我们为什么愿意看畅销书榜单上列出的书？或者，在电子商店中面对着一排排令人生畏又大同小异的设备时，为什么我们经常会找店员提供帮助，希望他指着一个产品说“这是我们最受欢迎的产品”？

这些都是原始的推荐系统的例子，推荐的建议基于物品的纯粹受欢迎程度，很像我们挑选未知的餐馆时会避开空荡荡的那些一样。选择人气高的是个好的开始；毕竟，如果是每个人都喜欢的东西，那它就一定不差。这些推荐系统不同于书籍、电子设备或餐厅评论家发表在报纸或杂志上的专家推荐。在这些专业的评论中，我们要判断我们是否同意评论家的偏好，哪些评论看起来像是有人为了利益而写的，而不是通常的读者、用户或餐厅顾客的客观意见。

畅销书排行榜根据的是销售数据，这既是它们的优点，也是它们的缺点。没有人是一般的：每个人都在某方面与众不同。如果推荐是来源于那些兴趣、偏好和技能水平与我们自己大致相同的人该有多好！这就是现代的推荐系统。因为人们的行为被以电子的方式捕捉下来，不论是通过电脑、电话还是信用卡的使用，都可以根据广泛的特征——包括他们正在从事的活动、年龄、居住或工作地点和对相关物品的喜好程度来把用户区分开来。

在信息空间的虚拟世界里，每一项活动都留下了痕迹。所搜索的问题道出了一个人的兴趣，那些已读过页面也是，尤其是那些被回头查阅的页面。在商店里，浏览和购买的物品提供了兴趣的记录，就像在雪地里的脚印提供旅途的记录一样。不同的是推荐系统可以从痕迹中作出选择，只遵循那些兴趣和目标与你相似的人留下的痕迹。

当你在购物时，商店知道你已购买了什么，如果是一个虚拟商店，它会知道所有你考虑过但没有购买的物品。当你看节目、视频或电影时，程序提供者可以确定哪些部分你看过，哪些部分你跳过了，还有你重复看了哪些部分。在电子书和文章方面也是同样的。你的活动详情可以被提供出来：不只是你看过、读过或做过什么，还包括如何、何时，有时甚至是与何人一起做的。

推荐系统现在正在快速增长。书商会告诉你和你兴趣类似的其他人都喜欢什么，在购买或租赁产品和服务时也是这样，音乐、体育、餐厅和服装行业同样如此。同样的原则也被用于执法机构来创建详细的形象描绘：“喜欢这种东西的人，”系统会告诉警察，“已经制造了麻烦。”这些“麻烦”可能是“抢劫银行”、“谋杀”甚至是“抱怨警方的行动”。

这些系统简化了我们的生活还是使生活复杂化了？它们靠针对基于共同的背景和兴趣的人提出一般性的假设来工作。因为它们积累了大量的个人的信息，所以它们的工作能起到作用。它们在通常都工作的不错，但不是在每个特定的情况下。当系统推荐图书或餐厅，但让我们可以自由地忽略该建议时，我们就会受益。在这种情况下，系统简化了我们与生活中的复杂成分之间的交互。但当系统出现故障时，当把它们用于预测个人的行为，特别是当它们试图预测非正常和非法行为时，平均值预测的使用就是不恰当，出错的可能性和代价都很高。在这些情况下，虚假的预测为个体和社会都制造了令人困惑的复杂。