سیستم‌های توصیه‌گر به‌عنوان یکی از مؤلفه‌های کلیدی سامانه‌های دیجیتال، نقش مهمی در بهبود تجربه‌ی کاربری و افزایش تعامل کاربران دارند. با وجود پیشرفت‌های قابل‌توجه در این حوزه، همچنان چالش‌هایی نظیر انتخاب بهینه‌ی ویژگی‌ها، پیچیدگی پردازشی و هزینه‌های بالای محاسباتی مطرح است. این چالش‌ها از موانع اصلی در بهبود کارایی این سیستم‌ها محسوب می‌شوند. بیشتر روش‌های موجود، تمرکز خود را بر بهینه‌سازی معماری مدل‌های توصیه‌گر معطوف داشته‌اند، درحالی‌که انتخاب مؤثر ویژگی‌ها که نقش تعیین‌کننده‌ای در دقت پیش‌بینی و عملکرد نهایی دارد، کمتر مورد توجه قرار گرفته است. بی‌توجهی به این مسئله، ضمن کاهش دقت توصیه‌ها، منجر به افزایش بار محاسباتی و کاهش بهره‌وری سیستم می‌شود. در این پژوهش، یک روش نوین برای انتخاب تطبیقی ویژگی‌ها در چارچوب سیستم‌های توصیه‌گر مبتنی بر یادگیری عمیق ارائه شده است. در این روش، وزن ویژگی‌ها به‌صورت پویا و متناسب با هر نمونه تعیین می‌شود و سپس با استفاده از الگوریتم جستجوی حریصانه‌ی مرحله‌ای، زیرمجموعه‌ای بهینه از ویژگی‌ها به‌صورت تدریجی انتخاب می‌گردد. در ادامه، به‌منظور تقویت قابلیت تعمیم‌پذیری مدل، از ساختاری ترکیبی مبتنی بر یادگیری گروهی برای تجمیع نتایج مدل‌های پایه استفاده شده است. این رویکرد با حذف ویژگی‌های زائد و تمرکز بر اطلاعات مؤثر، دقت پیش‌بینی را افزایش داده و کارایی مدل را بهبود می‌بخشد. به‌منظور ارزیابی عملکرد، آزمایش‌هایی گسترده بر روی دو مجموعه‌داده‌ی استاندارد انجام شد. نتایج تجربی نشان می‌دهند که روش پیشنهادی نسبت به سایر رویکردهای رایج انتخاب ویژگی، بهبود معناداری در شاخص‌های عملکردی سیستم‌های توصیه‌گر ایجاد کرده است.
