MLRec 2015
En conjonction avec la 15e Conférence internationale de la SIAM sur l’exploration de données (SDM 2015) 2 mai 2015, Vancouver, Colombie-Britannique, Canada Les actes de MLRec’15 sont désormais disponibles en téléchargement . Cet atelier se concentre sur l’application de méthodologies novatrices ainsi qu’existantes en apprentissage automatique et en exploration de données pour améliorer les systèmes de recommandation.
De nombreuses conférences établies telles que NIPS et ICML se concentrent sur l’étude des propriétés théoriques des algorithmes d’apprentissage automatique. D’un autre côté, la conférence récemment créée ACM RecSys se consacre aux différents aspects de la conception et de la mise en œuvre de systèmes de recommandation. Nous estimons qu’il existe un fossé entre ces deux extrémités, et cet atelier vise à combler ce vide en reliant les avancées récentes des algorithmes d’apprentissage automatique et d’exploration de données à l’amélioration des systèmes de recommandation. Étant donné que de nombreuses approches de recommandation reposent sur des algorithmes d’exploration de données et d’apprentissage automatique, ces approches sont profondément enracinées dans leurs fondements.
Ainsi, il est urgent que les chercheurs des deux communautés travaillent conjointement sur : 1) quelles sont les techniques récemment développées en apprentissage automatique et en exploration de données qui peuvent être exploitées pour relever les défis des systèmes de recommandation, et 2) à partir des défis posés par les systèmes de recommandation, quelles sont les orientations de recherche pratiques pour la communauté de l’apprentissage automatique et de l’exploration de données. Sujets d’intérêt Nous encourageons les soumissions sur une variété de sujets,包括但不限于 : Algorithmes d’apprentissage automatique novateurs pour les systèmes de recommandation, par exemple, nouveaux algorithmes de recommandation sensibles au contenu/contexte, nouveaux algorithmes de factorisation matricielle gérant les éléments à démarrage à froid, approche basée sur les tenseurs pour les systèmes de recommandation, etc.
Approches novatrices pour l’application d’algorithmes d’apprentissage automatique existants, par exemple, application de modèles bilinéaires, d’apprentissage parcimonieux (non convexe), d’apprentissage métrique, d’approximation de rang faible/ACP/SVD, de réseaux de neurones et d’apprentissage profond, pour les systèmes de recommandation. Algorithmes d’optimisation novateurs et analyses pour améliorer les systèmes de recommandation, par exemple, techniques d’optimisation parallèles/distribuées et descente de gradient stochastique efficace.
Pratiques industrielles et implémentations de systèmes de recommandation, par exemple, ingénierie des caractéristiques, ensemble de modèles, et enseignements tirés des implémentations à grande échelle de systèmes de recommandation. Méthodes d’apprentissage automatique pour des recommandations respectueuses de la sécurité et de la vie privée, recommandations centrées sur l’utilisateur mettant l’accent sur l’interaction et l’engagement des utilisateurs, approche Explore-Exploit, bandits multi-bras pour la recommandation, etc.
Instructions de soumission L’atelier accepte les articles longs et les articles courts (démo/poster). Les articles courts soumis à cet atelier doivent être limités à 4 pages, tandis que les articles longs doivent être limités à 8 pages. Tous les articles doivent être formatés en utilisant la macro SIAM SODA . Les auteurs sont tenus de soumettre leurs articles électroniquement au format PDF sur le site de soumission avant 23h59 MDT, le 2 février 2015.
Related: — University- and industry-branded ML specializations with graded assignments and shareable certificates.
Le site a commencé à accepter les manuscrits. Dates importantes Soumission des articles : 2 février 2015 Notification aux auteurs : 10 février 2015 Date limite pour la version finale des articles : 16 février 2015 Atelier : 2 mai 2015 Les diaporamas des intervenants sont désormais disponibles dans le Programme .
Intervenants invités Chih-Jen Lin , Université nationale de Taïwan Titre : MF (Factorisation Matricielle) et FM (Machines de Factorisation) pour les Systèmes de Recommandation Résumé : La MF (Factorisation Matricielle) et les FM (Machines de Factorisation) sont toutes deux des méthodes efficaces pour les systèmes de recommandation. Dans la première partie de cette présentation, nous nous concentrons sur la MF qui suppose que les notes attribuées par les utilisateurs aux éléments sont la seule information disponible.
Nous discutons de nos efforts récents pour développer un paquetage parallèle LIBMF pour les systèmes à mémoire partagée. Actuellement, la méthode du gradient stochastique (SG) est l’un des algorithmes les plus populaires pour résoudre le problème d’optimisation de la MF. Cependant, en tant qu’approche séquentielle, le SG est difficile à paralléliser.
Where we would start: — One-off, low-cost ML and recommender-systems courses you own forever.
