IIC3633 Sistemas Recomendadores

Agosto-Diciembre 2021

AVISOS El Jueves 26 de Septiembre hay clase en sala A7, es hibrida así es que pueden asistir presencialmente o de forma remota por el link zoom de siempre.

Equipo Docente e Información Administrativa

Instructor: Denis Parra, Profesor Asociado PUC Chile, Ph.D. University of Pittsburgh

Ayudantes:
Vladimir Araujo, Estudiante de Doctorado en Ciencia de la Computación PUC Chile.
Andrés Carvallo, Estudiante de Doctorado en Ciencia de la Computación PUC Chile.
Francisca Cattan, Estudiante de Doctorado en Ciencia de la Computación PUC Chile.
Alvaro Labarca, Estudiante de Magister, en Ciencia de la Computación PUC Chile.
Jorge Pérez Facuse, Estudiante de Magister, en Ciencia de la Computación PUC Chile.

Institución: Pontificia Universidad Católica de Chile

Horario: Martes y Jueves, Módulo 3 (11:30 a 12:50).

Programa IIC 3633, 2do Semestre 2021: pdf.

Descripción del Curso

El curso de Sistemas Recomendadores cubre las principales tareas de recomendación, algoritmos, fuentes de datos y evaluación de estos sistemas. Al final de este curso serás capaz de decidir qué técnicas y fuentes de datos usar para implementar y evaluar sistemas recomendadores.

Software: pyRecLab.

La componente práctica de este curso se enseña a través del uso de pyRecLab desarrollado por Gabriel Sepúlveda (ex-alumno de este curso), biblioteca de software para desarrollo de sistemas recomendadores en Python.

Contenido:

Contenidos por Semana

Semana	Tema	link slide(s)	link video	comentario(s)
1	Introducción	x	video
1	Ranking no personalizado y Filtrado colaborativo (FC)	slides	video
1	User-based FC con clustering	slides	video
2	Pendiente Uno	slides	video
2	Item-based FC	slides	video
2	Factorización Matricial: FunkSVD	slides	video
3	Implicit Feedback CF	slides	video
3	Bayesian Personalized Ranking (BPR)	slides	video
4	Evaluación: metricas de error y ranking	slides	video	slides P Castells LARS 2019
4	Evaluación II: Cobertura, diversidad, novedad	slides	video
4	Evaluación III: Tests estadísticos	slides	video
5	Recomendación basada en contenido 1	slides	video
5	Recomendación basada en contenido 2	slides	video
6	Recomendación híbrida	slides	video
6	Recomendación por ensambles	slides	video
6	Recomendación basada en contexto	slides	video1 video2
6	Máquinas de Factorización	slides	video
7	Deep Learning I: Intro	slides	video
7	Deep Learning II: Tres proyectos	slides	video
8	SR Centrados en el Usuario	slides	video
8	Sistemas Justos, Explicables y Transparentes	slides	video
9	Aprendizaje Activo (Active Learning)	slides	video
9	Bandits	slides	video
--	Semana Break	Break	Break

Parte II del curso: seminario

A partir de noviembre el curso toma modalidad seminario, los alumnos hacen presentaciones de los siguientes papers:

