• A
  • A
  • A
  • АБВ
  • АБВ
  • АБВ
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта

Рекомендательные системы

2021/2022
Учебный год
RUS
Обучение ведется на русском языке
4
Кредиты
Статус:
Курс по выбору
Когда читается:
2-й курс, 1, 2 модуль

Программа дисциплины

Аннотация

Студенты познакомятся с принципами работы рекомендательных систем и рассмотрят вопросы, связанных 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. Является дисциплиной по выбору.
Цель освоения дисциплины

Цель освоения дисциплины

  • Целью освоения дисциплины «Рекомендательные системы» является ознакомление с принципами работы рекомендательных систем и рассмотрение вопросов, связанных с особенностями проектирования, использования подобных систем
Планируемые результаты обучения

Планируемые результаты обучения

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

Содержание учебной дисциплины

  • Введение в рекомендательные системы.
    Особенности рекомендательных систем. Простейшие виды рекомендательных систем. Полезные материалы и программные инструменты.
  • Неперсонализированные модели. Модели на основе контентой информации.
    Области применения моделей. Построение рекомендательных систем.
  • Коллаборативная фильтрация
    Модели класса memory-based. Базовые модели класса baseline predictors. Схемы построения, особенности применения. Ключевые особенности и ограничения моделей. Вопросы масштабируемости.
  • Продвинутые методы построения моделей факторизации
    От матричной факторизации к обобщенным билинейным формам. Модель SVDFeature. Факторизационные машины. Учет дополнительной информации в модели. Гибридные алгоритмы.
  • Учет контекстной информации в моделях
    Исторические особенности, эвристические подходы, item- splitting. Обобщение матричных методов до моделей более высокой размерности. Понятие тензора. Виды и особенности тензорных разложений. Применение тензорных методов в рекомендательных системах.
Элементы контроля

Элементы контроля

  • неблокирующий Проект
  • блокирующий Экзамен
Промежуточная аттестация

Промежуточная аттестация

  • Промежуточная аттестация (2 модуль)
    0.6 * Проект + 0.4 * Экзамен
Список литературы

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.