سامانه های توصیه گر، ابزارهای نرم افزاری و تکنیک هایی هستند که برای کاربران پیشنهادهایی از آیتم ها تهیه می کنند. امروزه با رشد سریع وب و اطلاعات موجود بر روی آن، سامانه های توصیه گر توجه زیادی به خود جلب کرده اند. بسیاری از وب سایت های معتبر برای ارائه خدمات به کاربران خود از یک توصیه گر بهره می برند. به طور کلی، یک سامانه توصیه گر با رویکرد پالایش گروهی، از کاربران و آیتم ها تشکیل شده است، به شکلی که هر کاربر تعدادی از آیتم ها را در کتابخانه خود جمع آوری کرده و سامانه توصیه گر با توجه به این آیتم ها و آیتم هایی که دیگر کاربران جمع آوری کرده اند، آیتم های جدیدی که کاربر تا به حال جمع آوری نکرده و احتمالاً به آن ها علاقمند باشد ، به او پیشنهاد می دهد. تا کنون برای توسعه توصیه گرها از تکنیک ها و تکنولوژی های مختلفی استفاده شده است. ما در این تحقیق روش جدیدی در سامانه های توصیه گر با رویکرد پالایش گروهی ارائه می دهیم که بر اساس حافظه است و از تشابه بین دو کاربر برای تولید پیشنهاد استفاده می کند، همچنین با تعریف یک همسایگی وزن دار در بین آیتم ها، یک پس زمینه کلی از علاقه به آیتم ها را در نطر می گیریم که با عث افزایش دقت پیشگویی الگوریتم جدید می شود. مجموعه داده ویژه ای با نام movielens برای ارزیابی توصیه گرها ایجاد شده، که اکثر توصیه گرها را با این مجموعه داده ارزیابی کرده اند. ما روش پیشنهادی در این پایان نامه را با روشی کاربر محور بر اساس همبستگی پیرسون که یکی از پرکاربردترین روش ها در بین روش های کاربرر محور است و روش های nbi، nbiw و inbi، که بر اساس دانش فعلی ما نتایج ارزیابی قابل قبولی در بین دیگر روش های آیتم محور دارند، مقایسه کرده ایم. نتایج آزمایشات با توجه به معیارهای ارزیابی، نشان می دهد روش پیشنهادی نتایج ارزیابی بهتری، نسبت به این روش ها دارد.