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

Ayudante: Ivania Donoso, Alumno de Magister en Ciencia de la Computación PUC CHile.

Institución: Pontificia Universidad Católica de Chile

Lugar: Sala B14, Campus San Joaquín, PUC Chile.

Horario: Martes y Jueves, Módulo 5 (15:30 a 16:50).

Programa IIC 3633, 2do Semestre 2015: 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

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. Habrá una competencia, y el ganador tendrá un punto adicional en la nota de la tarea.

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

Fecha Tema Presenta
1ra sem. Ago Non-personalized Ranking & UB-CF Prof. Denis Parra
2da sem. Ago IB-CF & Slope One Prof. Denis Parra
3ra sem. Ago Métricas de Ranking & Stat. Significance Prof. Denis Parra
4ta sem. Ago Filtrado Basado en Contenido Prof. Denis Parra
1ra sem. Sep Recomendación Híbrida Prof. Denis Parra
sem. Sept 18 No classes (Chilean Independence) N/A
24 Sept Matrix factorization Claudio Rojas y Nicolas Torres
1 Oct Implicit feedback Alejandro Barrientos
6 - 8 Oct User centric evaluation + User interfaces Prof. Denis Parra
13 - 15 Oct Context-aware recommenders Prof. Denis Parra
20 - 22 Oct Context-aware recommenders II Prof. Denis Parra
27 - 29 Oct Active/Reinforcement Learning Recommender Systems Gabriel della Maggiora y Javier Machin
3 - 5 Nov Graph-based recommendation Juan Pablo Salazar y Christopher Arenas
10 - 12 Nov Applications: music Miguel Fadic
17 - 19 Nov Modelos graficos probabilisticos para sistemas recomendadores Laura Cruz (invitada)

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: Evaluación, Métricas de Ranking, Significancia Estadistica

Clases Semana 3

  • 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

  • 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, Guy, and Asela Gunawardana. “Evaluating recommendation systems.” In Recommender systems handbook, pp. 257-297. Springer US, 2011.
  • The 10 recommender system metrics you should know about, GraphLab Blog
  • Alan Said and Alejandro Bellogín. 2014. Comparative recommender system evaluation: benchmarking recommendation frameworks. In Proceedings of the 8th ACM Conference on Recommender systems (RecSys ’14).

Semana 4: Recomendación Basada en Contenido

Clases Semana 4

  • Recomendación Basada en Contenido slides pdf
  • Recomendación Basada en Contenido II slides pdf

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: Recomendación Híbrida

Clases Semana 5

  • Recomendación Híbrida 1 slides pdf
  • Recomendación Híbrida 2 (tutorial en clase) [slides]

Lecturas Semana 5

Obligatorias

  • Robin Burke. 2002. Hybrid Recommender Systems: Survey and Experiments. User Modeling and User-Adapted Interaction 12, 4 (November 2002), 331-370. DOI=10.1023/A:1021240730564 http://dx.doi.org/10.1023/A:1021240730564

Sugeridas

  • Celma, Ò., & Herrera, P. (2008, October). A new approach to evaluating novel recommendations. In Proceedings of the 2008 ACM conference on Recommender systems (pp. 179-186).
  • Bostandjiev, S., O’Donovan, J., & Höllerer, T. (2012, September). Tasteweights: a visual interactive hybrid recommender system. In Proceedings of the sixth ACM conference on Recommender systems (pp. 35-42). ACM.
  • Denis Parra, Peter Brusilovsky, User-controllable personalization: A case study with SetFusion, International Journal of Human-Computer Studies, Volume 78, June 2015, Pages 43-67, ISSN 1071-5819, http://dx.doi.org/10.1016/j.ijhcs.2015.01.007.

Semana 6: Conferencia RecSys (no hay clases)

Entregas Semana 6

  • Jueves 17: Entrega Final Tarea 1 (reporte + codigo en github + challenge en codalab ).

  • Durante la semana del 14 al 18 de Septiembre no habrá clases debido a que el profesor asistirá a la conferencia ACM de Sistemas Recomendadores.

  • Durante esta semana se espera que trabajen en la finalización de la Tarea 1 (17 de Septiembre) y además en sus ideas de proyecto final.

