MLRec 2015
Yhteistyössä 15. SIAM:n kansainvälisen tiedonlouhinnan konferenssin (SDM 2015) kanssa 2. toukokuuta 2015, Vancouver, Brittiläinen Kolumbia, Kanada MLRec’15:n julkaisut ovat nyt ladattavissa .
Tämä työpaja keskittyy uusien sekä olemassa olevien koneoppimis- ja tiedonlouhintamenetelmien hyödyntämiseen suositusjärjestelmien parantamiseksi. On olemassa useita vakiintuneita konferensseja, kuten NIPS ja ICML, jotka keskittyvät koneoppimisalgoritmien teoreettisten ominaisuuksien tutkimiseen. Toisaalta äskettäin perustettu ACM RecSys -konferenssi keskittyy suositusjärjestelmien suunnittelun ja toteuttamisen eri näkökohtiin. Uskomme, että näiden kahden ääripään välillä on kuilu, ja tämän työpajan tavoitteena on yhdistää koneoppimis- ja tiedonlouhintaalgoritmien viimeaikaiset edistysaskeleet suositusjärjestelmien kehittämiseen.
Koska monet suosituslähestymistavat perustuvat tiedonlouhinta- ja koneoppimisalgoritmeihin, nämä lähestymistavat ovat syvällä juurtuneita niiden perusteisiin. Näin ollen tutkijoiden on kiireellisesti tarpeen tehdä yhteistyötä kahdesta eri yhteisöstä selvittääkseen: 1) mitkä ovat ne viime aikoina kehitetyt koneoppimis- ja tiedonlouhintatekniikat, joita voidaan hyödyntää suositusjärjestelmien haasteiden ratkaisemisessa, ja 2) mitkä ovat suositusjärjestelmien haasteista nousevat käytännön tutkimussuunnat koneoppimis- ja tiedonlouhintayhteisölle.
Kiinnostuksen kohteena olevat aiheet Kannustamme lähettämään esityksiä monenlaisista aiheista, mukaan lukien mutta niihin rajoittumatta: Uudet koneoppimisalgoritmit suositusjärjestelmiin, esim. uudet sisältöön/kontekstiin perustuvat suositusalgoritmit, uudet algoritmit matriisihajotelmiin kylmän käynnistyksen kohteiden käsittelyyn, tensoripohjaiset lähestymistavat suositusjärjestelmiin jne. Uudet lähestymistavat olemassa olevien koneoppimisalgoritmien soveltamiseen, esim. bilineaaristen mallien, (ei-kuperan) harvan oppimisen, metrisen oppimisen, matalan arvon approksimaation/PCA/SVD:n, neuroverkkojen ja syväoppimisen soveltaminen suositusjärjestelmiin.
Uudet optimointialgoritmit ja analyysit suositusjärjestelmien parantamiseksi, esim. rinnakkaiset/jaetut optimointitekniikat ja tehokas stokastinen gradienttiputoaminen. Suositusjärjestelmien teolliset käytännöt ja toteutukset, esim. piirteiden suunnittelu, malliyhdistelmät ja opit suositusjärjestelmien laajamittaisista toteutuksista.
Koneoppimismenetelmät turvallisuus- ja yksityisyystietoisiin suosituksiin, käyttäjäkeskeiset suositukset, joissa painotetaan käyttäjien vuorovaikutusta ja sitoutumista, Explore-Exploit-lähestymistapa, monihaaraiset bandiitit suosituksiin jne. Ohjeet käsikirjoituksen lähettämiseen Työpaja hyväksyy pitkät artikkelit sekä lyhyet (demo/juliste) artikkelit. Tähän työpajaan lähetettyjen lyhyiden artikkelien pituus saa olla enintään 4 sivua ja pitkien artikkelien enintään 8 sivua. Kaikkien artikkelien tulee olla muotoiltu käyttäen SIAM SODA -makroa .
