MLRec 2016

بالتزامن مع المؤتمر الدولي السادس عشر لاستخراج البيانات التابع لجمعية الرياضيات الصناعية والتطبيقية (SDM 2016) السبت، 7 مايو 2016، ميامي، فلوريدا، الولايات المتحدة الأمريكية

في أعقاب نجاح الدورة الأخيرة من MLRec، تركّز هذه الدورة الثانية على تطبيق منهجيات تعلّم الآلة واستخراج البيانات، سواءً كانت حديثة أو قائمة، لتحسين أنظمة التوصية. توجد العديد من المؤتمرات الراسخة مثل NIPS وICML التي تركّز على دراسة الخصائص النظرية لخوارزميات تعلّم الآلة. ومن جهة أخرى، يركّز مؤتمر ACM RecSys الذي أُطلق مؤخراً على جوانب مختلفة تتعلق بتصميم وتنفيذ أنظمة التوصية. نحن نؤمن بوجود فجوة بين هذين الطرفين، ويهدف هذا الورشة إلى سدّها من خلال ربط التطورات الحديثة في خوارزميات تعلّم الآلة واستخراج البيانات بتحسين أنظمة التوصية. ونظراً لأن العديد من أساليب التوصية تُبنى على خوارزميات استخراج البيانات وتعلّم الآلة، فإن هذه الأساليب متجذّرة بعمق في أسسها. وعليه، هناك حاجة ملحة للباحثين من المجتمعين للعمل معاً على: 1) تحديد تقنيات تعلّم الآلة واستخراج البيانات المُطوَّرة حديثاً والتي يمكن الاستفادة منها لمعالجة التحديات في أنظمة التوصية، و2) استنباط اتجاهات بحثية عملية في مجتمع تعلّم الآلة واستخراج البيانات انطلاقاً من التحديات القائمة في أنظمة التوصية.

مواضيع الاهتمام

نشجّع تقديم الأوراق البحثية حول مجموعة متنوعة من المواضيع،包括但不限于 ما يلي:

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

تعليمات التقديم

تقبل الورقة البحثية أوراقاً طويلة وأوراقاً قصيرة (عرض توضيحي/ملصق). يجب ألا تتجاوز الأوراق القصيرة المُقدَّمة 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 جبل الصخور (MDT)، في 1 فبراير 2016. بدأ الموقع بالفعل في قبول المخطوطات.

تواريخ هامة

• تقديم الأوراق: 1 فبراير 2016
• إشعار المؤلفين: 10 فبراير 2016
• الموعد النهائي للنسخة النهائية للورقة (Camera Ready): 15 فبراير 2016
• ورشة العمل: السبت، 7 مايو 2016

بسبب مشكلة تقنية في النظام، لم يتمكن المراجعون من تقديم تقارير مراجعتهم في الوقت المحدد. لقد قمنا بتأجيل تاريخ الإشعار وتاريخ النسخة النهائية. نشكركم على تفهمكم. —>

شرائح العرض من المتحدثين متاحة الآن في البرنامج. —>

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

المتحدثون المدعوون

Tina Eliassi-Rad، جامعة روتجرز

العنوان: استخدام الشبكات الاجتماعية في أنظمة التوصية
الملخص: لننظر في مشكلة دمج معلومات الشبكة الاجتماعية ضمن نظام توصية. بشكل بديهي، يجب أن يؤدي حل هذه المشكلة إلى تحسين أداء نظام التوصية. في هذا الحديث، سأناقش التحديات، وأعرض الحالة الراهنة لأفضل التقنيات المتاحة، وأرسم بعض الاتجاهات الواعدة لهذه المشكلة.
السيرة الذاتية: تينا إلياسي-راد هي أستاذة مشاركة في علوم الحاسوب بجامعة روتجرز. قبل انضمامها إلى الأوساط الأكاديمية، كانت عضواً في الطاقم الفني وباحثة رئيسية في مختبر لورانس ليفرمور الوطني. حصلت تينا على درجة الدكتوراه في علوم الحاسوب (مع تخصص ثانوي في الإحصاء الرياضي) من جامعة ويسكونسن-ماديسون. يقع بحثها الحالي عند تقاطع تعدين الرسوم البيانية، وعلم الشبكات، والعلوم الاجتماعية الحسابية. ضمن مجالي استخراج البيانات وتعلّم الآلة، طُبّق بحث تينا على شبكة الويب العالمية، ومجموعات النصوص، وبيانات المحاكاة العلمية واسعة النطاق، والشبكات المعقدة، وكشف الاحتيال، والوعي الظرفي السيبراني. نشرت أكثر من 60 ورقة محكّمة (بما في ذلك جائزة الوصيف لأفضل ورقة في ICDM’09 وجائزة أفضل ورقة متعددة التخصصات في CIKM’12)؛ وقدمت أكثر من 120 عرضاً بدعوة. تم دمج خوارزمياتها في أنظمة تستخدمها الحكومة والصناعة (مثل IBM System G Graph Analytics) وكذلك في برمجيات مفتوحة المصدر (مثل مشروع ستانفورد لتحليل الشبكات). في عام 2010، حصلت على جائزة المرشد المتميز من مكتب العلوم التابع لوزارة الطاقة الأمريكية. لمزيد من التفاصيل، يرجى زيارة هنا.

