Gehen Sie mit der App Player FM offline!
#29 Recommender Systems
Archivierte Serien ("Inaktiver Feed" status)
When? This feed was archived on April 05, 2022 12:11 (). Last successful fetch was on July 21, 2021 23:37 ()
Why? Inaktiver Feed status. Unsere Server waren nicht in der Lage einen gültigen Podcast-Feed für einen längeren Zeitraum zu erhalten.
What now? You might be able to find a more up-to-date version using the search function. This series will no longer be checked for updates. If you believe this to be in error, please check if the publisher's feed link below is valid and contact support to request the feed be restored or if you have any other concerns about this.
Manage episode 267029257 series 2494928
Recommendations, also Empfehlungen, sind mindestens so alt wie das Orakel von Delphi und der Hauptbestand zahlreicher Dienstleistungsberufe. Recomendation Systems hingegen sind ein spezieller Bereich des Information Retrieval und erst durch Amazon, Netflix und Spotify wirklich populär geworden. In dieser ausführlichen Techtiefenfolge erklärt Marcel Kurovski mit zahlreichen Beispielen das wesentliche Vorgehen dieser “Informationsaggregationsmaschinen”, welche von Collaborative Filtering über Matrixfaktorisierung bis zu Deep Learning reichen. Wir sprechen über die unterschiedlichen Stufen von Personalisierung und worin der Unterschied zur Suche besteht. Die Vor- und Nachteile von Relevanz als wichtigste Metrik für Recommender Systems kommen zur Sprache, genauso wie alternative Metriken wie Diversität, Novelty oder Robustheit, welche gerade zuletzt größeres Interesse erfahren. Marcel erzählt zudem einige Anekdoten aus der Geschichte der Recommender Systems und gibt einen Ausblick auf aktuelle Forschung und zukünftige Entwicklungen.
Links:
- Deep Learning Recommender Systems bei mobile.de
- Buchtipp – The Paradox of Choice: Why More is Less (Barry Schwartz)
- Paper – BPR: Bayesian Personalized Ranking from Implicit Feedback
- The BellKor Solution to the Netflix Prize
- Matrix Factorization Techniques for Recommender Systems
- Collaborative Filtering for Implicit Feedback Datasets
- Netflix Prize
- MovieLens datasets
- LightFM
- Recommender Systems Handbook
- Coursera – Recommender Systems Specialization
- RecSys Training Material my GitHub
- RecSys
- RecSys 2019 Review
- RecSys Challenge 2020
Kapitel
1. Zu Gast: Marcel Kurovski (00:01:12)
2. Recommendation Systems (00:07:33)
3. Collaborative Filtering (00:22:08)
4. Suche vs Recomendations (00:41:12)
5. Regression vs Rangfolge (00:46:55)
6. Netflix Price (00:53:13)
7. Learning2Rank und Matrix Decomposition (00:58:03)
8. Context (01:10:21)
9. Stufen der Personalisierung (01:23:36)
10. Relevanz und Ranking Metriken (01:31:04)
11. Weitere Zielkriterien (01:36:03)
12. Online vs Offline Metriken (01:42:47)
13. Aktuelle Forschung und Kritik (01:47:48)
14. Ausblick für Recommender (01:52:15)
15. LightFM und Empfehlungen (02:01:01)
16. Verabschiedung (02:08:42)
36 Episoden
Archivierte Serien ("Inaktiver Feed" status)
When? This feed was archived on April 05, 2022 12:11 (). Last successful fetch was on July 21, 2021 23:37 ()
Why? Inaktiver Feed status. Unsere Server waren nicht in der Lage einen gültigen Podcast-Feed für einen längeren Zeitraum zu erhalten.
What now? You might be able to find a more up-to-date version using the search function. This series will no longer be checked for updates. If you believe this to be in error, please check if the publisher's feed link below is valid and contact support to request the feed be restored or if you have any other concerns about this.
Manage episode 267029257 series 2494928
Recommendations, also Empfehlungen, sind mindestens so alt wie das Orakel von Delphi und der Hauptbestand zahlreicher Dienstleistungsberufe. Recomendation Systems hingegen sind ein spezieller Bereich des Information Retrieval und erst durch Amazon, Netflix und Spotify wirklich populär geworden. In dieser ausführlichen Techtiefenfolge erklärt Marcel Kurovski mit zahlreichen Beispielen das wesentliche Vorgehen dieser “Informationsaggregationsmaschinen”, welche von Collaborative Filtering über Matrixfaktorisierung bis zu Deep Learning reichen. Wir sprechen über die unterschiedlichen Stufen von Personalisierung und worin der Unterschied zur Suche besteht. Die Vor- und Nachteile von Relevanz als wichtigste Metrik für Recommender Systems kommen zur Sprache, genauso wie alternative Metriken wie Diversität, Novelty oder Robustheit, welche gerade zuletzt größeres Interesse erfahren. Marcel erzählt zudem einige Anekdoten aus der Geschichte der Recommender Systems und gibt einen Ausblick auf aktuelle Forschung und zukünftige Entwicklungen.
Links:
- Deep Learning Recommender Systems bei mobile.de
- Buchtipp – The Paradox of Choice: Why More is Less (Barry Schwartz)
- Paper – BPR: Bayesian Personalized Ranking from Implicit Feedback
- The BellKor Solution to the Netflix Prize
- Matrix Factorization Techniques for Recommender Systems
- Collaborative Filtering for Implicit Feedback Datasets
- Netflix Prize
- MovieLens datasets
- LightFM
- Recommender Systems Handbook
- Coursera – Recommender Systems Specialization
- RecSys Training Material my GitHub
- RecSys
- RecSys 2019 Review
- RecSys Challenge 2020
Kapitel
1. Zu Gast: Marcel Kurovski (00:01:12)
2. Recommendation Systems (00:07:33)
3. Collaborative Filtering (00:22:08)
4. Suche vs Recomendations (00:41:12)
5. Regression vs Rangfolge (00:46:55)
6. Netflix Price (00:53:13)
7. Learning2Rank und Matrix Decomposition (00:58:03)
8. Context (01:10:21)
9. Stufen der Personalisierung (01:23:36)
10. Relevanz und Ranking Metriken (01:31:04)
11. Weitere Zielkriterien (01:36:03)
12. Online vs Offline Metriken (01:42:47)
13. Aktuelle Forschung und Kritik (01:47:48)
14. Ausblick für Recommender (01:52:15)
15. LightFM und Empfehlungen (02:01:01)
16. Verabschiedung (02:08:42)
36 Episoden
Alle Folgen
×Willkommen auf Player FM!
Player FM scannt gerade das Web nach Podcasts mit hoher Qualität, die du genießen kannst. Es ist die beste Podcast-App und funktioniert auf Android, iPhone und im Web. Melde dich an, um Abos geräteübergreifend zu synchronisieren.