MLRec 2016

In conjunction with 16th SIAM International Conference on Data Mining (SDM 2016) Saturday, May 7, 2016, Miami, Florida, USA Na het succes van de vorige editie van MLRec richt deze tweede editie zich op de toepassing 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 toeleggen 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 menen dat er een kloof bestaat tussen deze twee uitersten, en deze workshop heeft als doel de recente voortgang op het gebied van machinelearning- en datamining-algoritmen te verbinden met de verbetering van aanbevelingssystemen. Aangezien veel aanbevelingsbenaderingen gebaseerd zijn op datamining- en machinelearning-algoritmen, zijn deze benaderingen diep geworteld in hun fundamenten.

Daarom is er een dringende behoefte voor onderzoekers uit beide communities om gezamenlijk te werken aan: 1) welke recent ontwikkelde technieken voor machine learning en datamining kunnen worden ingezet om uitdagingen in aanbevelingssystemen aan te pakken, en 2) welke praktische onderzoeksrichtingen binnen de community van machine learning en datamining voortvloeien uit de uitdagingen in aanbevelingssystemen.

Onderwerpen van interesse We moedigen inzendingen aan over een breed scala aan onderwerpen, waaronder maar niet beperkt tot: * Nieuwe machinelearning-algoritmen voor aanbevelingssystemen, bijvoorbeeld nieuwe content- of contextbewuste aanbevelingsalgoritmen, nieuwe algoritmen voor matrixfactorisatie die cold-start-items behandelen, tensorgebaseerde benaderingen voor aanbevelingssystemen, enzovoort. * Nieuwe benaderingen voor het toepassen van bestaande machinelearning-algoritmen, bijvoorbeeld het toepassen van bilineaire modellen, (niet-convexe) sparse learning, metric learning, low-rank approximatie/PCA/SVD, neurale netwerken en deep learning voor aanbevelingssystemen. * Nieuwe optimalisatiealgoritmen en analyses ter verbetering van aanbevelingssystemen, bijvoorbeeld parallelle/gedistribueerde optimalisatietechnieken en efficiënte stochastic gradient descent. * Industriële praktijken en implementaties van aanbevelingssystemen, bijvoorbeeld feature engineering, model-ensemblemethoden en lessen learned uit grootschalige implementaties van aanbevelingssystemen. * Machinelearning-methoden voor beveiligings- en privacybewuste aanbevelingen, user-centric aanbevelingen met nadruk op interactie en betrokkenheid van gebruikers, Explore-Exploit-benaderingen, multi-armed bandits voor aanbevelingen, enzovoort.

Inzendinstructies De workshop accepteert lange artikelen en korte (demo/poster) artikelen. Korte artikelen die naar deze workshop worden ingezonden, zijn beperkt tot 4 pagina’s, terwijl lange artikelen beperkt zijn tot 8 pagina’s. Alle artikelen dienen opgemaakt te worden met behulp van de SIAM SODA macro . auteurs worden verzocht hun artikelen elektronisch in PDF-formaat in te dienen via de inzendsite uiterlijk op 1 februari 2016, 23:59 uur MDT. De site accepteert inmiddels manuscripten.

Belangrijke data * Inzending artikelen: 1 februari 2016 * Bericht aan auteurs: 10 februari 2016 * Deadline camera-ready artikelen: 15 februari 2016 * Workshop: zaterdag 7 mei 2016

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

Vanwege een systeemfout konden reviewers hun beoordelingen niet op tijd indienen. Wij hebben de datum voor de berichtgeving en de camera-ready-versie uitgesteld. Dank voor uw begrip. —> De presentaties van de sprekers zijn nu beschikbaar in het Programma . —> Uitgenodigde sprekers

