MLRec 2015
In conjunction with 15th SIAM International Conference on Data Mining (SDM 2015) May 2, 2015, Vancouver, British Columbia, Canada De proceedings van MLRec’15 zijn nu beschikbaar voor download . Deze workshop richt zich op het toepassen van zowel nieuwe als bestaande methoden voor machine learning en datamining om aanbevelingssystemen te verbeteren.
Er zijn vele gevestigde conferenties zoals NIPS en ICML die zich richten op de studie van de theoretische eigenschappen van machinelearning-algoritmen. Aan de andere kant concentreert de recent opgerichte conferentie ACM RecSys zich op verschillende aspecten van het ontwerpen en implementeren van aanbevelingssystemen. Wij geloven dat er een kloof bestaat tussen deze twee uitersten, en deze workshop heeft als doel de recente vooruitgang op het gebied van machinelearning- en datamining-algoritmen te verbinden met de verbetering van aanbevelingssystemen.
Aangezien veel aanbevelingsbenaderingen zijn gebaseerd op datamining- en machinelearning-algoritmen, zijn deze benaderingen diep geworteld in hun fundamenten. Als zodanig is er een dringende behoefte voor onderzoekers uit beide gemeenschappen om gezamenlijk te werken aan 1) welke recent ontwikkelde machinelearning- en dataminingtechnieken kunnen worden ingezet om uitdagingen in aanbevelingssystemen aan te pakken, en 2) welke praktische onderzoeksrichtingen binnen de machinelearning- en datamininggemeenschap voortvloeien uit de uitdagingen in aanbevelingssystemen.
Onderwerpen van interest Wij moedigen inzendingen aan over een verscheidenheid aan onderwerpen, waaronder maar niet beperkt tot: Nieuwe machinelearning-algoritmen voor aanbevelingssystemen, bijv. nieuwe content-/contextbewuste aanbevelingsalgoritmen, nieuwe algoritmen voor matrixfactorisatie die koude-start-items afhandelen, tensorgebaseerde benaderingen voor aanbevelingssystemen, enzovoort. Nieuwe benaderingen voor het toepassen van bestaande machinelearning-algoritmen, bijv. het toepassen van bilineaire modellen, (niet-convex) sparse learning, metric learning, low-rank approximatie/PCA/SVD, neurale netwerken en deep learning voor aanbevelingssystemen.
Nieuwe optimalisatiealgoritmen en analyse voor het verbeteren van aanbevelingssystemen, bijv. parallelle/gedistribueerde optimalisatietechnieken en efficiënte stochastic gradient descent. Industriële praktijken en implementaties van aanbevelingssystemen, bijv. feature engineering, model ensemble, en lessen uit grootschalige implementaties van aanbevelingssystemen.
Machinelearning-methoden voor beveiligings- en privacybewuste aanbevelingen, user-centric aanbevelingen met nadruk op interactie en engagement van gebruikers, Explore-Exploit-benadering, multi-armed bandits voor aanbeveling, enzovoort. Inzendinstructies De workshop accepteert lange artikelen en korte (demo/poster) artikelen. Korte artikelen die naar deze workshop worden ingezonden, moeten beperkt blijven tot 4 pagina’s, terwijl lange artikelen beperkt moeten blijven tot 8 pagina’s. Alle artikelen moeten worden opgemaakt met behulp van de SIAM SODA-macro .
Related: — University- and industry-branded ML specializations with graded assignments and shareable certificates.
Auteurs worden verzocht hun artikelen elektronisch in PDF-formaat in te dienen via de indieningssite vóór 23:59 uur MDT, 2 februari 2015. De site is begonnen met het accepteren van manuscripten.
Belangrijke data Inzending artikelen: 2 februari 2015 Bericht aan auteurs: 10 februari 2015 Deadline camera-ready artikel: 16 februari 2015 Workshop: 2 mei 2015 Dia’s van sprekers zijn nu beschikbaar in het Programma . Uitgenodigde sprekers Chih-Jen Lin , National Taiwan University Titel: MF (Matrix Factorization) en FM (Factorization Machines) voor Aanbevelingssystemen Samenvatting: MF (Matrix Factorization) en FM (Factorization Machines) zijn beide effectieve methoden voor aanbevelingssystemen.
In het eerste deel van deze lezing focussen we op MF, waarbij wordt aangenomen dat de beoordelingen van gebruikers voor items de enige beschikbare informatie zijn. We bespreken onze recente inspanningen voor het ontwikkelen van een parallel pakket LIBMF voor shared-memory-systemen. Momenteel is de stochastic gradient (SG)-methode een van de populairste algoritmen om het optimalisatieprobleem voor MF op te lossen.
Where we would start: — One-off, low-cost ML and recommender-systems courses you own forever.
