Recommendation
At the Data Science Chair we're researching various topics within the field of recommender system. From classic applications like presenting relevant products to users in an e-commerce setting or recommending tags in our own social bookmarking system BibSonomy, to systems predicting medical examination or decisions in games. We utilize different machine learning algorithms, including deep learning in our work.
The following staff member have open topics for practica, bachelor and master theses:
| HypTrails, Recommendation, Graph Networks for publication data, Regio | Tobias Koopmann |
| recommendation in ecommerce, adidas | Elisabeth Fischer |
| Mathematical Pattern Mining, Representation Learning, Recommender Systems | Sebastian Wankerl |
| Medical and Healthcare Recommendation | Daniel Schlör |
In the case of excellent performance there is also the chance to submit the thesis as an article to a computer science conference and to be co-author on a scientific publication early in your studies!
Open Topics:
Vector Representations for Institutions
The goal of this work is to find Vector representations for institutions, as Universities. These representations can be based on geographic location, collaborations between institutions or other information. As suitable source, DBPedia has a large collection of information for all universities. This work can be evaluated using representation techniques as UMAP or TSNE and find cluster of similar universities.
Options: Ma Praktika, Ma Thesis
Betreuer: Tobias Koopmann
Recommendation of Co-Authorship using Hypergraph Networks
Recently a new field of Graph Neural Networks has been revealed, which takles the field of Hypergraph networks. These networks use hyperedges, which can connect mutiple vertexes. A bibliometric dataset contains authors as vertices and co-occurences on publications as hyperedges. Given this dataset and the method of Hypergraph networks, we can now train a network to predict co-authorship.
Options: Ma Praktika, Ma Thesis
Betreuer: Tobias Koopmann
Empfehlungssystem zur Unterstützung von Studienanfänger:innen in Vorkursen
Empfehlungssysteme spielen in den letzten Jahres auch im Bereich des E-Learnings eine zunehmend größere Rolle. Dort können sie z.B. helfen, den Lernenden entsprechend ihres persönlichen Lernfortschritts und ihrer Wissenslücken passende Lernelemente wie Texte und Übungsaufgaben zur Verfügung zu stellen.
In unserem Setting möchten wir Studienfänger:innen in den Ingenieurswissenschaften individuell passende Mathematikaufgaben auf dem Niveau von Mathematikvorkursen vorschlagen.
Eine Herausforderung hierbei ist die verhältnismäßig geringe Anzahl an Nutzerinteraktionen, die für das Training des Empfehlungssystem zur Verfügung stehen. Es ist also folglich sinnvoll, weitere Informationen über die Lernelemente einzubinden.
Ziel der Arbeit ist es, ein Recommender System zu verbessern, das in oben beschriebenem Setting eingesetzt werden kann. Hierfür liegen bereits ein Prototyp sowie ein Datensatz vor und können als Ausgangspunkt für die Arbeit genutzt werden.
Betreuer: Sebastian Wankerl
Language Modelle für Recommender Systeme
Das Verständnis von Text ist auch ein wichtiger Bestandteil von Recommender Systemen, wenn sie auf Grundlage von textuellen Informationen Vorschläge generieren. Es hat sich gezeigt, dass Sprachmodelle/Language Modelle, die auf einem großen Korpus von Text trainiert wurden, leicht für andere Aufgaben umtrainiert werden können.
In dieser Arbeit soll evaluiert werden inwiefern an die Domäne angepasste Language Modelle in Recommendation Tasks integriert die Vorhersage verbessern können. Mögliche Anwendungsbereiche finden sich beispielsweise in der Medizin oder bei der Empfehlung wissenschaftlicher Publikationen.
