Ez a 6 kreditpontos kurzus átfogó bevezetést nyújt az ajánló rendszerekbe, kitérve mind az elméleti alapokra, mind a gyakorlati alkalmazásokra. A hallgatók az ajánlási technikák széles skáláját ismerhetik meg, a tudásalapú és tartalomalapú módszerektől kezdve a kollaboratív szűrésen és a hibrid modelleken át a kontextusérzékeny megközelítésekig, olyan kulcsfontosságú témák mellett, mint a felhasználói modellezés, a személyre szabás, a csoportos ajánlás, a bizalom és a rendszerértékelés.
A kurzus előadásokat és gyakorlati foglalkozásokat ötvöz, így a hallgatók gyakorlati tapasztalatokat szerezhetnek az ajánló rendszerek fejlesztésében és értékelésében. Az etikai, biztonsági és adatkezelési szempontok a kurzus egészében beépülnek a tananyagba. A kurzus végére a hallgatók képesek lesznek ajánló rendszereket tervezni, megvalósítani és kritikus szemmel értékelni számos alkalmazási területen, többek között a médiában, az e-kereskedelemben, az egészségügyben és a mezőgazdaságban.
Ez a 6 kreditpontos kurzus (IPM-24ATRSEG) alapos és átfogó bevezetést nyújt az ajánló rendszerekbe, kiterjedve az elméleti alapokra, az algoritmikus módszerekre és a gyakorlati megvalósításra egyaránt. A kurzust angol nyelven tartják az ELTE Informatikai Karon, és adat tudományi, valamint kapcsolódó mesterképzések hallgatói számára készült.
Tartalom és felépítés
A kurzus 13 héten át tart, és a következő témaköröket fedi le:
1. hét: Bevezetés az ajánló rendszerekbe, a kurzus áttekintése; az ajánló rendszerek típusai; gyakorlati alkalmazások; kihívások
2. hét: Alapok, hasznossági mátrix; a „long-tail” probléma; adatbányászat alapjai; Felhasználó–tétel interakciós adatok
3. hét: Tartalomalapú szűrés I, Tételprofilok; TF-IDF-hasonlóság; Felhasználói preferenciák modellezése
4. hét: Tartalomalapú szűrés II, TF-IDF-alapú filmajánló; Gyakorlati foglalkozás.
5. hét: Kollaboratív szűrés I, Memóriaalapú CF; Felhasználó–felhasználó vs. tétel–tétel megközelítések; Gyakorlati foglalkozás.
6. hét: Kollaboratív szűrés II, KNN-alapú elemhasonlóság; szomszédsági modellek; gyakorlati foglalkozás.
7. hét: Látens tényezőmodellek I, mátrixfaktorizáció; SVD; NMF; gyakorlati foglalkozás.
8. hét: Látens tényezőmodellek II, SVD++; Softmax DNN; mélytanulás az ajánló rendszerekben; gyakorlati foglalkozás.
9. hét: Tudásalapú és korlátalapú ajánló rendszerek, korlátkielégítés; kritika; laborfoglalkozás.
10. hét: Hibrid és fejlett architektúrák, hibrid modellek; kontextustudatos ajánló rendszerek; csoportos ajánlás; közösségi modellek; bizalom az ajánló rendszerekben.
11. hét: Ajánló rendszerek értékelése, RMSE, MAE, Precision@K, Recall@K, NDCG, lefedettség; laborfoglalkozás.
12. hét: Etika, méltányosság és elfogultság, algoritmikus elfogultság; szűrőbuborékok; információs gubók; elfogultságcsökkentő technikák; felelősségteljes mesterséges intelligencia.
