MLRec 2016

Em conjunto com a 16ª Conferência Internacional de Mineração de Dados da SIAM (SDM 2016) Sábado, 7 de maio de 2016, Miami, Flórida, EUA

Após o sucesso da última edição do MLRec, esta segunda edição foca na aplicação de metodologias novas e existentes de aprendizagem automática (machine learning) 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 aprendizagem automática.

Por outro lado, a conferência recentemente criada ACM RecSys foca em diferentes aspetos do desenho e implementação de sistemas de recomendação. Acreditamos que existe uma lacuna entre estas duas extremidades, e este workshop visa colmar essa distância, ligando os avanços recentes em algoritmos de aprendizagem automática e mineração de dados à melhoria dos sistemas de recomendação. Uma vez que muitas abordagens de recomendação são construídas sobre algoritmos de mineração de dados e aprendizagem automática, estas abordagens estão profundamente enraizadas nas suas fundações.

Como tal, existe uma necessidade urgente de investigadores das duas comunidades trabalharem conjuntamente em: 1) quais são as técnicas de aprendizagem automática e mineração de dados desenvolvidas recentemente que podem ser aproveitadas para abordar desafios em sistemas de recomendação, e 2) a partir dos desafios nos sistemas de recomendação, quais são as direções práticas de investigação na comunidade de aprendizagem automática e mineração de dados.

Tópicos de Interesse

Encorajamos submissões sobre uma variedade de tópicos, incluindo, mas não limitado a:

• Novos algoritmos de aprendizagem automática para sistemas de recomendação, por exemplo, novos algoritmos de recomendação sensíveis ao conteúdo/contexto, novos algoritmos para fatorização matricial que lidam com itens de arranque a frio (cold-start), abordagens baseadas em tensores para sistemas de recomendação, etc.
• Novas abordagens para aplicar algoritmos de aprendizagem automática existentes, por exemplo, aplicação de modelos bilineares, aprendizagem esparsa (não convexa), aprendizagem métrica, aproximação de baixo rank/PCA/SVD, redes neuronais e aprendizagem profunda (deep learning), 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 (feature engineering), ensemble de modelos e lições aprendidas com implementações de larga escala de sistemas de recomendação.
• Métodos de aprendizagem automática para recomendações conscientes de segurança e privacidade, recomendações centradas no utilizador com ênfase na interação e envolvimento dos utilizadores, abordagem Explorar-Explorar (Explore-Exploit), bandidos multi-braço (multi-armed bandits) para recomendação, etc.

Instruções de Submissão

O workshop aceita artigos longos e artigos curtos (demonstração/póster). Os artigos curtos submetidos a este workshop devem estar limitados a 4 páginas, enquanto os artigos longos devem estar limitados a 8 páginas. Todos os artigos devem ser formatados utilizando a macro SIAM SODA. Os autores são obrigados a submeter os seus artigos eletronicamente em formato PDF no site de submissão até às 23:59 MDT, 1 de fevereiro de 2016. O site já começou a aceitar manuscritos.

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

Datas Importantes

• Submissão de Artigos: 1 de fevereiro de 2016
• Notificação aos Autores: 10 de fevereiro de 2016
• Prazo para Artigo Final (Camera Ready): 15 de fevereiro de 2016
• Workshop: Sábado, 7 de maio de 2016

Devido a um problema no sistema, os revisores não conseguiram submeter as suas avaliações a tempo. Adiamos a data de notificação e a data de entrega da versão final. Agradecemos a sua compreensão. —> Os slides dos oradores estão agora disponíveis no Programa. —>