Semana 7: Factorización Matricial en Sistemas Recomendadores

Entregas Semana 7

  • Martes 22: Abstract de Proyecto Final (mínimo 1 opción, máximo 3 opciones)

Clases Semana 7

Lecturas Semana 7

Obligatorias

  • Yehuda Koren, Robert Bell, and Chris Volinsky. 2009. Matrix Factorization Techniques for Recommender Systems. Computer 42, 8 (August 2009), 30-37. DOI=10.1109/MC.2009.263

Sugeridas

  • Ning, X., & Karypis, G. (2011, December). Slim: Sparse linear methods for top-n recommender systems. In Data Mining (ICDM), 2011 IEEE 11th International Conference on (pp. 497-506). IEEE.
  • Rendle, S. (2012). Factorization machines with libfm. ACM Transactions on Intelligent Systems and Technology (TIST), 3(3), 57.
  • Zhang, S., Wang, W., Ford, J., & Makedon, F. (2006, April). Learning from Incomplete Ratings Using Non-negative Matrix Factorization. In SDM (Vol. 6, pp. 548-552).
  • Mnih, A., & Salakhutdinov, R. (2007). Probabilistic matrix factorization. In Advances in neural information processing systems (pp. 1257-1264).
  • Koren, Y. (2008, August). Factorization meets the neighborhood: a multifaceted collaborative filtering model. In Proceedings of the 14th ACM SIGKDD international conference on Knowledge discovery and data mining (pp. 426-434). ACM.

Semana 8: Preferencias Implícitas

Entregas Semana 8

  • Martes 29: Propuesta de Proyecto Final.

Clases Semana 8

  • Preferencias Implícitas slides
  • Presentación de Estudiante slides A. Barrientos

Lecturas Semana 8

Obligatorias

  • Hu, Y., Koren, Y., & Volinsky, C. (2008, December). Collaborative filtering for implicit feedback datasets. In Data Mining, 2008. ICDM’08. Eighth IEEE International Conference on (pp. 263-272). IEEE.

Sugeridas

  • Oard, D. W., & Kim, J. (1998, July). Implicit feedback for recommender systems. In Proceedings of the AAAI workshop on recommender systems (pp. 81-83).
  • Baltrunas, L., & Amatriain, X. (2009, October). Towards time-dependant recommendation based on implicit feedback. In Workshop on context-aware recommender systems (CARS’09).
  • Rendle, S., Freudenthaler, C., Gantner, Z., & Schmidt-Thieme, L. (2009, June). BPR: Bayesian personalized ranking from implicit feedback. In Proceedings of the Twenty-Fifth Conference on Uncertainty in Artificial Intelligence (pp. 452-461). AUAI Press.
  • Parra, D., Karatzoglou, A., Amatriain, X., & Yavuz, I. (2011). Implicit feedback recommendation via implicit-to-explicit ordinal logistic regression mapping. Proceedings of the CARS-2011.
  • Hidasi, B., & Tikk, D. (2012). Fast ALS-based tensor factorization for context-aware recommendation from implicit feedback. In Machine Learning and Knowledge Discovery in Databases (pp. 67-82). Springer Berlin Heidelberg.

Semana 9: Recomendación Centrada en el Usuario

Clases Semana 9

  • Recomendación Centrada en el Usuario, Parte I slides
  • Recomendación Centrada en el Usuario, Parte II slides

Lecturas Semana 9

Obligatorias Puedes elegir una de estas - Knijnenburg, B. P., Willemsen, M. C., Gantner, Z., Soncu, H., & Newell, C. (2012). Explaining the user experience of recommender systems. User Modeling and User-Adapted Interaction, 22(4-5), 441-504. - Joseph A. Konstan and John Riedl. (2012). Recommender systems: from algorithms to user experience. User Modeling and User-Adapted Interaction 22, 1-2 (April 2012), 101-123.

Sugeridas

  • Pu, P., Chen, L., & Hu, R. (2011, October). A user-centric evaluation framework for recommender systems. In Proceedings of the fifth ACM conference on Recommender systems (pp. 157-164). ACM.
  • Bostandjiev, S., O’Donovan, J., & Höllerer, T. (2012, September). Tasteweights: a visual interactive hybrid recommender system. In Proceedings of the sixth ACM conference on Recommender systems (pp. 35-42). ACM.
  • Parra, D., & Brusilovsky, P. (2015). User-controllable personalization: A case study with SetFusion. International Journal of Human-Computer Studies, 78, 43-67.

