Recommendation systems − based on the functionalities clustering, classification, and prediction − automate information processing steps such as the classification of artifacts and assist the user in decision-making processes. Many of these systems are realized by symbolic methods such as association rule mining or by rule-based mechanisms in general. Consequently, they lack the capability of generating recommendations for new and hitherto unprocessed contents by means of generalization. The hybrid and domain-independent framework developed in this dissertation called SymboConn is based on a connectionist learning algorithm and is, however, able to process symbolic knowledge. In addition, the framework provides a high generalization capability, flexibility, and robustness. We demonstrate its applicability by several case studies in the areas of navigation recommendation for web pages, design pattern discovery, change impact analysis for software development, and time series prediction for demand planning.      «

Recommendation systems − based on the functionalities clustering, classification, and prediction − automate information processing steps such as the classification of artifacts and assist the user in decision-making processes. Many of these systems are realized by symbolic methods such as association rule mining or by rule-based mechanisms in general. Consequently, they lack the capability of generating recommendations for new and hitherto unprocessed contents by means of generalization. The...     »

Empfehlungssysteme − basierend auf den Funktionalitäten Clustering, Klassifikation und Prognose − automatisieren Wissensverarbeitungsschritte wie die Klassifikation von Artefakten und unterstützen den Benutzer bei der Entscheidungsfindung. Viele dieser Systeme werden durch symbolische Methoden wie dem Mining von Assoziationsregeln realisiert. Folglich fehlt ihnen die Fähigkeit, für neue und bisher unverarbeitete Inhalte Empfehlungen durch Generalisierung zu erstellen. Das in dieser Dissertation entwickelte, hybride und domänenunabhängige Rahmenwerk für maschinelles Lernen namens SymboConn basiert auf einem konnektionistischen Lernalgorithmus und kann dennoch symbolisches Wissen verarbeiten. Darüber hinaus verfügt das Rahmenwerk über hohe Generalisierungsfähigkeit, Flexibilität und Robustheit. Dessen Anwendbarkeit und Leistungsfähigkeit wird durch Fallstudien in den Bereichen Navigationsempfehlung für Webseiten, Erkennung von Entwurfsmustern, Analyse von Änderungsauswirkungen sowie Zeitreihenprognose in der Geschäftsplanung demonstriert.      «

Empfehlungssysteme − basierend auf den Funktionalitäten Clustering, Klassifikation und Prognose − automatisieren Wissensverarbeitungsschritte wie die Klassifikation von Artefakten und unterstützen den Benutzer bei der Entscheidungsfindung. Viele dieser Systeme werden durch symbolische Methoden wie dem Mining von Assoziationsregeln realisiert. Folglich fehlt ihnen die Fähigkeit, für neue und bisher unverarbeitete Inhalte Empfehlungen durch Generalisierung zu erstellen. Das in dieser Dissertati...     »