باتوجه به حجم فراوان و رشد سریع اطلاعات بر روی وب سایت های تجارت الکترونیک، کاربران با حجم وسیعی از اطلاعات روبرو هستند، به منظور بهبود وضعیت تجارت الکترونیک و جلوگیری از ایجاد سردرگمی کاربران و اتلاف وقت آنها، سیستم های توصیه گر ایجاد شدند. پایه اصلی سیستم های توصیه گرتعیین یک گروه از کاربران یا آیتم های مشابه با علایق کاربر هدف می باشد. برای محاسبه میزان شباهت کاربران یا آیتم¬ها درسیستم های توصیه گر نیاز به معیارهایی است که بتواند این شباهت را به درستی محاسبه کند. تاکنون معیارهای زیادی همچون معیار شباهت کسینوسی و یا معیار شباهت پیرسون پیشنهاد گردیده است. کارایی این معیارها در ماتریس های کاربر- آیتم خلوت و بزرگ به شدت پایین می آید. ما در این پایان نامه، از یک روش جدید به نام "slope one" استفاده کرده ایم. این روش به جای معیار شباهت، از میانگین اختلاف رتبه بین آیتم ها برای پیدا کردن آیتم های مشابه استفاده می کند. این روش نسبت به روش های دیگر مزیت هایی دارد که باعث افزایش کارائی سیستم می شود. همچنین از روش های داده کاوی از جمله خوشه بندی فازی برای خوشه بندی آیتم ها استفاده کرده ایم. روش های خوشه بندی بـا کـاهش انـدازه داده هـا، بـا هـدف افـزایش مقیـاس پـذیری سیسـتم هـای توصیه¬گر ارائه شده اند و چون ممکن است آیتم ها به چند خوشه تعلق داشته باشد و به دلیل عملکرد بهتر روش خوشه بندی فازی، از روش خوشه بندی c- میانگین فازی استفاده کرده ایم. نتایج مقایسه سیستم پیشنهادی (پیاده سازی شده درmatlab) در مقایسه با سیستم های مرتبط در همین زمینه، نشان می دهد که روش پیشنهادی در این سیستم توانسته دقت وکارائی سیستم توصیه گر را افزایش و عملکرد آن را بهبود دهد.