چكيده با افزايش ميزان اطلاعات قابل دسترس در اينترنت نياز به ابزارهايي است كه كاربران را در اين حجم اطلاعات راهنماي كنند. سيستم‌هاي توصيه‌گر با جمع‌آوري داده‌هاي مورد نياز سعي مي‌كنند پيشنهادهاي مناسب را توليد كنند و پالايش مشاركتي يكي از روش‌هاي مطرح در اين زمينه است كه با تحليل امتيازات كاربران سعي مي‌كند امتياز بعدي را بر اساس كاربران مشابه پيش‌بيني كند. با اين وجود، بيشتر روش‌هاي پالايش مشاركتي با چالش‌هاي نظير خلوت بودن داده‌ها، مقياس‌پذيري و كاربران بدخواه مواجه هستند. براي مقابله با چالش‌هاي موجود در سيستم‌هاي توصيه‌گر، سه گام براي اين رساله برنامه‌ريزي شده است. در گام نخست، يك روش بر پايه تجزيه ماتريس غيرمنفي پيشنهاد و آزمايش شده است. در اين روش فرض بر اين است كه با تعداد محدودي از ويژگي‌هاي نهفته مي‌توان ترجيحات كاربران را توصيف كرد و هر كدام از كاربران و اقلام به‌صورت يك بردار ويژگي قابل نمايش هستند كه ابعاد آن برابر با تعداد ويژگي‌هاي نهفته است. نتايج آزمايش‌ها بر روي مجموعه داده‌هاي MovieLens و Book-Crossing نشان مي‌دهد راهكار پيشنهادي به‌خوبي چالش‌هاي خلوت بودن و مقياس‌پذيري را حل مي‌كند. در ادامه گام نخست و براي مقابله با كاربران بدخواه، يك سيستم توصيه‌گر آگاه از اعتماد ارائه شده است. اين روش با مدل كردن شبكه اعتماد در يك مدار مقاومتي، مقادير اعتماد نامعلوم را استنتاج كرده و از اين مقادير براي توليد پيشنهادهاي شخصي استفاده مي‌كند. هر كاربر در شبكه اعتماد به يك گره در مدار مقاومتي نگاشت مي‌شود. همچنين براي هر دو كاربر همسايه در شبكه اعتماد، يك مقاومت بين گره‌هاي معادل آن‌ها در مدار مقاومتي قرار داده مي‌شود. روش پيشنهادي از قوانين ابتدايي مدارهاي الكتريكي براي استنتاج مقادير اعتماد استفاده مي‌كند و پيچيدگي محاسباتي كمي دارد. نتايج پياده‌سازي‌ها بر روي مجموعه داده Epinions نشان دهنده برتري روش ارائه شده نسبت به روش‌هاي ديگر است. در گام آخر و در راستاي توليد پيشنهادات شخصي و متنوع، يك مدل مخفي ماركوف سلسله مراتبي براي شناسايي تغيير در ترجيحات كاربران معرفي شده است. اين مدل الگوهاي تغيير حالت در ترجيحات كاربران را شناسايي مي‌كند و آن‌ها را به‌صورت متغيرهاي پنهان نمايش مي‌دهد تا از آن‌ها براي توليد پيشنهاد‌هاي شخصي منطبق با حالت كنوني كاربر استفاده كند. نتايج ارزيابي‌ها بر روي مجموعه داده Last.fm نشان مي‌دهند كه مدل پيشنهادي بدون كاهش دقت، تنوع پيشنهادها را افزايش مي‌دهد. واژه‌هاي كليدي: سيستم‌هاي توصيه‌گر، شبكه‌هاي اعتماد، تجزيه ماتريس، ويژگي‎هاي نهفته، سيستم‌هاي توصيه‌گر آگاه از اعتماد، سيستم‌هاي توصيه‌گر آگاه از زمينه.