Eine aktuelle Publikation von GESIS, die in einer Forschungskooperation mit der U. Koblenz-Landau und der Universität Würzburg sowie der TU Graz entstand, wurde auf der 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining als "Full Paper" akzeptiert.
Die Konferenz ist die international führende Konferenz im Bereich Data-Science, und mit einer Akzeptanzrate von ca. 8,9% (70 von 784 Einreichungen wurden für einen Vortrag ausgewählt) extrem kompetitiv.
Publikation: Florian Lemmerich, Martin Becker, Philipp Singer, Denis Helic, Andreas Hotho and Markus Strohmaier, Mining Subgroups with Exceptional Transition Behavior, 22nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining, San Francisco, USA, 2016
Zusammenfassung: In diesem Beitrag wird ein neuer Ansatz zur Analyse sequentieller Daten entwickelt, der sich in verschiedenen Anwendungsdomänen -- z.B. zur Mobilitätsanalyse oder zur Analyse von Benutzernavigation im Internet -- einsetzen lässt. Die Methode zielt darauf ab, interpretierbare Subgruppen (z.B. männliche Nutzer unter 25 Jahre) innerhalb eines Datensatzes zu entdecken, bei denen sich das Übergangsverhalten zwischen Zuständen (z.B. Webseiten) signifikant vom Verhalten der Gesamtpopulation unterscheiden. Um dies zu erreichen, wurden zwei unterschiedliche Konzepte miteinander verknüpft: Markov-Ketten, ein Ansatz zur Modellierung sequentieller Daten, und "Exceptional Model Mining", ein Framework zur Musterentdeckung in großen Datensätzen. Der Nutzen des neuen Ansatzes wurde an Hand von synthetischen Datensätze aber auch an Hand von Social Media Daten der Plattformen "flickr" und "Last.fm" demonstriert.