अनुशंसा प्रणाली

एक अनुशंसा प्रणाली, या एक अनुशंसा प्रणाली (कभी-कभी 'सिस्टम' को प्लेटफ़ॉर्म या इंजन जैसे पर्यायवाची के साथ बदल देती है), सूचना फ़िल्टरिंग प्रणाली का एक उपवर्ग है जो उन वस्तुओं के लिए सुझाव प्रदान करती है जो किसी विशेष उपयोगकर्ता के लिए सबसे प्रासंगिक हैं। आमतौर पर, सुझाव विभिन्न निर्णय लेने की प्रक्रियाओं को संदर्भित करते हैं, जैसे कि कौन सा उत्पाद खरीदना है, कौन सा संगीत सुनना है, या कौन सा ऑनलाइन समाचार पढ़ना है। अनुशंसा प्रणालियाँ विशेष रूप से तब उपयोगी होती हैं जब किसी व्यक्ति को किसी सेवा द्वारा प्रस्तावित वस्तुओं की संभावित भारी संख्या में से किसी वस्तु को चुनने की आवश्यकता होती है।

अनुशंसा प्रणाली का उपयोग विभिन्न क्षेत्रों में किया जाता है, आमतौर पर मान्यता प्राप्त उदाहरणों में वीडियो और संगीत सेवाओं के लिए प्लेलिस्ट जेनरेटर, ऑनलाइन स्टोर के लिए उत्पाद अनुशंसाकर्ता, या सोशल मीडिया प्लेटफ़ॉर्म और ओपन वेब सामग्री अनुशंसाकर्ता के लिए सामग्री अनुशंसाकर्ता शामिल हैं। ये सिस्टम एकल इनपुट, जैसे संगीत, या समाचार, किताबें और खोज क्वेरी जैसे प्लेटफार्मों के भीतर और कई इनपुट का उपयोग करके काम कर सकते हैं। रेस्तरां और ऑनलाइन डेटिंग जैसे विशिष्ट विषयों के लिए लोकप्रिय अनुशंसा प्रणालियाँ भी हैं। अनुसंधान लेखों और विशेषज्ञों का पता लगाने के लिए अनुशंसा प्रणालियाँ भी विकसित की गई हैं, सहयोगी, और वित्तीय सेवाएँ।

सिंहावलोकन
अनुशंसा प्रणालियाँ आमतौर पर सहयोगी फ़िल्टरिंग और सामग्री-आधारित फ़िल्टरिंग (जिसे व्यक्तित्व-आधारित दृष्टिकोण के रूप में भी जाना जाता है) में से एक या दोनों का उपयोग करती हैं। साथ ही अन्य प्रणालियाँ जैसे ज्ञान-आधारित प्रणालियाँ। सहयोगात्मक फ़िल्टरिंग दृष्टिकोण उपयोगकर्ता के पिछले व्यवहार (पहले खरीदी गई या चयनित वस्तुएं और/या उन वस्तुओं को दी गई संख्यात्मक रेटिंग) के साथ-साथ अन्य उपयोगकर्ताओं द्वारा किए गए समान निर्णयों से एक मॉडल बनाते हैं। इस मॉडल का उपयोग उन वस्तुओं (या वस्तुओं के लिए रेटिंग) की भविष्यवाणी करने के लिए किया जाता है जिनमें उपयोगकर्ता की रुचि हो सकती है। सामग्री-आधारित फ़िल्टरिंग दृष्टिकोण समान गुणों वाले अतिरिक्त आइटम की अनुशंसा करने के लिए किसी आइटम की अलग, पूर्व-टैग की गई विशेषताओं की एक श्रृंखला का उपयोग करते हैं। हम दो प्रारंभिक संगीत अनुशंसा प्रणालियों - Last.fm और पंडोरा रेडियो की तुलना करके सहयोगी और सामग्री-आधारित फ़िल्टरिंग के बीच अंतर प्रदर्शित कर सकते हैं।
 * Last.fm यह देखकर अनुशंसित गानों का एक स्टेशन बनाता है कि उपयोगकर्ता ने नियमित आधार पर कौन से बैंड और व्यक्तिगत ट्रैक सुने हैं और उनकी तुलना अन्य उपयोगकर्ताओं के सुनने के व्यवहार से करता है। Last.fm ऐसे ट्रैक चलाएगा जो उपयोगकर्ता की लाइब्रेरी में दिखाई नहीं देते हैं, लेकिन अक्सर समान रुचियों वाले अन्य उपयोगकर्ताओं द्वारा चलाए जाते हैं। चूँकि यह दृष्टिकोण उपयोगकर्ताओं के व्यवहार का लाभ उठाता है, यह एक सहयोगी फ़िल्टरिंग तकनीक का एक उदाहरण है।
 * पेंडोरा एक गीत या कलाकार के गुणों (संगीत जीनोम प्रोजेक्ट द्वारा प्रदान की गई 400 विशेषताओं का एक उपसमूह) का उपयोग एक ऐसे स्टेशन को तैयार करने के लिए करता है जो समान गुणों के साथ संगीत बजाता है। उपयोगकर्ता फीडबैक का उपयोग स्टेशन के परिणामों को परिष्कृत करने के लिए किया जाता है, जब उपयोगकर्ता किसी विशेष गीत को नापसंद करता है तो कुछ विशेषताओं पर जोर नहीं दिया जाता है और जब उपयोगकर्ता को कोई गाना पसंद आता है तो अन्य विशेषताओं पर जोर दिया जाता है। यह सामग्री-आधारित दृष्टिकोण का एक उदाहरण है.

प्रत्येक प्रकार की प्रणाली की अपनी ताकत और कमजोरियां होती हैं। उपरोक्त उदाहरण में, Last.fm को सटीक अनुशंसाएँ करने के लिए उपयोगकर्ता के बारे में बड़ी मात्रा में जानकारी की आवश्यकता होती है। यह कोल्ड स्टार्ट (अनुशंसित सिस्टम) समस्या का एक उदाहरण है, और सहयोगी फ़िल्टरिंग सिस्टम में आम है।    जबकि पेंडोरा को शुरू करने के लिए बहुत कम जानकारी की आवश्यकता होती है, इसका दायरा कहीं अधिक सीमित है (उदाहरण के लिए, यह केवल वही सिफारिशें कर सकता है जो मूल बीज के समान हैं)।

अनुशंसा प्रणालियाँ खोज एल्गोरिदम का एक उपयोगी विकल्प हैं क्योंकि वे उपयोगकर्ताओं को उन वस्तुओं को खोजने में मदद करती हैं जो उन्हें अन्यथा नहीं मिलतीं। ध्यान देने योग्य बात यह है कि अनुशंसा प्रणाली अक्सर गैर-पारंपरिक डेटा को अनुक्रमित करने वाले खोज इंजनों का उपयोग करके कार्यान्वित की जाती है।