Tina Eliassi-Rad, Rutgers University Titel: Gebruik van sociale netwerken in aanbevelingssystemen Samenvatting: Beschouw het probleem van het integreren van informatie uit sociale netwerken in een aanbevelingssysteem. Intuïtief zou het oplossen van dit probleem de prestaties van het aanbevelingssysteem moeten verbeteren. In deze lezing bespreek ik de uitdagingen, presenteer ik de huidige stand van zaken en schets ik enkele veelbelovende richtingen voor dit probleem. Biografie: Tina Eliassi-Rad is universitair hoofddocent Computer Science aan de Rutgers University. Voordat zij naar de academische wereld ging, was zij Member of Technical Staff en Principal Investigator bij het Lawrence Livermore National Laboratory. Tina behaalde haar doctoraat in Computer Sciences (met een minor in Mathematical Statistics) aan de University of Wisconsin-Madison. Haar huidige onderzoek bevindt zich op het snijvlak van graafmining, netwerk wetenschap en computationele sociale wetenschap. Binnen datamining en machine learning is Tina’s onderzoek toegepast op het World-Wide Web, tekstcorpora, grootschalige wetenschappelijke simulatiedata, complexe netwerken, fraudedetectie en cyber situational awareness. Zij heeft meer dan 60 peer-reviewed artikelen gepubliceerd (waaronder een runner-up voor de beste paper-prijs op ICDM’09 en een prijs voor het beste interdisciplinaire artikel op CIKM’12) en heeft meer dan 120 uitnodigingen voor lezingen ontvangen. Haar algoritmen zijn geïntegreerd in systemen die worden gebruikt door de overheid en het bedrijfsleven (bijvoorbeeld IBM System G Graph Analytics) evenals in open-source software (bijvoorbeeld Stanford Network Analysis Project). In 2010 ontving zij een Outstanding Mentor Award van het US DOE Office of Science. Voor meer details, bezoek hier .

Julian McAuley, University of California, San Diego Titel: Reviews inzetten om rijkere modellen van meningen te bouwen Samenvatting: Online reviews zijn vaak ons eerste aanspreekpunt wanneer we online producten overwegen of aankopen doen. Het navigeren door enorme hoeveelheden reviews (waarvan we het misschien niet eens zijn) is echter arbeidsintensief, vooral wanneer we geïnteresseerd zijn in een specifiek niche-aspect van een product. Dit suggereert de behoefte aan modellen die in staat zijn de complexe en idiosyncratische semantiek van reviews vast te leggen, om zo rijkere en meer gepersonaliseerde aanbevelingssystemen te bouwen. In deze lezing bespreek ik drie dergelijke richtingen: Ten eerste, hoe kunnen reviews worden ingezet om de dimensies (of facetten) van de meningen van mensen beter te begrijpen? Ten tweede, hoe kunnen reviews worden gebruikt om gerichte vragen te beantwoorden die subjectief kunnen zijn of gepersonaliseerde antwoorden vereisen? En ten derde, hoe kunnen reviews zelf worden gesynthetiseerd om te voorspellen wat een reviewer zou zeggen, zelfs voor producten die zij nog niet hebben gezien? Biografie: Julian McAuley’s onderzoek richt zich op de linguïstische, temporele en visuele dimensies van meningen en gedrag in sociale netwerken en online communities. Dit omvat het begrijpen van de facetten van de meningen van mensen, de processen waarmee mensen “een smaak ontwikkelen” voor gourmetvoedsel en bieren, of zelfs de visuele dimensies die kledingstukken compatibel maken. Hij is sinds 2014 universitair docent aan UC San Diego en behaalde zijn doctoraat aan de Australian National University.

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

Hanghang Tong, Arizona State University Titel: Naar optimale teams in grote netwerken Samenvatting: In zijn wereldwijd vermaarde boek “The Science of the Artificial” wees Nobelprijswinnaar Herbert Simon erop dat het meer de complexiteit van de omgeving is dan de complexiteit van individuele personen die het complexe gedrag van mensen bepaalt. De opkomst van de netwerk wetenschap en de komst van big data bieden een nieuwe omgeving/context waarin mensen met elkaar interageren en samenwerken om gezamenlijk complexe taken uit te voeren. In deze lezing vatten we onze recente inspanningen samen rond het analyseren van teamprestaties in de context van grote netwerken. Ten eerste (karakterisering): we presenteren onze bevindingen over welke soorten netwerkmetrics/karakteristieken cruciaal zijn voor teamprestaties en in welke mate. Ten tweede (voorspelling): we presenteren predictieve modellen om de prestaties van een gegeven team in een vroeg stadium te voorspellen op basis van zijn netwerkstructuur. Tot slot (verbetering): we presenteren tools en algoritmen om de prestaties van een bestaand team te verbeteren. Biografie: Hanghang Tong is momenteel universitair docent aan de School of Computing, Informatics, and Decision Systems Engineering (CIDSE) van de Arizona State University. Daarvoor was hij universitair docent aan de afdeling Computer Science van het City College, City University of New York, research staff member bij het IBM T.J. Watson Research Center en postdoctoraal fellow aan de Carnegie Mellon University. Hij behaalde zijn master- en doctorstitel aan de Carnegie Mellon University in respectievelijk 2008 en 2009, beide met als specialisatie Machine Learning. Zijn onderzoeksinteresse ligt in grootschalige datamining voor grafen en multimedia. Hij heeft verschillende prijzen ontvangen, waaronder een ‘test of time’-prijs (ICDM

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.