我们经常会遇到推荐的情景：朋友推荐了一款商品，在输入框搜索到商品后，一般都会出现一个提示：其他人曾经看过，或者其他人曾经买过。类似的过程称之为推荐。
个性化推荐、非个性化推荐：
个性化推荐是针对个人的兴趣爱好或特定群体的共同特性进行的推荐，非个性化推荐不具备针对性，也许只是按照销量简单的排名进行推荐，把畅销的商品推荐给大家。
用户偏好信息的获取：
用户偏好信息的获取分为两种，一种是根据用户的使用记录获取用户的偏好信息，另外一种是显式地向用户询问他们的兴趣爱好。往往显式的方法对于用户兴趣爱好信息的获取更为直接有效，但是往往会带给用户一定的反感。
群体、协同：
获取偏好信息的时候，往往需要额外的信息来进一步获取用户的偏好，这个时候需要参考兴趣爱好类似的其他用户的偏好信息去预测该用户的兴趣，这就是利用了群体或者协同的概念。
协同过滤推荐（CF，Collaborative Filtering）
A与B在过去一段时间里的兴趣爱好非常相似，那么在将来的一段时间里，他们将继续有很相似的爱好。协同过滤的假设是，大家的兴趣爱好在较长的一段时间里是不会发生太大的变化的。
怎么评判A和B的兴趣爱好相似呢？A和B在过去一段时间里的消费商品有太多的重叠，我们就可以认为A和B是非常相似的。
这个时候，A买了一本B没有买过的书，我们就可以把这本书推荐给B，这就叫协同过滤推荐
基于内容的推荐
基于内容的推荐的核心所在是得到物品的描述和这些特征的重要记录。并且，我们需要抽取用户记录，分析用户的行为和反馈或者直接询问用户的兴趣及偏好信息。（内容，可以理解为客体的属性）
优点：
1. 无需大量的用户就可以达到一定的推荐精度。
2. 一旦得到物品的属性就能立刻推荐新物品。
基于知识的推荐
一些商品并不产生太多的消费记录，因此基于用户使用记录的协同推荐及基于内容的推荐都将失效。系统需要当前用户及有效商品的额外的因果知识达到推荐的效果。
基于用户的需要及物品的属性的推荐往往会给用户推荐类似的物品，这个时候需要继续维护用户记录，并向用户询问物品的不同特征的相对重要程度。
混合推荐方法
基于不同的背景下，各种推荐方法具备不同的优缺点，组合多种推荐方式适用于不同的情景，可以提高推荐的精准度。
推荐系统的解释
向用户解释为什么这么推荐商品。
评估推荐系统
使用实验、半实验、非实验的研究方案描述推荐系统的效果。
隐私与鲁棒性
如何阻止恶意用户的注入？比如伪造评分？如何保护用户的隐私？
社交网络及语义背景下的推荐
如何利用用户之间的社交结构及信用结构提高推荐的精准度？推荐系统在WEB2.0中发挥着什么样的作用？