IIC3633 Sistemas Recomendadores

Agosto-Diciembre 2023

Equipo Docente e Información Administrativa

Instructor: Andrés Carvallo, Profesor Adjunto PUC Chile, Ph.D. Pontificia Universidad Católica de Chile.

Ayudantes:

• Pablo Messina, pamessina@uc.cl
• Carlos Muñoz, carlos.munoz@uc.cl

Institución: Pontificia Universidad Católica de Chile

Horario: Martes y Jueves, Módulo 3 (11:00 a 12:10).

Programa IIC 3633, 2do Semestre 2023: 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: Suprise y implicit.

La componente práctica de este curso se enseña a través del uso de surprise para algoritmos de recomendación que hacen uso de ratings y la librería implicit para feedback implicito, ambas librerías están hechas en Python.

Contenidos por Semana

Semana	Tema	link slide(s)
1	Introducción	slides
2	Recomendación No Personalizada y Filtrado Colaborativo	slides
3	Slope One	slides
4	Recomendación basada en Factores Latentes P1	slides
5	Recomendación basada en Factores Latentes P2	slides
6	Recomendacion basada en Feedback Implícito	slides
7	Evaluación de Sistemas Recomendadores Parte 1	slides
8	Evaluación de Sistemas Recomendadores Parte 2	slides
9	Recomendación basada en Contenido Parte 1	slides
10	Recomendación basada en Contenido Parte 2	slides
11	Recomendación basada en Contenido Parte 3	slides
12	Recomendación basada Contexto	slides
13	Ensambles Parte 1	slides
14	Ensambles Parte 2	slides
15	Deep Learning en Recomendación	slides
16	Recomendación Multimodal	slides
17	Sistemas Recomendadores Secuenciales y Grupales	slides
18	Explicabilidad en Sistemas Recomendadores	slides
19	Aprendizaje Reforzado en Sistemas Recomendadores	slides
20	Trabajo Futuro en Sistemas Recomendadores	slides
Extra	Ideas de Proyectos	slides

Parte II del curso: seminario

A partir de noviembre el curso toma modalidad seminario, l@s alumn@s presentaron los siguientes papers:

Orden	Titulo	Integrantes	Link
1	Text Is All You Need: Learning Language Representations for Sequential Recommendation	Andy Casañas, Joaquín Dunner, José Valladares, Martín Peñaloza	link
2	Alleviating the Long-Tail Problem in Conversational Recommender Systems	Felipe Ignacio Aravena Carril, Maureen Cooper Ríos, Diana Patricia Gil Silvestre, Ignacio Alejandro Quera Leddy	link
3	Meta Graph Learning for Long-Tail Recommendation	Luis Arias, Benjamín Lillo, Darwin Sanhueza	link
4	Knowledge Graph Contrastive Learning for Recommendation	Sara Godoy Franco, Martín Felipe Ocqueteau Canales, Rodrigo José Martín Ogalde Lisboa, Álvaro Ignacio Postigo Villarroel	link
5	Denoising Self-Attentive Sequential Recommendation	Anna Ramon Hinojosa, Lucía De Pineda Alabart	link
6	Effective and Efficient Training for Sequential Recommendation using Recency Sampling	Gabriel Astudillo Laroze, Miguel Fernadez Pizarro, Javier Ramos Di Consoli, Ariel Reyes Pardo	link
7	InTune: Reinforcement Learning-based Data Pipeline Optimization for Deep Recommendation Models	Vicente Ipinza, Marta Mariz, José Vergara, Víctor Hernández Lagos	link
8	Identifying New Podcasts with High General Appeal Using a Pure Exploration Infinitely-Armed Bandit Strategy	Camila Denecken, Sofia Escobedo, Rafaela Kara, Ignacio Diaz	link
9	A Lightweight Method for Modeling Confidence in Recommendations with Learned Beta Distributions	Oscar Loch, Luis Miranda, Rodrigo Pozo, Cristobal Vasquez	link
10	Can ChatGPT Make Fair Recommendation? A Fairness Evaluation Benchmark for Recommendation with Large Language Model	Lucas Valenzuela, Rodrigo Fuentes, José Domingo Silva	link
11	Zero-Shot Next-Item Recommendation using Large Pretrained Language Models	Begoña Pendas, Fabian Riveros, Jairo Navarro	link
12	Chat-REC: Towards Interactive and Explainable LLMs-Augmented Recommender System	Tomás Fouyet, Sebastián Pérez, Tomàs Vergara	link
13	Countering Popularity Bias by Regularizing Score Differences	Enzo Morata, Fabrizio Garcia, Jose Caraball	link
14	Don’t recommend the obvious: estimate probability ratios	Gabriel Aguirre, Pablo Bahamodes, Ignacio Medel	link
15	Widespread Flaws in Offline Evaluation of Recommender Systems	Diego Jimenez, Nicolas Guzman, Alonso Zamorano, Valentina Nuñez	link

