MLRec 2015
Este taller se centra en la aplicación de metodologías novedosas y existentes de aprendizaje automático y minería de datos para mejorar los sistemas de recomendación. Existen muchas conferencias consolidadas, como NIPS e ICML, que se centran en el estudio de las propiedades teóricas de los algoritmos de aprendizaje automático.
Por otro lado, la conferencia de reciente creación ACM RecSys se ocupa de diversos aspectos del diseño y la implementación de sistemas de recomendación. Creemos que existe una brecha entre estos dos extremos, y este taller tiene como objetivo tender un puente entre los avances recientes en algoritmos de aprendizaje automático y minería de datos y la mejora de los sistemas de recomendación. Dado que muchos enfoques de recomendación se basan en algoritmos de minería de datos y aprendizaje automático, estos enfoques están profundamente arraigados en sus fundamentos.
Como tal, existe una necesidad urgente de que los investigadores de ambas comunidades trabajen conjuntamente en: 1) qué técnicas de aprendizaje automático y minería de datos desarrolladas recientemente pueden aprovecharse para abordar los desafíos en los sistemas de recomendación, y 2) a partir de los desafíos en los sistemas de recomendación, cuáles son las direcciones prácticas de investigación para la comunidad de aprendizaje automático y minería de datos. Temas de interés Animamos a enviar contribuciones sobre una variedad de temas, incluyendo pero no limitándose a: Algoritmos novedosos de aprendizaje automático para sistemas de recomendación, por ejemplo, nuevos algoritmos de recomendación sensibles al contenido/contexto, nuevos algoritmos de factorización matricial para manejar elementos con inicio en frío (cold-start), enfoques basados en tensores para sistemas de recomendación, etc.
Enfoques novedosos para aplicar algoritmos existentes de aprendizaje automático, por ejemplo, aplicación de modelos bilineales, aprendizaje disperso (no convexo), aprendizaje métrico, aproximación de bajo rango/PCA/SVD, redes neuronales y aprendizaje profundo, para sistemas de recomendación. Algoritmos de optimización novedosos y análisis para mejorar los sistemas de recomendación, por ejemplo, técnicas de optimización paralela/distribuida y descenso de gradiente estocástico eficiente. Prácticas industriales e implementaciones de sistemas de recomendación, por ejemplo, ingeniería de características, ensamble de modelos y lecciones aprendidas de implementaciones de sistemas de recomendación a gran escala.
Métodos de aprendizaje automático para recomendaciones seguras y respetuosas con la privacidad, recomendaciones centradas en el usuario con énfasis en la interacción y participación de los usuarios, enfoque de exploración-explotación (Explore-Exploit), bandidos multi-brazo para recomendación, etc. Instrucciones para el envío El taller acepta artículos largos y artículos cortos (demostración/póster).
Los artículos cortos enviados a este taller deben limitarse a 4 páginas, mientras que los artículos largos deben limitarse a 8 páginas. Todos los artículos deben formatearse utilizando la macro SIAM SODA . Los autores deben enviar sus artículos electrónicamente en formato PDF al sitio de envío antes de las 23:59 MDT del 2 de febrero de 2015. El sitio ya ha comenzado a aceptar manuscritos.
Related: — University- and industry-branded ML specializations with graded assignments and shareable certificates.
Fechas importantes Envío de artículos: 2 de febrero de 2015 Notificación a los autores: 10 de febrero de 2015 Fecha límite para la versión final (Camera Ready): 16 de febrero de 2015 Taller: 2 de mayo de 2015 Las diapositivas de los ponentes ya están disponibles en el Programa . Ponentes invitados Chih-Jen Lin , Universidad Nacional de Taiwán Título: MF (Factorización Matricial) y FM (Máquinas de Factorización) para Sistemas de Recomendación Resumen: La MF (Factorización Matricial) y las FM (Máquinas de Factorización) son métodos eficaces para los Sistemas de Recomendación.
En la primera parte de esta charla, nos centramos en la MF, que asume que las valoraciones de los usuarios hacia los elementos son la única información disponible. Discutimos nuestros esfuerzos recientes en el desarrollo de un paquete paralelo LIBMF para sistemas de memoria compartida. Actualmente, el método de gradiente estocástico (SG) es uno de los algoritmos más populares para resolver el problema de optimización de la MF. Sin embargo, al ser un enfoque secuencial, el SG es difícil de paralelizar.
