ד"ר משה אונגר

ד"ר משה אונגר הוא מרצה בפקולטה לניהול באוניברסיטת תל אביב בתחום ניהול טכנולוגיה ומערכות מידע. מחקריו כוללים בין היתר שימוש בלמידת מכונה ושיטות AI, לרבות שימוש בלמידה עמוקה, למציאת דפוסי התנהגות של משתמשים במערכות המלצה, למידה מנתוני עתק (Big Data) לקבלת החלטות עסקיות ופיתוח שיטות מדעי הנתונים לפתרון בעיות עסקיות.

ד"ר אונגר סיים את לימודי הדוקטורט שלו במחלקה להנדסת מערכות תוכנה ומידע באוניברסיטת בן גוריון בשנת 2018, והשתלם בפוסט-דוקטורט במנהל עסקים באוניברסיטת ניו יורק. הוא בעל תואר ראשון בהנדסת תוכנה ותואר שני בהנדסת מערכות תוכנה ומידע, שניהם מאוניברסיטת בן גוריון בנגב. בהיבט הנסיון המקצועי, משה שימש כחוקר ומנהל פרויקטים במרכז למחקר אבטחת הסייבר (CSRC) של במעבדות דויטשה טלקום באוניברסיטת בן-גוריון ושיתף פעולה עם חברות שונות, כולל Spotify ו- Dell EMC.

קורות חיים מלאים

מערכות המלצה, נתוני עתק, למידת מכונה, למידה עמוקה, אבטחת מידע ופרטיות.

• Bauman, Konstantin, Alexander Tuzhilin, and Moshe Unger. "HyperCARS: Using Hyperbolic Embeddings for Generating Hierarchical Contextual Situations in Context-Aware Recommender Systems." Information Systems Research (2024).
   
• Unger, M., Wedel, M. & Tuzhilin, A. Predicting consumer choice from raw eye-movement data using the RETINA deep learning architecture. Data Min Knowl Disc (2023).
   
• Unger, Moshe, et al. "Don’t Need All Eggs in One Basket: Reconstructing Composite Embeddings of Customers from Individual-Domain Embeddings." ACM Transactions on Management Information Systems (2023).
  ‏
• Unger, M., Tuzhilin, A., & Livne, A. (2020). Context-Aware Recommendations Based on Deep Learning Frameworks. ACM Transactions on Management Information Systems (TMIS), 11(2), 1-15.
   
• Unger, M., & Tuzhilin, A. (2020). Hierarchical Latent Context Representation for Context-Aware Recommendations. IEEE Transactions on Knowledge and Data Engineering (TKDE).
   
•  Unger, M., Shapira, B., Rokach, L., & Livne, A. (2018). Inferring contextual  preferences using deep encoder-decoder learners. New Review of Hypermedia and Multimedia, 24(3), 262-290.
   
• Unger, M., Bar, A., Shapira, B., & Rokach, L. (2016). Towards latent context-aware recommendation systems. Knowledge-Based Systems, 104, 165-178.

Publications in Refereed Conferences
 

• Unger, M., Shapira, B., Rokach, L., & Bar, A. (2017). "Inferring contextual preferences using deep auto-encoding", In Proceedings of the 25th Conference on User Modeling, Adaptation and Personalization (pp. 221-229). ACM.
  ‏‏
• Bar, A., Shapira, B., Rokach, L., & Unger, M. (2016). "Scalable attack propagation model and algorithms for honeypot systems", In Big Data (Big Data), 2016 IEEE International Conference on (pp. 1130-1135). IEEE.
  ‏
• Bar, A., Shapira, B., Rokach, L., & Unger, M. (2016). "Identifying Attack Propagation Patterns in Honeypots Using Markov Chains Modeling and Complex Networks Analysis", In Software Science, Technology and Engineering (SWSTE), 2016 IEEE International Conference on (pp. 28-36). IEEE.
  ‏
• Unger, M., Shapira, B., Rokach, L., & Bar, A. (2016). "Deep Auto-Encoding for Context-Aware Inference of Preferred Items' Categories", In RecSys Posters.
  ‏
• Unger, M. (2015). "Latent context-aware recommender systems", In Proceedings of the 9th ACM Conference on Recommender Systems (pp. 383-386). ACM.
  ‏
• Unger, M., Bar, A., Shapira, B., Rokach, L., & Gudes, E. (2014). "Contexto: lessons learned from mobile context inference", In Proceedings of the 2014 ACM International Joint Conference on Pervasive and Ubiquitous Computing: Adjunct Publication (pp. 175-178). ACM.‏