MLRec 2016

與第 16 屆 SIAM 國際資料探勘會議 (SDM 2016) 聯合舉辦
2016 年 5 月 7 日（星期六），美國佛羅里達州邁阿密

繼上一屆 MLRec 的成功之後，本屆研討會將聚焦於應用新穎及現有的機器學習與資料探勘方法，以提升推薦系統的性能。目前已有許多成熟會議（如 NIPS 和 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的最新進展，並將其應用於改善推薦系統。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，其根基深植於這些領域。因此，亟需來自這兩個社群的研究人員共同協力，探討：1) 哪些近期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

我們歡迎各類主題的投稿，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／情境感知推薦演算法、處理冷啟動項目之矩陣分解新演算法、基於張量的推薦系統方法等。
• 應用現有機器學習演算法的创新途徑，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應用於推薦系統。
• 用於提升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、模型集成，以及大規模推薦系統實作所汲取的經驗教訓。
• 具備安全與隱私意識的推薦系統機器學習方法、以使用者為中心並強調互動與參與度的推薦機制、探索－利用（Explore-Exploit）策略、多臂老虎機（multi-armed bandits）於推薦之應用等。

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。所有論文須使用 SIAM SODA 宏進行排版。作者須於 2016 年 2 月 1 日晚上 11:59（MDT 時間）前，將 PDF 格式論文電子提交至投稿網站。本網站已開始受理稿件。

重要時程

• 論文投稿截止：2016 年 2 月 1 日
• 作者通知日期：2016 年 2 月 10 日
• 最終版論文繳交截止：2016 年 2 月 15 日
• 研討會舉行日期：2016 年 5 月 7 日（星期六）

由於系統問題，審查委員無法按時提交審查意見。我們已延後通知日期與最終版論文繳交截止日。感謝您的理解。

—> 講者簡報現已於 程式表 中提供。

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

特邀講者

Tina Eliassi-Rad，羅格斯大學（Rutgers University）

標題： 社交網路於推薦系統中的應用
摘要： 考慮如何將社交網路資訊整合至推薦系統的問題。直覺上，解決此問題應能提升推薦系統的性能。本次演講將討論相關挑戰、介紹當前最先進的研究成果，並勾勒此問題具潛力的未來發展方向。
簡介： Tina Eliassi-Rad 現任羅格斯大學電腦科學系副教授。加入學術界之前，她曾擔任勞倫斯利佛摩國家實驗室（Lawrence Livermore National Laboratory）的技術成員與首席研究員。Tina 於威斯康辛大學麥迪遜分校獲得電腦科學博士學位（輔修數理統計）。她目前的研究橫跨圖形探勘、網路科學與計算社會科學領域。在資料探勘與機器學習方面，她的研究成果已應用於全球資訊網、文本語料庫、大規模科學模擬數據、複雜網路、詐欺偵測與網路情勢感知等議題。她已發表超過 60 篇同儕審查論文（其中包括 ICDM’09 最佳論文亞獎與 CIKM’12 最佳跨領域論文獎），並受邀進行超過 120 場演講。她的演算法已被納入政府與產業界使用的系統（例如 IBM System G Graph Analytics）以及開源軟體（如 Stanford Network Analysis Project）。2010 年，她榮獲美國能源部科學辦公室頒發的傑出導師獎。詳情請參閱 此處。

Julian McAuley，加州大學聖地牙哥分校（University of California, San Diego）

標題： 運用評論建構更豐富的意見模型
摘要： 當我們在線上考量產品與購買決策時，線上評論往往是首要參考依據。然而，瀏覽海量評論（其中許多可能與我們觀點相左）極為耗時費力，尤其當我們關注產品的某些特定細微面向時。這顯示我們需要建構能夠捕捉評論中複雜且獨特語意的模型，以打造更豐富且個人化的推薦系統。本次演講將探討三個方向：第一，如何運用評論更深入理解人們意見的維度（或面向）？第二，如何利用評論回答針對性問題（這些問題可能具主觀性或需個人化回應）？第三，如何合成評論本身，以預測評論者對於尚未接觸過的產品會提出何种評價？
簡介： Julian McAuley 的研究聚焦於社交網路與線上社群中意見與行為的語言、時間與視覺維度。這包括理解人們意見的多樣面向、人們如何「培養品味」（例如對美食與啤酒的偏好），乃至於使服飾搭配和諧的視覺特徵。他自 2014 年起擔任加州大學聖地牙哥分校助理教授，並於澳洲國立大學取得博士學位。

Hanghang Tong，亞利桑那州立大學（Arizona State University）

標題： 邁向大型網路中的最適團隊
摘要： 諾貝爾獎得主赫伯特·西蒙（Herbert Simon）在其廣受推崇的著作《人工科學》（The Science of the Artificial）中指出，決定人類複雜行為的關鍵在於環境的複雜性，而非個人的複雜性。網路科學的興起與大數據時代的來臨，提供了全新的環境與情境，使人們得以在此互動協作，共同執行複雜任務。本次演講將總結我們近期在大型網路脈絡下分析團隊表現的研究成果。首先（特徵描述）：我們將呈現關於哪些網路指標／特性對團隊表現至關重要，及其影響程度。其次（預測）：我們將提出預測模型，依據團隊的網路結構早期預測其表現。最後（增強）：我們將介紹用於提升現有團隊表現的工具與演算法。
簡介： Hanghang Tong 現任亞利桑那州立大學計算、資訊與決策系統工程學院（CIDSE）助理教授。此前，他曾擔任紐約市立大學城市學院電腦科學系助理教授、IBM T.J. Watson 研究中心研究員，以及卡內基梅隆大學博士後研究員。他於 2008 年與 2009 年分別獲得卡內基梅隆大學機器學習領域的碩士與博士學位。他的研究興趣集中於圖形與多媒體的大規模資料探勘。他曾獲多項獎項，包括一項「經久不衰」獎（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.