Studierende, die diese Vorlesung hören, haben sich auch für folgende Lehrveranstaltungen interessiert:

Transkript

1 Studierende, die diese Vorlesung hören, haben sich auch für folgende Lehrveranstaltungen interessiert: 1

2 des FG Informationssysteme Datenbanken Internet-Suchmaschinen Information Retrieval Information Mining Information Engineering 2

3 Internet-Suchmaschinen/ Einf. in Information Retrieval (Bachelor) Information Retrieval (Master)

4 Internet-Suchmaschinen: Anwendungen WebSuchmaschinen 7

5 Internet-Suchmaschinen: Anwendungen WebSuchmaschinen Internet-Shops 8

6 Internet-Suchmaschinen: Anwendungen WebSuchmaschinen Internet-Shops Digitale Bibliotheken 9

7 Internet-Suchmaschinen: Anwendungen WebSuchmaschinen Internet-Shops Digitale Bibliotheken MultimediaWebdienste (FlickR, itunes, LastFM, YouTube) 10

8 Internet-Suchmaschinen Fragestellungen Wie funktioniert das? (Wie schafft es Google, aus den Millionen von Treffern die besten 10 zu bestimmen?) Wie gut ist das? (Wie kann ich Qualität überhaupt messen? Welche Rolle spielen die Benutzer dabei?) Wie verhalten Benutzer sich bei der Suche? (Suchkompetenz? Wie können wir erfolgreicher suchen?) Wie lassen sich bessere Systeme entwickeln? (Backend? Funktionalität? Benutzeroberfläche?) 11

9 Learning to Rank [Fuhr 1992] 13

10 Patentstreit Apple vs. Samsung US patent [2000] [Fuhr et al. 1995] 15

11 Task 3.1: Flexible user interface framework Front-end framework (RIA) Accessing same back-end from a web browser Search for text and similar (2D) images Query disambiguation Sharing results 16

12 khresmoi App

13 Task 3.6: UI component evaluation Eyetracking experiments to test usability of search and collaboration functionalities User experiments on suggestion dialog User experiments to compare variants for result item presentations User experiments to compare variants for result list presentations (tabs vs. single grouped list)

14 Information Mining Aufgabenstellungen: Klassifikation Nummerische Vorhersage Assoziation Clustering Anwendung im Bereich Business Intelligence Effektivere Ausnutzung vorhandener Ressourcen (insbes. Handel, Dienstleistungen) 21

15 Klassifikation Verursacht der Antragsteller im nächsten Jahr einen Haftpflichtschaden? 22

16 Klassifikation Verursacht der Antragsteller im nächsten Jahr einen Haftpflichtschaden? Ist der Kunde in der Lage, den Kredit zurückzuzahlen? 23

17 Klassifikation Verursacht der Antragsteller im nächsten Jahr einen Haftpflichtschaden? Ist der Kunde in der Lage, den Kredit zurückzuzahlen? Liegt ein Stau vor? 24

18 Klassifikation: Spam-Filtering Einführung Information Mining 25

19 Beispiele für nummerische Vorhersage Wie viele Brötchen werden wohl morgen verkauft? 26

20 Beispiele für nummerische Vorhersage Wie viele Brötchen werden wohl morgen verkauft? Wie viele Touristen und Geschäftsreisende brauchen am xx.xx. ein Hotel in unserer Stadt? Wieviele Menschen wollen am xx.xx. von A nach B fliegen? 27

21 Beispiele für nummerische Vorhersage Wie viele Brötchen werden wohl morgen verkauft? Wie viele Touristen und Geschäftsreisende brauchen am xx.xx. ein Hotel in unserer Stadt? Wieviele Menschen wollen am xx.xx. von A nach B fliegen? 28

22 Beispiele für Assoziationen Warenkorb-Analyse: Männer, die Windeln einpacken, kaufen häufig auch Bier Analyse der Transaktionen von Kreditkarten, Kundenkarten, Payback-Karten 29

23 Clustering Dokumenten-Clustering nach inhaltlicher Ähnlichkeit 30

24 Information Engineering Information Life Cycle Methoden der einzelnen Phasen Kognitive Modelle Systeme 31

25 Datenbanken (Bachelor) Internet-Suchmaschinen (Bachelor) Information Retrieval (Master) Information Mining (Master) Information Engineering (Master) Studien/Praxisprojekte Seminare Bachelor-/Masterarbeiten 34