Semana 10-11: Recomendación basada en Contexto

Clases Semana 10-11

  • Recomendación Basada en Contexto, Parte I slides
  • Recomendación Basada en Contexto, Parte II slides

Lecturas Semana 10-11

Obligatorias - Gediminas Adomavicius and Alexander Tuzhilin. 2008. Context-aware recommender systems. In Proceedings of the 2008 ACM conference on Recommender systems (RecSys ’08). ACM, New York, NY, USA, 335-336. http://www.aaai.org/ojs/index.php/aimagazine/article/view/2364

Sugeridas

  • 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.
  • Shi, Y., Karatzoglou, A., Baltrunas, L., Larson, M., Hanjalic, A., & Oliver, N. (2012, August). TFMAP: Optimizing MAP for top-n context-aware recommendation. In Proceedings of the 35th international ACM SIGIR conference on Research and development in information retrieval (pp. 155-164). ACM.
  • Augusto Q. Macedo, Leandro B. Marinho, and Rodrygo L.T. Santos. 2015. Context-Aware Event Recommendation in Event-based Social Networks. In Proceedings of the 9th ACM Conference on Recommender Systems (RecSys ’15). ACM, New York, NY, USA, 123-130. DOI=http://dx.doi.org/10.1145/2792838.2800187

Semana 12: Active/Reinforcement Learning

Clases Semana 12

Lecturas Semana 12

Obligatorias

  • Elahi, M., Ricci, F., & Rubens, N. (2014). Active learning in collaborative filtering recommender systems. In E-Commerce and Web Technologies (pp. 113-124). Springer International Publishing.

Sugeridas

  • Golbandi, N., Koren, Y., & Lempel, R. (2010, October). On bootstrapping recommender systems. In Proceedings of the 19th ACM international conference on Information and knowledge management (pp. 1805-1808). ACM.

Semana 13: Métodos de Grafos para Sistemas Recomendadores

Clases Semana 13

Lecturas Semana 13

Obligatorias

  • David Liben-Nowell and Jon Kleinberg. 2007. The link-prediction problem for social networks. J. Am. Soc. Inf. Sci. Technol. 58, 7 (May 2007), 1019-1031.

Sugeridas

  • Zan Huang, Hsinchun Chen, and Daniel Zeng. 2004. Applying associative retrieval techniques to alleviate the sparsity problem in collaborative filtering. ACM Trans. Inf. Syst. 22, 1 (January 2004), 116-142. DOI=http://dx.doi.org/10.1145/963770.963775
  • Zan Huang, Wingyan Chung, Thian-Huat Ong, and Hsinchun Chen. 2002. A graph-based recommender system for digital library. In Proceedings of the 2nd ACM/IEEE-CS joint conference on Digital libraries (JCDL ’02). ACM, New York, NY, USA, 65-73. DOI=http://dx.doi.org/10.1145/544220.54423
  • Gori, M., Pucci, A., Roma, V., & Siena, I. (2007, January). ItemRank: A Random-Walk Based Scoring Algorithm for Recommender Engines. In IJCAI (Vol. 7, pp. 2766-2771).
  • Youwei Wang, Weihui Dai, Yufei Yuan, Website browsing aid: A navigation graph-based recommendation system, Decision Support Systems, Volume 45, Issue 3, June 2008, Pages 387-400, ISSN 0167-9236, http://dx.doi.org/10.1016/j.dss.2007.05.006.

Semana 14: Recomendación Musical

Clases Semana 14

Lecturas Semana 14

Obligatorias

  • Celma, Ò., & Lamere, P. (2011). If you like radiohead, you might like this article. AI Magazine, 32(3), 57-66.

Sugeridas

  • Aizenberg, Natalie, Yehuda Koren, and Oren Somekh. “Build your own music recommender by modeling internet radio streams.” In Proceedings of the 21st international conference on World Wide Web, pp. 1-10. ACM, 2012.
  • Zhang, Yuan Cao, Diarmuid Ó. Séaghdha, Daniele Quercia, and Tamas Jambor. “Auralist: introducing serendipity into music recommendation.” In Proceedings of the fifth ACM international conference on Web search and data mining, pp. 13-22. ACM, 2012.
  • McFee, Brian, Luke Barrington, and Gert Lanckriet. “Learning content similarity for music recommendation.” Audio, Speech, and Language Processing, IEEE Transactions on 20, no. 8 (2012): 2207-2218..