Просмотр кода страницы Рекомендательные системы и поиск закономерностей в данных

===Темы===

*  Введение в рекомендательные системы (РС). Обзор курса.
* Коллаборативная фильтрация на основе сходства по пользователям и предметам (user-based  и item-based подходы). 
* Case-study 1. Оценка качества РС на основе бимодальной кроссвалидации.
* Частые множества и ассоциативные правила. Элементы Анализа формальных понятий. Импликации. Основные алгоритмы  (Apriori, FP-growth). Меры интересности (support, confidence, lift, stability). Компактное представление частых множеств и ассоциатвных правил (замкнутые множества, понятие базиса). 
* Case-study 2. Анализ посещаемости сайтов. Рекомендация контекстной рекламы.
* Case-study 3. Булева матричная факторизация, неотрицательная матричная факторизация (NMF) и SVD.
* Методы на основе матричной факторизации для рекомендательных систем. PureSVD, SVD++, timeSVD. Схемы решения: стохастический градиентный спуск (SGD) и чередующиеся наименьшие квадраты (ALS). Случай неявного отклика. Факторизационные машины.
* Спектральная кластеризация. Поиск минимального разреза. Контекстная реклама. Рекомендация музыкальных композиций.
* Гибридные рекомендательные системы. Case-study 4. Рекомендация радиостанций. 
* Бикластеризация. Фолксономии. Трикластеризация и мультимодальная кластеризация n-арных отношений и тензоров.
* Стандартные (Precision, Recall, MAE, RMSE) и дополнительные меры оценки качества рекомендательных систем (HitRate, Mean Reciprocal Rank, nDCG). А/B тестирование.
* Контекстные рекомендательные системы. Встраивание дополнительной информации в модели.
* Ансамбли рекомендальных алгоритмов. 
* Глубинное обучение для рекомендальных систем. 

===Формула итоговой оценки===

формула: 0.4 h/w + 0.4 project + 0.2 defense

===Домашнее задание 1 ===

[https://www.dropbox.com/s/xnb36njc1vjgs26/HW_assignment_1_modified.ipynb?dl=0  Коллаборативная фильтрация на основе сходства по пользователям (user-based) и продуктам (item-based)]

===Домашнее задание 2===

# [https://www.dropbox.com/s/5l8331rxd1zd3hg/HW_FIM_ML_RecSys2018.pdf?dl=0 Частые множества и ассоциативные правила]
# [ Спектральная кластеризация]
# [https://www.dropbox.com/s/qdq1bbvwfrmxssb/ALS_SGD_biases-HW2.ipynb?dl=0 Матричная факторизация]
# [ Анализ последовательностей]

===Проект=== 



[https://www.dropbox.com/s/6c4eea0atqx6gqu/Eng-IndGroupTask.pdf?dl=0 Требования к оформлению]

В этом файле содержатся требования к отчету, они на английском, но писать текст можно и на русском. Даны источники данных, указаны типы задач для решения, приведен релевантный софт. Указаны сроки выбора задачи и сдачи отчета. Предполагается экзамен в виде защиты проекта.


==Занятие от 21.11.2018==

19:30 Доклад Евгения Фролова по мотивам диссертационного исследования (https://www.skoltech.ru/obrazovanie/zashhity-phd/2018-2/evgenij-frolov/)

Название: Low-rank models  for  recommender  systems  with  limited  preference  information

Аннотация доклада. В силу ряда вычислительных преимуществ, одним из наиболее популярных методов, часто использующихся на практике, является PureSVD. Метод основан на сингулярном разложении и в определенных сценариях позволяет добиться наиболее релевантных рекомендаций. Однако, качество моделей на основе данного метода заметно снижается при сильном уменьшении количества известной информации о пользовательских предпочтениях. Главной целью данной работы является устранение этого недостатка, позволяющее сохранить основные преимущества PureSVD. Для этого предложены несколько новых подходов на основе матричных и тензорных методов аппроксимации.  Подходы строятся на принципах многомерного представления пользовательского отклика, а также  с использованием специальной схемы «гибридизации», позволяющей учесть дополнительную признаковую информацию о пользователях и предметах.

[https://www.dropbox.com/s/3lz4by3g4ruwue6/HSE_Seminar_2018.pdf?dl=0 Слайды]