अनुशंसा प्रणालियाँ कई स्वीकृत पेटेंटों का फोकस रही हैं।

इतिहास
ऐलेन रिच ने 1979 में अनजाने में पहली अनुशंसा प्रणाली ग्रुंडी बनाई।  उसने उपयोगकर्ता को उसकी पसंद की पुस्तक की अनुशंसा करने का एक तरीका खोजा। उनका विचार एक ऐसी प्रणाली बनाने का था जो उपयोगकर्ता से विशिष्ट प्रश्न पूछती हो और उसके उत्तरों के आधार पर उसे रूढ़ियाँ निर्दिष्ट करती हो। उपयोगकर्ता की रूढ़िवादिता के आधार पर, उसे उस पुस्तक के लिए अनुशंसा मिलेगी जो उसे पसंद आ सकती है।

अनुशंसा प्रणाली का पहला वास्तविक उल्लेख 1990 में कोलंबिया विश्वविद्यालय में जूसी कार्लग्रेन द्वारा एक डिजिटल बुकशेल्फ़ के रूप में एक तकनीकी रिपोर्ट में किया गया था। और बड़े पैमाने पर कार्यान्वित किया गया और 1994 से जूसी कार्लग्रेन, फिर एसआईसीएस, द्वारा तकनीकी रिपोर्टों और प्रकाशनों पर काम किया गया। a और एमआईटी में पैटी मेस के नेतृत्व में अनुसंधान समूह, बेलकोर में विल हिल, और पॉल रेसनिक, एमआईटी में भी ग्रुपलेंस के साथ जिनके काम को 2010 एसीएम सॉफ्टवेयर सिस्टम पुरस्कार से सम्मानित किया गया था।

मोंटानेर ने एक बुद्धिमान एजेंट परिप्रेक्ष्य से अनुशंसाकर्ता प्रणालियों का पहला अवलोकन प्रदान किया। गेडिमिनस एडोमाविसियस ने अनुशंसाकर्ता प्रणालियों का एक नया, वैकल्पिक अवलोकन प्रदान किया। हेरलॉकर अनुशंसाकर्ता प्रणालियों के लिए मूल्यांकन तकनीकों का एक अतिरिक्त अवलोकन प्रदान करता है, और जोरेन बील एट अल। ऑफलाइन मूल्यांकन की समस्याओं पर चर्चा की। बील एट अल. उपलब्ध शोध पत्र अनुशंसा प्रणाली और मौजूदा चुनौतियों पर साहित्य सर्वेक्षण भी प्रदान किया है।

सहयोगात्मक फ़िल्टरिंग
अनुशंसा प्रणाली के डिज़ाइन के लिए एक दृष्टिकोण जिसका व्यापक उपयोग होता है, सहयोगात्मक फ़िल्टरिंग है। सहयोगात्मक फ़िल्टरिंग इस धारणा पर आधारित है कि जो लोग अतीत में सहमत थे वे भविष्य में भी सहमत होंगे, और वे उसी प्रकार की वस्तुओं को पसंद करेंगे जैसे वे अतीत में पसंद करते थे। सिस्टम विभिन्न उपयोगकर्ताओं या वस्तुओं के लिए केवल रेटिंग प्रोफाइल के बारे में जानकारी का उपयोग करके सिफारिशें तैयार करता है। वर्तमान उपयोगकर्ता या आइटम के समान रेटिंग इतिहास वाले सहकर्मी उपयोगकर्ताओं/आइटमों का पता लगाकर, वे इस पड़ोस का उपयोग करके अनुशंसाएँ उत्पन्न करते हैं। सहयोगात्मक फ़िल्टरिंग विधियों को मेमोरी-आधारित और मॉडल-आधारित के रूप में वर्गीकृत किया गया है। मेमोरी-आधारित दृष्टिकोण का एक प्रसिद्ध उदाहरण उपयोगकर्ता-आधारित एल्गोरिदम है, जबकि मॉडल-आधारित दृष्टिकोण मैट्रिक्स फ़ैक्टराइज़ेशन (सिफारिश प्रणाली) है। सहयोगात्मक फ़िल्टरिंग दृष्टिकोण का एक प्रमुख लाभ यह है कि यह मशीन विश्लेषण योग्य सामग्री पर निर्भर नहीं करता है और इसलिए यह आइटम की समझ की आवश्यकता के बिना फिल्मों जैसे जटिल आइटम की सटीक रूप से अनुशंसा करने में सक्षम है। अनुशंसाकर्ता प्रणालियों में उपयोगकर्ता समानता या आइटम समानता को मापने के लिए कई एल्गोरिदम का उपयोग किया गया है। उदाहरण के लिए, k-निकटतम पड़ोसी एल्गोरिदम|k-निकटतम पड़ोसी (k-NN) दृष्टिकोण और पियर्सन सहसंबंध, जैसा कि पहली बार एलन द्वारा कार्यान्वित किया गया था। उपयोगकर्ता के व्यवहार से एक मॉडल बनाते समय, डेटा संग्रह के स्पष्ट और अंतर्निहित डेटा संग्रह रूपों के बीच अक्सर अंतर किया जाता है।

स्पष्ट डेटा संग्रह के उदाहरणों में निम्नलिखित शामिल हैं:
 * किसी उपयोगकर्ता से किसी आइटम को स्लाइडिंग स्केल पर रेट करने के लिए कहना।
 * उपयोगकर्ता को खोजने के लिए कहना।
 * उपयोगकर्ता से वस्तुओं के संग्रह को पसंदीदा से कम से कम पसंदीदा में रैंक करने के लिए कहना।
 * किसी उपयोगकर्ता को दो वस्तुएँ प्रस्तुत करना और उनसे उनमें से बेहतर एक चुनने के लिए कहना।
 * किसी उपयोगकर्ता से उन वस्तुओं की सूची बनाने के लिए कहना जो उसे पसंद हों (रोशियो एल्गोरिथ्म या अन्य समान तकनीकें देखें)।

अंतर्निहित डेटा संग्रह के उदाहरणों में निम्नलिखित शामिल हैं:
 * उन वस्तुओं का अवलोकन करना जिन्हें उपयोगकर्ता किसी ऑनलाइन स्टोर में देखता है।
 * आइटम/उपयोगकर्ता के देखने के समय का विश्लेषण करना।
 * उपयोगकर्ता द्वारा ऑनलाइन खरीदी जाने वाली वस्तुओं का रिकॉर्ड रखना।
 * उन आइटमों की सूची प्राप्त करना जिन्हें उपयोगकर्ता ने अपने कंप्यूटर पर सुना या देखा है।
 * उपयोगकर्ता के सोशल नेटवर्क का विश्लेषण करना और समान पसंद और नापसंद का पता लगाना।

सहयोगात्मक फ़िल्टरिंग दृष्टिकोण अक्सर तीन समस्याओं से ग्रस्त होते हैं: कोल्ड स्टार्ट (कंप्यूटिंग), स्केलेबिलिटी, और विरलता।
 * ठंडी शुरुआत: किसी नए उपयोगकर्ता या आइटम के लिए, सटीक अनुशंसाएँ करने के लिए पर्याप्त डेटा नहीं है। ध्यान दें: इस समस्या का एक सामान्य रूप से कार्यान्वित समाधान बहु-सशस्त्र डाकू|मल्टी-आर्म्ड बैंडिट एल्गोरिदम है।  * स्केलेबिलिटी: कई वातावरणों में लाखों उपयोगकर्ता और उत्पाद हैं जिनमें ये सिस्टम सिफारिशें करते हैं। इस प्रकार, अनुशंसाओं की गणना के लिए अक्सर बड़ी मात्रा में गणना शक्ति की आवश्यकता होती है।
 * विरलता: प्रमुख ई-कॉमर्स साइटों पर बेची जाने वाली वस्तुओं की संख्या बहुत बड़ी है। सबसे सक्रिय उपयोगकर्ताओं ने समग्र डेटाबेस का केवल एक छोटा उपसमूह ही रेट किया होगा। इस प्रकार, सबसे लोकप्रिय वस्तुओं की भी रेटिंग बहुत कम है।