13. hét: Jövőbeli trendek és projektbemutatók, gráf neurális hálózatok (LightGCN); szövetségi tanulás; LLM-RS szinergia; hallgatói projektbemutatók
A tanfolyam végére a hallgató képes lesz a következőkre:
LO1: Ismertesse az ajánló rendszerek alapvető fogalmait, architektúráit és alkalmazási területeit, beleértve a hasznossági mátrixot, a „long-tail” problémát és a legfontosabb algoritmuscsaládokat
LO2: Valósítson meg tartalomalapú szűrési technikákat TF-IDF hasonlósági mérők és felhasználói preferencia-modellezés alkalmazásával Python nyelven
LO3: Készítsen kollaboratív szűrőrendszereket mind memóriaalapú (felhasználó-felhasználó, elem-elem), mind modellalapú (KNN, mátrixfaktorizáció) megközelítések felhasználásával
LO4: Látens tényezőmodellek, beleértve az SVD, SVD++, NMF és a mélytanulási módszereket, alkalmazása a felhasználó-elem interakciós adatokban rejlő rejtett mintázatok feltárására
LO5: Komplex, valós alkalmazási forgatókönyvekhez alkalmas hibrid, tudásalapú és korlátalapú ajánló rendszerek tervezése
LO6: Az ajánló rendszerek teljesítményének értékelése olyan szabványos mutatók segítségével, mint az RMSE, a Precision@K, a Recall@K és az NDCG, valamint az eredmények kritikus értelmezése
LO7: Az ajánló rendszerekkel kapcsolatos etikai kihívások értékelése, beleértve az algoritmikus torzításokat, a szűrőbuborékokat, a méltányosságot és az adatvédelmi szempontokat
LO8: Egy eredeti, mesterséges intelligencián alapuló ajánló rendszer projekt kidolgozása gépi tanulás, mélytanulás vagy megerősítő tanulás alkalmazásával, egy valós problémára adva választ
LO9: Iparági szabványnak megfelelő eszközök és gyakorlatok – többek között a Python, a Jupyter Notebooks és a GitHubon keresztüli verziókezelés – használata reprodukálható ajánló rendszer-folyamatok megvalósításához és dokumentálásához
L10: A területen kialakuló trendek megvitatása, beleértve a gráf-neurális hálózatokat, a szövetségi tanulást és a nagy nyelvi modellek integrálását az ajánló folyamatokba
Ennek a kurzusnak nincsenek hivatalos előfeltételei. A hallgatóktól azonban elvárjuk, hogy rendelkezzenek a következőkkel:
– Alapvető programozási tapasztalat, lehetőleg Python nyelven (változók, ciklusok, függvények, könyvtárak)
– Az adatelemzés alapvető ismeretei, beleértve az adatstruktúrák és az alapvető statisztikai fogalmak (átlag, variancia, hasonlósági mérők) ismeretét
– Alapvető lineáris algebra, beleértve a vektorokat, mátrixokat és a mátrixműveleteket (hasznos a látens tényezőmodellek megértéséhez)
A hallgatóktól továbbá elvárjuk, hogy:
– Minden előadáson részt vegyenek (kötelező), és legfeljebb négy gyakorlati foglalkozást hagyjanak ki
– GitHub-fiókot vezessenek, és minden laboratóriumi feladatot és projektkódot a kurzus repositoryján keresztül nyújtsanak be
– A kijelölt határidőig (a félév 2. hete) válasszanak ki egy egyéni kutatási projekt témát
Kötelező irodalom
[1] Ricci, F., Rokach, L., Shapira, B. (szerk.) Recommender Systems Handbook. Springer, 2. kiadás, 2015. ISBN: 978-1489976376. DOI: 10.1007/978-1-4899-7637-6
[2] Aggarwal, C. C. Ajánló rendszerek: A tankönyv. Springer, 2016. ISBN: 978-3319296579. DOI: 10.1007/978-3-319-29659-3
[3] Koren, Y., Bell, R., Volinsky, C. Mátrixfaktorizációs technikák ajánló rendszerekhez. IEEE Computer, 42. évf., 8. sz., 30–37. o., 2009. DOI: 10.1109/MC.2009.263
Ajánlott irodalom
[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. Hatalmas adathalmazok bányászata (9. fejezet: Ajánló rendszerek). Cambridge University Press, 3. kiadás. Nyílt hozzáféréssel elérhető: http://www.mmds.org/
Ajánlott áttekintő cikkek
[1] Zhang, S., Yao, L., Sun, A., Tay, Y. Mélytanuláson alapuló ajánló rendszer: áttekintés és új perspektívák. ACM Computing Surveys, 52. évf., 1. sz., 5. cikk, 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. Áttekintés az ajánló rendszerekhez használt gráf neurális hálózatokról: kihívások, módszerek és irányok. ACM Transactions on Recommender Systems, 1. évf., 1. sz., 1. cikk, 2023. január. DOI: 10.1145/3568022
[3] Zhang, Y., Chen, X. Magyarázható ajánlás: áttekintés és új perspektívák. Foundations and Trends in Information Retrieval, 14. évf., 1. sz., 1–101. o., 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.
A Survey on Large Language Models for Recommendation.
arXiv preprint, 2023, utolsó frissítés: 2024. június.
Tananyag-tár (laboratóriumi jegyzetfüzetek, adatkészletek, projektsablonok)
A kurzus heti előadásokat ötvöz gyakorlati laborfoglalkozásokkal, amelyeken a hallgatók Jupyter Notebookok és a Google Colab segítségével Python nyelven valósítják meg az ajánló rendszer algoritmusait. Az összes laboranyag a kurzus GitHub-tárházán keresztül érhető el.
A félév során a hallgatók önállóan elolvassák a kijelölt tudományos cikkeket és könyvfejezeteket, fejlesztve ezzel kritikai gondolkodásukat és megismerve a legújabb szakirodalmi eredményeket. Mindez közvetlenül beépül a záró szóbeli vizsgába, amely az elméleti ismereteket a hallgató saját munkájának megvitatásával ötvözi.
A kurzus fő gyakorlati eleme egy egyéni kutatási projekt, amelynek keretében minden hallgató egy valós problémát megoldó, eredeti, mesterséges intelligencián alapuló ajánló rendszert tervez és valósít meg, amelyet a félév végén hivatalosan bemutat.
Tanulmányi eredményekről szóló igazolás