Oradores Convidados

Tina Eliassi-Rad, Rutgers University

Título: Uso de Redes Sociais em Sistemas de Recomendação Resumo: Considere o problema de incorporar informação de redes sociais num sistema de recomendação. Intuitivamente, resolver este problema deveria melhorar o desempenho do recomendador. Nesta palestra, discutirei os desafios, apresentarei o estado da arte atual e delinearei algumas direções promissoras para este problema. Biografia: Tina Eliassi-Rad é Professora Associada de Ciência da Computação na Rutgers University. Antes de ingressar na academia, foi Membro do Corpo Técnico e Investigadora Principal no Laboratório Nacional Lawrence Livermore. Tina obteve o seu Doutoramento em Ciências da Computação (com especialização secundária em Estatística Matemática) na Universidade de Wisconsin-Madison. A sua investigação atual situa-se na intersecção da mineração de grafos, ciência de redes e ciência social computacional. No âmbito da mineração de dados e aprendizagem automática, a investigação de Tina tem sido aplicada à World-Wide Web, corpora de texto, dados de simulação científica de larga escala, redes complexas, deteção de fraude e consciência situacional cibernética. Publicou mais de 60 artigos revistos por pares (incluindo uma menção honrosa de melhor artigo no ICDM’09 e um prémio de melhor artigo interdisciplinar no CIKM’12); e proferiu mais de 120 apresentações por convite. Os seus algoritmos foram incorporados em sistemas utilizados pelo governo e pela indústria (por exemplo, IBM System G Graph Analytics), bem como em software de código aberto (por exemplo, Stanford Network Analysis Project). Em 2010, recebeu o Prémio de Orientador Excecional do Escritório de Ciência do DOE dos EUA. Para mais detalhes, visite aqui.

Julian McAuley, University of California, San Diego

Título: Aproveitar as críticas para construir modelos mais ricos de opiniões Resumo: As críticas online são frequentemente o nosso primeiro ponto de contacto quando consideramos produtos e compras online. No entanto, navegar por grandes volumes de críticas (muitas das quais podemos não concordar) é laborioso, especialmente quando estamos interessados nalgum aspeto específico de um produto. Isto sugere a necessidade de construir modelos capazes de capturar a semântica complexa e idiossincrática das críticas, a fim de criar sistemas de recomendação mais ricos e personalizados. Nesta palestra, discutirei três dessas direções: Primeiro, como podem as críticas ser aproveitadas para compreender melhor as dimensões (ou facetas) das opiniões das pessoas? Segundo, como podem as críticas ser usadas para responder a perguntas direcionadas, que podem ser subjetivas ou exigir respostas personalizadas? E terceiro, como podem as próprias críticas ser sintetizadas, de modo a prever o que um crítico diria, mesmo para produtos que ainda não viu? Biografia: A investigação de Julian McAuley foca-se nas dimensões linguísticas, temporais e visuais das opiniões e comportamentos em redes sociais e comunidades online. Isto inclui compreender as facetas das opiniões das pessoas, os processos pelos quais as pessoas “adquirem gosto” por alimentos gourmet e cervejas, ou até mesmo as dimensões visuais que tornam as peças de vestuário compatíveis. É professor assistente na UC San Diego desde 2014 e obteve o seu Doutoramento na 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

Título: Rumo a Equipas Ótimas em Grandes Redes Resumo: No seu livro mundialmente renomado “The Science of the Artificial”, o laureado com o Nobel Herbert Simon apontou que é mais a complexidade do ambiente, do que a complexidade dos indivíduos, que determina o comportamento complexo dos humanos. O surgimento da ciência de redes e o advento dos big data proporcionam um novo ambiente/contexto, onde as pessoas interagem e colaboram entre si para realizar coletivamente tarefas complexas. Nesta palestra, resumiremos o nosso esforço recente na análise do desempenho de equipas no contexto de grandes redes. Primeiro (caracterização): apresentaremos as nossas descobertas sobre quais tipos de métricas/características de rede são cruciais para o desempenho da equipa e em que medida. Segundo (previsão): apresentaremos modelos preditivos para prever o desempenho de uma determinada equipa numa fase inicial, com base na sua estrutura de rede. Finalmente (melhoria): apresentaremos ferramentas e algoritmos para melhorar o desempenho de uma equipa existente. Biografia: Hanghang Tong é atualmente professor assistente na Escola de Computação, Informática e Engenharia de Sistemas de Decisão (CIDSE), Arizona State University. Anteriormente, foi professor assistente no Departamento de Ciência da Computação, City College, City University of New York, membro investigador no IBM T.J. Watson Research Center e bolsista de pós-doutoramento na Carnegie Mellon University. Obteve os seus mestrado e doutoramento pela Carnegie Mellon University em 2008 e 2009, ambos com especialização em Aprendizagem Automática. Os seus interesses de investigação incluem mineração de dados em larga escala para grafos e multimédia. Recebeu vários prémios, incluindo um prémio ‘test of time’ (ICDM

P.S. A few readers have asked which mooc / specialization we actually reach for — it's Coursera (DeepLearning.AI & university specializations); take a look here if you want the current details.