Temporální aspekty v doporučovacích systémech a učení uživatelských preferencí

• Thesis title in Czech: Temporální aspekty v doporučovacích systémech a učení uživatelských preferencí
• Thesis title in English: Temporal Aspects in Recommender Systems and User Preference
• Key words: Doporučovací systémy, uživatelské preference, časový kontext, strojové učení
• English key words: Recommender systems, user preferences, temporal context, machine learning
• Academic year of topic announcement: 2018/2019
• Thesis type: diploma thesis
• Department: Department of Software Engineering (32-KSI)
• Supervisor: Mgr. Ladislav Peška, Ph.D.

Guidelines

Řešitel nejprve získá přehled v oblasti učení uživatelských preferencí a doporučovacích systémů ([1], [2],…), zaměří se především na context-aware a temporal-aware doporučovací algoritmy ([3-9]…), jejich výhody, nevýhody a možnosti použití.

Řešitel na základě prostudované literatury vybere/navrhne/upraví vhodné doporučovací algoritmy, navrhne a implementuje SW pro jejich testování a provede experimenty na zvolených datasetech, případně v ostrém provozu. V implementační části bude kladen důraz především na modularitu, rozšiřitelnost a konfigurovatelnost systému. Vhodné je integrovat již existující frameworky / knihovny doporučovacích algoritmů.
V experimentech bude kladen důraz především na validitu, opakovatelnost experimentů, využití různých temporálních aspektů, identifikování klíčových faktorů ovlivňujících výsledky jednotlivých algoritmů a srovnání s existující literaturou.

Téma je z dynamicky se vyvíjející domény a předpokládá kontinuální kontakt (zadání diplomové práce se bude průběžně upřesňovat). Nedílnou součástí práce je sběr dat, implementace v definovaném prostředí a experiment.

References

1. Ricci, F. et al (Eds): Recommender Systems Handbook, Springer, 2011
2. Jannach, D. et al (Eds): Recommender Systems: An Introduction, Cambridge University Press, 2011
3. Hidasi, B. & Tikk, D.: Fast ALS-Based Tensor Factorization for Context-aware Recommendation from Implicit Feedback. Proceedings of the 2012 European Conference on Machine Learning and Knowledge Discovery in Databases, Springer-Verlag, 2012, 67-82
4. Koren, Y.:Collaborative filtering with temporal dynamics. Proceedings of the 15th ACM SIGKDD international conference on Knowledge discovery and data mining, ACM, 2009, 447-456
5. Rafailidis, D. & Nanopoulos, A.: Modeling the Dynamics of User Preferences in Coupled Tensor Factorization. Proceedings of the 8th ACM Conference on Recommender Systems, ACM, 2014, 321-324
6. Yuan, Q.; Cong, G.; Ma, Z.; Sun, A. & Thalmann, N. M.: Time-aware Point-of-interest Recommendation. Proceedings of the 36th International ACM SIGIR Conference on Research and Development in Information Retrieval, ACM, 2013, 363-372
7. Levi, A.; Mokryn, O.; Diot, C. & Taft, N.: Finding a needle in a haystack of reviews: cold start context-based hotel recommender system demo. Proceedings of the sixth ACM conference on Recommender systems, ACM, 2012, 305-306
8. Gorgoglione, M.; Panniello, U. & Tuzhilin, A.: The effect of context-aware recommendations on customer purchasing behavior and trust. Proceedings of the fifth ACM conference on Recommender systems, ACM, 2011, 85-92
9. Baltrunas, L. & Amatriain, X.: Towards time-dependant recommendation based on implicit feedback. In Workshop on context-aware recommender systems (CARS 2009), 2009
10. Koren, Y.; Bell, R. & Volinsky, C. Matrix Factorization Techniques for Recommender Systems Computer, IEEE Computer Society Press, 2009, 42, 30-37
11. Eckhardt, A. Similarity of users (content-based) preference models for Collaborative filtering in few ratings scenario Expert Systems with Applications, 2012, 39, 11511 - 11516
12. Marius Kaminskas, Derek Bridge, Franclin Foping and Donogh Roche: Product-Seeded and Basket-Seeded Recommendations for Small-Scale Retailers, Journal on Data Semantics, pp.1-12, 2016.
13. Steffen Rendle, Christoph Freudenthaler, Zeno Gantner, and Lars Schmidt-Thieme. BPR: Bayesian personalized ranking from implicit feedback. In UAI '09. AUAI Press, 2009, 452-461.

Preliminary scope of work

Doporučovací systémy (doporučování objektů uživateli na základě jeho předchozích akcí) získaly v poslední dekádě velkou pozornost jak ve vědecké komunitě, tak i v komerčním prostředí. Základní kolaborativní model doporučování (založený na podobnosti chování uživatelů) byl rozšiřován různými směry, například pomocí content-based profilů uživatelů a objektů, nebo různých variant kontextu uživatele.

Temporální aspekty jsou jednou z variant kontextu – lze do nich zařadit například vývoj nabídky objektů a jejich atributů, krátkodobá či dlouhodobá změna preferencí uživatele, periodicita chování, průchodové sekvence atd.

Práce může být pojata různými způsoby: rozsáhlejší porovnání existujících metod na zajímavých / netradičních datasetech, návrh a srovnání vlastních či upravených doporučovacích metod se stávajícími, zpracování problematiky na konkrétní doméně atd. Mezi výsledky práce by však neměl chybět funkční software a experimenty na reálných datech.

Preliminary scope of work in English

Recommender systems gained serious attention recently both in research and industry. Common collaborative model (based on the similarity of user's behavior) was extended e.g. by employing content-based user and object profiles or different contextual features (e.g. location, weather, mood, temporal features etc.).

Temporal aspects are one variant of context. They may include e.g. changes in market offers or object attributes, short-term and long-term user preferences and its evolution, periodicity of behavior, click-through sequences etc.

There are several possible direction of this thesis, e.g., extensive comparison of existing methods on interesting or novel datasets, comparison of novel or adjusted recommending methods against SOTA, use temporal-based recommendations on a specific domain etc. However the thesis should include software implementation and experiments on real-world datasets.