MLRec 2016
In concomitanza con la 16ª Conferenza Internazionale SIAM sul Data Mining (SDM 2016) Sabato 7 maggio 2016, Miami, Florida, USA A seguito del successo dell’ultima edizione di MLRec , questa seconda edizione 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 conferenza recentemente istituita ACM RecSys si occupa di 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 il fossato, 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, tali approcci sono profondamente radicati nelle loro fondamenta.
Di conseguenza, c’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 Accogliamo con favore contributi 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 in grado di gestire elementi 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, feature engineering, 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-armed per la raccomandazione, ecc. Istruzioni per la sottomissione Il workshop accetta paper lunghi e paper brevi (demo/poster).
I paper brevi sottoposti 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 . Gli autori sono tenuti a inviare i propri paper in formato PDF elettronicamente al sito di sottomissione entro le 23:59 MDT del 1° febbraio 2016. Il sito ha iniziato ad accettare i manoscritti.
Related: — University- and industry-branded ML specializations with graded assignments and shareable certificates.
Date importanti Sottomissione dei paper: 1° febbraio 2016 Notifica agli autori: 10 febbraio 2016 Scadenza per la versione definitiva (Camera Ready): 15 febbraio 2016 s Workshop: Sabato 7 maggio 2016 A causa di un problema tecnico, i revisori non sono stati in grado di inviare le proprie recensioni in tempo. Abbiamo posticipato la data di notifica e quella per la versione definitiva.
Grazie per la comprensione. —> Le slide dei relatori sono ora disponibili nel Programma . —> Relatori invitati Tina Eliassi-Rad , Rutgers University Titolo: Uso dei social network nei sistemi di raccomandazione Abstract: Si consideri il problema dell’integrazione delle informazioni provenienti dai social network in un sistema di raccomandazione. Intuitivamente, risolvere questo problema dovrebbe migliorare le prestazioni del recommender. In questo intervento discuterò le sfide, presenterò lo stato dell’arte attuale e delineerò alcune direzioni promettenti per questo problema.
Bio: Tina Eliassi-Rad è Professore Associato di Informatica presso la Rutgers University. Prima di entrare nel mondo accademico, è stata Member of Technical Staff e Principal Investigator presso il Lawrence Livermore National Laboratory. Tina ha conseguito il dottorato di ricerca in Scienze Informatiche (con una specializzazione secondaria in Statistica Matematica) presso l’Università del Wisconsin-Madison.
Where we would start: — One-off, low-cost ML and recommender-systems courses you own forever.
La sua ricerca attuale si colloca all’intersezione tra graph mining, scienza delle reti e scienze sociali computazionali. Nell’ambito del data mining e del machine learning, la ricerca di Tina è stata applicata al World-Wide Web, a corpora testuali, a dati di simulazione scientifica su larga scala, a reti complesse, al rilevamento di frodi e alla consapevolezza situazionale informatica. Ha pubblicato oltre 60 articoli sottoposti a revisione paritaria (incluso un premio come miglior paper finalista all’ICDM’09 e un premio per il miglior paper interdisciplinare al CIKM’12) e ha tenuto oltre 120 presentazioni su invito.
I suoi algoritmi sono stati incorporati in sistemi utilizzati dal governo e dall’industria (ad esempio, IBM System G Graph Analytics) nonché in software open-source (ad esempio, Stanford Network Analysis Project). Nel 2010 ha ricevuto il premio Outstanding Mentor Award dall’US DOE Office of Science.
Per ulteriori dettagli, visitare qui . Julian McAuley , University of California, San Diego Titolo: Sfruttare le recensioni per costruire modelli più ricchi di opinioni Abstract: Le recensioni online sono spesso il nostro primo punto di riferimento quando valutiamo prodotti e acquisti sul web. Tuttavia, navigare in enormi volumi di recensioni (molte delle quali potrebbero non condividere) è laborioso, specialmente quando siamo interessati ad alcuni aspetti di nicchia di un prodotto. Ciò suggerisce la necessità di costruire modelli capaci di cogliere la semantica complessa e idiosincratica delle recensioni, al fine di creare sistemi di raccomandazione più ricchi e personalizzati.
In questo intervento discuterò tre direzioni: in primo luogo, come possono essere sfruttate le recensioni per comprendere meglio le dimensioni (o sfaccettature) delle opinioni delle persone? In secondo luogo, come possono essere utilizzate le recensioni per rispondere a domande mirate, che possono essere soggettive o richiedere risposte personalizzate?
E in terzo luogo, come possono essere sintetizzate le recensioni stesse, in modo da prevedere cosa direbbe un recensore, anche per prodotti che non ha ancora visto? Bio: La ricerca di Julian McAuley si concentra sulle dimensioni linguistiche, temporali e visive delle opinioni e dei comportamenti nelle reti sociali e nelle comunità online. Questo include la comprensione delle sfaccettature delle opinioni delle persone, dei processi attraverso i quali le persone “acquisiscono gusti” per cibi gourmet e birre, o persino delle dimensioni visive che rendono gli capi di abbigliamento compatibili. È professore assistente presso la UC San Diego dal 2014 e ha conseguito il dottorato di ricerca presso l’Australian National University.
Hanghang Tong , Arizona State University Titolo: Verso team ottimali nelle grandi reti Abstract: Nel suo libro di fama mondiale “The Science of the Artificial”, il premio Nobel Herbert Simon ha sottolineato che è più la complessità dell’ambiente, piuttosto che la complessità dei singoli individui, a determinare il comportamento complesso degli esseri umani. L’emergere della scienza delle reti e l’avvento dei big data forniscono un nuovo ambiente/contexto in cui le persone interagiscono e collaborano tra loro per eseguire collettivamente compiti complessi.
In questo intervento riassumeremo i nostri recenti sforzi nell’analizzare le prestazioni dei team nel contesto delle grandi reti. In primo luogo (caratterizzazione): presenteremo le nostre scoperte su quali tipi di metriche/caratteristiche di rete sono cruciali per le prestazioni del team e in quale misura. In secondo luogo (previsione): presenteremo modelli predittivi per forecastare le prestazioni di un dato team in una fase iniziale, basandoci sulla sua struttura di rete.
Infine (miglioramento): presenteremo strumenti e algoritmi per migliorare le prestazioni di un team esistente. Bio: Hanghang Tong è attualmente professore assistente presso la School of Computing, Informatics, and Decision Systems Engineering (CIDSE) dell’Arizona State University.
In precedenza, è stato professore assistente presso il Dipartimento di Informatica del City College della City University of New York, membro del personale di ricerca presso l’IBM T.J. Watson Research Center e ricercatore post-dottorato presso la Carnegie Mellon University. Ha conseguito la laurea magistrale e il dottorato di ricerca presso la Carnegie Mellon University rispettivamente nel 2008 e nel 2009, entrambi con specializzazione in Machine Learning. I suoi interessi di ricerca riguardano il data mining su larga scala per grafi e multimedia.
Ha ricevuto diversi premi, incluso un premio ‘test of time’ (ICDM
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