سیستم های پیشنهاددهنده با هدف کمک به کاربران برای انجام اولویت بندی های مناسب به وجود آمدند. از کاربردهای آن می توان در پیش بینی نتایج نظرسنجی فیلم های سینمایی استفاده کرد. از طرفی با توجه به رشد سریع تجارت الکترونیک، اهمیت پیشنهاد بهتر به مشتریان در وب سایت ها برای مدیران فروشگاه ها خیلی مورد توجه می باشد. هدف این گزراش ارائه الگوریتم در حوزه سیستم های پیشنهاددهنده ای است که نتایج و کارایی بهتری داشته باشد. فیلتر سازی همکارانه یکی از روش های سیستم های پیشنهاددهنده است که اولویت بندی های مشتریان را مدل سازی، تجزیه و تحلیل و توصیه های مناسبی ارائه می کند. تجزیه کمیت مفرد از الگوریتم های فیلتر سازی همکارانه است. این گزارش، الگوریتم لبه کرنل را شرح داده و بعد با استفاده از رگرسیون چند جمله ای کرنل و میانگین امتیازات، الگوریتم میانگین وزنی را پیشنهاد کرده و از نسبت میانگین امتیازهای هر فیلم و هر کاربر پایگاه دانشی ایجاد کرده و پیش بینی های الگوریتم میانگین وزنی را به این پایگاه دانش نزدیک می کنیم. با توجه به نتایج بدست آمده این الگوریتم در زمان قابل قبول، نتایج بهتری را ارائه می کند.