Multirelationale Faktorisierungsmodelle
Faktorisierungs-Modelle sind Modelle des Maschinellen Lernens, die
Größen basierend auf Vergangenheitsdaten vorhersagen, z.B. Kundenpräferenzen,
Gesundheitsrisiken, etc. Faktorisierungs-Modelle behandeln insb.
Probleme, in denen die Interaktion zwischen Objekten vorhergesagt
werden soll, über die nicht viele Informationen vorliegen.
Sie werden sehr erfolgreich in verschiedenen Gebieten eingesetzt,
zuvörderst in Business Analytics, wo man mit ihrer Hilfe Kundenverhalten
vorhersagt und Kunden Produkte mit sogenannten Empfehlungssystemen
(recommender systems) empfiehlt. Das ISMLL forscht bereits seit mehreren
Jahren an Faktorisierungs-Modellen. Wir haben diese Modelle z.B.
erfolgreich in unserer Arbeit verwendet, mit der wir den Preis für
den Besten Aufsatz der WWW 2010 gewonnen haben.
Da Anwendungen üblicherweise nicht nur durch eine Relation beschrieben
werden, sondern durch mehrere, z.B. Relationen wie Kunde-kauft-Produkt,
Kunde-betrachtet-Produkt, Produkt-hat-Eigenschaften etc., sind Modelle,
die mehrere Relationen für ihre Vorhersagen verwenden können, derzeit
Gegenstand der aktiven Forschung. Das Projekt Multirelationale
Faktorisierungs-Modelle wird verschiedene dieser Modelle und zugehörige
Lern-Algorithmen erforschen, mit dem Ziel, einerseits die Vorhersagegüte
zu verbessern, andererseits ein tieferes theoretisches Verständnis dafür
zu bekommen, warum und wann diese Modelle erfolgreich eingesetzt
werden können.
Das Projekt läuft über drei Jahre von 2011 - 2014.
Basis-Informationen
Geldgeber: Deutsche Forschungsgemeinschaft (DFG)
Kontakt
Publikationen
- Ernesto Diaz-Aviles, Lucas Drumond, Zeno Gantner, Lars Schmidt-Thieme, Wolfgang Nejdl (2012):
What is Happening Right Now ... That Interests Me? Online Topic Discovery and Recommendation in Twitter , Proceedings of the 21st ACM International Conference on Information and Knowledge Management (CIKM 2012) . - Artus Krohn-Grimberghe, Lucas Drumond, Christoph Freudenthaler, Lars Schmidt-Thieme (2012):
Multi-Relational Matrix Factorization using Bayesian Personalized Ranking for Social Network Data , Proceedings of the Fifth ACM International Conference on Web Search and Data Mining . - Lucas Drumond, Steffen Rendle, Lars Schmidt-Thieme (2012):
Predicting RDF Triples in Incomplete Knowledge Bases with Tensor Factorization, in Proceedings of the 27th ACM International Symposium on Applied Computing, Riva del Garda, Italy. - Nguyen Thai-Nghe, Lucas Drumond, Tomáš Horváth, Lars Schmidt-Thieme (2011):
Multi-Relational Factorization Models for Predicting Student Performance, in KDD 2011 Workshop on Knowledge Discovery in Educational Data (KDDinED 2011). Held as part of the 17th ACM SIGKDD Conference on Knowledge Discovery and Data Mining.