Ieteikumu sistēmas ir sistēmas, kas sniedz ieteikumus lietotājiem, pamatojoties uz datiem, ko lietotāji ir ievadījuši sistēmā. Jo vairāk datu lietotājs ir sniedzis, jo precīzākas šādas sistēmas var būt. Turklāt atsevišķu lietotāju iesniegtie dati palīdz uzlabot sistēmu kopumā, ģenerējot informāciju, ko var izmantot, lai sniegtu ieteikumus citiem lietotājiem. Ieteikumu sistēmas parasti ir redzamas tādās vietnēs kā filmu un televīzijas apskatu vietnes, kā arī tajās, kurās ir lieli mazumtirdzniecības preču krājumi, kuras būtu funkcionāli neiespējami pārlūkot, aplūkojot katru preci.
Šīs sistēmas var mijiedarboties ar lietotājiem vairākos dažādos veidos. Viens no tiem ir pakalpojums lietotājiem, kuri meklē vairāk lietas, kas viņus varētu interesēt, piemēram, turpmāku lasīšanu, televīzijas pārraides vai videospēles. Šajās sistēmās lietotājs ģenerē atzīmju “Patīk” un “Nepatīk” sarakstu, un sistēma mēģina paredzēt, kā lietotājs balsos par lietām, par kurām viņš vēl nav balsojis. Ja tā uzskata, ka kaut kam būtu augsts vērtējums, tas to iesaka lietotājam.
Labi izstrādātas ieteikumu sistēmas mācās no savām kļūdām. Sistēma varētu ieteikt The Sound of Music, jo lietotājam patika Willy Wonka & the Chocolate Factory. Lietotājs var atlasīt tādas opcijas kā “Man patīk” vai “Man tas nepatīk”. Ja lietotājam nepatika Mūzikas skaņa, sistēma varēja ņemt vērā un vēl vairāk uzlabot algoritmu, ko izmanto ieteikumu ģenerēšanai. Jo vairāk datu tiks uzkrāts, jo noderīgāki būs ieteikumi.
Mazumtirdzniecības vietnes izmanto ieteikumu sistēmas, lai mudinātu cilvēkus veikt impulsīvus pirkumus. Sistēma ņem vērā iegādātās preces un iesaka saistītas un noderīgas preces. Piemēram, kādam, kurš pērk kameru, var jautāt, vai viņš vai viņa vēlas iegādāties lādētāju, kameras korpusu, filtrus un papildu objektīvus. Kādam, kas iegādājas grāmatu par feminisma teoriju, var teikt, ka arī citiem šī nosaukuma pircējiem patīk cits, saistīts nosaukums. Šāda veida ieteikumu sistēmas nodrošina personalizētu mārketingu, kas, visticamāk, patiks lietotājiem.
Šīs sistēmas balstās uz datu kopīgu filtrēšanu, kurā dati no liela skaita lietotāju tiek sakārtoti jēgpilnā veidā. Tas ļauj vietnei izveidot savienojumus, kas citādi varētu nebūt pamanāmi, uzlabojot ieteikumu kvalitāti. Lietotāji, kuri nevēlas piedalīties, parasti var mainīt opcijas savos lietotāja iestatījumos, taču tie samazinās saņemto ieteikumu kvalitāti, jo sistēma nevar mācīties no indivīda vēlmēm, tikai no citu lietotāju kolektīvā viedokļa.
SmartAsset.