Recommender Systems are tools to understand the huge amount of data available in the internet world. Collaborative filtering (CF) is one of the most knowledge discovery methods used positively in recommendation system. Memory collaborative filtering emphasizes on using facts about present users to predict new things for the target user. Similarity measures are the core operations in collaborative filtering and the prediction accuracy is mostly dependent on similarity calculations. In this study, a combination of weighted parameters and traditional similarity measures are conducted to calculate relationship among users over Movie Lens data set rating matrix. The advantages and disadvantages of each measure are spotted. From the study, a new measure is proposed from the combination of measures to cope with the global meaning of data set ratings. After conducting the experimental results, it is shown that the proposed measure achieves major objectives that maximize the accuracy Predictions.

نظم التوصية هي أدوات لفهم الكم الهائل من البيانات المتاحة في عالم الإنترنت. التصفية التعاونية هي واحدة من أكثر تقنيات اكتشاف المعرفة المستخدمة بشكل إيجابي في نظام التوصيات. تركز التصفية التعاونية القائمة على الذاكرة على استخدام الحقائق حول المستخدمين القائمين والمتوفرين, للتنبؤ بأشياء جديدة للمستخدم المستهدف. مقاييس التشابه هي من العمليات الأساسية في التصفية التعاونية ودقة التنبؤ تعتمد في الغالب على حسابات التشابه. في هذه الدراسة ، تم استخدام مجموعة من مقاييس التشابه التقليدية مع المعاملات المرجحه لحساب العلاقة بين المستخدمين عبر مصفوفة التخمين لمجموعة بيانات MovieLens)). تم اكتشاف مزايا وعيوب كل مقياس. من الدراسة ، تم اقتراح مقياس جديد مكون من مجموعة من المقاييس للتعامل مع المعنى الشامل لتخمين مجموعة البيانات. بعد إجراء النتائج التجريبية ، تبين أن المقياس المقترح حقق العديد من الأهداف التي تزيد من دقة التنبؤات.

Collaborative Filtering --- Inverse User Frequency --- Prediction --- Recommender System --- Similarity Measure. --- التصفية التعاونية --- معكوس تردد المستخدم --- التنبؤ --- نظام التوصية، قياس التشابه .