推荐引擎是数据应用的经典例子，典型的应用场景如亚马逊的商品推荐。
根据推荐引擎的数据源分类可分为三种：
- 根据系统用户的基本信息发现用户的相关程度，这种被称为基于人口统计学的推荐（Demographic-based Recommendation）
- 根据推荐物品或内容的元数据，发现物品或者内容的相关性，这种被称为基于内容的推荐（Content-based Recommendation）
- 根据用户对物品或者信息的偏好，发现物品或者内容本身的相关性，或者是发现用户的相关性，这种被称为基于协同过滤的推荐（Collaborative Filtering-based Recommendation）。
基于人口统计学的推荐：
简单来说就是对用户建模、打标签，假设用户A的标签和用户B的标签相同，那么可以认为用户A和用户B有相同喜好，然后把用户B喜爱的项目推荐给用户A。
基于内容推荐：
对内容或者项目进行建模和打标签，有相同标签的内容归属同一类，例如电影A和电影B都有“动作片”标签，那么它们是同一类，当用户A看过电影A，那么就给他推荐电影B。
基于协同过滤推荐：
协同过滤又分为：
基于用户的协同过滤推荐：这个有点类似人口统计学的推荐，区别在于协同过滤计算用户的相似度，然后利用K-邻居算法把K邻居的商品推荐给目标用户。
基于项目的协同过滤推荐：这个和基于内容推荐都是根据内容的，但这个会计算相似度，例如用户A喜欢物品A、B和C，用户B喜欢物品A，用户C喜欢物品A和C，那么系统任务物品A和C是相似的，那么系统给用户B推荐物品C。
基于模型的协同过滤推荐：训练样本用户数据，建立模型，根据模型进行实时推荐。
参考资料：
https://www.ibm.com/developerworks/cn/web/1103_zhaoct_recommstudy1/index.html