
Un système de recommandation basé sur un algorithme de recommandation est une forme spécifique de filtrage et de hiérarchisation algorithmiques de contenus visant à présenter des éléments numériques (films, musique, livres, news, images, pages Web, etc) plus susceptibles d'intéresser ou d'« engager » l'utilisateur. Généralement, l'algorithme de recommandation permet de comparer le profil d'un « client » ou d'une « cible » à certaines caractéristiques de référence, et cherche à prédire l'« avis » que donnerait un conseiller. Ces caractéristiques peuvent provenir :

Les systèmes de recommandation sont une forme automatisée de filtrage-hiérarchisation d'informations ou de contenus. Intégrés dans un nombre croissant de « services numériques » de l'Internet, ils peuvent faire gagner du temps aux internautes. Mais, détournés à partir des années 2010, dans le cadre de l'économie de l'attention par les GAFAMs et les réseaux sociaux, un nombre croissant d'algorithmes de recommandation visent uniquement à maximiser l'engagement mental focalisé et constant des utilisateurs. Ils peuvent alors gravement nuire à la santé mentale : en amplifiant l’exposition continue des internautes à des contenus émotionnellement chargés ou anxiogènes et/ou de piètre intérêt ; ils entretiennent une surcharge informationnelle, le stress et des comportements numériques compulsifs (doomscrolling notamment).
Lors de la construction du profil de l'utilisateur, une distinction est faite entre les formes explicites et implicites de collecte de données :
Exemples de collecte explicite de données :
Exemples de collecte implicite de données :
Le système compare ensuite les données recueillies sur l'utilisateur à celles déjà existantes (d'autres utilisateurs) et calcule une liste de questions pour l'utilisateur. Plusieurs commerciaux et non commerciaux, des exemples sont énumérés à l'article sur les systèmes de filtrage collaboratif. G. Adomavicius donne un aperçu des systèmes de recommandation, Herlocker donne un aperçu des techniques d'évaluation pour les systèmes de recommandation. Les systèmes de recommandation sont parfois présentés comme une bonne alternative au système de recherche simple, car ils aident l'utilisateur à découvrir des articles auxquels il n'aurait pas lui-même songé. Fait intéressant, les systèmes de recommandation sont souvent mis en œuvre en utilisant les moteurs de recherche d'indexation de données non traditionnelles.
Amazon.com, Amie Street, Baynote, Babelio, Genius, inSuggest, Last.fm, Netflix, Reddit et StumbleUpon — par exemple —, possèdent des systèmes poussés de recommandation.
Le système, algorithmique ou non, utilise généralement quatre types de recommandation :
Marc Ménard ou Jean-Sébastien Vayre décrivent différents types de générations concernant les systèmes de recommandation. Les différentes générations des systèmes de recommandation reposent sur un cadre précis avec 3 types de tâches automatiques effectués par ces dispositifs :

Elle reposait sur l’algorithme “item-to-item” : les produits sont mis en relation au travers de leurs propriétés. Ce type de système de recommandation a émergé avec le web 1.0 et cantonnait les utilisateurs dans un strict rôle documentaire.
Elle repose sur le filtrage collaboratif qui propose des produits d’autres consommateurs déclarés, à leur insu, comme correspondant à leurs préférences. La logique de recommandation est la suivante : “user-to-user” et met en relation des usagers selon leurs profils et leurs préférences. Les données recueillies sont utilisées pour reconstituer la navigation du consommateur et vont alors permettre d’établir son profil. Il est également important de penser à toutes les informations déclaratives que les usagers remplissent : c’est-à-dire les fiches / formulaires remplis sur les sites internet. Ce type de système de recommandation a émergé avec le web 2.0 qui a apporté une nouvelle culture sociale : le profil d’un consommateur est reconstitué au travers de profils similaires.
Elle repose sur un filtrage hybride croisant les deux générations précédentes (contenu + collaboratif).
