Forschungsfelder

Das Laboratory for Web Science forscht aktiv auf den Forschungsfeldern: Komplexe Netzwerke, Recommender Systems und Semantic Web. Ergebnisse aus allen drei Forschungsfeldern fliessen durch Projekte in die Industrie ein.

Komplexe Netzwerke

Die meisten technischen, sozialen und biologischen Netzwerke zeigen topologische Eigenschaften, welche weder regulär noch komplett zufällig sind. Die Konnektivitätsverteilung der Knoten (degree distribution) folgt oft einer Verteilung mit 'fat tails'. Solche Netzwerke werden 'scale free' genannt. Ausserdem zeichnen sich diese Netzwerke durch einen hohen Cluster-Koeffizienten aus. Solche Charakteristika haben z.B. einen grossen Einfluss auf die Stabilität der Netzwerke und die Effizienz der Informationsdiffusion.

Das Laboratory for Web Science studiert mittels theoretischer Modelle und Simulationen dynamische Prozesse auf Komplexen Netzwerken. Dabei ist man den Mechansimen auf der Spur, welche in realen Netzwerken zu den beobachteten Eigenschaften führen.

Die Ergebnisse dieser Forschung finden vielfältigste Anwendungen: Optimierung bei kapazitätsabhängigen Netzwerken, neue Paradigmen bei der personalisierten Suche im Web, Auffinden von nicht-trivialen Clustern in einem Netzwerk durch Spektralanalyse der Eigenwerte der Adjazenzenmatrix oder der entsprechenden Laplace Matrix. 

Beispiel eines  realen Netzwerkes (Collaborations-Graph):

Recommender Systems

Als Informationsgesellschaft sind wir mit dem Phänomen des 'Information-Overflow' konfrontiert. Wie findet man präferenzgerechte Informationen in einem Netzwerk?

Die heutigen Suchmaschinen haben den Nachteil, dass die gelieferten Resultate einer Abfrage nicht personalisiert sind. Oft sind aber präferenzgerechte Informationen wünschenswert.

Recommender Systeme sind eine Möglichkeit, Informationen aus einem grossen Daten Pool zu filtern, um den individuellen Bedürfnissen gerecht zu werden.

Recommender Systeme lassen sich in drei grosse Klassen einteilen:

Content-Based: Durch Analyse bereits konsumierter Inhalte, Services etc. eines Benutzers, berechnet das System die Wahrscheinlichkeit, dass ein noch nicht konsumiertes Objekt für den entsprechenden Benutzer interessant ist. 

Collaborative-Filtering: Durch Analyse des Konsumverhaltens aller Beteiligten eines Systems generiert das System durch Projektion eines bipartiten Graphs ein User-User oder Objekt-Objekt Netzwerk . Auf Basis dieses Netzwerkes werden den Benutzern dann Empfehlungen abgegeben.

Netzwerk basierend: Im Gegensatz zu Collaborative-Filtering wird der bipartite Graph direkt analysiert. Dies hat den Vorteil, dass keine Informationen durch die Projektion verloren gehen. (siehe: B-Rank: A top N Recommendation Algorithm).

Netzwerk-Visualisierung eines realen Recommender Systems:

Movie Recommender projeziert als user-user Netzwerk

Das Anwendungsgebiet von Recommender Systems ist schier unerschöpflich. Von Online-Plattformen bis zu Expertensystemen in der medizinalen Diagnostik. Die Methoden zur Erforschung und Entwicklung solcher Systeme kommen vorallem aus dem Feld “Statistical Learning”.

Das Laboratory for Web Science entwickelt neue Algorithmen und Systemarchitekturen und überprüft deren Anwendbarkeit mittels Projekten in der Industrie. Neben den anwendungsorientierten Entwicklungen werden auch theoretische Modelle entworfen. Diese Modelle sollen ein tieferes Verständnis dafür liefern, welcher Algorithmus bei gegebener Datenbasis die beste Methode ist.

Semantic Web

Das semantische Web hat zum Ziel, Inhalte (Daten) durch wohldefinierte Konzepte (Ontologien) zu verknüpfen. Damit ermöglicht man es einer Maschine (Programm) wenigstens ansatzweise, die Daten zu “verstehen”. Da es das “universelle” Konzept (Ontologie) nicht gibt, werden domain-spezifische Ontologien entwickelt und implementiert.
Ontologien werden auf vielfältige Weise gebraucht. So auch in der Kommunikation zwischen autonomen Agenten.

Das Laboratory for Web Science forscht aktiv auf dem Gebiet der Ontologie-Entwicklung. Vorallem wird eine Konvergenz zwischen dem ontologischen Ansatz und WEB2.0 untersucht. In Projekten fliessen die neuen Erkenntnisse ein und geben auch der Forschung einen entsprechenden Feedback.

Alle Forschungsfelder haben einen festen Platz in der Ausbildung und es wird sehr viel Wert auf die Integration zwischen Forschung und Lehre gelegt.
 

Zurück