سیستم های توصیه گر نوع خاصی از سیستم های فیلترینگ اطلاعات هستند که مورد ها یا عناصر اجتماعی را براساس علایق کاربران به آنها توصیه می کنند. الگوریتم های مختلف در سیستم های توصیه گر به صورت زیر طبقه بندی می شوند: فیلترینگ همکارگونه (cf) که در آنها مورد ها به کاربران بر اساس امتیازدهی های قبلی سایر کاربران توصیه می شود و توصیه محتوامحورکه در آنها مورد هایی توصیه می شوند که از نظر محتوا به مورد هایی شبیه هستند که کاربر در گذشته دوست داشته است و روش های ترکیبی که در این روش ها هر دو روش فیلترینگ همکارگونه و محتوامحور با هم ترکیب می شوند. یکی از مهم ترین سیستم های توصیه فیلم سیستم توصیه گر intimate نام دارد. همچنین الگوریتم های مختلفی مانند الگوریتم ترکیب روش چند بعدی و چند ضابطه ای و الگوریتم های مبتنی بر قدم های تصادفی و یک الگوریتم توصیه فیلم با استفاده از یک سیستم ایمنی مصنوعی (ais) نیز برای توصیه فیلم استفاده می شوند. در این پایان نامه الگوریتم k تا از نزدیک ترین همسایه ها (knn) را که در تعدادی از روش های توصیه فیلم ذکر شده به کار رفته است بررسی می کنیم و مشکلات روش همکارگونه مانند (مشکل شروع سرد) و (مقیاس پذیری) را با استفاده از این الگوریتم برطرف می نماییم. با بررسی روش های ترکیبی مخلوطی و تعویضی یک روش توصیه ترکیبی تعویضی پیشنهاد می شود که روش های فیلترینگ همکارگونه و روش محتوامحور و فیلترینگ آماری را با هم ترکیب می کند. در پایان به معرفی یک سیستم توصیه گر ترکیبی و عملیات پیاده سازی آن می پردازیم. در این سیستم روش های محتوامحور و فیلترینگ همکارگونه در یک روش ترکیبی ترکیب می شود و از ویژگی های محتوایی برای بهبود دقت توصیه فیلترینگ همکارگونه استفاده می شود.

صنعت تجارت الکترونیکی به سرعت در حال رشد بوده و اطلاعات موجود درباره محصولات و کاربران با نرخ نمایی رو به افزایش است. در چنین شرایطی کاربران این سیستم ها برای یافتن اطلاعات مورد نیاز خود، دچار مشکل بسیار خواهند بود. برای کمک به مشتریان، شرکت های بزرگ در عرصه تجارت الکترونیکی، از سیستم های توصیه گر برای حل مشکل استفاده می کنند. سیستم های توصیه گر با بهره گیری از تکنیک های آماری و کشف دانش به منظور توصیه محصولات به کاربران و کاهش مشکلات ناشی از حجم زیاد داده به کار میروند. برخی از چالش های موجود در سیستم های توصیه عبارتند از، تولید توصیه هایی با کیفیت بالا، انجام توصیه های بسیار در واحد ثانیه برای میلیون ها کاربر، رسیدگی به مشکل پراکندگیداده و مواردی از این دست.

سیستم های کامپیوتری و مرتبط به اینترنت در معرض تعداد زیاد حملات شبکه قرار دارند. هرچند استفاده از دیواره آتش و آنتی ویروس ها تا حدودی از نفوذهای ناخواسته جلوگیری می کند، اما باز هم ممکن است نفوذهایی به سیستم ها اتفاق بیفتد و اطلاعات مهم و محرمانه به دست نفوذگرها بیفتد. به عنوان یک راه حل برای این مشکل می توان از سیستم های تشخیص نفوذ که به منظور شناساندن استفاده غیر مجاز از سیستم های کامپیوتری کاربرد دارند، استفاده کرد. برای تشخیص استفاده غیر مجاز از سیستم های کامپیوتری روش های زیادی وجود دارند. اکثر روش های تشخیص نفوذ از بانک اطلاعاتی مربوط به رفتار های کاربران (رفتار عادی و حملات مخرب) استفاده می کنند. تهیه این بانک ها به صورت دستی کار بسیار پر هزینه و وقت گیری محسوب می شود. با توجه به این که نیاز است برای تشخیص نفوذ زمان کوتاهی صرف شود، بنابراین به نحوی باید زمان تشخیص پایین آورده شود. بنابراین باید با استفاده از روش هایی نیاز به بانک های اطلاعاتی را در حد امکان کاهش داد. کارهایی در این زمینه انجام شده است که با کاهش تعداد داده ها زودتر به تشخیص حملات پرداخته شود. از روش های مختلف یادگیری ماشینی به این منظور استفاده شده است که در تلفیق با یادگیری فعال قرار می گیرند. در این جا از روشی جدید برای تشخیص نفوذ استفاده می شود که با ترکیب دو معیار عدم قطعیت و توزیع شدگی انجام می شود. در این روش علاوه بر کاهش زمان یادگیری، دقت الگوریتم یادگیری ماشینی افزایش داده شده است. در این روش از ماشین بردار پشتیبان استفاده شده است که با تغییراتی در یادگیری ماشینی و استفاده از تعداد داده های کمتر برای یادگیری باعث شده است که سرعت تشخیص نفوذ بالا برود.