MLRec 2015

I forbindelse med den 15. SIAM International Conference on Data Mining (SDM 2015) 2. maj 2015, Vancouver, British Columbia, Canada Proceedings fra MLRec’15 er nu tilgængelig til download .

Denne workshop fokuserer på anvendelsen af såvel nye som eksisterende metoder inden for maskinlæring og datamining til forbedring af anbefalingssystemer. Der findes mange veletablerede konferencer som f.eks. NIPS og ICML, der fokuserer på studiet af de teoretiske egenskaber ved algoritmer til maskinlæring. På den anden side fokuserer den nyere konference ACM RecSys på forskellige aspekter ved design og implementering af anbefalingssystemer.

Vi mener, at der findes et gab mellem disse to yderpunkter, og denne workshop har til formål at overføre de seneste fremskridt inden for algoritmer til maskinlæring og datamining til forbedring af anbefalingssystemer. Da mange anbefalingsmetoder er bygget på algoritmer til datamining og maskinlæring, er disse metoder dybt forankrede i deres fundamentale principper. Derfor er der et presserende behov for, at forskere fra de to fagmiljøer samarbejder om 1) hvilke nyligt udviklede teknikker inden for maskinlæring og datamining der kan udnyttes til at adressere udfordringer i anbefalingssystemer, og 2) hvilke praktiske forskningsretninger der inden for fagmiljøet for maskinlæring og datamining opstår som følge af udfordringer i anbefalingssystemer.

Emner af interesse Vi opfordrer til indsendelse af bidrag inden for en række emner, herunder men ikke begrænset til:

• Nye algoritmer til maskinlæring til anbefalingssystemer, f.eks. nye indholds- og kontekstbevidste anbefalingsalgoritmer, nye algoritmer til matrixfaktorisering der håndterer elementer med cold-start-problematik, tensorbaserede metoder til anbefalingssystemer osv.
• Nye metoder til anvendelse af eksisterende algoritmer til maskinlæring, f.eks. anvendelse af bilineære modeller, (ikke-konveks) sparse learning, metrisk læring, lav-rangs approksimation/PCA/SVD, neurale netværk og deep learning til anbefalingssystemer.
• Nye optimeringsalgoritmer og analyser til forbedring af anbefalingssystemer, f.eks. parallelle/distribuerede optimeringsteknikker og effektiv stokastisk gradientnedstigning.
• Industrielle praksisser og implementeringer af anbefalingssystemer, f.eks. feature engineering, model-ensemble og erfaringer fra storskala-implementeringer af anbefalingssystemer.
• Maskinlæringsmetoder til sikkerheds- og privatlivsbevidste anbefalinger, brugercentrerede anbefalinger med fokus på brugernes interaktion og engagement, Explore-Exploit-metoder, multi-armed bandits til anbefaling osv.

Instruktioner for indsendelse Workshoppen accepterer både lange artikler og korte artikler (demo/poster). Korte artikler der indsendes til denne workshop må højst fylde 4 sider, mens lange artikler må højst fylde 8 sider. Alle artikler skal formateres ved hjælp af SIAM SODA-makroen . Forfatterne skal indsende deres artikler elektronisk i PDF-format til indsendelsessiden inden kl. 23:59 MDT den 2. februar 2015. Siden er begyndt at modtage manuskripter.

Vigtige datoer

Related: Coursera (DeepLearning.AI & university specializations) — University- and industry-branded ML specializations with graded assignments and shareable certificates.

• Indsendelse af artikel: 2. februar 2015
• Besked til forfattere: 10. februar 2015
• Frist for camera ready-artikel: 16. februar 2015
• Workshop: 2. maj 2015

Slides fra oplægsholderne er nu tilgængelige under Program .

