Skip to main content
Date
2013-04-26

George Papadakis, Kerstin Bischoff und Ernesto Diaz haben in den Sommermonaten Juni bis August ihre Promotionsverfahren erfolgreich zu Ende geführt. Im Bereich der Web Science haben sich die drei Wissenschaftler dabei mit folgenden Themen auseinandergesetzt:

Blocking techniques for efficient Entity Resolution over large, highly heterogeneous information spaces (George Papadakis)
 
Living Analytics Methods for the Social Web (Ernesto Diaz)

Eine enorme Menge von nutzergenerierten Inhalten hat das 'Social Web' in den letzten Jahren zu einem großen Erfolg gemacht. Millionen von Nutzern, die aktiv am Social Web teilnehmen, können auf eine immer größere Menge von Webplattformen, Beziehungen, und Informationen zugreifen.

Die vorliegende Arbeit trägt auf dem Gebiet 'Living Analytics' zum Fortschritt der Wissenschaft bei. Das Hauptziel von Living Analytics ist, die 'Online-Interaktionen' von Menschen in Echtzeit zu erfassen und diese Daten so aufzubereiten, dass eine Überflutung mit Information vermieden wird. Dazu stellen wir intelligente Filteransätze vor, die soziale Interaktionen, mehrdimensionale Beziehungsgeflechte sowie weitere allgemein verfügbare Daten und Metadaten des Social Web nutzen, um für jeden Nutzer individuell die relevantesten und interessantesten Informationen zu entdecken und zu empfehlen.

Die Beiträge dieser Arbeit lassen sich in zwei Kategorien einordnen:
(i) Empfehlungssysteme: wir stellen neuartige Algorithmen vor, die die Effektivität von Online Collaborative Filtering verbessern. Weiterhin schlagen wir einen Ansatz auf der Basis von Schwarm-Intelligenz vor, um die Rankingfunktion für Empfehlungssysteme zu optimieren. Dies beinhaltet neue Lösungsansätze, um dem Kaltstartproblem zu begegnen.
Schließlich stellen wir einen personalisierten Ranking-Algorithmus für Epidemic Intelligence vor.

(ii) Collective Intelligence: Der Beitrag dieser Arbeit auf dem Gebiet der Computational Social Intelligence ist zweiteilig: Erstens untersuchen wir wie Social Media Streams für epidemische Analysen genutzt werden können und zeigen ihr Potential für Frühwarnsysteme im Bereich der Erkennung von epidemischen Infektionskrankheiten. Zweitens zeigen wir wie die Echtzeit-Eigenschaft von Social Media Streams genutzt werden kann, um politische Meinungsbildungsprozesse zu verfolgen.

Zusammengefasst stellen die hier vorgestellten Methoden und Untersuchungen ein 'Auswahl von Werkzeugen' zur besseren Analyse und zum besseren Verständnis des Social Web dar.

Schlagworte: Maschinelles Lernen; Kollaboratives Filtern; Soziale Medien;

 
Social Search in Collaborative Tagging Networks: The Role of Ties (Kerstin Bischoff)

In sozialen Online-Netzwerken werden vielfältige Arten von Beziehungen zu Familie, engen Freunden, entfernten Bekannten, Kollegen oder unbekannten Gleichgesinnten geformt. Die Arbeit beleuchtet die unterschiedlichen Potenziale verschiedener sozialer Beziehungen in Tagging-Systemen im Hinblick auf Informationsaustausch und Zusammenarbeit. Zuerst betrachten wir soziale Annotationen (Tags) und ihren Mehrwert für Suchstrategien auch ohne explizit gegebene Freundschaftsbeziehungen, zum Beispiel durch adäquatere Benutzermodellierung oder umfassendere Beschreibung von Ressourcen. Wir analysieren daher ausführlich die Arten von Tags und ihre Häufigkeiten in verschiedenen Systemen sowie die sich daraus ergebenden Implikationen für Such- und Empfehlungssysteme. Aufbauend auf den empirischen Ergebnissen präsentiert diese Arbeit dann Ansätze zur automatischen Anreicherung von Ressourcen und Benutzerprofilen mit zusätzlichen Informationen – Themen und Stimmungen von Musikstücken.

In einem zweiten Teil erfolgt die Analyse vorhandener Freundschaftsbeziehungen im Musikportal Last.fm. Dabei werden Online- und “reale” Offline-Beziehungen gegenüberstellend verglichen. Hier untersuchen wir vor allem Ähnlichkeiten zwischen Freunden im Hinblick auf demografische Daten, lokale Netzwerkstruktur und ganz besonders Musikgeschmack. Es wird gezeigt, wie maschinelle Lernverfahren genutzt werden können, um Online- und Offline-Freunde automatisch zu identifizieren. Weitere Experimente mit Wikipedia-Daten bestätigen, dass auch die Vorhersage zukünftigen Verhaltens von der Berücksichtigung sozialer Beziehungen profitiert.