Konferenz für Big Data,
Data Science und Machine Learning
Heidelberg, Print Media Academy, 25.-27. September 2018

data2day 2018 » Programm »

Nutzung des Echtzeit-Kontext für optimale Website-Suchergebnisse

In Online-Shops und Content-Websites spielt Suche heute eine herausragende Rolle, um Benutzer zu den relevanten Seiten zu führen. Aktuelle Suchtechnologien arbeiten passiv und gehen wenig auf die Nutzerbedürfnisse ein. Unsere Lösung erzielt mit verbreiteten Suchmaschinen (wie Apache Solr und Elasticsearch) deutlich relevantere Ergebnisse durch Berücksichtigung des aktuellen User-Kontexts und ständig wechselnder Suchtrends, die aus dem individuellen und globalen Benutzerverhalten (u.a. Click-through-Daten) inferiert werden. Damit erreichen wir personalisierte, relevantere Suchergebnisse, deren Wirksamkeit für die Kundenzufriedenheit sich über A/B-Tests verifizieren lässt.

Vorkenntnisse
In unserem Vortrag betrachten wir sowohl fachliche Anwendungsfälle als auch technische Aspekte. Eine Grundverständnis der Suche und Navigation auf Websites ist hilfreich, für die technischen Aspekte auch die Funktion einer Suchmaschine.

Lernziele
Teilnehmer sollten nach dem Vortrag verstanden haben, wie man die Nutzerpräferenzen auf unterschiedlichen Detailebenen lernen kann und sie weiter für die personalisierte Optimierung der Suchqualität benutzen kann.

// Christian Winkler Christian Winkler

promovierte an der FAU Erlangen-Nürnberg und arbeitet seit 20 Jahren in der Softwareentwicklung. Der Umgang mit großen Datenmengen oder vielen Nutzern reizt ihn besonders. Seinen Fokus legt er auf intelligente Algorithmen aus dem Bereich des maschinellen Lernens, der Geodatenverarbeitung und Statistik. Er spricht häufig auf Konferenzen und ist Autor von Artikeln zu Big Data.


// Liliya Avdiyenko Liliya Avdiyenko

promovierte in kognitiver Informatik am Max-Planck-Institut für Mathematik in den Naturwissenschaften in Leipzig. Sie ist Data Scientist bei mgm technology partners GmbH und beschäftigt sich mit verschiedenen Techniken von Data Mining und Maschinellem Lernen für Klassifizierungs-, Prognose- und Optimierungsprobleme. Zu ihren Interessen gehören auch Rankingmodelle für Infomation Retrieval und Nutzerverhaltensanalyse.

l>