Semana	Paper	link slide(s)	link video	conferencia
10	Towards Question-based Recommender Systems	slides	video	SIGIR 2020
10	AutoDebias: Learning to Debias for Recommendation	slides	video	SIGIR 2021
10	An Audit of Misinformation Filter Bubbles on YouTube: Bubble Bursting and Recent Behavior Changes	slides	video	RECSYS 2021
10	Counterfactual Explainable Recommendation	slides	video	CIKM 2021
11	A Neural Influence Diffusion Model for Social Recommendation	slides	video	SIGIR 2019
11	An Efficient Adaptive Transfer Neural Network for Social-aware Recommendation	slides	video	SIGIR 2019
11	Sequential Recommendation for Cold-start Users with Meta Transitional Learning	slides	video	SIGIR 2021
11	“Serving Each User”: Supporting Different Eating Goals Through a Multi-List Recommender Interface	slides	video	RECSYS 2021
11	Learning disentangled representations for recommendation	slides	video	Neurips 2019
12	Cold Start Similar Artists Ranking with Gravity-Inspired Graph Autoencoders	slides	video	RECSYS 2021
12	A Study of Defensive Methods to Protect Visual Recommendation Against Adversarial Manipulation of Images	slides	video	SIGIR 21
12	Reward Constrained Interactive Recommendation with Natural Language Feedback	slides	video	Neurips 2019
12	Neural Attentional Rating Regression with Review-level Explanations	slides	video	WWW'18
12	Justifying Recommendations using Distantly-Labeled Reviews and Fine-Grained Aspects	slides	video	EMNLP-IJCNLP '19
12	Neural Personalized Ranking for Image Recommendation	slides	video	WSDM '18
13	Progressive Layered Extraction (PLE): A Novel Multi-Task Learning (MTL) Model for Personalized Recommendations	slides	video	RecSys'20
13	Alleviating Cold-Start Problems in Recommendation through Pseudo-Labelling over Knowledge Graph	slides	video	WSDM 2021
13	Towards Deep Conversational Recommenders	slides	video	Neurips'18
13	Graph Convolutional Network for Recommendation with Low-pass Collaborative Filters	slides	video	ICML'20
13	On Sampled Metrics for Item Recommendation	slides	video	KDD'20
13	Pessimistic Reward Models for Off-Policy Learning in Recommendation	slides	video	RECSYS 2021

Proyectos finales

L@s estudiantes trabajan en grupo sobre proyectos finales de curso, produciendo un poster, paper y repositorio con código para cada uno:

Grupo	Proyecto	Poster	Paper
1	VAE based model for single-target cross-domain recommendation De Diego, Hernández, Schuit	poster	paper
2	Spotify Playlist Continuation Carstens, López, Mendoza	poster	paper
3	Hybrid recommender of articles based on Topic Modeling and Collaborative Filtering Flores	poster	paper
4	Efficiency of Shilling Attacks in Modern Recommenders Brancoli, Gazali, Murtagh	poster	paper
5	Métricas de Sesgo de Posición para Recomendaciones de Artículos Científicos Brancoli, Gazali, Murtagh	poster	paper
6	RoyaleNet: Deck Recommendation for Card-Based Competitive Online Videogames Farías, Lepe, Romero	poster	paper
7	Evaluation of Web-Scale Transfer Learning on Art Image Recommendations Tirreau	poster	paper
8	Apertron: un recomendador de aperturas de ajedrez basado en estilo de juego Klemmer	poster	paper
9	Recomendación Multimodal Adversaria Ramirez, Mallea	poster	paper
10	Evaluacion de diversas estrategias de recomendación grupal para grupos heterogéneos Cuturrufo, Berríos	poster	paper
11	Personalized News Recommendation and Bandits Alvarado	poster	paper
12	Group Recommender Systems for Board Games Muñoz, Piña, Vega	poster	paper
13	Subtitles Content Based Movie Recommendation System Tramon, Yon, Jimenez	poster	paper
14	Context-Aware Course Grade Prediction Using Tensor and Coupled Matrix Factorization Carrasco, García, Velásquez	poster	paper
15	EEG Signal Processing for Recommender Systems Iruretagoyena, Mendeta, Sumonte	poster	paper
16	Recomendación de Videojuegos en Steam Basada en Imágenes Guzman, Hernandez, Molina	poster	paper
17	Bias analysis in recommendations from content creators point of view on Twitter Álvarez, Tapia, Trejo	poster	paper
18	Optimización de subsets para generar datos de entrenamientos y de pruebas para el desarrollo de sistemas recomendadores Magna, Fuenzalida, Gonzales	poster	paper
19	Recomendación Personalizada de Rutinas Deportivas Prieto, Sepúlveda, Olea	poster	paper
20	Recomendación basada en contenido a partir de imágenes de artículos de Home & Kitchen Guzmán	poster	paper
21	Recomendadores de Noticias: MIND Dlugoszewski, Sfeir, Burgos	poster	paper
22	Recomendar composiciones de imagenes de manera personalizada. Ramirez	poster	paper