सहयोगी फ़िल्टरिंग के सबसे प्रसिद्ध उदाहरणों में से एक आइटम-टू-आइटम सहयोगी फ़िल्टरिंग है (जो लोग x खरीदते हैं वे y भी खरीदते हैं), Amazon.com की अनुशंसा प्रणाली द्वारा लोकप्रिय एल्गोरिदम। कई सामाजिक नेटवर्क मूल रूप से उपयोगकर्ता और उनके दोस्तों के बीच कनेक्शन के नेटवर्क की जांच करके नए दोस्तों, समूहों और अन्य सामाजिक कनेक्शनों की सिफारिश करने के लिए सहयोगी फ़िल्टरिंग का उपयोग करते थे। सहयोगात्मक फ़िल्टरिंग का उपयोग अभी भी हाइब्रिड सिस्टम के भाग के रूप में किया जाता है।

सामग्री-आधारित फ़िल्टरिंग
अनुशंसा प्रणाली को डिज़ाइन करते समय एक अन्य सामान्य दृष्टिकोण सामग्री-आधारित फ़िल्टरिंग है। सामग्री-आधारित फ़िल्टरिंग विधियाँ आइटम के विवरण और उपयोगकर्ता की प्राथमिकताओं की प्रोफ़ाइल पर आधारित होती हैं। ये विधियां उन स्थितियों के लिए सबसे उपयुक्त हैं जहां किसी आइटम (नाम, स्थान, विवरण इत्यादि) पर ज्ञात डेटा है, लेकिन उपयोगकर्ता पर नहीं। सामग्री-आधारित अनुशंसाकर्ता अनुशंसा को उपयोगकर्ता-विशिष्ट वर्गीकरण समस्या के रूप में मानते हैं और किसी आइटम की विशेषताओं के आधार पर उपयोगकर्ता की पसंद और नापसंद के लिए एक वर्गीकरण सीखते हैं।

इस प्रणाली में, आइटम का वर्णन करने के लिए कीवर्ड का उपयोग किया जाता है, और इस उपयोगकर्ता को पसंद आने वाले आइटम के प्रकार को इंगित करने के लिए एक उपयोगकर्ता प्रोफ़ाइल बनाई जाती है। दूसरे शब्दों में, ये एल्गोरिदम उन वस्तुओं के समान अनुशंसा करने का प्रयास करते हैं जिन्हें उपयोगकर्ता ने अतीत में पसंद किया था या वर्तमान में जांच कर रहा है। यह अक्सर अस्थायी प्रोफ़ाइल उत्पन्न करने के लिए उपयोगकर्ता साइन-इन तंत्र पर निर्भर नहीं होता है। विशेष रूप से, विभिन्न उम्मीदवार वस्तुओं की तुलना उपयोगकर्ता द्वारा पहले से मूल्यांकित वस्तुओं से की जाती है, और सर्वोत्तम मिलान वाली वस्तुओं की सिफारिश की जाती है। इस दृष्टिकोण की जड़ें सूचना पुनर्प्राप्ति और सूचना फ़िल्टरिंग अनुसंधान में हैं।

उपयोगकर्ता प्रोफ़ाइल बनाने के लिए, सिस्टम अधिकतर दो प्रकार की सूचनाओं पर ध्यान केंद्रित करता है:

1. उपयोगकर्ता की पसंद का एक मॉडल.

2. अनुशंसाकर्ता प्रणाली के साथ उपयोगकर्ता की बातचीत का इतिहास।

मूल रूप से, ये विधियाँ सिस्टम के भीतर आइटम की विशेषता बताने वाले एक आइटम प्रोफ़ाइल (यानी, अलग विशेषताओं और सुविधाओं का एक सेट) का उपयोग करती हैं। सिस्टम में आइटमों की विशेषताओं को अमूर्त करने के लिए, एक आइटम प्रस्तुति एल्गोरिदम लागू किया जाता है। एक व्यापक रूप से उपयोग किया जाने वाला एल्गोरिदम tf-idf प्रतिनिधित्व (जिसे वेक्टर स्पेस प्रतिनिधित्व भी कहा जाता है) है। सिस्टम आइटम सुविधाओं के भारित वेक्टर के आधार पर उपयोगकर्ताओं की सामग्री-आधारित प्रोफ़ाइल बनाता है। वज़न उपयोगकर्ता के लिए प्रत्येक सुविधा के महत्व को दर्शाता है और विभिन्न तकनीकों का उपयोग करके व्यक्तिगत रूप से रेटेड सामग्री वैक्टर से गणना की जा सकती है। सरल दृष्टिकोण रेटेड आइटम वेक्टर के औसत मूल्यों का उपयोग करते हैं जबकि अन्य परिष्कृत तरीके मशीन लर्निंग तकनीकों जैसे नाइव बेयस क्लासिफायरियर, क्लस्टर विश्लेषण, निर्णय पेड़ और कृत्रिम तंत्रिका नेटवर्क का उपयोग करते हैं ताकि संभावना का अनुमान लगाया जा सके कि उपयोगकर्ता आइटम को पसंद करेगा। सामग्री-आधारित फ़िल्टरिंग के साथ एक प्रमुख मुद्दा यह है कि क्या सिस्टम एक सामग्री स्रोत के संबंध में उपयोगकर्ताओं के कार्यों से उपयोगकर्ता की प्राथमिकताओं को सीख सकता है और उन्हें अन्य सामग्री प्रकारों में उपयोग कर सकता है। जब सिस्टम उसी प्रकार की सामग्री की अनुशंसा करने तक सीमित होता है जिसे उपयोगकर्ता पहले से ही उपयोग कर रहा है, तो अनुशंसा प्रणाली का मूल्य उस समय की तुलना में काफी कम होता है जब अन्य सेवाओं से अन्य सामग्री प्रकारों की अनुशंसा की जा सकती है। उदाहरण के लिए, समाचार ब्राउज़िंग के आधार पर समाचार लेखों की अनुशंसा करना उपयोगी है। फिर भी, यह तब अधिक उपयोगी होगा जब समाचार ब्राउज़िंग के आधार पर विभिन्न सेवाओं से संगीत, वीडियो, उत्पाद, चर्चा आदि की अनुशंसा की जा सकती है। इसे दूर करने के लिए, अधिकांश सामग्री-आधारित अनुशंसा प्रणालियाँ अब किसी न किसी प्रकार की हाइब्रिड प्रणाली का उपयोग करती हैं।

