目前使用比较普遍的个性化推荐算法有三种，分别是：协同过滤推荐算法、基于内容的推荐算法和基于社交网络的推荐算法。

　　1、协同过滤推荐算法

　　该算法的基本思想是，如果你的朋友或者亲戚购买了某件商品并且评价不错，那么你很有可能也会购买该商品。根据相似度比较的对象不同，可以细分为基于用户的推荐和基于物品的推荐。在用该算法的有Amazon等一些电商平台。

　　a）基于用户的近邻推荐

　　基于用户的协同推荐的基本思想是：寻找当前用户的近邻(即计算用户之间的相似性)，从而根据近邻的喜好预测你也可能喜欢什么。

　　b）基于物品的近邻推荐

　　该算法的核心是计算物品两两之间的相似度，从而为用户推荐相似的物品。当需要对用户推荐物品A时，通过确定与A相似的物品B，计算用户对这些近邻物品B评分的加权总和来得到用户对物品A的预测评分。

　　2、基于内容的推荐算法

　　基于内容的推荐与协同过滤推荐不同，它不需要用户对物品的评分数据，也不需要比较多个用户或多个物品之间的相似度。该算法的基本思想是根据用户的历史兴趣数据，建立用户模型，然后针对推荐物品的特征描述进行特征提取，后将物品特征与用户模型相比较，相似度较高的物品就可以得到推荐。

　　基于内容的推荐目前主要应用于文本、视频、音频的推荐，比如新闻、视频和电台等。

　　3、基于社交网络的推荐算法

　　基于社交网络的推荐是协同过滤推荐在社交网络中的延伸，同时又具有基于网络结构推荐的特点。大体上可以分为两类，即基于邻域的社交网络推荐和基于网络结构的社交网络推荐。

　　a）基于邻域的社交网络推荐

　　其基本思想是查询社交网络中当前用户所有的好友，根据好友的兴趣数据，向当前用户推荐好友喜欢的物品集合。

　　b）基于网络结构的社交网络推荐

　　该算法把用户、用户的好友、用户的喜好和好友的喜好连接起来形成一个社交网络结构图。同时，根据用户之间的熟悉程度和喜好相似度，来定义用户之间和用户的喜好之间的权重，然后选择与用户没有直接相关的物品，按照优先级别生成推荐列表。