MLRec 2016
In conjunction with 16th SIAM International Conference on Data Mining (SDM 2016) Saturday, May 7, 2016, Miami, Florida, USA Nach dem Erfolg der letzten Auflage von MLRec konzentriert sich diese zweite Ausgabe darauf, neuartige sowie bestehende Methoden des maschinellen Lernens und des Data Mining zur Verbesserung von Empfehlungssystemen einzusetzen. Es gibt viele etablierte Konferenzen wie NIPS und ICML, die sich auf die Untersuchung theoretischer Eigenschaften von Algorithmen des maschinellen Lernens konzentrieren.
Andererseits widmet sich die kürzlich ins Leben gerufene Konferenz ACM RecSys verschiedenen Aspekten des Designs 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 dafür, dass Forschende aus beiden Gemeinschaften gemeinsam daran arbeiten, 1) welche recently entwickelten Techniken des maschinellen Lernens und des Data Mining genutzt werden können, um Herausforderungen in Empfehlungssystemen zu bewältigen, und 2) welche praktischen Forschungsrichtungen sich aus den Herausforderungen in Empfehlungssystemen für die Community des maschinellen Lernens und des Data Mining ergeben. Themen von Interesse Wir ermutigen zur Einreichung von Beiträgen zu einer Vielzahl von Themen, einschließlich, aber nicht beschränkt auf: 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.
Anwendung bilinearer Modelle, (nicht-konvexes) sparsames Lernen, Metrik-Lernen, Niedrigrang-Approximation/PCA/SVD, neuronale 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 Nutzerinteraktion und -engagement, 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 im PDF-Format elektronisch bis zum 1. Februar 2016, 23:59 Uhr MDT, über die Einreichungsplattform einzureichen.
Die Plattform nimmt bereits Manuskripte entgegen. Wichtige Termine Einreichung der Beiträge: 1. Februar 2016 Benachrichtigung der Autoren: 10. Februar 2016 Frist für druckreife Beiträge: 15.
Where we would start: — One-off, low-cost ML and recommender-systems courses you own forever.
Februar 2016 Workshop: Samstag, 7. Mai 2016 Aufgrund eines Systemproblems konnten Gutachter ihre Bewertungen nicht rechtzeitig einreichen. Wir haben daher den Termin für die Benachrichtigung und die Einreichung der druckreifen Beiträge verschoben.
Vielen Dank für Ihr Verständnis. —> Folien der Referenten sind nun im Programm verfügbar. —> Eingeladene Sprecher Tina Eliassi-Rad , Rutgers University Titel: Nutzung sozialer Netzwerke in Empfehlungssystemen Zusammenfassung: Betrachten Sie das Problem, Informationen aus sozialen Netzwerken in ein Empfehlungssystem zu integrieren. Intuitiv sollte die Lösung dieses Problems die Leistung des Empfehlungssystems verbessern.
In diesem Vortrag werde ich die Herausforderungen diskutieren, den aktuellen Stand der Technik vorstellen und einige vielversprechende Richtungen für dieses Problem skizzieren. Biografie: Tina Eliassi-Rad ist Associate Professorin für Informatik an der Rutgers University. Bevor sie in die academia wechselte, war sie Mitglied des technischen Stabs und Principal Investigator am Lawrence Livermore National Laboratory. Tina promovierte in Informatik (mit einem Nebenfach in mathematischer Statistik) an der University of Wisconsin-Madison.
Ihre aktuelle Forschung liegt an der Schnittstelle von Graph-Mining, Netzwerkwissenschaft und computergestützter Sozialwissenschaft. Innerhalb des Data Mining und des maschinellen Lernens wurden Tinas Forschungen auf das World-Wide Web, Textkorpora, großskalige wissenschaftliche Simulationsdaten, komplexe Netzwerke, Betrugserkennung und Cyber-Situationsbewusstsein angewendet.
Sie hat über 60 peer-reviewte Artikel veröffentlicht (darunter einen Runner-up-Preis für den besten Artikel bei ICDM’09 und einen Preis für den besten interdisziplinären Artikel bei CIKM’12) und über 120 eingeladene Vorträge gehalten. Ihre Algorithmen wurden in Systeme integriert, die von Regierung und Industrie genutzt werden (z. B. IBM System G Graph Analytics), sowie in Open-Source-Software (z.
