IIC3633 Sistemas Recomendadores

Marzo-Julio 2025

Equipo Docente e Información Administrativa

Instructor: Denis Parra, Profesor Asociado PUC Chile, Ph.D. University of Pittsburgh

Ayudantes:

• Alejandro Plaza, Estudiante de Magíster, Ciencia de la Computación PUC Chile ([email protected]).
• Daniel Sebastian, Estudiante de Magíster, Ciencia de la Computación PUC Chile ([email protected]).

Institución: Pontificia Universidad Católica de Chile

Horario cátedra: Martes y Jueves, Módulo 3 (11:00 a 12:10). Salas TMP104 y NT202 respectivamente.
Horario ayudantía: Lunes, Módulo 5, sala H1 (14:50 a 16:00).

Sitio web lecturas: Perusall

Programa IIC3633, 1er Semestre 2025: pdf.

AVISOS

Fechas de Seminarios (12/05):

• Se publicó el listado definitivo de papers y grupos de seminario. Además, se publicó el archivo para inscribir la fecha de presentación del seminario, el cual tienen hasta el viernes 16 de mayo para inscribir.

Papers de Seminarios (24/04):

• Se encuentra disponible el Excel de inscripción de papers, donde tienen hasta el jueves 8 de mayo hasta las 20:00 para inscribir un paper junto a su grupo.

Proyecto de Curso (15/04):

• Se publicó el enunciado del Proyecto de Curso, donde se pueden ver las fechas y requesitos de cada entrega.

Cambio de Sala Oficializado (31/03):

• El cambio de sala de la cátedra del curso ya es oficial y las nuevas salas se encuentran actualizadas tanto en el portal, en buscacursos y en este README. Tener cuidado con la sala, puesto que no es la misma los días martes y jueves.

Sala Clases 25/03 y 27/03 (24/03):

• Como todavía no es oficial el cambio de sala, durante esta semana se continuará utilizando la sala K303 para las clases.

Grupos Tarea 1 (24/03):

• Se publicó el listado de grupos de trabajo para la Tarea 1.

Tarea 1 (18/03):

• Se publicó el enunciado de la Tarea 1, con fecha de entrega el dia viernes 11 de abril del 2025 a las 20:00.

Seminario (13/05):

• Se actualizó el archivo de evaluaciones con la rúbrica de las presentaciones de seminario.

Descripción del Curso

El curso de Sistemas Recomendadores cubre las principales tareas de recomendación, algoritmos, fuentes de datos y evaluación de estos sistemas. Al final de este curso serás capaz de decidir qué técnicas y fuentes de datos usar para implementar y evaluar sistemas recomendadores.

Software: Suprise, Implicit y pyRecLab.

Contenidos por Semana

Coursera
Los contenidos de las semanas 1, 2 y 4 los puedes revisar a tu ritmo en este curso de 4 módulos de Coursera llamado Fundamentos de Sistemas de recomendación

Semana	Tema	link slide(s)
1	PPT Evaluaciones	slides
2	Ranking no personalizado y Filtrado colaborativo (FC)	slides
2	User-based FC con clustering	slides
2	Pendiente Uno	slides
2	Item-based FC	slides
2	Factorización Matricial: FunkSVD	slides (apunte FunkSVD)
3	Implicit Feedback CF	slides
3	Bayesian Personalized Ranking (BPR)	slides
4	Evaluación: metricas de error y ranking	slides
4	Evaluación II: Cobertura, diversidad, novedad	slides
4	Evaluación III: Tests estadísticos	slides
4/5	Recomendación basada en contenido 1	slides
5	Recomendación basada en contenido 2	slides
5	Recomendación basada en contexto	slides
5/6	Máquinas de Factorización	slides
6	Recomendación híbrida	slides
6	Recomendación por ensambles	slides
6	Deep Learning I: Intro	slides
7	Deep Learning II: Tres proyectos	slides
7	Ideas de proyecto final (2024)	slides
8-9	Bandidos multibrazos	slides
10	Aprendizaje Reforzado Intro	slides
10	Aprendizaje Reforzado for RecSys I	slides
10	Aprendizaje Reforzado for RecSys II	slides
11	GNNs para SR	slides
11	Sistemas Justos, Explicables y Transparentes	slides
12	10 problemas en Sistemas de Recomendación	slides

