Esta es la versión del curso dictada en 2014. Sigue el link para la versión 2015 de IIC 3633.


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

Ayudante: Hans Findel, Alumno de Magister en Ciencia de la Computación PUC CHile.

Institución: Pontificia Universidad Católica de Chile

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.

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.

Semana 1: Introducción

Clases Semana 1

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

Lecturas Semana 1

Obligatorias

  • How not to sort by Average Rating, Evan Miller Blog
  • 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 conference on Computer supported cooperative work (pp. 175-186). ACM.

Sugeridas

  • Shardanand, Upendra, and Pattie Maes. “Social information filtering: algorithms for automating “word of mouth”.” Proceedings of the SIGCHI conference on Human factors in computing systems. ACM Press/Addison-Wesley Publishing Co., 1995.
  • Goldberg, D., Nichols, D., Oki, B. M., & Terry, D. (1992). Using collaborative filtering to weave an information tapestry. Communications of the ACM, 35(12), 61-70.
  • How hacker news ranking algorithm works, link
  • How reedit ranking algorithm works, link
  • Reddit comment ranking algorithm, link

Semana 2: Filtrado Colaborativo IB + Slope One

Clases Semana 2

Lecturas Semana 2

Obligatorias

  • Herlocker, J. L., Konstan, J. A., Borchers, A., & Riedl, J. (1999, August). An algorithmic framework for performing collaborative filtering. In Proceedings of the 22nd annual international ACM SIGIR conference on Research and development in information retrieval (pp. 230-237).
  • Sarwar, B., Karypis, G., Konstan, J., & Riedl, J. (2001, April). Item-based collaborative filtering recommendation algorithms. In Proceedings of the 10th international conference on World Wide Web (pp. 285-295). ACM.
  • Lemire, D., & Maclachlan, A. (2005, April). Slope One Predictors for Online Rating-Based Collaborative Filtering. In SDM (Vol. 5, pp. 1-5).

Sugeridas

  • Linden, G., Smith, B., & York, J. (2003). Amazon.com recommendations: Item-to-item collaborative filtering. Internet Computing, IEEE, 7(1), 76-80.
  • Schafer, J. B., Frankowski, D., Herlocker, J., & Sen, S. (2007). Collaborative filtering recommender systems. In The adaptive web (pp. 291-324). Springer Berlin Heidelberg.
  • Wang, J., De Vries, A. P., & Reinders, M. J. (2006, August). Unifying user-based and item-based collaborative filtering approaches by similarity fusion. In Proceedings of the 29th annual international ACM SIGIR conference on Research and development in information retrieval (pp. 501-508). ACM.

Semana 3: Métricas de Ranking + Significancia Estadistica

Control de Lectura nro. 1 (martes 19 de Agosto)

Temas: Filtrado Colaborativo (User & item-based) y Slope-one

Clases Semana 4

  • Métricas de Information Retrieval slides pdf
  • Tests de Significancia Estadística slides pdf

Lecturas Semana 3

Obligatorias

  • Parra, D., & Sahebi, S. (2013). Recommender systems: Sources of knowledge and evaluation metrics. In Advanced Techniques in Web Intelligence-2 (pp. 149-175). Springer Berlin Heidelberg. pre-print pdf

Sugeridas

  • The 10 recommender system metrics you should know about, GraphLab Blog

Semana 4: Recomendación Basada en Contenido & Recomendación Híbrida

Clases Semana 4

  • Recomendación Basada en Contenido [slides]
  • Recomendación Basada en Social Tags [slides]
  • Presentador Invitado: Dr. Christoph Trattner, Know-Center, Austria. Chris presentará el framework de recomendación basada en tags de su grupo de investigación y presentará la tarea 2, que consistirá en extender el framework llamado TagRec.
  • Enunciado de la Tarea 2.

Lecturas Semana 4

Obligatorias

  • Pazzani, M. J., & Billsus, D. (2007). Content-based recommendation systems. In The adaptive web (pp. 325-341). Springer Berlin Heidelberg.
  • Parra, D., & Brusilovsky, P. (2009, October). Collaborative filtering for social tagging systems: an experiment with CiteULike. In Proceedings of the third ACM conference on Recommender systems (pp. 237-240). ACM.

