Interactive Intelligent Systems nutzen Technologien aus dem Bereich der Künstlichen Intelligenz (z.B. aus der natürlichen Sprachverarbeitung) zum Aufbau sogenannter Intelligent Systems, mit denen Menschen interagieren können, um die Fähigkeiten des technischen Systems zu verbessern oder zu erweitern (z.B. manuelle Bildklassifizierung).
Dieses Semester werden wir uns mit dem Bereich der Empfehlungssysteme beschäftigen. Interactive Recommender Systems erweitern den traditionellen Ansatz von Empfehlungssystemen im Bereich Human-Computer Interaction mit der Realisierung einer dialogischen Interaktion, in welcher textuelle oder visuelle Erklärungen (engl. explanations) zu den systemseitig generierten Empfehlungen gegeben werden. Die Interaktion mit oder die Korrektur der gegebenen Empfehlungen erfolgt durch Feedback, um letztlich den “Dialog” zu initiieren. Die Generierung von Explanations und das Speichern von Feedback erfolgt über ein Nutzermodell, für welches unterschiedliche Ansätze (z.B. feature-based modells) existieren. Interactive Recommender Systems erhöhen das Verständnis der Beziehung zwischen dem Input des Systems, d.h. den individuellen Präferenzen und den gegebenen Empfehlungen, wodurch Personen eine vorhersehbare und effektive Interaktion erlaubt wird.
Sie werden in diesem Proseminar eine Einführung in das Thema Recommender Systems, mit dem Schwerpunkt auf die Interaktionsperspektive erhalten, um diese Intelligent Systems im Bereich der Mensch-Computer-Interaktion zu kontextualisieren.
Zunächst wird eine Einführung in das Thema Recommender Systems gegeben. Darauf aufbauend, werden wir uns bestehende Ansätze, Methoden und Umsetzungen in Form von Referaten erschließen.
Es wird von dem Teilnehmenden erwartet, ein Referat selbstständig vorzubereiten, vorzutragen und mit der Gruppe zu diskutieren. Basierend auf den Ergebnissen der Diskussion erfolgt dann die schriftliche Ausarbeitung.
Literatur
| General Reading Jameson, A., & Riedl, J. (2011). Introduction to the Transactions on Interactive Intelligent Systems. TiiS, 1(1), 1–6. http://doi.org/10.1145/2030365.2030366 Terveen, L. G. (1995). Overview of human-computer collaboration. Knowledge-Based Systems, 8(2-3), 67–81. http://doi.org/10.1016/0950-7051(95)98369-H Farooq, U., & Grudin, J. (2016). Human-computer integration. Interactions, 23(6), 26–32. http://doi.org/10.1145/3001896 Term Specific Reading Jugovac, M., & Jannach, D. (2017). Interacting with Recommenders—Overview and Research Directions. ACM Transactions on Interactive Intelligent Systems (TiiS), 7(3), 10–46. http://doi.org/10.1145/3001837 He, C., Parra, D., & Verbert, K. (2016). Interactive recommender systems: A survey of the state of the art and future research challenges and opportunities. Expert Systems with Applications, 56, 9–27. http://doi.org/10.1016/j.eswa.2016.02.013 |
Zusätzliche Informationen - Themenaufteilung
Ressources
Recommender Libraries:
- Surprise (Python, scikit; Standard-RecSys-Algorithmen, mainly Matrix Factorization): http://surpriselib.com/
- Spotlight (Python; Factorization Algorithmen, Deep Learning RecSys-Algorithm, als sequentiell recommendations): https://maciejkula.github.io/spotlight/
- Lenskit (Python; Standard-RecSys-Algorithmen, mainly Matrix Factorization): https://lenskit.org/
- LibRec (Java; Standard-RecSys-Algorithmen, mainly Matrix Factorization): https://www.librec.net/
- CARSKit (Java;Standard-RecSys-Algorithmen, Context-aware Recsys-Algorithm): https://github.com/irecsys/CARSKit
- Extensive List of RecSys Libraries: https://github.com/grahamjenson/list_of_recommender_systems
Data Sets:
- MovieLens (movies with ratings; is part of most libraries anyway): https://grouplens.org/datasets/movielens/
- Book-Crossings (books with ratings): http://www2.informatik.uni-freiburg.de/~cziegler/BX/
- LFM-1b (listening histories of Last.fm): http://www.cp.jku.at/datasets/LFM-1b/