1994 年美国明尼苏达大学GroupLens研究组推出第一个自动化推荐系统 GroupLens(1)，提出了将协同过滤作为推荐系统的重要技术，也是最早的自动化协同过滤推荐系统之一。
1998 年亚马逊(Amazon.com)上线了基于物品的协同过滤算法，将推荐系统推向服务千万级用户和处理百万级商品的规模，并能产生质量良好的推荐。
2006 年 10 月，北美在线视频服务提供商 Netflix 开始举办著名的Netflix Prize推荐系统比赛。参赛者如能将其推荐算法的预测准确度提升10%，可获得 100 万美元奖金。参赛的研究人员提出了若干推荐算法，大大提高推荐准确度，极大地推动了推荐系统的发展。
2016 年，YouTube发表论文(2)，将深度神经网络应用推荐系统中，实现了从大规模可选的推荐内容中找到最有可能的推荐结果。
自第一个推荐系统诞生，至今已有二十多年。现在，算法推荐的思路和应用，已经深入到很多互联网应用中。
比如，内容分发平台的个性化阅读(今日头条、抖音等)、搜索引擎的结果排序(谷歌、百度等)、电商的个性化推荐(亚马逊、淘宝等)、音视频网站的内容推荐(如Netflix、YouTube等)、社交网站的(Facebook、微博、豆瓣等)，等等。
根据第三方监测机构“易观”发布的《 2016 中国移动资讯信息分发市场研究专题报告》： 2016 年，在资讯信息分发市场上，算法推送的内容将超过50%。到今年，这个比重想必更大。
如今，人们探讨算法分发的价值，最常提到的是提高了信息分发的效率，它表现在：解放了部分人力，同时突破了人力对信息分发造成的限制，实现长尾内容的有效分发，从而更高效地完成人和信息的匹配。
然而，还有一层意义较少有人触及：通过算法实现的个性化推荐，真正关注和理解个体。每一个个体都是一个意义不同的“终端”，而不是永远将个体置于群体中去总体理解。也即尼葛洛庞帝所言的“在数字化生存的情况下，我就是‘我’，不再是人口统计学中的一个‘子集’。”——这也是“personal”(个性化)中“person”的意涵所在。
人性面前，算法有更多可能
算法为人智能地匹配信息，但它推荐的依据还是在于人。
即便推荐算法发展得更加成熟，人们在和算法的日常相处中，也难免会有一些困惑：有时，希望算法再“聪明”、更理解自己一些;有时，并不想老关注自己感兴趣的内容，也想看看公共热点;还有时，会猜想自己除了这些需求之外，会不会也有其他的潜在兴趣?……
今天，对内容推荐的批评声音中，包括让视野窄化、信息低俗化、人的边缘化等——这些声音从根本上折射出人类永恒关注的问题：信息的宽度和高度，以及人的主体性。面对这些追问，也许转而用一种整体的和发展的视角，更有利于我们去理解问题。