Planificación y Evaluaciones

MES 1 En las primeras semanas nos enfocaremos en métodos básicos para hacer recomendación usando y prediciendo ratings (filtrado colaborativo User-based & item-based, slope-one). Luego veremos métodos de factorización matricial para ratings y para feedback implícito. En la 3ra semana veremos formas adicionales de evaluar más alla de la métricas de error de predicción de rating (MAE, MSE, RMSE) e incorporaremos métricas para evaluar listas de ítems (precision, recall, MAP, P@n, nDCG). Veremos métodos basados en contenido y sistemas híbridos.

MES 2 Métodos basados en contexto, máquinas de factorización y modelos fundamentales de deep learning para recomendación. Recapitulación de las tareas de recomendacion (predecir rating, predecir una lista de items, recomendar una secuencia, recomendación TopN) y de su evaluacion considerando diversidad, novedad, coverage, y otras métricas.

MES 3 User-centric RecSys, FAT (Fairness, Accountability and Transparency), Aplicaciones de Deep learning para problemas más específicos: recomendación de ropa, multimedia, etc. Modelos profundos generativos para recomendación. Revisaremos problemas de recomendación aún no resueltos en el área.

MES 4 Principalmente presentaciones de alumnos.

Código de Honor

Este curso adscribe el Código de Honor establecido por la Escuela de Ingeniería el que es vinculante. Todo trabajo evaluado en este curso debe ser propio. En caso de que exista colaboración permitida con otros estudiantes, el trabajo deberá referenciar y atribuir correctamente dicha contribución a quien corresponda. Como estudiante es su deber conocer la versión en línea del Código de Honor

Evaluaciones

Detalles de las evaluaciones en esta presentacion.

Tarea 1

Al final de las primeras 4 semanas, las(los) estudiantes implementarán mecanismos de recomendación para predecir ratings y para rankear items en un dataset que se entregará durante clases. Usarán la biblioteca pyreclab para los métodos básicos, pero si quieren optar a la nota máxima debe hacer un sistema híbrido o contextual que utilice información de contenido, como texto o imágenes. Para tener una idea de qué se trata la tarea, pueden revisar el enunciado de la tarea

Lecturas: Blog y Presentación

Fecha de revisión de blogs: El post de la semana x, tiene fecha de entrega el lunes a las 20:00 de la semana x+1. Ejemplo: Las lecturas de la semana 1 (clases el 17 y 19 de agosto) se entregan a más tardar el lunes 23 de agosto de 2021 a las 20:00.

Cada alumno tendrá un repositorio en github (debe indicarlo en este formulario) donde escribirá en markdown sus comentarios respecto de los papers indicados como obligatorios. No es necesario hacer un resumen largo del paper, sino indicar un resumen corto, puntos que pueden abrir discusión, mejoras o controversias: Evaluación inadecuada, parámetros importantes no considerados, potenciales mejoras de los algoritmos, fuentes de datos que podían mejorar los resultados, etc.

Adicionalmente, cada alumno presentará al menos una vez durante el semestre un paper sobre un tópico, con el objetivo de abrir una discusión sobre el tema durante la clase.

Proyecto Final

Durante septiembre, las(los) estudiantes enviarán una idea de proyecto final, la cual desarrollarán durante octubre y noviembre. Enviarán un informe de avance a fines de octubre, para hacer una presentación de su proyecto al final del curso en una sesión de posters.

