MLRec 2015

בשילוב עם הכנס הבינלאומי ה-15 של SIAM לכריית נתונים (SDM 2015) 2 במאי 2015, ונקובר, קולומביה הבריטית, קנדה proceedings של MLRec’15 זמינים כעת להורדה. סדנה זו מתמקדת ביישום מתודולוגיות חדשניות וקיימות של למידת מכונה וכריית נתונים לשיפור מערכות המלצה. ישנם כנסים מבוססים רבים כגון NIPS ו-ICML המתמקדים בחקר התכונות התיאורטיות של אלגוריתמי למידת מכונה. מנגד, הכנס החדש יחסית ACM RecSys מתמקד בהיבטים שונים של תכנון ויישום של מערכות המלצה. אנו מאמינים כי קיים פער בין שני הקצוות הללו, וסדנה זו שואפת לגשר על ההתקדמויות האחרונות באלגוריתמי למידת מכונה וכריית נתונים כדי לשפר מערכות המלצה. מכיוון שגישות המלצה רבות נשענות על אלגוריתמי כריית נתונים ולמידת מכונה, גישות אלו נטועות עמוק ביסודותיהן. לפיכך, קיים צורך דחוף שחוקרים משתי הקהילות יפעלו יחד כדי לבחון: 1) אילו טכניקות למידת מכונה וכריית נתונים שפותחו לאחרונה ניתן לרתום להתמודדות עם אתגרים במערכות המלצה, ו-2) לאור האתגרים במערכות המלצה, מהם כיווני המחקר המעשיים בקהילת למידת המכונה וכריית הנתונים. נושאים לדיון אנו מעודדים הגשת מאמרים במגוון רחב של נושאים,包括但不限于: אלגוריתמי למידת מכונה חדשניים למערכות המלצה, למשל, אלגוריתמי המלצה חדשים המודעים לתוכן/הקשר, אלגוריתמים חדשים לפירוק מטריצות (matrix factorization) לטיפול בפריטים עם בעיית התחלה קרה (cold-start), גישות מבוססות טנסורים למערכות המלצה, ועוד. גישות חדשניות ליישום אלגוריתמי למידת מכונה קיימים, למשל, יישום מודלים ביליניאריים, למידה דלילה (sparse learning) (לא-קמורה), למידת מטריקה, קירוב דרגה נמוכה/PCA/SVD, רשתות עצביות ולמידה עמוקה, למערכות המלצה. אלגוריתמי אופטימיזציה חדשניים וניתוח לשיפור מערכות המלצה, למשל, טכניקות אופטימיזציה מקביליות/מבוזרות ו-gradient descent סטוכסטי יעיל. פרקטיקות ותהליכי יישום בתעשייה של מערכות המלצה, למשל, הנדסת מאפיינים (feature engineering), איחוד מודלים (model ensemble), ותובנות מיישומי מערכות המלצה בקנה מידה גדול. שיטות למידת מכונה להמלצות מודעות לאבטחה ופרטיות, המלצות ממוקדות משתמש עם דגש על אינטראקציה ומעורבות של משתמשים, גישת Explore-Exploit, bandits מרובי-זרועות להמלצה, ועוד. הוראות הגשה הסדנה מקבלת מאמרים ארוכים ומאמרים קצרים (הדגמה/פוסטר). מאמרים קצרים המוגשים לסדנה זו מוגבלים ל-4 עמודים בעוד שמאמרים ארוכים מוגבלים ל-8 עמודים. כל המאמרים צריכים להיות מעוצבים באמצעות macro של SIAM SODA. המחברים נדרשים להגיש את מאמריהם באופן אלקטרוני בפורמט PDF לאתר ההגשה עד השעה 23:59 MDT, 12 בינואר 2 בפברואר 2015. האתר החל לקבל כתבי יד. תאריכים חשובים הגשת מאמרים: 2 בפברואר 2015 הודעה למחברים: 10 בפברואר 2015 מועד אחרון להגשת גרסה סופית (Camera Ready): 16 בפברואר 2015 סדנה: 2 במאי 2015 שקפים מהמרצים זמינים כעת בתוכנית. מרצים אורחים צ’יה-ג’ן לין, האוניברסיטה הלאומית של טיוואן כותרת: MF (פירוק מטריצות) ו-FM (מכונות פירוק) למערכות המלצה תקציר: MF (פירוק מטריצות) ו-FM (מכונות פירוק) הן שתי שיטות יעילות למערכות המלצה. בחלק הראשון של הרצאה זו, נתמקד ב-MF המניח שהדירוגים ממשתמשים לפריטים הם המידע היחיד הנתון. נדון במאמצים האחרונים שלנו בפיתוח חבילה מקבילית LIBMF למערכות זיכרון משותף. כיום, שיטת gradient סטוכסטי (SG) היא אחד האלגוריתמים הפופולריים ביותר לפתרון בעיית האופטימיזציה עבור MF. עם זאת, כגישה סדרתית, קשה לבצע מקבול ל-SG. צמצמנו בזהירות את שיעור החסרות בזיכרון המטמון (cache-miss) וטיפלנו באיזון העומס בין החוטים כדי להשיג יישום SG מקבילי יעיל. יתר על כן, מכיוון שביצועי ה-SG תלויים