Nous avons soigneusement réduit le taux de défauts de cache et traité l’équilibrage de charge des threads pour obtenir une implémentation parallèle efficace du SG. De plus, comme les performances du SG dépendent fortement du réglage des taux d’apprentissage, nous avons développé certaines approches adaptatives pour atteindre une convergence rapide et stable. Les expériences montrent que notre implémentation surpasse les paquetages de factorisation matricielle parallèles disponibles.
Dans la deuxième partie de la présentation, nous considérons des situations où certaines caractéristiques utilisateur ou élément sont également disponibles. Les FM (Machines de Factorisation) constituent un modèle utile dans de telles situations.
Récemment, une extension des FM appelée FFM (FM sensible aux champs) s’est révélée très efficace pour les prédictions de CTR dans la publicité computationnelle. Nous discutons des approches gagnantes de membres de notre groupe pour deux compétitions Kaggle sur les prédictions de CTR. Notre travail a été publié dans un autre paquetage LIBFFM pour une utilisation publique. Biographie : Chih-Jen Lin est actuellement professeur émérite au Département d’informatique de l’Université nationale de Taïwan.
Il a obtenu son diplôme de licence (B.S.) de l’Université nationale de Taïwan en 1993 et son doctorat de l’Université du Michigan en 1998. Ses principaux domaines de recherche incluent l’apprentissage automatique, l’exploration de données et l’optimisation numérique.
Il est surtout connu pour ses travaux sur les machines à vecteurs de support (SVM) pour la classification de données. Son logiciel LIBSVM est l’un des paquetages SVM les plus utilisés et cités. Pour ses travaux de recherche, il a reçu de nombreux prix, notamment les prix du meilleur article ACM KDD 2010 et ACM RecSys 2013. Il est fellow de l’IEEE, fellow de l’AAAI et scientifique distingué de l’ACM pour sa contribution aux algorithmes d’apprentissage automatique et à la conception de logiciels.
Plus d’informations à son sujet peuvent être trouvées ici . George Karypis , Université du Minnesota Titre : À déterminer Résumé : À déterminer Biographie : George Karypis est actuellement professeur au Département d’informatique et de génie logiciel de l’Université du Minnesota dans les villes jumelles de Minneapolis et Saint Paul, et membre du Centre de technologie numérique (DTC) de l’Université du Minnesota. Ses intérêts de recherche se concentrent dans les domaines de la bio-informatique, de la chimio-informatique, de l’exploration de données et du calcul haute performance, et de temps à autre, il examine divers problèmes dans les domaines de la recherche d’information, du filtrage collaboratif et de la conception électronique automatisée pour la CAO VLSI.
Dans ces domaines, sa recherche se concentre sur le développement de nouveaux algorithmes pour résoudre des problèmes importants existants et/ou émergents, et sur le développement d’outils logiciels pratiques mettant en œuvre certains de ces algorithmes. Les résultats de ses recherches ont été présentés lors de diverses conférences et publiés dans des revues à comité de lecture de premier plan et des actes de conférences hautement sélectifs —> Martin Ester , Université Simon Fraser Titre : Modèles graphiques probabilistes pour la recommandation dans les médias sociaux Résumé : Dans cette présentation, nous examinerons de plus près deux ingrédients clés des médias sociaux, les réseaux sociaux et les services basés sur la localisation, et nous étudierons comment modéliser leurs propriétés pour une recommandation efficace d’éléments et de lieux.
Dans les sciences sociales, les effets de l’influence sociale (les amis ont tendance à devenir plus similaires les uns aux autres) et de l’homophilie ou de la sélection (les gens ont tendance à se lier d’amitié avec des personnes similaires) ont été identifiés comme des moteurs de la dynamique des réseaux sociaux. Dans la première partie de la présentation, nous discuterons des méthodes pour exploiter ces effets afin d’améliorer la précision de la recommandation d’éléments dans les réseaux sociaux.
Dans la deuxième partie principale de la présentation, nous explorerons un autre aspect clé des médias sociaux, à savoir les réseaux sociaux basés sur la localisation (LBSN). Un effet clé dans les LBSN est l’influence géographique, ce qui signifie que les lieux proches ont des caractéristiques plus similaires que les lieux éloignés. La recommandation de lieux est de nature différente de la recommandation traditionnelle d’éléments, car le check-in dans un lieu physique exige plus d’engagement de la part d’un utilisateur que l’adoption d’un élément tel qu’un film.
Nous présenterons des modèles graphiques probabilistes pour capturer ces propriétés pour la recommandation de lieux. La présentation discutera de recherches connexes en mettant l’accent sur nos propres travaux.
En conclusion, nous esquisserons des directions intéressantes pour les recherches futures dans le domaine fascinant de la recommandation dans les médias sociaux. Biographie : Martin Ester a obtenu un doctorat en informatique 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