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
   • مقدمه
   • ترجیحات کاربر و امتیازدهی
   • پیش‌بینی ترجیح یا امتیاز
2. انواع رویکردها و مدل‌های سیستم‌های توصیه‌گر
   • روش‌های تحلیل سبد خرید (Market Basket)
   • رویکرد مبتنی بر محتوا: روش‌های مبتنی بر همسایگی، مبتنی بر شباهت و مبتنی بر مدل
   • رویکرد پالایش همکارانه: روش‌های مبتنی بر همسایگی، روش‌های مبتنی بر مدل، تجزیه ماتریسی (SVD، منظم‌سازی، تجزیه ماتریسی محدودیت‌دار، تجزیه ماتریس با رویکرد احتمالاتی)، روش‌های یادگیری ژرف
   • رویکرد ترکیبی (hybrid): انواع روشهای ترکیب، ادغام و وارد کردن اطلاعات جانبی (side information)
   • ماشین‌های تجزیه (factorization machines)
   • توصیه آگاه از زمینه (context-aware)
   • مدل‌سازی زمانی (temporal) و پویایی زمانی در سیستم‌های توصیه‌گر
3. ارزیابی سیستم‌های توصیه‌گر
   • متدولوژی ارزیابی
   • انواع آزمایش‌ها
   • معیارهای ارزیابی
4. تجارب کاربر (user experiences)
   • فاکتورهای انسانی در طراحی سیستم
   • درک رفتار کاربر
   • ارزیابی کاربر-محور (user-centered)
5. کاربردها
   • وب‌سایتهای تجارت الکترونیک (E-commerce)
   • شبکه‌های اجتماعی (social networks)
   • دیگر زمینه‌ها نظیر اخبار، سلامت و نظایر آن
   • مطالعه موردی (Amazon, Netflix, Google News, YouTube)
6. دیگر جنبه‌های عملی
   • توضیح (explanation) توصیه‌ها و اعتماد (Trust)
   • مقیاس‌پذیری (scalability)
   • اعمال نفوذ (manipulation)، حریم خصوصی (Privacy) و حملات (attacks)

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