推薦算法大致可以分爲三類：基於內容的推薦算法、協同過濾推薦算法和基於知識的推薦算法。
1、基於內容的推薦算法，原理是用戶喜歡和自己關注過的Item在內容上類似的Item，比如你看了哈利波特I，基於內容的推薦算法發現哈利波特II-VI，與你以前觀看的在內容上面（共有很多關鍵詞）有很大關聯性，就把後者推薦給你，這種方法可以避免Item的冷啓動問題（冷啓動：如果一個Item從沒有被關注過，其他推薦算法則很少會去推薦，但是基於內容的推薦算法可以分析Item之間的關係，實現推薦），弊端在於推薦的Item可能會重複，典型的就是新聞推薦，如果你看了一則關於MH370的新聞，很可能推薦的新聞和你瀏覽過的，內容一致；另外一個弊端則是對於一些多媒體的推薦（比如音樂、電影、圖片等)由於很難提內容特徵，則很難進行推薦，一種解決方式則是人工給這些Item打標籤。
2、協同過濾算法，原理是用戶喜歡那些具有相似興趣的用戶喜歡過的商品，比如你的朋友喜歡電影哈利波特I，那麼就會推薦給你，這是最簡單的基於用戶的協同過濾算法（user-based collaboratIve filtering），還有一種是基於Item的協同過濾算法（item-based collaborative filtering），
這兩種方法都是將用戶的所有數據讀入到內存中進行運算的，因此成爲Memory-based Collaborative Filtering，另一種則是Model-based collaborative filtering，包括Aspect Model，pLSA，LDA，聚類，SVD，Matrix Factorization等，這種方法訓練過程比較長，但是訓練完成後，推薦過程比較快。
3、最後一種方法是基於知識的推薦算法，也有人將這種方法歸爲基於內容的推薦，這種方法比較典型的是構建領域本體，或者是建立一定的規則，進行推薦。
混合推薦算法，則會融合以上方法，以加權或者串聯、並聯等方式盡心融合。
當然，推薦系統還包括很多方法，其實機器學習或者數據挖掘裏面的方法，很多都可以應用在推薦系統中，比如說LR、GBDT、RF（這三種方法在一些電商推薦裏面經常用到），社交網絡裏面的圖結構等，都可以說是推薦方法。
