MLRec 2015

併辦於第 15 屆 SIAM 國際資料探勘會議（SDM 2015）2015 年 5 月 2 日，加拿大不列顛哥倫比亞省溫哥華 MLRec’15 論文集現已開放下載。本研討會聚焦於應用新穎及現有的機器學習與資料探勘方法，以改進推薦系統。目前已有許多成熟會議（如 NIPS 與 ICML）專注於探討機器學習演算法的理論性質；另一方面，近年新興的 ACM RecSys 會議則著重於推薦系統的設計與實作面向。我們認為這兩者之間存在落差，而本研討會旨在橋接機器學習與資料探勘演算法的最新進展，用以提升推薦系統的效能。由於許多推薦方法皆建構於資料探勘與機器學習演算法之上，其根基深植於這些基礎理論。因此，亟需來自這兩個領域的研究人員共同探討：1) 哪些新發展的機器學習與資料探勘技術可用以解決推薦系統面臨的挑戰；以及 2) 從推薦系統的實際挑戰出發，機器學習與資料探勘社群應朝哪些實務研究方向努力。

徵稿主題

我們歡迎各類主題投稿，包括但不限於：

• 適用於推薦系統的新穎機器學習演算法，例如：新的內容感知／情境感知推薦演算法、處理冷啟動項目的新矩陣分解演算法、基於張量的推薦系統方法等。
• 應用現有機器學習演算法的新穎途徑，例如：將雙線性模型、（非凸）稀疏學習、度量學習、低秩近似／PCA／SVD、神經網路與深度學習等方法應用於推薦系統。
• 用於改進推薦系統的新穎最佳化演算法與分析，例如：平行／分散式最佳化技術與高效隨機梯度下降法。
• 推薦系統的產業實務與實作經驗，例如：特徵工程、模型整合，以及大規模推薦系統實作的經驗教訓。
• 針對安全性與隱私保護的推薦之機器學習方法、強調使用者互動與參與的使用者中心推薦、探索－利用（Explore-Exploit）策略、用於推薦的多臂賭徒問題（multi-armed bandits）等。

投稿須知

本研討會接受長篇論文與短篇論文（演示／海報）。投稿至本研討會的短篇論文限 4 頁，長篇論文則限 8 頁。所有論文均須使用 SIAM SODA 宏進行排版。作者須於 2015 年 2 月 2 日 晚上 11:59（MDT 時間）前，將 PDF 格式論文電子提交至投稿網站。本網站目前已開始受理稿件。

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

重要日期

• 論文投稿截止：2015 年 2 月 2 日
• 錄取通知：2015 年 2 月 10 日
• 最終版論文繳交截止：2015 年 2 月 16 日
• 研討會舉行日期：2015 年 5 月 2 日

講者簡報現已於議程中提供。

特邀講者

Chih-Jen Lin，國立臺灣大學
題目： MF（矩陣分解）與 FM（分解機）於推薦系統之應用
摘要： MF（矩陣分解）與 FM（分解機）皆為推薦系統中行之有效的方法。在本演講的第一部分，我們將聚焦於 MF，假設僅有用戶對項目的評分資訊可供使用。我們將討論近期開發適用於共享記憶體系統的平行套件 LIBMF 的努力。目前，隨機梯度（SG）法是求解 MF 最佳化問題最受歡迎的演算法之一。然而，作為一種序列式方法，SG 難以平行化。我們透過仔細降低快取未命中率並改善執行緒負載平衡，實現了高效的平行 SG 演算法。此外，由於 SG 的效能高度依賴學習率的設定，我們發展出若干自適應方法以達成快速且穩定的收斂。實驗結果顯示，我們的實作優於現有的平行矩陣分解套件。在演講的第二部分，我們將考慮當部分用戶或項目特徵亦可取得時的情境。FM（分解機）在此類情境中是個有用的模型。近期一種稱為 FFM（欄位感知分解機）的 FM 擴充版本，已被證實於計算廣告中的點擊率（CTR）預測極為有效。我們將討論本團隊成員在兩場 Kaggle CTR 預測競賽中的獲勝方法。相關成果已發布為另一個公開套件 LIBFFM 供大眾使用。
簡介： Chih-Jen Lin 現任國立臺灣大學資訊工程學系特聘教授。他於 1993 年取得國立臺灣大學學士學位，並於 1998 年獲得美國密西根大學博士學位。其主要研究領域涵蓋機器學習、資料探勘與數值最佳化。他最廣為人知的貢獻是支援向量機（SVM）於資料分類上的研究。其所開發的軟體 LIBSVM 是使用最廣泛且被引用次數最多的 SVM 套件之一。因其研究成果，他屢獲殊榮，包括 ACM KDD 2010 與 ACM RecSys 2013 最佳論文獎。他亦因對機器學習演算法與軟體設計的卓越貢獻，獲選為 IEEE Fellow、AAAI Fellow 及 ACM Distinguished Scientist。更多關於他的資訊請見此處。

George Karypis，明尼蘇達大學
題目： 待定
摘要： 待定
簡介： George Karypis 現任明尼蘇達大學雙城分校（Minneapolis 與 Saint Paul）電腦科學與工程系教授，並為該校數位科技中心（DTC）成員。他的研究興趣集中於生物資訊學、化學資訊學、資料探勘與高效能計算領域，並偶爾涉足資訊檢索、協同過濾以及 VLSI CAD 電子設計自動化等議題。在這些領域中，他的研究致力於開發新穎演算法以解決重要既有或新興問題，並實作相應的實用軟體工具。其研究成果已發表於多場國際會議、領先的同儕審查期刊及高選擇性會議論文集。

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

Martin Ester，西蒙菲莎大學
題目： 用於社群媒體推薦的概率圖形模型
摘要： 本次演講將深入探討社群媒體的兩大關鍵要素：社交網絡與基於位置的服務，並研究如何建模其特性以实现有效的項目與地點推薦。在社會科學領域，社會影響（朋友之間傾向變得更加相似）與同質性或選擇性（人們傾向結交相似的人）已被確認為驅動社交網絡動態的關鍵因素。演講第一部分將討論如何利用這些效應以提升社交網絡中項目推薦的準確性。第二部分則將探討社群媒體的另一關鍵面向：基於位置的社交網絡（LBSN）。LBSN 中的一個關鍵效應是地理影響，即鄰近地點比遙遠地點具有更相似的特徵。地點推薦在本質上不同於傳統項目推薦，因為用戶對實體地點的簽到行為所需承諾遠高於採用如電影之類的項目。我們將提出概率圖形模型以捕捉這些特性，用於地點推薦。演講將討論相關研究，並著重介紹我們團隊自身的成果。最後，我們將概述社群媒體推薦這一迷人領域中未來有趣的研究方向。
簡介： Martin Ester 於

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.