सामग्री-आधारित अनुशंसा प्रणाली में राय-आधारित अनुशंसा प्रणाली भी शामिल हो सकती है। कुछ मामलों में, उपयोगकर्ताओं को आइटम पर टेक्स्ट समीक्षा या फीडबैक छोड़ने की अनुमति होती है। ये उपयोगकर्ता-जनित पाठ अनुशंसाकर्ता प्रणाली के लिए अंतर्निहित डेटा हैं क्योंकि वे आइटम की सुविधा/पहलुओं और आइटम के लिए उपयोगकर्ताओं के मूल्यांकन/भावना दोनों के संभावित समृद्ध संसाधन हैं। उपयोगकर्ता-जनित समीक्षाओं से निकाली गई सुविधाओं को आइटमों के मेटा डेटा |मेटा-डेटा में सुधार किया जाता है, क्योंकि चूंकि वे मेटाडेटा|मेटा-डेटा जैसे आइटम के पहलुओं को भी प्रतिबिंबित करते हैं, इसलिए निकाली गई विशेषताएं उपयोगकर्ताओं द्वारा व्यापक रूप से चिंतित हैं। समीक्षाओं से निकाली गई भावनाओं को संबंधित सुविधाओं पर उपयोगकर्ताओं के रेटिंग स्कोर के रूप में देखा जा सकता है। राय-आधारित अनुशंसा प्रणाली के लोकप्रिय दृष्टिकोण पाठ खनन, सूचना पुनर्प्राप्ति, भावना विश्लेषण (मल्टीमॉडल भावना विश्लेषण भी देखें) और गहन शिक्षण सहित विभिन्न तकनीकों का उपयोग करते हैं।

हाइब्रिड अनुशंसा दृष्टिकोण
अधिकांश अनुशंसाकर्ता प्रणालियाँ अब सहयोगी फ़िल्टरिंग, सामग्री-आधारित फ़िल्टरिंग और अन्य दृष्टिकोणों को मिलाकर एक हाइब्रिड दृष्टिकोण का उपयोग करती हैं। ऐसा कोई कारण नहीं है कि एक ही प्रकार की कई अलग-अलग तकनीकों को संकरण न किया जा सके। हाइब्रिड दृष्टिकोण को कई तरीकों से लागू किया जा सकता है: सामग्री-आधारित और सहयोगात्मक-आधारित भविष्यवाणियां अलग-अलग करके और फिर उन्हें संयोजित करके; सहयोगात्मक-आधारित दृष्टिकोण में सामग्री-आधारित क्षमताओं को जोड़कर (और इसके विपरीत); या दृष्टिकोणों को एक मॉडल में एकीकृत करके (देखें)। सिफ़ारिशकर्ता प्रणालियों की संपूर्ण समीक्षा के लिए)। कई अध्ययनों ने अनुभवजन्य रूप से हाइब्रिड के प्रदर्शन की तुलना शुद्ध सहयोगात्मक और सामग्री-आधारित तरीकों से की है और प्रदर्शित किया है कि हाइब्रिड विधियां अधिक सटीक प्रदान कर सकती हैं शुद्ध दृष्टिकोण की तुलना में अनुशंसाएँ। इन विधियों का उपयोग अनुशंसा प्रणाली में कुछ सामान्य समस्याओं जैसे कोल्ड स्टार्ट और स्पार्सिटी समस्या, साथ ही ज्ञान आधार | ज्ञान-आधारित दृष्टिकोण में ज्ञान इंजीनियरिंग बाधा को दूर करने के लिए भी किया जा सकता है। NetFlix हाइब्रिड अनुशंसा प्रणाली के उपयोग का एक अच्छा उदाहरण है। वेबसाइट समान उपयोगकर्ताओं की देखने और खोजने की आदतों (यानी, सहयोगी फ़िल्टरिंग) की तुलना करके और साथ ही उन फिल्मों की पेशकश करके सिफारिशें करती है जो उन फिल्मों के साथ विशेषताओं को साझा करती हैं जिन्हें उपयोगकर्ता ने उच्च रेटिंग दी है (सामग्री-आधारित फ़िल्टरिंग)।

कुछ संकरण तकनीकों में शामिल हैं:
 * भारित: विभिन्न अनुशंसा घटकों के स्कोर को संख्यात्मक रूप से संयोजित करना।
 * स्विचिंग: अनुशंसा घटकों में से चयन करना और चयनित को लागू करना।
 * मिश्रित: अनुशंसा देने के लिए विभिन्न अनुशंसाकर्ताओं की अनुशंसाओं को एक साथ प्रस्तुत किया जाता है।
 * सुविधा संयोजन: विभिन्न ज्ञान स्रोतों से प्राप्त सुविधाओं को एक साथ संयोजित किया जाता है और एक एकल अनुशंसा एल्गोरिदम को दिया जाता है।
 * फ़ीचर ऑग्मेंटेशन: किसी फ़ीचर या फ़ीचर के सेट की गणना करना, जो अगली तकनीक के इनपुट का हिस्सा है। *कैस्केड: अनुशंसाकर्ताओं को सख्त प्राथमिकता दी जाती है, कम प्राथमिकता वाले लोग उच्च प्राथमिकता वाले लोगों के स्कोरिंग में संबंध तोड़ देते हैं।
 * मेटा-स्तर: एक अनुशंसा तकनीक लागू की जाती है और कुछ प्रकार का मॉडल तैयार किया जाता है, जो अगली तकनीक द्वारा उपयोग किया जाने वाला इनपुट होता है।

सत्र-आधारित अनुशंसा प्रणाली
ये अनुशंसा प्रणालियाँ एक सत्र के भीतर उपयोगकर्ता की बातचीत का उपयोग करती हैं सिफ़ारिशें उत्पन्न करने के लिए. यूट्यूब पर सत्र-आधारित अनुशंसा प्रणाली का उपयोग किया जाता है और अमेज़न. ये विशेष रूप से तब उपयोगी होते हैं जब किसी उपयोगकर्ता का इतिहास (जैसे पिछले क्लिक, खरीदारी) उपलब्ध नहीं है या वर्तमान उपयोगकर्ता सत्र में प्रासंगिक नहीं है। डोमेन, जहां सत्र-आधारित अनुशंसाएं विशेष रूप से प्रासंगिक हैं, उनमें वीडियो, ई-कॉमर्स, यात्रा, संगीत और बहुत कुछ शामिल हैं। सत्र-आधारित अनुशंसा प्रणाली के अधिकांश उदाहरण उपयोगकर्ता के किसी भी अतिरिक्त विवरण (ऐतिहासिक, जनसांख्यिकीय) की आवश्यकता के बिना एक सत्र के भीतर हाल की बातचीत के अनुक्रम पर निर्भर करते हैं। सत्र-आधारित अनुशंसाओं की तकनीकें मुख्य रूप से जेनरेटिव अनुक्रमिक मॉडल जैसे आवर्ती तंत्रिका नेटवर्क, पर आधारित हैं। ट्रांसफार्मर, और अन्य गहन शिक्षण आधारित दृष्टिकोण

