推荐系统分为协同过滤推荐、基于内容的推荐、基于知识的推荐、混合推荐方法。
1.协同过滤推荐
由于选择可能感兴趣的书涉及从大量集合中过滤出最有希望的书，而且用户是在隐式地与其他人相互协作，因此这种技术称为协同过滤。
协同方法背景下的常见问题如下：
1.如何发现与我们要推荐的用户有着相似偏好的用户？
2.如何衡量相似度？
3.如何处理还没有购买经历的新用户？
4.如果只有很少的评分该怎么办？
5,除了利用相似的用户之外，还有哪些技术可以用来预测某个用户是否喜欢其物品
2.基于内容的推荐
一般来说，推荐系统有两个目的：一方面，推荐系统被用于激发用户去做某件事情；另一方面，推荐系统也可以被看作是解决信息过载的工具，因为系统的目标是从大集合里选择最感兴趣的物品。因此，推荐系统研究也深深根植于信息检索和信息过滤领域。这些领域的许多技术利用了源于文档内容的信息进行排名。
基于内容推荐的核心是能够得到物品的描述（不管是人工生成还是自动抽取的）和这些特征的重要记录。在基于内容的推荐中，有如下问题：
1.系统如何自动获取并持续改进用户记录？
2.如何决定哪个物品匹配或者至少能接近、符合用户的兴趣？
3.什么技术能自动抽取或学习物品的描述，从而减少人工标注？
3.基于知识的推荐
在这种基于知识的方法中，推荐系统通常会用到有关当前用户和有效物品的额外信息，如基于约束的推荐。总体来说，基于知识的推荐系统要解决的问题如下：
1.哪种领域知识能表示成知识库？
2.什么机制可根据用户的特点来选择和排名物品？
3.如何在没有购买记录的领域获取用户信息？如何处理用户直接给出的的偏好信息？
4.哪种交互方式能够用于交互式推荐系统？
5.设计对话时，要考虑哪些个性化因素才能确保准确获得用户的偏好信息？
4.混合推荐方法
组合不同技术产生更好或更精确的推荐。在推荐系统中混合使用不同方法时有以下问题：
1.哪种方法能被组合，特定的组合的前提是什么？
2.两个或多个推荐算法是应该顺序计算，还是采用其他混合方式？
3.不同方法的结果如何赋予权重，可以动态决定吗？
5.推荐系统的解释
1.推荐系统在解释其推荐结果的同时如何提高用户对系统的信任度？
2.推荐策略如何影响解释推荐的方式？
3.能通过解释让用户相信系统给出的建议是“公正的”或者不偏颇的吗？
6.评估推荐系统