رشد روز افزون اطلاعات کاربران را ملزم به صرف هزینه و زمان زیادی برای پیدا کردن گزینه های موردعلاقه خود کرده است. از این رو برای کمک به انتخاب بهترین گزینه ممکن از میان حجم وسیع اطلاعات، سیستم های توصیه گر ظهور کردند. سیستم های توصیه گر درکاربردهای زیادی از قبیل تجاری، پژوهشی، پزشکی وگردشگری استفاده قرار می گیرند. یکی از مشهورترین سیستم های توصیه گر، سیستم های پالایش گروهی هستند که بر اساس شباهت رتبه دهی کاربران عمل می کنند. در سیستم های پالایش گروهی بکارگیری اطلاعات اجتماعی و به عبارت دیگر، اطلاعات مربوط به دوستان کاربر که به عنوان اطلاعات اعتماد شناخته می شوند، می توانند جهت ارائه توصیه های دقیق تر به کاربران مورد استفاده قرار گیرند. تجزیه ماتریس یکی از روش-های مبتنی بر مدل در سیستم های پالایش گروهی است. به علت تنکی داده ها برآورد دقیق مقادیر رتبه دهی های نامعلوم برای روش-های فعلی کار دشواری است. در این پایان نامه چهار روش جدید به منظور بهبود کارایی سیستم های توصیه گر مبتنی بر تجزیه ماتریس معرفی شده است. روش پیشنهادی اول با کاهش واریانس و به کارگیری خوشه بندی سبب بهبود تنوع و دقت در ارائه ی توصیه ها گردیده است. در روش پیشنهادی دوم ماتریس های فاکتور نهان کاربر و آیتم با روش تجزیه مقادیر منفرد برای مقداردهی شده اند که تنکی داده ها و مقیاس پذیری الگوریتم را پوشش داده است. روش پیشنهادی سوم با استفاده از شباهت کاربران مورد اعتماد، روش پیشنهادی دوم را بهبود داده است. در روش پیشنهادی چهارم با تعریف مفهوم درجه اعتماد در سیستم های توصیه گر مبتنی بر اعتماد،کارایی سیستم در بهبود دقت پیش بینی افزایش یافته است.
