推荐器系统中的基于邻域的方法是基于相似用户或项目的偏好提供个性化建议的技术。这些方法假设具有相似品味的人会喜欢相似的物品，或者相似的物品会吸引具有相似偏好的用户。基于邻域的方法的两种主要类型是基于用户的和基于项目的协同过滤。基于用户的过滤查找具有相似喜欢的用户，并推荐他们喜欢的项目。相比之下，基于项目的过滤侧重于查找与用户已经喜欢并推荐的项目相似的项目。
基于用户的协同过滤通常涉及首先基于用户评级构建相似性矩阵。例如，如果用户A和用户B都对几部电影进行了评分，并且他们的评分显示出很强的相似性，则用户a的偏好可以为用户B提供推荐。由于用户B的共同兴趣，可以向他们建议 “Inception”。该方法需要计算跨用户群的相似性得分，如果用户群很大，这可能是计算密集型的。
而基于项目的协同过滤则侧重于根据用户评分分析项目之间的关系。例如，如果高度评价 “黑暗骑士” 的许多用户也喜欢 “盗梦空间”，则系统可以向喜欢 “黑暗骑士” 的人推荐 “盗梦空间”。这种方法往往更有效和可扩展，因为项目通常比用户少，使计算更快。这两种方法虽然有效，但可能面临诸如稀疏数据的挑战，其中并非所有用户都对所有项目进行评级，从而导致难以建立可靠的推荐。