Planificación general (sujeta a actualización)

(actualizada el 17 de agosto de 2021)

Lecturas por Semana

Para descargar los archivos se sugiere buscarlos en Scholar o a través de EZProxy

Semana 1 (entrega el 23 de agosto):

Obligatorias

• Schafer, J. B., Frankowski, D., Herlocker, J., & Sen, S. (2007). Collaborative filtering recommender systems. In The adaptive web (pp. 291-324). Springer Berlin Heidelberg. pdf

Sugeridas

• Sarwar, B., Karypis, G., Konstan, J., & Riedl, J. (2001). Item-based collaborative filtering recommendation algorithms. In Proceedings of the 10th international conference on World Wide Web (pp. 285-295).
• Post original FunkSVD
• Lemire, D., & Maclachlan, A. (2005). Slope One Predictors for Online Rating-Based Collaborative Filtering. In SDM (Vol. 5, pp. 1-5).
• Kluver, D., Ekstrand, M. D., & Konstan, J. A. (2018). Rating-based collaborative filtering: algorithms and evaluation. Social Information Access, 344-390.

Semana 2 (entrega el 30 de agosto):

Obligatorias

• Koren, Y., Bell, R., & Volinsky, C. (2009). Matrix factorization techniques for recommender systems. Computer, 42(8), 30-37. pdf

Sugeridas

• Hu, Y., Koren, Y., & Volinsky, C. (2008). Collaborative filtering for implicit feedback datasets. In Data Mining, 2008. ICDM’08. Eighth IEEE International Conference on (pp. 263-272). IEEE.
• Takács, G., Pilászy, I., Németh, B., & Tikk, D. (2009). Scalable collaborative filtering approaches for large recommender systems. Journal of machine learning research, 10(Mar), 623-656.
• Rendle, S., Freudenthaler, C., Gantner, Z., & Schmidt-Thieme, L. (2009). BPR: Bayesian personalized ranking from implicit feedback. In Proceedings of the Twenty-Fifth Conference on Uncertainty in Artificial Intelligence (pp. 452-461). AUAI Press.
• Pan, R., Zhou, Y., Cao, B., Liu, N. N., Lukose, R., Scholz, M., & Yang, Q. (2008). One-class collaborative filtering. In 2008 Eighth IEEE International Conference on Data Mining (pp. 502-511). IEEE. En este artículo aparecen la derivación y reglas de actualización de los parámetros así como las nociones de AMAN y AMAU.
• Jannach, D., Lerche, L., & Zanker, M. (2018). Recommending based on implicit feedback. In Social Information Access (pp. 510-569). Springer, Cham.
• Srebro, N., & Jaakkola, T. (2003). Weighted low-rank approximations. In Proceedings of the 20th International Conference on Machine Learning (ICML-03) (pp. 720-727). Artículo citado por Pan et al. (2008) indicando detalles de la versión no regularizada que inspira OCCF.
• El siguiente paper es opcional, pero permite entender cómo se deriva e del paper de Hu et al.: Takács, G., Pilászy, I., & Tikk, D. (2011). Applications of the conjugate gradient method for implicit feedback collaborative filtering. In Proceedings of the fifth ACM conference on Recommender systems (pp. 297-300). ACM.
• Verstrepen, K., Bhaduriy, K., Cule, B., & Goethals, B. (2017). Collaborative filtering for binary, positiveonly data. ACM Sigkdd Explorations Newsletter, 19(1), 1-21.

Semana 3 (entrega el 6 de septiembre):

Obligatorias

• Guy, S., & Gunawardana, A.. (2011) “Evaluating recommendation systems.” In Recommender systems handbook, pp. 257-297. Springer US, 2011. pdf

Sugeridas

• Herlocker, J. L., Konstan, J. A., Terveen, L. G., & Riedl, J. T. (2004). Evaluating collaborative filtering recommender systems. ACM Transactions on Information Systems (TOIS), 22(1), 5-53.
• Cremonesi, P., Koren, Y., & Turrin, R. (2010). Performance of recommender algorithms on top-n recommendation tasks. In Proceedings of the fourth ACM conference on Recommender systems (pp. 39-46). ACM.