Sugeridas

  • Balabanović, M., & Shoham, Y. (1997). Fab: content-based, collaborative recommendation. Communications of the ACM, 40(3), 66-72.
  • Lops, P., De Gemmis, M., & Semeraro, G. (2011). Content-based recommender systems: State of the art and trends. In Recommender systems handbook (pp. 73-105). Springer US.
  • De Gemmis, M., Lops, P., Semeraro, G., & Basile, P. (2008, October). Integrating tags in a semantic content-based recommender. In Proceedings of the 2008 ACM conference on Recommender systems (pp. 163-170). ACM.

Semana 5: CONFERENCIA Hypertext

Clases Semana 5

No hay clases por la conferencia ACM Hypertext.

Lecturas Semana 5

Obligatorias

  • Herlocker, J. L., Konstan, J. A., Terveen, L. G., & Riedl, J. T. (2004). Evaluating collaborative filtering recommender systems. ACM Transactions on Information Systems (TOIS), 22(1), 5-53.
  • Shani, G., & Gunawardana, A. (2011). Evaluating recommendation systems. In Recommender systems handbook (pp. 257-297). Springer US.

Tarea nro. 1

  • Implementación de las técnicas: UB & IB Collaborative Filtering, y Slope One. Evaluación usando: MAE, RMSE, Precision, Recall, MAP, P@n, nDCG. Nuevo deadline es el Domingo 21 de Septiembre.

Semana 6: Evaluación y Tareas de Recomendación

Clases Semana 6

  • Revisión y discusión sobre la tarea 1: Nuevo deadline es el Domingo 21 de Septiembre.
  • Distintas tareas de Recomendación y Evalución de Sistemas Recomendadores.

Semana 7: Fiestas Patrias

Control de Lectura: Evaluación de RecSys

  • Métricas de evalución + artículo de Herlocker: Herlocker, J. L., Konstan, J. A., Terveen, L. G., & Riedl, J. T. (2004). Evaluating collaborative filtering recommender systems. ACM Transactions on Information Systems (TOIS), 22(1), 5-53.

Semana 8: Hybrid Recommenders

Clases Semana 8

  • Recomendadores Híbridos pdf
  • Clase Especial: Comentarios Tarea 1 + Intro LSI & LDA para Tarea 2 pdf

Lecturas Semana 8

Obligatorias - Burke, Robin. “Hybrid recommender systems: Survey and experiments.” User modeling and user-adapted interaction 12.4 (2002): 331-370.

Sugeridas - Burke, R. (2007). Hybrid web recommender systems. In The adaptive web (pp. 377-408). Springer Berlin Heidelberg. - Adomavicius, Gediminas, and Alexander Tuzhilin. “Toward the next generation of recommender systems: A survey of the state-of-the-art and possible extensions.” Knowledge and Data Engineering, IEEE Transactions on 17.6 (2005): 734-749.

Semana 9: Factorización Matricial

Clases Semana 9

  • Factorizacion Matricial para recomendadores I pdf
  • Factorizacion Matricial para recomendadores II

Lecturas Semana 9

Obligatorias - Koren, Y., Bell, R., & Volinsky, C. (2009). Matrix factorization techniques for recommender systems. Computer, 42(8), 30-37.

Sugeridas - Sarwar, B., Karypis, G., Konstan, J., & Riedl, J. (2000). Application of dimensionality reduction in recommender system-a case study (No. TR-00-043). Minnesota Univ Minneapolis Dept of Computer Science. - Karatzoglou, A., Amatriain, X., Baltrunas, L., & Oliver, N. (2010, September). Multiverse recommendation: n-dimensional tensor factorization for context-aware collaborative filtering. In Proceedings of the fourth ACM conference on Recommender systems (pp. 79-86). ACM.

Semana 10: Control de medio semestre

Control de Lectura: Recomendadores Híbridos e Introducción a la Factorización Matricial

Jueves 9 de Octubre en Horario de Clases

  • Capítulo 3 de libro: Jannach, D., Zanker, M., Felfernig, A., & Friedrich, G. (2010). Recommender systems: an introduction. Cambridge University Press [Disponible en siding]

  • Koren, Y., Bell, R., & Volinsky, C. (2009). Matrix factorization techniques for recommender systems. Computer, 42(8), 30-37.