通过分析用户的购买历史、浏览行为、属性信息等数据，自动向每个用户推荐最合适的商品或内容的机制。据说电商网站 30～35% 的销售额来自推荐，是个性化购买体验的核心技术。
推荐系统的主要算法与机制
推荐算法大致分为 3 类。"协同过滤"是利用具有相似购买模式的用户间行为数据的方法。Amazon 的"与您有相似购买倾向的用户也购买了此商品"的推荐就属于此类。需要大量用户数据，但即使没有商品属性信息也能运作，通用性高是其优势。
"基于内容的过滤"是根据商品属性（类别、品牌、价格区间、材质等）的相似性进行推荐的方法。推荐与用户过去购买的商品属性相近的商品，即使是新用户也能达到一定精度。"混合型"是两者结合的方法，Netflix 和 Spotify 采用了这种方式。近年来利用深度学习的推荐也在普及，综合分析文本、图像、行为日志等多样数据来提升推荐精度。
推荐系统的实际影响与消费者的应对方式
推荐系统是直接影响电商销售额的重要功能。Amazon 约 35% 的销售额来自推荐，Netflix 约 80% 的观看内容是从推荐中选择的。对商家而言，适当的推荐实现直接关系到客单价提升、购买频率增加、离开率降低。商品页面的"查看此商品的人还查看了"、购物车页面的"经常一起购买的商品"、邮件的"为您推荐"等，被嵌入购买流程的各个阶段。
作为消费者，应认识到推荐系统既是"便利的助手"也是"促进购买的机制"。算法基于过去的行为进行推荐，因此一旦浏览了特定类别，类似商品就会反复显示，容易产生"过滤气泡"。冷静判断是否真正需要的商品，注意不要被推荐带动进行不必要的购物很重要。通过重置浏览历史或使用无痕模式，也可以减轻推荐的偏向性。