Learning to Rank

Auf nahezu jeder größeren Website – Suchmaschine, Webshop oder Diskussionsforum – müssen die anzuzeigenden Objekte – Links, Produkte oder Themen – in einer bestimmten Reihenfolge angezeigt werden. Der Erfolg einer Website hängt in immer größerem Maße davon ab, wie gut sie in der Lage ist, dieses Ranking an die Wünsche der Kunden anzupassen.

In diesem Vortrag wollen wir die verschiedenen Herangehensweisen an solche Ranking-Probleme und ihre wichtigsten Eigenschaften erläutern. Dazu werden wir einige der vielfältigen Anwendungsmöglichkeiten beleuchten, die heutzutage weit über Page-Rank hinausgehen, denn Ranking schickt sich mittlerweile an, eine wirklich eigenständige Machine-Learning-Disziplin zu werden. Ein abschließendes aktuelles Beispiel aus dem AdTech-Umfeld wird dies noch einmal verdeutlichen und die theoretische Komplexität und praktische Relevanz von "Learning to Rank" aufzeigen.

Vorkenntnisse
Interesse an Data Science, Data Analytics und Machine Learning, idealerweise praktische Erfahrungen.

Lernziele
Ziele sind ein grundlegendes Verständnis über das zu lösende allgemeine Ranking-Problem, die verschiedenen Herangehensweisen und Modellierungsansätze und die speziellen Herausforderungen der konkreten Beispiele.

// Stefan Kühn

beschäftigt sich seit vielen Jahren mit Optimierungsmethoden, Machine Learning, Data Science und mathematischer Grundlagenforschung. Heute arbeitet er als Senior Data Scientist bei XING, analysiert dort große Datenmengen und entwickelt und implementiert moderne Algorithmen.