Als sequentiële benadering is SG echter moeilijk te parallelliseren. We hebben de cache-miss-rate zorgvuldig verlaagd en de load balance van threads aangepakt om een effectieve parallelle SG-implementatie te realiseren. Verder, omdat de prestaties van SG sterk afhankelijk zijn van de instelling van de leersnelheden, hebben we enkele adaptieve benaderingen ontwikkeld om snelle en stabiele convergentie te bereiken.
Experimenten tonen aan dat onze implementatie beter presteert dan beschikbare parallelle matrixfactorisatiepakketten. In het tweede deel van de lezing bekijken we situaties waarin ook bepaalde gebruiks- of itemfeatures beschikbaar zijn.
FM (Factorization Machines) is in dergelijke situaties een nuttig model. Recentelijk is een uitbreiding van FM genaamd FFM (Field-aware FM) zeer effectief gebleken voor CTR-voorspellingen in computational advertising. We bespreken de winnende benaderingen van onze groepsleden voor twee Kaggle-wedstrijden rond CTR-voorspellingen. Ons werk is vrijgegeven in een ander pakket, LIBFFM, voor publiek gebruik.
Bio: Chih-Jen Lin is momenteel distinguished professor aan de afdeling Computer Science van de National Taiwan University. Hij behaalde zijn B.S.-graad aan de National Taiwan University in 1993 en zijn Ph.D.-graad aan de University of Michigan in 1998.
Zijn belangrijkste onderzoeksgebieden omvatten machine learning, datamining en numerieke optimalisatie. Hij staat vooral bekend om zijn werk aan support vector machines (SVM) voor dataclassificatie. Zijn software LIBSVM is een van de meest gebruikte en geciteerde SVM-pakketten. Voor zijn onderzoekswerk heeft hij vele onderscheidingen ontvangen, waaronder de ACM KDD 2010- en ACM RecSys 2013-prijzen voor het beste artikel.
Hij is IEEE fellow, AAAI fellow en ACM distinguished scientist voor zijn bijdrage aan machinelearning-algoritmen en softwareontwerp. Meer informatie over hem is hier te vinden . George Karypis , University of Minnesota Titel: TBD Samenvatting: TBD Bio: George Karypis is momenteel professor aan de afdeling Computer Science and Engineering van de University of Minnesota in de Twin Cities Minneapolis en Saint Paul en lid van het Digital Technology Center (DTC) aan de University of Minnesota.
Zijn onderzoeksinteresses zijn geconcentreerd op de gebieden bio-informatica, chem-informatica, datamining en high-performance computing, en af en toe bestudeert hij diverse problemen op het gebied van information retrieval, collaborative filtering en electronic design automation voor VLSI CAD. Binnen deze gebieden richt zijn onderzoek zich op het ontwikkelen van nieuwe algoritmen om belangrijke bestaande en/of opkomende problemen op te lossen, en op het ontwikkelen van praktische softwaretools die sommige van deze algoritmen implementeren.
De resultaten van zijn onderzoek zijn gepresenteerd op diverse conferenties en gepubliceerd in toonaangevende peer-reviewed tijdschriften en highly selective conference proceedings —> Martin Ester , Simon Fraser University Titel: Probabilistische Grafische Modellen voor Aanbeveling in Social Media Samenvatting: In deze lezing nemen we twee sleutelcomponenten van social media nader onder de loep: sociale netwerken en location-based services, en onderzoeken we hoe we hun eigenschappen kunnen modelleren voor effectieve item- en locatieaanbeveling.
In de sociale wetenschappen zijn de effecten van sociale invloed (vrienden neigen naar elkaar toe te groeien) en homofilie of selectie (mensen bevrienden zich graag met gelijkgestemden) geïdentificeerd als drijfveren achter de dynamiek van sociale netwerken. In het eerste deel van de lezing bespreken we methoden om deze effecten te benutten voor het verbeteren van de nauwkeurigheid van itemaanbeveling in sociale netwerken. In het tweede hoofddeel van de lezing verkennen we een ander belangrijk aspect van social media, namelijk location-based social networks (LBSN).
Een sleuteleffect in LBSN is geografische invloed, wat betekent dat nabijgelegen locaties meer overeenkomstige kenmerken hebben dan verder weg gelegen locaties. Locatieaanbeveling verschilt qua aard van traditionele itemaanbeveling, aangezien het inchecken op een fysieke locatie meer inzet van een gebruiker vereist dan het adopteren van een item zoals een film.
We presenteren probabilistische grafische modellen om deze eigenschappen voor locatieaanbeveling vast te leggen. De lezing zal gerelateerd onderzoek bespreken met een focus op ons eigen werk. Tot slot schetsen we interessante richtingen voor toekomstig onderzoek op het fascinerende terrein van aanbeveling in social media. Bio: Martin Ester behaalde een PhD in Computer Science aan de
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