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.

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 …

• امتحان میان ترم: ۲۰٪
• امتحان پایان ترم: ۳۰٪
• تمرین: ۲۰٪
• پروژه: ۳۰٪