协同过滤是一种推荐技术，通常用于各种应用程序，如在线零售，流媒体服务和社交媒体平台。它通过分析多个用户的偏好和行为来识别模式和相似性。从本质上讲，这个想法是，如果两个用户有喜欢相似物品的历史，那么他们可以用来互相推荐物品。协同过滤主要有两种类型: 基于用户的和基于项目的。
在基于用户的协同过滤中，系统识别与目标用户共享类似品味的用户。例如，如果用户A和用户B都喜欢动作电影，并且用户A也喜欢特定的喜剧电影，则系统可能会向用户B推荐该喜剧电影。此方法依赖于用户-项目交互矩阵，其中行表示用户，列表示项目，单元格包含评级或反馈。该算法计算用户之间的相似性，通常使用余弦相似性或皮尔逊相关性等指标。尽管很简单，但这种方法可能会面临诸如可扩展性和 “冷启动” 问题之类的挑战，在这种情况下，数据很少的新用户会收到不太准确的建议。
另一方面，基于项目的协同过滤关注项目之间的关系，而不是用户之间的关系。此方法根据用户交互查找相似的项目，并相应地推荐它们。例如，如果购买了特定书籍的用户也经常购买特定的小工具，则可以向潜在的书籍购买者推荐该小工具。通过分析项目-项目交互，该算法为项目创建相似性得分，即使在处理大型数据集时也能实现高效的推荐。因此，协同过滤利用用户和项目行为来增强各种应用程序中的用户体验，从而提高参与度和客户满意度。