Recommender sistemi so sistemi, ki dajejo priporočila za uporabnike na podlagi podatkov, ki so jih uporabniki vnesli v sistem. Več podatkov kot je uporabnik zagotovil, bolj natančni so lahko takšni sistemi. Poleg tega podatki, ki jih posredujejo posamezni uporabniki, pomagajo izboljšati sistem na splošno z ustvarjanjem informacij, ki jih je mogoče uporabiti za pripravo priporočil za druge uporabnike. Priporočajoči sistemi so običajno vidni na spletnih mestih, kot so spletna mesta s filmskimi in televizijskimi pregledi ter na tistih z velikimi zalogami maloprodajnih artiklov, po katerih bi bilo funkcionalno nemogoče brskati z ogledom vsakega predmeta.
Ti sistemi lahko komunicirajo z uporabniki na več različnih načinov. Ena je storitev za uporabnike, ki iščejo več stvari, ki bi jih morda zanimale, na primer nadaljnje branje, televizijske oddaje ali video igre. V teh sistemih uporabnik ustvari seznam všečkov in nevšečkov, sistem pa poskuša predvideti, kako bo uporabnik glasoval za stvari, za katere še ni glasoval. Če meni, da bi nekaj imelo visoko oceno, to predlaga uporabniku.
Dobro zasnovani sistemi priporočil se učijo iz svojih napak. Sistem bi lahko priporočil The Sound of Music, ker je bil uporabniku všeč Willy Wonka in tovarna čokolade. Uporabnik lahko izbere možnosti, kot sta »To mi je všeč« ali »To mi ni všeč«. Če uporabniku ni bil všeč The Sound of Music, bi sistem lahko upošteval in dodatno izboljšal algoritem, ki se uporablja za ustvarjanje priporočil. Več podatkov kot je zbranih, bolj koristna bodo priporočila.
Maloprodajna mesta uporabljajo sisteme priporočil, da privabijo ljudi k impulzivnim nakupom. Sistem upošteva kupljene izdelke in priporoči sorodne in uporabne predmete. Na primer, nekoga, ki kupuje fotoaparat, bi lahko vprašali, ali želi kupiti polnilnik, etui za fotoaparat, filtre in dodatne objektive. Nekdo, ki kupi knjigo o feministični teoriji, bi lahko rekel, da drugi kupci tega naslova uživajo tudi v drugem, sorodnem naslovu. Te vrste priporočevalnih sistemov omogočajo prilagojeno trženje, ki bo zelo verjetno všeč uporabnikom.
Ti sistemi se zanašajo na sodelovalno filtriranje podatkov, pri katerem so podatki velikega števila uporabnikov organizirani na smiselne načine. To omogoča spletnemu mestu, da vzpostavi povezave, ki sicer morda ne bi bile očitne, kar izboljša kakovost priporočil. Uporabniki, ki ne želijo sodelovati, lahko običajno spremenijo možnosti v svojih uporabniških nastavitvah, vendar bodo zmanjšali kakovost prejetih priporočil, ker se sistem ne more učiti iz preferenc posameznika, temveč le kolektivno mnenje drugih uporabnikov.
SmartAsset.