MLRec 2015

I tilknytning til den 15. SIAM International Conference on Data Mining (SDM 2015) 2. mai 2015, Vancouver, British Columbia, Canada Proceedings fra MLRec’15 er nå tilgjengelig for nedlasting .

Denne workshopen fokuserer på å anvende både nye og eksisterende metoder innen maskinlæring og datagruvedrift for å forbedre anbefalingssystemer. Det finnes mange etablerte konferanser, som NIPS og ICML, som konsentrerer seg om studiet av teoretiske egenskaper ved maskinlæringsalgoritmer. På den andre siden fokuserer den nylig opprettede konferansen ACM RecSys på ulike aspekter ved design og implementering av anbefalingssystemer. Vi mener det finnes et gap mellom disse to ytterpunktene, og denne workshopen har som mål å bygge bro mellom de siste fremskrittene innen algoritmer for maskinlæring og datagruvedrift og forbedring av anbefalingssystemer.

Siden mange tilnærminger til anbefaling bygger på algoritmer for datagruvedrift og maskinlæring, er disse tilnærmingene dypt forankret i deres grunnlag. Derfor er det et presserende behov for at forskere fra de to fagmiljøene samarbeider om: 1) hvilke nylig utviklede teknikker innen maskinlæring og datagruvedrift som kan utnyttes for å håndtere utfordringer i anbefalingssystemer, og 2) hvilke praktiske forskningsretninger i fagmiljøet for maskinlæring og datagruvedrift som oppstår basert på utfordringer i anbefalingssystemer.

Temaer vi oppfordrer til innsending av bidrag om Vi oppfordrer til innsending av bidrag om en rekke temaer, inkludert men ikke begrenset til: Nye maskinlæringsalgoritmer for anbefalingssystemer, f.eks. nye innholds- og kontekstbevisste anbefalingsalgoritmer, nye algoritmer for matrisefaktorering som håndterer elementer med kald start («cold-start»), tensorbaserte tilnærminger for anbefalingssystemer, osv. Nye tilnærminger for å anvende eksisterende maskinlæringsalgoritmer, f.eks. bruk av bilineære modeller, (ikke-konveks) sparsom læring («sparse learning»), metrisk læring, lavrangtilnærming/PCA/SVD, nevrale nettverk og dyp læring, for anbefalingssystemer.

Nye optimaliseringsalgoritmer og analyser for å forbedre anbefalingssystemer, f.eks. parallell/distribuert optimaliseringsteknikk og effektiv stokastisk gradientnedstigning. Industriell praksis og implementering av anbefalingssystemer, f.eks. funksjonskonstruksjon («feature engineering»), modellensemble og lærdommer fra storskala-implementeringer av anbefalingssystemer.

Maskinlæringsmetoder for sikkerhets- og personvernbevisste anbefalinger, brukercentrerte anbefalinger med vekt på brukeres interaksjon og engasjement, «Explore-Exploit»-tilnærminger, flerarmede banditter for anbefaling, osv. Instruksjoner for innsending Workshopen aksepterer både lange artikler og korte artikler (demo/plakat). Korte artikler som sendes inn til denne workshopen bør være begrenset til 4 sider, mens lange artikler bør være begrenset til 8 sider. Alle artikler skal formateres ved hjelp av SIAM SODA-makroen .

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

Forfattere må sende inn artiklene sine elektronisk i PDF-format til innsendingsstedet innen kl. 23:59 MDT 2. februar 2015. Nettstedet har begynt å akseptere manuskripter.

Viktige datoer Innsending av artikler: 2. februar 2015 Beskjed til forfattere: 10. februar 2015 Frist for endelig versjon («camera ready»): 16. februar 2015 Workshop: 2. mai 2015 Lysbilder fra foredragsholdere er nå tilgjengelige i programmet . Inviterte foredragsholdere Chih-Jen Lin , National Taiwan University Tittel: MF (Matrix Factorization) og FM (Factorization Machines) for anbefalingssystemer Sammendrag: MF (Matrix Factorization) og FM (Factorization Machines) er begge effektive metoder for anbefalingssystemer.

I første del av dette foredraget fokuserer vi på MF, som antar at rangeringer fra brukere til elementer er den eneste tilgjengelige informasjonen. Vi diskuterer våre nyeste anstrengelser med å utvikle en parallell pakke, LIBMF, for systemer med delt minne. Per i dag er stokastisk gradient (SG)-metoden en av de mest populære algoritmene for å løse optimaliseringsproblemet for MF.