B. Stanford Network Analysis Project). Im Jahr 2010 erhielt sie den Outstanding Mentor Award vom US DOE Office of Science. Für weitere Details besuchen Sie bitte hier .
Julian McAuley , University of California, San Diego Titel: Nutzung von Rezensionen zum Aufbau reichhaltigerer Meinungsmodelle Zusammenfassung: Online-Rezensionen sind oft unsere erste Anlaufstelle, wenn wir Produkte und Einkäufe online in Betracht ziehen. Doch das Navigieren durch riesige Mengen an Rezensionen (von denen wir vielen vielleicht nicht zustimmen) ist mühsam, insbesondere wenn wir uns für einen speziellen Aspekt eines Produkts interessieren. Dies deutet auf die Notwendigkeit hin, Modelle zu entwickeln, die in der Lage sind, die komplexen und idiosynkratischen Semantiken von Rezensionen zu erfassen, um reichhaltigere und personalisiertere Empfehlungssysteme zu schaffen.
In diesem Vortrag werde ich drei solche Richtungen diskutieren: Erstens, wie können Rezensionen genutzt werden, um die Dimensionen (oder Facetten) der Meinungen von Menschen besser zu verstehen? Zweitens, wie können Rezensionen verwendet werden, um gezielte Fragen zu beantworten, die subjektiv sein können oder personalisierte Antworten erfordern?
Und drittens, wie können Rezensionen selbst synthetisiert werden, um vorherzusagen, was ein Rezensent sagen würde, sogar für Produkte, die er noch nicht gesehen hat? Biografie: Julian McAuleys Forschung konzentriert sich auf die linguistischen, temporalen und visuellen Dimensionen von Meinungen und Verhalten in sozialen Netzwerken und Online-Communities. Dazu gehört das Verstehen der Facetten von Meinungen der Menschen, der Prozesse, durch die Menschen „Geschmack” an Gourmet-Lebensmitteln und Bieren entwickeln, oder sogar der visuellen Dimensionen, die Kleidungsstücke kompatibel machen.
Er ist seit 2014 Assistant Professor an der UC San Diego und promovierte an der Australian National University. Hanghang Tong , Arizona State University Titel: Auf dem Weg zu optimalen Teams in großen Netzwerken Zusammenfassung: In seinem weltberühmten Buch „The Science of the Artificial” wies der Nobelpreisträger Herbert Simon darauf hin, dass es eher die Komplexität der Umgebung als die Komplexität der einzelnen Personen ist, die das komplexe Verhalten von Menschen bestimmt.
Das Aufkommen der Netzwerkwissenschaft und der Advent von Big Data bieten eine neue Umgebung/einen neuen Kontext, in dem Menschen miteinander interagieren und zusammenarbeiten, um gemeinsam komplexe Aufgaben zu erfüllen. In diesem Vortrag werden wir unsere jüngsten Bemühungen zur Analyse der Teamleistung im Kontext großer Netzwerke zusammenfassen. Erstens (Charakterisierung): Wir werden unsere Erkenntnisse darüber vorstellen, welche Arten von Netzwerkmetriken/-merkmalen entscheidend für die Teamleistung sind und in welchem Umfang.
Zweitens (Vorhersage): Wir werden prädiktive Modelle vorstellen, um die Leistung eines gegebenen Teams in einem frühen Stadium basierend auf seiner Netzwerkstruktur vorherzusagen. Schließlich (Verbesserung): Wir werden Tools und Algorithmen vorstellen, um die Leistung eines bestehenden Teams zu verbessern. Biografie: Hanghang Tong ist derzeit Assistant Professor an der School of Computing, Informatics, and Decision Systems Engineering (CIDSE) der Arizona State University.
Davor war er Assistant Professor am Department of Computer Science des City College der City University of New York, Forscher am IBM T.J. Watson Research Center und Postdoktorand an der Carnegie Mellon University. Er erhielt seinen M.Sc. und Ph.D.
2008 bzw. 2009 von der Carnegie Mellon University, beide mit Schwerpunkt Machine Learning. Seine Forschungsinteressen liegen im Bereich des großskaligen Data Mining für Graphen und Multimedia.
Er erhielt mehrere Auszeichnungen, darunter einen ‘Test of Time’-Award (ICDM
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