RS stały się ważnym obszarem badawczym ze względu na nadmiar informacji w Internecie i wzrost handlu elektronicznego online. Wiele pracy wykonano zarówno w przemyśle, jak i na uczelniach nad opracowaniem nowego podejścia do RS w ciągu ostatniej dekady. Zainteresowanie tym obszarem nadal pozostaje duże, bo tak jest problematyczny obszar badawczy ze względu na mnogość praktycznych zastosowań, które pomagają użytkownikom radzić sobie z nadmiarem informacji i zapewniają im spersonalizowane rekomendacje, treści i usługi. Przykłady takich aplikacji obejmują polecanie książek, płyt CD i innych produktów w Amazon.com, filmów MovieLens itp. Ponadto niektórzy dostawcy włączyli również możliwości rekomendacji do swoich serwerów handlowych. W swoim najbardziej powszechnym sformułowaniu problem rekomendacji sprowadza się do problemu szacowania ocen dla pozycji, których użytkownik nie widział. Intuicyjnie, to oszacowanie jest zwykle oparte na ocenach nadanych przez tego użytkownika innym elementom. Gdy będziemy mogli oszacować oceny dla pozycji, które jeszcze nie zostały ocenione, możemy polecić użytkownikowi przedmiot (y) z najwyższą oceną (ocenami). RS są zwykle klasyfikowane zgodnie z ich podejściem do szacowania ratingów. Ponadto RS zwykle dzieli się na następujące kategorie, w oparciu o sposób sporządzania zaleceń:
- Zalecenia oparte na treści: Użytkownikowi zaleca się przedmioty podobne do tych, które użytkownik preferował w przeszłości.
- Zalecenia dotyczące współpracy: Użytkownikowi zaleca się przedmioty, które w przeszłości lubiły osoby o podobnych gustach i preferencjach.
- Podejścia hybrydowe: Metody te łączą metody współpracy i metody oparte na treści.
Oprócz RS, które przewidują bezwzględne wartości ocen, jakie poszczególni użytkownicy nadaliby jeszcze niewidocznym pozycjom (jak omówiono powyżej), wykonano prace nad filtrowaniem opartym na preferencjach, czyli przewidywaniem względnych preferencji użytkowników . Na przykład, w aplikacji z rekomendacjami filmowymi techniki filtrowania oparte na preferencjach skupiałyby się na przewidywaniu prawidłowej względnej kolejności filmów, a nie na ich indywidualnych ocenach. Jednak pomimo wszystkich tych postępów, obecna generacja RS nadal wymaga dalszych ulepszeń, aby metody rekomendacji były bardziej skuteczne, przekonujące i nadające się do zastosowania w jeszcze szerszym zakresie rzeczywistych aplikacji, które uwzględniają również kwestię zaufania . Ulepszenia te obejmują lepsze metody przedstawiania zachowań użytkowników i informacji o pozycjach, które mają być rekomendowane, bardziej zaawansowane metody modelowania rekomendacji, włączenie różnych podstawowych informacji do procesu rekomendacji, wykorzystanie ocen opartych na wielu kryteriach oraz opracowanie mniej inwazyjnych i bardziej wiarygodnych metod rekomendacji. . W tym rozdziale opiszemy różne sposoby rozszerzenia możliwości RS. Rozwiązaniem niektórych problemów badawczych, z jakimi borykają się współczesne RS, może być zintegrowanie istniejących technologii wsparcia użytkowników z odpowiednimi mechanizmami wnioskowania opartymi na zaufaniu do rozumowania jakościowego. Korzystanie z zaufania i argumentacji pozwala różnym agentom rozwiązywać konflikty opinii i przedstawiać godne zaufania zalecenia wraz z uzasadnionymi uzasadnieniami. Użytkownik może następnie dalej zbadać te argumenty i zaakceptować zalecenia tylko wtedy, gdy narzędzie rekomendacji może przedstawić wiarygodny przypadek.