دانشگاه پیام نور پژوهش های کتابخانه های دیجیتالی و هوشمند 2383-1049 12 شماره 4 (پیاپی 47) 2026 01 21 A Hybrid Intelligent Recommender System Based on Data Mining for Personalizing Services in Digital Libraries ارائه یک سیستم توصیه‌گر ترکیبی هوشمند مبتنی بر داده‌کاوی برای شخصی‌سازی خدمات در کتابخانه‌های دیجیتال 13010 10.30473/mrs.2026.77677.1698 FA پیمان الماسی نژاد گروه مهندسی کامپیوتر و فناوری اطلاعات، دانشکده فنی و مهندسی، دانشگاه پیام نور، تهران، ایران محمد ذهابی گروه مهندسی کامپیوتر و فناوری اطلاعات، دانشکده فنی و مهندسی، دانشگاه پیام نور، تهران، ایران Journal Article 2026 03 25 With the rapid growth of digital resources and the increasing volume of information in digital libraries, users face significant challenges in locating relevant materials quickly, accurately, and in a personalized manner. Traditional search and filtering approaches, which primarily rely on keyword matching and limited user preference analysis, often fail to fully satisfy users’ information needs. Consequently, intelligent recommender systems have gained considerable attention as an effective solution for improving access to resources and enhancing user experience. This study proposes a hybrid recommender system based on behavioral and content-based data, consisting of data preprocessing, two recommendation engines (content-based and collaborative filtering), and an intelligent aggregation layer for combining recommendation outputs. Behavioral data were extracted from the Book-Crossing dataset, while content-based information was obtained from both Book-Crossing and CiteULike datasets to model user preferences and resource characteristics. The performance of the proposed model was evaluated using precision, recall, coverage, diversity, and an intelligent recommendation quality score. Experimental results demonstrated that the hybrid model outperformed single-strategy recommenders, achieving a precision of 0.75, recall of 0.72, and coverage of 0.68. Furthermore, the proposed approach reduced common recommender system challenges such as the cold-start problem and popularity bias while increasing recommendation diversity and improving user experience. The findings indicate that integrating data mining techniques with semantic content analysis provides an effective framework for developing advanced recommender systems in digital library environments. با رشد فزاینده منابع دیجیتال، کاربران کتابخانه‌های دیجیتال با چالش‌های قابل توجهی در یافتن سریع و دقیق منابع مرتبط مواجه هستند و روش‌های سنتی جستجو و فیلتر اغلب قادر به پاسخ‌گویی به نیازهای شخصی‌سازی‌شده آنان نیستند. از این‌رو، سیستم‌های توصیه‌گر هوشمند به‌عنوان راهکاری مؤثر مورد توجه قرار گرفته‌اند. این پژوهش یک سیستم توصیه‌گر ترکیبی مبتنی بر داده‌های رفتاری و محتوایی ارائه می‌دهد که شامل مراحل پیش‌پردازش داده‌ها، دو موتور توصیه‌گر (محتوایی و مشارکتی) و یک لایه ادغام هوشمند است. در این چارچوب، داده‌های رفتاری از مجموعه Book-Crossing و داده‌های محتوایی از منابع Book-Crossing و CiteULike استخراج و برای مدل‌سازی ترجیحات کاربران و ویژگی‌های محتوایی منابع به‌کار گرفته شده‌اند. عملکرد سیستم با استفاده از معیارهای دقت، پوشش، تنوع و امتیاز کیفیت توصیه مبتنی بر ارزیابی هوشمند مورد ارزیابی قرار گرفت. نتایج نشان داد که مدل ترکیبی نسبت به روش‌های تک‌رویکرد عملکرد بهتری داشته و دقت آن به 75/0، بازخوانی به 72/0 و پوشش به 68/0 رسیده است. همچنین این رویکرد با افزایش تنوع توصیه‌ها و کاهش مشکل شروع سرد و سوگیری محبوبیت، موجب ارتقای تجربه کاربری شده است. در مجموع، یافته‌های پژوهش نشان می‌دهد که استفاده از رویکرد ترکیبی مبتنی بر داده‌های رفتاری و محتوایی می‌تواند به‌طور معناداری عملکرد سیستم‌های توصیه‌گر در کتابخانه‌های دیجیتال را بهبود دهد و امکان ارائه خدمات شخصی‌سازی‌شده‌تر و کارآمدتر را فراهم سازد.