سیستم‌های توصیه‌گر ابزارهای هوشمندی هستند که به کاربران کمک¬می‌کنند اطلاعات مورد نیاز خود را بر اساس علایق قبلی خود با صرف زمان کمتری نسبت به موتورهای جستجو پیداکنند. یکی از چالش‌های اصلی سیستم‌های توصیه‌گر تنکی ماتریس رتبه‌های کاربر-قلم می‌باشد. این چالش به این دلیل اتفاق¬می‌افتد که کاربران عمدتاً به تعداد کمی از اقلام موجود رتبه می‌دهند. سیستم‌های توصیه‌گر مبتنی بر اعتماد از روابط اعتماد بین کاربران به¬منظور کاهش مشکل تنکی ماتریس رتبه‎های کاربر-قلم استفاده¬می‌کنند. ایده اصلی این سیستم‌ها این است که وجود رابطه اعتماد بین دو کاربر نشان‌دهنده‌ علایق مشابه آن دو کاربر می‌باشد. کارایی این سیستم‌ها به انتخاب درست کاربران همسایه برای کاربر هدف بر اساس میزان شباهت بین آن¬ها بستگی دارد. در این مقاله، یک سیستم توصیه‌گر مبتنی بر اعتماد جدید با استفاده از الگوریتم بهبودیافته بهینه‌سازی ازدحام ذرات ارائه¬شده¬است. در این روش، ابتدا میزان شباهت بین کاربران بر اساس ماتریس رتبه‎های کاربر-قلم و روابط اعتماد محاسبه¬می‌گردد. سپس، از الگوریتم بهبودیافته بهینه‌سازی ازدحام ذرات برای وزن‌دهی بهینه کاربران همسایه‌ کاربر هدف استفاده¬می‌شود. به¬منظور بهبود الگوریتم بهینه‌سازی ازدحام ذرات از عملگرهای الگوریتم ژنتیک و الگوریتم بهینه‌سازی تولیدمثل تک¬جنسیتی مبتنی بر آشوب استفاده¬شده¬است. پس از وزن‌دهی بهینه کاربران همسایه، رتبه‎های نامشخص برای کاربر هدف پیش‌بینی¬می‌گردد. نتایج آزمایش¬ها بر روی یک مجموعه داده استاندارد کارایی بالای روش پیشنهادی را نسبت به سایر روش‎های مقایسه¬شده، نشان¬می‎دهد. پرونده مقاله