حجم فراوان و روبه رشد اطلاعات بر روی وب و اینترنت، فرایند تصمیم‌گیری و انتخاب اطلاعات، داده یا کالاهای مورد نیاز را برای بسیاری از کاربران وب دشوار کرده‌است. سیستم‌های توصیه‌گر با تحلیل رفتار کاربر خود، اقدام به پیشنهاد مناسب‌ترین اقلام داده، اطلاعات یا کالا می‌نمایند. در این پژوهش، با بهرهگیری از تکنیک‌های یادگیری عمیق، روشی برای بهبود عملکرد سیستم‌های توصیه گر پالایش مشارکتی ارایه شده است. هدف، استفاده از استخراج عمیق ویژگیها در جهت ارائه پیشنهادهای موثرتر و مطلوب‌تر به کاربر سیستم مورد نظر است. در بخش پیش پردازش، ابتدا داده‌های ورودی در سیستم پردازش اولیه قرار وارد می‌شوند و مقادیر ویژگیها نرمال‌سازی می‌شوند. سپس، برای اینکه محاسبات دقیق‌تر انجام گیرد و زمان محاسبات نیز کاهش یابد، با استفاده از یک شبکه باور عمیق (DBN)، ضمن استخراج عمیق ویژگیها، ابعاد داده‌ها کاهش می‌یابد. سپس، با استفاده از تکنیک پالایش مشارکتی، اقلام پیشنهادی به کاربر ارائه می‌شوند. در پایان، با توجه به خروجی‌های سیستم در توصیه به کاربر، ارزیابی صحت اقلام پیشنهادی صورت می‌گیرد. جهت ارزیابی روش پیشنهادی از مقایسه عملکرد آن برروی مجموعه داده دنیای واقعی MovieLens با روشهای پایه استفاده شده است. نتایج تجربی نشان داد روش پیشنهادی از نظر پوشش و حمایت نسبت به سایر روشهای مورد مقایسه، عملکرد بهتری دارد.
