سیستم های توصیه، ابزارهای نرم افزاری¬ هستند که در پایگاه های اطلاعاتی، پیاده سازی شده و با پیشنهاد اقلام موجود در پایگاه، کاربران را در رسیدن به اطلاعات مورد علاقه ی خود یاری می کنند. رویکرد های سنتی از دسترسی های پیشین کاربران به اقلام که در فایل گزارش کارگزار پایگاه ثبت شده است، برای تنظیم توصیه ها استفاده می کردند. یکی از مشکلات این سیستم ها نیاز آن ها به بروزرسانی دانش اولیه ی خود است که بایستی به صورت دوره ای انجام شود؛ بنابراین سیستم های توصیه ی پویا که قادرند دانش خود را اصلاح نمایند، پدید آمدند. یکی از این نوع سیستم های پویا، سیستم های مبتنی بر اتوماتای سلولی یادگیر است که بر پایه ی تکنیک پاداش دهی به اعمال خود، به منظور یادگیری رفتار کاربران عمل می کند. در این پایان نامه، با ارائه ی یک معیار جدید برای جریمه و پاداش اعمال در سیستم های مبتنی بر اتوماتای سلولی یادگیر، عملکرد این سیستم ها را بهبود بخشیده و توصیه های دقیق تری را ایجاد می نماییم. استفاده از معیار شباهت محتوایی بین توصیه های تولید شده توسط سیستم و اقلامی که کاربر مرور می کند، به منظور پاداش دهی اعمال در اتوماتای سلولی، باعث می شود که سیستم به مرور زمان به نیاز محتوایی کاربر نزدیک شده و توصیه هایی مشابه با این نیاز به کاربر ارائه دهد. این استفاده ی ضمنی از معیار شباهت محتوایی در سیستم های مبتنی بر اتوماتای سلولی یادگیر، باعث تولید یک سیستم توصیه ی ترکیبی می شود که ضمن حفظ سادگی سیستم های فیلترگذاری مشارکتی، کارایی سیستم های ترکیبی را نیز داراست. سیستم پیشنهادی بر روی مجموعه داده ی حاصل از محتوای سایت و فایل گزارش کارگزار دانشگاه یزد پیاده سازی شده و مورد آزمایش قرار گرفته است. نتایج حاصل از آزمایش های انجام شده بر روی دقت و کیفیت توصیه های ارائه شده توسط سیستم پیشنهادی، نشان دهنده ی بهبود عملکرد سیستم های توصیه ی مبتنی بر اتوماتای سلولی یادگیر است.