با افزایش سریع اطلاعات، به سیستمی توصیه‏گر که با دادن پیشنهادات مناسب با علایق یک کاربر بر اساس پیشینه ی عملکرد او، وی را از صرف وقت در مرور تمام آیتم‏ها باز دارد، به شدت احساس نیاز می‌شود. سیستم توصیه‏گر با تحلیل رفتار کاربر خود، اقدام به پیشنهاد مناسب‏ترین اقلام به وی می‏نماید. حوزه ی مفاهیم موجود در بسیاری از سیستم‏های توصیه‏گر فعلی، محدود به دانش موجود در خود سیستم بوده و از منابع عظیم دانش خارج از سیستم، مانند وب معنایی و داده‏های پیوندی استفاده نمی‏شود. در این مقاله سیستم توصیه‏گر ترکیبی‏ای معرفی شده است که از مفاهیم و روابط موجود بین آنها در پایگاه‏های خارج از خود استفاده می‏کند. در نتیجه یکی از قسمت‏های اصلی سیستم پیشنهادی، استخراج مفاهیم از آیتم‏ها و رفتار کاربران می‏باشد؛ که این کار با تکنیک‏های پردازش زبان طبیعی مانند ریشه‏یابی کلمات کلیدی آیتم‏ها میسّر می‏باشد. همچنین در سیستم پیشنهادی از نگاشت معنایی ریشه‏های بدست آمده، به شبکه واژگان فردوس‏نت استفاده شده است. با این‏کار به دلیل گسترش معنایی مجموعه کلمات کلیدی و ویژگی‏های آیتم‏ها، صحت توصیه‏ها افزایش خواهد یافت. در پایان نیز با استفاده از حدود 81 هزار کتاب دسته‏بندی شده استخراجی از سایت Acm و میلیو‏ن‏ها نرخی که هزاران کاربر به یک میلیون مقاله/کتاب موجود در مجموعه داده Epinions داده‏اند، نشان داده خواهد شد که مشکل \\\"شروع آهسته\\\" تا حد زیادی قابل حل می‏باشد.

کلمات کلیدی