Рекомендательные системы и поиск закономерностей в данных — различия между версиями

Материал из Wiki - Факультет компьютерных наук
Перейти к: навигация, поиск
Строка 12: Строка 12:
 
* Гибридные рекомендательные системы. Case-study 5. Рекомендация радиостанций.  
 
* Гибридные рекомендательные системы. Case-study 5. Рекомендация радиостанций.  
 
* Бикластеризация. Фолксономии. Трикластеризация и мультимодальная кластеризация n-арных отношений и тензоров.
 
* Бикластеризация. Фолксономии. Трикластеризация и мультимодальная кластеризация n-арных отношений и тензоров.
* Стандартные (Precision, Recall, <math>F_1</math>-мера, MAE, RMSE) и дополнительные меры оценки качества рекомендательных систем (HitRate, Mean Reciprocal Rank, nDCG, diversity, serendipity). А/B тестирование.
+
* Стандартные (Precision, Recall, F_1-мера, MAE, RMSE) и дополнительные меры оценки качества рекомендательных систем (HitRate, Mean Reciprocal Rank, nDCG, diversity, serendipity). А/B тестирование.
 
* Контекстные рекомендательные системы. Встраивание дополнительной информации в модели.
 
* Контекстные рекомендательные системы. Встраивание дополнительной информации в модели.
 
* Ансамбли рекомендальных алгоритмов.  
 
* Ансамбли рекомендальных алгоритмов.  

Версия 14:59, 23 ноября 2018

Темы

  •  Введение в рекомендательные системы (РС). Обзор курса.
  • Коллаборативная фильтрация на основе сходства по пользователям и предметам (user-based  и item-based подходы).
  • Case-study 1. Оценка качества РС на основе бимодальной кроссвалидации.
  • Частые множества и ассоциативные правила. Элементы Анализа формальных понятий. Импликации. Основные алгоритмы  (Apriori, FP-growth). Меры интересности (support, confidence, lift, stability). Компактное представление частых множеств и ассоциатвных правил (замкнутые множества, понятие базиса).
  • Case-study 2. Анализ посещаемости сайтов. Рекомендация контекстной рекламы.
  • Case-study 3. Булева матричная факторизация, неотрицательная матричная факторизация (NMF) и разложение по сингулярным числам (SVD).
  • Методы на основе матричной факторизации для рекомендательных систем. PureSVD, SVD++, timeSVD. Схемы решения: стохастический градиентный спуск (SGD) и чередующиеся наименьшие квадраты (ALS). Случай неявного отклика. Факторизационные машины.
  • Спектральная кластеризация. Поиск минимального разреза. Контекстная реклама. Рекомендация музыкальных композиций.
  • Поиск частых последовательностей. Case-study 4. Анализ демографических последовательностей.
  • Гибридные рекомендательные системы. Case-study 5. Рекомендация радиостанций.
  • Бикластеризация. Фолксономии. Трикластеризация и мультимодальная кластеризация n-арных отношений и тензоров.
  • Стандартные (Precision, Recall, F_1-мера, MAE, RMSE) и дополнительные меры оценки качества рекомендательных систем (HitRate, Mean Reciprocal Rank, nDCG, diversity, serendipity). А/B тестирование.
  • Контекстные рекомендательные системы. Встраивание дополнительной информации в модели.
  • Ансамбли рекомендальных алгоритмов.
  • Глубинное обучение для рекомендательных систем.

Формула итоговой оценки

формула: 0.4 h/w + 0.4 project + 0.2 defense

Домашняя работа

Домашнее задание 1

Коллаборативная фильтрация на основе сходства по пользователям (user-based) и продуктам (item-based)

Домашнее задание 2

  1. Частые множества и ассоциативные правила
  2. Спектральная кластеризация
  3. Матричная факторизация
  4. Анализ последовательностей

Проект

Требования к оформлению

В этом файле содержатся требования к отчету, они на английском, но писать текст можно и на русском. Даны источники данных, указаны типы задач для решения, приведен релевантный софт. Указаны сроки выбора задачи и сдачи отчета. Предполагается экзамен в виде защиты проекта.


Журнал занятий

Занятие от 21.11.2018

19:30 Доклад Евгения Фролова (PhD, Skoltech & Sbebank AI) по мотивам диссертационного исследования (https://www.skoltech.ru/obrazovanie/zashhity-phd/2018-2/evgenij-frolov/)

Название: Малоранговые модели для рекомендательных систем с ограниченными данными о предпочтениях (Low-rank models for recommender systems with limited preference information)

Аннотация доклада. В силу ряда вычислительных преимуществ, одним из наиболее популярных методов, часто использующихся на практике, является PureSVD. Метод основан на сингулярном разложении и в определенных сценариях позволяет добиться наиболее релевантных рекомендаций. Однако, качество моделей на основе данного метода заметно снижается при сильном уменьшении количества известной информации о пользовательских предпочтениях. Главной целью данной работы является устранение этого недостатка, позволяющее сохранить основные преимущества PureSVD. Для этого предложены несколько новых подходов на основе матричных и тензорных методов аппроксимации. Подходы строятся на принципах многомерного представления пользовательского отклика, а также с использованием специальной схемы «гибридизации», позволяющей учесть дополнительную признаковую информацию о пользователях и предметах.

Слайды