推薦引擎是數據應用的經典例子，典型的應用場景如亞馬遜的商品推薦。
根據推薦引擎的數據源分類可分爲三種：
- 根據系統用戶的基本信息發現用戶的相關程度，這種被稱爲基於人口統計學的推薦（Demographic-based Recommendation）
- 根據推薦物品或內容的元數據，發現物品或者內容的相關性，這種被稱爲基於內容的推薦（Content-based Recommendation）
- 根據用戶對物品或者信息的偏好，發現物品或者內容本身的相關性，或者是發現用戶的相關性，這種被稱爲基於協同過濾的推薦（Collaborative Filtering-based Recommendation）。
基於人口統計學的推薦：
簡單來說就是對用戶建模、打標籤，假設用戶A的標籤和用戶B的標籤相同，那麼可以認爲用戶A和用戶B有相同喜好，然後把用戶B喜愛的項目推薦給用戶A。
基於內容推薦：
對內容或者項目進行建模和打標籤，有相同標籤的內容歸屬同一類，例如電影A和電影B都有“動作片”標籤，那麼它們是同一類，當用戶A看過電影A，那麼就給他推薦電影B。
基於協同過濾推薦：
協同過濾又分爲：
基於用戶的協同過濾推薦：這個有點類似人口統計學的推薦，區別在於協同過濾計算用戶的相似度，然後利用K-鄰居算法把K鄰居的商品推薦給目標用戶。
基於項目的協同過濾推薦：這個和基於內容推薦都是根據內容的，但這個會計算相似度，例如用戶A喜歡物品A、B和C，用戶B喜歡物品A，用戶C喜歡物品A和C，那麼系統任務物品A和C是相似的，那麼系統給用戶B推薦物品C。
基於模型的協同過濾推薦：訓練樣本用戶數據，建立模型，根據模型進行實時推薦。
參考資料：
https://www.ibm.com/developerworks/cn/web/1103_zhaoct_recommstudy1/index.html