Dieser 6-Credit-Kurs bietet eine umfassende Einführung in Empfehlungssysteme und behandelt dabei sowohl theoretische Grundlagen als auch praktische Anwendungen. Die Studierenden befassen sich mit einer breiten Palette von Empfehlungstechniken, von wissensbasierten und inhaltsbasierten Methoden bis hin zu kollaborativem Filtern, Hybridmodellen und kontextbezogenen Ansätzen, sowie mit Schlüsselthemen wie Nutzermodellierung, Personalisierung, Gruppenempfehlungen, Vertrauen und Systembewertung.
Der Kurs verbindet Vorlesungen mit praktischen Übungen und vermittelt den Studierenden praktische Erfahrungen bei der Entwicklung und Bewertung von Empfehlungssystemen. Dabei werden ethische, sicherheitstechnische und datenverwaltungsbezogene Aspekte durchgängig berücksichtigt. Am Ende des Kurses sind die Studierenden in der Lage, Empfehlungssysteme für eine Vielzahl von Anwendungsbereichen – darunter Medien, E-Commerce, Gesundheitswesen und Landwirtschaft – zu entwerfen, zu implementieren und kritisch zu bewerten.
Dieser 6-Credit-Kurs (IPM-24ATRSEG) bietet eine fundierte und umfassende Einführung in Empfehlungssysteme und deckt dabei theoretische Grundlagen, algorithmische Methoden sowie die praktische Umsetzung ab. Der Kurs wird in englischer Sprache an der Fakultät für Informatik der ELTE gehalten und richtet sich an Masterstudierende der Data Science sowie verwandter Studiengänge.
Inhalt und Aufbau
Der Kurs erstreckt sich über 13 Wochen und behandelt die folgenden Themen:
Woche 1: Einführung in Empfehlungssysteme, Kursübersicht; Arten von Empfehlungssystemen; Anwendungen in der Praxis; Herausforderungen
Woche 2: Grundlagen, Nutzenmatrix; Long-Tail-Problem; Grundlagen des Data Mining; Daten zur Nutzer-Objekt-Interaktion
Woche 3: Inhaltsbasierte Filterung I, Objektprofile; TF-IDF-Ähnlichkeit; Modellierung von Nutzerpräferenzen
Woche 4: Inhaltsbasierte Filterung II, Filmempfehlungssystem mit TF-IDF; Laborübung.
Woche 5: Kollaborative Filterung I, speicherbasierte CF; Nutzer-Nutzer- vs. Objekt-Objekt-Ansätze; Laborübung.
Woche 6: Kollaboratives Filtern II, KNN-basierte Ähnlichkeit von Objekten; Nachbarschaftsmodelle; Laborübung.
Woche 7: Latente Faktormodelle I, Matrixfaktorisierung; SVD; NMF; Laborübung.
Woche 8: Latente Faktormodelle II, SVD++; Softmax-DNN; Deep Learning für die Empfehlungssysteme; Laborübung.
Woche 9: Wissensbasierte und beschränkungsbasierte Empfehlungssysteme, Beschränkungserfüllung; Kritik; Laborübung.
Woche 10: Hybride und fortgeschrittene Architekturen, Hybridmodelle; kontextbezogene Empfehlungssysteme; Gruppenempfehlungen; soziale Modelle; Vertrauen in Empfehlungssysteme.
Woche 11: Bewertung von Empfehlungssystemen, RMSE, MAE, Precision@K, Recall@K, NDCG, Abdeckung; Laborübung.
Woche 12: Ethik, Fairness und Voreingenommenheit, algorithmische Voreingenommenheit; Filterblasen; Informationskokons; Techniken zur Beseitigung von Voreingenommenheit; verantwortungsvolle KI.
Woche 13: Zukünftige Trends und Projektpräsentationen, graphische neuronale Netze (LightGCN); föderiertes Lernen; Synergie zwischen LLM und RS; Projektpräsentationen der Studierenden
Am Ende des Kurses wird der Lernende in der Lage sein:
LO1: Erläutern Sie die grundlegenden Konzepte, Architekturen und Anwendungsbereiche von Empfehlungssystemen, einschließlich der Nutzenmatrix, des Long-Tail-Problems und wichtiger Algorithmenfamilien
LO2: Implementieren Sie in Python inhaltsbasierte Filtertechniken unter Verwendung von TF-IDF-Ähnlichkeitsmaßen und der Modellierung von Nutzerpräferenzen
LO3: Erstellen Sie kollaborative Filtersysteme unter Verwendung sowohl speicherbasierter (Nutzer-Nutzer, Objekt-Objekt) als auch modellbasierter (KNN, Matrixfaktorisierung) Ansätze
LO4: Latente Faktormodelle, einschließlich SVD, SVD++, NMF und Deep-Learning-Methoden, anwenden, um verborgene Muster in Daten zur Nutzer-Objekt-Interaktion aufzudecken
LO5: Hybride, wissensbasierte und beschränkungsbasierte Empfehlungssysteme entwerfen, die für komplexe Anwendungsszenarien in der Praxis geeignet sind
LO6: Die Leistung von Empfehlungssystemen anhand von Standardmetriken wie RMSE, Precision@K, Recall@K und NDCG bewerten und die Ergebnisse kritisch interpretieren
LO7: Ethische Herausforderungen bei Empfehlungssystemen bewerten, darunter algorithmische Verzerrungen, Filterblasen, Fairness und Datenschutzaspekte