Inviterede oplægsholdere Chih-Jen Lin, National Taiwan University Titel: MF (Matrix Factorization) og FM (Factorization Machines) til anbefalingssystemer Resumé: MF (Matrix Factorization) og FM (Factorization Machines) er begge effektive metoder til anbefalingssystemer. I første del af dette oplæg fokuserer vi på MF, der antager, at ratings fra brugere til elementer er de eneste givne oplysninger. Vi diskuterer vores seneste bestræbelser på at udvikle en parallel pakke, LIBMF, til systemer med delt hukommelse. I øjeblikket er stokastisk gradient (SG) en af de mest populære algoritmer til løsning af optimeringsproblemet for MF. Men som en sekventiel metode er SG svær at parallelisere. Vi har omhyggeligt reduceret cache-miss-raten og adresseret load balancing af threads for at opnå en effektiv parallel SG-implementering. Yderligere, da ytelsen af SG i høj grad afhænger af indstillingen af læringsrater, har vi udviklet nogle adaptive metoder for at opnå hurtig og stabil konvergens. Eksperimenter viser, at vores implementering overgår tilgængelige parallelle pakker til matrixfaktorisering. I anden del af oplægget betragter vi situationer, hvor visse bruger- eller elementfunktioner også er tilgængelige. FM (Factorization Machines) er en nyttig model i sådanne situationer. For nylig er en udvidelse af FM kaldet FFM (Field-aware FM) blevet vist at være meget effektiv til CTR-forudsigelser inden for computerannoncering. Vi diskuterer vores gruppemedlemmers vindende metoder til to Kaggle-konkurrencer om CTR-forudsigelser. Vores arbejde er blevet frigivet i en anden pakke, LIBFFM, til offentlig brug. Biografi: Chih-Jen Lin er i øjeblikket distinguished professor ved Institut for Datalogi, National Taiwan University. Han opnåede sin bachelorgrad fra National Taiwan University i 1993 og sin ph.d.-grad fra University of Michigan i 1998. Hans hovedforskningsområder inkluderer maskinlæring, datamining og numerisk optimering. Han er bedst kendt for sit arbejde med support vector machines (SVM) til dataklassificering. Hans software LIBSVM er en af de mest udbredte og citerede SVM-pakker. For sit forskningsarbejde har han modtaget mange priser, herunder ACM KDD 2010 og ACM RecSys 2010-prisen for bedste artikel. Han er IEEE fellow, AAAI fellow og ACM distinguished scientist for sin indsats inden for algoritmer til maskinlæring og softwaredesign. Mere information om ham kan findes her .

George Karypis, University of Minnesota Titel: TBA Resumé: TBA Biografi: George Karypis er i øjeblikket professor ved Institut for Datalogi og Ingeniørvidenskab ved University of Minnesota i tvillingebyerne Minneapolis og Saint Paul og medlem af Digital Technology Center (DTC) ved University of Minnesota. Hans forskningsinteresser koncentrerer sig om områderne bioinformatik, kemoinformatik, datamining og high-performance computing, og lejlighedsvis beskæftiger han sig med forskellige problemer inden for information retrieval, collaborativ filtrering og elektronisk designautomatisering til VLSI CAD. Inden for disse områder fokuserer hans forskning på udvikling af nye algoritmer til løsning af vigtige eksisterende og/eller fremvoksende problemer samt på udvikling af praktiske softwareværktøjer, der implementerer nogle af disse algoritmer. Resultaterne fra hans forskning er blevet præsenteret ved forskellige konferencer og publiceret i førende fagfællebedømte tidsskrifter og meget selektive konferenceproceedings —>

Where we would start: Udemy — One-off, low-cost ML and recommender-systems courses you own forever.

Martin Ester, Simon Fraser University Titel: Probabilistiske grafiske modeller til anbefaling i sociale medier Resumé: I dette oplæg vil vi se nærmere på to nøglekomponenter i sociale medier, sociale netværk og lokationsbaserede tjenester, og undersøge hvordan vi kan modellere deres egenskaber for effektiv anbefaling af elementer og lokationer. Inden for samfundsvidenskaberne er effekterne af social indflydelse (venner tenderer til at blive mere ens) og homofili eller selektion (folk tenderer til at blive venner med lignende mennesker) blevet identificeret som drivkræfter bag dynamikken i sociale netværk. I første del af oplægget vil vi diskutere metoder til at udnytte disse effekter til at forbedre nøjagtigheden af elementanbefalinger i sociale netværk. I anden hoveddel af oplægget vil vi udforske endnu et nøgleaspekt ved sociale medier, nemlig lokationsbaserede sociale netværk (LBSN). En nøgleeffekt i LBSN er geografisk indflydelse, hvilket betyder, at nærliggende lokationer har mere ensartede træk end fjerntliggende lokationer. Lokationsanbefaling er af en anden art end traditionel elementanbefaling, da check-in på en fysisk lokation kræver større engagement fra en bruger end adoptionen af et element som f.eks. en film. Vi vil præsentere probabilistiske grafiske modeller til at fange disse egenskaber for lokationsanbefaling. Oplægget vil diskutere relateret forskning med fokus på vores eget arbejde. Afslutningsvis vil vi skitsere interessante retninger for fremtidig forskning inden for det fascinerende felt anbefaling i sociale medier. Biografi: Martin Ester modtog en ph.d. i datalogi fra

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