目前使用比较普遍的个性化推荐演算法有三种，分别是：协同过滤推荐演算法、基于内容的推荐演算法和基于社交网络的推荐演算法。
1 、协同过滤推荐演算法
该演算法的基本思想是，如果您的朋友或者亲戚购买了某件商品并且评价不错，那么您很有可能也会购买该商品。根据相似度比较的物件不同，可以细分为基于多用户的推荐和基于物品的推荐。在用该演算法的有 Amazon 等一些电商平台。
a）基于多用户的近邻推荐
基于多用户的协同推荐的基本思想是：寻找当前多用户的近邻 (即计算多用户之间的相似性)，从而根据近邻的喜好预测您也可能喜欢什么。
b）基于物品的近邻推荐
该演算法的核心是计算物品两两之间的相似度，从而为多用户推荐相似的物品。当需要对多用户推荐物品 A 时，通过确定与 A 相似的物品 B，计算多用户对这些近邻物品 B 评分的加权总和来得到多用户对物品 A 的预测评分。
2 、基于内容的推荐演算法
基于内容的推荐与协同过滤推荐不同，它不需要多用户对物品的评分资料，也不需要比较多个多用户或多个物品之间的相似度。该演算法的基本思想是根据多用户的历史兴趣资料，建立多用户模型，然后针对推荐物品的特征描述进行特征提取，后将物品特征与多用户模型相比较，相似度较高的物品就可以得到推荐。
基于内容的推荐目前主要应用于文字、视讯、音讯的推荐，比如新闻、视讯和电台等。
3 、基于社交网络的推荐演算法
基于社交网络的推荐是协同过滤推荐在社交网络中的延伸，同时又具有基于网络结构推荐的特点。大体上可以分为两类，即基于邻域的社交网络推荐和基于网络结构的社交网络推荐。
a）基于邻域的社交网络推荐
其基本思想是查询社交网络中当前多用户所有的好友，根据好友的兴趣资料，向当前多用户推荐好友喜欢的物品集合。
b）基于网络结构的社交网络推荐
该演算法把多用户、多用户的好友、多用户的喜好和好友的喜好连线起来形成一个社交网络结构图。同时，根据多用户之间的熟悉程度和喜好相似度，来定义多用户之间和多用户的喜好之间的权重，然后选择与多用户没有直接相关的物品，按照优先顺序别生成推荐列表。
个性化推荐的一些缺陷
也许您已经发现，现如今很多产品的个性化推荐系统还谈不上智慧。我就经常遇到在某电商平台买了一台电脑，接下来就向我推荐各种品牌的电脑。对于买电脑这种低频行为，该个性化推荐显得太粗糙了一点。还有当我在一些资讯 WordPress APP 浏览新闻时，总是受到相同内容的新闻资讯，让我没有继续使用下去的欲望。
一个好的个性化推荐系统，多用户能够从系统提供的推荐列表中购买自己确实需要但在购买过程中没有想到的商品，有利于流量和商品转化，也会让多用户对该系统产生依赖。个性化推荐系统不仅能够为多用户提供个性化的推荐服务，而且能与多用户建立长期稳定的关系，从而提高多用户的忠诚度。
个性化推荐系统是一个非常复杂系统，背后还涉及到很多问题。比如冷启动问题、资料稀疏性问题、推荐的精确度和准确度问题等。
1 、冷启动问题
如果多用户的标签资讯为零，那么个性化推荐就等于不存在。这个情况下，往往是让多用户进入兴趣标签填写的页面，或者通过搜集多用户在其它平台的标签资料来进行推荐。
2 、资料稀疏性问题
很多电商平台的资讯资料之大，使得任意两个多用户浏览的商品交集非常小，这时候通常采用商品聚类或者多用户聚类的方式。
3 、推荐的精确度和准确度问题
通过收集更多的多用户标签，不断优化推荐演算法，多种推荐演算法的组合推荐来大化保证推荐的精确度和准确度。
4 、传统的个性化推荐，无法保证推荐的实时性
比如网易云的多用户无意中听到了一种没听过的曲风，觉得很好听又连续听了几。如果这时候推荐的还是他过去爱听的，这就不能很好地满足多用户的需求。
5 、精确度与多样性的平衡问题
盲目的精确推荐可能会使多用户的视野越来越狭窄，也就无法向多用户推荐其它多样的物品和资讯。如何平衡两者的关系是一个要解决的问题。