Uživatelské preference a pokročilé metody doporučování - NDBI021

• Anglický název: User preferences and advanced recommending methods
• Zajišťuje: Katedra softwarového inženýrství (32-KSI)
• Fakulta: Matematicko-fyzikální fakulta
• Platnost: od 2024
• Semestr: zimní
• E-Kredity: 4
• Rozsah, examinace: zimní s.:2/1, Z+Zk [HT]
• Počet míst: neomezen
• Minimální obsazenost: neomezen
• 4EU+: ne
• Virtuální mobilita / počet míst pro virtuální mobilitu: 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.
• Vyučující: 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

Anotace

čeština

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“.

Poslední úprava: Zavoral Filip, RNDr., Ph.D. (27.04.2021)

angličtina

This course focus on deeper understanding of user preferences/needs/requirements. The problem depends both on the user seniority, visits frequency or the particular domain in question. We will focus e.g. on proportionality, preference drift, multicriteriality, unbiased evaluation and on algorithms capable to learn and recommend from such data. We will also focus on a wider context of preference interpretation, e.g. during search (strict/fuzzy preference, graphical interpretation). Labs will mainly focus on refering about recent papers and a virtual "Lean startup" project.

Poslední úprava: Zavoral Filip, RNDr., Ph.D. (27.04.2021)

Literatura

čeština

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

Poslední úprava: Peška Ladislav, Mgr., Ph.D. (01.02.2022)

Sylabus

čeština

Základní metody doporučování

• Non-personalized, content-based, collaborative, hybrid doporučovací systémy + příklady algoritmických řešení

• Specifika evaluace doporučovacích systémů

• Otevřené problémy

Uživatelské preference

• Úvod, motivace, aplikace uživatelských preferencí v doporučovacích systémech a personalizovaném vyhledávání

• Definice a modelování uživatelských preferencí, typy zpětné vazby, lineární monotóní preferenční model

• Učení uživatelských preferencí, interpretace zpětné vazby, agregace preferencí & fuzzy logické spojky

• Explanations, vizualizace preferencí, uživatelská kontrola

Pokročilé oblasti doporučovacích systémů

• Problematika férovosti a biases v doporučovacích systémech; propensity score & zpětnovazebné smyčky (feedback loops)

• Multikriteriální optimalizace & vyhodnocování v doporučovacích systémech, skupinové doporučovací systémy

• Dynamické doporučovací systémy: multi-armed bandits & reinforcement learning

Specifika různých aplikačních domén

• News recommender systems

• Recommending music

• Peer recommenders (social networks), job recommenders

• Recommending fashion

Poslední úprava: Peška Ladislav, Mgr., Ph.D. (04.01.2026)

angličtina

Basic methods of personalized recommendation

• Non-personalized, content-based, collaborative, hybrid recommender systems + examples of algorithmic solutions

• Specifics of recommender systems' evaluation

• Open problems

User preferences

• Introduction, motivation, applications of user preferences in recommender systems and personalized search

• Defining and modeling user preferences, types of user feedback, Linear Monotone Preference Model

• Learning user preferences, feedback interpretation, aggregating preferences & fuzzy logic

• Explanations, preference visualizations, and user control

Advanced topics on recommender systems

• Fairness and biases in recommender systems; propensity score & feedback loops

• Multicriterial optimization & evaluation in recommender systems, group recommender systems

• Dynamic recommender systems: multi-armed bandits & reinforcement learning

Specifics of different application domains

• News recommender systems

• Recommending music

• Peer recommenders (social networks), job recommenders

• Recommending fashion

Poslední úprava: Peška Ladislav, Mgr., Ph.D. (04.01.2026)