Agosto-Diciembre 2021
AVISOS El Jueves 26 de Septiembre hay clase en sala A7, es hibrida así es que pueden asistir presencialmente o de forma remota por el link zoom de siempre.
Instructor: Denis Parra, Profesor Asociado PUC Chile, Ph.D. University of Pittsburgh
Ayudantes:
Vladimir Araujo, Estudiante de Doctorado en Ciencia de la Computación PUC Chile.
Andrés Carvallo, Estudiante de Doctorado en Ciencia de la Computación PUC Chile.
Francisca Cattan, Estudiante de Doctorado en Ciencia de la Computación PUC Chile.
Alvaro Labarca, Estudiante de Magister, en Ciencia de la Computación PUC Chile.
Jorge Pérez Facuse, Estudiante de Magister, en Ciencia de la Computación PUC Chile.
Institución: Pontificia Universidad Católica de Chile
Horario: Martes y Jueves, Módulo 3 (11:30 a 12:50).
Programa IIC 3633, 2do Semestre 2021: 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.
Software: pyRecLab.
La componente práctica de este curso se enseña a través del uso de pyRecLab desarrollado por Gabriel Sepúlveda (ex-alumno de este curso), biblioteca de software para desarrollo de sistemas recomendadores en Python.
Contenido:
| Semana | Tema | link slide(s) | link video | comentario(s) |
|---|---|---|---|---|
| 1 | Introducción | x | video | |
| 1 | Ranking no personalizado y Filtrado colaborativo (FC) | slides | video | |
| 1 | User-based FC con clustering | slides | video | |
| 2 | Pendiente Uno | slides | video | |
| 2 | Item-based FC | slides | video | |
| 2 | Factorización Matricial: FunkSVD | slides | video | |
| 3 | Implicit Feedback CF | slides | video | |
| 3 | Bayesian Personalized Ranking (BPR) | slides | video | |
| 4 | Evaluación: metricas de error y ranking | slides | video | slides P Castells LARS 2019 |
| 4 | Evaluación II: Cobertura, diversidad, novedad | slides | video | |
| 4 | Evaluación III: Tests estadísticos | slides | video | |
| 5 | Recomendación basada en contenido 1 | slides | video | |
| 5 | Recomendación basada en contenido 2 | slides | video | |
| 6 | Recomendación híbrida | slides | video | |
| 6 | Recomendación por ensambles | slides | video | |
| 6 | Recomendación basada en contexto | slides | video1 video2 | |
| 6 | Máquinas de Factorización | slides | video | |
| 7 | Deep Learning I: Intro | slides | video | |
| 7 | Deep Learning II: Tres proyectos | slides | video | |
| 8 | SR Centrados en el Usuario | slides | video | |
| 8 | Sistemas Justos, Explicables y Transparentes | slides | video | |
| 9 | Aprendizaje Activo (Active Learning) | slides | video | |
| 9 | Bandits | slides | video | |
| -- | Semana Break | Break | Break |
A partir de noviembre el curso toma modalidad seminario, los alumnos hacen presentaciones de los siguientes papers:
| Semana | Paper | link slide(s) | link video | conferencia |
|---|---|---|---|---|
| 10 | Towards Question-based Recommender Systems | slides | video | SIGIR 2020 |
| 10 | AutoDebias: Learning to Debias for Recommendation | slides | video | SIGIR 2021 |
| 10 | An Audit of Misinformation Filter Bubbles on YouTube: Bubble Bursting and Recent Behavior Changes | slides | video | RECSYS 2021 |
| 10 | Counterfactual Explainable Recommendation | slides | video | CIKM 2021 |
| 11 | A Neural Influence Diffusion Model for Social Recommendation | slides | video | SIGIR 2019 |
| 11 | An Efficient Adaptive Transfer Neural Network for Social-aware Recommendation | slides | video | SIGIR 2019 |
| 11 | Sequential Recommendation for Cold-start Users with Meta Transitional Learning | slides | video | SIGIR 2021 |
| 11 | “Serving Each User”: Supporting Different Eating Goals Through a Multi-List Recommender Interface | slides | video | RECSYS 2021 |
| 11 | Learning disentangled representations for recommendation | slides | video | Neurips 2019 |
| 12 | Cold Start Similar Artists Ranking with Gravity-Inspired Graph Autoencoders | slides | video | RECSYS 2021 |
| 12 | A Study of Defensive Methods to Protect Visual Recommendation Against Adversarial Manipulation of Images | slides | video | SIGIR 21 |
