MLRec 2016

בשילוב עם הכנס הבינלאומי ה-16 של SIAM לכריית נתונים (SDM 2016) שבת, 7 במאי 2016, מיאמי, פלורידה, ארה”ב בעקבות ההצלחה של המהדורה הקודמת של MLRec , מהדורה זו, השנייה במספר, מתמקדת ביישום מתודולוגיות חדשניות וכן קיימות של למידת מכונה וכריית נתונים לשיפור מערכות המלצה. ישנם כנסים מבוססים רבים כגון NIPS ו-ICML המתמקדים בחקר המאפיינים התיאורטיים של אלגוריתמי למידת מכונה. מנגד, הכנס החדש יחסית ACM RecSys מתמקד בהיבטים שונים של תכנון ויישום מערכות המלצה. אנו מאמינים כי קיים פער בין שני קצוות אלו, וסדנה זו שואפת לגשר בין ההתקדמויות האחרונות באלגוריתמי למידת מכונה וכריית נתונים לבין שיפור מערכות ההמלצה. מכיוון שגישות המלצה רבות נשענות על אלגוריתמים של כריית נתונים ולמידת מכונה, גישות אלו מושרשות עמוק ביסודותיהם. לפיכך, קיים צורך דחוף כי חוקרים משתי הקהילות יעבדו יחד כדי לענות על: 1) אילו טכניקות למידת מכונה וכריית נתונים שפותחו לאחרונה ניתן לרתום כדי להתמודד 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 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 (non-convex), למידת מטריקה, קירוב דרגה נמוכה/PCA/SVD, רשתות נוירונים ולמידה עמוקה, עבור מערכות המלצה. אלגוריתמי אופטימיזציה חדשניים וניתוח לשיפור מערכות המלצה, למשל, טכניקות אופטימיזציה מקביליות/מבוזרות וירידת מפל סטוכסטית יעילה. פרקטיקות תעשייתיות ויישומים 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 ולפרטיות, המלצות ממוקדות משתמש עם דגש על אינטראקציה ומעורבות משתמשים, גישת Explore-Exploit, bandits מרובי-זרועות להמלצה, ועוד. הוראות הגשה הסדנה מקבלת מאמרים ארוכים ומאמרים קצרים (הדגמה/פוסטר). אורך מאמרים קצרים המוגשים לסדנה זו מוגבל ל-4 עמודים, בעוד שמאמרים ארוכים מוגבלים ל-8 עמודים. יש לעצב את כל המאמרים באמצעות המקרו של SIAM SODA . המחברים נדרשים להגיש את מאמריהם באופן אלקטרוני בפורמט PDF לאתר ההגשה עד השעה 23:59 MDT, 1 בפברואר 2016. האתר החל לקבל כתבי יד. תאריכים חשובים הגשת מאמרים: 1 בפברואר 2016 הודעה למחברים: 10 בפברואר 2016 מועד אחרון להגשת מאמר סופי (Camera Ready): 15 בפברואר 2016 סדנה: שבת, 7 במאי 2016 בשל תקלה במערכת, הסוקרים לא יכלו להגיש את הביקורות שלהם בזמן. אנו דחינו את תאריך ההודעה והגשת הגרסה הסופית. תודה על הבנתכם. —> שקפים מהמרצים זמינים כעת בתוכנית . —> מרצים אורחים Tina Eliassi-Rad , אוניברסיטת ראטגרס כותרת: שימוש ברשתות חברתיות במערכות המלצה תקציר: נבחן את הבעיה של שילוב מידע מרשתות חברתיות במערכת המלצה. באופן אינטואיטיבי, פתרון בעיה זו אמור לשפר את ביצועי מערכת ההמלצה. בהרצאה זו, אדון באתגרים, אציג את המצב העדכני ביותר (state-of-the-art), ואתווה כמה כיוונים מבטיחים לבעיה זו. ביוגרפיה: Tina Eliassi-Rad היא פרופסור חבר למדעי המחשב באוניברסיטת ראטגרס. לפני הצטרפותה לאקדמיה, היא הייתה חברה בצוות הטכני וחוקרת ראשית במעבדה הלאומית לורנס ליברמור. טינה השלימה את הדוקטורט שלה במדעי המחשב (עם התמחות משנית בסטטיסטיקה מתמטית) באוניברסיטת ויסקונסין-מדיסון. מחקרה הנוכחי נמצא בצומת שבין כריית גרפים, מדעי הרשתות ומדעי החברה החישוביים. בתחומי כריית נתונים ולמידת מכונה, מחקרה של טינה יושם על רשת האינטרנט העולמית, מאגרי טקסט, נתוני סימולציה מדעית בקנה מידה גדול, רשתות מורכבות, זיהוי הונאות ומודעות למצבי סייבר. היא פרסמה למעלה מ-60 מאמרים שעברו ביקורת עמיתים (כולל פרס “סגן המאמר הטוב ביותר” ב-ICDM’09 ופרס “המאמר הבין-תחומי הטוב ביותר” ב-CIKM’12); והעבירה למעלה מ-120 הרצאות בהזמנה. האלגוריתמים שלה שולבו במערכות המשמשות את הממשל והתעשייה (למשל, IBM System G Graph Analytics) וכן בתוכנות קוד פתוח (למשל, Stanford Network Analysis Project). בשנת 2010, היא קיבלה את פרס המנחה המצטיין ממשרד המדע של מחלקת האנרגיה האמריקאית (US DOE Office of Science). לפרטים נוספים, בקרו כאן .

