زهرا نخعی راد - دانشجوی دکتری مدیریت فناوری اطلاعات، دانشکده مدیریت و اقتصاد، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران،ایران.
حسام زندحسامی - استادیار، گروه مدیریت صنعتی، دانشکده مدیریت و اقتصاد، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران،ایران.
عباس طلوعی اشلقی - استاد، گروه مدیریت صنعتی، دانشکده مدیریت و اقتصاد، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران.

امروزه سیستم توصیه گر، روش پالایش اطلاعات بین وب سایت ها و کاربران را به منظور شناسایی علاقه کاربر و ایجاد محصول پیشنهادی برای کاربران فعال تغییر داده است. سیستم های توصیه­ گر را به طورکلی به سه گروه مبتنی بر محتوا، مبتنی بر دانش و مبتنی بر پالایش مشارکتی و در بعضی موارد ترکیبی تقسیم می کنند. ایده اصلی پالایش مشارکتی این است که اگر کاربران علایق مشابه یا یکسان در گذشته داشته باشند و آن را به­ اشتراک بگذارند، در آینده نیز احتمالا سلیقه ­های مشابه خواهند داشت. این رویکرد نیاز به هیچ دانشی در مورد آیتم ­ها ندارد. پالایش مشارکتی نیز دارای دو نوع اصلی مبتنی بر حافظه و مبتنی بر مدل است. روش مبتنی بر حافظه از اطلاعات امتیازدهی کاربران برای محاسبه شباهت بین کاربران یا آیتم ها استفاده می­ کند. هدف اصلی این پژوهش نیز ارائه یک سیستم پیشنهاددهنده مبتنی بر حافظه برای بهبود نتایج الگوریتم پالایش مشارکتی است. در روش پیشنهادی برای یافتن شبیه ­ترین کاربران به کاربر هدف از ترکیب دو الگوریتم گرگ خاکستری فازی و الگوریتم شیر استفاده شده است. نتایج اجرای روش پیشنهادی نشان می­ دهد که پارامترهای Precision، Recall و F-measure نسبت به روش ­های پایه افزایش یافته اند.

سیستم ­های توصیه ­گر, پالایش مشارکتی, الگوریتم های فراابتکاری,  الگوریتم بهینه­ سازی گرگ خاکستری, الگوریتم بهینه­ سازی شیر