अनुशंसा प्रणाली के लिए सुदृढीकरण सीखना
अनुशंसा समस्या को सुदृढीकरण सीखने की समस्या के एक विशेष उदाहरण के रूप में देखा जा सकता है, जिसके तहत उपयोगकर्ता वह वातावरण है जिस पर एजेंट, अनुशंसा प्रणाली पुरस्कार प्राप्त करने के लिए कार्य करती है, उदाहरण के लिए, उपयोगकर्ता द्वारा एक क्लिक या सहभागिता। सुदृढीकरण सीखने का एक पहलू जो अनुशंसा प्रणाली के क्षेत्र में विशेष रूप से उपयोगी है, वह यह तथ्य है कि अनुशंसा एजेंट को पुरस्कार प्रदान करके मॉडल या नीतियों को सीखा जा सकता है। यह पारंपरिक शिक्षण तकनीकों के विपरीत है जो पर्यवेक्षित शिक्षण दृष्टिकोणों पर निर्भर करती है जो कम लचीले होते हैं, सुदृढीकरण सीखने की अनुशंसा तकनीकें संभावित रूप से ऐसे मॉडलों को प्रशिक्षित करने की अनुमति देती हैं जिन्हें सीधे जुड़ाव के मैट्रिक्स और उपयोगकर्ता की रुचि पर अनुकूलित किया जा सकता है।

बहु-मापदंड अनुशंसा प्रणाली
मल्टी-मानदंड अनुशंसा प्रणाली (एमसीआरएस) को अनुशंसा प्रणाली के रूप में परिभाषित किया जा सकता है जो कई मानदंडों पर वरीयता जानकारी को शामिल करती है। एकल मानदंड मान के आधार पर अनुशंसा तकनीकों को विकसित करने के बजाय, आइटम i के लिए उपयोगकर्ता यू की समग्र प्राथमिकता, ये सिस्टम कई मानदंडों पर वरीयता जानकारी का फायदा उठाकर यू की अज्ञात वस्तुओं के लिए रेटिंग की भविष्यवाणी करने का प्रयास करते हैं जो इस समग्र वरीयता मूल्य को प्रभावित करते हैं। कई शोधकर्ता एमसीआरएस को बहु-मापदंड निर्णय लेने (एमसीडीएम) समस्या के रूप में देखते हैं, और एमसीआरएस सिस्टम को लागू करने के लिए एमसीडीएम विधियों और तकनीकों को लागू करते हैं। यह अध्याय देखें विस्तृत परिचय के लिए.

जोखिम-जागरूक अनुशंसा प्रणाली
अनुशंसा प्रणाली के अधिकांश मौजूदा दृष्टिकोण प्रासंगिक जानकारी का उपयोग करने वाले उपयोगकर्ताओं को सबसे अधिक प्रासंगिक सामग्री की अनुशंसा करने पर ध्यान केंद्रित करते हैं, फिर भी अवांछित सूचनाओं के साथ उपयोगकर्ता को परेशान करने के जोखिम को ध्यान में नहीं रखते हैं। कुछ परिस्थितियों में अनुशंसाओं को आगे बढ़ाने से उपयोगकर्ता को परेशान होने के जोखिम पर विचार करना महत्वपूर्ण है, उदाहरण के लिए, किसी पेशेवर मीटिंग के दौरान, सुबह जल्दी या देर रात में। इसलिए, अनुशंसाकर्ता प्रणाली का प्रदर्शन आंशिक रूप से इस बात पर निर्भर करता है कि उसने अनुशंसा प्रक्रिया में जोखिम को किस हद तक शामिल किया है। इस समस्या को प्रबंधित करने का एक विकल्प DRARS है, एक प्रणाली जो संदर्भ-जागरूक अनुशंसा को बहु-सशस्त्र डाकू के रूप में मॉडल करती है। यह प्रणाली एक सामग्री-आधारित तकनीक और एक प्रासंगिक बैंडिट एल्गोरिदम को जोड़ती है।

मोबाइल अनुशंसा प्रणाली
मोबाइल अनुशंसाकर्ता सिस्टम व्यक्तिगत, संदर्भ-संवेदनशील अनुशंसाएँ प्रदान करने के लिए इंटरनेट-एक्सेसिंग स्मार्टफोन्स का उपयोग करते हैं। यह अनुसंधान का एक विशेष रूप से कठिन क्षेत्र है क्योंकि मोबाइल डेटा उस डेटा की तुलना में अधिक जटिल है जिससे अनुशंसा प्रणाली को अक्सर निपटना पड़ता है। यह विषम है, शोर है, स्थानिक और लौकिक ऑटो-सहसंबंध की आवश्यकता है, और इसमें सत्यापन और व्यापकता की समस्याएं हैं। ऐसे तीन कारक हैं जो मोबाइल अनुशंसा प्रणाली और भविष्यवाणी परिणामों की सटीकता को प्रभावित कर सकते हैं: संदर्भ, अनुशंसा विधि और गोपनीयता। इसके अतिरिक्त, मोबाइल अनुशंसा प्रणाली एक प्रत्यारोपण समस्या से ग्रस्त है - सिफारिशें सभी क्षेत्रों में लागू नहीं हो सकती हैं (उदाहरण के लिए, ऐसे क्षेत्र में एक नुस्खा की सिफारिश करना मूर्खतापूर्ण होगा जहां सभी सामग्रियां उपलब्ध नहीं हो सकती हैं)।

मोबाइल अनुशंसा प्रणाली का एक उदाहरण किसी शहर में टैक्सी चालकों के लिए ड्राइविंग मार्ग तैयार करने के लिए उबेर  और लिफ़्ट जैसी कंपनियों द्वारा अपनाए गए दृष्टिकोण हैं। यह प्रणाली उन मार्गों के जीपीएस डेटा का उपयोग करती है जो टैक्सी चालक काम करते समय अपनाते हैं, जिसमें स्थान (अक्षांश और देशांतर), समय टिकटें और परिचालन स्थिति (यात्रियों के साथ या बिना) शामिल हैं। यह अधिभोग समय और मुनाफे को अनुकूलित करने के लक्ष्य के साथ, मार्ग के साथ पिकअप बिंदुओं की सूची की सिफारिश करने के लिए इस डेटा का उपयोग करता है।

नेटफ्लिक्स पुरस्कार
अनुशंसा प्रणाली में अनुसंधान को सक्रिय करने वाली घटनाओं में से एक नेटफ्लिक्स पुरस्कार था। 2006 से 2009 तक, नेटफ्लिक्स ने एक प्रतियोगिता प्रायोजित की, जिसमें उस टीम को 1,000,000 डॉलर का भव्य पुरस्कार दिया गया, जो 100 मिलियन से अधिक मूवी रेटिंग का प्रस्तावित डेटासेट ले सकती थी और कंपनी की मौजूदा अनुशंसा प्रणाली द्वारा पेश की गई सिफारिशों की तुलना में 10% अधिक सटीक सिफारिशें लौटा सकती थी। इस प्रतियोगिता ने नए और अधिक सटीक एल्गोरिदम की खोज को सक्रिय किया। 21 सितंबर 2009 को, टाईब्रेकिंग नियमों का उपयोग करके बेलकोर की प्रैग्मैटिक कैओस टीम को 1,000,000 अमेरिकी डॉलर का भव्य पुरस्कार दिया गया। 2007 में सबसे सटीक एल्गोरिदम ने 107 अलग-अलग एल्गोरिदम दृष्टिकोणों की एक सम्मिलित विधि का उपयोग किया, जिसे एक ही भविष्यवाणी में मिश्रित किया गया। जैसा कि विजेताओं, बेल एट अल ने कहा: <ब्लॉककोट> एकाधिक भविष्यवक्ताओं को मिश्रित करने पर पूर्वानुमान सटीकता में काफी सुधार होता है। हमारा अनुभव यह है कि अधिकांश प्रयासों को एक ही तकनीक को परिष्कृत करने के बजाय, काफी भिन्न दृष्टिकोण प्राप्त करने पर केंद्रित किया जाना चाहिए। नतीजतन, हमारा समाधान कई तरीकों का एक समूह है।

