در سیستم های توصیه گر مشارکت محور بر اساس سوابق و فعالیتهای کاربر و بررسی این رفتارها با کاربران مشابه سیستم سعی می گردد تا لیستی از آیتمهای احتمالی مورد علاقه کاربر پیش بینی گردند و با پیشنهاد این لیست به کاربر باعث افزایش تراکنش های سایت و بهره وری کل سیستم شوند. از طرفی با رشد حجم اطلاعات در این گونه سیستمها، کاهش چشمگیری درکارایی به وجود خواهد آمد و آنلاین بودن سیستم را دچار مشکل می-کند، پس باید با استفاده از یک روش مناسب، سرعت محاسبات را بالا برد. در این پایان نامه از یک روش خوشه بندی سلسله مراتبی تجمیعی استفاده خواهد شد. مزیت استفاده از خوشه بندی این است که وقتی که بخواهیم که به یک کاربر چندین آیتم را پیشنهاد بدهیم، به جای اینکه علایق کاربر با تمام کاربران سیستم مقایسه شود و بین آنها، m تا از شبیه ترین افراد پیدا شده و با توجه به علایق آنها، آیتم های مناسبی را پیشنهاد داد، هر کاربر را با خوشه ها مقایسه می کنیم، و با توجه به آن، یک خوشه ی مشابه با کاربر را پیدا کرده و آیتم های مورد علاقه ی کاربران آن را به کاربر جدید پیشنهاد می دهیم. سیستم ما به گونه ای طراحی خواهد شد که خوشه بندی به صورت تجمیعی انجام شود. یکی دیگر از کارهایی که انجام شده، استفاده از روش های فازی است، چون یک کاربر ممکن است به چندین خوشه، شبیه باشد، در این حالت، با وزن های مختلف، به خوشه های مختلف تخصیص می یابد، لذا در هنگامی که می خواهیم یک آیتم را برای کاربر پیشنهاد دهیم ممکن است از آیتم های با امتیاز بالا درون چند خوشه ی مختلف به کاربر تخصیص یابد. از طرفی خوشه بندی انجام شده، به صورت تجمیعی خواهد بود، و برای محاسبه ی خوشه ها، با آمدن نمونه ی جدید، نمونه به یک خوشه ی شبیه تر تخصیص داده می شود. ترکیبی از ایده های فازی بودن و خوشه بندی، منجر به ایجاد یک روش خوشه بندی ترکیبی جدید خواهد شد.