کاربرد عمومی از وب به عنوان یک سیستم اطلاعات جهانی موجب شده تا کاربران با حجم عظیمی از اطلاعات و داده ها سروکار داشته باشند. کاربران در مواجهه با این حجم عظیم اطلاعات از ده ها هزار منبع، دچار سردرگمی در انتخاب اطلاعات موردنظر خود می شوند. ابزاهایی جهت کنترل و سازمان دهی این اطلاعات ارائه شده اند. سیستم های توصیه گر، نمونه ایی از موفق ترین ابزارهای شخصی سازی وب هستند. مهمترین وظیفه یک سیستم توصیه گر، کشف آیتم های مورد علاقه کاربر در یک فضای بسیار بزرگ از آیتم های قابل انتخاب است. بنابراین سیستم توصیه گر می تواند کاربر را در انتخاب از میان انبوه اطلاعات یاری رساند. یکی از معروف ترین راهکارهای ارائه شده برای سیستم توصیه گر، صافی سازی تجمعی است. برای یک کاربر خاص، در این راهکار با استفاده از رتبه های داده شده به آیتم ها توسط کاربران مشابه، به پیش بینی و پیشنهاد آیتم های جدید به این کاربر خاص پرداخته می شود. در این راهکار، جهت شناسایی کاربران مشابه با کاربر خاص، از معیارهای شباهتی استفاده می شود که به عنوان یک فاکتور مهم در افزایش کارایی سیستم های توصیه گر عمل می نمایند. معیارهای شباهت ارائه شده در سیستم صافی سازی تجمعی بر اساس اطلاعات ماتریس کاربر-آیتم ( که شامل رتبه های کاربران به آیتم هاست) به اندازه گیری شباهت کاربران می پردازند. این معیارها با چالش هایی از جمله شروع سرد ( کاربر تازه وارد به سیستم که تعداد کمی از آیتم ها را رتبه بندی کرده است) ، رتبه هموار (کاربرانی که به آیتم های مختلف، رتبه های مشابهی داده اند )، تعداد آیتم مشترک (تعداد آیتم های مشترک رتبه داده شده بین دو کاربر کم است) و تنکی ماتریس کاربر-آیتم ( تعداد آیتم های رتبه داده نشده زیاد است) مواجهه هستند. در این پایان نامه، معیارهای شباهت جدیدی جهت رفع این مشکلات ارائه شده اند. یکی از این معیارهای ارائه شده، معیار شباهت مبتنی بر رتبه است که چالش های تعداد رتبه مشترک و رتبه هموار را برطرف نموده است. معیار شباهت ارائه شده دیگر، با استفاده از پروفایل کاربران، مشکل تنکی ماتریس کاربر-آیتم را برطرف نموده است. همچنین در این پایان نامه، چارچوب هایی از این معیارها جهت بهبود عملکرد معیارهای مبتنی بر ماتریس کاربر-آیتم ارائه شده اند. علاوه بر این، معیارهایی بر اساس تحلیل سلسله مراتبی جهت افزایش دقت ا
