یکی از چالش‌های مهم در سیستم‌های توصیه‌گر، مسئله شروع سرد است که به دلیل کمبود اطلاعات درباره کاربران یا آیتم‌های جدید، موجب کاهش دقت و کارایی توصیه‌ها می‌شود. در این پژوهش، رویکردی چند مرحله‌ای برای کاهش اثرات این مسئله در سیستم‌های توصیه‌گر ارائه شده است. در گام نخست، داده‌های مجموعه‌داده MovieLens پیش‌پردازش و برای فرآیند توصیه آماده‌سازی می‌شوند. سپس کاربران با استفاده از الگوریتم خوشه‌بندی فازی (FCM) گروه‌بندی شده و به منظور تعیین تعداد بهینه خوشه‌ها از الگوریتم DBSCAN بهره گرفته می‌شود. در ادامه، الگوریتم FP-Growth برای استخراج الگوهای پرتکرار رفتاری کاربران در هر خوشه به کار گرفته می‌شود. الگوهای استخراج ‌شده مبنایی برای ارائه پیشنهادهای شخصی‌سازی‌ شده فراهم می‌کنند و از طریق شناسایی کاربران دارای رفتار مشابه، دقت توصیه‌ها را افزایش می‌دهند. عملکرد روش پیشنهادی با استفاده از معیارهای Precision، Recall و F- measure ارزیابی شده است. نتایج حاصل بر روی مجموعه‌داده MovieLens-100K به ترتیب مقادیر 0.78، 0.76 و 0.77 و بر روی مجموعه‌داده MovieLens-1M به ترتیب مقادیر 0.82، 0.77 و 0.795 را برای معیارهای مذکور نشان می‌دهد. همچنین برای مواجهه با مسئله شروع سرد کاربران جدید، سه رویکرد مبتنی بر محتوا، مبتنی بر اطلاعات جمعیت‌شناختی و روش ترکیبی مبتنی بر پرسشنامه اولیه مورد بررسی قرار گرفت. نتایج نشان داد که رویکرد مبتنی بر پرسشنامه اولیه با مقدار دقت برابر 0.654 عملکرد بهتری نسبت به سایر روش‌ها دارد. مقایسه نتایج با پژوهش‌های مرتبط نیز بیانگر کارایی و برتری نسبی روش پیشنهادی در کاهش اثرات مسئله شروع سرد در سیستم‌های توصیه‌گر است.