سیستم توصیه گر، بر اساس مدلی که بدست می آورد، سعی در تخمین میزان علاقه کاربر ویا ارائه اقلام مناسب به وی می کند تا بسبب حجم عظیم اطلاعات موجود، و عدم توانایی پیداکردن اقلام مناسب، کاربردچار سردرگمی و انتخاب اشتباه نگردد. اقلام مورد نظر می تواند فیلم، موسیقی، کتاب و ... باشد. صافی سازتجمعی، یکی از تکنیک های موفق در حوزه سیستم های توصیه گر می باشد که براساس علایق کاربران در گذشته، سعی در پیشنهاد اقلامی به سایر کاربران دارد. بیشتر الگوریتم های موجود در حوزه صافی سازتجمعی، یا فقط از شباهت بین کاربران و یا فقط از شباهت بین اقلام برای توصیه، بهره می گیرند که بدنبال آن، دوگانی بین کاربران- اقلام نادیده گرفته می شود. ما برای حل این موضوع، از خوشه بندی دوطرفه که امکان خوشه بندی همزمان کاربران(سطرها) و اقلام(ستون ها) در ماتریس کاربران – اقلام را فراهم می کند استفاده کرده ایم. از آنجاییکه خوشه بندی دوطرفه بسیار دشوار (np-hard) می باشد، از بستر الگوریتم ژنتیک برای افزایش قدرت جستجو در فضای مساله بهره گرفته و همچنین، از تکنیک های برنامه نویسی موازی استفاده گردیده است تا ضمن افزایش سرعت اجرا، استفاده بهینه از سخت افزار موجود بعمل آید. در نهایت، الگوریتم ارائه شده (ebcf) را بر دو پایگاه داده ی رایج movielens و jester که حاوی اطلاعات علایق کاربران در حوزه فیلم و جک می باشد، مورد بررسی قرار داده ایم که نتایج حاصله، نشان دهنده دقت و کارایی مطلوب ebcf می باشد.