PředmětyPředměty(verze: 895)
Předmět, akademický rok 2021/2022
  
Úvod do doporučovacích systémů a uživatelských preferencí - NSWI166
Anglický název: Introduction to recommender systems and user preferences
Zajišťuje: Katedra softwarového inženýrství (32-KSI)
Fakulta: Matematicko-fyzikální fakulta
Platnost: od 2021
Semestr: zimní
E-Kredity: 4
Rozsah, examinace: zimní s.:2/1 Z+Zk [hodiny/týden]
Počet míst: neomezen
Minimální obsazenost: neomezen
Virtuální mobilita / počet míst: ne
Stav předmětu: vyučován
Jazyk výuky: čeština
Způsob výuky: prezenční
Garant: Mgr. Ladislav Peška, Ph.D.
Třída: Informatika Bc.
Informatika Mgr. - volitelný
Kategorizace předmětu: Informatika > Informatika, Aplikační software, Počítačová grafika a geometrie, Databázové systémy, Didaktika informatiky, Diskrétní matematika, Předměty širšího základu, Předměty obecného základu, Počítačová a formální lingvistika, Optimalizace, Programování, Softwarové inženýrství, Teoretická informatika
Neslučitelnost : NDBI037
Záměnnost : NDBI037
Je záměnnost pro: NDBI037
Anotace -
Poslední úprava: 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.
Podmínky zakončení předmětu -
Poslední úprava: 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
Literatura -
Poslední úprava: 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

Sylabus -
Poslední úprava: Mgr. Ladislav Peška, 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

 
Univerzita Karlova | Informační systém UK