MLRec 2015

I samband med den 15:e SIAM International Conference on Data Mining (SDM 2015) 2 maj 2015, Vancouver, British Columbia, Kanada Proceedings för MLRec’15 finns nu tillgänglig för nedladdning. Denna workshop fokuserar på att tillämpa såväl nya som befintliga metoder inom maskininlärning och datautvinning för att förbättra rekommendationssystem.

Det finns många etablerade konferenser, såsom NIPS och ICML, som fokuserar på studiet av teoretiska egenskaper hos algoritmer för maskininlärning. Å andra sidan fokuserar den nyligen lanserade konferensen ACM RecSys på olika aspekter av design och implementering av rekommendationssystem. Vi tror att det finns ett gap mellan dessa två ytterligheter, och denna workshop syftar till att överbrygga de senaste framstegen inom algoritmer för maskininlärning och datautvinning med arbetet att förbättra rekommendationssystem.

Eftersom många rekommendationsmetoder bygger på algoritmer för datautvinning och maskininlärning är dessa metoder djupt rotade i deras grundvalar. Som sådan finns det ett brådskande behov för forskare från de två communityn att gemensamt arbeta med 1) vilka nyligen utvecklade tekniker inom maskininlärning och datautvinning som kan utnyttjas för att adressera utmaningar i rekommendationssystem, och 2) vilka praktiska forskningsriktningar inom communityt för maskininlärning och datautvinning som uppstår från utmaningar i rekommendationssystem.

Intressanta områden Vi uppmuntrar bidrag inom en mängd olika ämnen, inklusive men inte begränsat till:

• Nya algoritmer för maskininlärning för rekommendationssystem, t.ex. nya innehålls- och kontextmedvetna rekommendationsalgoritmer, nya algoritmer för matrisfaktorisering som hanterar objekt med kallstart (cold-start), tensorbaserade metoder för rekommendationssystem, m.m.
• Nya metoder för att tillämpa befintliga algoritmer för maskininlärning, t.ex. tillämpning av bilinjära modeller, (icke-konvex) gles inlärning (sparse learning), metrisk inlärning, lågrangsapproximation/PCA/SVD, neurala nätverk och djupinlärning för rekommendationssystem.
• Nya optimeringsalgoritmer och analyser för att förbättra rekommendationssystem, t.ex. parallella/distribuerade optimeringstekniker och effektiv stokastisk gradientnedstigning.
• Industriell praxis och implementeringar av rekommendationssystem, t.ex. feature engineering, modellensemble och lärdomar från storskaliga implementeringar av rekommendationssystem.
• Maskininlärningsmetoder för säkerhets- och integritetsmedvetna rekommendationer, användarcentrerade rekommendationer med fokus på användares interaktion och engagemang, Explore-Exploit-metoder, multi-armed bandits för rekommendation, m.m.

Instruktioner för inlämning Workshopen accepterar både långa artiklar och korta artiklar (demo/poster). Korta artiklar som skickas in till denna workshop bör vara begränsade till 4 sidor medan långa artiklar bör vara begränsade till 8 sidor. Alla artiklar ska formateras med hjälp av SIAM SODA-makrot. Författare måste skicka in sina artiklar elektroniskt i PDF-format till inlämningssidan senast kl. 23:59 MDT den 2 februari 2015. Sidan har börjat acceptera manuskript.

Viktiga datum

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

• Inlämning av artikel: 2 februari 2015
• Besked till författare: 10 februari 2015
• Sista datum för camera ready-artikel: 16 februari 2015
• Workshop: 2 maj 2015

Bildspel från talarna finns nu tillgängliga i Programmet.

