با توسعه ی سریع محیط جهانی وب، افراد می توانند دانش و اطلاعات خود را از طریق مجموعه ای از ابزارهای انتشار برخط نظیر سیستم های اشتراک گذاری برخط و یا سایت های تجارت الکترونیک، به اشتراک بگذارند. تاکنون ابزارهای زیادی جهت کنترل و سازماندهی این اطلاعات ارائه شده اند. سیستم های توصیه گر، نمونه ای از موفق ترین ابزارهای شخصی سازی وب هستند. مهم ترین وظیفه ی یک سیستم توصیه گر، شناسایی و معرفی آیتم های مورد علاقه ی کاربر در یک فضای بسیار بزرگ از آیتم های قابل انتخاب ( مثل موسیقی، فیلم، کتاب، صفحه وب و ...) است. یکی از معروف ترین و پرکاربردترین سیستم های توصیه گر، روش پالایش گروهی می باشد که از شباهت بین کاربران برای تولید پیشنهاد استفاده می کند. با وجود اینکه این روش ها دقت بالایی در تولید پیشنهاد دارند، اما اغلب دارای ضعف هایی نیز می باشند. این روش ها برای محاسبه ی شباهت بین کاربران نیاز دارند که هر کاربر به تعداد زیادی از آیتم ها رتبه داده باشد که در دنیای واقعی به ندرت این اتفاق می افتد. یک راهکار برای برطرف کردن این مشکل استفاده از مفهوم اعتماد در کنار رتبه های ارائه شده توسط کاربر است که منجر به معرفی سیستم های توصیه گر مبتنی بر اعتماد شده است. سیستم های توصیه گر مبتنی بر اعتماد، یک شبکه ی اعتماد از کاربر هدف به منظور تولید پیشنهاد ایجاد می کنند. یکی از مهم ترین کاربرد های شبکه ی اعتماد، برطرف کردن مشکل انتخاب همسایگی برای کاربر هدف می باشد، زیرا همبستگی زیادی بین روابط اعتماد و مقادیر شباهت کاربران وجود دارد. بنابراین، روابط اعتماد می توانند به عنوان یک منبع اطلاعاتی موثر برای پیش بینی رتبه ها در سیستم های توصیه گر، مورد استفاده قرار گیرند. در این پایان نامه دو روش جدید مبتنی بر حافظه و مبتنی بر مدل به منظور افزایش دقت پیش بینی رتبه ها و رفع مشکل انتخاب همسایگی در سیستم های توصیه گر ارائه شده اند. در روش مبتنی بر حافظه از یک معیار قابلیت اطمینان به منظور افزایش دقت پیش بینی رتبه ها استفاده شده است. بعلاوه، یک روش بازسازی شبکه ی اعتماد بر اساس معیار قابلیت اطمینان ارائه شده، به منظور افزایش دقت و قابلیت اطمینان پیش بینی ها ارائه شده است. در روش مبتنی بر مدل یک روش خوشه بندی جدید به منظور خوشه بندی کاربران و یا آیتم های موجود در سیستم بر اساس تئوری گراف، معیار شباهت و رو
