MLRec 2016

Tras el éxito de la edición anterior de MLRec, esta segunda edición 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 enfocan en el estudio de las propiedades teóricas de los algoritmos de aprendizaje automático.

Por otro lado, la conferencia recientemente creada ACM RecSys se centra en diversos aspectos del diseño e 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 recientemente desarrolladas de aprendizaje automático y minería de datos 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

Fomentamos envíos sobre una variedad de temas, incluyendo pero no limitados a:

• Algoritmos novedosos de aprendizaje automático para sistemas de recomendación, por ejemplo, nuevos algoritmos de recomendación conscientes del contenido/contexto, nuevos algoritmos de factorización matricial para manejar ítems 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 conscientes de la seguridad y 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 (multi-armed bandits) 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 de SIAM SODA. Se requiere que los autores envíen sus artículos electrónicamente en formato PDF al sitio de envío antes de las 11:59 p. m. MDT del 1 de febrero de 2016. El sitio ha comenzado a aceptar manuscritos.

Fechas importantes

• Envío de artículos: 1 de febrero de 2016
• Notificación a los autores: 10 de febrero de 2016
• Fecha límite para la versión final (Camera Ready): 15 de febrero de 2016
• Taller: Sábado, 7 de mayo de 2016

Debido a un problema del sistema, los revisores no pudieron enviar sus evaluaciones a tiempo. Hemos pospuesto la fecha de notificación y la de entrega de la versión final. Gracias por su comprensión. —> Las diapositivas de los ponentes ya están disponibles en el Programa . —>

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

Ponentes invitados

Tina Eliassi-Rad , Universidad de Rutgers

Título: Uso de redes sociales en sistemas de recomendación
Resumen: Considere el problema de incorporar información de redes sociales en un sistema de recomendación. Intuitivamente, resolver este problema debería mejorar el rendimiento del recomendador. En esta charla, discutiré los desafíos, presentaré el estado actual de la técnica y esbozaré algunas direcciones prometedoras para este problema.
Biografía: Tina Eliassi-Rad es profesora asociada de Ciencias de la Computación en la Universidad de Rutgers. Antes de incorporarse al mundo académico, fue miembro del personal técnico e investigadora principal en el Laboratorio Nacional Lawrence Livermore. Tina obtuvo su doctorado en Ciencias de la Computación (con una especialidad secundaria en Estadística Matemática) en la Universidad de Wisconsin-Madison. Su investigación actual se sitúa en la intersección de la minería de grafos, la ciencia de redes y la ciencia social computacional. Dentro de la minería de datos y el aprendizaje automático, la investigación de Tina se ha aplicado a la World-Wide Web, corpus de texto, datos de simulaciones científicas a gran escala, redes complejas, detección de fraude y conciencia situacional cibernética. Ha publicado más de 60 artículos revisados por pares (incluyendo un premio al segundo mejor artículo en ICDM’09 y un premio al mejor artículo interdisciplinario en CIKM’12); y ha ofrecido más de 120 presentaciones por invitación. Sus algoritmos se han incorporado en sistemas utilizados por el gobierno y la industria (por ejemplo, IBM System G Graph Analytics), así como en software de código abierto (por ejemplo, Stanford Network Analysis Project). En 2010, recibió el Premio al Mejor Mentor de la Oficina de Ciencia del Departamento de Energía de EE. UU. Para más detalles, visite aquí .

Julian McAuley , Universidad de California, San Diego

Título: Aprovechando las reseñas para construir modelos más ricos de opiniones
Resumen: Las reseñas en línea suelen ser nuestro primer punto de referencia al considerar productos y compras en línea. Sin embargo, navegar por grandes volúmenes de reseñas (muchas de las cuales podríamos no compartir) es laborioso, especialmente cuando nos interesa algún aspecto específico de un producto. Esto sugiere la necesidad de construir modelos capaces de capturar la semántica compleja e idiosincrásica de las reseñas, con el fin de crear sistemas de recomendación más ricos y personalizados. En esta charla discutiré tres direcciones al respecto: Primero, ¿cómo pueden aprovecharse las reseñas para comprender mejor las dimensiones (o facetas) de las opiniones de las personas? Segundo, ¿cómo pueden utilizarse las reseñas para responder preguntas específicas, que pueden ser subjetivas o requerir respuestas personalizadas? Y tercero, ¿cómo pueden sintetizarse las propias reseñas para predecir qué diría un reseñador, incluso sobre productos que aún no ha visto?
Biografía: La investigación de Julian McAuley se centra en las dimensiones lingüísticas, temporales y visuales de las opiniones y el comportamiento en redes sociales y comunidades en línea. Esto incluye comprender las facetas de las opiniones de las personas, los procesos mediante los cuales las personas “adquieren gustos” por alimentos gourmet y cervezas, o incluso las dimensiones visuales que hacen que las prendas de vestir sean compatibles. Ha sido profesor asistente en UC San Diego desde 2014 y recibió su doctorado en la Universidad Nacional de Australia.

Hanghang Tong , Universidad Estatal de Arizona

Título: Hacia equipos óptimos en grandes redes
Resumen: En su libro de renombre mundial “La ciencia de lo artificial”, el premio Nobel Herbert Simon señaló que es más la complejidad del entorno, que la complejidad de las personas individuales, la que determina el comportamiento complejo de los humanos. El surgimiento de la ciencia de redes y el advenimiento del big data proporcionan un nuevo entorno/contexto donde las personas interactúan y colaboran entre sí para realizar colectivamente tareas complejas. En esta charla, resumiremos nuestros esfuerzos recientes en el análisis del rendimiento de los equipos en el contexto de grandes redes. Primero (caracterización): presentaremos nuestros hallazgos sobre qué tipos de métricas/características de red son cruciales para el rendimiento del equipo y en qué medida. Segundo (predicción): presentaremos modelos predictivos para pronosticar el rendimiento de un equipo dado en una etapa temprana, basándonos en su estructura de red. Finalmente (mejora): presentaremos herramientas y algoritmos para mejorar el rendimiento de un equipo existente.
Biografía: Hanghang Tong es actualmente profesor asistente en la Escuela de Computación, Informática e Ingeniería de Sistemas de Decisión (CIDSE) de la Universidad Estatal de Arizona. Anteriormente, fue profesor asistente en el Departamento de Ciencias de la Computación del City College de la Ciudad de Nueva York, miembro del personal de investigación en el Centro de Investigación T.J. Watson de IBM y becario postdoctoral en la Universidad Carnegie Mellon. Obtuvo su maestría y doctorado en la Universidad Carnegie Mellon en 2008 y 2009, respectivamente, ambos con especialidad en Aprendizaje Automático. Su interés de investigación radica en la minería de datos a gran escala para grafos y multimedia. Ha recibido varios premios, incluido un premio ‘test of time’ (ICDM

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.