Dette 6-studiepoengs kurset gir en omfattende introduksjon til anbefalingssystemer, som dekker både teoretiske grunnlag og praktiske anvendelser. Studentene vil utforske et bredt spekter av anbefalingsteknikker, fra kunnskapsbaserte og innholdsbaserte metoder til samarbeidende filtrering, hybridmodeller og kontekstbevisste tilnærminger, i tillegg til sentrale emner som brukermodellering, personalisering, gruppeanbefaling, tillit og systemevaluering.
Kurset kombinerer forelesninger med praktiske økter, noe som gir studentene praktisk erfaring med å bygge og vurdere anbefalingssystemer. Etiske, sikkerhetsmessige og datahåndteringsmessige hensyn er integrert gjennom hele kurset. Ved slutten av kurset vil studentene være rustet til å designe, implementere og kritisk evaluere anbefalingssystemer på tvers av en rekke applikasjonsdomener, inkludert media, e-handel, helsevesen og landbruk.
Dette 6-studiepoengs kurset (IPM-24ATRSEG) tilbyr en grundig og omfattende introduksjon til anbefalingssystemer, som spenner over teoretiske grunnlag, algoritmiske metoder og praktisk implementering. Kurset undervises på engelsk ved ELTE Faculty of Informatics, og er utformet for masterstudenter i datavitenskap og relaterte programmer.
Innhold og struktur
Kurset går over 13 uker og dekker følgende temaer:
Uke 1: Introduksjon til anbefalingssystemer, kursoversikt; Typer RS; Anvendelser i den virkelige verden; Utfordringer
Uke 2: Grunnleggende, nytteverdimatrise; Langhaleproblem; Grunnleggende om datautvinning; Data om bruker-element-interaksjon
Uke 3: Innholdsbasert filtrering I, Elementprofiler; TF-IDF-likhet; Brukerpreferansemodellering
Uke 4: Innholdsbasert filtrering II, filmanbefaling ved bruk av TF-IDF; Labøkt.
Uke 5: Samarbeidsfiltrering I, Minnebasert CF; Bruker-bruker vs. element-element-tilnærminger; Labøkt.
Uke 6: Samarbeidsfiltrering II, KNN-basert elementlikhet; Nabolagsmodeller; Labøkt.
Uke 7: Latente faktormodeller I, matrisefaktorisering; SVD; NMF; Labøkt.
Uke 8: Latente faktormodeller II, SVD++; Softmax DNN; Dyp læring for RS; Labbøksjon.
Uke 9: Kunnskapsbasert og begrensningsbasert RS, tilfredsstillelse av begrensninger; Kritikk; Labbøksjon.
Uke 10: Hybride og avanserte arkitekturer, hybride modeller; Kontekstbevisst RS; Gruppeanbefaling; Sosiale modeller; Tillit til RS.
Uke 11: Evaluering av anbefalingssystemer, RMSE, MAE, Precision@K, Recall@K, NDCG, dekning; Labbøksjon.
Uke 12: Etikk, rettferdighet og skjevhet, algoritmisk skjevhet; filterbobler; informasjonskokonger; teknikker for å fjerne skjevheter; ansvarlig kunstig intelligens.
Uke 13: Fremtidstrender og prosjektpresentasjoner, grafiske nevrale nettverk (LightGCN); Federated Learning; LLM-RS-synergi; Studentprosjektpresentasjoner
Ved slutten av kurset vil studenten kunne:
LO1: Forklar de grunnleggende konseptene, arkitekturene og applikasjonsdomenene til anbefalingssystemer, inkludert nyttematrisen, langhaleproblemet og viktige algoritmefamilier
LO2: Implementer innholdsbaserte filtreringsteknikker ved bruk av TF-IDF-likhetsmål og brukerpreferansemodellering i Python
LO3: Bygg samarbeidende filtreringssystemer ved bruk av både minnebaserte (bruker-bruker, element-element) og modellbaserte (KNN, matrisefaktorisering) tilnærminger
LO4: Anvende latente faktormodeller, inkludert SVD, SVD++, NMF og dyp læringsmetoder, for å avdekke skjulte mønstre i bruker-element-interaksjonsdata
LO5: Designe hybride, kunnskapsbaserte og begrensningsbaserte anbefalingssystemer som er egnet for komplekse applikasjonsscenarier i den virkelige verden
LO6: Evaluer ytelsen til anbefalingssystemer ved hjelp av standardmålinger som RMSE, Precision@K, Recall@K og NDCG, og tolk resultatene kritisk.
