根据项亮《动态推荐系统关键技术研究》的分类方式，可以根据使用数据来把推荐技术分成以下两类：
1.按使用数据分类：
协同过滤
内容过滤
社会化过滤
基于人口信息的过滤
机遇地理信息的推荐
2.按模型分类：
领域模型
矩阵分解模型
图模型
受限于数据获得的难易程度，一般用户行为数据较为容易获取，所以也导致协同过滤相关推荐算法的流行。
项亮表示，凡是使用了用户行为数据进行运算的都可以归类为协同过滤算法，经典的有user-based协同过滤和item-based协同过滤。
亚马逊把item-based算法发扬光大，它优点是效果不错，而且可以做推荐解析。
但每一种推荐算法，都有其适用场合，所以目前成熟的推荐系统，几本都属于混合型推荐系统。混合型推荐系统的核心思想，是融合多种推荐算法，使其取长补短。
《Hybrid Recommender Systems Survey and Experiments》这篇论文对混合推荐系统做了研究，列出了推荐系统的混合方式：
Weighted 加权融合
Switching 开关切换融合
Mixed 混合融合
Cascade 串联融合
Feature combination 特征组合融合
Feature augmentation 特征增益融合
Meta-level
推荐系统的开发框架，以下摘自《推荐系统实践》
一个推荐系统，一般分为离线部分、在线部分。而其中的“推荐解释”模块，则并不是每个算法都适合，有些算法是做不了推荐解释的，例如基于矩阵分解的推荐算法。
以下是我们的推荐系统架构图
由离线层、半实时层、实时层构成。由于要处理大数据，一般使用的技术都是hadoop、spark、hbase、storm、redis、mahout等。
以item-based协同过滤为例，一般整个个性化推荐的流程如下：
1. 读取用户行为数据，进行抽取清理
2. 根据清理后的行为数据，算出任意两两item的相似度
3. 根据业务需要，截取N个与某item最相似的相关item，写入持久化存储，例如hbase
4. 上层web程序，根据user的历史观看记录，找出3中算好的与user历史记录中看过的item相似的item返回界面展示
简单说，就是根据用户历史行为，找其历史记录中相似的item。