推荐系统没有任何东西绝对需要某种机器学习。事实上，我已经看到使用的决策系统本质上只是某人关于客户偏好应该是什么的想法。

推荐器可以基于任何东西，从一些特别的“常识”规则，到几年前某人对某些数据进行的逻辑回归，其参数被硬编码到系统中，再到复杂的机器学习算法集合定期和不断地接受新数据的培训。

在推荐系统中使用机器学习部分是出于必要性，部分是出于时尚（至少从我所见）。如果一个简单的推荐器运行良好，并且准确地预测了用户想要什么，那么机器就不需要学习任何东西。如果有大量数据，隐藏了一些人类无法识别的非常深刻的关系，这就是机器学习变得有用的地方。

推荐系统是一个广义的术语，用于描述从“万一发生火灾..”的海报到随时间不断发展的基于 ML 的系统。

一个简单的推荐系统包括：

• 代表一些智慧的知识数据库，这些智慧将用于提出新的建议。这个数据库可以从历史数据、模型中创建，或者简单地发明。

• 推荐引擎——某种逻辑，它接受输入，使用知识数据库运行它们并产生推荐。这可以是简单的指示，例如在过马路之前，先向左看，然后向右看。它也可以是帮助确定最佳行动方案的决策树，或经过训练的 ML 分类器。它也可以是一个生成神经网络，它接受用户输入并生成新的东西。例如，预测文本作为用户类型或根据最近的购买推荐其他书籍。

推荐系统的另一个术语是专家系统。这些系统的鼎盛时期是八九十年代。我建议您寻找较旧的论文和书籍。

如今，机器学习正在大肆宣传，并且经常用于简单的决策树就足够的地方。