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

Som en sekvensiell tilnærming er SG imidlertid vanskelig å parallelisere. Vi har nøye redusert antallet cache-miss og adressert lastbalansen mellom tråder for å oppnå en effektiv parallell SG-implementering. Videre, siden ytelsen til SG i høy grad avhenger av innstillingen av læringsrater, har vi utviklet noen adaptive tilnærminger for å oppnå rask og stabil konvergens.

Eksperimenter viser at vår implementering overgår tilgjengelige parallelle pakker for matrisefaktorering. I andre del av foredraget vurderer vi situasjoner der enkelte bruker- eller elementegenskaper også er tilgjengelige.

FM (Factorization Machines) er en nyttig modell i slike situasjoner. Nylig har en utvidelse av FM kalt FFM (Field-aware FM) vist seg å være svært effektiv for CTR-prediksjoner innen beregningsmessig reklame. Vi diskuterer våre gruppemedlemmers vinnende tilnærminger til to Kaggle-konkurranser om CTR-prediksjoner. Vårt arbeid er utgitt i en annen pakke, LIBFFM, til offentlig bruk.

Biografi: Chih-Jen Lin er for tiden distingvert professor ved Institutt for datavitenskap ved National Taiwan University. Han tok sin bachelorgrad ved National Taiwan University i 1993 og sin doktorgrad ved University of Michigan i 1998.

Hans hovedforskningsområder inkluderer maskinlæring, datagruvedrift og numerisk optimalisering. Han er best kjent for sitt arbeid med støttevektormaskiner (SVM) for dataklassifisering. Programvaren hans, LIBSVM, er en av de mest brukte og siterte SVM-pakkene. For sin forskning har han mottatt mange priser, inkludert prisene for beste artikkel ved ACM KDD 2010 og ACM RecSys 2013.

Han er IEEE-fellow, AAAI-fellow og ACM-distinguert forsker for sine bidrag til algoritmer for maskinlæring og programvaredesign. Mer informasjon om ham finnes her . George Karypis , University of Minnesota Tittel: TBD Sammendrag: TBD Biografi: George Karypis er for tiden professor ved Institutt for datavitenskap og ingeniørfag ved University of Minnesota i Twin Cities-området Minneapolis og Saint Paul, samt medlem av Digital Technology Center (DTC) ved University of Minnesota.

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

Hans forskningsinteresser er konsentrert innen områdene bioinformatikk, kjeminformatikk, datagruvedrift og høytytende databehandling, og innimellom ser han på ulike problemer innen informasjonsinnhenting, kollaborativ filtrering og elektronisk designautomatisering for VLSI CAD. Innen disse områdene fokuserer forskningen hans på å utvikle nye algoritmer for å løse viktige eksisterende og/eller fremvoksende problemer, samt på å utvikle praktiske programvareverktøy som implementerer noen av disse algoritmene.

Resultatene fra forskningen hans er presentert på ulike konferanser og publisert i ledende fagfellevurderte tidsskrifter og høyt selekterte konferanseprosceedinger —> Martin Ester , Simon Fraser University Tittel: Probabilistiske grafiske modeller for anbefaling i sosiale medier Sammendrag: I dette foredraget vil vi se nærmere på to nøkkelkomponenter i sosiale medier – sosiale nettverk og stedbaserte tjenester – og undersøke hvordan vi kan modellere deres egenskaper for effektiv anbefaling av elementer og steder.

Innen samfunnsvitenskapene er effekten av sosial påvirkning (venner tenderer til å bli mer like hverandre) og homofili eller seleksjon (folk tenderer til å bli venner med lignende mennesker) identifisert som drivkrefter for dynamikken i sosiale nettverk. I første del av foredraget vil vi diskutere metoder for å utnytte disse effektene for å forbedre nøyaktigheten av elementanbefalinger i sosiale nettverk. I andre hoveddel av foredraget vil vi utforske nok et nøkkelaspekt ved sosiale medier, nemlig stedbaserte sosiale nettverk (LBSN).

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

En nøkkeleffekt i LBSN er geografisk påvirkning, som betyr at nærliggende steder har mer like egenskaper enn steder langt unna. Stedsanbefaling er av en annen natur enn tradisjonell elementanbefaling, siden innlogging («check-in») på et fysisk sted krever større forpliktelse fra en bruker enn adopsjon av et element som en film.

Vi vil presentere probabilistiske grafiske modeller for å fange opp disse egenskapene for stedsanbefaling. Foredraget vil diskutere relevant forskning med fokus på vårt eget arbeid. Til slutt vil vi skissere interessante retninger for fremtidig forskning i det fascinerende feltet anbefaling i sosiale medier. Biografi: Martin Ester mottok en doktorgrad i datavitenskap fra

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.