Doktorat im Bereich Generative Multimodal Recommender Systems

15.09.2025, Wissenschaftliches Personal

Der Lehrstuhl für Software Engineering & AI sucht eine:n neue:n Doktorand:in (TVL-E13 100%) im Bereich Generative Multimodal Recommender Systems

Forschungsschwerpunkt

Empfehlungssysteme sind ein Grundpfeiler moderner digitaler Plattformen. Traditionelle Ansätze wie Matrixfaktorisierung stoßen jedoch auf erhebliche Grenzen, darunter das Cold-Start-Problem, statische Nutzer*innendarstellungen und Datensparsamkeit. Deep-Learning-Modelle verbessern dies zwar, gehen jedoch oft mit hohen Rechenkosten und häufigem Retraining einher, was Skalierbarkeit und Anpassungsfähigkeit begrenzt.

Dieses Forschungsprojekt zielt darauf ab, die nächste Generation von Empfehlungssystemen jenseits statischer Methoden zu entwickeln. Der Kern der Promotion besteht in der Entwicklung eines generativen multimodalen Empfehlungssystems, das vortrainierte multimodale Encoder (z. B. CLIP) und fortgeschrittene sequentielle Modellierungsverfahren nutzt. Die zentrale Hypothese lautet, dass sich Nutzer*innenpräferenzen in der Sequenz der von ihnen konsumierten Items widerspiegeln. Durch die Repräsentation von Items über reichhaltige multimodale Embeddings (aus Bildern und Text) und die Modellierung des Nutzer*innenverhaltens als Sequenz kann sich das System dynamisch an neue Inhalte und Nutzer*innen anpassen, ohne ständiges Retraining. Das Projekt erfolgt in enger Zusammenarbeit mit unserem Industriepartner Audi und fokussiert reale Anwendungsszenarien, z. B. die Empfehlung von Points of Interest (POIs).

Ihre Aufgaben

Sie bearbeiten zentrale Fragestellungen an der Schnittstelle von Empfehlungssystemen, Generativer KI und multimodaler Repräsentationslernverfahren. Ihre primären Forschungsfragen umfassen:

• Wie lassen sich Nutzer*innenpräferenzen effektiv modellieren, indem Sequenzen multimodaler Item-Repräsentationen analysiert werden?
• Welche sequentiellen Modelle (z. B. Transformer, GRUs) eignen sich am besten, um zeitliche Dynamiken zu erfassen und aus Item-Sequenzen präzise Nutzer*innen-Embeddings zu generieren?
• Wie beeinflussen unterschiedliche Trainingsstrategien — etwa sequentielle Vorhersage, kontrastives Pretraining (z. B. InfoNCE-Loss) und gemeinsame Optimierung — Genauigkeit, Robustheit und Generalisierungsfähigkeit des Modells?
• Lässt sich durch das Finetuning eines vortrainierten Modells wie CLIP auf domänenspezifischen Daten (z. B. Automotive- oder Reise-POIs) die Qualität der Item-Embeddings und der nachgelagerten Empfehlungen signifikant verbessern?
• Wie entwerfen und implementieren wir eine robuste Datenpipeline für Data Engineering, einschließlich Erhebung, Bereinigung und Vorverarbeitung multimodaler Daten für einen industriellen Anwendungsfall?
• Welche Metriken (z. B. NDCG, Hit Rate) sind zur Validierung des Systems am besten geeignet, und wie schlägt es sich im Benchmarking gegenüber traditionellen sowie Deep-Learning-basierten Baselines?

In Zusammenarbeit mit Prof. Chunyang Chen, Dr. Marcel Christopher Gauglitz und Dr. Florian Meyer (Audi) entwickeln und erproben Sie neuartige Methoden in KI und Maschinellem Lernen und tragen direkt zu Forschung auf dem neuesten Stand mit hoher industrieller Relevanz bei.

Ihr Profil

• Sehr guter Hochschulabschluss (Master) in Informatik, KI, Maschinellem Lernen oder einem verwandten Fachgebiet.
• Ausgezeichnete Programmierkenntnisse in Python und Erfahrung mit ML-Frameworks (z. B. PyTorch, TensorFlow).
• Fundierte Kenntnisse in Empfehlungssystemen, Deep Learning und Sequenzmodellen (z. B. Transformer).
• Erfahrung mit oder starkes Interesse an multimodalem Machine Learning (z. B. CLIP); Reinforcement Learning ist von großem Vorteil.
• Leidenschaft, anspruchsvolle Forschungsprobleme anzupacken und innovative Lösungen zu entwickeln.
• Erfahrung in interdisziplinärer Forschung in einem kollaborativen, internationalen Umfeld.
• Sehr gute Englischkenntnisse in Wort und Schrift; Forschungs- und Unterrichtssprache ist Englisch. Deutschkenntnisse sind für die industrielle Zusammenarbeit von Vorteil.
• Bereitschaft, sich an Lehraktivitäten der Universität zu beteiligen.

Wir bieten

Am TUM Campus Heilbronn erwartet Sie ein spannendes und herausforderndes Projekt in einem dynamischen, kollegialen Forschungsteam. Unsere langjährige, international anerkannte Expertise sowie enge Kooperationen mit akademischen und industriellen Laboren weltweit sichern den Zugang zu hochwertigen, state-of-the-art Datensätzen und Technologien.

Zusätzlich ist die/der erfolgreiche Kandidat*in in die Audi AG als externe*r Arbeitgeber*in eingebunden. Sie werden in das Team "AI Hub and Data Analytics" der Audi AG integriert und arbeiten eng mit technischen Expert*innen zusammen, um zukünftige Produkte zu verbessern.

Die Vergütung erfolgt nach Entgeltgruppe E13 TV-L (100 %) des öffentlichen Dienstes. Es handelt sich um eine Promotionsstelle. Die TUM ist eine Arbeitgeberin der Chancengleichheit; Bewerbungen von Frauen sind ausdrücklich erwünscht. Geplanter Start: Ende 2025.

Bewerbung

Vollständige Bewerbungen richten Sie bitte an recruitment@seai.cit.tum.de. Verwenden Sie in der Betreffzeile bitte das folgende Format, damit Ihre Bewerbung korrekt zugeordnet werden kann: [Doctoral Application] Generative Multimodal Recommender Systems.

Bitte fügen Sie bei:

• Lebenslauf
• Anschreiben mit Ihrer Motivation und Passung zur Stelle
• Kurze Zusammenfassung Ihrer bisherigen Arbeitserfahrung
• Kontaktdaten von mindestens zwei Referenzgeber*innen

Bewerbungsschluss ist der 3. Oktober 2025; spätere Bewerbungen sind möglich, bis die Stelle besetzt ist.

Kontakt: recruitment@seai.cit.tum.de