Hemos reducido cuidadosamente la tasa de fallos de caché y abordado el equilibrio de carga de los hilos para lograr una implementación paralela eficaz del SG. Además, dado que el rendimiento del SG depende en gran medida de la configuración de las tasas de aprendizaje, hemos desarrollado algunos enfoques adaptativos para lograr una convergencia rápida y estable. Los experimentos muestran que nuestra implementación supera a los paquetes de factorización matricial paralelos disponibles.
Where we would start: — One-off, low-cost ML and recommender-systems courses you own forever.
En la segunda parte de la charla, consideramos situaciones en las que también están disponibles algunas características de usuarios o elementos. Las FM (Máquinas de Factorización) son un modelo útil en tales situaciones. Recientemente, una extensión de las FM llamada FFM (FM consciente de campos) ha demostrado ser muy eficaz para las predicciones de CTR en publicidad computacional.
Discutimos los enfoques ganadores de los miembros de nuestro grupo en dos competiciones de Kaggle sobre predicciones de CTR. Nuestro trabajo ha sido publicado en otro paquete, LIBFFM, para uso público.
Biografía: Chih-Jen Lin es actualmente profesor distinguido en el Departamento de Ciencias de la Computación de la Universidad Nacional de Taiwán. Obtuvo su licenciatura (B.S.) en la Universidad Nacional de Taiwán en 1993 y su doctorado (Ph.D.) en la Universidad de Míchigan en 1998. Sus principales áreas de investigación incluyen el aprendizaje automático, la minería de datos y la optimización numérica. Es especialmente conocido por su trabajo en máquinas de vectores de soporte (SVM) para la clasificación de datos.
Su software LIBSVM es uno de los paquetes SVM más utilizados y citados. Por su labor investigadora ha recibido numerosos premios, incluidos los premios al mejor artículo de ACM KDD 2010 y ACM RecSys 2013.
Es fellow del IEEE, fellow de la AAAI y científico distinguido de la ACM por su contribución a los algoritmos de aprendizaje automático y al diseño de software. Puede encontrar más información sobre él aquí . George Karypis , Universidad de Minnesota Título: TBA Resumen: TBA Biografía: George Karypis es actualmente profesor en el Departamento de Ciencias de la Computación e Ingeniería de la Universidad de Minnesota en las ciudades gemelas de Minneapolis y Saint Paul, y miembro del Centro de Tecnología Digital (DTC) de la Universidad de Minnesota.
Sus intereses de investigación se concentran en las áreas de bioinformática, quimioinformática, minería de datos y computación de alto rendimiento, y de vez en cuando examina diversos problemas en las áreas de recuperación de información, filtrado colaborativo y automatización del diseño electrónico para CAD de VLSI. Dentro de estas áreas, su investigación se centra en desarrollar algoritmos novedosos para resolver problemas importantes existentes y/o emergentes, y en crear herramientas de software prácticas que implementen algunos de estos algoritmos.
Los resultados de su investigación se han presentado en diversas conferencias y publicado en revistas líderes con revisión por pares y actas de conferencias altamente selectivas —> Martin Ester , Universidad Simon Fraser Título: Modelos Gráficos Probabilísticos para la Recomendación en Redes Sociales Resumen: En esta charla, examinaremos más de cerca dos componentes clave de las redes sociales, las redes sociales y los servicios basados en la ubicación, e investigaremos cómo modelar sus propiedades para una recomendación eficaz de elementos y ubicaciones.
En las ciencias sociales, los efectos de la influencia social (los amigos tienden a volverse más similares entre sí) y la homofilia o selección (las personas tienden a hacerse amigas de personas similares) se han identificado como impulsores de la dinámica de las redes sociales. En la primera parte de la charla discutiremos métodos para aprovechar estos efectos y mejorar la precisión de la recomendación de elementos en redes sociales.
En la segunda parte principal de la charla, exploraremos otro aspecto clave de las redes sociales, namely las redes sociales basadas en la ubicación (LBSN). Un efecto clave en las LBSN es la influencia geográfica, lo que significa que las ubicaciones cercanas tienen características más similares que las ubicaciones lejanas. La recomendación de ubicaciones es diferente por naturaleza de la recomendación tradicional de elementos, ya que el registro de visita (check-in) en una ubicación física requiere un mayor compromiso por parte del usuario que la adopción de un elemento como una película.
Presentaremos modelos gráficos probabilísticos para capturar estas propiedades en la recomendación de ubicaciones. La charla discutirá investigaciones relacionadas con un enfoque en nuestro propio trabajo.
En la conclusión, esbozaremos direcciones interesantes para futuras investigaciones en el fascinante campo de la recomendación en redes sociales. Biografía: Martin Ester recibió un doctorado (PhD) en Ciencias de la Computación de
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