باتوجه به گسترش سریع و مداوم اینترنت، ضرورت وجود یک سیستم توصیه‏ گر موثر، برای پالایش حجم عظیم اطلاعات، تا حد زیادی افزایش یافته است. یک سیستم‏ توصیه‏ گر، از داده‏ های ورودی برای پیش‏ بینی علایق کاربران استفاده می‏ کند. هدف سیستم‏ های توصیه‏ گر ارائه لیستی از آیتم‏ های مورد علاقه کاربر به اوست. به‏ طورکلی راهکارهای ارائه شده برای سیستم‏ های توصیه‏ گر ، به سه دسته کلی محتوا محور (cb)، پالایش گروهی( cf ) و ترکیبی تقسیم می‏ شوند. در راهکار محتوا محور، آیتم‏ های پیشنهادی، از نظر محتوا، مشابه آیتم‏ های قبلی مورد علاقه‏ ی‏ کاربرِ هدف می‏ باشند. درحالی‏ که در راهکار پالایش گروهی، آیتم‏ های توصیه‏ شده، بر اساس ارزیابی‏ های گذشته‏ ی گروه زیادی از کاربران انتخاب می‏ شوند. پالایش گروهی در مقایسه با راهکارهای دیگر، به دلیل سادگی و کارایی بالا بسیار مورد توجه قرار گرفته است. یکی از کاراترین روش‏‏ های مورد استفاده در پالایش گروهی برای تخمین رتبه‏ های نامشخص کاربر، فاکتورسازی ماتریس است. دراین پایان‏ نامه، الگوریتم‏ های جدیدی مبتنی‏ بر فاکتورسازی ماتریس جهت رفع چالش‏ های موجود و افزایش دقت، ارائه شده است. بیشتر روش‏‏ های مبتنی‏ بر فاکتورسازی ماتریس، تنها از رتبه‏ های شناخته شده برای آموزش استفاده می‏ نمایند و قادر به کاهش تأثیر مشکل تُنکی داده نیستند، بااین‏ حال، ‏در کاربردهای واقعی، ماتریس رتبه‏ ها، تُنک می‏ باشد. کارایی روش‏‏ های فاکتورسازی ماتریس، به چگونگی مدل‏ سازی سیستم‏، برای کاهش تُنکی داده بستگی دارد. بدین منظور، در این پایان‏ نامه، یک الگوریتم جدید به نام pmult برای افزایش کارایی سیستم و از بین بردن چالش تُنکی ماتریس، با به‏ کارگیری رتبه‏ های پیش‏ تخمین از درآیه‏ های نامشخص، ارائه شده است. بسیاری از سیستم‏ های توصیه‏ گر مبتنی‏ بر فاکتورسازی ماتریس، به‏ صورت زنجیره‏ ای، عمل نموده و به همین دلیل سرعت اجرای آن ها برای ماتریس‏ های بزرگ بسیار کم خواهد بود. لذا یک راهکار برای افزایش سرعت، موازی‏ سازی روش‏‏ های فاکتور‏سازی ماتریس است. در این پایان‏ نامه، باهدف موازی‏ سازی توصیه‏ گر پالایش گروهی برمبنای فاکتورسازی ماتریس، چهار الگوریتم موازی مبتنی‏ بر فاکتورسازی ماتریس (c-mult، s-mult، c-pmult و s-pmult) برای کاهش هزینه محاسباتی و غلبه بر چالش مقیاس‏ پذیری، ارائه شده است. علاوه بر این، سیستم‏ های توصیه‏ گر مبتنی‏ بر فاکتورسازی ماتریس، از نوع مدل‏ های دسته‏ ای هستند و قادر به به‏ روزرسانی افزایشی نمی‏ باشند. ازطرفی، با کوچکترین تغییری در ماتریس رتبه‏ ها، محاسبات باید از ابتدا تکرار شود که به دلیل پویا بودن محیط سیستم‏ های توصیه‏ گر این امر غیرممکن خواهد بود. لذا در این پایان‏ نامه جهت رفع این مشکل، دو الگوریتم فاکتورسازی ماتریس افزایشی با نام‏ های i-mult و i-pmult ارائه شده است، که این روش‏‏ ها قادر هستند با داده‏ های جدید، مدل سیستم را به‏ صورت افزایشی آموزش دهند.