一、基本思想
基于人口统计学的推荐应该算是最容易实现的推荐算法。该算法仅使用用户的基本信息，比如年龄、性别等，衡量用户的相似性，将与当前用户相似的用户所偏好的物品推荐给当前用户。
二、举例说明
我们以下图为例进行简要说明。
用户A是名女性，年龄介于20~25岁，偏好物品A；用户B是名男性，年龄介于40~45岁，偏好物品B、物品C；用户C是名女性，年龄介于 20~25岁；我们已为每位用户建立了profile（用户画像），现在我们要给用户C进行推荐。基于profile和合适的距离度量计算用户的相似度， 我们发现用户A与用户C最相似，可将用户A偏好的物品A推荐给用户C。
三、优缺点分析
优点
该推荐算法仅使用用户的基本信息数据，不涉及到用户对物品的历史偏好数据，所以对于新用户来说，只要有他（她）的基本信息就可以进行推荐，不存在“冷启动”问题；
该推荐算法在不同的物品领域都可以使用，因为它不依赖于物品信息，可称为“领域独立”；
缺点
该推荐算法目前仅基于用户的基本信息，比较粗糙；在一些对品味要求比较高的领域，比如音乐、电影等，不能得到很好的推荐效果；
用户的基本信息不好获取，比如年龄等；在某些情况下，用户的基本信息也需要通过建模获取；
