Aquest curs de 6 crèdits ofereix una introducció completa als sistemes de recomanació, que cobreix tant els fonaments teòrics com les aplicacions del món real. Els estudiants exploraran una àmplia gamma de tècniques de recomanació, des de mètodes basats en el coneixement i el contingut fins al filtratge col·laboratiu, models híbrids i enfocaments sensibles al context, juntament amb temes clau com la modelització d'usuaris, la personalització, la recomanació de grups, la confiança i l'avaluació de sistemes.
El curs combina classes teòriques amb sessions pràctiques, oferint als estudiants experiència pràctica en la construcció i l'avaluació de sistemes de recomanació. Les consideracions ètiques, de seguretat i de gestió de dades s'integren al llarg del curs. Al final del curs, els estudiants estaran equipats per dissenyar, implementar i avaluar críticament sistemes de recomanació en una varietat de dominis d'aplicació, com ara els mitjans de comunicació, el comerç electrònic, la salut i l'agricultura.
Aquest curs de 6 crèdits (IPM-24ATRSEG) ofereix una introducció rigorosa i completa als sistemes de recomanació, que abasta els fonaments teòrics, els mètodes algorítmics i la implementació pràctica. Impartit en anglès a la Facultat d'Informàtica d'ELTE, el curs està dissenyat per a estudiants de màster en Ciència de Dades i programes relacionats.
Contingut i estructura
El curs té una durada de 13 setmanes i abasta la següent progressió de temes:
Setmana 1: Introducció als sistemes de recomanació, Visió general del curs; Tipus de RS; Aplicacions al món real; Reptes
Setmana 2: Fonaments, Matriu d'utilitat; Problema de cua llarga; Conceptes bàsics de mineria de dades; Dades d'interacció usuari-element
Setmana 3: Filtratge basat en contingut I, perfils d'elements; similitud TF-IDF; modelització de preferències d'usuari
Setmana 4: Filtratge basat en contingut II, recomanador de pel·lícules mitjançant TF-IDF; Sessió de laboratori.
Setmana 5: Filtratge col·laboratiu I, CF basat en memòria; Enfocaments usuari-usuari vs. ítem-ítem; Sessió de laboratori.
Setmana 6: Filtratge col·laboratiu II, similitud d'ítems basada en KNN; Models de veïnatge; Sessió de laboratori.
Setmana 7: Models de factors latents I, factorització matricial; SVD; NMF; sessió de laboratori.
Setmana 8: Models de factors latents II, SVD++; Softmax DNN; Aprenentatge profund per a RS; Sessió de laboratori.
Setmana 9: RS basada en el coneixement i en restriccions, satisfacció amb restriccions; crítica; sessió de laboratori.
Setmana 10: Arquitectures híbrides i avançades, Models híbrids; RS sensible al context; Recomanació de grup; Models socials; Confiança en RS.
Setmana 11: Avaluació de sistemes de recomanació, RMSE, MAE, Precision@K, Recall@K, NDCG, cobertura; Sessió de laboratori.
Setmana 12: Ètica, Justícia i Biaix, Biaix algorítmic; Bombolles de filtre; Capolls d'informació; Tècniques d'eliminació del biaix; IA responsable.
Setmana 13: Tendències futures i presentacions de projectes, xarxes neuronals de grafs (LightGCN); Aprenentatge federat; Sinergia LLM-RS; Presentacions de projectes d'estudiants
Al final del curs, l'aprenent podrà:
LO1: Explicar els conceptes fonamentals, les arquitectures i els dominis d'aplicació dels sistemes de recomanació, incloent-hi la matriu d'utilitat, el problema de cua llarga i les famílies d'algoritmes clau.
LO2: Implementar tècniques de filtratge basades en contingut utilitzant mesures de similitud TF-IDF i modelatge de preferències d'usuari en Python
LO3: Construir sistemes de filtratge col·laboratiu utilitzant enfocaments basats en memòria (usuari-usuari, element-element) i basats en models (KNN, factorització de matrius).
LO4: Aplicar models de factors latents, incloent-hi SVD, SVD++, NMF i mètodes d'aprenentatge profund, per descobrir patrons ocults en les dades d'interacció entre usuari i element.
LO5: Dissenyar sistemes de recomanació híbrids, basats en coneixement i basats en restriccions, adequats per a escenaris d'aplicacions complexes del món real.
LO6: Avaluar el rendiment dels sistemes de recomanació utilitzant mètriques estàndard com ara RMSE, Precision@K, Recall@K i NDCG, i interpretar els resultats críticament.
LO7: Avaluar els reptes ètics en els sistemes de recomanació, incloent-hi el biaix algorítmic, les bombolles de filtre, la justícia i les consideracions sobre la privadesa de dades.
LO8: Desenvolupar un projecte original de sistema de recomanació basat en IA mitjançant l'aprenentatge automàtic, l'aprenentatge profund o l'aprenentatge per reforç, abordant un problema del món real.
