Recommender Systems

2024/2025

Academic Year

RUS

Instruction in Russian

6

ECTS credits

Delivered at:

Department of Informatics

Course type:

Elective course

When:

2 year, 1, 2 module

Instructors

Kuznetsov, Anton

Сайфулин Дмитрий Тимурович

Слободкин Евгений Сергеевич

Программа дисциплины

Аннотация

Является дисциплиной по выбору. В рамках изучения дисциплины студенты познакомятся с принципами работы рекомендательных систем и рассмотрят вопросы, связанные с особенностями проектирования, использования подобных систем. После прохождения курса студенты будут ориентироваться в методах построения и оценивания рекомендательных систем от базовых неперсонализированных подходов, рекомендаций, основанных на характеристиках контента (content-based), коллаборативной фильтрации, до адаптивных и продвинутых, основанных на методах машинного обучения. Для освоения дисциплины студентам необходимы знания теории вероятностей и математической статистики, линейной алгебры, основных концепций машинного обучения

Цель освоения дисциплины

• Ознакомление студентов с принципами работы рекомендательных систем и рассмотрение вопросов, связанных с особенностями проектирования, использования подобных систем

Планируемые результаты обучения

• Уметь выбирать подходящие алгоритмы для построения моделей
• Уметь использовать сводную статистику
• Уметь объяснять ключевые концепции, лежащие в основе рекомендаций
• Уметь объяснять разницу между подходами,основанными на пользователях и предметах
• Уметь создавать профиль личных интересов
• Уметь создавать рекомендации по ассоциации продукта
• Уметь сочетать коллаборативную фильтрацию и рекомендации на основе содержимого
• Уметь строить рекомендации, основанные на коллаборативной фильтрации

Содержание учебной дисциплины

• Введение в рекомендательные системы.
• Неперсонализированные модели. Модели на основе контентой информации.
• Коллаборативная фильтрация
• Продвинутые методы построения моделей факторизации
• Учет контекстной информации в моделях

Элементы контроля

• Проект
  Отчетность по проекту состоит из двух частей: сам письменный отчет и защита. Защита представляет собой презентацию с описанием проделанной работы, построенной системы и использовавшимся подходам.
• Экзамен
  Экзамен проводится в виде теста по вопросам курса.

Промежуточная аттестация

• 2024/2025 2nd module
  0.6 * Проект + 0.4 * Экзамен

Список литературы

Рекомендуемая основная литература

• Rajaraman, A., & Ullman, J. D. (2012). Mining of Massive Datasets. New York, N.Y.: Cambridge University Press. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=408850
• René Michel, Igor Schnakenburg, & Tobias von Martens. (2019). Targeting Uplift : An Introduction to Net Scores (Vol. 1st ed. 2019). Cham: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=2247428

Рекомендуемая дополнительная литература

• Manouselis, N., Drachsler, H., Verbert, K., Duval, E. Recommender Systems for Learning. – Springer, 2013. – ЭБС Books 24x7.

Авторы

• Юдаева Оксана Юрьевна
• Кузнецов Антон Михайлович