LO7: Vurder etiske utfordringer i anbefalingssystemer, inkludert algoritmisk skjevhet, filterbobler, rettferdighet og hensyn til personvern
LO8: Utvikle et originalt AI-basert anbefalingssystemprosjekt ved bruk av maskinlæring, dyp læring eller forsterkningslæring, som tar for seg et problem i den virkelige verden.
LO9: bruke bransjestandardverktøy og -praksiser, inkludert Python, Jupyter Notebooks og versjonskontroll via GitHub, for å implementere og dokumentere reproduserbare pipelines for anbefalingssystemer
L10: diskutere nye trender innen feltet, inkludert grafiske nevrale nettverk, føderert læring og integrering av store språkmodeller i anbefalingsprosesser
Det er ingen formelle forkunnskaper for dette kurset. Studentene forventes imidlertid å ha:
– Grunnleggende programmeringserfaring, helst i Python (variabler, løkker, funksjoner, biblioteker)
– Grunnleggende kunnskap om dataanalyse, inkludert kjennskap til datastrukturer og grunnleggende statistiske konsepter (gjennomsnitt, varians, likhetsmål)
– Grunnleggende lineær algebra, inkludert vektorer, matriser og matriseoperasjoner (nyttig for å forstå latente faktormodeller)
Studentene forventes også å:
– Møt opp på alle forelesninger (obligatorisk) og gå glipp av maksimalt fire praktiske økter
– Oppretthold en GitHub-konto og send inn alt labarbeid og prosjektkode via kursarkivet
– Velg et individuelt forskningsprosjekttema innen den angitte fristen (uke 2 i semesteret)
Obligatorisk lesing
[1] Ricci, F., Rokach, L., Shapira, B. (red.) Håndbok for anbefalingssystemer. Springer, 2. utgave, 2015. ISBN: 978-1489976376. DOI: 10.1007/978-1-4899-7637-6
[2] Aggarwal, CC Anbefalningssystemer: Læreboken. Springer, 2016. ISBN: 978-3319296579. DOI: 10.1007/978-3-319-29659-3
[3] Koren, Y., Bell, R., Volinsky, C. Matrisefaktoriseringsteknikker for anbefalingssystemer. IEEE Computer, bind 42, nr. 8, s. 30–37, 2009. DOI: 10.1109/MC.2009.263
Anbefalt lesning
[1] Jannach, D., Zanker, M., Felfernig, A., Friedrich, G. Anbefalingssystemer: En introduksjon. Cambridge University Press, 2010. ISBN: 978-0521493369
[2] Wang, Z., Pu, C., Wang, F. Anbefalingssystemer for dyp læring. Cambridge University Press, 2025. ISBN: 978-1009447508
[3] Leskovec, J., Rajaraman, A., Ullman, J. Utvinning av massive datasett (kapittel 9: Anbefalingssystemer). Cambridge University Press, 3. utgave. Tilgjengelig med åpen tilgang på: http://www.mmds.org/
Anbefalte undersøkelsespapirer
[1] Zhang, S., Yao, L., Sun, A., Tay, Y. Anbefalingssystem basert på dyp læring: En undersøkelse og nye perspektiver. ACM Computing Surveys, bind 52, nr. 1, artikkel 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. En undersøkelse av grafiske nevrale nettverk for anbefalingssystemer: utfordringer, metoder og retninger. ACM-transaksjoner på anbefalingssystemer, bind 1, nr. 1, artikkel 1, januar 2023. DOI: 10.1145/3568022
[3] Zhang, Y., Chen, X. Forklarbare anbefalinger: En undersøkelse og nye perspektiver. Grunnlag og trender innen informasjonsinnhenting, bind 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.
En undersøkelse av store språkmodeller for anbefaling.
arXiv-forhåndstrykk, 2023, sist revidert juni 2024.
Kursarkiv (lab-notatbøker, datasett, prosjektmaler)
Kurset kombinerer ukentlige forelesninger med praktiske laboratorieøkter, der studentene implementerer anbefalingssystemalgoritmer i Python ved hjelp av Jupyter Notebooks og Google Colab. Alt laboratoriemateriell er tilgjengelig via kursets GitHub-repository.
Gjennom semesteret leser studentene selvstendig forskningsartikler og bokkapitler, og utvikler kritisk tenkning og kjennskap til det nåværende fagområdet. Dette går direkte inn i den avsluttende muntlige eksamenen, som kombinerer teoretisk kunnskap med en diskusjon av studentens eget arbeid.
Den viktigste anvendte aktiviteten er et individuelt forskningsprosjekt, der hver student designer og implementerer et originalt AI-basert anbefalingssystem som adresserer et reelt problem, presentert formelt på slutten av semesteret.
Utskrift av journaler