I sistemi di raccomandazione sono sistemi che formulano raccomandazioni per gli utenti sulla base dei dati inseriti dagli utenti nel sistema. Più dati ha fornito un utente, più precisi possono essere tali sistemi. Inoltre, i dati inviati dai singoli utenti aiutano a migliorare il sistema in generale, generando informazioni che possono essere utilizzate per formulare raccomandazioni per altri utenti. I sistemi di raccomandazione sono comunemente visti su siti come i siti di recensioni di film e televisione e quelli con grandi inventari di articoli al dettaglio che sarebbero funzionalmente impossibili da consultare guardando ogni articolo.
Questi sistemi possono interagire con gli utenti in diversi modi. Uno è come un servizio per gli utenti che cercano più cose a cui potrebbero essere interessati, come ulteriori letture, programmi televisivi o videogiochi. In questi sistemi, l’utente genera un elenco di Mi piace e Non mi piace e il sistema cerca di prevedere in che modo l’utente voterà su cose su cui non ha ancora votato. Se pensa che qualcosa abbia un punteggio elevato, lo suggerisce all’utente.
I sistemi di raccomandazione ben progettati imparano dai loro errori. Un sistema potrebbe consigliare The Sound of Music perché a un utente piace Willy Wonka e la fabbrica di cioccolato. L’utente può selezionare opzioni come “Mi piace” o “Non mi piace”. Se l’utente non apprezzasse The Sound of Music, il sistema potrebbe prendere nota e perfezionare ulteriormente l’algoritmo utilizzato per generare raccomandazioni. Più dati vengono accumulati, più utili saranno le raccomandazioni.
I siti di vendita al dettaglio utilizzano i sistemi di raccomandazione per indurre le persone a fare acquisti d’impulso. Il sistema prende nota degli articoli acquistati e raccomanda articoli correlati e utili. Ad esempio, a qualcuno che sta acquistando una fotocamera potrebbe essere chiesto se desidera acquistare un caricabatterie, una custodia per fotocamera, filtri e obiettivi aggiuntivi. A qualcuno che acquista un libro sulla teoria femminista potrebbe essere detto che anche altri acquirenti di quel titolo godono di un altro titolo correlato. Questi tipi di sistemi di raccomandazione consentono un marketing personalizzato che è molto probabile che faccia appello agli utenti.
Questi sistemi si basano sul filtraggio collaborativo dei dati, in cui i dati di un gran numero di utenti sono organizzati in modo significativo. Ciò consente al sito di effettuare connessioni che altrimenti non potrebbero essere evidenti, migliorando la qualità delle raccomandazioni. Gli utenti che non vogliono partecipare di solito possono cambiare le opzioni nelle loro impostazioni utente, ma ridurranno la qualità dei consigli che ricevono perché il sistema non può imparare dalle preferenze dell’individuo, ma solo dall’opinione collettiva degli altri utenti.