سیستم های پیشنهاد دهنده با استفاده از روش های آماری و تکنیک های مبتنی بر داده کاوی مشکل پیدا کردن کالای مناسب و مورد نیاز یک مشتری را در حین خرید در سایت خرده فروشی تسهیل می بخشند و از طرفی موجب افزایش فروش در خرده فروشی خواهند شد. این تکنیک ها تاکنون موفقیت های چشم گیری در عرصه تجارت الکترونیک به ویژه خرده فروشی های الکترونیک کسب کرده اند. در این تحقیق قصد داریم تا چند تکنیک معروف در این زمینه را مورد مطالعه و ارزیابی قرار دهیم. تکنیک های تاکنون معرفی شده، برای پیاده سازی با حجم داده ای سنگین، از زمان بازیابی خوبی برخوردار نیستند و به عبارت دیگر این روش ها در محیط های واقعی قابل استفاده نخواهند بود. اگرچه تکنیک های "کاهش فضای مسئله" تا حدی باعث افزایش سرعت بازیابی روش های تئوریک شده اند اما این تکنیک ها از یک طرف موجب کاهش دقت سیستم پیشنهاد دهنده و از طرف دیگر موجب پیچیدگی پیاده سازی می شوند. در این تحقیق قصد داریم تا با ارائه چند پیشنهاد کاملاً جدید بر روی یکی از بهترین سیستم های پیشنهاد دهنده به نام "فیلترینگ مبتنی بر کاربر"، علاوه بر افزایش سرعت بازیابی، دقت آن را نیز تا حدی افزایش دهیم. این تکنیک جدید برای پیاده سازی در محیط های با حجم داده ای سنگین مناسب است و از طرفی بر اساس آزمایش های صورت گرفته در این تحقیق، دقت آن نسبت به سیستم پیشنهاد دهنده مبتنی بر کاربر در حدود 6% بهبود یافته است. برای پیاده سازی الگوریتم ها در محیط آزمون از دو پایگاه داده ای نظر سنجی فیلم و فروش کتاب استفاده شده است.