推荐问题的比较形式化的定义：

假设C是用户集合，S是所有可能被推荐的条目的集合，那么我们可以在用户集合和条目集合的笛卡尔乘积之上定义一个效用函数u，来衡量条目s对用户c的有用程度，比如：，其中R是一个良序集（例如一定范围内的实数或者非负整数），那么对于任意用户，我们需要选择条目从而最大化用户的效用值，也就是说：

在一般的推荐系统中，效用值通常用用户评分或者是标记喜欢与否来衡量。

目前协同过滤算法为比较成功的算法之一：

协同过滤推荐（Collaborative Filtering recommendation）是在信息过滤和信息系统中正迅速成为一项很受欢迎的技术。与传统的基于内容过滤直接分析内容进行推荐不同，协同过滤分析用户兴趣，在用户群中找到指定用户的相似（兴趣）用户，综合这些相似用户对某一信息的评价，形成系统对该指定用户对此信息的喜好程度预测。

与传统文本过滤相比，协同过滤有下列优点:

（1）能够过滤难以进行机器自动基于内容分析的信息。如艺术品、音乐;

（2）能够基于一些复杂的，难以表达的概念（信息质量、品位)进行过滤;

（3）推荐的新颖性。

正因为如此，协同过滤在商业应用上也取得了不错的成绩。Amazon，CDNow，MovieFinder，都采用了协同过滤的技术来提高服务质量。

缺点是:

（1）用户对商品的评价非常稀疏，这样基于用户的评价所得到的用户间的相似性可能不准确（即稀疏性问题）;

（2）随着用户和商品的增多，系统的性能会越来越低;

（3）如果从来没有用户对某一商品加以评价，则这个商品就不可能被推荐（即最初评价问题）。

因此，现在的电子商务推荐系统都采用了几种技术相结合的推荐技术。