Ministrante: João Vinagre – Universidade do Porto
Resumo: Os sistemas de recomendação desempenham um papel fundamental em muitos serviços online modernos, abarcando desde recomendação de música e vídeo, até à filtragem personalizada de conteúdo em redes sociais. A pesquisa em recomendação é muito dinâmica e multidisciplinar, envolvendo técnicas de recuperação de informação, métodos avançados de aprendizado de máquina, estatística e modelagem de usuários. Este curso incluirá uma curta introdução aos métodos clássicos e do estado da arte, providenciará detalhes de técnicas avançadas e discutirá futuras direções de pesquisa.
Conteúdo:
– Introdução à recomendação online e principais abordagens para problemas de recomendação
– Recomendação baseada em uso
– Filtragem colaborativa clássica: métodos baseados em vizinhança
– Modelos de fatores latentes: fatorização de matrizes e deep learning
– Recomendação multidimensional: contexto e informação auxiliar
– Aprendizado incremental
– Avaliação de sistemas de recomendação
– Pesquisa futura: algoritmos distribuídos, privacidade, enviesamento e equidade
Referências:
Aggarwal, C. C. (2016). Recommender systems (Vol. 1). Cham: Springer International Publishing.
Al-Ghossein, M., Abdessalem, T., & BARRÉ, A. (2021). A Survey on Stream-Based Recommender Systems. ACM Computing Surveys (CSUR), 54(5), 1-36.
Leskovec, J., Rajaraman, A., & Ullman, J. D. (2020). Mining of massive data sets. Cambridge university press. Chapter 9.
Mini CV:
João Vinagre é investigador no INESC TEC, Portugal, e Professor Auxiliar na Universidade do Porto. Obteve o seu doutorado em 2016. Sua pesquisa foca em diversos aspectos de sistemas de recomendação, com ênfase em algoritmos de aprendizado online, aprendizado em ensemble, e avaliação de algoritmos. Também tem trabalho recente em confiabilidade de métodos de aprendizado de máquina. Tem estado envolvido em vários projetos com financiamento público, bem como projetos de inovação em contratos com empresas. Co-organizou quatro edições da ORSUM, uma workshop internacional anual focada em métodos online para sistemas de recomendação e modelagem de usuários.