing; Li, Zhiwei; Ma, Wei-Ying; Lu, Hanqing; Ma, Songde R. Lienhart, A. R. Prasad, A. Hanjalic, S. Choi, B. P. Bailey, N. Sebe (eds.) (2007). 605–614.
       
    • Semantic concept-based query expansion and re-ranking for multimedia retrieval. Natsev, Apostol; Haubold, Alexander; Tesic, Jelena; Xie, Lexing; Yan, Rong R. Lienhart, A. R. Prasad, A. Hanjalic, S. Choi, B. P. Bailey, N. Sebe (eds.) (2007). 991–1000.
       
    • Correlative multi-label video annotation. Qi, Guo-Jun; Hua, Xian-Sheng; Rui, Yong; Tang, Jinhui; Mei, Tao; Zhang, Hong-Jiang R. Lienhart, A. R. Prasad, A. Hanjalic, S. Choi, B. P. Bailey, N. Sebe (eds.) (2007). 17–26.
       
    • Kernel Matrix. Sammut, Claude; Webb, Geoffrey I. in Encyclopedia of Machine Learning (2010). 566.
       
    • Exploiting place features in link prediction on location-based social networks. Scellato, Salvatore; Noulas, Anastasios; Mascolo, Cecilia C. Apté, J. Ghosh, P. Smyth (eds.) (2011). 1046–1054.
       
    • Learning with Kernels Sch"olkopf, B.; Smola, A. J. (2002). MIT Press.
       
    • Statistical Learning and Kernel Methods. Technical Report (2000-23), Sch"olkopf, Bernhard (2000).
       
    • Efficient top-k querying over social-tagging networks. Schenkel, Ralf; Crecelius, Tom; Kacimi, Mouna; Michel, Sebastian; Neumann, Thomas; Parreira, Josiane X; Weikum, Gerhard (2008). 523–530.
       
    • Geographic location tags on digital images. Toyama, Kentaro; Logan, Ron; Roseway, Asta L. A. Rowe, H. M. Vin, T. Plagemann, P. J. Shenoy, J. R. Smith (eds.) (2003). 156–166.
       
    • Tag-aware recommender systems by fusion of collaborative filtering algorithms. Tso-Sutter, Karen HL; Marinho, Leandro Balby; Schmidt-Thieme, Lars (2008). 1995–1999.
       
    • Large-Scale Duplicate Detection for Web Image Search. Wang, Bin; Li, Zhiwei; Li, Mingjing; Ma, Wei-Ying (2006). 353–356.
       
    • Content-Based Image Annotation Refinement. Wang, Changhu; Jing, Feng; 0001, Lei Zhang; Zhang, Hong-Jiang (2007).
       
    • Unifying user-based and item-based collaborative filtering approaches by similarity fusion. Wang, Jun; De Vries, Arjen P; Reinders, Marcel JT (2006). 501–508.
       
    • Using Tag Co-occurrence for Recommendation. Wartena, Christian; Brussee, Rogier; Wibbels, Martin (2009). 273–278.
       
    • The YouTube Social Network. Wattenhofer, Mirjam; Wattenhofer, Roger; Zhu, Zack J. G. Breslin, N. B. Ellison, J. G. Shanahan, Z. Tufekci (eds.) (2012).
       
    • Metric Learning. Weinberger, Kilian Q. (2010).
       
    • 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.
       
    • I tag, you tag: translating tags for advanced user models. Wetzker, Robert; Zimmermann, Carsten; Bauckhage, Christian; Albayrak, Sahin in WSDM ’10 (2010). 71–80.
       
    • Flickr distance. Wu, Lei; Hua, Xian-Sheng; Yu, Nenghai; Ma, Wei-Ying; Li, Shipeng (2008). 31–40.
       
    • Visual language modeling for image classification. Wu, Lei; Li, Mingjing; Li, Zhiwei; Ma, Wei-Ying; Yu, Nenghai (2007). 115–124.
       
    • Query oriented subspace shifting for near-duplicate image detection. Wu, Lei; Liu, Jing; Yu, Nenghai; Li, Mingjing (2008). 661–664.
       
    • Distance Metric Learning with Application to Clustering with Side-Information. Xing, Eric P.; Ng, Andrew Y.; Jordan, Michael I.; Russell, Stuart J. (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
       
    • An Efficient Algorithm for Local Distance Metric Learning. Yang, Liu; Jin, Rong; Sukthankar, Rahul; Liu, Yi (2006). 543–548.
       
    • Beyond Co-occurrence: Discovering and Visualizing Tag Relationships from Geo-spatial and Temporal Similarities. Zhang, Haipeng; Korayem, Mohammed; You, Erkang; Crandall, David J. in 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 WSDM ’12 (2012). 33–42.
       
    • 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.
       

    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.