Julian McAuley، جامعة كاليفورنيا، سان دييغو

العنوان: تسخير التقييمات لبناء نماذج أغنى للآراء
الملخص: غالباً ما تكون التقييمات عبر الإنترنت هي خطوتنا الأولى عند التفكير في المنتجات والمشتريات عبر الإنترنت. ومع ذلك، فإن التنقل في أحجام ضخمة من التقييمات (الكثير منها قد لا نتفق معه) أمر شاق، خاصة عندما نكون مهتمين بجانب متخصص من المنتج. يشير هذا إلى الحاجة لبناء نماذج قادرة على التقاط الدلالات المعقدة والفريدة للتقييمات، من أجل بناء أنظمة توصية أغنى وأكثر تخصيصاً. في هذا الحديث، سأناقش ثلاثة اتجاهات من هذا القبيل: أولاً، كيف يمكن تسخير التقييمات لفهم أبعاد (أو جوانب) آراء الناس بشكل أفضل؟ ثانياً، كيف يمكن استخدام التقييمات للإجابة على أسئلة مستهدفة، قد تكون ذاتية أو تتطلب إجابات مخصصة؟ وثالثاً، كيف يمكن توليف التقييمات نفسها، بحيث نتوقع ما سيقوله المقيّم، حتى بالنسبة للمنتجات التي لم يرها بعد؟
السيرة الذاتية: يركز بحث جوليان ماكولي على الأبعاد اللغوية والزمنية والبصرية للآراء والسلوك في الشبكات الاجتماعية والمجتمعات عبر الإنترنت. يشمل ذلك فهم جوانب آراء الناس، والعمليات التي يكتسب من خلالها الناس “أذواقاً” للأطعمة والمشروبات الفاخرة، أو حتى الأبعاد البصرية التي تجعل قطع الملابس متوافقة. يعمل كأستاذ مساعد في جامعة كاليفورنيا سان دييغو منذ عام 2014، وحصل على درجة الدكتوراه من الجامعة الوطنية الأسترالية.

Hanghang Tong، جامعة ولاية أريزونا

العنوان: نحو فرق مثالية في الشبكات الكبيرة
الملخص: في كتابه الشهير عالمياً “علم الاصطناعي”، أشار الحائز على جائزة نوبل هربرت سايمون إلى أن تعقيد البيئة، وليس تعقيد الأفراد، هو ما يحدد السلوك البشري المعقد. يوفر ظهور علم الشبكات وقدوم البيانات الضخمة بيئة/سياقاً جديداً، حيث يتفاعل الناس ويتعاونون مع بعضهم البعض لأداء مهام معقدة بشكل جماعي. في هذا الحديث، سنلخص جهودنا الحديثة في تحليل أداء الفرق في سياق الشبكات الكبيرة. أولاً (التوصيف): سنعرض نتائجنا حول أنواع مقاييس/خصائص الشبكة الحاسمة لأداء الفريق، وإلى أي مدى. ثانياً (التنبؤ): سنعرض نماذج تنبؤية للتنبؤ بأداء فريق معين في مرحلة مبكرة، بناءً على هيكل شبكته. وأخيراً (التعزيز): سنعرض أدوات وخوارزميات لتعزيز أداء فريق قائم.
السيرة الذاتية: هانغهانغ تونغ هو حالياً أستاذ مساعد في كلية الحوسبة والمعلوماتية وهندسة نظم القرار (CIDSE) بجامعة ولاية أريزونا. قبل ذلك، كان أستاذاً مساعداً في قسم علوم الحاسوب بكلية المدينة، جامعة مدينة نيويورك، وعضواً باحثاً في مركز آي بي إم تي جي واتسون للأبحاث، وزميل ما بعد الدكتوراه في جامعة كارنيجي ميلون. حصل على درجتي الماجستير والدكتوراه من جامعة كارنيجي ميلون في عامي 2008 و2009، وكان تخصصهما الرئيسي تعلّم الآلة. اهتمامه البحثي ينصب على استخراج البيانات واسع النطاق للرسوم البيانية والوسائط المتعددة. تلقى عدة جوائز، بما في ذلك جائزة “اختبار الزمن” (ICDM

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.