piwik-script

Intern
    Data Science Chair

    Recommender Systems

    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:

    sequential neural modeling, recommendation in health & e-commerce Daniel Zoller
    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

     

    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:

    Temporal Topic Modelling in the Research Domain "AI"

    In the recent time NLP methods had major breakthroughs and allow to model topics in various ways. One possible way was proposed by Gong et al.[1], which allows to extract so-called hidden topics from texts of varying length. The idea is to find matching documents to their summaries.

    The aim of this MP/MT is to apply it on bibliographic texts. Doing so, we can extract topics for each author and for each work. Are we able to define and cluster research domains? Can we extract temporal trends or authors, who are changing their research domain within the AI. 

    [1] Gong, H., Sakakini, T., Bhat, S. & Xiong, J. (2018). Document Similarity for Texts of Varying Lengths via Hidden Topics. Proceedings of the 56th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers) (p./pp. 2341--2351), July, Melbourne, Australia: Association for Computational Linguistics.

    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

    Sequence-to-sequence models for recommendation in e-commerce (adidas)

    Empfehlungssysteme im E-Commerce Bereich werden meist verwendet um personalisierte Produktempfehlungen auf Basis der letzten Interaktionen eines Benutzers mit einem System zu generieren. Interaktionen können sich auf Seiten oder konkrete Produkte beziehen. Häufig werden nur Produktinteraktionen betrachtet.

    In dieser Arbeit soll ein Sequence-to-Sequence Modell entwickelt werden, welches eine Sequenz von Produkt- und Seiteninteraktionen in eine Sequenz von Produktempfehlungen überträgt. Die Empfehlungsgenerierung soll somit als Übersetzung der Interaktionen in  Empfehlungen interpretiert werden. 

    Gegebenenfalls lässt sich die Arbeit auch als Kooperation mit unserem Projektpartner adidas gestalten.

    Betreuer/Ansprechpartner: Elisabeth Fischer