नेटफ्लिक्स प्रोजेक्ट के कारण वेब को कई लाभ हुए। कुछ टीमों ने अपनी तकनीक ली है और इसे अन्य बाजारों में लागू किया है। दूसरे स्थान पर रहने वाली टीम के कुछ सदस्यों ने ग्रेविटी आर एंड डी की स्थापना की, जो एक अनुशंसा इंजन है जो एसीएम रिकसिस में सक्रिय है। 4-टेल, इंक. ने ईकॉमर्स वेबसाइटों के लिए नेटफ्लिक्स प्रोजेक्ट-व्युत्पन्न समाधान बनाया।

नेटफ्लिक्स पुरस्कार प्रतियोगिता के लिए नेटफ्लिक्स द्वारा पेश किए गए डेटासेट के आसपास कई गोपनीयता मुद्दे उठे। हालाँकि ग्राहक की गोपनीयता बनाए रखने के लिए डेटा सेट को अज्ञात रखा गया था, 2007 में टेक्सास विश्वविद्यालय के दो शोधकर्ता इंटरनेट मूवी डेटाबेस पर फिल्म रेटिंग के साथ डेटा सेट का मिलान करके व्यक्तिगत उपयोगकर्ताओं की पहचान करने में सक्षम थे। परिणामस्वरूप, दिसंबर 2009 में, एक गुमनाम नेटफ्लिक्स उपयोगकर्ता ने डो बनाम नेटफ्लिक्स में नेटफ्लिक्स पर मुकदमा दायर किया, जिसमें आरोप लगाया गया कि नेटफ्लिक्स ने डेटासेट जारी करके संयुक्त राज्य अमेरिका के निष्पक्ष व्यापार कानूनों और वीडियो गोपनीयता संरक्षण अधिनियम का उल्लंघन किया है। इसके साथ ही संघीय व्यापार आयोग की चिंताओं के कारण 2010 में दूसरी नेटफ्लिक्स पुरस्कार प्रतियोगिता रद्द कर दी गई।

निष्पादन उपाय
अनुशंसा एल्गोरिदम की प्रभावशीलता का आकलन करने में मूल्यांकन महत्वपूर्ण है। अनुशंसाकर्ता प्रणालियों की प्रभावशीलता को मापने और विभिन्न दृष्टिकोणों की तुलना करने के लिए, तीन प्रकार के मूल्यांकन उपलब्ध हैं: उपयोगकर्ता अध्ययन, ए/बी परीक्षण|ऑनलाइन मूल्यांकन (ए/बी परीक्षण), और ऑफ़लाइन मूल्यांकन।

आमतौर पर उपयोग की जाने वाली मेट्रिक्स माध्य वर्ग त्रुटि और मूल माध्य वर्ग त्रुटि हैं, बाद वाले का उपयोग नेटफ्लिक्स पुरस्कार में किया गया है। सूचना पुनर्प्राप्ति मेट्रिक्स जैसे सटीकता और रिकॉल या डिस्काउंटेड संचयी लाभ किसी अनुशंसा पद्धति की गुणवत्ता का आकलन करने के लिए उपयोगी होते हैं। मूल्यांकन में विविधता, नवीनता और कवरेज को भी महत्वपूर्ण पहलू माना जाता है। हालाँकि, कई क्लासिक मूल्यांकन उपायों की अत्यधिक आलोचना की जाती है। एक निश्चित परीक्षण डेटासेट पर अनुशंसा एल्गोरिदम के प्रदर्शन का मूल्यांकन करना हमेशा बेहद चुनौतीपूर्ण होगा क्योंकि सिफारिशों पर वास्तविक उपयोगकर्ताओं की प्रतिक्रियाओं का सटीक अनुमान लगाना असंभव है। इसलिए ऑफ़लाइन डेटा में एल्गोरिदम की प्रभावशीलता की गणना करने वाला कोई भी मीट्रिक सटीक नहीं होगा।

उपयोगकर्ता अध्ययन अपेक्षाकृत छोटे पैमाने का है। कुछ दर्जनों या सैकड़ों उपयोगकर्ताओं को विभिन्न अनुशंसा दृष्टिकोणों द्वारा बनाई गई सिफारिशें प्रस्तुत की जाती हैं, और फिर उपयोगकर्ता निर्णय लेते हैं कि कौन सी सिफारिशें सर्वोत्तम हैं।

ए/बी परीक्षणों में, आम तौर पर वास्तविक उत्पाद के हजारों उपयोगकर्ताओं को सिफारिशें दिखाई जाती हैं, और सिफारिशकर्ता प्रणाली सिफारिशें उत्पन्न करने के लिए यादृच्छिक रूप से कम से कम दो अलग-अलग सिफारिश दृष्टिकोण चुनती है। प्रभावशीलता को प्रभावशीलता के अंतर्निहित उपायों जैसे रूपांतरण दर या दर के माध्यम से क्लिक करें से मापा जाता है।

ऑफ़लाइन मूल्यांकन ऐतिहासिक डेटा पर आधारित होते हैं, उदा. एक डेटासेट जिसमें यह जानकारी होती है कि उपयोगकर्ताओं ने पहले फिल्मों को कैसे रेट किया था। अनुशंसा दृष्टिकोण की प्रभावशीलता को इस आधार पर मापा जाता है कि अनुशंसा दृष्टिकोण डेटासेट में उपयोगकर्ताओं की रेटिंग का कितना अच्छा अनुमान लगा सकता है। जबकि रेटिंग इस बात की स्पष्ट अभिव्यक्ति है कि उपयोगकर्ता को कोई फिल्म पसंद आई या नहीं, ऐसी जानकारी सभी डोमेन में उपलब्ध नहीं है। उदाहरण के लिए, उद्धरण अनुशंसा प्रणाली के क्षेत्र में, उपयोगकर्ता आमतौर पर किसी उद्धरण या अनुशंसित लेख को रेटिंग नहीं देते हैं। ऐसे मामलों में, ऑफ़लाइन मूल्यांकन प्रभावशीलता के अंतर्निहित उपायों का उपयोग कर सकते हैं। उदाहरण के लिए, यह माना जा सकता है कि एक अनुशंसा प्रणाली प्रभावी है जो एक शोध लेख की संदर्भ सूची में शामिल यथासंभव अधिक से अधिक लेखों की अनुशंसा करने में सक्षम है। हालाँकि, इस प्रकार के ऑफ़लाइन मूल्यांकन को कई शोधकर्ता आलोचनात्मक मानते हैं। उदाहरण के लिए, यह दिखाया गया है कि ऑफ़लाइन मूल्यांकन के परिणामों का उपयोगकर्ता अध्ययन या ए/बी परीक्षणों के परिणामों के साथ कम संबंध है। ऑफ़लाइन मूल्यांकन के लिए लोकप्रिय डेटासेट में डुप्लिकेट डेटा शामिल दिखाया गया है और इस प्रकार एल्गोरिदम के मूल्यांकन में गलत निष्कर्ष निकलते हैं। अक्सर, तथाकथित ऑफ़लाइन मूल्यांकन के परिणाम वास्तव में मूल्यांकन की गई उपयोगकर्ता-संतुष्टि से संबंधित नहीं होते हैं। ऐसा शायद इसलिए है क्योंकि ऑफ़लाइन प्रशिक्षण अत्यधिक पहुंच योग्य वस्तुओं के प्रति अत्यधिक पक्षपाती है, और ऑफ़लाइन परीक्षण डेटा ऑनलाइन अनुशंसा मॉड्यूल के आउटपुट से अत्यधिक प्रभावित होता है। शोधकर्ताओं ने निष्कर्ष निकाला है कि ऑफ़लाइन मूल्यांकन के परिणामों को आलोचनात्मक रूप से देखा जाना चाहिए।

