Subjects

Due to the extreme information overload on the web, we need models that can process information in a personalized way. One class of such models are Recommender Systems (RS). The core of RS are machine learning algorithms focusing on user feedback. RS aim to predict users’ future preferences and provide them with surprising, yet relevant objects. This course covers common working principles of recommender systems, its learning methods, data types, requirements and evaluation as well as some aspects of the practical deployment.

Last update: Zavoral Filip, RNDr., Ph.D. (27.04.2021)

Při současné záplavě dat na webu je třeba mít modely, které informace uspořádávají dle relevance pro jednotlivé uživatele. Jednou z hlavních kategorií těchto modelů jsou doporučovací systémy (DS). Základem DS jsou algoritmy strojového učení, které na základě minulého chování uživatele odhadují jeho budoucí preference a doporučují potenciálně relevantní, ale jinak složitě nalezitelné objekty. Předmět má za cíl poskytnout základní přehled o use-cases, modelech, algoritmech, typech dat, požadavcích a vyhodnocování experimentů a následně podrobněji rozvinout některé aspekty praktického vývoje DS.

Last update: Zavoral Filip, RNDr., Ph.D. (27.04.2021)

Exam procedure:

Oral exam covering the content discussed in lectures

Requirements for credit:

Active participation in labs and/or completion of assigned tasks at home

Active reading (reports from assigned articles)

Completion of an individual project

Alternatively, it is possible to arrange in advance and, instead of the mentioned credit requirements, complete a more extensive individual research project.

Last update: Peška Ladislav, Mgr., Ph.D. (11.03.2024)

Průběh zkoušky:

ústní zkouška v rozsahu látky probírané na přednáškách

Požadavky na zápočet:

aktivní účast na cvičeních nebo samostatné vypracování zadaných úkolů

active reading (zpracování reportů ze zadaných článků)

vypracování individuálního projektu

Alternativně je možné se dopředu domluvit a místo zmíněných požadavků na zápočet vypracovat rozsáhlejší samostatný projekt.

Last update: Peška Ladislav, Mgr., Ph.D. (11.03.2024)

Ricci, F. et al (Eds): Recommender Systems Handbook, Springer, 2011

Jannach, D. et al (Eds): Recommender Systems: An Introduction, Cambridge University Press, 2011

Agarwal, D., & Chen, B. (2016). Statistical Methods for Recommender Systems. Cambridge University Press.

Proceedings of the Xth ACM Conference on Recommender Systems (2020 - 2007)

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.

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.

Nguyen, J. & Zhu, M. Content-boosted matrix factorization techniques for recommender systems. Statistical Analysis and Data Mining, Wiley Subscription Services, Inc., A Wiley Company, 2013, 6, 286-301

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

Last update: Peška Ladislav, Mgr., Ph.D. (24.09.2020)

Ricci, F. et al (Eds): Recommender Systems Handbook, Springer, 2011

Jannach, D. et al (Eds): Recommender Systems: An Introduction, Cambridge University Press, 2011

Agarwal, D., & Chen, B. (2016). Statistical Methods for Recommender Systems. Cambridge University Press.

Proceedings of the Xth ACM Conference on Recommender Systems (RecSys, https://recsys.acm.org/)

Proceedings of the Xth Conference on User Modeling, Adaptation and Personalization (UMAP, https://www.um.org/)

Fagin, Lotem, Naor. Optimal aggregation algorithms for middleware, J. Computer and System Sciences 66 (2003), pp. 614-656

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.

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.

Nguyen, J. & Zhu, M. Content-boosted matrix factorization techniques for recommender systems. Statistical Analysis and Data Mining, Wiley Subscription Services, Inc., A Wiley Company, 2013, 6, 286-301

Last update: Peška Ladislav, Mgr., Ph.D. (26.04.2021)

Introduction to Recommender Systems - mission, requirements, methods, data

User Feedback

Collaborative filtering, KNN, matrix factorization methods

Content-based filtering

representation of ordering, Fagin-Lotem-Naor (FLN) model

graphical form of FLN, Challenge-response framework

Hybrid and context-aware recommender systems

Evaluation of recommender systems, real-world applications

Last update: Peška Ladislav, Mgr., Ph.D. (26.04.2021)

• Úvod do doporučovacích systémů - cíle, požadavky, metody, data

• Uživatelská zpětná vazba

• Metody kolaborativního filtrování, KNN, faktorizace matic

• Metody content-based filtrování

• Representace uspořádaní, Fagin-Lotem-Naor (FLN) model

• Grafická forma representace FLN uspořádaní, Challenge-response framework

• Hybridní a context-aware doporučovací systémy

• Vyhodnocování doporučení, reálné aplikace

Last update: Peška Ladislav, Mgr., Ph.D. (26.04.2021)