امروزه روش‌های سنتی مانند دسته‌بندی و خوشه‌بندی محصولات پاسخگوی نیازهای کسب و کارها نیست و بایستی به سمت شخصی‌سازی پیشنهادها با استفاده از روش های نوترکیب جدید پیش رفت(بازاریابی لوکال). در این پژوهش سه ویژگی دسته بندی مشتریان و پیشنهاد در قالب تکی و بسته تجمیعی و اجناس نامتجانس بر اساس رنکینگ پیشنهاد ها مد نظر قرار گرفته است.پژوهش حاضر،با هدف ارائه مدل ترکیبی جدیدی برای پیشنهاد به صورت تجمعی محصول در تجارت الکترونیک بازار ارائه شده است.این پژوهش از نظر هدف کاربردی می‌باشد و اهداف آن ارائه سیستم پیشنهاد دهنده در کسب و کار الکترونیک مبتنی بر یادگیری ماشین و شبکه عصبی عمیق و بررسی الگوریتم‌ها و تکنیک های سیستم پیشنهاد دهنده در یادگیری ماشین و شبکه عصبی عمیق و بررسی و مقایسه میزان بهینه سازی دقت و تشخیص پیش بینی صحیح در استفاده از الگوریتم‌های مورد مطالعه و بکار رفته می‌باشد.داده‌های پژوهش از پایگاه داده فروشگاه دیجی‌کالا مورد مطالعه گرد‌آوری شده‌اند،داده ها از نوع عددی و گسسته می‌باشد.این پژوهش از جهت موضوعی در حوزه مدیریت روابط با مشتریان و از جهت مکانی شرکت محدود به فروشگاه دیجی‌کالا است.نتایج حاکی از آن است که مدل پیشنهادی مسیر جدیدی برای شخصی‌سازی ارائه گروهی محصولات می‌باشد و مدیران بازاریابی می‌توانند از آن در تصمیم‌گیری‌های خود استفاده کنند. تجزیه و تحلیل داده‌ها با استفاده از کد‌گذاری در نرم افزار متلب انجام شد و خروجی‌های مدل با اثبات فرمول‌های مربوطه ارائه شده است، نتایج نشان می‌دهد که مدل پیشنهادی با دقت 94٪ بهترین روش برای پیشنهاد محصولات است.