Inbjudna talare Chih-Jen Lin, National Taiwan University Titel: MF (Matrisfaktorisering) och FM (Faktoriseringsmaskiner) för rekommendationssystem Sammanfattning: MF (Matrisfaktorisering) och FM (Faktoriseringsmaskiner) är båda effektiva metoder för rekommendationssystem. I den första delen av detta föredrag fokuserar vi på MF som antar att betyg från användare till objekt är den enda givna informationen. Vi diskuterar våra senaste ansträngningar att utveckla ett parallellt paket, LIBMF, för system med delat minne. För närvarande är stokastisk gradient (SG) en av de mest populära algoritmerna för att lösa optimeringsproblemet för MF. Men som en sekventiell metod är SG svår att parallelisera. Vi har noggrant reducerat cache-miss-frekvensen och adresserat lastbalansen mellan trådar för att få en effektiv parallell SG-implementering. Vidare, eftersom prestandan hos SG starkt beror på inställningen av inlärningshastigheter, utvecklar vi vissa adaptiva metoder för att uppnå snabb och stabil konvergens. Experiment visar att vår implementering överträffar tillgängliga parallella paket för matrisfaktorisering. I den andra delen av föredraget betraktar vi situationer där vissa användar- eller objektegenskaper också är tillgängliga. FM (Faktoriseringsmaskiner) är en användbar modell i sådana situationer. Nyligen har en utökning av FM kallad FFM (Field-aware FM) visat sig vara mycket effektiv för CTR-prognoser inom computational advertising. Vi diskuterar våra gruppmembers vinnande metoder för två Kaggle-tävlingar om CTR-prognoser. Vårt arbete har släppts i ett annat paket, LIBFFM, för offentligt bruk. Biografi: Chih-Jen Lin är för närvarande distinguerad professor vid Institutionen för datavetenskap vid National Taiwan University. Han erhöll sin kandidatexamen från National Taiwan University 1993 och sin doktorsexamen från University of Michigan 1998. Hans huvudsakliga forskningsområden inkluderar maskininlärning, datautvinning och numerisk optimering. Han är bäst känd för sitt arbete med supportvektormaskiner (SVM) för dataklassificering. Hans mjukvara LIBSVM är ett av de mest använda och citerade SVM-paketen. För sitt forskningsarbete har han mottagit många priser, inklusive ACM KDD 2010 och ACM RecSys 2013 pris för bästa artikel. Han är IEEE fellow, AAAI fellow och ACM distinguerad forskare för sina bidrag till algoritmer för maskininlärning och mjukvarudesign. Mer information om honom finns här.

George Karypis, University of Minnesota Titel: TBA Sammanfattning: TBA Biografi: George Karypis är för närvarande professor vid Institutionen för datavetenskap och teknik vid University of Minnesota i Twin Cities Minneapolis och Saint Paul samt medlem av Digital Technology Center (DTC) vid University of Minnesota. Hans forskningsintressen är koncentrerade till områdena bioinformatik, kemoinformatik, datautvinning och högpresterande beräkningar, och då och då tittar han på olika problem inom områdena information retrieval, samarbetsfiltrering och elektronisk designautomatisering för VLSI CAD. Inom dessa områden fokuserar hans forskning på att utveckla nya algoritmer för att lösa viktiga befintliga och/eller framväxande problem, och på att utveckla praktiska mjukvaruverktyg som implementerar några av dessa algoritmer. Resultaten från hans forskning har presenterats vid olika konferenser och publicerats i ledande peer-reviewed tidskrifter och högt selekterade konferensproceedings —>

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

Martin Ester, Simon Fraser University Titel: Probabilistiska grafiska modeller för rekommendation i sociala medier Sammanfattning: I detta föredrag kommer vi att ta en närmare titt på två nyckelkomponenter i sociala medier, sociala nätverk och platsbaserade tjänster, och undersöka hur man modellerar deras egenskaper för effektiv objekt- och platsrekommendation. Inom samhällsvetenskaperna har effekterna av socialt inflytande (vänner tenderar att bli mer lika varandra) och homofili eller selektion (människor tenderar att bli vänner med likasinnade) identifierats som drivkrafter för dynamiken i sociala nätverk. I den första delen av föredraget kommer vi att diskutera metoder för att utnyttja dessa effekter för att förbättra noggrannheten vid objektrekommendation i sociala nätverk. I den andra huvuddelen av föredraget kommer vi att utforska en annan nyckelaspekt av sociala medier, nämligen platsbaserade sociala nätverk (LBSN). En nyckeleffekt i LBSN är geografiskt inflytande, vilket innebär att närliggande platser har mer liknande egenskaper än avlägsna platser. Platsrekommendation skiljer sig till sin natur från traditionell objektrekommendation, eftersom incheckning på en fysisk plats kräver större engagemang från en användare än antagandet av ett objekt såsom en film. Vi kommer att presentera probabilistiska grafiska modeller för att fånga dessa egenskaper för platsrekommendation. Föredraget kommer att diskutera relaterad forskning med fokus på vårt eget arbete. Sammanfattningsvis kommer vi att skissera intressanta riktningar för framtida forskning inom det fascinerande fältet rekommendation i sociala medier. Biografi: Martin Ester erhöll en PhD i datavetenskap från

P.S. A few readers have asked which professional skills platform we actually reach for — it's Pluralsight; take a look here if you want the current details.