سیستم های توصیه گر ابزارهای هوشمندی هستند که به کاربران کمک می کنند اطلاعات مورد نیاز خود را بر اساس علایق قبلی خود با صرف زمان کمتری نسبت به موتورهای جستجو پیداکنند. یکی از چالش های اصلی سیستم های توصیه گر تنکی ماتریس رتبه های کاربر-قلم می باشد. این چالش به این دلیل اتفاق می افتد که کاربران عمدتاً به تعداد کمی از اقلام موجود رتبه می دهند. سیستم های توصیه گر مبتنی بر اعتماد از روابط اعتماد بین کاربران به منظور کاهش مشکل تنکی ماتریس رتبههای کاربر-قلم استفاده می کنند. ایده اصلی این سیستم ها این است که وجود رابطه اعتماد بین دو کاربر نشان دهنده علایق مشابه آن دو کاربر می باشد. کارایی این سیستم ها به انتخاب درست کاربران همسایه برای کاربر هدف بر اساس میزان شباهت بین آن ها بستگی دارد. در این مقاله، یک سیستم توصیه گر مبتنی بر اعتماد جدید با استفاده از الگوریتم بهبودیافته بهینه سازی ازدحام ذرات ارائه شده است. در این روش، ابتدا میزان شباهت بین کاربران بر اساس ماتریس رتبههای کاربر-قلم و روابط اعتماد محاسبه می گردد. سپس، از الگوریتم بهبودیافته بهینه سازی ازدحام ذرات برای وزن دهی بهینه کاربران همسایه کاربر هدف استفاده می شود. به منظور بهبود الگوریتم بهینه سازی ازدحام ذرات از عملگرهای الگوریتم ژنتیک و الگوریتم بهینه سازی تولیدمثل تک جنسیتی مبتنی بر آشوب استفاده شده است. پس از وزن دهی بهینه کاربران همسایه، رتبههای نامشخص برای کاربر هدف پیش بینی می گردد. نتایج آزمایش ها بر روی یک مجموعه داده استاندارد کارایی بالای روش پیشنهادی را نسبت به سایر روشهای مقایسه شده، نشان میدهد.
