Aanbevelingssystemen zijn het moderne antwoord op het overaanbod aan informatie waar we vandaag de dag mee geplaagd worden. Er is eenvoudigweg te veel aanbod en te weinig tijd om alle mogelijke nieuws, films, muziek, restaurants, recepten, producten, enz. te verwerken. Aanbevelingssystemen proberen deze gapende kloof tussen gebruiker en aanbod te dichten door geautomatiseerd op zoek te gaan naar de meest interessante informatie voor elke gebruiker. Vanwege hun groeiende populariteit in zowel de academische- als de bedrijfswereld zijn er reeds heel wat aanbevelingsstrategieën beschikbaar. De wetenschappelijke uitdaging verschuift daardoor tegenwoordig steeds meer richting optimale selectie en combinatie van de beste aanbevelingsalgoritmes voor wijzigende contexten. In dit proefschrift wordt onderzocht hoe meerdere individuele algoritmes automatisch en zo optimaal mogelijk kunnen worden gecombineerd op maat van elke unieke gebruiker. Verschillende deelcomponenten van een typisch aanbevelingsproces komen aan bod zoals het ontwerpen en verzamelen van datasets, afstellen van user-interfaces, en hoog-performant rekenen op een parallelle en gedistribueerde rekeninfrastructuur. Verschillende optimalisatietechnieken worden onderzocht in zowel een offline als online context en de resultaten van een uiterst realistisch experiment met film aanbevelingen worden toegelicht. Doorheen dit proefschrift blijkt hoe uniek gebruikers vaak zijn, en hoe inspraak in het aanbevelingsproces positief kan bijdragen tot een verbeterde aanbevelingservaring.