Semana 4 (entrega el 13 de septiembre):

Obligatorias

• Pazzani, M. J., & Billsus, D. (2007). Content-based recommendation systems. In The adaptive web (pp. 325-341). Springer Berlin Heidelberg. Xu, W., Liu, X., & Gong, Y. (2003).pdf

Sugeridas

• Document clustering based on non-negative matrix factorization. In Proceedings of the 26th annual international ACM SIGIR conference on Research and development in informaion retrieval (pp. 267-273). ACM.
• Messina, P., Dominguez, V., Parra, D., Trattner, C., & Soto, A. (2019). Content-based artwork recommendation: integrating painting metadata with neural and manually-engineered visual features. User Modeling and User-Adapted Interaction, 29(2), 251-290.
• Celma, Ò., & Herrera, P. (2008). A new approach to evaluating novel recommendations. In Proceedings of the 2008 ACM conference on Recommender systems (pp. 179-186).
• Van den Oord, A., Dieleman, S., & Schrauwen, B. (2013). Deep content-based music recommendation. In Advances in neural information processing systems (pp. 2643-2651).

Semana 5 (entrega el 20 de septiembre):

Obligatorias (esta semana se puede elegir una de las dos para entregar)*

• Adomavicius, G., Mobasher, B., Ricci, F. and Tuzhilin, A. (2011). Context-Aware Recommender Systems. AI Magazine, 32(3), 67-80.
• Jahrer, M., Töscher, A. and Legenstein, R. (2010). Combining predictions for accurate recommender systems. In Proceedings of the 16th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 693-702. ACM.

Sugeridas

• Pigi K., Shobeir F., James F., Magdalini E. and Lise G. (2015). HyPER: A Flexible and Extensible Probabilistic Framework for Hybrid Recommender Systems. In Proceedings of the 9th ACM Conference on Recommender Systems (RecSys '15), 99–106. ACM.
• Rendle, S. (2010). Factorization machines. In 2010 IEEE International Conference on Data Mining (pp. 995-1000). IEEE.

*No olvidar declarar en la crítica el título elegido.

Semanas 6 (entrega el 27 de septiembre):

Obligatorias

• Hasta la sección 3.4 (incluyendo 3.4): Zhang, S., Yao, L., Sun, A., & Tay, Y. (2019). Deep learning based recommender system: A survey and new perspectives. ACM Computing Surveys (CSUR), 52(1), 1-38.

Sugeridas

• Covington, P., Adams, J., & Sargin, E. (2016). Deep neural networks for youtube recommendations. In Proceedings of the 10th ACM conference on recommender systems (pp. 191-198).
• Bansal, T., Belanger, D., & McCallum, A. (2016). Ask the gru: Multi-task learning for deep text recommendations. In Proceedings of the 10th ACM Conference on Recommender Systems (pp. 107-114).

Semana 7 (entrega el 4 de octubre):

Obligatorias

• He, C., Parra, D., & Verbert, K. (2016). Interactive recommender systems: A survey of the state of the art and future research challenges and opportunities. Expert Systems with Applications, 56, 9-27.

Sugeridas

• Bostandjiev, S., O'Donovan, J., & Höllerer, T. (2012). TasteWeights: a visual interactive hybrid recommender system. In Proceedings of the sixth ACM conference on Recommender systems (pp. 35-42).
• Knijnenburg, B., Bostandjiev, S., O'Donovan, J., and Kobsa, A. (2012). Inspectability and control in social recommenders. RecSys'12 - Proceedings of the 6th ACM Conference on Recommender Systems.
• Pu, P., Chen, L. and Hu, R. (2011). A user-centric evaluation framework for recommender systems. RecSys'11 - Proceedings of the 5th ACM Conference on Recommender Systems. 157-164.
• Parra, D., Brusilovsky, P., and Trattner, C. (2014). See What You Want to See: Visual User-Driven Approach for Hybrid Recommendation. International Conference on Intelligent User Interfaces, Proceedings IUI.
• Andjelkovic, I., Parra, D., & O’Donovan, J. (2019). Moodplay: Interactive music recommendation based on Artists’ mood similarity. International Journal of Human-Computer Studies, 121, 142-159.