Logo des Repositoriums

Auflistung nach Schlagwort "recommendation systems"

1 - 2 von 2
  • Konferenzbeitrag
    Ein meta-hybrides recommendation system für die webbasierte Filmplattform critic.de
    (Workshop Audiovisuelle Medien WAM 2010, 2010) Dimitrov, Krasen; Wolff, Christian
    Wir stellen ein Verfahren vor, das konzipiert wurde, um für die webbasierte Filmpräsentations- und Rezensionsplattform Critic.de Empfehlungen zu generieren. Recommender-Systeme, die wie im vorliegenden Ansatz verschiedene Wissensquellen und Strategien verknüpfen, sind als hybride Verfahren gerade für Domäne Film gut etabliert. Nachfolgend wird die Zielpattform critic.de mit ihren wesentlichen Charakteristika kurz vorgestellt. Eine Übersicht zu gängigen Verfahren der Empfehlungsgenerierung und ihren Problemen ist Grundlage eines eigenständigen Lösungsansatzes. Dieser wird abschließend vorgestellt.
  • ConferencePaper
    On the Feasibility of Automated Prediction of Bug and Non-Bug Issues
    (Software Engineering 2021, 2021) Herbold, Steffen; Trautsch, Alexander; Trautsch, Fabian
    The article "On the feasibility of automated prediction of bug and non-bug issues" published in Empirical Software Engineering in 2020 considers the application of machine learning for the automated classification of issue types, e.g., for research purposes or as a recommendation system. Issue tracking systems are used to track and describe tasks in the development process, e.g., requested feature improvements or reported bugs. However, past research has shown that the reported issue types often do not match the description of the issue. Within our work, we evaluate the state of the art of issue type prediction system can accurately identify bugs. We also investigate if manually specified knowledge can improve such systems. While we found that manually specified knowledge about contents is not useful, respecting structural aspects can be valuable. Our experiments show that issue type prediction system can be trained based on large amounts of unvalidated data and still be sufficiently accurate to be useful. Overall, the misclassifications of the automated system are comparable to the misclassifications made by developers.