MLRec 2015
Em conjunto com a 15ª Conferência Internacional de Mineração de Dados da SIAM (SDM 2015) 2 de maio de 2015, Vancouver, Colúmbia Britânica, Canadá Os anais do MLRec’15 já estão disponíveis para download. Este workshop foca na aplicação de metodologias novas e existentes de aprendizado de máquina e mineração de dados para melhorar sistemas de recomendação.
Existem muitas conferências consolidadas, como NIPS e ICML, que se concentram no estudo das propriedades teóricas dos algoritmos de aprendizado de máquina. Por outro lado, a conferência recentemente criada ACM RecSys concentra-se em diferentes aspectos do projeto e implementação de sistemas de recomendação. Acreditamos que há uma lacuna entre essas duas extremidades, e este workshop visa conectar os avanços recentes em algoritmos de aprendizado de máquina e mineração de dados à melhoria dos sistemas de recomendação.
Como muitas abordagens de recomendação são construídas sobre algoritmos de mineração de dados e aprendizado de máquina, essas abordagens estão profundamente enraizadas em seus fundamentos. Assim, há uma necessidade urgente de pesquisadores das duas comunidades trabalharem juntos em: 1) quais são as técnicas recentemente desenvolvidas de aprendizado de máquina e mineração de dados que podem ser aproveitadas para enfrentar desafios em sistemas de recomendação, e 2) a partir dos desafios em sistemas de recomendação, quais são as direções práticas de pesquisa para a comunidade de aprendizado de máquina e mineração de dados.
Tópicos de Interesse Encorajamos submissões sobre uma variedade de tópicos, incluindo, mas não se limitando a: Novos algoritmos de aprendizado de máquina para sistemas de recomendação, por exemplo, novos algoritmos de recomendação sensíveis ao conteúdo/contexto, novos algoritmos para fatoração de matrizes que lidam com itens com problema de início a frio (cold-start), abordagem baseada em tensores para sistemas de recomendação, etc. Novas abordagens para aplicar algoritmos existentes de aprendizado de máquina, por exemplo, aplicação de modelos bilineares, aprendizado esparso (não convexo), aprendizado métrico, aproximação de baixo posto/PCA/SVD, redes neurais e aprendizado profundo, para sistemas de recomendação.
Novos algoritmos de otimização e análise para melhorar sistemas de recomendação, por exemplo, técnicas de otimização paralela/distribuída e descida de gradiente estocástico eficiente. Práticas industriais e implementações de sistemas de recomendação, por exemplo, engenharia de características, ensemble de modelos e lições aprendidas com implementações de larga escala de sistemas de recomendação.
Métodos de aprendizado de máquina para recomendações com segurança e privacidade, recomendações centradas no usuário com ênfase na interação e engajamento dos usuários, abordagem Explorar-Explorar (Explore-Exploit), bandidos multi-armados para recomendação, etc. Instruções para Submissão O workshop aceita artigos longos e curtos (demonstração/pôster). Artigos curtos submetidos a este workshop devem ser limitados a 4 páginas, enquanto artigos longos devem ser limitados a 8 páginas. Todos os artigos devem ser formatados usando o macro SIAM SODA.
Related: — University- and industry-branded ML specializations with graded assignments and shareable certificates.
Os autores devem submeter seus artigos eletronicamente em formato PDF ao site de submissão até às 23h59 MDT, 2 de fevereiro de 2015. O site já começou a aceitar manuscritos.
Datas Importantes Submissão de Artigos: 2 de fevereiro de 2015 Notificação aos Autores: 10 de fevereiro de 2015 Prazo para Versão Final (Camera Ready): 16 de fevereiro de 2015 Workshop: 2 de maio de 2015 Os slides dos palestrantes já estão disponíveis no Programa. Palestrantes Convidados Chih-Jen Lin, Universidade Nacional de Taiwan Título: MF (Fatoração de Matrizes) e FM (Máquinas de Fatoração) para Sistemas de Recomendação Resumo: MF (Fatoração de Matrizes) e FM (Máquinas de Fatoração) são ambos métodos eficazes para Sistemas de Recomendação.
Na primeira parte desta palestra, focaremos na MF, que assume que as classificações dos usuários para os itens são a única informação fornecida. Discutiremos nossos esforços recentes no desenvolvimento de um pacote paralelo LIBMF para sistemas de memória compartilhada. Atualmente, o método de gradiente estocástico (SG) é um dos algoritmos mais populares para resolver o problema de otimização para MF.
Where we would start: — One-off, low-cost ML and recommender-systems courses you own forever.
