Los sistemas de recomendación son sistemas que hacen recomendaciones para los usuarios sobre la base de los datos que los usuarios han ingresado en el sistema. Cuantos más datos haya proporcionado un usuario, más precisos serán dichos sistemas. Además, los datos enviados por usuarios individuales ayudan a mejorar el sistema en general, al generar información que se puede utilizar para hacer recomendaciones para otros usuarios. Los sistemas de recomendación se ven comúnmente en sitios como sitios de revisión de películas y televisión y aquellos con grandes inventarios de artículos minoristas que serían funcionalmente imposibles de navegar al mirar cada artículo.
Estos sistemas pueden interactuar con los usuarios de diferentes maneras. Uno es como un servicio para usuarios que buscan más cosas en las que puedan estar interesados, como lecturas adicionales, programas de televisión o videojuegos. En estos sistemas, el usuario genera una lista de gustos y disgustos y el sistema intenta predecir cómo va a votar sobre cosas que aún no ha votado. Si cree que algo tendría una calificación alta, se lo sugiere al usuario.
Los sistemas de recomendación bien diseñados aprenden de sus errores. Un sistema podría recomendar The Sound of Music porque a un usuario le gustaba Willy Wonka & the Chocolate Factory. El usuario puede seleccionar opciones como «Me gusta esto» o «No me gusta esto». Si al usuario no le gustaba The Sound of Music, el sistema podría tomar nota y refinar aún más el algoritmo utilizado para generar recomendaciones. Cuantos más datos se acumulen, más útiles serán las recomendaciones.
Los sitios minoristas utilizan sistemas de recomendación para atraer a las personas a realizar compras impulsivas. El sistema toma nota de los artículos comprados y recomienda artículos relacionados y útiles. Por ejemplo, se le puede preguntar a alguien que está comprando una cámara si quiere comprar un cargador, una funda para cámara, filtros y lentes adicionales. A alguien que compra un libro sobre teoría feminista se le puede decir que otros compradores de ese título también disfrutan de otro título relacionado. Estos tipos de sistemas de recomendación permiten un marketing personalizado que es muy probable que atraiga a los usuarios.
Estos sistemas se basan en el filtrado colaborativo de datos, en el que los datos de un gran número de usuarios se organizan de manera significativa. Esto permite que el sitio realice conexiones que de otro modo no serían evidentes, mejorando la calidad de las recomendaciones. Los usuarios que no desean participar generalmente pueden cambiar las opciones en su configuración de usuario, pero reducirán la calidad de las recomendaciones que reciben porque el sistema no puede aprender de las preferencias del individuo, solo de la opinión colectiva de otros usuarios.
Inteligente de activos.