Parte III del curso: Proyectos finales

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

Título Paper	Integrantes	Grupo	Link
Comparative analysis of text embedding-based recommendations	Andy Casañas, Joaquín Dunner, José Valladares, Martín Peñaloza	1	link
Prueba de diferentes métodos en el Spotify Million Playlist Dataset Challenge	Nicolás Guzmán, Diego Jiménez, Valentina Núñez, Alonso Zamorano	2	link
Sistemas de Recomendación de Libros Personalizados	Gabriel Aguirre, Pablo Bahamondes, Ignacio Medel	3	link
CLIP para recomendación multimodal	Luis Arias, Benjamín Lillo, Darwin Sanhueza	4	link
A recommendation system approach for World of Warcraft Classic Hardcore in-game information distribution	Enzo Morata, Fabrizio Garcia, Jose Carball	5	link
LLMs as recommender systems: An alternative for tackling the cold-start problem	Felipe Aravena, Martín Ocqueteau	6	link
Recomendacion de juegos de mesa	Camila Belen Denecken, Ignacio Andres Diaz Pozo, Sofia Irina Escobedo, Rafaela Kara Carmo	7	link
Recomendacion de Textos Constitucionales: Un Enfoque Integrado de Similaridad Jurídica en el Contexto de Procesos Constitucionales en Chile	Lucas Valenzuela, Jose Domingo Silva, Rodrigo Esteban Fuentes	8	link
Implementación de modelo multimodal para recomendar negocios de comida	Gabriel Astudillo, Miguel Angel Fernandez, Javier Ramos, Ariel Reyes Pardo	9	link
Sistema de recomendacion multimodal de juegos de mesa	Sara Godoy, Alvaro Postigo	10	link
Data augmentation for recommender systems using LLMs	Rodrigo Pozo, Oscar Loch, Luis Miranda, Cristobal Vasquez	11	link
LLMs como evaluacion de sistemas recomendadores en serendipia	Tomas Emanuel Fouyet, Tomas Vergara Browne, Sebastian Alberto Perez	12	link
Content based recommendation using sentiment analysis of vacation accomodation	Rodrigo Ogalde, Ignacio Quera	13	link
Hotel Recommendations Based on Pre-Trained Language Models: Evaluation of Effectiveness and Comparison with Traditional Methods	Begoña Pendas, Jairo Navarro, Fabian Ignacio Riveros	14	link
A Multi-Modal Approach to Movie Recommendation: Text and Image Synergy	Maureen Cooper, Lucia De Pineda, Anna Ramon	15	link
Using embeddings for solving cold-start problem	Vicente Ipinza, José Vergara, Marta Mariz, Victor Hernández	17	link

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

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 surpirse 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.

Enunciado de la Tarea

Lecturas: Blog y Presentación

Fecha de revisión de comentarios de lecturas: El post de la semana x, tiene fecha de entrega el jueves a las 10:00 de la semana x+1. Cada alumno debe crear una cuenta en el sitio Perusall con su correo uc.

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.

Lecturas por Semana

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

Cada alumno debe crear una cuenta en el sitio Perusall con su correo uc.

Semana 1 y 2 (entrega el 21 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 3 (entrega el 28 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 4 (entrega el 4 de Septiembre):

Obligatorias

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

Sugeridas

• Eva Zangerle and Christine Bauer. 2022. Evaluating Recommender Systems: Survey and Framework. ACM Comput. Surv. Just Accepted (July 2022). https://doi.org/10.1145/3556536
• Krichene, W., & Rendle, S. (2022). On sampled metrics for item recommendation. Communications of the ACM, 65(7), 75-83. https://dl.acm.org/doi/pdf/10.1145/3535335
• 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 5 (entrega el 11 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 6 (entrega el 25 de Septiembre):

Obligatorias

• Adomavicius, G., Mobasher, B., Ricci, F. and Tuzhilin, A. (2011). Context-Aware Recommender Systems. AI Magazine, 32(3), 67-80.

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.

Semanas 7 y 8 (entrega el 2 de Octubre):

Obligatorias

• 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).

Sugeridas

• 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).
• He, R., & McAuley, J. (2016). VBPR: visual bayesian personalized ranking from implicit feedback. In Proceedings of the AAAI conference on artificial intelligence (Vol. 30, No. 1).

Semana 9 (entrega el 16 de Octubre):

Obligatorias

• Fu, Z., Xian, Y., Gao, R., Zhao, J., Huang, Q., Ge, Y. & de Melo, G. (2020, July). Fairness-aware explainable recommendation over knowledge graphs. In Proceedings of the 43rd International ACM SIGIR Conference on Research and Development in Information Retrieval (pp. 69-78).