Forschung

Das Kompetenzzentrum "Information Retrieval & Machine Learning" (CC IRML) arbeitet an der semantischen Sammlung, intelligenten Verarbeitung und umfangreichen Analyse von Daten und Informationen.

Die Arbeitsgruppe "Information Extraction" forscht an der Entwicklung von Verfahren und Werkzeugen zur Unterstützung von Daten- und Informationsdiensten. Dazu gehören die intelligente Sammlung von Inhalten, die Anreicherung der Inhalte mit semantischen Informationen und Meta-Daten und die Abbildung der Beziehungen zwischen den extrahierten Inhalten. Die extrahierten Inhalte können in einem weiteren Schritt validiert und miteinander in Beziehung gesetzt werden. Weitere Informationen

Die Arbeitsgruppe "Intelligente Informationsaggregation" erforscht Verfahren und Werkzeuge zur Modellierung des Inhalts natürlich sprachlicher Texte, z.B. mittels semantischer Analysen von Dokumentenkollektionen. Die so gewonnenen Strukturen werden dokumentenübergreifend zur Erzeugung aggregierter Informationsdarstellungen genutzt. So kann dem Nutzer bei einem Informationsbedürfnis statt einer Menge relevanter Dokumente, die er selbst mühselig überfliegen muss, um die gewünschte Information zu finden, gleich die fokussierte Antwort oder relevante Textpassagen zur Verfügung gestellt werden.

Die Arbeitsgruppe "Information Retrieval" adressiert viele Themen innerhalb der Informationsgewinnung und der Künstlichen Intelligenz. Die wichtigsten Themen betreffen die effiziente Verwendung semantischer Informationen, die in Indizes eingebettet sind, die Optimierung des Suchraumes, der durch große Datenbestände entsteht, um die Anwendung der Filterverfahren zu erleichtern, die Verbesserung der Geschwindigkeit, um auch komplexe Verkettungen von Filterverfahren mit guter Performanz durchzuführen, und vieles mehr. Weitere Informationen

Die Arbeitsgruppe "Recommender Systeme" entwickelt und optimiert Algorithmen für Empfehlungssysteme. Empfehlungssysteme kombinieren vielfältige Verfahren, um die Vorlieben und Interessen des Benutzers zu ermitteln und darauf aufbauend Vorschläge zu generieren. Für das Ableiten von Empfehlungen analysiert ein Empfehlungssystem verschiedene Daten, wie z. B. das Verhalten des Benutzers in der Vergangenheit, die Interessen von ähnlichen Benutzern und Freunden, die Gemeinsamkeiten von zu empfehlenden Objekten sowie den Kontext der Empfehlung. Die Informationen werden verknüpft, um Objekte (z.B. Filme, Bücher) zu bestimmen, die für den Benutzer von Interesse sind. Weitere Informationen

Die Arbeitsgruppe "User Modeling und Adaptivität" forscht an Verfahren und Werkzeugen, die es erlauben Benutzerdaten und Benutzerverhalten zu sammeln, zu aggregieren und zu verstehen. Diese Daten werden dann mit semantischen Informationen angereichert und dienen als Grundlage für die Personalisierung von Adaptiven Systemen und Empfehlungssystemen sowie zum intelligenten Layouting von Nachrichtenartikeln. Weitere Informationen