MLRec 2015

بالتزامن مع المؤتمر الدولي الخامس عشر لاستخراج البيانات من SIAM (SDM 2015) 2 مايو 2015، فانكوفر، كولومبيا البريطانية، كندا proceedings ورشة عمل MLRec’15 متاحة الآن للتنزيل. تركز هذه الورشة على تطبيق منهجيات جديدة وكذلك قائمة في تعلم الآلة واستخراج البيانات لتحسين أنظمة التوصية. هناك العديد من المؤتمرات الراسخة مثل NIPS وICML التي تركز على دراسة الخصائص النظرية لخوارزميات تعلم الآلة. ومن ناحية أخرى، يركز مؤتمر ACM RecSys الذي أُطلق مؤخراً على جوانب مختلفة تتعلق بتصميم وتنفيذ أنظمة التوصية. نحن نؤمن بوجود فجوة بين هذين الطرفين، وتهدف هذه الورشة إلى سد هذه الفجوة من خلال ربط التطورات الحديثة في خوارزميات تعلم الآلة واستخراج البيانات بتحسين أنظمة التوصية. ونظراً لأن العديد من أساليب التوصية مبنية على خوارزميات استخراج البيانات وتعلم الآلة، فإن هذه الأساليب متجذرة بعمق في أسسها. وعلى هذا النحو، توجد حاجة ملحة للباحثين من المجتمعين للعمل معاً على: 1) تحديد تقنيات تعلم الآلة واستخراج البيانات المُطورة حديثاً والتي يمكن الاستفادة منها لمعالجة التحديات في أنظمة التوصية، و2) استنباط اتجاهات بحثية عملية في مجتمع تعلم الآلة واستخراج البيانات انطلاقاً من التحديات الموجودة في أنظمة التوصية.

مواضيع الاهتمام نشجع تقديم أوراق بحثية حول مجموعة متنوعة من المواضيع،包括但不限于 ما يلي:

• خوارزميات تعلم آلة جديدة لأنظمة التوصية، على سبيل المثال: خوارزميات توصية جديدة واعية للمحتوى/السياق، خوارزميات جديدة لتحليل المصفوفات تتعامل مع العناصر ذات البداية الباردة (cold-start)، نهج قائم على الموترات (tensor-based) لأنظمة التوصية، وغيرها.
• نهج جديدة لتطبيق خوارزميات تعلم الآلة القائمة، على سبيل المثال: تطبيق نماذج ثنائية الخطية (bilinear models)، التعلم المتناثر (غير المحدب)، تعلم المقاييس (metric learning)، تقريب الرتبة المنخفضة/PCA/SVD، الشبكات العصبية والتعلم العميق، لأنظمة التوصية.
• خوارزميات وتحليلات تحسين جديدة لتحسين أنظمة التوصية، على سبيل المثال: تقنيات التحسين المتوازية/الموزعة ونزول التدرج العشوائي الفعال.
• الممارسات والتنفيذات الصناعية لأنظمة التوصية، على سبيل المثال: هندسة السمات (feature engineering)، تجميع النماذج (model ensemble)، والدروس المستفادة من التنفيذات واسعة النطاق لأنظمة التوصية.
• طرق تعلم الآلة للتوصيات الواعية للأمان والخصوصية، التوصيات المتمحورة حول المستخدم مع التركيز على تفاعل المستخدمين ومشاركتهم، نهج الاستكشاف والاستغلال (Explore-Exploit)، النطاقات متعددة الأذرع (multi-armed bandits) للتوصية، وغيرها.

تعليمات التقديم تقبل الورقة البحثية الطويلة والأوراق القصيرة (عرض توضيحي/ملصق). يجب ألا تتجاوز الأوراق القصيرة المقدمة إلى هذه الورشة 4 صفحات، بينما يجب ألا تتجاوز الأوراق الطويلة 8 صفحات. يجب تنسيق جميع الأوراق باستخدام ماكرو SIAM SODA. يُطلب من المؤلفين تقديم أوراقهم إلكترونياً بصيغة PDF إلى موقع التقديم بحلول الساعة 11:59 مساءً بتوقيت MDT، يوم 2 فبراير 2015. لقد بدأ الموقع في قبول المخطوطات.

التواريخ الهامة

• تقديم الأوراق: 2 فبراير 2015
• إشعار المؤلفين: 10 فبراير 2015
• الموعد النهائي للنسخة النهائية للورقة (Camera Ready): 16 فبراير 2015
• ورشة العمل: 2 مايو 2015

الشرائح العرضية من المتحدثين متاحة الآن في البرنامج.

