A13. Sistemas de recomendación
102129
2016-17
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: visionado inicial del material
audiovisual (vídeos introductorios, presentaciones, animaciones) que se
elabore en cada una de las materias y que servirán presentación de cada uno de
los temas a los estudiantes (12 horas - 100% presencialidad).
A2 - Trabajos individuales: realización de ejercicios, resolución de
problemas, realización de prácticas y/o trabajos/proyectos individuales (17
horas - 0% presencialidad).
A3 - Trabajo autónomo: estudio del material básico, lecturas
complementarias y otros contenidos y estudio (72 horas - 0% presencialidad).
A4 - Foros y chats: lanzamiento de cuestiones y temas para la discusión
general (5,5 horas - 0% presencialidad).
A5 - Tutorías: consultas y resolución de dudas, aclaraciones, etc
(6 horas - 100% presencialidad).
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 (ponderación mínima 20% y
máxima 40%).
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 (ponderación mínima 10% y máxima 20%).
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 cada asignatura (ponderación mínima 40% y máxima 70%).
Las sesiones se desarrollarán en febrero de 2017.
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
Bahamonde Rionda, Antonio
Catedrático de Ciencias de la Computación e Inteligencia Artificial
Universidad de Oviedo
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
Profesor Titular de Ciencias de la Computación e Inteligencia Artificial
Universidad de Oviedo