De hoeveelheid data en informatie die één muisklik van ons verwijderd is, neemt al decennia lang exponentieel toe. Toch suggereert de groeiende aandacht voor de filter bubble en de echo chamber dat we steeds meer omringd worden met opvattingen en meningen waar we het mee eens zijn, en weggehouden worden van tegengestelde perspectieven. In het publieke debat over de filter bubble is veel aandacht voor recommender systems en hun potentieel om mensen intellectueel te isoleren. De ongewenste tendensen in systemen aanpakken die tot dat isolement kunnen leiden, is lastig, volgens Mona de Boer en Frank van Praat zelfs een van de taaiste problemen van het 'samenleven' met algoritmes.

Recommender systems zijn gebouwd op algoritmes die de interesses en voorkeuren van gebruikers proberen te voorspellen, om daarmee nieuwe aanbevelingen te doen. De meeste recommender systems maken daarbij gebruik van machine learning. In het geval van recommender systems is daarbij sprake van actief leren: de algoritmes in recommender systems zijn gericht op het doen van voorspellingen die als aanbeveling dienen voor een gebruiker van het systeem. Wanneer een aanbeveling gedaan is, pleegt de gebruiker interventies op basis van die aanbeveling. Die interventies kunnen heel simpel zijn: bijvoorbeeld het liken of delen van een voorgesteld bericht op je Twitter-tijdlijn. De interventie bevestigt voor het algoritme dat de aanbeveling goed (of fout) was, en daarvan leert het algoritme. Door ervaring wordt het systeem zo geleidelijk beter in het doen van aanbevelingen.