المتحدثون المدعوون تشيه-جين لين، الجامعة الوطنية بتايوان العنوان: MF (تحليل المصفوفات) وFM (آلات التحليل) لأنظمة التوصية الملخص: يُعد كل من MF (تحليل المصفوفات) وFM (آلات التحليل) طريقتين فعالتين لأنظمة التوصية. في الجزء الأول من هذه المحاضرة، نركز على MF الذي يفترض أن التقييمات من المستخدمين للعناصر هي المعلومات الوحيدة المتاحة. نناقش جهودنا الأخيرة في تطوير حزمة متوازية LIBMF لأنظمة الذاكرة المشتركة. حالياً، تُعد طريقة التدرج العشوائي (SG) واحدة من أكثر الخوارزميات شيوعاً لحل مشكلة التحليل لـ MF. ومع ذلك، وباعتبارها نهجاً تسلسلياً، يصعب توازي طريقة SG. قمنا بخفض معدل فقدان ذاكرة التخزين المؤقت (cache-miss) ومعالجة توازن حمل الخيوط (threads) للحصول على تنفيذ متوازٍ فعال لـ SG. علاوة على ذلك، ونظراً لأن أداء SG يعتمد بشكل كبير على إعداد معدلات التعلم، فقد طورنا بعض النهج التكيفية لتحقيق تقارب سريع ومستقر. تظهر التجارب أن تنفيذنا يتفوق على حزم تحليل المصفوفات المتوازية المتاحة. في الجزء الثاني من المحاضرة، ننظر في الحالات التي تتوفر فيها أيضاً بعض سمات المستخدم أو العنصر. يُعد FM (آلات التحليل) نموذجاً مفيداً في مثل هذه الحالات. مؤخراً، أظهر امتداد لـ FM يسمى FFM (Field-aware FM) فعالية كبيرة في تنبؤات نسبة النقر إلى الظهور (CTR) في الإعلانات الحسابية. نناقش النهج الفائزة لأعضاء مجموعتنا في مسابقتين من Kaggle حول تنبؤات CTR. تم إصدار عملنا في حزمة أخرى تسمى LIBFFM للاستخدام العام. السيرة الذاتية: تشيه-جين لين هو حالياً أستاذ متميز في قسم علوم الحاسوب بالجامعة الوطنية بتايوان. حصل على درجة البكالوريوس من الجامعة الوطنية بتايوان عام 1993 ودرجة الدكتوراه من جامعة ميشيغان عام 1998. تشمل مجالات بحثه الرئيسية تعلم الآلة، واستخراج البيانات، والتحسين العددي. وهو معروف بأفضل أعماله حول آلات ناقلات الدعم (SVM) لتصنيف البيانات. يُعد برمجياته LIBSVM واحدة من أكثر حزم SVM استخداماً واستشهاداً. نظير عمله البحثي، تلقى العديد من الجوائز، بما في ذلك جائزتا أفضل ورقة بحثية في ACM KDD 2010 وACM RecSys 2013. وهو زميل في IEEE، وزميل في AAAI، وعالم متميز في ACM لمساهمته في خوارزميات تعلم الآلة وتصميم البرمجيات. يمكن العثور على مزيد من المعلومات عنه هنا.

Related: DataCamp — Browser-based, hands-on ML and data-science tracks you can start in 10 minutes.

جورج كاربيس، جامعة مينيسوتا العنوان: سيتم تحديده لاحقاً (TBA) الملخص: سيتم تحديده لاحقاً (TBA) السيرة الذاتية: جورج كاربيس هو حالياً أستاذ في قسم علوم وهندسة الحاسوب في جامعة مينيسوتا في مدينتي التوأم مينيابوليس وسانت بول، وعضو في مركز التكنولوجيا الرقمية (DTC) بجامعة مينيسوتا. تتركز اهتماماته البحثية في مجالات المعلوماتية الحيوية، والمعلوماتية الكيميائية، واستخراج البيانات، والحوسبة عالية الأداء، ومن وقت لآخر، ينظر في مشاكل متنوعة في مجالات استرجاع المعلومات، والتصفية التعاونية، وأتمتة التصميم الإلكتروني لـ VLSI CAD. ضمن هذه المجالات، يركز بحثه على تطوير خوارزميات جديدة لحل مشاكل قائمة و/أو ناشئة مهمة، وعلى تطوير أدوات برمجية عملية تنفذ بعض هذه الخوارزميات. تم عرض نتائج بحثه في مؤتمرات مختلفة ونُشرت في مجلات رائدة خاضعة لمراجعة الأقران وفي وقائع مؤتمرات انتقائية للغاية.

مارتن إيستر، جامعة سيمون فريزر العنوان: النماذج البيانية الاحتمالية للتوصية في وسائل التواصل الاجتماعي الملخص: في هذه المحاضرة، سنلقي نظرة فاحصة على مكونين رئيسيين لوسائل التواصل الاجتماعي، وهما الشبكات الاجتماعية والخدمات القائمة على الموقع الجغرافي، وسنبحث في كيفية نمذجة خصائصهما لتحقيق توصية فعالة للعناصر والمواقع. في العلوم الاجتماعية، تم تحديد تأثيرات النفوذ الاجتماعي (ميل الأصدقاء ليصبحوا أكثر تشابهاً مع بعضهم البعض)، والتجانس أو الاختيار (ميل الناس لتكوين صداقات مع أشخاص مشابهين لهم) كمحركات لديناميكيات الشبكات الاجتماعية. في الجزء الأول من المحاضرة، سنناقش طرق استغلال هذه التأثيرات لتحسين دقة توصية العناصر في الشبكات الاجتماعية. في الجزء الرئيسي الثاني من المحاضرة، سنستكشف جانباً رئيسياً آخر لوسائل التواصل الاجتماعي، ألا وهو الشبكات الاجتماعية القائمة على الموقع الجغرافي (LBSN). يتمثل التأثير الرئيسي في LBSN في النفوذ الجغرافي، مما يعني أن المواقع القريبة تمتلك سمات أكثر تشابهاً من المواقع البعيدة. تختلف توصية الموقع في طبيعتها عن توصية العناصر التقليدية، حيث أن تسجيل الوصول (check-in) في موقع مادي يتطلب التزاماً أكبر من المستخدم مقارنة باعتماد عنصر مثل فيلم سينمائي. سنعرض نماذج بيانية احتمالية لالتقاط هذه الخصائص لتوصية المواقع. ستناقش المحاضرة الأبحاث ذات الصلة مع التركيز على عملنا الخاص. في الختام، سنحدد اتجاهات مثيرة للاهتمام للبحث المستقبلي في المجال المذهل للتوصية في وسائل التواصل الاجتماعي. السيرة الذاتية: حصل مارتن إيستر على درجة الدكتوراه في علوم الحاسوب من

P.S. A few readers have asked which professional skills platform we actually reach for — it's Pluralsight; take a look here if you want the current details.