MLRec 2015

In concomitanza con la 15ª Conferenza Internazionale SIAM sul Data Mining (SDM 2015) 2 maggio 2015, Vancouver, Columbia Britannica, Canada Gli atti di MLRec’15 sono ora disponibili per il download . Questo workshop si concentra sull’applicazione di metodologie di machine learning e data mining, sia nuove che esistenti, per migliorare i sistemi di raccomandazione.

Esistono molte conferenze consolidate come NIPS e ICML che si concentrano sullo studio delle proprietà teoriche degli algoritmi di machine learning. D’altra parte, la recente conferenza ACM RecSys si focalizza su diversi aspetti della progettazione e dell’implementazione dei sistemi di raccomandazione. Riteniamo che vi sia un divario tra questi due estremi e questo workshop mira a colmare tale lacuna, collegando i recenti progressi negli algoritmi di machine learning e data mining al miglioramento dei sistemi di raccomandazione.

Poiché molti approcci di raccomandazione sono costruiti su algoritmi di data mining e machine learning, questi approcci sono profondamente radicati nelle loro fondamenta. Di conseguenza, vi è un bisogno urgente che i ricercatori delle due comunità lavorino congiuntamente su: 1) quali sono le tecniche di machine learning e data mining recentemente sviluppate che possono essere sfruttate per affrontare le sfide nei sistemi di raccomandazione, e 2) partendo dalle sfide nei sistemi di raccomandazione, quali sono le direzioni di ricerca pratiche per la comunità del machine learning e del data mining.

Argomenti di interesse Incoraggiamo submission su una varietà di argomenti, inclusi ma non limitati a: Nuovi algoritmi di machine learning per sistemi di raccomandazione, ad esempio, nuovi algoritmi di raccomandazione sensibili al contenuto/al contesto, nuovi algoritmi per la fattorizzazione matriciale che gestiscono elementi a freddo (cold-start), approcci basati su tensori per sistemi di raccomandazione, ecc. Nuovi approcci per l’applicazione di algoritmi di machine learning esistenti, ad esempio, applicazione di modelli bilineari, apprendimento sparso (non convesso), metric learning, approssimazione a basso rango/PCA/SVD, reti neurali e deep learning, per sistemi di raccomandazione.

Nuovi algoritmi di ottimizzazione e analisi per migliorare i sistemi di raccomandazione, ad esempio, tecniche di ottimizzazione parallela/distribuita e discesa del gradiente stocastico efficiente. Pratiche industriali e implementazioni di sistemi di raccomandazione, ad esempio, ingegneria delle feature, ensemble di modelli e lezioni apprese da implementazioni su larga scala di sistemi di raccomandazione.

Metodi di machine learning per raccomandazioni sicure e rispettose della privacy, raccomandazioni centrate sull’utente con enfasi sull’interazione e sul coinvolgimento degli utenti, approccio Explore-Exploit, banditi multi-braccio per la raccomandazione, ecc. Istruzioni per la submission Il workshop accetta paper lunghi e paper brevi (demo/poster). I paper brevi submitted a questo workshop devono essere limitati a 4 pagine, mentre i paper lunghi devono essere limitati a 8 pagine. Tutti i paper devono essere formattati utilizzando il macro SIAM SODA .

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

Gli autori sono tenuti a inviare i propri paper elettronicamente in formato PDF al sito di submission entro le 23:59 MDT del 2 febbraio 2015. Il sito ha iniziato ad accettare manoscritti.

Date importanti Submission dei paper: 2 febbraio 2015 Notifica agli autori: 10 febbraio 2015 Scadenza per la versione definitiva (Camera Ready): 16 febbraio 2015 Workshop: 2 maggio 2015 Le slide dei relatori sono ora disponibili nel Programma . Relatori invitati Chih-Jen Lin , National Taiwan University Titolo: MF (Matrix Factorization) e FM (Factorization Machines) per Sistemi di Raccomandazione Abstract: MF (Matrix Factorization) e FM (Factorization Machines) sono entrambi metodi efficaci per i Sistemi di Raccomandazione.

Nella prima parte di questo intervento, ci concentriamo su MF, che assume che le valutazioni dagli utenti agli elementi siano l’unica informazione disponibile. Discutiamo i nostri recenti sforzi nello sviluppo di un pacchetto parallelo LIBMF per sistemi a memoria condivisa. Attualmente, il metodo del gradiente stocastico (SG) è uno degli algoritmi più popolari per risolvere il problema di ottimizzazione per MF.

Where we would start: Udemy — One-off, low-cost ML and recommender-systems courses you own forever.

Tuttavia, essendo un approccio sequenziale, SG è difficile da parallelizzare. Abbiamo attentamente ridotto il tasso di cache-miss e affrontato il bilanciamento del carico dei thread per ottenere un’implementazione parallela SG efficace. Inoltre, poiché le prestazioni di SG dipendono fortemente dall’impostazione dei tassi di apprendimento, abbiamo sviluppato alcuni approcci adattivi per raggiungere una convergenza rapida e stabile.