Related: — University- and industry-branded ML specializations with graded assignments and shareable certificates.
Tekijöiden tulee lähettää artikkelinsa sähköisesti PDF-muodossa lähetyspaikkaan mennessä 23.59 MDT, 2. helmikuuta 2015. Sivusto on alkanut vastaanottaa käsikirjoituksia.
Tärkeät päivämäärät Artikkelien lähettäminen: 2. helmikuuta 2015 Ilmoitus kirjoittajille: 10. helmikuuta 2015 Painovalmiin version määräaika: 16. helmikuuta 2015 Työpaja: 2. toukokuuta 2015 Puhujien diat ovat nyt saatavilla ohjelmassa . Kutsutut puhujat Chih-Jen Lin , National Taiwan University Otsikko: MF (Matriisihajotelma) ja FM (Faktorisaatiokoneet) suositusjärjestelmissä Tiivistelmä: MF (Matriisihajotelma) ja FM (Faktorisaatiokoneet) ovat molemmat tehokkaita menetelmiä suositusjärjestelmissä.
Tämän esitelmän ensimmäisessä osassa keskitymme MF-menetelmään, joka olettaa, että ainoa annettu tieto on käyttäjien antamat arvostelut kohteille. Keskustelemme viimeaikaisista pyrkimyksistämme kehittää rinnakkainen LIBMF-paketti jaetun muistin järjestelmille. Tällä hetkellä stokastinen gradientti (SG) on yksi suosituimmista algoritmeista MF:n optimointiongelman ratkaisemiseksi.
Where we would start: — One-off, low-cost ML and recommender-systems courses you own forever.
SG on kuitenkin sekventiaalinen lähestymistapa, jota on vaikea rinnakkaistaa. Olemme huolellisesti pienentäneet välimuistin ohiosumien määrää ja ratkaisseet säikeiden kuormantasapainon saavuttaaksemme tehokkaan rinnakkaisen SG-toteutuksen. Lisäksi, koska SG:n suorituskyky riippuu voimakkaasti oppimisnopeuksien asetuksista, olemme kehittäneet adaptiivisia lähestymistapoja nopean ja vakaan suppenemisen saavuttamiseksi.
Kokeet osoittavat, että toteutuksemme suorituskyky ylittää saatavilla olevat rinnakkaiset matriisihajotelmapaketit. Esitelmän toisessa osassa tarkastelemme tilanteita, joissa myös jotkin käyttäjä- tai kohdepiirteet ovat saatavilla.
FM (Faktorisaatiokoneet) on hyödyllinen malli tällaisissa tilanteissa. Äskettäin FM:n laajennus nimeltä FFM (Field-aware FM) on osoittautunut erittäin tehokkaaksi CTR-ennusteissa laskennallisessa mainonnassa. Keskustelemme ryhmämme jäsenten voittaneista lähestymistavoista kahdessa Kaggle-kilpailussa, jotka koskivat CTR-ennusteita. Työmme on julkaistu toisena pakettina LIBFFM julkiseen käyttöön. Elämäkerta: Chih-Jen Lin on tällä hetkellä distinguoitu professori tietojenkäsittelytieteen laitoksella National Taiwan Universityssä.
Hän suoritti kandidaatintutkinnon (B.S.) National Taiwan Universityssä vuonna 1993 ja tohtorintutkinnon (Ph.D.) Michiganin yliopistossa vuonna 1998. Hänen tärkeimmät tutkimusalueensa ovat koneoppiminen, tiedonlouhinta ja numeerinen optimointi.
Hänet tunnetaan parhaiten työstään tukivektorikoneiden (SVM) parissa data-luokittelussa. Hänen ohjelmistonsa LIBSVM on yksi laajimmin käytetyistä ja siteeratuista SVM-paketeista. Tutkimustyöstään hän on saanut useita palkintoja, mukaan lukien ACM KDD 2010- ja ACM RecSys 2013 -parhaan artikkelin palkinnot. Hän on IEEE:n fellow, AAAI:n fellow ja ACM:n distinguoitu tutkija ansioistaan koneoppimisalgoritmien ja ohjelmistosuunnittelun alalla.
