سیستمهای توصیه گر به روش هایی برای تولید توصیه ها با بالاترین کیفیت و ایجاد توصیه برای میلیونها نفر از کاربران نیاز دارند.در صورتی که کاربر جدید در سیستم توصیهگر محصولی را درخواست کند، به دلیل نبود اطلاعات کافی در مورد علایق این کاربرتوصیه آیتمها به این کاربر مشکل بوده و دارای درصد خطای بالایی میباشد. به منظور حل مشکلات ذکر شده بسیاری از سیستم- های توصیهگر از خوشهبندی کاربران استفاده کرده و توصیهها را بر اساس عقاید و نظرات کاربران همسایه کاربر موردنظر ایجاد میکنند. الگوریتم خوشهبندیK-meansعلیرغم سادگی و سرعت بالا دارای مشکل انتخاب مراکز اولیهی خوشهها مدیباشدد. درادامه رویکردی برای انتخاب مراکز اولیه خوشهها در الگوریتم خوشهبندیK-meansارائه میدهیم. سپس رویکرد پیشنهادی رابرای خوشهبندی کاربران در سیستم توصیهگر فیلم به کار میبریم. به این منظور ما برای هر ژانر یک خوشه در نظر گرفته و ازمیانگین علایق کاربر برای انتخاب مراکز اولیهی خوشهها استفاده میکنیم. بنابراین کاربری را که دارای بیشترین میانگین علاقه- مندی به ژانر مربوط به خوشه است، به عنوان مرکز خوشه در نظر میگیریم. پس از تعیین مراکز اولیه خوشهها کاربران سیستم توصیهگر بر اساس علایقشان در خوشهها هرار میگیرند. توصیهها برای هر کاربر با توجه به علایق کاربران همسایه وی تعیین می شوند. ارزیابی انجام شده با استفاده از دادههای دیتاستMovielensانجام شده است. نتایج ارزیابی نشان مدیدهدد کده رویکدرد خوشهبندی پیشندادی منجر به افزایش کیفیت توصیههای ایجاد شده میگردد