سیستم های توصیه گر سیستم های هوشمندی هستند که در فضای اینترنت با شناسایی علایق و اولویتهای کاربر، اطلاعات موجود را پالایش کرده و توصیه هایی مناسب و مرتبط را به کاربران ارائه می کنند. اگر توصیه هایی که ارائه می دهند با سلایق کاربر هم خوانی نداشته باشد ، آنگاه کاربر اعتمادی به این سیستم ها نخواهد داشت و خود به دنبال علایقشان خواهد گشت . به همین دلیل در سالهای اخیر الگوریتم های گوناگونی در جهت ارتقای کیفیت این سیستم ها ابداع شده اند . ما در این مقاله در تلاش هستیم تا با پیشنهاد یک معیار ترکیبی جدید در سنجش شباهت کاربران، خطای سیستم توصیه گر را کاهش دهیم. این معیار به صورت ترکیبی از اطلاعات پروفایل کاربران و رتبه های داده شده به آیتم ها توسط دیگر کاربران طراحی شده است. از الگوریتم خوشه بندی فازی جهت خوشه بندی کاربران بر اساس اطلاعات پروفایل استفاده شده است و برای یافتن بردار وزنی بهینه برای درجه بندی نرخ های کاربران الگوریتم ژنتیک بکار گرفته شده است. نتایج بدست آمده در آزمایشات نشان داده که این روش توانسته عملکرد بهتری نسبت به معیارهای شباهت سنتی داشته باشد.