LO9: utilitzar eines i pràctiques estàndard de la indústria, com ara Python, Jupyter Notebooks i control de versions a través de GitHub, per implementar i documentar pipelines de sistemes de recomanació reproduïbles.
L10: discutir les tendències emergents en el camp, incloent-hi les xarxes neuronals de grafs, l'aprenentatge federat i la integració de grans models de llenguatge en les canalitzacions de recomanació.
No hi ha requisits previs formals per a aquest curs. Tanmateix, s'espera que els estudiants tinguin:
– Experiència bàsica en programació, preferiblement en Python (variables, bucles, funcions, biblioteques)
– Coneixements bàsics d'anàlisi de dades, incloent-hi familiaritat amb les estructures de dades i els conceptes estadístics bàsics (mitjana, variància, mesures de similitud)
– Àlgebra lineal bàsica, incloent-hi vectors, matrius i operacions amb matrius (útil per comprendre els models de factors latents)
També s'espera que els estudiants:
– Assistir a totes les classes (obligatori) i faltar a un màxim de quatre sessions pràctiques
– Mantenir un compte de GitHub i enviar tot el treball de laboratori i el codi del projecte a través del repositori del curs
– Seleccionar un tema de projecte de recerca individual abans de la data límit assenyalada (setmana 2 del semestre)
Lectura obligatòria
[1] Ricci, F., Rokach, L., Shapira, B. (Eds.) Manual de sistemes de recomanació. Springer, 2a edició, 2015. ISBN: 978-1489976376. DOI: 10.1007/978-1-4899-7637-6
[2] Aggarwal, CC Sistemes de recomanació: el llibre de text. Springer, 2016. ISBN: 978-3319296579. DOI: 10.1007/978-3-319-29659-3
[3] Koren, Y., Bell, R., Volinsky, C. Tècniques de factorització matricial per a sistemes de recomanació. IEEE Computer, vol. 42, núm. 8, pàg. 30–37, 2009. DOI: 10.1109/MC.2009.263
Lectura recomanada
[1] Jannach, D., Zanker, M., Felfernig, A., Friedrich, G. Sistemes de recomanació: una introducció. Cambridge University Press, 2010. ISBN: 978-0521493369
[2] Wang, Z., Pu, C., Wang, F. Sistemes de recomanació d'aprenentatge profund. Cambridge University Press, 2025. ISBN: 978-1009447508
[3] Leskovec, J., Rajaraman, A., Ullman, J. Mineria de conjunts de dades massius (Capítol 9: Sistemes de recomanació). Cambridge University Press, 3a edició. Disponible en accés obert a: http://www.mmds.org/
Papers d'enquesta recomanats
[1] Zhang, S., Yao, L., Sun, A., Tay, Y. Sistema de recomanació basat en aprenentatge profund: una enquesta i noves perspectives. ACM Computing Surveys, vol. 52, núm. 1, article 5, 2019. DOI: 10.1145/3285029
[2] Gao, C., Zheng, Y., Li, N., Li, Y., Qin, Y., Peng, J., Han, S., Chen, J., Ma, D., Jin, D., Li, Y. Un estudi de les xarxes neuronals de grafs per a sistemes de recomanació: reptes, mètodes i direccions. ACM Transactions on Recommender Systems, vol. 1, núm. 1, article 1, gener de 2023. DOI: 10.1145/3568022
[3] Zhang, Y., Chen, X. Recomanació explicable: una enquesta i noves perspectives. Fonaments i tendències en la recuperació d'informació, vol. 14, núm. 1, pàg. 1–101, 2020. DOI: 10.1561/1500000066
[4] Wu, L., Zheng, Z., Qiu, Z., Wang, H., Gu, H., Shen, T., Qin, C., Zhu, C., Zhu, H., Liu, Q., Xiong, H., Chen, E.
Una enquesta sobre grans models de llenguatge per a la recomanació.
Preimpressió d'arXiv, 2023, darrera revisió juny 2024.
Repositori del curs (quaderns de laboratori, conjunts de dades, plantilles de projectes)
El curs combina classes teòriques setmanals amb sessions pràctiques de laboratori, on els estudiants implementen algoritmes de sistemes de recomanació en Python utilitzant Jupyter Notebooks i Google Colab. Tots els materials de laboratori són accessibles a través del repositori de GitHub del curs.
Al llarg del semestre, els estudiants llegeixen de manera independent articles de recerca i capítols de llibres assignats, desenvolupant el pensament crític i la familiaritat amb l'estat de la qüestió. Això contribueix directament a l'examen oral final, que combina coneixements teòrics amb una discussió del propi treball de l'estudiant.
La principal activitat aplicada és un projecte de recerca individual, en què cada estudiant dissenya i implementa un sistema de recomanació original basat en IA que aborda un problema del món real, presentat formalment al final del semestre.
Transcripció de registres