Wissensentdeckung auf multidimensionalen Datenbeständen

Unternehmen verwenden Data Mining Methoden, u.a. um das Kaufverhalten ihrer Kunden zu analysieren und daraus Kundenprofile und Zu/Abneigungen für Produkte abzuleiten. Für die Analyse der sogenannten Transaktionsdaten (Käufe) sind traditionelle Data Mining Verfahren ausreichend. Allerdings sollen für die Gewinnung einer tieferen Einsicht in das Kundenverhalten nicht nur die Käufe berücksichtigt werden, sondern auch Informationen zu der gesamten Beziehung zwischen Kunden und Unternehmen sowie zum Produktportfolio und zu den wechselseitigen Beziehungen zwischen Produkten. Für die Darstellung und Analyse solcher komplexen Daten ist die traditionelle Matrix-Repräsentation der Daten nicht mehr ausreichend. In den letzten Jahren werden Tensoren (das sind multidimensionale Matrizen) als vielversprechende Darstellung komplexer Daten untersucht. Data Mining auf Tensoren umfasst viele Herausforderungen. In diesem Vorhaben wird zum einen die Semantik von Modellen untersucht, welche mit Data Mining Verfahren auf Tensoren abgeleitet werden. Zum anderen wird das Verhalten von Tensoren über die Zeit untersucht, also auf dynamischen, komplexen Daten, die als Ströme vorliegen und nie vollständig für die Analyse gespeichert werden können.