协同过滤是推荐系统中使用的一种方法，用于根据其他用户的偏好和行为向用户提出个性化建议。核心思想是，如果两个用户具有相似偏好的历史，则可以基于另一个用户的动作向另一个用户进行推荐。这种方法利用来自用户交互的集体数据来查找模式并生成建议，通常在Netflix或Amazon等平台上看到。
协同过滤主要有两种类型: 基于用户的和基于项目的。基于用户的协同过滤着眼于用户之间的相似性。例如，如果用户A和用户B已经类似地评价了若干电影，并且用户A喜欢用户B尚未看过的电影，则系统将向用户B推荐该电影。另一方面，基于项目的协同过滤关注项目之间的关系。例如，如果许多喜欢 “肖申克的救赎” 的用户也喜欢 “教父”，那么那些评价 “肖申克的救赎” 的人可以被推荐为 “教父”，而不管他们与做出这些选择的用户的直接联系。
协同过滤的优点之一是它不需要关于项目本身的广泛知识; 它完全依赖于用户交互。但是，它可能会遇到 “冷启动” 问题，因为没有足够的用户数据，因此可能不会推荐新项目。同样，新用户也可能构成挑战，因为他们的偏好尚未建立。尽管有这些限制，协同过滤仍然是用于在各种应用中生成推荐和增强用户体验的广泛使用的技术。