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 احتمالاً 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.
