Les systèmes de recommandation (SRs) sont utilisés pour prédire les préférences de l'utilisateur pour un produit ou un service spécifique, ainsi que pour recommander les produits ou les services appropriés aux utilisateurs. Ce papier propose un nouveau modèle de recommandation qui utilise les règles d'association et les mesures statistiques implicatives fortes. Dans le modèle proposé, les indices de support et de confiance sont utilisés pour générer les règles d'association ; les mesures implicatives sont utilisées pour filtrer un ensemble de règles et classer les recommandations. Le modèle peut également être utilisé pour développer les SRs en utilisant d'autres mesures d'intérêt. Les expérimentations représentées dans cet article se centrent sur la mesure d'intensité implicative. Le système de recommandation basé sur cette mesure est développé et évalué par quatre scénarios et sur deux ensembles de données. Les expérimentations montrent que le SR basé sur l'intensité implicite peut (1) diminuer le temps du modèle et le temps de prédiction mais maintenir la précision de la recommandation; (2) rendre le résultat de la recommandation qui est meilleur si la longueur des règles est égale à 2 ; (3) rendre le résultat de la recommandation qui est meilleur que le résultat du système basé sur les statistiques de khi-carré et accentué encore sur le résultat du système basé sur le facteur bayésien dans certains cas, mais les différences entre ces deux résultats sont diminuées si la longueur maximale de la règle est supérieure à 2.