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
Sugeridas
Obligatorias
Sugeridas
Obligatorias
Sugeridas
Obligatorias
Sugeridas
*Obligatorias (esta semana se puede elegir una de las dos para entregar)**
Sugeridas
*No olvidar declarar en la crítica el título elegido.
Obligatorias
Sugeridas
Obligatorias
Sugeridas