No entanto, como uma abordagem sequencial, o SG é difícil de paralelizar. Reduzimos cuidadosamente a taxa de falha de cache (cache-miss) e abordamos o balanceamento de carga das threads para obter uma implementação paralela eficiente do SG. Além disso, como o desempenho do SG depende fortemente da configuração das taxas de aprendizado, desenvolvemos algumas abordagens adaptativas para alcançar convergência rápida e estável.
Experimentos mostram que nossa implementação supera os pacotes de fatoração de matrizes paralelos disponíveis. Na segunda parte da palestra, consideramos situações em que alguns recursos de usuário ou item também estão disponíveis.
FM (Máquinas de Fatoração) é um modelo útil nessas situações. Recentemente, uma extensão da FM chamada FFM (FM Consciente de Campo) demonstrou ser muito eficaz para previsões de CTR em publicidade computacional. Discutiremos as abordagens vencedoras de membros do nosso grupo em duas competições Kaggle sobre previsões de CTR. Nosso trabalho foi lançado em outro pacote, LIBFFM, para uso público.
Biografia: Chih-Jen Lin é atualmente professor distinguido no Departamento de Ciência da Computação da Universidade Nacional de Taiwan. Obteve seu bacharelado pela Universidade Nacional de Taiwan em 1993 e doutorado pela Universidade de Michigan em 1998.
Suas principais áreas de pesquisa incluem aprendizado de máquina, mineração de dados e otimização numérica. Ele é mais conhecido por seu trabalho em máquinas de vetores de suporte (SVM) para classificação de dados. Seu software LIBSVM é um dos pacotes SVM mais utilizados e citados. Por seu trabalho de pesquisa, recebeu muitos prêmios, incluindo os prêmios de melhor artigo do ACM KDD 2010 e ACM RecSys 2013. É fellow do IEEE, fellow da AAAI e cientista distinguido da ACM por sua contribuição a algoritmos de aprendizado de máquina e design de software.
Mais informações sobre ele podem ser encontradas aqui. George Karypis, Universidade de Minnesota Título: A definir Resumo: A definir Biografia: George Karypis é atualmente Professor no Departamento de Ciência da Computação e Engenharia da Universidade de Minnesota nas cidades gêmeas de Minneapolis e Saint Paul e membro do Centro de Tecnologia Digital (DTC) da Universidade de Minnesota. Seus interesses de pesquisa concentram-se nas áreas de bioinformática, quimioinformática, mineração de dados e computação de alto desempenho e, de tempos em tempos, ele examina vários problemas nas áreas de recuperação de informação, filtragem colaborativa e automação de design eletrônico para CAD VLSI.
Dentro dessas áreas, sua pesquisa foca no desenvolvimento de novos algoritmos para resolver problemas importantes existentes e/ou emergentes, e no desenvolvimento de ferramentas de software práticas que implementam alguns desses algoritmos. Os resultados de sua pesquisa foram apresentados em várias conferências e publicados em revistas líderes revisadas por pares e anais de conferências altamente seletivos. Martin Ester, Universidade Simon Fraser Título: Modelos Gráficos Probabilísticos para Recomendação em Mídias Sociais Resumo: Nesta palestra, examinaremos mais de perto dois componentes-chave das mídias sociais, redes sociais e serviços baseados em localização, e investigaremos como modelar suas propriedades para uma recomendação eficaz de itens e locais.
Nas ciências sociais, os efeitos da influência social (amigos tendem a tornar-se mais semelhantes uns aos outros) e da homofilia ou seleção (pessoas tendem a fazer amizade com pessoas semelhantes) foram identificados como impulsionadores da dinâmica das redes sociais. Na primeira parte da palestra, discutiremos métodos para explorar esses efeitos para melhorar a precisão da recomendação de itens em redes sociais.
Na segunda parte principal da palestra, exploraremos outro aspecto fundamental das mídias sociais, namely redes sociais baseadas em localização (LBSN). Um efeito chave em LBSN é a influência geográfica, o que significa que locais próximos têm características mais semelhantes do que locais distantes. A recomendação de locais é diferente por natureza da recomendação tradicional de itens, pois o check-in em um local físico exige mais comprometimento do usuário do que a adoção de um item, como um filme.
Apresentaremos modelos gráficos probabilísticos para capturar essas propriedades para recomendação de locais. A palestra discutirá pesquisas relacionadas com foco em nosso próprio trabalho.
Na conclusão, delinearemos direções interessantes para pesquisas futuras no fascinante campo da recomendação em mídias sociais. Biografia: Martin Ester recebeu um PhD em Ciência da Computação da
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