推薦算法是推薦系統的核心，但爲了產生精確而且有效的推薦，越來越多的技術融合到推薦系統的研究中，然後提出各種不同的推薦算法。目前在推薦系統中應用的核心技術包括：
（1）信息檢索技術（IR）
推薦系統根據用戶需求，搜索產品類別數據庫，然後返回用戶需要的信息，其搜索過程可以實時進行，也可以定期執行，同時推薦系統提供的推薦界面既可以基於傳統的關鍵字查詢，也可以基於動態查詢接口。
（2）信息過濾技術（IF）
信息過濾技術一般適合於用戶需求相對不變，而信息動態更新比較頻繁地情況。（比如：指閱，閱米，牛贊網）
信息過濾與信息檢索的主要區別在於：
- 信息過濾面向用戶長期的信息需求，而信息檢索技術面向的是用戶短期的、實時的信息查詢。
- 信息過濾使用特徵文件表示用戶的信息需求特點，而信息檢索技術是用關鍵詞表達用戶的查詢需求。
- 信息過濾中用戶需求相對不變，但用戶訪問的是動態數據流，是從動態數據流中選擇數據；而信息檢索技術訪問的是相對靜止的數據，但用戶需求卻具有瞬時性。
（3）數據挖掘技術（Data Mining）
數據挖掘中的知識可以分爲以下幾類：
- 分類：將數據劃分爲實現定義好的類別中去。
- 迴歸：將數據項映射到若干預定義好的變量上去。
- 聚類：將數據劃分到幾個聚類中去。
- 概括：爲數據的一個子集給出一個簡潔的描述。
- 依賴性模型：描述變量之間的相互依賴性。
- 鏈接分析：判斷數據庫或者數據倉庫中字段之間存在的關係，比如：關聯規則。
- 序列分析：構造順序模型，發現數據之間在時間上的相關性。
數據挖掘常用的數據挖掘方法包括：
- 統計分析：利用統計學和概率論對關係中各個屬性進行統計分析，找出它們之間存在的關聯。
- 神經網絡：模仿生物神經網絡，通過訓練進行學習的非線性預測模型，可以完成分類、聚類等多種任務。
- 決策樹：用樹形結果表示決策集合，決策集合通過對數據集分析產生典型的決策樹方法。
- 遺傳算法：運用基於生物進化的概念設計有了一系列過程來達到優化的目的，包括基因組合、分叉、變異和自然選擇。
- 粗糙集：一種處理模糊和不確定性問題的數學工具，可以用於數據簡化、關聯規則挖掘。
- 模糊邏輯：可以用來進行證據合成、置信度計算。
- 最近鄰技術：通過k個最相似的歷史記錄的組合來辨別新的記錄，用來聚類分析、偏差分析。
- 規則歸納：通過統計方法歸納，提取有價值的if-else規則，可用於關聯規則挖掘。
- 可視化：採取直觀的圖形方式將信息模型、數據關聯或者趨勢呈獻給決策者。