| 12 | Reward Constrained Interactive Recommendation with Natural Language Feedback | slides | video | Neurips 2019 |
| 12 | Neural Attentional Rating Regression with Review-level Explanations | slides | video | WWW'18 |
| 12 | Justifying Recommendations using Distantly-Labeled Reviews and Fine-Grained Aspects | slides | video | EMNLP-IJCNLP '19 |
| 12 | Neural Personalized Ranking for Image Recommendation | slides | video | WSDM '18 |
| 13 | Progressive Layered Extraction (PLE): A Novel Multi-Task Learning (MTL) Model for Personalized Recommendations | slides | video | RecSys'20 |
| 13 | Alleviating Cold-Start Problems in Recommendation through Pseudo-Labelling over Knowledge Graph | slides | video | WSDM 2021 |
| 13 | Towards Deep Conversational Recommenders | slides | video | Neurips'18 |
| 13 | Graph Convolutional Network for Recommendation with Low-pass Collaborative Filters | slides | video | ICML'20 |
| 13 | On Sampled Metrics for Item Recommendation | slides | video | KDD'20 |
| 13 | Pessimistic Reward Models for Off-Policy Learning in Recommendation | slides | video | RECSYS 2021 |
L@s estudiantes trabajan en grupo sobre proyectos finales de curso, produciendo un poster, paper y repositorio con código para cada uno:
| Grupo | Proyecto | Poster | Paper |
|---|---|---|---|
| 1 | VAE based model for single-target cross-domain recommendation De Diego, Hernández, Schuit |
poster | paper |
| 2 | Spotify Playlist Continuation Carstens, López, Mendoza |
poster | paper |
| 3 | Hybrid recommender of articles based on Topic Modeling and Collaborative Filtering Flores |
poster | paper |
| 4 | Efficiency of Shilling Attacks in Modern Recommenders Brancoli, Gazali, Murtagh |
poster | paper |
| 5 | Métricas de Sesgo de Posición para Recomendaciones de Artículos Científicos Brancoli, Gazali, Murtagh |
poster | paper |
| 6 | RoyaleNet: Deck Recommendation for Card-Based Competitive Online Videogames Farías, Lepe, Romero |
poster | paper |
| 7 | Evaluation of Web-Scale Transfer Learning on Art Image Recommendations Tirreau |
poster | paper |
| 8 | Apertron: un recomendador de aperturas de ajedrez basado en estilo de juego Klemmer |
poster | paper |
| 9 | Recomendación Multimodal Adversaria Ramirez, Mallea |
poster | paper |
| 10 | Evaluacion de diversas estrategias de recomendación grupal para grupos heterogéneos Cuturrufo, Berríos |
poster | paper |
| 11 | Personalized News Recommendation and Bandits Alvarado |
poster | paper |
| 12 | Group Recommender Systems for Board Games Muñoz, Piña, Vega |
poster | paper |
| 13 | Subtitles Content Based Movie Recommendation System Tramon, Yon, Jimenez |
poster | paper |
| 14 | Context-Aware Course Grade Prediction Using Tensor and Coupled Matrix Factorization Carrasco, García, Velásquez |
poster | paper |
| 15 | EEG Signal Processing for Recommender Systems Iruretagoyena, Mendeta, Sumonte |
poster | paper |
| 16 | Recomendación de Videojuegos en Steam Basada en Imágenes Guzman, Hernandez, Molina |
poster | paper |
| 17 | Bias analysis in recommendations from content creators point of view on Twitter Álvarez, Tapia, Trejo |
poster | paper |
| 18 | Optimización de subsets para generar datos de entrenamientos y de pruebas para el desarrollo de sistemas recomendadores Magna, Fuenzalida, Gonzales |
poster | paper |
| 19 | Recomendación Personalizada de Rutinas Deportivas Prieto, Sepúlveda, Olea |
poster | paper |
| 20 | Recomendación basada en contenido a partir de imágenes de artículos de Home & Kitchen Guzmán |
poster | paper |
| 21 | Recomendadores de Noticias: MIND Dlugoszewski, Sfeir, Burgos |
poster | paper |
| 22 | Recomendar composiciones de imagenes de manera personalizada. Ramirez |
poster | paper |
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). Luego veremos métodos de factorización matricial para ratings y para feedback implícito. 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). Veremos métodos basados en contenido y sistemas híbridos.
