В работе рассматривается эффективность двумерных моделей рекомендательных систем (далее РС) и эффективность разработанной контентной модели, основанной на теории нечетких множеств. Под эффективностью понимается значение критерия качества решения подзадач, наличие и решение которых характерно для РС. Двумерные модели считаются хорошо изученными, и в работах известных исследователей РС называются уже традиционными. Их практические реализации в качестве рекомендательных веб сервисов очень популярны и обладают коммерческим успехом. Однако эффективность решения подзадач зависит от ряда условий и ограничений:

1. Эвристических утверждений, лежащих в основе решения подзадач, выполнение которых зависит от свойств исходных реальных данных, с которыми работают РС.
2. Необходимых и достаточных условий, определенных в диссертационной работе, выполнение которых зависит от параметров РС (так называемых функций сходства, использующихся РС при решении подзадач и их пороговых значений).

Разработанная контентная модель является расширением существующих двумерных моделей, которая снимает описанные ограничения:

1. Решения подзадач формальны и не зависят от свойств входных данных. Алгоритмы разработанных решений обладают меньшей асимптотической сложностью по сравнению с алгоритмами решения двумерных моделей.
2. Решения подзадач в разработанной модели гарантируют выполнение необходимых и достаточных условий.

Одной из открытых проблем РС является отсутствие стандарта критерия эффективности. В работе разработан критерий эффективности, являющийся обобщенным критерием эффективности, который может быть использован на любых исходных данных и при решении любой подзадачи, а так же коррелирующий с существующими критериями эффективности.