Ce nouveau système de recommandation s’ancre dans un cyberespace où les traces numériques de l’usager sont toujours plus présentes et plus nombreuses. Les innovations des NTIC ont permis de nouveaux usages des agents de recommandation, avec l’augmentation du stockage (Big data) et de son exploitation par de nouveaux dispositifs économiques et de traitements des données. Les agents de troisième génération modélisent les préférences des consommateurs, le plus souvent à leur insu. A priori, ils ne reposent sur aucune définition formelle des préférences, mais passent par des mécanismes d’apprentissage automatique, ou divers moyens d’enquêter sur les consommateurs pour définir leurs préférences. L'Intelligence artificielle permet une individualisation croissante de la recommandation (ciblage du consommateur). Selon Jean-Sébastien Vayre, le but premier de ces dispositifs n’est pas de comprendre les actions comportementales des utilisateurs mais d’automatiser au maximum leurs requêtes et résultats en prédisant leurs besoins, avec une volonté marchande à la clé (incitation à la consommation).
En 2014, « les moteurs de recommandation s'appuient sur l'hybridation des recommandations pour plus d'un tiers des sites de ventes en ligne ». Même si ce système ne génère qu'une légère augmentation du taux de conversion (de 2 à 2,22 %), il peut représenter sur les gros sites de vente en ligne une part importante du chiffre d'affaires. Amazon aurait ainsi multiplié par 2 ce taux, réalisant 30 % de son C.A. par son outil de recommandation hybride.
En 2024, en Roumanie, un candidat bénéficie d'une faible notoriété, mais à l'aide d'un campagne ciblée par des influenceurs, pour quelques centaines d'euros, il bénéficie de messages anodins dont les hashtags mentionnent les hashtags de sa campagne. Ceci a conduit les algorithmes de recommandation de contenu de TikTok à diffuser les vidéos du candidat dans le flux de millions d'électeurs. Ceci a conduit des ONG à s'interroger sur ces publicités politiques.
En octobre 2026, la campagne de mobilisation numérique On bloque l'extrême droite (également diffusé sous le mot-dièse #OnBloqueLExtremeDroite) lancée en France encourage les internautes à bloquer, masquer ou ignorer sur les réseaux sociaux les comptes associés à l'extrême droite, afin de réduire leur visibilité algorithmique et leur portée en ligne. Le mouvement s'inspire directement des méthodes de mobilisation numérique utilisées au Brésil lors de l'élection présidentielle brésilienne de 2026, notamment par les soutiens de Luiz Inácio Lula da Silva regroupés autour de la communauté surnommée « l'Armée de Lula »,.
Bien qu’ils soient pensés comme une aide au choix pour les usagers, les systèmes de recommandation ne sont pas qu’au bénéfice des consommateurs. D’une manière générale et pour les biens culturels en particulier, leurs limites sont :
Cependant, en tant qu’internaute consommateur, il serait possible de tirer bénéfice des systèmes de recommandation avec la mise en place d’une politique de formation comme le propose Emmanuel Durand, directeur de Snapchat France. Cette formation pour tous permettrait d’éclairer les problématiques des big data afin d’agir en connaissance de cause pour préserver la diversité culturelle : compréhension du fonctionnement de l’algorithme de recommandation avec l’ouverture de son code, transparence de l’utilisation des données des internautes (consentement averti à la surveillance des traces de navigation, monétisation des données).
Les algorithmes de recommandation peuvent conduire à des résultats biaisés vers certains contenus.
Par exemple, les travaux de rétro-ingénierie sur l'algorithme de recommandation de YouTube menés par Guillaume Chaslot et l'association Algotransparency montrent que l'algorithme tend à favoriser les contenus à caractère complotistes.
Les systèmes de recommandations sont utilisés dans différents domaines : dans les bibliothèques, pour les plateformes de biens culturels, sur les sites commerciaux, pour la visite de musées, dans le tourisme.
Pour la visite des musées, les systèmes de recommandation sont utilisés afin d’améliorer la visite des usagers. Plusieurs modèles ont été mis en place. Idir Benouaret présente trois types de systèmes de recommandations pour la visite d’un musée :