En esta asignatura se explicará lo que es un Sistema de Recomendación y las
partes más importante del mismo. Estudiaremos las particularidades de los
recomendadores basados en contenido, así como de los puramente colaborativos.
También se explicará la técnica utilizada por el Sistema de Recomendación
vencedor en la competición de Netflix: la factorización de matrices.
A13. Sistemas de recomendación
102476
2021-22
MÁSTER UNIVERSITARIO EN INVESTIGACIÓN EN INTELIGENCIA ARTIFICIAL
4,5
OPTATIVA
Anual
Castellano
Las condiciones de exceso de información existentes actualmente en internet y
en particular en aplicaciones de comercio electrónico, hace que los usuarios
no sean capaces de procesar dicha información en un tiempo razonable para
alcanzar sus objetivos, lo que repercute negativamente en su experiencia de
usuario y, consecuentemente, en la utilidad que el sistema de negocio
electrónico tiene para éstos.
Existen diversas formas de abordar este problema, pero una de las más exitosas
han sido los Sistemas de Recomendación (SR). Estos sistemas producen
recomendaciones individualizadas como salida o tienen el efecto de guiar al
usuario de una manera personalizada a objetos interesantes en un dominio con
una gran cantidad de alternativas disponibles.
Los SR han sido aplicados en las áreas de Comercio Electrónico, Marketing
personalizado y el E-learning, etc. Existen múltiples enfoques para realizar
el cálculo de las recomendaciones, pero los modelos más utilizados son:
Los SR basados en contenido donde técnicas de recuperación de información son
básicas.
Los SR colaborativos que utilizan modelos de filtrado colaborativo basados en
vecindarios y técnicas de factorización de matrices.
Personalización, técnicas basadas en contenido, técnicas basadas en filtrado
colaborativo.
1. Módulo 1: Introducción a los sistemas de recomendación
2. Módulo 2: Evaluación en el contexto de sistemas de recomendación
3. Módulo 3: Recomendadores basados en contenido
4. Módulo 4: Filtros colaborativos (usuario-usuario)
5. Módulo 5: Filtros colaborativos (item-item)
6. Módulo 6: Ejemplos de recomendadores
7. Módulo 7: Construcción de recomendadores como una tarea de aprendizaje
automático
8. Módulo 8: Ejemplos de recomendadores que usan factorización
Unidades
CG1 - Entender los conceptos, los métodos y las aplicaciones de la
inteligencia artificial.
CG3 - Gestionar de manera inteligente los datos, la información y su
representación.
CE2 - Aplicar las técnicas de aprendizaje automático utilizando la metodología
de validación y presentación de resultados más apropiada en cada caso.
CE3 - Seleccionar el mecanismo de representación del conocimiento y el método
de razonamiento más adecuados al contexto donde serán utilizados y diseñar su
aplicación para problemas en el ámbito de la Inteligencia Artificial.
CE5 - Analizar las fuentes documentales propias del ámbito de la investigación
en Inteligencia Artificial para poder determinar cuáles de ellas son
relevantes en la resolución de problemas concretos.
A1 - Sesiones presenciales virtuales (clases en vídeo): visionado
inicial del material audiovisual que constituye las lecciones de la
asignatura. Se asume 1,5 veces el tiempo real de vídeo, puesto que el
estudiante deberá parar, repetir algunas secuencias, etc. (5,1 horas).
A2 - Trabajos individuales: realización de ejercicios, resolución de
problemas, realización de prácticas y/o trabajos/proyectos individuales (45,5
horas).
A3 - Trabajo autónomo: estudio del material básico, lecturas
complementarias y otros contenidos (56,9 horas).
A4 - Foros y chats: lanzamiento, lectura y contestación de cuestiones y
temas para la discusión general (2,5 horas).
A5 - Tutorías: consultas y resolución de dudas, aclaraciones, etc
(2,5 horas).
Puede consultar en este enlace el Cronograma
de Carga de Trabajo.
E1 - Valoración de los cuestionarios de evaluación: los
estudiantes realizarán por cada unidad didáctica un cuestionario de evaluación
que será objeto de puntuación en la nota final. El peso en la nota
final de este apartado será del 25% sobre el total.
E2 - Valoración de la participación en foros y chats: se
valorará el nivel de participación/debate de los estudiantes que contará para
la nota final. El peso en la nota final de este apartado será del 10% sobre el
total.
