BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//Date iCal//NONSGML kigkonsult.se iCalcreator 2.20.2//
METHOD:PUBLISH
X-WR-CALNAME;VALUE=TEXT:Eventi DIAG
BEGIN:VTIMEZONE
TZID:Europe/Paris
BEGIN:STANDARD
DTSTART:20251026T030000
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
END:STANDARD
BEGIN:DAYLIGHT
DTSTART:20260329T020000
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
END:DAYLIGHT
END:VTIMEZONE
BEGIN:VEVENT
UID:calendar.30060.field_data.0@oba.diag.uniroma1.it
DTSTAMP:20260407T185645Z
CREATED:20260126T144052Z
DESCRIPTION:This talk explores the emerging field of generative recommender
  systems and their foundation in large language models. We'll examine what
  foundation models are\, when they offer advantages for recommendation tas
 ks\, and when traditional approaches may be more suitable.A key focus will
  be on Semantic IDs—a novel approach to representing items in ways that LL
 Ms can understand and generate. I'll demonstrate how to leverage Semantic 
 IDs to build LLM-based recommender systems\, covering practical aspects in
 cluding:Implementing models for Semantic ID generationFine-tuning large la
 nguage models for recommendation tasksOptimization strategies for efficien
 t trainingEvaluation methodologies for generative recommendation systemsTh
 e session will provide both conceptual foundations and practical insights 
 for researchers and practitioners interested in applying generative AI to 
 recommendation problems. Bio: Kim Falk is a computer scientist turned Reco
 mmender Scientist\, and spent more than the last decade working on recomme
 nder systems. Kim has worked in the industry since 2003 and has been activ
 e in the research community\, publishing papers and serving as a chair at 
 the ACM RecSys conference for 5 years. Kim is the author of Practical Reco
 mmender Systems.  This seminar is part of the project  Algorithmic Auditin
 g for Music Discoverability (AA4MD) which has received funding from the Eu
 ropean Union’s Horizon Europe research and innovation programme under the 
 Marie Skłodowska-Curie grant agreement No 101148443
DTSTART;TZID=Europe/Paris:20260205T143000
DTEND;TZID=Europe/Paris:20260205T143000
LAST-MODIFIED:20260126T145432Z
LOCATION:B101
SUMMARY:Introduction to Generative RecSys and Semantic IDs - Kim Falk\n\n\n
   \n  \n\n    \n\n\nLorenzo\n\n\nPorcaro  \n\n  \n\n    \n\n\n\n\n\nassegn
 ista di ricerca\n\n\npagina personale\n\nstanza: \n\nB123\n\nMember of: \n
 \n  \n\n  \n\n    \n\nBiografia: \n\n\n\nLorenzo Porcaro ha conseguito la 
 laurea triennale in Matematica per le Applicazioni nel 2014 presso La Sapi
 enza - Università di Roma (Italia) e i master in Sound and Music Computing
  (2015) e Intelligent Interactive Systems (2018) presso l’Universitat Pomp
 eu Fabra (UPF) di Barcellona (Spagna). Dal 2018 al 2022 ha svolto un dotto
 rato di ricerca intitolato “Assessing the Impact of Music Recommendation D
 iversity on Listeners” presso il Music Technology Group\, parte del Dipart
 imento di Tecnologia dell’Informazione e della Comunicazione della UPF\, s
 otto la supervisione della Prof.ssa Emilia Gómez e del Prof. Carlos Castil
 lo. La sua tesi si è concentrata sull’esplorazione di nuovi metodi per val
 utare l’impatto della diversità nelle raccomandazioni musicali sui comport
 amenti e sugli atteggiamenti degli ascoltatori\, fornendo prove empiriche 
 sul ruolo che la diversità gioca nel mediare la relazione tra raccomandazi
 oni musicali e ascoltatori. Ha conseguito il titolo di dottore di ricerca 
 presso la UPF con il massimo dei voti (“cum laude”) nel 2022.\n\n\nDurante
  il dottorato\, Lorenzo ha partecipato al progetto TROMPA (Towards Richer 
 Online Music Public-domain Archives)\, un’iniziativa di ricerca internazio
 nale finanziata dall’Unione Europea per migliorare l’accessibilità delle r
 isorse musicali digitali di pubblico dominio. Ha inoltre collaborato al pr
 ogetto MusicalAI\, finanziato dal Ministero della Scienza e dell’Innovazio
 ne del Governo Spagnolo\, esplorando applicazioni dell’IA per supportare e
 sperienze musicali in un’ottica data-driven e centrata sull’utente. Prima 
 di intraprendere il dottorato\, ha acquisito esperienza nell’industria mus
 icale in diversi ruoli di ingegneria dei dati. Nel 2015 ha svolto uno stag
 e presso SoundCloud\, una delle più grandi piattaforme di streaming musica
 le al mondo. Successivamente\, ha lavorato presso MonkingMe\, una startup 
 catalana che sviluppava una piattaforma locale di streaming musicale\, e p
 resso BMAT\, un’azienda che monitora e segnala l’uso della musica a livell
 o globale su TV\, radio\, locali e piattaforme digitali.\n\n\nDopo il PhD\
 , Lorenzo ha lavorato come Scientific Project Officer presso il Centro Com
 une di Ricerca (JRC) della Commissione Europea\, dove è stato membro del t
 eam Human Behaviour and Machine Intelligence (HUMAINT) all’interno dell’Un
 ità per la Trasparenza Algoritmica. In questo ruolo\, ha condotto ricerche
  sull’affidabilità dei sistemi di raccomandazione nel contesto del Digital
  Service Act (DSA) e ha contribuito al Centro Europeo per la Trasparenza A
 lgoritmica (ECAT). Le sue ricerche in questo periodo si sono focalizzate s
 ullo sviluppo di metodi per l’auditing dei sistemi di raccomandazione.\n\n
 \nAttualmente\, Lorenzo è Marie Skłodowska-Curie Postdoctoral Fellow press
 o il Dipartimento di Ingegneria Informatica\, Automatica e Gestionale (DIA
 G) de La Sapienza - Università di Roma (Italia). È il ricercatore principa
 le del progetto intitolato Algorithmic Auditing for Music Discoverability 
 (AA4MD)\, in collaborazione con la Prof.ssa Tiziana Catarci\, responsabile
  del gruppo HCI presso il DIAG.\n\n\nqualifica_rr: \n\nPost doc (research 
 associates) and research assistant
URL;TYPE=URI:http://oba.diag.uniroma1.it/node/30060
END:VEVENT
END:VCALENDAR