双向选择的推荐系统，与传统的推荐系统相比，存在以下的特殊性质：
用户单向决定是否购买物品。
用户通常不太情愿去提供一些“显式”的个人信息。
表中的第2条，拿婚恋网来说吧，用户往往能够提供关于他本身的年龄、性别、身高等等，同时提供对异性（或者同性）的需求特征。婚恋网也可以询问用户一些问题，来判定用户的兴趣是长期的还是短期的，或者让用户提供简短的个人描述和个人的照片。（对于个人描述的处理，可能会用到自然语言处理的一些东西，在这里不作探讨）。
表中第3条，用户一旦“对话”成功之后再也不会返回系统，也不是绝对的，可能用户需要寻找很多工作，或者想找更多的约会的对象。退一步讲，用户离开系统可能是因为用户并没有得到合适的推荐对象，因此对于推荐成功和推荐失败而离开的情况是区分不了的。
双向选择的推荐系统中同样可以收集一些“隐式”的信息，例如对于用户提供自己的个人信息之后，系统会推荐一些用户。用户可能会对某个或者某些感兴趣，并点击进去继续查看更加详细的信息，或者返回推荐列表；前者反映出用户感兴趣的对象，能够抽取出用户的兴趣，后者则反映出用户可能看到了一些不太感兴趣的信息，然后退回到了推荐列表。
表中第5条，在传统的推荐系统中，用户相对于物品是绝对的“活跃”，而在双向推荐中，哪些活跃，哪些“懒惰”并不是绝对的，用户可能在刚开始的比较活跃，也可能在收到对方问候的时候才表现活跃。一般来说，在中国，男性相对于女性比较积极活跃，在日本是相反的，由此可见这和国家的社会风气也有关系的。
3.推荐算法
参考论文是以婚恋网来完成实验的，所以下面直接拿婚恋网作为潜在的描述对象。
用户在获得推荐结果之前，必须要提供一些详细的个人信息，提供的信息越丰富推荐的结果越好。用户可能需要提供的个人信息，包括性别、年龄、位置信息、身材、教育程度、交际能力、婚姻状况等等，对于连续的属性，算法处理的时候要做离散化，例如年龄这个属性，可能会被切分为18~20岁，20~22岁等。下图为提供的一个例子：
拥有了用户的个人信息，怎么去确定用户的喜好？这里先不考虑冷启动的问题。
通过上述的交流，可以统计出用户的喜好信息。对于一个特定的用户，发送的对象必定是他感兴趣的，所以统计发送信息的对象们能够得到该用户的喜好，另外在接收的信息中，如果该用户回复的不是拒绝的，那么也能反映出他的喜好，因此可以从发送对象和接收对象并肯定回答的人群做统计。下图是一个例子：
上图的这个用户对于身材的要求，只要不是太胖都还能接受，但是要求有比较高的交际能力，目前是单身，并且是大学学士或者研究生的要求比较严苛。
那么，在真正处理的时候，怎么去符号化上图中的这种分布？
定义Ux为用户的信息集合，Ux={va：a属于A}，va为某一个属性上的数值，例如年龄29岁，A为属性集合。Mx={m：m为发送或者接收并肯定的短信或者其他信息}。
定义用户x在某一个属性上的倾向喜好为Px,a={(v,n):对属性a上的每一个可能离散值进行统计，n为发送信息或者接收的肯定信息中，属性a出现的个数}。那么Px={Px,a,a属于A}。下图为统计的一个例子：
判定一个用户是否符合另一个用户的喜好，只要将该用户的信息核另外一个用户的喜好进行匹配即可。比较官方的算法如下图所示：
看起来都比较头大，我们还是拿个例子来说，使用上一小节中四个人的喜好信息，计算Bob符合Alice的喜好的程度，计算方式如下：
Compat.(PAlice,Bob)=1/No.Attr*∑(Bob'sattrinAlice'sPref.)/(No.Alice'sMess)
=1/3*(9/(9+1)+6/(3+6+1)+5/(5+4+1))
=0.67
那么对于四个人来说，最终计算的匹配度如下表所示：
从表中可以看出，本身对于本身是不存在匹配度的，也就是说对于超级自恋或者出家的人是不考虑的，再说这部分人干嘛登陆婚恋网啊。用户之间的匹配度并不是对称的，例如Bob符合Amy的喜好的匹配度为0.72，而Amy对于Bob的喜好匹配则是0.45。如果一条都不满足的情况的下，计算的得分为0。
通过上一小节的计算方法，可以得到对于某一个用户喜好下的不同的匹配度得分，那么是否直接仿照传统的推荐系统，可以按照这种分数进行排序呢？很显然是可以的，那样可以得到符合用户口味的对象，但是这种方法，很容易出现“我本将心向明月，奈何明月照沟渠”的情况，不仅要考虑推荐用户的喜好，同时还要考虑对方对推荐用户的喜欢程度。
Bob符合Amy的喜好的匹配度为0.72，而Amy对于Bob的喜好匹配则是0.45，那么将两者的匹配度得分进行调和，得到调和平均数，那么推荐列表的生成则是这种调和平均数的大小排序的结果。具体的实现算法如下：
那么针对上面例子的调和结果如下：
从结果中可以看到存在N/A的结果，是因为有些匹配度为0，在进行调和的时候，分母为0，所以在进行改进的方法之一，那就是将0，换成0.00001，或者一个更小的非0数。
对于使用系统的“新用户”来说，还没有建立个人的喜好信息，那么是不能够利用上面的算法进行计算的。不过我们可以计算有哪些人对这个新用户可能感兴趣，那么把这部分推荐给新用户就可以了。