Last update: RNDr. Filip Zavoral, Ph.D. (27.04.2021)
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: RNDr. Filip Zavoral, 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.
Course completion requirements -
Last update: Mgr. Ladislav Peška, Ph.D. (24.09.2020)
oral exam (areas covered during lectures)
active participation on lectures and seminars
presentation of selected paper or individual project
participation on lectures/seminars may be substituted by more complex individual project
Last update: Mgr. Ladislav Peška, Ph.D. (24.09.2020)
Distanční výuka: přednášky budou streamované živě přes aplikaci ZOOM, cvičení budou probíhat především jako konzultace zadaných úkolů a prezentace výsledků. Pro další detaily kontaktujte přednášejícího.
ústní zkouška v rozsahu látky probírané na přednáškách
aktivní účast na přednáškách a cvičeních
referát, nebo vypracování individuálního projektu
neúčast na cvičeních/přednáškách je možné po dohodě nahradit vypracováním rozsáhlejšího projektu
Literature -
Last update: Mgr. Ladislav Peška, 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 (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: Mgr. Ladislav Peška, Ph.D. (26.04.2021)
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
Syllabus -
Last update: Mgr. Ladislav Peška, Ph.D. (26.04.2021)
Introduction to Recommender Systems - mission, requirements, methods, data
