سیستم‌های توصیه‌گر

Recommender Systems

مقطع: تحصیلات تکمیلی گرایش: علم داده
نوع درس: نظری تعداد واحد: ۳
پیش‌نیاز: – هم‌نیاز: –

هدف کلی

هدف این درس آشنایی با مفاهیم، مسائل و تکنیک‌های زمینه سیستم‌های توصیه‌گر (recommender systems) و نقش و کاربرد عملی آن‌ها است. انواع سیستم‌های توصیه‌گر نظیر پالایش مبتنی بر محتوا (content-based) و پالایش همکارانه (collaborative filtering) و همچنین حوزه‌های کاربردی این سیستم‌ها معرفی خواهد شد. همچنین در خصوص جنبه‌های مهم ارزیابی و تحلیل این سیستم‌ها بحث خواهد شد.

سرفصل‌ها

  1. معرفی سیستم‌های توصیه‌گر و کاربردهای آن
  2. ترجیحات کاربر و امتیازدهی و پیش‌بینی ترجیح یا امتیاز
  3. انواع رویکردها و مدل‌های سیستم‌های توصیه‌گر
  4. پالایش مبتنی بر محتوا (content-based)
  5. پالایش همکارانه (collaborative filtering)
  6. توصیه آگاه از زمینه (context-aware)
  7. مدل‌سازی زمانی (temporal) و پویایی زمانی در سیستم‌های توصیه‌گر
  8. ارزیابی سیستم‌های توصیه‌گر
  9. تجارب کاربر (user experiences)
  10. توصیه محصولات براساس اطلاعات جانبی (side information)
  11. کاربردها شامل وب‌سایتهای تجارت الکترونیک (E-commerce) و شبکه‌های اجتماعی (social networks)
  12. دیگر جنبه‌های عملی مانند توضیح (explanation) توصیه‌ها و اعتماد (Trust)، مقیاس‌پذیری (scalability) و …

ارزیابی پیشنهادی

منابع پیشنهادی

  1. J. Dietmar. Recommender Systems: An Introduction. New York: Cambridge University Press, 2011.