Con mucho placer los invitamos a la defensa de maestría en Ingeniería
Eléctrica de Andrés Gómez Caram, a quien dirigimos junto a Federico La
Rocca. Su trabajo estuvo enfocado en sistemas de recomendación, en
este caso estudiando métodos de aprendizaje en grafos y utilizando un
conjunto de datos de la Biblioteca País de Ceibal.
Ver detalles debajo.
Saludos,
Germán
--
Título: "CorrG-RS: Sistemas de Recomendación basados en Redes
Neuronales sobre Grafos de Correlación"
Tribunal: Lorena Etcheverry (INCO-FING), María Inés Fariello
(IMERL-FING), Federico Lecumberry (IIE-FING).
Fecha y hora: miércoles 30 de noviembre a las 11hs.
Lugar: laboratorio de software del IIE.
Resumen:
Los Sistemas de Recomendación (RS por sus siglas en inglés) están cada
vez más presentes en la vida diaria de las personas. Redes sociales,
plataformas de e-commerce o de streaming son solo algunas de las
organizaciones que dependen de estos sistemas para recomendar
contenido y productos a sus usuarios. De esta manera pueden mejorar la
experiencia en lı́nea del usuario ası́ como también aumentar sus
utilidades o inducir a los usuarios a generar y consumir más contenido
mediante la captación de su atención. Al igual que en otras áreas del
Aprendizaje Automático (i.e. Machine Learning, ML), como el
Procesamiento de Lenguaje Natural o la Visión Artificial, los RS se
vieron revolucionados por las técnicas de Aprendizaje Profundo (i.e.
Deep Learning, DL), pasando de basarse en métodos clásicos como la
factorización de matrices a modelos basados en redes neuronales
profundas. El ML para datos en grafos también se vio sacudido por el
DL, desarrollándose ası́ las Redes Neuronales sobre Grafos (GNN por
sus siglas en inglés). Estas redes se basan en los mismos principios
del DL pero sus arquitecturas se deben adaptar a la forma en que se
representan los datos en un grafo. El objetivo principal de este
trabajo es explorar la mayor capacidad de las GNN a la hora de
implementar RS para datos en grafos. Para ello se trabajó con datos de
la Biblioteca Ceibal, una biblioteca digital pública para
beneficiarios de Ceibal y la población en general. En particular se
utilizaron los datos de los usuarios adultos con el fin de implementar
RS basados en GNN sobre grafos de correlación, denominado aquı́ como
el modelo CorrG-RS. Se formuló el problema como uno de clasificación
binaria para decidir si a un usuario le gustará determinado ı́tem o no
y a partir de ello realizar recomendaciones. Esta forma de modelar el
problema resulta de interés por lo novedoso respecto a la literatura
consultada y a la mayor variedad de métricas disponibles a la hora de
evaluar los RS. Con ese fin se implementaron las aquı́ llamadas
métricas tradicionales y métricas alternativas. Las primeras capaces
de evaluar aspectos más bien objetivos de los resultados mientras que
las segundas hacen lo propio en rasgos más bien subjetivos. Luego de
entrenados, estos modelos fueron comparados con otros basados en
métodos clásicos y en GNN sobre grafos de conocimiento. Se encontró
que CorrG-RS es capaz de competir con ambas clases de métodos,
teniendo como ventaja un buen desempeño computacional comparado con su
par basado en grafos de conocimiento. También este modelo demostró las
mejoras que puede introducir la fácil incorporación de atributos de
los ı́tems a los entrenamientos, sin necesidad de llevar a cabo
grandes procesamientos manuales de estos. Ambas caracterı́sticas de
CorrG-RS son prometedoras de cara a un futuro donde cada vez se tengan
más fuentes de datos y la necesidad de integrarlos en un mismo sistema
de recomendación.