將個人信息過濾(IF)智能體(agent)與產品社區用戶的意見結合起來以產生比單純的基于智能體或者基于用戶群更好的推薦效果的協同過濾(CF)框架。
用戶想要從大量繁雜的信息中尋求最感興趣的信息，而公司想要將他們的產品有效地推薦給用戶。
Ricci等人對推薦系統給出了定義：tools which can [recommend a set of items for a user or a set of users for an item]
推薦涉及到了很多的決策[decision-making]的過程，包括知識來源(訓練集)以及推薦算法。因為Rss是個性化的，并且是從已經被別人知道的且不是個性化定制的產品中進行推薦，所以Rss不僅僅可以幫助用戶有效的找到感興趣的東西，更可以幫組公司找到一個有效的方式來介紹他們的產品給潛在的用戶。
應對信息超載的常見解決方案
1.信息檢索(IR)：完成瞬時出現的興趣查詢
是一個可以根據用戶的請求從一個信息庫中檢索信息的系統。有學者認為IR并不能抓取到用戶的偏好，并不是很有價值因為他們并沒有抓取到除了用戶的精確的請求之外的偏好。
2.信息過濾(IF)：將新的信息流分化歸類
需要一個針對用戶需求和偏好地簡介。最簡單的系統需要用戶手動的或者在一定的協助下創建這個簡介。
缺點：不能應對所有的情況。盡管它能夠解決冷啟動的問題，并且很有效率。但是依然與有很多問題存在：在信息挖掘方面缺乏全面性，推薦內容的限制和用戶的反饋的不足。
3.協同過濾(CF)：我應該看哪個items（總體或者從某個集合）或者我有多喜歡這些items.
系統構建一個數據庫容納著供用戶選擇的項目。
協同過濾算法有很多優點：
－用戶和數據友好性：可以處理分結構化信息，能夠發現新的興趣點，并沒有專業知識需求，并且可以個性化推薦
－性能方面：自動化程度高，并且性能是會隨著時間的推移變好的
－交互性好：協同過濾能夠讓用戶之間互相分享選擇，并且一小部分的用戶額選擇是會影響到推薦系統給別的用戶的推薦結果。
缺點：稀疏性問題。冷啟動問題以及可解釋性差的問題。
