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

    Translation Language Modells for Recommender Systems

    Empfehlungen für (Hash-)Tags auf sozialen Platformen wie Twitter helfen Benutzern relevante Beiträge schnell zu finden. Den Benutzer bei der Eingabe der richtigen Hashtags zu unterstützen ist Ziel eines Empfehlungssystem.

    Das Empfehlen von Hashtags gegeben z. B. den textuellen Metadaten der Resource, für die die Empfehlung gemacht werden soll, kann auch als Übersetzung von der Metadatensprache in die Tagsprache des jeweiligen Benutzers gesehen werden. Deshalb sollen in dieser Arbeit Sprachmodelle implementiert und testet werden, die versuchen das Problem der Hashtagempfelung als Übersetzungsanwendung anzusehen.

    Betreuer/Ansprechpartner: Daniel Zoller

    Publikationsrelevanzvorhersagesystem

    Immer mehr Wissenschaftler veröffentlichen ihre Forschungsergebnisse auf Preprint-Servern wie ArXiv bevor sie ihre Arbeiten auf konventionelle Wege (Konferenzbeitrag, Journal, …) publizieren. Die dabei entstehende Flut an Artikeln macht es für einen Wissenschaftler unmöglich, relevante Arbeiten auf seinem Forschungsgebiet frühzeitig zu erkennen.

    Deshalb ist das Ziel dieser Arbeit ein Publikationsreputationssystem zu entwickeln, was in der Lage ist, den späteren Impact eines Forschungsartikels vorherzusagen. Die Vorhersage soll mittels verschiedener Daten (Publikationsgraph, Altmetrics) erfolgen. Dabei sollen konventionelle Machine Learning Verfahren als auch Deep Learning untersucht werden.

    Betreuer: Daniel Zoller

    Performanceanalyse von MariaDB für BibSonomy

    BibSonomy setzt zur Zeit auf MySQL als persistentes Backend. In den letzten Jahren hat sich die offene Alternative MariaDB immer weiter verbreitet. Ziel dieser Arbeit ist es die nötigen Anpassungen an BibSonomy vorzunehmen und Performanceanalysen mit dem neuen Backend durchzuführen. Weiter soll die Clusterfähigkeit von MariaDB (MariaDB Galera Cluster) für den Produktiveinsatz getestet werden.

    Betreuer: Daniel Zoller

    Tag Recommendation mittels Deep Learning

    Für die Aufgabe Tags/Hashtags z. B. auf Instagram, Facebook oder Twitter vorzuschlagen wurden Vergessensmodelle des menschliche Gedächnis aus der Kognitionspsychologie, wie das Base-Level Learning, adaptiert. Recurrent Neural Networks oder auch Recurrent Highway Networks können auch diese Anhängigkeiten abbilden.

    Ziel dieser Arbeit ist die Entwicklung und Evaluation von neuronale Netzwerken, die diese Vergessensmodelle für unterschiedliche Benutzer automatisiert lernen sollen.

    Betreuer/Ansprechpartner: Daniel Zoller

    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 ein System geschrieben werden, dass es erlaubt beliebige Webseiten aus den Netz zu crawlen und auf den extrahierten Textdaten ein Language Modell zu lernen, das dann für verschiedene Recommender Systeme verwendet werden kann.

    Betreuer/Ansprechpartner: Daniel Zoller

    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