In breve, possiamo distinguere i Sistemi di Raccomandazione nelle seguenti categorie:

Editorial: i suggerimenti vengono scelti e creati dall’editore del canale televisivo manualmente e valendosi della competenza di professionisti esperti. I media diffusivi lineari come la TV e la radio tradizionali si basano su questo tipo di raccomandazioni.

Collaborative: i suggerimenti per uno specifico utente vengono generati sulla base di giudizi o valutazioni che altri utenti, in passato, hanno dato a determinati oggetti a disposizione. Dopo avere rappresentato tali informazioni (utenti, oggetti, ranking) attraverso una matrice, è necessario definire e quantificare una relazione di somiglianza o distanza tra gli utenti o tra gli oggetti che verranno raccomandati. Ad esempio, due oggetti O e O’ sono definiti simili se sono stati scelti da molti utenti. Allora la raccomandazione potrebbe essere quella di suggerire O’ a chi precedentemente ha scelto O. Un approccio detto item-item. Oppure, due utenti U e U’ sono definiti simili se ad esempio hanno scelto categorie di oggetti simili. In questo caso la raccomandazione potrebbe essere quella di suggerire ad U un oggetto che in passato è stato scelto da U’. Un approccio detto user-user.

Content-based: il RS suggerisce ad uno specifico utente una lista di oggetti i quali risultano essere simili ad altri oggetti che quello stesso utente ha scelto in passato. In questa categoria, vengono confrontati gli oggetti stessi o le loro descrizioni, senza prendere in considerazione le azioni e/o il ranking che altri utenti potrebbero avere dato. Questo approccio presuppone la definizione appropriata di similitudine o distanza tra due o più oggetti.

Demographic:   il suggerimento del recommender system si basa sulla caratterizzazione demografica dell’utente, ad esempio l’età, il sesso, la residenza. Si basa sull’assunto che segmenti demografici diversi richiedano prodotti diversi.

Knowledge-based: i suggerimenti si basano su regole derivate da una conoscenza esplicita dell’utente o degli oggetti.

Community-based o Social Recommender Systems: i suggerimenti tengono conto delle scelte e delle valutazioni degli amici dell’utente sui social networks, partendo dall’evidenza che tendiamo a tenere in maggiore considerazione i suggerimenti degli amici rispetto a raccomandazioni anonime.

Hybrid: le tecniche descritte sopra vengono combinate per ottenere suggerimenti più precisi cercando di far fronte alle debolezze di ciascun metodo. Molti RS commerciali sono di tipo ibrido.

Context-Aware Recommender Systems: negli ultimi anni l’informazione relativa allo specifico contesto in cui si trova l’utente ha assunto sempre più importanza nella creazione del suggerimento. Il contesto è definito da svariati fattori quali profilo, stato emotivo, attività, posizione geografica, condizioni atmosferiche, e qualsiasi altra cosa concorra alla definizione dello stato dell’utente, dell’oggetto o dell’interazione tra essi.