MLRec 2016

I samband med den 16:e SIAM International Conference on Data Mining (SDM 2016) Lördag 7 maj 2016, Miami, Florida, USA Efter framgången med den senaste upplagan av MLRec fokuserar denna andra upplaga 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 de teoretiska egenskaperna hos maskininlärningsalgoritmer. Å andra sidan fokuserar den nyligen lanserade konferensen ACM RecSys på olika aspekter av design och implementering av rekommendationssystem.

Vi anser 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 för 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 båda gemenskaperna att gemensamt arbeta med 1) vilka nyligen utvecklade tekniker inom maskininlärning och datautvinning som kan utnyttjas för att hantera utmaningar i rekommendationssystem, och 2) vilka praktiska forskningsinriktningar inom gemenskapen för maskininlärning och datautvinning som uppstår från utmaningarna i rekommendationssystem.

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

• Nya maskininlärningsalgoritmer för rekommendationssystem, t.ex. nya innehålls- och kontextmedvetna rekommendationsalgoritmer, nya algoritmer för matrisfaktorisering som hanterar objekt med kall start (cold-start), tensorbaserade metoder för rekommendationssystem, m.m.
• Nya metoder för att tillämpa befintliga maskininlärningsalgoritmer, 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 implementering av rekommendationssystem, t.ex. egenskapskonstruktion (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, flerarmande banditer för rekommendation, m.m.

Instruktioner för inskick 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 inskickningsplatsen senast kl. 23:59 MDT den 1 februari 2016. Platsen har börjat acceptera manuskript.

Viktiga datum

• Insändning av artikel: 1 februari 2016
• Besked till författare: 10 februari 2016
• Sista dag för camera ready-artikel: 15 februari 2016
• Workshop: Lördag 7 maj 2016

På grund av ett systemfel har granskare inte kunnat lämna in sina omdömen i tid. Vi har därför senarelagt datumet för besked och camera ready. Tack för er förståelse. —> Presentationer från talarna finns nu tillgängliga i Programmet . —>

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

Inbjudna talare

Tina Eliassi-Rad, Rutgers University Titel: Användning av sociala nätverk i rekommendationssystem Sammanfattning: Betrakta problemet med att införliva information från sociala nätverk i ett rekommendationssystem. Intuitivt borde lösningen på detta problem förbättra rekommendationssystemets prestanda. I detta föredrag kommer jag att diskutera utmaningarna, presentera det nuvarande läget inom området och skissera några lovande riktningar för detta problem. Biografi: Tina Eliassi-Rad är biträdande professor i datavetenskap vid Rutgers University. Innan hon gick över till akademin var hon Member of Technical Staff och huvudforskare vid Lawrence Livermore National Laboratory. Tina disputerade i datavetenskap (med biämne i matematisk statistik) vid University of Wisconsin-Madison. Hennes nuvarande forskning ligger i skärningspunkten mellan grafutvinning, nätverksvetenskap och beräkningsmässig samhällsvetenskap. Inom datautvinning och maskininlärning har Tinas forskning tillämpats på World-Wide Web, textsamlingar, storskaliga vetenskapliga simuleringsdata, komplexa nätverk, bedrägeridetektering och cyberlägesbild. Hon har publicerat över 60 peer-review-granskade artiklar (inklusive ett pris för näst bästa artikel vid ICDM’09 och ett pris för bästa tvärvetenskapliga artikel vid CIKM’12); och har hållit över 120 inbjudna föredrag. Hennes algoritmer har införlivats i system som används av myndigheter och industri (t.ex. IBM System G Graph Analytics) samt i programvara med öppen källkod (t.ex. Stanford Network Analysis Project). År 2010 mottog hon ett Outstanding Mentor Award från US DOE Office of Science. För mer information, besök här .

Julian McAuley, University of California, San Diego Titel: Att utnyttja recensioner för att bygga rikare modeller av åsikter Sammanfattning: Online-recensioner är ofta vår första ingångspunkt när vi överväger produkter och köp online. Att navigera i enorma volymer av recensioner (många av vilka vi kanske inte håller med om) är dock mödosamt, särskilt när vi är intresserade av någon specifik aspekt av en produkt. Detta tyder på ett behov av att bygga modeller som kan fånga den komplexa och idiosynkratiska semantiken hos recensioner, för att bygga rikare och mer personliga rekommendationssystem. I detta föredrag kommer jag att diskutera tre sådana riktningar: För det första, hur kan recensioner utnyttjas för att bättre förstå dimensionerna (eller aspekterna) av människors åsikter? För det andra, hur kan recensioner användas för att svara på riktade frågor, som kan vara subjektiva eller kräva personliga svar? Och för det tredje, hur kan recensionerna i sig syntetiseras för att förutsäga vad en recensent skulle säga, även för produkter de ännu inte har sett? Biografi: Julian McAuleys forskning fokuserar på de språkliga, temporala och visuella dimensionerna av åsikter och beteende i sociala nätverk och online-gemenskaper. Detta inkluderar att förstå aspekterna av människors åsikter, processerna genom vilka människor “förvärvar smak” för gourmetmat och öl, eller till och med de visuella dimensioner som gör plagg kompatibla. Han har varit biträdande professor vid UC San Diego sedan 2014 och fick sin doktorsexamen från 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: Mot optimala team i stora nätverk Sammanfattning: I sin världskända bok “The Science of the Artificial” påpekade nobelpristagaren Herbert Simon att det snarare är miljöns komplexitet än den enskilda individens komplexitet som avgör människors komplexa beteende. Framväxten av nätverksvetenskap och tillkomsten av big data skapar en ny miljö/kontext där människor interagerar och samarbetar med varandra för att kollektivt utföra komplexa uppgifter. I detta föredrag kommer vi att sammanfatta våra senaste ansträngningar när det gäller att analytera teamprestanda i kontexten av stora nätverk. För det första (karakterisering): vi kommer att presentera våra resultat om vilka typer av nätverksmått/egenskaper som är avgörande för teamprestanda, och i vilken utsträckning. För det andra (prediktion): vi kommer att presentera prediktiva modeller för att prognostisera prestandan hos ett givet team i ett tidigt skede, baserat på dess nätverksstruktur. Slutligen (förbättring): vi kommer att presentera verktyg och algoritmer för att förbättra prestandan hos ett befintligt team. Biografi: Hanghang Tong är för närvarande biträdande professor vid School of Computing, Informatics, and Decision Systems Engineering (CIDSE), Arizona State University. Innan dess var han biträdande professor vid Institutionen för datavetenskap, City College, City University of New York, forskare vid IBM T.J. Watson Research Center och postdoktoral forskare vid Carnegie Mellon University. Han fick sin master- och doktorsexamen från Carnegie Mellon University 2008 respektive 2009, båda med inriktning mot maskininlärning. Hans forskningsintresse gäller storskalig datautvinning för grafer och multimedia. Han har mottagit flera priser, inklusive ett ‘test of time’-pris (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.