推荐系统旨在为用户提供个性化在线产品和服务的推荐，以解决在线信息过载的问题，加强用户关系管理。自20世纪90年代这一概念被提出，各类推荐系统技术及针对各种应用的推荐系统纷纷被研发出。各类推荐系统被广泛应用到不同领域，为商业、政府和其他领域提供越来越多的便利和机会，甚至成为影响日常生活的一种有效手段。从本质上讲，推荐系统利用用户、资源及信息间的相互关系信息，通过预测用户对资源的兴趣点来为特定用户推荐适合的资源，并通过从巨量数据中恢复出相关服务和信息来减少信息过载问题，为用户提供个性化的服务[1]。因此，推荐系统最重要的特点在于它能通过分析用户和其他用户的行为来猜测用户的兴趣点和偏好，并做出相应的个性化推荐。

推荐系统的研究起源于信息恢复和过滤搜索，自20世纪90年代起，当研究者开始明确研究推荐问题之后，推荐系统便成为一个独立的研究领域。典型的推荐包括协同过滤[3][4][5][80]、基于内容[2][3]、基于知识[6][7]以及混合过滤[8][9]四类方法。每一种推荐方法各有其优缺点。例如，协同过滤推荐算法特有的稀疏、可扩展性以及冷启动等问题，而基于内容的推荐技术则要求初始条件过于苛刻[81]。为了解决这些问题，各类改进推荐方法纷纷被提出，例如基于社会网络的推荐系统[11][12][82][83]、基于内容识别的推荐系统[13][14][84][85]和基于智能计算的推荐系统[15][16]等。当前，推荐系统研究重点关注当前网络环境下的推荐研究，尤其是在大数据和社会网络环境下的资源推荐的研究和开发，其应用包括电影、音乐、电视节目、书、文档、网站、会议、旅游信息和学习材料的推荐等，涉及电子政务、电子贸易、E-learning、数字资源推荐等领域的应用服务。(www.daowen.com)