个性化推荐系统是建立在海量数据挖掘基础上的高级商业智能平台，帮助电子商务网站为顾客购物提供完全个性化的决策支持和信息服务。
推荐系统包括三个重要模块：用户建模模块、推荐对象模块和推荐算法模块。
主要推荐算法1 .基于内容的推荐
基于内容的推荐是信息过滤技术的继续和发展，是根据项目的内容信息来估计的，不需要基于用户对项目的评价意见，而是通过机器学习的方法从描述内容特征的事件中获得用户的兴趣资料用户的数据模型取决于所使用的学习方法，常用的有决策树、神经网络、基于向量的表示方法等。 基于内容的用户个人资料是用户所需的历史数据，用户个人资料的模型可能会根据用户喜好的变化而改变。
基于内容推荐方法的好处：
)1)不需要其他用户的数据，没有冷启动问题和稀疏问题
)2)推荐给有特殊爱好的用户
)3)可以推荐新的或不太流行的项目，没有新项目的问题
)4)通过列举推荐项目的内容特征，可以说明为什么要推荐这些项目
)5)已有精湛的技术，如分类学习相关技术相当成熟
缺点是，内容容易被有意义的特征提取，特征内容要求良好的机构性，并且用户的喜好必须以内容的特征形式表现，不能明确得到其他用户的判断状况。
2 .协同过滤推荐
协同过滤推荐技术是推荐系统中应用最早、最成功的技术之一，一般采用最近的技术，利用用户的历史偏好信息计算用户之间的距离。 然后，使用目标用户最近的用户对商品的评价的加权评价值来预测目标用户对特定商品的喜好度，系统基于该喜好度推荐目标用户。
协同过滤的最大优点是对推荐对象没有特殊要求，能够应对音乐、电影等非结构化复杂对象。 由于基于协同过滤的推荐系统可以从用户的角度进行适当的推荐并且是自动的，所以用户不需要努力找到适合自己兴趣的推荐信息(例如问卷)。
与基于内容的过滤方法相比，协同过滤具有以下优点：
)1)可以过滤艺术品、音乐等难以通过机器进行自动内容分析的信息
)2)分享他人经验，避免内容分析不完整和不准确
)3)有推荐新信息的能力，能发现内容上完全不相似的信息。 用户事先对推荐信息的内容没有预料到，这也可以通过协同过滤根据内容过滤出较大的差异，发现用户潜在但自己还没有发现的兴趣。
)4)有效利用其他相似用户的反馈信息，减少用户反馈量，加快个性化学习速度。
3 .基于关联规则的建议
基于关联规则的推荐，是根据关联规则，将购买的商品作为规则标题，将规则本身作为推荐对象。 关联规则挖掘可以发现不同商品销售过程中的相关性，在零售业已经取得了成功。 管理规则是统计在一个交易数据库中购买商品集x的交易中，有多少比例的交易同时购买了商品集y，从直观上讲，用户在购买一个商品时有多少倾向于购买其他商品。
算法第一个关联规则的发现是最重要、最耗时的，是算法瓶颈，但可以离线进行。
4 .基于效用的建议
基于效用的推荐是根据用户使用项目的效用情况来计算的，其中心问题是如何针对每个用户构建效用函数。 因此，用户数据模型在很大程度上由系统采用的效用函数决定。 基于效用的推荐的优点是可以考虑非产品属性，如供应商的可靠性和产品可获得性。
5 .知识库推荐
基于知识的推荐在一定程度上可以看作推理技术，它不是基于用户的需求和喜好推荐的。 基于知识的方法明显取决于使用的功能知识。 效用知识是关于一个项目如何满足某个特定用户的知识，可以说明需求和推荐的关系。 因此，用户资料可以是用户规范化的查询、更详细的用户所需的指示、以及支持推理的任何知识结构。
6 .组合推荐
由于每种推荐方法都有优缺点，实际上经常采用组合推荐。 在研究中应用最多的是内容推荐和协同过滤推荐的结合。 最简单的方法是分别用于基于内容的方法和推荐协同过滤的方法来生成预测结果，然后以某种方式组合结果。 理论上推荐了各种组合方法，但在某些具体问题上并不一定有效。 组合推荐的一个重要原则是组合可以避免或弥补每个推荐技术的弱点。
在组合中，有研究者提出了7个组合构想
1 )加权)对多项推荐技术进行加权的结果
2 )转换)根据问题的背景和实际情况或要求，决定对转换采用不同的推荐技术
3 )混合)多种推荐技术联合输出多种推荐结果，为用户提供参考
4 )特征组合)将来自不同推荐数据源的特征组合用于另一推荐算法
5 )层叠)首先采用一种推荐技术生成粗糙推荐结果，第二种推荐技术对此结果生成更准确的推荐结果
6 )特征扩展)由一种技术生成的另外的特征信息嵌入另一种推荐技术的特征输入中，这感觉像特征组合
7 )元级)用一种推荐方法生成的模型作为另一种推荐方法的输入