piwik-script

Deutsch Intern
    Data Science Chair

    Seminar: Ausgewählte Themen des Web 2.0

    Ausgewählte Themen des Web 2.0

    Seminar

    Veranstalter:

    <link mitarbeiter hotho external-link-new-window external link in new>Prof. Dr. Andreas Hotho, Martin Becker Thomas Niebler

    Vorbesprechung/Einstieg:

    20.04.2012, 10:30 Uhr in B015 (am Lehrstuhl VI)

    WueCampus-Kurs: link

    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.

    Bei der Vorbesprechung/Einleitung 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 Ausätze (Paper).

    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 auf Absprache mit dem jeweiligen Betreuer. Bei jeder Blockveranstaltung gilt Anwesenheitspflicht.

     

    Leistungsnachweis:

    Drei (3!) Tage vor dem geplanten Vortrag sind per Email als PDF abzugeben:

    • - eine 11-12-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 einzugeben, mit den Tags

    "seminar", "summer" "2012", "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 biszu 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. 

    Termine

    Die Veranstaltungstermine (Blockseminar) werden in der Vorbesprechung diskutiert. Bei den Terminen stellen die Teilnehmer ihre Ausarbeitungen vor. Sowohl bei der Vorbesprechung als auch bei den Blockveranstaltungen besteht Anwesenheitspflicht.

     

    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 (<link mitarbeiter hotho external-link-new-window external link in new>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 Thomas Niebler oder Martin Becker zu melden, um möglichst zeitnah ein Thema zu erhalten.

     

    Literatur

    Die Gundlage zu den Vorträgen bilden wissenschaftliche Aufsätze (Papers) gruppiert nach Themen, die unter http://www.bibsonomy.org/relevantfor/group/uw_ss12_web2.0 aufgeführt werden.

    • A Framework For Community Identification in Dynamic Social Networks. Tantipathananandth, C.; Berger-Wolf, T.Y.; Kempe, D. In Proceedings of the 13 th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. San Jose, CA, USA, 2007.
    • A Practical Attack to De-Anonymize Social Network Users. Wondracek, G.; Holz, T.; Kirda, E.; Antipolis, S.; Kruegel, C. In IEEE Symposium on Security and Privacy. Citeseer, 2010.
    • A Probabilistic Approach for Learning Folksonomies from Structured Data. Plangprasopchok, Anon; Lerman, Kristina; Getoor, Lise. In CoRR, abs/1011.3557. 2010.
    • Computing semantic relatedness using Wikipedia-based explicit semantic analysis. Gabrilovich, Evgeniy; Markovitch, Shaul. In IJCAI, pp. 1606–1611. Morgan Kaufmann Publishers Inc., Hyderabad, India, 2007.
    • Cross-lingual Information Retrieval with Explicit Semantic Analysis. Sorg, Philipp; Cimiano, Philipp. In Working Notes for the CLEF 2008 Workshop. 2008.
    • Group formation in large social networks: membership, growth, and evolution. Backstrom, Lars; Huttenlocher, Daniel P.; Kleinberg, Jon M.; Lan, Xiangyang. In KDD, T. Eliassi-Rad, L. H. Ungar, M. Craven, D. Gunopulos (eds.), pp. 44–54. ACM, 2006.
    • Higher-order Graphical Models for Classification in Social and Affiliation Networks. Zheleva, Elena; Sarawagi, Sunita; Getoor, Lise. In NIPS Workshop on Networks Across Disciplines: Theory and Applications. 2010.
    • Hybrid recommendation models for binary user preference prediction problem. Lai, S.; Xiang, L.; Diao, R.; Liu, Y.; Gu, H.; Xu, L.; Li, H.; Wang, D.; Liu, K.; Zhao, J.; others. In KDD Cup. 2011.
    • Inferring Privacy Information from Social Networks. He, Jianming; Chu, Wesley W.; Liu, Zhenyu. In ISI, Vol. 3975 of Lecture Notes in Computer Science, S. Mehrotra, D. D. Zeng, H. Chen, B. M. Thuraisingham, F.-Y. Wang (eds.), pp. 154–165. Springer, 2006.
    • Influential nodes in a diffusion model for social networks. Kempe, David; Kleinberg, Jon M.; Tardos, Éva. In 32nd International Colloquium on Automata, Languages and Programming (ICALP 2005). 2005.
    • Latent dirichlet allocation. Blei, D.M.; Ng, A.Y.; Jordan, M.I. In the Journal of machine Learning research, 3, pp. 993–1022. JMLR. org, 2003.
    • Maximizing the spread of influence through a social network. Kempe, David; Kleinberg, Jon M.; Tardos, Éva. In KDD, L. Getoor, T. E. Senator, P. Domingos, C. Faloutsos (eds.), pp. 137–146. ACM, 2003.
    • Non-parametric Similarity Measures for Unsupervised Texture Segmentation and Image Retrieval. Puzicha, Jan; Hofmann, Thomas; Buhmann, Joachim M. In CVPR, pp. 267–272. IEEE Computer Society, 1997.
    • On the leakage of personally identifiable information via online social networks. Krishnamurthy, Balachander; Wills, Craig E. In Computer Communication Review, 40(1), pp. 112–117. 2010.
    • Social Structure of Facebook Networks. Traud, Amanda L.; Mucha, Peter J.; Porter, Mason A.; Porter, Mason A. In CoRR. 2011.
    • Statistical properties of community structure in large social and information networks. Leskovec, Jure; Lang, Kevin J.; Dasgupta, Anirban; Mahoney, Michael W. In WWW, J. Huai, R. Chen, H.-W. Hon, Y. Liu, W.-Y. Ma, A. Tomkins, X. Zhang (eds.), pp. 695–704. ACM, 2008.
    • Topics in semantic representation. Griffiths, Thomas L.; Steyvers, Mark; Tenenbaum, Joshua B. 2007.
    • Unsupervised learning by probabilistic latent semantic analysis. Hofmann, T. In Machine Learning, 42(1), pp. 177–196. Springer, 2001.
    • Unsupervised prediction of citation influences. Dietz, Laura; Bickel, Steffen; Scheffer, Tobias. In Proceedings of the 24th international conference on Machine learning, of ICML ’07, pp. 233–240. ACM, Corvalis, Oregon, 2007.
    • Using Wiktionary for Computing Semantic Relatedness. Zesch, Torsten; Müller, Christof; Gurevych, Iryna. In Proceedings of AAAI, pp. 861–867. 2008.
    • WikiRelate! Computing semantic relatedness using Wikipedia. Strube, M.; Ponzetto, S.P. In Proceedings of the National Conference on Artificial Intelligence, Vol. 21, p. 1419. Menlo Park, CA; Cambridge, MA; London; AAAI Press; MIT Press; 1999, 2006.
    • Wikispeedia: an online game for inferring semantic distances between concepts. West, Robert; Pineau, Joelle; Precup, Doina. In IJCAI, pp. 1598–1603. Morgan Kaufmann Publishers Inc., Pasadena, California, USA, 2009.
    • You Are What You Like! Information Leakage Through Users’ Interests. Chaabane, A.; Acs, G.; Kaafar, M.A. In Proc. Annual Network and Distributed System Security Symposium. 2012.
    • You Are What You Like! Information Leakage Through Users’ Interests. Chaabane, A.; Acs, G.; Kaafar, M.A. In Proc. Annual Network and Distributed System Security Symposium. 2012.
    • You are who you know: inferring user profiles in online social networks. Mislove, Alan; Viswanath, Bimal; Gummadi, P. Krishna; Druschel, Peter. In WSDM, pp. 251–260. 2010.