协同过滤是推荐系统中使用的一种流行技术，它可以大致分为两种主要类型: 基于用户的协同过滤和基于项目的协同过滤。两者之间的主要区别在于如何生成推荐，要么关注用户及其偏好，要么关注项目本身及其相似性。
基于用户的协同过滤依赖于用户的偏好和行为来进行推荐。本质上，此方法根据用户的活动 (例如评级或购买历史) 来识别与目标用户相似的用户。例如，如果用户A和用户B已经类似地评价了若干电影，则系统可以推荐用户B喜欢但用户A还没有看过的电影。这种方法利用了这样的想法，即相似的用户将欣赏相似的项目。但是，它可能会面临挑战，例如 “冷启动” 问题，即没有足够数据的新用户无法收到量身定制的建议。
相比之下，基于项目的协同过滤侧重于识别项目之间的相似性，而不是用户。该系统通过分析与各种物品相关联的评级或购买历史并确定它们彼此之间的密切程度来工作。例如，如果喜欢某本书的许多用户也喜欢另一本书，则系统可以向喜欢第一本书的人推荐第二本书。这种方法通常提供更稳定的推荐，因为项目相似性往往比用户偏好更一致，用户偏好可能波动。此外，基于项目的过滤在计算上可能更便宜，尤其是对于大型数据集，因为在许多应用程序中，项目的数量通常比用户的数量小得多。