我們經常會遇到推薦的情景：朋友推薦了一款商品，在輸入框搜索到商品後，一般都會出現一個提示：其他人曾經看過，或者其他人曾經買過。類似的過程稱之爲推薦。
個性化推薦、非個性化推薦：
個性化推薦是針對個人的興趣愛好或特定羣體的共同特性進行的推薦，非個性化推薦不具備針對性，也許只是按照銷量簡單的排名進行推薦，把暢銷的商品推薦給大家。
用戶偏好信息的獲取：
用戶偏好信息的獲取分爲兩種，一種是根據用戶的使用記錄獲取用戶的偏好信息，另外一種是顯式地向用戶詢問他們的興趣愛好。往往顯式的方法對於用戶興趣愛好信息的獲取更爲直接有效，但是往往會帶給用戶一定的反感。
羣體、協同：
獲取偏好信息的時候，往往需要額外的信息來進一步獲取用戶的偏好，這個時候需要參考興趣愛好類似的其他用戶的偏好信息去預測該用戶的興趣，這就是利用了羣體或者協同的概念。
協同過濾推薦（CF，Collaborative Filtering）
A與B在過去一段時間裏的興趣愛好非常相似，那麼在將來的一段時間裏，他們將繼續有很相似的愛好。協同過濾的假設是，大家的興趣愛好在較長的一段時間裏是不會發生太大的變化的。
怎麼評判A和B的興趣愛好相似呢？A和B在過去一段時間裏的消費商品有太多的重疊，我們就可以認爲A和B是非常相似的。
這個時候，A買了一本B沒有買過的書，我們就可以把這本書推薦給B，這就叫協同過濾推薦
基於內容的推薦
基於內容的推薦的核心所在是得到物品的描述和這些特徵的重要記錄。並且，我們需要抽取用戶記錄，分析用戶的行爲和反饋或者直接詢問用戶的興趣及偏好信息。（內容，可以理解爲客體的屬性）
優點：
1. 無需大量的用戶就可以達到一定的推薦精度。
2. 一旦得到物品的屬性就能立刻推薦新物品。
基於知識的推薦
一些商品並不產生太多的消費記錄，因此基於用戶使用記錄的協同推薦及基於內容的推薦都將失效。系統需要當前用戶及有效商品的額外的因果知識達到推薦的效果。
基於用戶的需要及物品的屬性的推薦往往會給用戶推薦類似的物品，這個時候需要繼續維護用戶記錄，並向用戶詢問物品的不同特徵的相對重要程度。
混合推薦方法
基於不同的背景下，各種推薦方法具備不同的優缺點，組合多種推薦方式適用於不同的情景，可以提高推薦的精準度。
推薦系統的解釋
向用戶解釋爲什麼這麼推薦商品。
評估推薦系統
使用實驗、半實驗、非實驗的研究方案描述推薦系統的效果。
隱私與魯棒性
如何阻止惡意用戶的注入？比如僞造評分？如何保護用戶的隱私？
社交網絡及語義背景下的推薦
如何利用用戶之間的社交結構及信用結構提高推薦的精準度？推薦系統在WEB2.0中發揮着什麼樣的作用？