通过对一大群人的喜好进行搜索，并从中找出和我们品味相近的一小群人。算法会对这些人所偏爱的其他内容进行考查，并将他们组合起来构造出一个经过排名的推荐列表。有许多不同的方法可以帮组我们确定哪些人与自己的品味相近，并将他们的选择组合成列表。
欧几里德距离；
皮尔逊相关度；
Spearman秩相系数关度；
Tanimoto相关度；
协作筛选 (CF) 是 Amazon 等公司极为推崇的一项技巧，它使用评分、单击和购买等用户信息为其他站点用户提供推荐产品。CF 通常用于推荐各种消费品，比如说书籍、音乐和电影。但是，它还在其他应用程序中得到了应用，主要用于帮助多个操作人员通过协作来缩小数据范围。您可能已经在 Amazon 体验了 CF 的应用，如图1所示：
CF 应用程序根据用户和项目历史向系统的当前用户提供推荐。生成推荐的 4 种典型方法如下： 图1 协作筛选
基于用户：通过查找相似的用户来推荐项目。由于用户的动态特性，这通常难以定量。
基于项目：计算项目之间的相似度并做出推荐。项目通常不会过多更改，因此这通常可以离线完成。
Slope-One：非常快速简单的基于项目的推荐方法，需要使用用户的评分信息（而不仅仅是布尔型的首选项）。
基于模型：通过开发一个用户及评分模型来提供推荐。所有 CF 方法最终都需要计算用户及其评分项目之间的相似度。可以通过许多方法来计算相似度，并且大多数 CF 系统都允许您插入不同的指标，以便确定最佳结果。