Lisätietoja hänestä löytyy täältä . George Karypis , Minnesotan yliopisto Otsikko: Ilmoitetaan myöhemmin Tiivistelmä: Ilmoitetaan myöhemmin Elämäkerta: George Karypis on tällä hetkellä professori tietojenkäsittelytieteen ja tekniikan laitoksella Minnesotan yliopistossa Minneapolisin ja Saint Paulin kaksoiskaupungeissa sekä Digital Technology Centerin (DTC) jäsen Minnesotan yliopistossa. Hänen tutkimuskiinnostuksensa keskittyvät bioinformatiikan, kemoinformatiikan, tiedonlouhinnan ja suurteholaskennan alueille, ja ajoittain hän tarkastelee erilaisia ongelmia tiedonhakujen, yhteisöllisen suodatuksen ja VLSI CAD:n elektronisen suunnitteluautomaation aloilla.
Näillä alueilla hänen tutkimuksensa keskittyy uusien algoritmien kehittämiseen tärkeiden olemassa olevien ja/tai emerging-ongelmien ratkaisemiseksi sekä käytännöllisten ohjelmistotyökalujen kehittämiseen joidenkin näiden algoritmien toteuttamiseksi. Hänen tutkimuksensa tuloksia on esitelty useissa konferensseissa ja julkaistu johtavissa vertaisarvioiduissa lehdissä ja erittäin valikoivissa konferenssijulkaisuissa —> Martin Ester , Simon Fraser University Otsikko: Probabilistiset graafiset mallit suosituksiin sosiaalisessa mediassa Tiivistelmä: Tässä esitelmässä tarkastelemme lähemmin kahta sosiaalisen median keskeistä osatekijää, sosiaalisia verkostoja ja sijaintiperustaisia palveluita, ja tutkimme, miten niiden ominaisuuksia voidaan mallintaa tehokasta kohde- ja sijaintisuosittelua varten.
Yhteiskuntatieteissä sosiaalisen vaikutuksen (ystävät pyrkivät muuttumaan yhä samanlaisiksi) ja homofilian eli valikoivuuden (ihmiset pyrkivät ystävystymään samankaltaisten ihmisten kanssa) on tunnistettu olevan sosiaalisten verkostojen dynamiikan ajureita. Esitelmän ensimmäisessä osassa keskustelemme menetelmistä, joilla hyödynnetään näitä vaikutuksia kohteiden suosittelun tarkkuuden parantamiseksi sosiaalisissa verkostoissa.
Esitelmän toisessa pääosassa tutkimme toista sosiaalisen median keskeistä näkökohtaa, nimittäin sijaintiperustaisia sosiaalisia verkostoja (LBSN). Keskeinen vaikutus LBSN:ssä on maantieteellinen vaikutus, mikä tarkoittaa, että lähellä toisiaan olevilla sijainneilla on enemmän samanlaisia piirteitä kuin kaukana toisistaan olevilla. Sijaintisuosittelu luonteeltaan eroaa perinteisestä kohdesuosittelusta, sillä fyysiseen sijaintiin kirjautuminen vaatii käyttäjältä suurempaa sitoutumista kuin kohteen, kuten elokuvan, omaksuminen.
Esittelemme probabilistisia graafisia malleja näiden ominaisuuksien capturemiseen sijaintisuosittelua varten. Esitelmässä keskustellaan asiaan liittyvästä tutkimuksesta keskittyen omaan työhömme.
Lopuksi hahmottelemme mielenkiintoisia tulevaisuuden tutkimussuuntia kiehtovalla sosiaalisen median suositusten alalla. Elämäkerta: Martin Ester väitteli tietojenkäsittelytieteen tohtoriksi
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