Instructor: Denis Parra, Profesor Asistente PUC Chile, Ph.D. University of Pittsburgh

Ayudante: Vicente Dominguez, Alumno de Magister en Ciencia de la Computación PUC CHile.

Institución: Pontificia Universidad Católica de Chile

Lugar: Sala A4, Campus San Joaquín, PUC Chile.

Horario: Martes y Jueves, Módulo 3 (11:30 a 12:50).

Programa IIC 3633, 2do Semestre 2017: pdf.

El curso de Sistemas Recomendadores cubre las principales tareas de recomendación, algoritmos, fuentes de datos y evaluación de estos sistemas. Al final de este curso serás capaz de decidir qué técnicas y fuentes de datos usar para implementar y evaluar sistemas recomendadores.

Video: Introducción a RecSys

En este video pueden revisar mi charla de introducción a los sistemas recomendadores presentada como Keynote en las Jornadas Chilenas de Ciencias de la Computación 2014 ( link a youtube )

Contenido

MES 1 En las primeras semanas nos enfocaremos en métodos básicos para hacer recomendación usando y prediciendo ratings (filtrado colaborativo User-based & item-based, slope-one). En la 3ra semana veremos formas adicionales de evaluar más alla de la métricas de error de predicción de rating (MAE, MSE, RMSE) e incorporaremos métricas para evaluar listas de ítems (precision, recall, MAP, P@n, nDCG). En la ultima semana veremos métodos basados en contenido y sistemas híbridos.

MES 2 Factorizacion Matricial usando ratings. Recapitulación de las tareas de recomendacion (predecir rating, predecir una lista de items, recomendar una secuencia, recomendación TopN) y de su evaluacion considerando diversidad, novedad, coverage, y otras métricas.

MES 3 Fuentes adicionales de informacion. Comenzamos con el problema de usar implicit feedback. Recomendación que considera contexto (tiempo, ubicación) y fuentes diversas de recomendación (social data, cross-domain data)

MES 4 Recomendaciones a grupos, Evaluación centrada en el usuario, proyecto final.

Código de Honor

Este curso adscribe el Código de Honor establecido por la Escuela de Ingeniería el que es vinculante. Todo trabajo evaluado en este curso debe ser propio. En caso de que exista colaboración permitida con otros estudiantes, el trabajo deberá referenciar y atribuir correctamente dicha contribución a quien corresponda. Como estudiante es su deber conocer la versión en línea del Código de Honor

Evaluaciones

Detalles de las evaluaciones en esta presentacion.

Tarea 1 Al final de las primeras 4 semanas, las(los) estudiantes implementarán mecanismos de recomendación para predecir ratings y para rankear items en un dataset que se entregará durante clases. Usarán la biblioteca pyreclab

Lecturas: Blog y Presentación Cada Alumno tendrá un blog donde escribirá sus comentarios respecto de los papers indicados como obligatorios. No es necesario hacer un resumen del paper, sino indicar puntos que pueden abrir discusión, mejoras o controversias: Evaluación inadecuada, parámetros importantes no considerados, potenciales mejoras de los algoritmos, fuentes de datos que podían mejorar los resultados, etc.

Adicionalmente, cada alumno presentará al menos una vez durante el semestre un paper sobre un tópico, con el objetivo de abrir una discusión sobre el tema durante la clase.

Proyecto Final Durante Septiembre, las(los) estudiantes presentarán una idea de proyecto final, la cual desarrollarán durante Octubre y Noviembre, para hacer una presentación de su proyecto al final del curso (fines de Noviembre.)

Agenda Semestral

Semana 1: Introducción

Clases Semana 1

  • Introducción
  • Ranking no personalizado + Filtrado Colaborativo (User-Based) slides pdf
  • Filtrado Colaborativo (User-Based) con Clustering slides pdf

Lecturas Semana 1

Obligatorias

  • How not to sort by Average Rating, Evan Miller Blog
  • Schafer, J. B., Frankowski, D., Herlocker, J., & Sen, S. (2007). Collaborative filtering recommender systems. In The adaptive web (pp. 291-324). Springer Berlin Heidelberg.

Sugeridas

  • Resnick, P., Iacovou, N., Suchak, M., Bergstrom, P., & Riedl, J. (1994, October). GroupLens: an open architecture for collaborative filtering of netnews. In Proceedings of the 1994 ACM con