MES 2 Métodos basados en contexto, máquinas de factorización y modelos fundamentales de deep learning para recomendación. 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 User-centric RecSys, FAT (Fairness, Accountability and Transparency), Aplicaciones de Deep learning para problemas más específicos: recomendación de ropa, multimedia, etc. Modelos profundos generativos para recomendación. Revisaremos problemas de recomendación aún no resueltos en el área.
MES 4 Principalmente presentaciones de alumnos.
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
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 para los métodos básicos, pero si quieren optar a la nota máxima debe hacer un sistema híbrido o contextual que utilice información de contenido, como texto o imágenes. Para tener una idea de qué se trata la tarea, pueden revisar el enunciado de la tarea
Lecturas: Blog y Presentación
Fecha de revisión de blogs: El post de la semana x, tiene fecha de entrega el lunes a las 20:00 de la semana x+1. Ejemplo: Las lecturas de la semana 1 (clases el 17 y 19 de agosto) se entregan a más tardar el lunes 23 de agosto de 2021 a las 20:00.
Cada alumno tendrá un repositorio en github (debe indicarlo en este formulario) donde escribirá en markdown sus comentarios respecto de los papers indicados como obligatorios. No es necesario hacer un resumen largo del paper, sino indicar un resumen corto, 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 enviarán una idea de proyecto final, la cual desarrollarán durante octubre y noviembre. Enviarán un informe de avance a fines de octubre, para hacer una presentación de su proyecto al final del curso en una sesión de posters.
(actualizada el 17 de agosto de 2021)
Para descargar los archivos se sugiere buscarlos en Scholar o a través de EZProxy
Obligatorias
- Schafer, J. B., Frankowski, D., Herlocker, J., & Sen, S. (2007). Collaborative filtering recommender systems. In The adaptive web (pp. 291-324). Springer Berlin Heidelberg. pdf
Sugeridas
- Sarwar, B., Karypis, G., Konstan, J., & Riedl, J. (2001). Item-based collaborative filtering recommendation algorithms. In Proceedings of the 10th international conference on World Wide Web (pp. 285-295).
- Post original FunkSVD
- Lemire, D., & Maclachlan, A. (2005). Slope One Predictors for Online Rating-Based Collaborative Filtering. In SDM (Vol. 5, pp. 1-5).
- Kluver, D., Ekstrand, M. D., & Konstan, J. A. (2018). Rating-based collaborative filtering: algorithms and evaluation. Social Information Access, 344-390.
Obligatorias
- Koren, Y., Bell, R., & Volinsky, C. (2009). Matrix factorization techniques for recommender systems. Computer, 42(8), 30-37. pdf
Sugeridas
- Hu, Y., Koren, Y., & Volinsky, C. (2008). Collaborative filtering for implicit feedback datasets. In Data Mining, 2008. ICDM’08. Eighth IEEE International Conference on (pp. 263-272). IEEE.
- Takács, G., Pilászy, I., Németh, B., & Tikk, D. (2009). Scalable collaborative filtering approaches for large recommender systems. Journal of machine learning research, 10(Mar), 623-656.
- Rendle, S., Freudenthaler, C., Gantner, Z., & Schmidt-Thieme, L. (2009). BPR: Bayesian personalized ranking from implicit feedback. In Proceedings of the Twenty-Fifth Conference on Uncertainty in Artificial Intelligence (pp. 452-461). AUAI Press.
- Pan, R., Zhou, Y., Cao, B., Liu, N. N., Lukose, R., Scholz, M., & Yang, Q. (2008). One-class collaborative filtering. In 2008 Eighth IEEE International Conference on Data Mining (pp. 502-511). IEEE. En este artículo aparecen la derivación y reglas de actualización de los parámetros así como las nociones de AMAN y AMAU.
- Jannach, D., Lerche, L., & Zanker, M. (2018). Recommending based on implicit feedback. In Social Information Access (pp. 510-569). Springer, Cham.
- Srebro, N., & Jaakkola, T. (2003). Weighted low-rank approximations. In Proceedings of the 20th International Conference on Machine Learning (ICML-03) (pp. 720-727). Artículo citado por Pan et al. (2008) indicando detalles de la versión no regularizada que inspira OCCF.
- El siguiente paper es opcional, pero permite entender cómo se deriva
e
del paper de Hu et al.: Takács, G., Pilászy, I., & Tikk, D. (2011). Applications of the conjugate gradient method for implicit feedback collaborative filtering. In Proceedings of the fifth ACM conference on Recommender systems (pp. 297-300). ACM.
