以下为推荐系统中广泛应用的十种算法概览：
1. 协同过滤算法：协同过滤是利用用户历史行为数据来识别并分析用户或物品之间的相似性，从而推测用户可能的喜好。该算法包括两种类型：基于用户的协同过滤和基于物品的协同过滤。
2. 内容过滤算法：内容过滤主要是根据用户历史行为中表现出的兴趣，匹配并推荐与其相似的文本或图像内容。
3. 混合过滤算法：混合过滤算法融合了协同过滤与内容过滤的优点，通过加权或构建模型的方式，提高推荐的准确性和召回率。
4. 矩阵分解推荐算法：矩阵分解算法通过分解用户-物品交互矩阵，提取潜在特征以预测用户喜好。其中，奇异值分解（SVD）和非负矩阵分解（NMF）是常见的矩阵分解方法。
5. 基于图的推荐算法：此算法将用户-物品关系构建成图模型，利用图论算法进行推荐。包括基于邻域和基于路径的两种推荐策略。
6. 深度学习推荐算法：利用深度学习技术提取用户-物品交互的深层特征，挖掘潜在规律，预测用户偏好。
7. 强化学习推荐算法：强化学习通过学习最优推荐策略来预测用户喜好，分为基于模型的强化学习和无模型强化学习两种方法。
8. 元学习推荐算法：元学习技术用于快速学习和优化推荐策略，同样包括有模型和无模型两种类型的应用。
9. 针对特定领域的推荐算法：不同领域可能存在专有的推荐算法，如音乐、电影、新闻等领域的个性化推荐算法，它们根据领域特性进行优化。
10. 混合及集成算法：结合多种算法的优点，通过集成学习等方式，形成更为强大的推荐系统。