सटीकता से परे
आमतौर पर, अनुशंसाकर्ता प्रणालियों पर शोध सबसे सटीक अनुशंसा एल्गोरिदम खोजने से संबंधित है। हालाँकि, ऐसे कई कारक भी हैं जो महत्वपूर्ण हैं।


 * विविधता - जब अंतर-सूची विविधता अधिक होती है तो उपयोगकर्ता अनुशंसाओं से अधिक संतुष्ट होते हैं, उदाहरण के लिए। विभिन्न कलाकारों के आइटम.
 * सिफारिशकर्ता की दृढ़ता - कुछ स्थितियों में, सिफ़ारिशों को दोबारा दिखाना अधिक प्रभावी होता है, या उपयोगकर्ताओं को आइटम को दोबारा रेट करने दें, नए आइटम दिखाने की तुलना में. इसके अनेक कारण हैं। उदाहरण के लिए, जब आइटम पहली बार दिखाए जाते हैं तो उपयोगकर्ता उन्हें अनदेखा कर सकते हैं, क्योंकि उनके पास अनुशंसाओं का सावधानीपूर्वक निरीक्षण करने का समय नहीं था।
 * गोपनीयता - अनुशंसा प्रणाली को आमतौर पर गोपनीयता संबंधी चिंताओं से निपटना पड़ता है क्योंकि उपयोगकर्ताओं को संवेदनशील जानकारी प्रकट करनी होती है। सहयोगी फ़िल्टरिंग का उपयोग करके उपयोगकर्ता प्रोफ़ाइल बनाना गोपनीयता के दृष्टिकोण से समस्याग्रस्त हो सकता है। कई यूरोपीय देशों में सूचना गोपनीयता की एक मजबूत संस्कृति है, और उपयोगकर्ता प्रोफाइलिंग (सूचना विज्ञान) के किसी भी स्तर को पेश करने के हर प्रयास के परिणामस्वरूप नकारात्मक ग्राहक प्रतिक्रिया हो सकती है। इस क्षेत्र में चल रहे गोपनीयता के मुद्दों पर काफी शोध किया गया है। नेटफ्लिक्स पुरस्कार अपने डेटासेट में जारी विस्तृत व्यक्तिगत जानकारी के लिए विशेष रूप से उल्लेखनीय है। रामकृष्णन एट अल. वैयक्तिकरण और गोपनीयता के बीच व्यापार-बंद का व्यापक अवलोकन किया गया है और पाया गया है कि कमजोर संबंधों (एक अप्रत्याशित कनेक्शन जो आकस्मिक सिफारिशें प्रदान करता है) और अन्य डेटा स्रोतों का संयोजन अज्ञात डेटासेट में उपयोगकर्ताओं की पहचान को उजागर करने के लिए किया जा सकता है।
 * उपयोगकर्ता जनसांख्यिकी - बील एट अल। पाया गया कि उपयोगकर्ता जनसांख्यिकी प्रभावित कर सकती है कि उपयोगकर्ता अनुशंसाओं से कितने संतुष्ट हैं। अपने पेपर में उन्होंने दिखाया कि बुजुर्ग उपयोगकर्ता युवा उपयोगकर्ताओं की तुलना में अनुशंसाओं में अधिक रुचि रखते हैं।
 * मजबूतता - जब उपयोगकर्ता अनुशंसा प्रणाली में भाग ले सकते हैं, तो धोखाधड़ी के मुद्दे को संबोधित किया जाना चाहिए।
 * नसीब - सेरेन्डिपिटी इस बात का माप है कि सिफारिशें कितनी आश्चर्यजनक हैं। उदाहरण के लिए, एक अनुशंसा प्रणाली जो किराने की दुकान में ग्राहक को दूध की सिफारिश करती है वह पूरी तरह से सटीक हो सकती है, लेकिन यह एक अच्छी सिफारिश नहीं है क्योंकि यह ग्राहक के लिए खरीदने के लिए एक स्पष्ट वस्तु है। [सेरेन्डिपिटी] दो उद्देश्यों को पूरा करता है: पहला, यह संभावना कम हो जाती है कि उपयोगकर्ता रुचि खो देते हैं क्योंकि विकल्प सेट बहुत समान है। दूसरा, एल्गोरिदम को सीखने और खुद को बेहतर बनाने के लिए इन वस्तुओं की आवश्यकता होती है।
 * विश्वास - यदि उपयोगकर्ता को सिस्टम पर भरोसा नहीं है तो एक अनुशंसाकर्ता प्रणाली का उपयोगकर्ता के लिए बहुत कम महत्व है। एक अनुशंसा प्रणाली द्वारा यह समझाकर विश्वास बनाया जा सकता है कि यह कैसे अनुशंसाएँ उत्पन्न करती है, और यह किसी आइटम की अनुशंसा क्यों करती है।
 * लेबलिंग - सिफारिशों के साथ उपयोगकर्ता की संतुष्टि सिफारिशों की लेबलिंग से प्रभावित हो सकती है। उदाहरण के लिए, उद्धृत अध्ययन में प्रायोजित के रूप में लेबल की गई सिफारिशों के लिए क्लिक-थ्रू दर (सीटीआर) ऑर्गेनिक (सीटीआर = 8.86%) के रूप में लेबल की गई समान सिफारिशों के लिए सीटीआर की तुलना में कम (सीटीआर = 5.93%) थी। उस अध्ययन में बिना किसी लेबल वाली अनुशंसाओं ने सबसे अच्छा प्रदर्शन किया (CTR=9.87%)।