- Verstrepen, K., Bhaduriy, K., Cule, B., & Goethals, B. (2017). Collaborative filtering for binary, positiveonly data. ACM Sigkdd Explorations Newsletter, 19(1), 1-21.
Obligatorias
- Guy, S., & Gunawardana, A.. (2011) “Evaluating recommendation systems.” In Recommender systems handbook, pp. 257-297. Springer US, 2011. 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.
- Cremonesi, P., Koren, Y., & Turrin, R. (2010). Performance of recommender algorithms on top-n recommendation tasks. In Proceedings of the fourth ACM conference on Recommender systems (pp. 39-46). ACM.
Obligatorias
- Pazzani, M. J., & Billsus, D. (2007). Content-based recommendation systems. In The adaptive web (pp. 325-341). Springer Berlin Heidelberg. Xu, W., Liu, X., & Gong, Y. (2003).pdf
Sugeridas
- Document clustering based on non-negative matrix factorization. In Proceedings of the 26th annual international ACM SIGIR conference on Research and development in informaion retrieval (pp. 267-273). ACM.
- Messina, P., Dominguez, V., Parra, D., Trattner, C., & Soto, A. (2019). Content-based artwork recommendation: integrating painting metadata with neural and manually-engineered visual features. User Modeling and User-Adapted Interaction, 29(2), 251-290.
- Celma, Ò., & Herrera, P. (2008). A new approach to evaluating novel recommendations. In Proceedings of the 2008 ACM conference on Recommender systems (pp. 179-186).
- Van den Oord, A., Dieleman, S., & Schrauwen, B. (2013). Deep content-based music recommendation. In Advances in neural information processing systems (pp. 2643-2651).
Obligatorias (esta semana se puede elegir una de las dos para entregar)*
- Adomavicius, G., Mobasher, B., Ricci, F. and Tuzhilin, A. (2011). Context-Aware Recommender Systems. AI Magazine, 32(3), 67-80.
- Jahrer, M., Töscher, A. and Legenstein, R. (2010). Combining predictions for accurate recommender systems. In Proceedings of the 16th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 693-702. ACM.
Sugeridas
- Pigi K., Shobeir F., James F., Magdalini E. and Lise G. (2015). HyPER: A Flexible and Extensible Probabilistic Framework for Hybrid Recommender Systems. In Proceedings of the 9th ACM Conference on Recommender Systems (RecSys '15), 99–106. ACM.
- Rendle, S. (2010). Factorization machines. In 2010 IEEE International Conference on Data Mining (pp. 995-1000). IEEE.
*No olvidar declarar en la crítica el título elegido.
Obligatorias
- Hasta la sección 3.4 (incluyendo 3.4): Zhang, S., Yao, L., Sun, A., & Tay, Y. (2019). Deep learning based recommender system: A survey and new perspectives. ACM Computing Surveys (CSUR), 52(1), 1-38.
Sugeridas
- Covington, P., Adams, J., & Sargin, E. (2016). Deep neural networks for youtube recommendations. In Proceedings of the 10th ACM conference on recommender systems (pp. 191-198).
- Bansal, T., Belanger, D., & McCallum, A. (2016). Ask the gru: Multi-task learning for deep text recommendations. In Proceedings of the 10th ACM Conference on Recommender Systems (pp. 107-114).
Obligatorias
- He, C., Parra, D., & Verbert, K. (2016). Interactive recommender systems: A survey of the state of the art and future research challenges and opportunities. Expert Systems with Applications, 56, 9-27.
Sugeridas
- Bostandjiev, S., O'Donovan, J., & Höllerer, T. (2012). TasteWeights: a visual interactive hybrid recommender system. In Proceedings of the sixth ACM conference on Recommender systems (pp. 35-42).
- Knijnenburg, B., Bostandjiev, S., O'Donovan, J., and Kobsa, A. (2012). Inspectability and control in social recommenders. RecSys'12 - Proceedings of the 6th ACM Conference on Recommender Systems.
- Pu, P., Chen, L. and Hu, R. (2011). A user-centric evaluation framework for recommender systems. RecSys'11 - Proceedings of the 5th ACM Conference on Recommender Systems. 157-164.
- Parra, D., Brusilovsky, P., and Trattner, C. (2014). See What You Want to See: Visual User-Driven Approach for Hybrid Recommendation. International Conference on Intelligent User Interfaces, Proceedings IUI.
- Andjelkovic, I., Parra, D., & O’Donovan, J. (2019). Moodplay: Interactive music recommendation based on Artists’ mood similarity. International Journal of Human-Computer Studies, 121, 142-159.