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.
Poslední úprava: Zavoral Filip, RNDr., 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.
Poslední úprava: Zavoral Filip, RNDr., Ph.D. (27.04.2021)
Podmínky zakončení předmětu -
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.
Poslední úprava: Peška Ladislav, Mgr., Ph.D. (11.03.2024)
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.
Poslední úprava: Peška Ladislav, Mgr., Ph.D. (11.03.2024)
Literatura -
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
Poslední úprava: Peška Ladislav, Mgr., 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 (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
Poslední úprava: Peška Ladislav, Mgr., Ph.D. (24.09.2020)
Sylabus -
• 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
Poslední úprava: Peška Ladislav, Mgr., Ph.D. (26.04.2021)
Introduction to Recommender Systems - mission, requirements, methods, data
