MLRec 2015
Im Rahmen der 15. SIAM International Conference on Data Mining (SDM 2015) 2. Mai 2015, Vancouver, British Columbia, Kanada Der Tagungsband von MLRec’15 steht jetzt zum Download bereit .
Dieser Workshop konzentriert sich auf die Anwendung neuartiger sowie bestehender Methoden des maschinellen Lernens und des Data Mining zur Verbesserung von Empfehlungssystemen. Es gibt viele etablierte Konferenzen wie NIPS und ICML, die sich mit der Untersuchung theoretischer Eigenschaften von Algorithmen des maschinellen Lernens befassen. Andererseits widmet sich die kürzlich ins Leben gerufene Konferenz ACM RecSys verschiedenen Aspekten des Entwurfs und der Implementierung von Empfehlungssystemen.
Wir sind der Überzeugung, dass zwischen diesen beiden Polen eine Lücke klafft, und dieser Workshop zielt darauf ab, die jüngsten Fortschritte bei Algorithmen des maschinellen Lernens und des Data Mining mit der Verbesserung von Empfehlungssystemen zu verknüpfen. Da viele Empfehlungsansätze auf Algorithmen des Data Mining und des maschinellen Lernens aufbauen, sind diese Ansätze tief in ihren Grundlagen verwurzelt. Daher besteht ein dringender Bedarf für Forscher aus beiden Communities, gemeinsam an folgenden Punkten zu arbeiten: 1) Welche neu entwickelten Techniken des maschinellen Lernens und des Data Mining können genutzt werden, um Herausforderungen in Empfehlungssystemen zu bewältigen, und 2) welche praktischen Forschungsrichtungen ergeben sich aus den Herausforderungen in Empfehlungssystemen für die Community des maschinellen Lernens und des Data Mining?
Themen von Interesse Wir ermutigen zur Einreichung von Beiträgen zu einer Vielzahl von Themen, einschließlich但不限于: Neuartige Algorithmen des maschinellen Lernens für Empfehlungssysteme, z. B. neue inhalts- oder kontextbewusste Empfehlungsalgorithmen, neue Algorithmen zur Matrixfaktorisierung für den Umgang mit Cold-Start-Artikeln, tensorbasierte Ansätze für Empfehlungssysteme usw. Neuartige Ansätze zur Anwendung bestehender Algorithmen des maschinellen Lernens, z.
B. die Anwendung bilinearer Modelle, (nicht-konvexen) dünnbesetzten Lernens, Metrik-Lernens, Niedrigrang-Approximation/PCA/SVD, neuronaler Netze und Deep Learning für Empfehlungssysteme. Neuartige Optimierungsalgorithmen und Analysen zur Verbesserung von Empfehlungssystemen, z.
B. parallele/verteilte Optimierungstechniken und effizienter stochastischer Gradientenabstieg. Industrielle Praktiken und Implementierungen von Empfehlungssystemen, z. B. Feature-Engineering, Modell-Ensembles und Erkenntnisse aus großskaligen Implementierungen von Empfehlungssystemen.
Related: — University- and industry-branded ML specializations with graded assignments and shareable certificates.
Methoden des maschinellen Lernens für sicherheits- und datenschutzbewusste Empfehlungen, nutzerzentrierte Empfehlungen mit Fokus auf Interaktion und Engagement der Nutzer, Explore-Exploit-Ansätze, Multi-Armed Bandits für Empfehlungen usw. Einreichungsrichtlinien Der Workshop akzeptiert sowohl lange Beiträge als auch kurze Beiträge (Demo/Poster).
Kurze Beiträge, die für diesen Workshop eingereicht werden, sollten auf 4 Seiten begrenzt sein, während lange Beiträge auf 8 Seiten begrenzt sein sollten. Alle Beiträge müssen unter Verwendung des SIAM SODA Makros formatiert werden. Autoren sind verpflichtet, ihre Beiträge elektronisch im PDF-Format bis zum 2. Februar 2015, 23:59 Uhr MDT, über die Einreichungsplattform einzureichen.
Die Plattform nimmt bereits Manuskripte entgegen. Wichtige Termine Einreichung der Beiträge: 2. Februar 2015 Benachrichtigung der Autoren: 10. Februar 2015 Frist für die druckreife Fassung: 16.
Where we would start: — One-off, low-cost ML and recommender-systems courses you own forever.
Februar 2015 Workshop: 2. Mai 2015 Folien der Vortragenden sind nun im Programm verfügbar. Eingeladene Sprecher Chih-Jen Lin , National Taiwan University Titel: MF (Matrix Factorization) und FM (Factorization Machines) für Empfehlungssysteme Zusammenfassung: MF (Matrixfaktorisierung) und FM (Factorization Machines) sind beide effektive Methoden für Empfehlungssysteme.
Im ersten Teil dieses Vortrags konzentrieren wir uns auf MF, das davon ausgeht, dass nur die Bewertungen von Nutzern für Artikel als gegebene Informationen vorliegen. Wir diskutieren unsere jüngsten Bemühungen zur Entwicklung eines parallelen Pakets LIBMF für Shared-Memory-Systeme.