Julian McAuley , אוניברסיטת קליפורניה, סן דייגו כותרת: רתימת ביקורות לבניית מודלים עשירים יותר של דעות תקציר: ביקורות מקוונות הן לעיתים קרובות נקודת המוצא הראשונה שלנו בעת בחינת מוצרים ורכישות באינטרנט. עם זאת, ניווט בכמויות עצומות של ביקורות (רבות מהן עשויות להיות שנויות במחלוקת מבחינתנו) הוא משימה מייגעת, במיוחד כאשר אנו מתעניינים בהיבט נישה מסוים של מוצר. הדבר מצביע על הצורך בבניית מודלים המסוגלים ללכוד את הסמנטיקה המורכבת והייחודית של ביקורות, כדי לבנות מערכות המלצה עשירות ומותאמות אישית יותר. בהרצאה זו אדון בשלושה כיוונים כאלה: ראשית, כיצד ניתן לרתום ביקורות להבנה טובה יותר של הממדים (או הפנים) של דעות אנשים? שנית, כיצד ניתן להשתמש בביקורות כדי לענות על שאלות ממוקדות, שעשויות להיות סובייקטיביות או לדרוש תגובות מותאמות אישית? ושלישית, כיצד ניתן לסנתז ביקורות עצמן, כך שניתן יהיה לחזות מה היה אומר מבקר, אפילו לגבי מוצרים שעדיין לא ראה? ביוגרפיה: מחקרו של Julian McAuley מתמקד בממדים הלשוניים, הזמניים והחזותיים של דעות והתנהגות ברשתות חברתיות ובקהילות מקוונות. זה כולל הבנת הפנים של דעות אנשים, התהליכים שבאמצעותם אנשים “רוכשים טעם” למאכלי גורמה ולבירות, או אפילו הממדים החזותיים שהופכים פריטי לבוש לתואמים. הוא משמש כפרופסור חבר באוניברסיטת UC סן דייגו מאז 2014, וקיבל את הדוקטורט שלו מהאוניברסיטה הלאומית האוסטרלית.

Hanghang Tong , אוניברסיטת מדינת אריזונה כותרת: לקראת צוותים אופטימליים ברשתות ענק תקציר: בספרו המפורסם בכל העולם “מדע המלאכותי”, חתן פרס נובל הרברט סיימון ציין כי מורכבות הסביבה, ולא מורכבות הפרטים, היא הקובעת את ההתנהגות המורכבת של בני אדם. עלייתו של מדע הרשתות והגעתו של הביג דאטה מספקים סביבה/הקשר חדש, שבו אנשים מתקשרים ומשתפים פעולה זה עם זה כדי לבצע יחד משימות מורכבות כלשהן. בהרצאה זו, נסכם את המאמץ האחרון שלנו בניתוח ביצועי צוות בהקשר של רשתות ענק. ראשית (אפיון): נציג את הממצאים שלנו לגבי אילו מדדים/מאפייני רשת הם קריטיים לביצועי הצוות, ובאיזו מידה. שנית (חיזוי): נציג מודלים חיזויים לחיזוי ביצועים של צוות נתון בשלב מוקדם, בהתבסס על מבנה הרשת שלו. לבסוף (שיפור): נציג כלים ואלגוריתמים לשיפור הביצועים של צוות קיים. ביוגרפיה: Hanghang Tong משמש כיום כפרופסור חבר בבית הספר למחשוב, אינפורמטיקה והנדסת מערכות החלטה (CIDSE), אוניברסיטת מדינת אריזונה. לפני כן, הוא היה פרופסור חבר במחלקה למדעי המחשב, סיטי קולג’, אוניברסיטת העיר ניו יורק, חבר צוות מחקר ב-IBM T.J.

Reader favorite: Pluralsight — Skills assessments, learning paths, and hands-on labs for working data professionals.

Watson Research Center ועמית פוסט-דוקטורט באוניברסיטת קרנגי מלון. הוא קיבל את תוארי המוסמך והדוקטורט מאוניברסיטת קרנגי מלון בשנים 2008 ו-2009, שניהם בהתמחות בלמידת מכונה. תחומי המחקר שלו הם כריית נתונים בקנה מידה גדול עבור גרפים ומולטימדיה. הוא זכה במספר פרסים, כולל פרס ‘test of time’ אחד (ICDM

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.