PředmětyPředměty(verze: 902)
Předmět, akademický rok 2022/2023
   Přihlásit přes CAS
Uživatelské preference - NDBI021
Anglický název: User preferences
Zajišťuje: Katedra softwarového inženýrství (32-KSI)
Fakulta: Matematicko-fyzikální fakulta
Platnost: od 2022
Semestr: letní
E-Kredity: 4
Rozsah, examinace: letní s.:2/1 [hodiny/týden]
Počet míst: neomezen
Minimální obsazenost: neomezen
Virtuální mobilita / počet míst: ne
Stav předmětu: vyučován
Jazyk výuky: čeština, angličtina
Způsob výuky: prezenční
Další informace: https://www.ksi.mff.cuni.cz/~peska/vyuka/ndbi021/
Poznámka: povolen pro zápis po webu
Garant: Mgr. Ladislav Peška, Ph.D.
Třída: Informatika Mgr. - Softwarové systémy
Kategorizace předmětu: Informatika > Databázové systémy, Softwarové inženýrství
Je neslučitelnost pro: NDBX021
Je záměnnost pro: NDBX021
Výsledky anket   Termíny zkoušek   Rozvrh   Nástěnka   
Anotace -
Poslední úprava: RNDr. Filip Zavoral, Ph.D. (27.04.2021)
V předmětu se zaměříme především na hlubší pochopení uživatelských preferencí/potřeb/požadavků. Problematika je závislá např. na frekvenci návštěv a cílové doméně. Zaměříme se např. na problémy proporcionality, změny preferencí, multikriterialitu, nestranného vyhodnocování a dále na algoritmy schopné se v takových podmínkách učit a doporučovat. Dále se zaměříme na širší kontext interpretace preferencí například při vyhledávání (ostré/fuzzy preference, grafická interpretace preferencí). Cvičení se skládají z referátů o současných výsledcích a projektu virtuálního „Lean startup“.
Literatura -
Poslední úprava: Mgr. Ladislav Peška, Ph.D. (01.02.2022)

Abdollahpouri, H., Mansoury, M., Burke, R., Mobasher, B.: The connection between popularity bias, calibration, and fairness in recommendation. RecSys ’20, p. 726–731. ACM (2020).

Bertani, R.M., A. C. Bianchi, R., Costa, A.H.R.: Combining novelty and popularity on personalised recommendations via user profile learning. Expert Systems with Applications 146, 113149 (2020).

Fleder, D., Hosanagar, K.: Blockbuster culture’s next rise or fall: The impact of recommender systems on sales diversity. Manage. Sci. 55(5), 697–712 (2009).

Ge, Y., Zhao, S., Zhou, H., Pei, C., Sun, F., Ou, W., Zhang, Y.: Understanding Echo Chambers in E-Commerce Recommender Systems, p. 2261–2270. ACM (2020).

Garcin, F., Faltings, B., Jurca, R., Joswig, N.: Rating aggregation in collaborative filtering systems. RecSys’09, p. 349–352. ACM (2009).

S Balcar, L Peska: Personalized Implicit Negative Feedback Enhancements for Fuzzy D’Hondt’s Recommendation Aggregations, iiWAS 2020, ACM (2020)

Jannach, D., Ludewig, M., Lerche, L.: Session-based item recommendation in e-commerce: on short-term intents, reminders, trends and discounts. User Modeling and User-Adapted Interaction 27(3), 351–392 (2017).

T. Joachims, A. Swaminathan, and T. Schnabel. Unbiased learning-to-rank with biased feedback. In WSDM’17, pages 781–789. ACM, 2017

Kaminskas, M., Bridge, D.: Diversity, serendipity, novelty, and coverage: A survey and empirical analysis of beyond-accuracy objectives in recommender systems. ACM Trans. Interact. Intell. Syst. 7(1) (2016).

Steck, H.: Calibrated recommendations. RecSys ’18, pp. 154–162. ACM (2018)

Alexandros Karatzoglou, Balázs Hidasi: Deep Learning for Recommender Systems (Tutorial). RecSys 2017: 396-397

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

  • Eric Ries. The Lean Startup: How Today's Entrepreneurs Use Continuous Innovation to Create Radically Successful Businesses. Crown Business 2011

D. Harel, D. Kozen and J. Tiuryn. Dynamic Logic, MIT Press, Cambridge, MA, USA ©2000

Abiteboul S., Hull R., Vianu V.: Foundations of Databases, Addison-Wesley 1995

Klement E.P, Mesiar R., Pap E.: Triangular norms, Springer 2000

Sylabus -
Poslední úprava: Mgr. Ladislav Peška, Ph.D. (20.06.2022)

Od studentů je předpokládána základní znalost doporučovacích systémů (cca v rozsahu předmětu NSWI166).

Uživatelské preference

  • Úvod, motivace, výzvy a příklady uživatelských preferencí
  • Problematika definice / modelování uživatelských preferencí, typy zpětné vazby, lineární monotóní preferenční model
  • Učení uživatelských preferencí, interpretace zpětné vazby, agregace preferencí & fuzzy logické spojky
  • Aplikace uživatelských preferencí, doporučovací systémy, personalizované vyhledávání, challenge-response model

Pokročilé oblasti doporučovacích systémů

  • Problém férovosti/proporcionality v doporučovacích systémech
  • Multikriteriální optimalizace & vyhodnocování v doporučovacích systémech
  • Dynamické doporučovací systémy: multi-armed bandits & reinforcement learning
  • Unbiased evaluation, inverse propensity, feedback loops problém
  • Deep learning pro heterogenní doporučovací systémy

 
Univerzita Karlova | Informační systém UK