Complementos em Sistemas de Recomendação / Advanced Recommender Systems

Docente responsável:
Nuno Fachada

Objetivos de aprendizagem (conhecimentos, aptidões e competências a desenvolver pelos estudantes):

OA1. O objetivo geral desta unidade curricular é complementar a formação na área de sistemas de recomendação de vanguarda e adquirir conhecimentos em técnicas e algoritmos na fronteira desta área e suas tendências.
OA2. O aluno deve adquirir competências técnicas em sistemas de recomendação baseados em agentes que funcionam com base em algoritmos de reiforcement learning e plataformas de simulação tais como RecSim desenvolvido pela Google A.I. team. Adicionalmente, adquirir competências em sistemas de recomendação tradicionais, tais como Collaborative Filtering Recommender systems.

Intended learning outcomes (knowledge, skills and competences to be developed by the students):

LG1. The general goal of this curricular unit is to complement his competences in Recommender Systems and provide the student with the knowledge and tendencies and some competences on the frontier in this field.
LG2. The student should acquire competences in techniques on Agent Based Recommender systems, which work based on reinforcement learning algorithms, and as well as in simulation platforms such as RecSIM developed by Google A.I. team. Additionally, the student should acquire competences in traditional recommender systems, e.g. collaborative filtering recommender systems.

Conteúdos programáticos:
CP1: Introdução a sistemas de recomendação tradicionais: Sistemas de recomendação collaborative filetering. CP2. Reinforcement Learning: optimização em Espaço de Valor e Espaço de Politicas.
CP3. Sistemas de recomendação baseados em agentes.
CP4. Plataforma de simulaçãopara sistemas de recomendação baseados em agentes: RecSim. CP5. Direções Futuras e Tendências.

Syllabus:
PC1: Introduction to Traditional Collaborative Filtering Recommender Systems.
PC2. Reinforcement Learning: Value Space and Policy Space optimization.
PC3. Agent Based Recommender Systems.
PC4. Simulation platforms for agent-based Recommender Systems: RecSim
PC5. Future directions and tendencies

Demonstração da coerência dos conteúdos programáticos com os objetivos de aprendizagem da unidade curricular:

OA1 – todos os CP
OA2 – todos os CP
OA3 – todos os CP

Evidence of the syllabus coherence with the curricular unit’s intended learning outcomes:

LG1 – all PC
LG2 – all PC
LG3 – all PC

Metodologias de ensino (avaliação incluída):
A metodologia de ensino (ME) e avaliação:
ME1: Expositiva: apresentação teórica de acordo com o plano curricular.
ME2: Experimental: realização de análises de dados em laboratório informático com software apropriado ao plano curricular.
ME3: Ativa: realização de um trabalho de projeto em grupo e sua apresentação oral (40%).
ME4: Auto-estudo: trabalho individual do aluno em trabalhos semanais a atribuir (60%).
Notas importantes da avaliação:
– Classificação mínima de 8 valores no trabalho de grupo e de 8 valores no trabalho autónomo do aluno. – Os grupos do trabalho de projeto podem ser entre 2 e 3 alunos.

Teaching methodologies (including students’ assessment):
Teaching methodologies (TM) including assessment:
TM1: Expositional: Theoretical exposition according to the syllabus.
TM2: Experimental: data analysis in informatics laboratory with appropriate software according to the syllabus. TM3: Active: teamwork in a working project and its oral presentation (40%).
TM4: Self-study: individual work on a weekly basis working problems (60%).
Important assessment notes:
Teamwork (working project) minimum grade 8 and individual weekly working problems minimum grade 8. The teamwork is with teams of 2 or 3 students.

Demonstração da coerência das metodologias de ensino com os objetivos de aprendizagem da unidade curricular:
ME1: todos os OA
ME2: todos os OA
ME3: todos os OA
ME4: todos os OA

Evidence of the coherence between the teaching methodologies and the intended learning outcomes:
TM1: all LG
TM2: all LG
TM3: all LG
TM4: all LG

Bibliografia de consulta/existência obrigatória:
Bertsekas P. D. (2020). Reiforcement Learning and Optimal Control. Athena Scientific. Belmont, Massachusetts.
Tiago Simas and Luis M. Rocha (2012). “Semi-metric networks for recommender systems”. 2012 IEEE/WIC/ACM International Conference on Web Intelligence .4-7 December 2012, Macau.
Rocha, L.M., T. Simas, A. Rechtsteiner, M. DiGiacomo, R. Luce (2005). “MyLibrary@LANL: Proximity and Semi-metric Networks for a Collaborative and Recommender Web Service”. In: Proc. 2005 IEEE/WIC/ACM International Conference on Web Intelligence (WI’05), IEEE Press, pp. 565-571.
Eugene Ie, Chih-wei Hsu, Martin Mladenov, Vihan Jain, Sanmit Narvekar, Jing Wang, Rui Wu, and Craig Boutilier (2019). RECSIM: A Configurable Simulation Platform for Recommender Systems. arXiv:1909.04847 [cs.LG]