سیستم های پیشنهاد دهنده ای که با ارائه پیشنهادها شخصی سازی می شوند و به کاربران در یافتن محصولی که علاقه دارند، کمک می کنند، می توانند در ترغیب مشتریان به خرید از وب سایت و در نتیجه موفقیت فروشگاه های آنلاین، نقش کلیدی ایفا کنند. روش پالایش همکارانه، یکی از موفق ترین روش های به کاررفته در این سیستم ها است که توانایی ارائه پیشنهادهایی نزدیک به نظر کاربران را دارد، اما با افزایش تعداد کاربران و محصولات، با مشکلاتی مانند شروع سرد و مقیاس پذیری مواجه می شوند. به همین دلیل در این پژوهش روش جدیدی معرفی شده است که ضمن به کارگیری الگوریتم روش پالایش همکارانه مبتنی بر کاربر به مثابه رویکرد پایه، از ترکیب وزن دار خوشه بندی کاربران بر اساس اطلاعات جمعیت شناختی آنها نیز برای دستیابی به نتایج بهتر از سیستم، استفاده کرده است. نتایج پیاده سازی الگوریتم نشان داد رویکرد ارائه شده، ریشه میانگین مربعات خطای کمتری دارد که به معنای عملکرد بهتر و دقت بیشتر آن است و پیش بینی های حاصل از آن با ترجیح و سلیقه کاربران همخوانی بیشتری دارد.