प्रतिलिपि प्रस्तुत करने योग्यता
अनुशंसा प्रणाली का ऑफ़लाइन मूल्यांकन करना बेहद कठिन है, कुछ शोधकर्ताओं का दावा है कि इससे अनुशंसा प्रणाली प्रकाशनों में पुनरुत्पादन संकट पैदा हो गया है। कुछ मशीन लर्निंग प्रकाशन स्थलों में प्रतिलिपि प्रस्तुत करने योग्यता का विषय एक आवर्ती मुद्दा प्रतीत होता है, लेकिन वैज्ञानिक प्रकाशन की दुनिया से परे इसका कोई महत्वपूर्ण प्रभाव नहीं है। अनुशंसा प्रणाली के संदर्भ में 2019 के एक पेपर में शीर्ष सम्मेलनों (SIGIR, KDD, WWW, ACM कॉन्फ्रेंस ऑन अनुशंसा प्रणाली, IJCAI) में प्रकाशित टॉप-के अनुशंसा समस्या के लिए गहन शिक्षण या तंत्रिका तरीकों को लागू करने वाले चुनिंदा प्रकाशनों का सर्वेक्षण किया गया, जिसमें दिखाया गया है कि सर्वेक्षण के लेखकों द्वारा औसतन 40% से कम लेखों को पुन: प्रस्तुत किया जा सकता है, कुछ सम्मेलनों में तो 14% से भी कम। लेख आज की शोध छात्रवृत्ति में कई संभावित समस्याओं पर विचार करता है और उस क्षेत्र में बेहतर वैज्ञानिक प्रथाओं का सुझाव देता है। समान तरीकों के एक सेट को बेंचमार्क करने पर हाल ही में किए गए काम से गुणात्मक रूप से बहुत अलग परिणाम सामने आए जिससे तंत्रिका विधियाँ सर्वोत्तम प्रदर्शन करने वाली विधियों में से एक पाई गईं। अनुशंसा प्रणाली के लिए गहन शिक्षण और तंत्रिका विधियों का उपयोग कई हालिया अनुशंसा प्रणाली चुनौतियों, डब्लूएसडीएम, में विजयी समाधानों में किया गया है। रिकसिस चैलेंज। इसके अलावा उद्योग में तंत्रिका और गहन शिक्षण विधियों का व्यापक रूप से उपयोग किया जाता है जहां उनका बड़े पैमाने पर परीक्षण किया जाता है। अनुशंसाकर्ता प्रणालियों में प्रतिलिपि प्रस्तुत करने योग्यता का विषय नया नहीं है। 2011 तक, माइकल एकस्ट्रैंड, जोसेफ ए. कॉन्स्टन, और अन्य। आलोचना की गई कि वर्तमान में अनुशंसा प्रणाली अनुसंधान परिणामों को पुन: प्रस्तुत करना और विस्तारित करना मुश्किल है, और मूल्यांकन को "लगातार नहीं संभाला जाता है।" कॉन्स्टन और एडोमाविसियस ने निष्कर्ष निकाला है कि अनुशंसा प्रणाली अनुसंधान समुदाय एक संकट का सामना कर रहा है जहां बड़ी संख्या में कागजात ऐसे परिणाम प्रस्तुत करते हैं जो सामूहिक ज्ञान में बहुत कम योगदान देते हैं […] अक्सर क्योंकि अनुसंधान में उचित रूप से निर्णय लेने के लिए […] मूल्यांकन का अभाव होता है और इसलिए, सार्थक योगदान प्रदान करने के लिए। परिणामस्वरूप, सिफ़ारिशकर्ता प्रणालियों के बारे में बहुत से शोध को प्रतिलिपि प्रस्तुत करने योग्य नहीं माना जा सकता है। इसलिए, अनुशंसाकर्ता प्रणालियों के संचालकों को इस प्रश्न का उत्तर देने के लिए वर्तमान शोध में बहुत कम मार्गदर्शन मिलता है कि अनुशंसाकर्ता प्रणालियों में किस अनुशंसा का उपयोग किया जाना चाहिए। एलन सईद और एलेजांद्रो बेलोगिन|बेलोगिन ने क्षेत्र में प्रकाशित पत्रों का अध्ययन किया, साथ ही सिफारिश के लिए कुछ सबसे लोकप्रिय रूपरेखाओं को बेंचमार्क किया और परिणामों में बड़ी विसंगतियां पाईं, तब भी जब समान एल्गोरिदम और डेटा सेट का उपयोग किया गया था। कुछ शोधकर्ताओं ने प्रदर्शित किया कि अनुशंसा एल्गोरिदम या परिदृश्यों में मामूली बदलाव के कारण अनुशंसा प्रणाली की प्रभावशीलता में मजबूत बदलाव आए। उन्होंने निष्कर्ष निकाला कि वर्तमान स्थिति में सुधार के लिए सात कार्य आवश्यक हैं: (1) अन्य अनुसंधान क्षेत्रों का सर्वेक्षण करें और उनसे सीखें, (2) प्रतिलिपि प्रस्तुत करने योग्यता की एक सामान्य समझ खोजें, (3) प्रतिलिपि प्रस्तुत करने योग्यता को प्रभावित करने वाले निर्धारकों को पहचानें और समझें, (4) अधिक व्यापक प्रयोग करें (5) प्रकाशन प्रथाओं का आधुनिकीकरण करें, (6) अनुशंसा ढांचे के विकास और उपयोग को बढ़ावा दें, और (7) अनुशंसा-प्रणाली अनुसंधान के लिए सर्वोत्तम अभ्यास दिशानिर्देश स्थापित करें।

यह भी देखें

 * रेटिंग साइट
 * कोल्ड स्टार्ट (सिफारिश प्रणाली)
 * सहयोगी को छानने
 * सामूहिक आसूचना
 * सामग्री खोज मंच
 * एंटरप्राइज बुकमार्किंग
 * फ़िल्टर बुलबुला
 * अनुशंसा प्रणाली पर एसीएम सम्मेलन
 * वैयक्तिकृत विपणन
 * वरीयता प्राप्त करना
 * उत्पाद खोजक
 * विन्यासकर्ता
 * पैटर्न मान्यता

अग्रिम पठन

 * Books


 * Kim Falk (January 2019), Practical Recommender Systems, Manning Publications, ISBN 9781617292705
 * Seaver, Nick (2022). Computing Taste: Algorithms and the Makers of Music Recommendation. University of Chicago Press.
 * Seaver, Nick (2022). Computing Taste: Algorithms and the Makers of Music Recommendation. University of Chicago Press.
 * Seaver, Nick (2022). Computing Taste: Algorithms and the Makers of Music Recommendation. University of Chicago Press.
 * Seaver, Nick (2022). Computing Taste: Algorithms and the Makers of Music Recommendation. University of Chicago Press.
 * Seaver, Nick (2022). Computing Taste: Algorithms and the Makers of Music Recommendation. University of Chicago Press.


 * Scientific articles
 * Prem Melville, Raymond J. Mooney, and Ramadass Nagarajan. (2002) Content-Boosted Collaborative Filtering for Improved Recommendations. Proceedings of the Eighteenth National Conference on Artificial Intelligence (AAAI-2002), pp. 187–192, Edmonton, Canada, July 2002.

बाहरी संबंध

 * Hangartner, Rick, "What is the Recommender Industry?", MSearchGroove, December 17, 2007.
 * ACM Conference on Recommender Systems
 * Recsys group at Politecnico di Milano
 * Data Science: Data to Insights from MIT (recommendation systems)
 * Data Science: Data to Insights from MIT (recommendation systems)