پیدایش تجارت الکترونیک به شرکتها اجازه داده است که گزینه های بیشتری را برای مشتریان ارائه کنند. بنابراین، کسب وکارها مقدار اطلاعاتی که مشتریان باید پیش از انتخاب اقلام مورد نظر خود پردازش نمایند را افزایش داده اند. یک راهکار برای حل این مشکل اضافه بار اطلاعاتی، استفاده از سیستمهای پیشنهاد دهنده (توصیه گر) می باشد. این سیستمها از مشتریان یاد می گیرند و محصولاتی را توصیه می کنند که ترجیحات آنها را راضی نماید. سیستمهای توصیه گر رضایت مشتری را ارتقا بخشیده و بنابراین فروش های تجارت الکترونیکی را افزایش می دهند. "پالایش همکاری"، یکی از امید بخش ترین روشها در سیستمهای توصیه گر می باشد. این روش از ترجیحات گروهی از کاربران جهت ارائه توصیه برای دیگران استفاده می کند. علی رغم موفقیت این روش در بسیاری از حوزه های کاربردی، محدودیتهای عمده ای از قبیل مشکلات خلوتی، کاربر/مورد جدید و مقیاس پذیری نیز به همراه خواهد داشت. در طی سالهای اخیر، کارهای زیادی بر روی بهبود پالایش همکاری تمرکز داشته اند، اما هیچ یک نتوانسته اند تمام مشکلات آن را بطور کارا برطرف نمایند. در این پایان نامه، ما یک سیستم ترکیبی جدید ارائه می کنیم که از فناوری وب معنایی در کنار خوشه بندی دو جهته برای تخفیف مشکلات فوق بهره می برد. نتایج آزمایشات بر روی مجموعه داده movielens، اثربخشی و کارایی سیستم پیشنهادی ما در مقایسه با دیگر روش های موجود را تایید می کند.