Agosto-Diciembre 2023
Instructor: Andrés Carvallo, Profesor Adjunto PUC Chile, Ph.D. Pontificia Universidad Católica de Chile.
Ayudantes:
- Pablo Messina, [email protected]
- Carlos Muñoz, [email protected]
Institución: Pontificia Universidad Católica de Chile
Horario: Martes y Jueves, Módulo 3 (11:00 a 12:10).
Programa IIC 3633, 2do Semestre 2023: pdf.
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.
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.
| 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 |
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 |
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 |
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
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.
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.
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.
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.
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.
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.
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).
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.
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).
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).