推荐系统（RS）主要是指应用协同智能（collaborativeintelligence）做推荐的技术。推荐系统的两大主流类型是基于内容的推荐系统和协同过滤（CollaborativeFiltering）。另外还有基于知识的推荐系统（包括基于本体和基于案例的推荐系统）是一类特殊的推荐系统，这类系统更加注重知识表征和推理。
用于推荐系统的深度学习方法可以分为：
下图总结了基于深度学习的推荐系统分类的二维体系，左侧部分对神经网络模型进行了说明，右侧部分则说明了整合模型。
另外还有基于知识的推荐系统（包括基于本体和基于案例的推荐系统）是一类特殊的推荐系统，这类系统更加注重知识表征和推理。目前也有许多研究试图将这些不同的技术结合起来，以结合各类技术的长处。
推荐系统成为一个相对独立的研究方向一般被认为始自1994年明尼苏达大学GroupLens研究组推出的GroupLens系统。该系统有两大重要贡献：一是首次提出了基于协同过滤(CollaborativeFiltering)来完成推荐任务的思想，二是为推荐问题建立了一个形式化的模型。基于该模型的协同过滤推荐引领了之后推荐系统在今后十几年的发展方向。这个团队的设计思路也延伸到其他产品设置，例如书籍和电影。相应的推荐系统分别被称为BookLens和MovieLens。
推荐系统已有的各种应用让我们将其归入了应用阶段。因为推荐系统仍有一些问题尚待解决，而且很多人可能甚至还不知道推荐系统的存在，所以我们没有将其归入社会影响阶段。但推荐系统的应用范围在日益广泛，许多媒体和行业也在日益扩增其影响力；所以我们相信推荐系统很快就将进入社会影响阶段。
推荐系统的主要瓶颈是在权衡方面：随着推荐变得越来越细，就很容易将人们限制在一个已经受益的领域。调整新鲜度所占的百分比是很难选择的；另外做推荐还需要找到更好的推荐与隐私保护之间的平衡。另外，推荐系统的结果除了依赖于算法的选择之外，对数据也比较敏感，如何避免用户提供恶意评价而对推荐系统的结果带来的偏差，以及如何使得那些与任何一群人不一致的用户从推荐系统中受益，都需要更多的突破。