Sylabus
• Úvod do doporučovacích systémů - cíle, požadavky, metody, data
• Uživatelská zpětná vazba
• Metody kolaborativního filtrování, KNN, faktorizace matic
• Metody content-based filtrování
• Representace uspořádaní, Fagin-Lotem-Naor (FLN) model
• Grafická forma representace FLN uspořádaní, Challenge-response framework
• Hybridní a context-aware doporučovací systémy
• Vyhodnocování doporučení, reálné aplikace
Anotace
Při současné záplavě dat na webu je třeba mít modely, které informace uspořádávají dle relevance pro jednotlivé uživatele. Jednou z hlavních kategorií těchto modelů jsou doporučovací systémy (DS). Základem DS jsou algoritmy strojového učení, které na základě minulého chování uživatele odhadují jeho budoucí preference a doporučují potenciálně relevantní, ale jinak složitě nalezitelné objekty.
Předmět má za cíl poskytnout základní přehled o use-cases, modelech, algoritmech, typech dat, požadavcích a vyhodnocování experimentů a následně podrobněji rozvinout některé aspekty praktického vývoje DS.