Collaborative Filtering Course

Les 1 • Taxonomie van filterbenaderingen

Onderzoekt inhoudsgebaseerde, collaboratieve en hybride filterstrategieën. Plaatst collaboratief filteren binnen het bredere landschap.

Les 2 • Wat aanbevelingssystemen doen

Definieert aanbevelingssystemen en hun kernfunctie van het matchen van gebruikers met items. Stelt de woordenschat vast die in de hele cursus wordt gebruikt.

Les 3 • Gegevensvereisten en -verzameling

Identificeert de soorten gegevens die nodig zijn om collaboratieve filteringsmodellen te voeden. Behandelt verzamelstrategieën en vroege overwegingen voor gegevenskwaliteit.

Les 1 • Matrixbewerkingen voor aanbevelingen

Past matrixvermenigvuldiging, -transpositie en -inversie toe op beoordelingsmatrices. Bereidt studenten voor op matrixfactorisatie-decompositietechnieken.

Les 2 • Basisprincipes van waarschijnlijkheid en statistiek

Bespreekt voorwaardelijke waarschijnlijkheid, verwachting en variantie zoals ze van toepassing zijn op beoordelingsvoorspelling. Legt de basis voor probabilistische modellen die in latere hoofdstukken worden geïntroduceerd.

Les 3 • Essentiële lineaire algebra

Behandelt vectoren, matrices en inwendige producten als representaties van gebruikers en items. Ondersteunt direct de berekening van overeenkomsten en matrixfactorisatie later.

Les 1 • Itemgebaseerd meest-nabije-buurfilteren

Berekent item-item-overeenkomst en beveelt items aan die gerelateerd zijn aan items die een gebruiker al heeft beoordeeld. Contrasteert schaalbaarheid met gebruikersgebaseerde benaderingen.

Les 2 • Beoordelen van geheugengebaseerde modellen

Past MAE, RMSE en rangschikkingsmetrieken toe om de voorspellingskwaliteit te beoordelen. Introduceert train-test-splitsing en kruisvalidatie voor de evaluatie van aanbevelingssystemen.

Les 3 • Gebruikersgebaseerd meest-nabije-buurfilteren

Vindt vergelijkbare gebruikers en aggregeert hun beoordelingen om de voorkeuren van een doelgebruiker te voorspellen. Introduceert buurtselectie en gewogen middeling.

Les 4 • Normalisatie en correctie van vertekening

Adresseert gebruikersbeoordelingsvertekening door middel van gemiddelde-centrering en z-score-normalisatie. Verbetert de voorspellingsnauwkeurigheid voordat overeenkomst wordt berekend.

Les 1 • Geregulariseerde matrixfactorisatie

Introduceert de objectieve functie met L2-regularisatie om overfitting van latente factoren te voorkomen. Leidt de gradiënt-updateregels af die worden gebruikt bij optimalisatie.

Les 2 • Opnemen van vertekeningstermen

Breidt het basisfactorisatiemodel uit met globale, gebruikers- en itemvertekeningparameters. Toont meetbare winst in nauwkeurigheid op standaard benchmarks.

Les 3 • Grondbeginselen van singulierewaardendecompositie

Legt SVD uit als een lage-rangbenadering van de beoordelingsmatrix. Verbindt latente dimensies met verborgen gebruikers- en itemkenmerken.

Les 4 • Training met stochastische gradiëntdaling

Traint matrixfactorisatiemodellen efficiënt met SGD op waargenomen beoordelingen. Behandelt leersnelheidsschema's en convergentiemonitoring.

Les 1 • Gewogen geregulariseerde matrixfactorisatie

Past verliesfunctie met vertrouwensweging toe om niet-waargenomen interacties als zachte negatieven te behandelen. Leidt de WRMF-doelfunctie en de ALS-oplossing af.

Les 2 • Bayesiaanse gepersonaliseerde rangschikking

Kadert aanbeveling als paarsgewijze rangschikking door de waarschijnlijkheid te maximaliseren dat waargenomen items boven niet-waargenomen items worden gerangschikt. Traint met SGD op gesamplede drietallen.

Les 3 • Impliciete versus expliciete feedback opnieuw bekeken

Contrasteert de statistische eigenschappen van impliciete signalen met expliciete beoordelingen. Stelt vast waarom standaardfactorisatieaannames moeten worden herzien.

Les 1 • Volgordebewuste aanbevelingsmodellen

Modelleert temporeel gebruikersgedrag met recurrente en aandacht-gebaseerde architecturen. Legt sessiecontext vast die statische modellen missen.

Les 2 • Neurale collaboratieve filteringsarchitectuur

Vervangt het inwendige product door een meerlaags perceptron om complexe interacties te modelleren. Introduceert de GMF- en MLP-takken van het NCF-framework.

Les 3 • Vergelijken van diepe en ondiepe modellen

Benchmark neurale CF tegen matrixfactorisatie op nauwkeurigheid, trainingskosten en interpreteerbaarheid. Begeleidt modelselectie op basis van datasetgrootte en latentiebeperkingen.

Les 4 • Auto-encoders voor aanbeveling

Gebruikt encoder-decoder-netwerken om beoordelingsvectoren te reconstrueren en ontbrekende waarden te imputeren. Behandelt denoising auto-encoders als een regularisatiestrategie.

Les 1 • Gedistribueerde modeltraining

Schaalt factorisatie- en neurale CF-training over meerdere machines met behulp van data- en modelparallelisme. Adresseert gradiëntsynchronisatie en fouttolerantie.

Les 2 • Kenmerkopslag en embedding-servering

Beheert gebruikers- en item-embeddings in een kenmerkopslag voor consistente training en servering. Behandelt versiebeheer, ophaallatentie en schema's voor embedding-vernieuwing.

Les 3 • Monitoren en onderhouden van live systemen

Volgt de aanbevelingskwaliteit in productie met behulp van online metrieken en detectie van gegevensdrift. Stelt triggers voor hertraining en terugdraaiprocedures vast.

Les 4 • Benaderend zoeken naar de meest nabije buur

Vervangt exacte overeenkomstzoekopdracht door ANN-indexen om kandidaten in milliseconden op te halen. Behandelt HNSW, LSH en productkwantisatiemethoden.

Les 1 • Graafneurale netwerken voor CF

Modelleert gebruiker-item-interacties als een bipartiete graaf en propageert embeddings door graafconvoluties. Behandelt LightGCN en de vereenvoudigingen ervan.

Les 2 • Gefedereerd collaboratief filteren

Traint aanbevelingsmodellen op gedecentraliseerde gebruikersapparaten zonder ruwe interactiegegevens te delen. Adresseert communicatie-efficiëntie en privacygaranties.

Les 3 • Conversatie- en interactieve aanbevelingen

Verwerkt gebruikersfeedback door middel van meerstapsdialogen om aanbevelingen dynamisch te verfijnen. Verbindt reinforcement learning en bandit-frameworks met CF.

Les 4 • Opkomende onderzoeksrichtingen

Bespreekt integratie van grote taalmodellen, causale inferentie en zelf-gesuperviseerde voortraining in aanbevelingsonderzoek. Begeleidt studenten bij het identificeren van haalbare open problemen.