Planficación 2025-I

Código de Honor

Este curso adscribe el Código de Honor establecido por la Escuela de Ingeniería el que es vinculante. Todo trabajo evaluado en este curso debe ser propio. En caso de que exista colaboración permitida con otros estudiantes, el trabajo deberá referenciar y atribuir correctamente dicha contribución a quien corresponda. Como estudiante es su deber conocer la versión en línea del Código de Honor.

IMPORTANTE: En este curso se permite el uso de modelos de lenguaje (ChatGPT, Gemini, Claude, etc) como apoyo en el desarrollo de las evaluaciones del curso, siempre y cuando no reemplaze el trabajo por parte de cada estudiante. En caso de usar alguna inteligencia artificial en el desarrollo de sus evaluaciones, se deberá citar dicho uso y compartir el enlace a la conversación (o conversaciones) con las IAs correspondientes en la entrega de la evaluación correspondiente.

Evaluaciones

Detalles de las evaluaciones en esta presentacion

Prácticos (10%)

Habrá una actividad práctica relacionada a cada ayudantía, la cual consistirá en un desafío de código que deberá ser entregado por Canvas el viernes de la semana correspondiente a las 20:00. El promedio de los prácticos tendrá una ponderación del 10% en la nota final del curso.

Tarea 1 (20%)

Al final de las primeras 4 semanas, las(los) estudiantes implementarán mecanismos de recomendación para predecir ratings y para rankear items en un dataset que se entregará durante clases.

Lecturas Semanales (5%)

Cada alumno debe crear una cuenta en el sitio Perusall con su correo UC (codigo de curso PARRA-4XNH9). Cada semana deberá escribir 5 comentarios propios y 2 comentarios respondiendo a sus compañeros en los módulos de las lecturas marcadas como obligatorias.

Para descargar los archivos se sugiere buscarlos en Scholar o a través de EZProxy.

Fecha de revisión de comentarios de lecturas: El post de la semana x, tiene fecha de entrega el lunes a las 20:00 de la semana x+1. Ejemplo: Los comentarios de las lecturas de la semana 1 (clase el 6 de marzo) se entregan a más tardar el lunes 10 de marzo de 2025 a las 20:00.

Seminario (25%)

En la segunda mitad del semestre, los estudiantes formarán grupos para leer un artículo y realizar una presentación acerca de este frente al resto del curso. Se anunciarán las fechas y los artículos presentables de manera oportuna.

Proyecto Final (40%)

Durante abril, las(los) estudiantes enviarán una idea de proyecto final, la cual desarrollarán durante mayo y junio. Enviarán un informe de avance a fines de octubre, para hacer una presentación de su proyecto al final del curso en una sesión de posters.

IMPORTANTE: Todas las entregas del curso son a las 20:00 del día de entrega correspondiente.

Semana 1 (entrega el 10 de marzo):

Obligatorias

• Kluver, D., Ekstrand, M. D., & Konstan, J. A. (2018). Rating-based collaborative filtering: algorithms and evaluation. Social information access: Systems and technologies, 344-390. pdf secciones (1-6)

Sugeridas

• Schafer, J. B., Frankowski, D., Herlocker, J., & Sen, S. (2007). Collaborative filtering recommender systems. In The adaptive web (pp. 291-324). Springer Berlin Heidelberg. pdf
• Sarwar, B., Karypis, G., Konstan, J., & Riedl, J. (2001). Item-based collaborative filtering recommendation algorithms. In Proceedings of the 10th international conference on World Wide Web (pp. 285-295).
• Post original FunkSVD
• Lemire, D., & Maclachlan, A. (2005). Slope One Predictors for Online Rating-Based Collaborative Filtering. In SDM (Vol. 5, pp. 1-5).