Derzeit ist die stochastische Gradientenmethode (SG) einer der beliebtesten Algorithmen zur Lösung des Optimierungsproblems für MF. Als sequenzieller Ansatz ist SG jedoch schwierig zu parallelisieren. Wir haben die Cache-Miss-Rate sorgfältig reduziert und die Lastverteilung der Threads adressiert, um eine effektive parallele SG-Implementierung zu erreichen. Da die Leistung von SG stark von der Einstellung der Lernraten abhängt, entwickeln wir zudem einige adaptive Ansätze, um eine schnelle und stabile Konvergenz zu erzielen.
Experimente zeigen, dass unsere Implementierung verfügbaren parallelen Matrixfaktorisierungspaketen überlegen ist. Im zweiten Teil des Vortrags betrachten wir Situationen, in denen zusätzlich Benutzer- oder Artikelfeatures verfügbar sind.
FM (Factorization Machines) ist in solchen Situationen ein nützliches Modell. Eine kürzlich entwickelte Erweiterung von FM namens FFM (Field-aware FM) hat sich als sehr effektiv für CTR-Vorhersagen im Computational Advertising erwiesen. Wir diskutieren die preisgekrönten Ansätze unserer Gruppenmitglieder für zwei Kaggle-Wettbewerbe zu CTR-Vorhersagen. Unsere Arbeit wurde in einem weiteren Paket LIBFFM für die öffentliche Nutzung veröffentlicht.
Biografie: Chih-Jen Lin ist derzeit Distinguished Professor am Department of Computer Science der National Taiwan University. Er erwarb 1993 seinen B.S.-Abschluss an der National Taiwan University und 1998 seinen Ph.D. an der University of Michigan. Seine Hauptforschungsgebiete umfassen maschinelles Lernen, Data Mining und numerische Optimierung.
Er ist vor allem für seine Arbeit zu Support Vector Machines (SVM) zur Datenklassifikation bekannt. Seine Software LIBSVM ist eines der am weitesten verbreiteten und zitierten SVM-Pakete. Für seine Forschungsarbeit erhielt er zahlreiche Auszeichnungen, darunter die Best-Paper-Awards der ACM KDD 2010 und ACM RecSys 2013.
Er ist IEEE Fellow, AAAI Fellow und ACM Distinguished Scientist für seine Beiträge zu Algorithmen des maschinellen Lernens und Software-Design. Weitere Informationen über ihn finden Sie hier .
George Karypis , University of Minnesota Titel: TBA Zusammenfassung: TBA Biografie: George Karypis ist derzeit Professor am Department of Computer Science and Engineering der University of Minnesota in den Twin Cities Minneapolis und Saint Paul sowie Mitglied des Digital Technology Center (DTC) der University of Minnesota. Seine Forschungsinteressen konzentrieren sich auf die Bereiche Bioinformatik, Chemoinformatik, Data Mining und High-Performance Computing; gelegentlich befasst er sich auch mit verschiedenen Problemen in den Bereichen Information Retrieval, Collaborative Filtering und Electronic Design Automation für VLSI CAD.
Innerhalb dieser Bereiche liegt sein Forschungsschwerpunkt auf der Entwicklung neuartiger Algorithmen zur Lösung wichtiger bestehender und/oder neu auftretender Probleme sowie auf der Entwicklung praktischer Softwaretools zur Implementierung einiger dieser Algorithmen. Die Ergebnisse seiner Forschung wurden auf verschiedenen Konferenzen präsentiert und in führenden peer-reviewed Zeitschriften sowie hochselektiven Konferenzbänden veröffentlicht —> Martin Ester , Simon Fraser University Titel: Probabilistische Graphische Modelle für Empfehlungen in Social Media Zusammenfassung: In diesem Vortrag werfen wir einen genaueren Blick auf zwei Schlüsselkomponenten von Social Media – soziale Netzwerke und standortbasierte Dienste – und untersuchen, wie deren Eigenschaften modelliert werden können, um eine effektive Artikel- und Standortempfehlung zu ermöglichen.
In den Sozialwissenschaften wurden die Effekte sozialen Einflusses (Freunde neigen dazu, sich einander anzunähern) und Homophilie bzw. Selektion (Menschen befreunden tendenziell ähnliche Personen) als Treiber der Dynamik sozialer Netzwerke identifiziert. Im ersten Teil des Vortrags diskutieren wir Methoden zur Nutzung dieser Effekte, um die Genauigkeit der Artikel推荐在社交网络中的准确性。在演讲的第二主要部分，我们将探讨社交媒体的另一个关键方面，即基于位置的社交网络（LBSN）。LBSN 中的一个关键效应是地理影响，这意味着附近的地点比遥远的地点具有更相似的特征。位置推荐与传统物品推荐在性质上不同，因为在物理地点签到比采用电影等物品需要用户更多的承诺。我们将展示概率图模型来捕捉这些属性以进行位置推荐。演讲将讨论相关研究，重点是我们自己的工作。最后，我们将概述在这个迷人的社交媒体推荐领域中未来研究的有趣方向。Biografie: Martin Ester erhielt einen PhD in Informatik von
P.S. A few readers have asked which interactive learning platform we actually reach for — it's DataCamp; if you want the current details.
Learn ML by doing — start a free DataCamp chapter today
Browser-based, hands-on ML and data-science tracks you can start in 10 minutes