E3 - Valoración de los trabajos individuales: se valorarán los
problemas, proyectos, trabajos realizados y entregados a través de la
plataforma, y apoyado en los casos que sea necesario (sobre todo cuando se
trate de desarrollo de código) por plataformas de gestión de código como
GitHub. También se incluirá el video que el alumno deberá enviar al profesor
para defender los correspondientes trabajos. El peso en la nota final de este
apartado será del 65% sobre el total.
Se considerará que un alumno o alumna se presenta a una convocatoria cuando
haya entregado el trabajo final que se le solicite, de forma que aquellos
cuestionarios y/o trabajos que no hayan sido presentados previamente a la
entrega de dicho trabajo final se evaluarán con 0 puntos.
Para la convocatoria ordinaria, habrá 3 fechas de entrega de trabajos
final de curso. Los alumnos podrán entregar sus trabajos en cualquier momento,
pero sólo en estas fechas se recogerán y evaluarán los que se hayan entregado.
Las fechas serán:
• 22/12/21
• 22/03/22
• 31/05/22
• 15/07/22
Para los Trabajos Fin de Máster habrá dos convocatorias:
Habrá una convocatoria extraordinaria en todas las
asignaturas. Para su evaluación, la fecha límite para la entrega de trabajos
será:
Convocatoria ordinaria: Entrega de TFM hasta el 07/07/22 y defensa el
13-15/07/22
Convocatoria extraordinaria: Entrega de TFM hasta el 16/09/22 y defensa
el 21-23/09/22
Las actas de la convocatoria ordinaria se cerrarán en julio de 2022 y
las de la convocatoria extraordinaria en septiembre de 2022.
Todas las asignaturas estarán en la plataforma a disposición de los
estudiantes desde octubre hasta julio.
Pablo Castells and Juan Huete. Capítulo 15: Sistemas de recomendación. En
Fidel Cacheda, Juan Manuel Fernández Luna, Juan Francisco Huete Guadix.
Recuperación de Información: un enfoque práctico y multidisciplinar. Editorial
Ra-Ma. 2011.
Pasquale Lops, Marco de Gemmis, Giovanni Semerano. Capítulo 3: Content-based
Recommender Systems: State of the Arts and Trends. En F. Ricci, L. Rokach, B.
Shapira y P.B. Kantor. Recommender System Handbook. Springer 2011.
Charu C. Aggarwal. Capítulo 4: Content-based Recommender Systems. En C.C.
Aggarwal. Recommender Systems: The Textbook. Springer. 2016.
Luaces, O., Díez, J., Joachims, T., and Bahamonde, A. (2015). Mapping
preferences into euclidean space. Expert Systems with Applications, 42(22):
8588 – 8596.
Díez, J., Martínez-Rego, D., Alonso-Betanzos, A., Luaces, O., and Bahamonde,
A. (2016). Metrical representation of readers and articles in a digital
newspaper. 10th ACM Conference on Recommender Systems (RecSys 2016) Workshop
on Profiling User Preferences for Dynamic Online and Real-Time Recommendations
(RecProfile 2016).
Yehuda Koren, Robert Bell and Chris Volinsky, "Matrix Factorization Techniques
for Recommender Systems", Published by the IEEE Computer Society, IEEE
0018-9162/09, pp. 42- 49, ©IEEE, August 2009.
J. Weston, S. Bengio, and N. Usunier. Large Scale Image Annotation: Learning
to Rank with Joint Word-Image Embeddings. Machine Learning Journal,
81(1):21–35, 2010.
A. S. Das, M. Datar, A. Garg, and S. Rajaram. Google News Personalization:
Scalable Online Collaborative Filtering. In Proc. of the 16th WWW, pages
271–280. ACM, 2007.
Shuo Chen, Joshua Moore, Douglas Turnbull, Thorsten Joachims, Playlist
Prediction via Metric Embedding, ACM Conference on Knowledge Discovery and
Data Mining (KDD), 2012.
Este documento puede utilizarse como documentación de referencia de esta asignatura para la solicitud de reconocimiento de créditos en otros estudios. Para su plena validez debe estar sellado por la Secretaría de Estudiantes UIMP.
Descripción no definida
Anual
Créditos ECTS: 4,5
Díez Peláez, Jorge
Profesor Titular de Ciencias de la Computación e Inteligencia Artificial
Universidad de Oviedo
Fernández Luna, Juan Manuel
Catedrático de Ciencias de la Computación e Inteligencia Artificial
Universidad de Granada
Huete Guadix, Juan Francisco
Catedrático de Ciencias de la Computación e Inteligencia Artificial
Universidad de Granada
Luaces Rodríguez, Óscar
Catedrático de Ciencias de la Computación e Inteligencia Artificial
Universidad de Oviedo