Imprimir

Programa

CURSO:SISTEMAS RECOMENDADORES	 
TRADUCCIÓN:RECOMMENDER SYSTEMS
SIGLA:INF3863
CRÉDITOS:05 
MÓDULOS:02	
CARÁCTER:OPTATIVO
TIPO:CÁTEDRA,LABORATORIO
CALIFICACIÓN:ESTÁNDAR
DISCIPLINA:INGENIERÍA,COMPUTACIÓN
PALABRAS CLAVE:COMPUTACIÓN,INTELIGENCIA,ARTIFICIAL,CIENCIA,DATOS,SISTEMAS,RECOMENDADORES


I.DESCRIPCIÓN DEL CURSO 

Los sistemas recomendadores tienen como objetivo ayudar a un usuario o a grupos de usuarios a filtrar y descubrir información relevante, de manera personalizada, desde grandes volúmenes de datos. En este curso, los alumnos estudiarán los principales algoritmos usados para generar recomendaciones, las fuentes de datos usadas por dichos algoritmos, diversas formas de evaluar la calidad de un sistema recomendador, además de áreas de investigación presente y desafíos a futuro de estos sistemas. 


II.RESULTADOS DE APRENDIZAJE 

1.Distinguir los principales algoritmos y fuentes de datos usados para generar recomendaciones.

2.Analizar algoritmos de recomendación existentes identificando sus fortalezas y debilidades para generar recomendaciones. 

3.Diseñar e implementar los distintos componentes de un sistema recomendador. 

4.Identificar las distintas formas de evaluación de un sistema recomendador para escoger los factibles de implementar. 

5.Evaluar un sistema recomendador usando diversas métricas y la factibilidad de su implementación. 

6.Describir problemas éticos y de privacidad en el manejo de datos.


III.CONTENIDOS

1.Datos usados para generar recomendaciones: 
1.1.Preferencias basadas en retroalimentación explícita, 
1.2.Preferencias implícitas, 
1.3.Información de ubicación, 
1.4.Información temporal, 
1.5.Redes sociales.

2.Métodos de recomendación
2.1.Recomendaciones no personalizadas 
2.2.Filtrado colaborativo (collaborative filtering), 
2.3.Recomendación basada en contenido, 
2.4.Recomendación basada en contexto, 
2.5.Métodos híbridos. 
2.6.Métodos basados en reducción de dimensionalidad (SVD).

3.Evaluación de Sistemas Recomendadores
3.1.Métricas de calidad basadas en reducción de error de predicción, 
3.2.Métricas inspiradas en técnicas de recuperación de información y ranking, 
3.3.Dimensiones de evaluación según relevancia, novedad, diversidad, 
3.4.Modelos de evaluación centrada en el usuario. 

4.Métodos Avanzados de Recomendación
4.1.Aprender a Rankear (Learning to Rank)
4.2.Redes Neuronales Profundas (Deep Neural Networks) 
4.3.Aprendizaje Reforzado (Bandits)

5.Particularidades de diversos dominios de recomendación
5.1.Películas, 
5.2.Música, 
5.3.Marcadores sociales (Social Tagging), 
5.4.Contactos en redes sociales, 
5.5.Recomendaciones a grupos.


IV.ESTRATEGIAS METODOLÓGICAS

-Clases expositivas.

-Talleres prácticos de Laboratorio.

-Aprendizaje basado en proyectos. 


V.ESTRATEGIAS EVALUATIVAS

-Controles: 30%

-Actividades prácticas en laboratorio: 30%

-Proyecto: 40%


VI.BIBLIOGRAFÍA 

Mínima 

Ricci, F., Rokach, L., Shapira, B., Kantor, P. Recommender Systems Handbook. Springer, 2015. DOI: 10.1007/978-1-4899-7637-6

Agarwal, Deepak K., and Bee-Chung Chen. Statistical methods for recommender systems. Cambridge University Press, 2015.

Jannach, Dietmar, Markus Zanker, Alexander Felfernig, and Gerhard Friedrich. Recommender systems: an introduction. Cambridge University Press, 2010. ISBN: 9780521493369


Complementaria 

Bennett, J., L. "The netflix prize”. Proceedings of KDD cup and workshop. 2007. 

Jannach, D., Zanker, M., Felfernig, A. Recommender Systems: An Introduction. Cambridge University Press, 2010.
 
MacNee, S. Konstan, J. Riedl, J. “Being accurate is not enough: how accuracy metrics have hurt recommender systems”. Paper presented at the CHI '06 extended abstracts on Human factors in computing systems, New York, NY, USA.

Parra, D., Sahebi, S. Recommender Systems: Sources of Knowledge and Evaluation Metrics. Springer, 2012.


PONTIFICIA UNIVERSIDAD CATÓLICA DE CHILE 
ESCUELA DE INGENIERÍA / ENERO 2020