Das Projekt adressiert die Frage, wie man innerhalb der Informationsgewinnung Methoden des Maschinellen Lernens und der Künstlichen Intelligenz einsetzen kann, um Such-Ergebnis-Listen unter den Gesichtspunkten Qualität und Personalisierung optimieren kann.

Wir werden die beliebte Basis-Architektur Lucene (bzw. Solr) um das Feature 'Learning to Rank' erweitern. Lucene ist der bedeutenste java-basierte Indexer, der im Projekt Solr in eine Server-Anwendung gewrappt wurde. Das Gebiet des ‚Learning to Rank' ist ein aktives Forschungsfeld und ist für alle Studierenden informationsverarbeitender Studiengänge mit Interesse/Schwerpunkt in Künstlicher Intelligenz relevant. Es beschäftigt sich damit Benutzer-Präferenzen zu erfassen, zu lernen und vorherzusagen.

Für die Erweiterung werden wir nicht nur Machine-Learning Algorithmen integrieren, sondern auch dafür sorgen, dass die Architektur Feedback aufnehmen kann, welches dann in Präferenzen überführt wird, die dann gelernt werden können.

Um an Feedback zu gelangen ist das Einrichten eines Proxy-Servers notwendig. Ergebnis-Klicks werden über diesen Server zu den gewünschten Seiten weitergeleitet, während geloggt wird, welche Ergebnisse zu welcher Suche von welchem Benutzer geklickt wurden.

Da Learning to Rank zusätzliche Ergebnis-Eigenschaften (wie Alter, Seiten-Größe, Vertrauen) zum Lernen braucht, müssen viele dieser Eigenschaften schon beim Indizierungsprozess extrahiert werden. Hierfür muss ein eigener Analyser geschrieben werden.

Anfrage-abhängige Eigenschaften der Ergebnisse müssen schnell zur Laufzeit ermittelt werden, um auf ihnen Präferenz-Vorhersagen treffen zu können. Die Standard-mäßige tf-idf-basierte Scoringfunktion muss hierfür ersetzt werden.

Es bestehen Vorarbeiten des DAI-Labors zu vielen dieser Bereiche, die genutzt werden können.

Wir legen Maßstäbe an dieses Projekt, wie man sie von Open-Source-Projekten kennt. Dazu gehört eine Qualitätskontrolle in jedem Schritt des Software-Entwicklungsprozesses. Mit ersten Implementierungen ist erst in der Mitte des Semesters zu rechnen, da die Planungs- und die Einarbeitungsphase sehr detailliert verläuft. In wöchentlichen Treffen werden wir Problemlösungen diskutieren und das Einhalten der Meilensteinplanung überwachen. Die Aufgabe wird in einem Team bearbeitet.