Semana 2 (entrega el 17 de marzo):

Obligatorias

• Kluver, D., Ekstrand, M. D., & Konstan, J. A. (2018). Rating-based collaborative filtering: algorithms and evaluation. Social information access: Systems and technologies, 344-390. pdf secciones (7-9)

Sugeridas

• Hu, Y., Koren, Y., & Volinsky, C. (2008). Collaborative filtering for implicit feedback datasets. In Data Mining, 2008. ICDM’08. Eighth IEEE International Conference on (pp. 263-272). IEEE.
• Takács, G., Pilászy, I., Németh, B., & Tikk, D. (2009). Scalable collaborative filtering approaches for large recommender systems. Journal of machine learning research, 10(Mar), 623-656.
• Rendle, S., Freudenthaler, C., Gantner, Z., & Schmidt-Thieme, L. (2009). BPR: Bayesian personalized ranking from implicit feedback. In Proceedings of the Twenty-Fifth Conference on Uncertainty in Artificial Intelligence (pp. 452-461). AUAI Press.
• Koren, Y., Bell, R., & Volinsky, C. (2009). Matrix factorization techniques for recommender systems. Computer, 42(8), 30-37. pdf
• Pan, R., Zhou, Y., Cao, B., Liu, N. N., Lukose, R., Scholz, M., & Yang, Q. (2008). One-class collaborative filtering. In 2008 Eighth IEEE International Conference on Data Mining (pp. 502-511). IEEE. En este artículo aparecen la derivación y reglas de actualización de los parámetros así como las nociones de AMAN y AMAU.
• Jannach, D., Lerche, L., & Zanker, M. (2018). Recommending based on implicit feedback. In Social Information Access (pp. 510-569). Springer, Cham.
• Srebro, N., & Jaakkola, T. (2003). Weighted low-rank approximations. In Proceedings of the 20th International Conference on Machine Learning (ICML-03) (pp. 720-727). Artículo citado por Pan et al. (2008) indicando detalles de la versión no regularizada que inspira OCCF.
• El siguiente paper es opcional, pero permite entender cómo se deriva e del paper de Hu et al.: Takács, G., Pilászy, I., & Tikk, D. (2011). Applications of the conjugate gradient method for implicit feedback collaborative filtering. In Proceedings of the fifth ACM conference on Recommender systems (pp. 297-300). ACM.
• Verstrepen, K., Bhaduriy, K., Cule, B., & Goethals, B. (2017). Collaborative filtering for binary, positiveonly data. ACM Sigkdd Explorations Newsletter, 19(1), 1-21.

Semana 3 (entrega 22 de abril):

Obligatorias

• Xin, X., Karatzoglou, A., Arapakis, I., & Jose, J. M. (2020, July). Self-supervised reinforcement learning for recommender systems. In Proceedings of the 43rd International ACM SIGIR conference on research and development in Information Retrieval (pp. 931-940).

Sugeridas

• Cañamares, R., Redondo, M., & Castells, P. (2019). Multi-armed recommender system bandit ensembles. In Proceedings of the 13th ACM Conference on Recommender Systems (pp. 432-436).
• Bendada, W., Salha, G., & Bontempelli, T. (2020). Carousel Personalization in Music Streaming Apps with Contextual Bandits. In Fourteenth ACM Conference on Recommender Systems (pp. 420-425).
• Lacerda, A., Santos, R. L., Veloso, A., & Ziviani, N. (2015). Improving daily deals recommendation using explore-then-exploit strategies. Information Retrieval Journal, 18(2), 95-122.
• Guillou, F., Gaudel, R., & Preux, P. (2016). Scalable explore-exploit collaborative filtering. In Pacific Asia Conference On Information Systems (PACIS). Association For Information System.
• Teo, C. H., Nassif, H., Hill, D., Srinivasan, S., Goodman, M., Mohan, V., & Vishwanathan, S. V. N. (2016). Adaptive, personalized diversity for visual discovery. In Proceedings of the 10th ACM conference on recommender systems (pp. 35-38).