מאוד בהגדרת קצבי הלמידה, פיתחנו מספר גישות אדפטיביות להשגת התכנסות מהירה ויציבה. ניסויים מראים שהיישום שלנו עולה על חבילות פירוק מטריצות מקביליות זמינות אחרות. בחלק השני של ההרצאה, נשקול מצבים שבהם זמינים גם מאפיינים מסוימים של משתמשים או פריטים. FM (מכונות פירוק) הוא מודל שימוחי במצבים כאלה. לאחרונה, הרחבה של FM הנקראת FFM (Field-aware FM) הוכחה כיעילה מאוד לחיזוי CTR בפרסום חישובי. נדון בגישות הזוכות של חברי הקבוצה שלנו בשתי תחרויות Kaggle על חיזוי CTR. עבודתנו שוחררה בחבילה נוספת בשם LIBFFM לשימוש ציבורי. ביוגרפיה: צ’יה-ג’ן לין הוא כיום פרופסור מובהק במחלקה למדעי המחשב באוניברסיטה הלאומית של טיוואן. הוא קיבל תואר B.S. מהאוניברסיטה הלאומית של טיוואן ב-1993 ותואר דוקטורט מאוניברסיטת מישיגן ב-1998. תחומי המחקר העיקריים שלו כוללים למידת מכונה, כריית נתונים ואופטימיזציה נומרית. הוא מוכר בעיקר בזכות עבודתו על מכונות וקטור תומך (SVM) לסיווג נתונים. התוכנה שלו LIBSVM היא אחת מחבילות ה-SVM הנפוצות והמצוטטות ביותר. על עבודתו המחקרית הוא קיבל פרסים רבים, כולל פרסי המאמר הטוב ביותר של ACM KDD 2010 ו-ACM RecSys 2013. הוא עמית IEEE, עמית AAAI, ומדען מובהק של ACM על תרומתו לאלגוריתמי למידת מכונה ולעיצוב תוכנה. מידע נוסף עליו ניתן למצוא כאן. ג’ורג’ קריפיס, אוניברסיטת מינסוטה כותרת: ייקבע בהמשך תקציר: ייקבע בהמשך ביוגרפיה: ג’ורג’ קריפיס הוא כיום פרופסור במחלקה למדעי המחשב והנדסה באוניברסיטת מינסוטה בערים התאומות מיניאפוליס וסaint פול וחבר במרכז הטכנולוגיה הדיגיטלית (DTC) באוניברסיטת מינסוטה. תחומי המחקר שלו מרוכזים בתחומי הביואינפורמטיקה, כימיואינפורמטיקה, כריית נתונים ומחשוב ביצועים גבוהים, ומדי פעם הוא בוחן בעיות שונות בתחומי אחזור מידע, סינון שיתופי ועיצוב אלקטרוני אוטומטי ל-VLSI CAD.בתוך תחומים אלו, מחקרו מתמקד בפיתוח אלגוריתמים חדשניים לפתרון בעיות קיימות ו/או מתעוררות חשובות, ובפיתוח כלי תוכנה מעשיים המיישמים חלק מאלגוריתמים אלו. תוצאות מחקרו הוצגו בכנסים שונים ופורסמו בכתבי עת מובילים שעברו ביקורת עמיתים וב proceedings של כנסים נבחרים מאוד —> מרטין אסטר, אוניברסיטת סיימון פרייזר כותרת: מודלים גרפיים הסתברותיים להמלצה במדיה חברתית תקציר: בהרצאה זו, נבחן מקרוב שני מרכיבים מרכזיים של מדיה חברתית, רשתות חברתיות ושירותים מבוססי מיקום, ונחקור כיצד למדל את התכונות שלהם לצורך המלצת פריטים ומיקומים יעילה. במדעי החברה, זוהו ההשפעות של השפעה חברתית (חברים נוטים להידמות זה לזה יותר) והומופיליה או ברירה (אנשים נוטים להתחבר לאנשים הדומים להם) כמניעים של הדינמיקה של רשתות חברתיות. בחלק הראשון של ההרצאה נדון בשיטות לניצול השפעות אלו לשיפור הדיוק של המלצת פריטים ברשתות חברתיות. בחלק העיקרי השני של ההרצאה, נחקור היבט מרכזי נוסף של מדיה חברתית, namely רשתות חברתיות מבוססות מיקום (LBSN). השפעה מרכזית ב-LBSN היא השפעה גיאוגרפית, כלומר שלמיקומים סמוכים יש תכונות דומות יותר מאשר למיקומים רחוקים. המלצת מיקום שונה באופייה מהמלצת פריטים מסורתית, שכן הצ’ק-אין במיקום פיזי דורש מחויבות גדולה יותר מהמשתמש מאשר אימוץ של פריט כמו סרט. נציג מודלים גרפיים הסתברותיים ללכידת תכונות אלו לצורך המלצת מיקומים. ההרצאה תדון במחקר רלוונטי עם דגש על עבודתנו שלנו. לסיכום, נתווה כיוונים מעניינים למחקר עתידי בתחום המרתק של המלצה במדיה חברתית. ביוגרפיה: מרטין אסטר קיבל תואר דוקטורט במדעי המחשב מ

P.S. A few readers have asked which professional skills platform we actually reach for — it's Pluralsight; take a look here if you want the current details.