LO8: Ein eigenständiges, KI-basiertes Empfehlungssystem-Projekt unter Verwendung von maschinellem Lernen, Deep Learning oder bestärkendem Lernen entwickeln, das ein reales Problem behandelt
LO9: Einsatz von branchenüblichen Tools und Praktiken, darunter Python, Jupyter Notebooks und Versionskontrolle über GitHub, zur Implementierung und Dokumentation reproduzierbarer Pipelines für Empfehlungssysteme
L10: Diskussion neuer Trends in diesem Bereich, darunter Graph-Neuralnetzwerke, föderiertes Lernen und die Integration großer Sprachmodelle in Empfehlungspipelines
Für diesen Kurs gibt es keine formalen Voraussetzungen. Von den Studierenden wird jedoch Folgendes erwartet:
– Grundlegende Programmiererfahrung, vorzugsweise in Python (Variablen, Schleifen, Funktionen, Bibliotheken)
– Grundkenntnisse in der Datenanalyse, einschließlich Vertrautheit mit Datenstrukturen und grundlegenden statistischen Konzepten (Mittelwert, Varianz, Ähnlichkeitsmaße)
– Grundkenntnisse in linearer Algebra, einschließlich Vektoren, Matrizen und Matrixoperationen (hilfreich für das Verständnis latenter Faktormodelle)
Von den Studierenden wird außerdem erwartet, dass sie:
– an allen Vorlesungen (Anwesenheitspflicht) teilnehmen und nicht mehr als vier Übungseinheiten versäumen
– ein GitHub-Konto führen und alle Laborarbeiten sowie den Projektcode über das Kurs-Repository einreichen
– bis zum festgelegten Stichtag (2. Woche des Semesters) ein Thema für ein individuelles Forschungsprojekt auswählen
Pflichtlektüre
[1] Ricci, F., Rokach, L., Shapira, B. (Hrsg.) Recommender Systems Handbook. Springer, 2. Auflage, 2015. ISBN: 978-1489976376. DOI: 10.1007/978-1-4899-7637-6
[2] Aggarwal, C. C. Recommender Systems: The Textbook. Springer, 2016. ISBN: 978-3319296579. DOI: 10.1007/978-3-319-29659-3
[3] Koren, Y., Bell, R., Volinsky, C. Matrixfaktorisierungstechniken für Empfehlungssysteme. IEEE Computer, Bd. 42, Nr. 8, S. 30–37, 2009. DOI: 10.1109/MC.2009.263
Literaturempfehlungen
[1] Jannach, D., Zanker, M., Felfernig, A., Friedrich, G. Recommender Systems: An Introduction. Cambridge University Press, 2010. ISBN: 978-0521493369
[2] Wang, Z., Pu, C., Wang, F. Deep Learning Recommender Systems. Cambridge University Press, 2025. ISBN: 978-1009447508
[3] Leskovec, J., Rajaraman, A., Ullman, J. Mining of Massive Datasets (Kapitel 9: Empfehlungssysteme). Cambridge University Press, 3. Auflage. Als Open-Access-Publikation verfügbar unter: http://www.mmds.org/
Empfohlene Übersichtsartikel
[1] Zhang, S., Yao, L., Sun, A., Tay, Y. Deep-Learning-basiertes Empfehlungssystem: Eine Übersicht und neue Perspektiven. ACM Computing Surveys, Bd. 52, Nr. 1, Artikel 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. Ein Überblick über graphische neuronale Netze für Empfehlungssysteme: Herausforderungen, Methoden und Zukunftsperspektiven. ACM Transactions on Recommender Systems, Bd. 1, Nr. 1, Artikel 1, Januar 2023. DOI: 10.1145/3568022
[3] Zhang, Y., Chen, X. Erklärbare Empfehlungen: Ein Überblick und neue Perspektiven. Foundations and Trends in Information Retrieval, Bd. 14, Nr. 1, S. 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. „
“
Eine Übersicht über große Sprachmodelle für Empfehlungen.
arXiv-Vorabdruck, 2023, zuletzt überarbeitet im Juni 2024.
Kurs-Repository (Laborprotokolle, Datensätze, Projektvorlagen)
Der Kurs verbindet wöchentliche Vorlesungen mit praktischen Laborübungen, in denen die Studierenden Algorithmen für Empfehlungssysteme in Python mithilfe von Jupyter Notebooks und Google Colab umsetzen. Alle Materialien für die Laborübungen sind über das GitHub-Repository des Kurses zugänglich.
Während des gesamten Semesters beschäftigen sich die Studierenden eigenständig mit den zu lesenden Forschungsarbeiten und Buchkapiteln, wodurch sie ihr kritisches Denken schulen und sich mit dem aktuellen Stand der Forschung vertraut machen. Dies fließt direkt in die abschließende mündliche Prüfung ein, in der theoretisches Wissen mit einer Erörterung der eigenen Arbeit der Studierenden kombiniert wird.
Im Mittelpunkt der praxisorientierten Tätigkeit steht ein individuelles Forschungsprojekt, in dessen Rahmen jeder Studierende ein eigenständiges, KI-basiertes Empfehlungssystem zur Lösung eines realen Problems entwirft und umsetzt, das am Ende des Semesters in einer formellen Präsentation vorgestellt wird.
Zeugnis