Gli esperimenti mostrano che la nostra implementazione supera i pacchetti di fattorizzazione matriciale parallela disponibili. Nella seconda parte dell’intervento, consideriamo situazioni in cui sono disponibili anche alcune feature di utente o di elemento.

FM (Factorization Machines) è un modello utile in tali situazioni. Recentemente, un’estensione di FM chiamata FFM (Field-aware FM) si è dimostrata molto efficace per le previsioni CTR nella pubblicità computazionale. Discutiamo gli approcci vincenti dei membri del nostro gruppo per due competizioni Kaggle sulle previsioni CTR. Il nostro lavoro è stato rilasciato in un altro pacchetto, LIBFFM, per uso pubblico.

Bio: Chih-Jen Lin è attualmente professore distinto presso il Dipartimento di Informatica della National Taiwan University. Ha conseguito la laurea triennale presso la National Taiwan University nel 1993 e il dottorato di ricerca presso l’University of Michigan nel 1998.

Le sue principali aree di ricerca includono machine learning, data mining e ottimizzazione numerica. È noto soprattutto per il suo lavoro sulle macchine a vettori di supporto (SVM) per la classificazione dei dati. Il suo software LIBSVM è uno dei pacchetti SVM più utilizzati e citati. Per il suo lavoro di ricerca ha ricevuto numerosi premi, inclusi i premi per il miglior paper ACM KDD 2010 e ACM RecSys 2013. È IEEE fellow, AAAI fellow e ACM distinguished scientist per il suo contributo agli algoritmi di machine learning e alla progettazione software.

Maggiori informazioni su di lui possono essere trovate qui . George Karypis , University of Minnesota Titolo: Da definire (TBA) Abstract: Da definire (TBA) Bio: George Karypis è attualmente Professore presso il Dipartimento di Informatica e Ingegneria dell’University of Minnesota nelle città gemelle di Minneapolis e Saint Paul e membro del Digital Technology Center (DTC) presso l’University of Minnesota. I suoi interessi di ricerca sono concentrati nelle aree di bioinformatica, chemioinformatica, data mining e calcolo ad alte prestazioni e, di tanto in tanto, esamina vari problemi nelle aree del information retrieval, filtering collaborativo e progettazione elettronica automatica per VLSI CAD.

Related: Manning Publications — Deep, project-driven ML books and video courses — including the MEAP early-access program.

All’interno di queste aree, la sua ricerca si concentra sullo sviluppo di nuovi algoritmi per risolvere problemi importanti esistenti e/o emergenti e sullo sviluppo di strumenti software pratici che implementino alcuni di questi algoritmi. I risultati della sua ricerca sono stati presentati in varie conferenze e pubblicati in riviste peer-reviewed leader e atti di conferenze altamente selettive —> Martin Ester , Simon Fraser University Titolo: Modelli Grafici Probabilistici per la Raccomandazione nei Social Media Abstract: In questo intervento, daremo un’occhiata più da vicino a due ingredienti chiave dei social media, le reti sociali e i servizi basati sulla localizzazione, e indagheremo come modellare le loro proprietà per una raccomandazione efficace di elementi e luoghi.

Nelle scienze sociali, gli effetti dell’influenza sociale (gli amici tendono a diventare più simili tra loro) e dell’omofilia o selezione (le persone tendono a fare amicizia con persone simili) sono stati identificati come motori delle dinamiche delle reti sociali. Nella prima parte dell’intervento discuteremo i metodi per sfruttare questi effetti al fine di migliorare l’accuratezza della raccomandazione di elementi nelle reti sociali.

Nella seconda parte principale dell’intervento, esploreremo un altro aspetto chiave dei social media, ovvero le reti sociali basate sulla localizzazione (LBSN). Un effetto chiave nelle LBSN è l’influenza geografica, il che significa che i luoghi vicini hanno caratteristiche più simili rispetto ai luoghi lontani. La raccomandazione di luoghi è diversa per natura dalla tradizionale raccomandazione di elementi, poiché il check-in in un luogo fisico richiede un maggiore impegno da parte dell’utente rispetto all’adozione di un elemento come un film.

If you are shopping: DataCamp — Browser-based, hands-on ML and data-science tracks you can start in 10 minutes.

Presenteremo modelli grafici probabilistici per catturare queste proprietà per la raccomandazione di luoghi. L’intervento discuterà ricerche correlate con un focus sul nostro lavoro.

In conclusione, delineeremo direzioni interessanti per la ricerca futura nell’affascinante campo della raccomandazione nei social media. Bio: Martin Ester ha conseguito un PhD in Informatica presso

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.