Intern
    DMIR Research Group

    Assisted Lectures

    Data Mining

    • SS12
    • SS13

    Seminar "Selected Chapters from the Web 2.0"

    Introduction to Algorithms and Data Structures

    The following theses are available. If you are interested in any of them, feel free to contact me.

    Semantic Web: Ontologielernen mit Metric Learning

    MA: verfügbar

    Das Lernen von Ontologien oder Begriffshierarchien über ihre Bedeutung ist ein wichtiges Problem im Semantic Web, um maschinenlesbare Zusammenhänge zwischen Worten automatisch aufbauen zu können. Hierfür existieren bereits verschiedene Algorithmen, die u.a. auch auf Tagging-Systemen aufbauen (siehe z.B. www.bibsonomy.org/bibtex/216c77e486fb8bc527eb7734b153932ab/thoni).

    Ziel dieser Arbeit ist es, einen solchen existierenden Algorithmus zu implementieren und zu testen. Schließlich sollen Metric-Learning-Ansätze benutzt werden, um den Algorithmus zu verbessern.

    Voraussetzungen: Python oder Java-Kenntnisse vonnöten

    Betreuer: Thomas Niebler

    Vergleich verschiedener DeepLearning-Modelle zur Semantikextraktion aus Wikipedia-Links

    BA: verfügbar

    Die freie Enzyklopädie Wikipedia bietet einen umfassenden Wissenschatz in miteinander verknüpften Artikeln an. Sowohl im reinen Artikeltext als auch im Linknetzwerk ist eine große Menge semantischer Information enthalten.

    Diese Arbeit vergleicht die Performance verschiedener auf Deep Learning basierenden Methoden zur Extraktion dieser semantischen Information aus dem Wikipedia-Linknetzwerk. Die Qualität der Ergebnisse soll anhand menschlicher Intuition gemessen werden.

    Voraussetzungen: Python (bevorzugt) oder Java-Kenntnisse vonnöten.

    Betreuer: Thomas Niebler

    Semantiklernen aus Taggingdaten mithilfe von Deep Learning

    BA: verfügbar, MA: verfügbar

    Das Publikationsnetzwerk BibSonomy bietet seinen Nutzern die Möglichkeit, interessante Publikationen und Lesezeichen zu speichern. Jedes Posting wird mit sogenannten "Tags" versehen, die das Posting möglichst gut beschreiben. Es ist nun möglich, diese Tags zu benutzen, um semantische Beziehungen zwischen ihnen zu errechnen.

    Diese Arbeit adaptiert verschiedene Maße zur Semantikextraktion aus Taggingdaten, um sie in einem Deep-Learning-Szenario anzuwenden. Die Qualität der Ergebnisse soll anhand menschlicher Intuition gemessen werden.

    Voraussetzungen: Python (bevorzugt) oder Java-Kenntnisse vonnöten.

    Betreuer: Thomas Niebler

    Vergleich der semantischen Performance verschiedener Navigationshypothesen auf dem Wikipedia-Linknetzwerk

    BA: verfügbar

    Die freie Enzyklopädie Wikipedia bietet einen umfassenden Wissenschatz in miteinander verknüpften Artikeln an. Sowohl im reinen Artikeltext als auch im Linknetzwerk ist eine große Menge semantischer Information enthalten.

    Diese Arbeit vergleicht die Performance verschiedener Navigationshypothesen auf dem Wikipedia-Linknetzwerk bezüglich der enthaltenen semantischen Informationen. Die Qualität der Ergebnisse soll anhand menschlicher Intuition gemessen werden.

    Voraussetzungen: Python (bevorzugt) oder Java-Kenntnisse vonnöten.

    Betreuer: Thomas Niebler

    Untersuchung des der zeitlichen Veränderung der Linkstruktur auf enthaltene semantische Informationen in Wikipedia

    MA: verfügbar

    Die freie Enzyklopädie Wikipedia bietet einen umfassenden Wissenschatz in miteinander verknüpften Artikeln an. Sowohl im reinen Artikeltext als auch im Linknetzwerk ist eine große Menge semantischer Information enthalten.

    Diese Arbeit vergleicht den Einfluss des zugrundeliegenden Linknetzwerks auf die enthaltenen semantischen Informationen über mehrere Monate hinweg. Die Qualität der Ergebnisse soll anhand menschlicher Intuition gemessen werden.

    Voraussetzungen: Python (bevorzugt) oder Java-Kenntnisse vonnöten.

    Betreuer: Thomas Niebler

    Social Media
    Kontakt

    Andreas Hotho
    DMIR Research Group
    Am Hubland
    97074 Würzburg

    Tel.: +49 931 31-86731
    Fax: +49 931 31-86732

    Suche Ansprechpartner

    Hubland Süd, Geb. M2