Wir sind stolz, dass der Engineer für maschinelles Lernen bei Roblox, Xiao Yu, und seine Ko-Autoren den Test of Time Award erhalten, der bei der 17. ACM International Conference on Web Search and Data Mining (WSDM 2024) verliehen wird. Mit dem Test of Time Award wird der langjährige Einfluss anerkannt und verdeutlicht, dass Forschung die Entwicklungen und Ausrichtung der Disziplin verändert hat. Mit dieser Auszeichnung werden Forschungspublikationen gewürdigt, die vor 10 Jahren veröffentlicht wurden und bleibenden Einfluss haben.

Der Gewinnerartikel, “Personalized Entity Recommendation: A Heterogeneous Information Network Approach”, wurde erstmals auf der WSDM 2014 vorgestellt, während Yu an der University of Illinois in Urbana-Champaign forschte. Yu kam 2022 zu Roblox und arbeitet seitdem im Bereich natürliche Sprache, Computervision, Large Language Models und generative KI und trug unter anderem zu unseren jüngsten Bestrebungen zu einer KI-gestützten Echtzeit-Chatübersetzung und gesprochener Echtzeit-Moderation bei.

Yu sagt, dass das preisgekrönte Artikel “das Konzept der Meta-Pfad-basierten latenten Funktionen als Darstellungen für Benutzer und Objekte einführt. Dies war, bevor Repräsentationslernen für Empfehlungssysteme zum Stand der Technik wurde. Obwohl der Artikel der weit verbreiteten Verwendung von Einbettungen in heterogene Netzwerke und Empfehlungssysteme vorausging, inspirierten die in diesem Artikel vorgestellten Beobachtungen und die Philosophie viele Forschende, dieses Problem erneut zu untersuchen und lösten eine Welle innovativer Forschung in diesem Bereich aus.”

Die von Yu und seinen Kollegen veröffentlichte Studie hat in den letzten zehn Jahren erhebliche Anerkennung gefunden, da Empfehlungs-Engines immer allgegenwärtiger geworden sind. “Durch die Einbeziehung verschiedener Beziehungsinformationen personalisiert unsere Methode Empfehlungen in größerem Umfang und führt zu genaueren, relevanteren und individuelleren Vorschlägen für Benutzer. Dies ist angesichts der heutigen Informationsüberflutung von entscheidender Bedeutung, da Menschen mit irrelevanten Empfehlungen bombardiert werden”, sagt Yu.

“Vor diesem Artikel verwendeten graphenbasierte hybride Empfehlungssysteme oft eine einzige Art von Beziehung, z.B. ob ein Benutzer zuvor einen bestimmten Artikel gekauft hatte. Dies war einer der ersten Ansätze, die Beziehungsheterogenität innerhalb eines Netzwerks zu nutzen. Durch die Modellierung verschiedener Beziehungen kann das vorgeschlagene Empfehlungssystem ein umfassenderes und differenzierteres Verständnis der Benutzerpräferenzen und Artikelmerkmale erfassen.”

Erfahre hier mehr über die jüngste KI-Forschung bei Roblox.